- 综合排序
- 最热优先
- 最新优先
- 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
PIE-Engine 教程:水稻面积提取5—精度评定(宿迁市)
kappa系数 方法参数： - ConfusionMatrix(Object) 混合矩阵对象 返回值：Number 代码： /** * @Name : 基于 PIE Engine Studio 的水稻自动提取 * @Author : 武汉大学VHR队 * @Desc : 淮安市水稻提取 - 精度评价 * @Source : 航天宏图第四届 “航天宏图杯”PIE软件二次开发大赛云开发组三等奖获奖作品 */ //5.精度评价 //导入验证样本 var isa = pie.FeatureCollection('user/pieadmin/saas/06/ivali_sa'); var forest vali_water'); var rice = pie.FeatureCollection('user/pieadmin/saas/06/vali_rice'); //给验证样本添加属性type，1为水稻
30910编辑于 2024-02-02 - 来自专栏计算机视觉战队
作者亲自修改论文 | 水稻检测
一、简要 在本研究中，研究者提出了一种有效的深度卷积神经网络(DCNN)结构，利用手持照相机拍摄的照片来检测水稻的生长阶段(DVS)。 In 2017 The sixth international conference on agro-geoinformatics (pp. 1–5). https://doi.org/10.1109/ Forest Meteorology, 259, 21360–270. https://doi.org/10.1016/j.agrformet.2018.05.001）使用支持向量机和DCNN来区分水稻穗的图块 三、研究地域 实验地域（23° 5′ 52″–23° 7′ 23″ N, 108° 57′ 7″–108° 58′ 34″ E）位于中国广西宾阳县。 当在播种方向拍摄图像时，两排水稻之间的土壤会被很好地捕捉到，而在其他方向，图像捕捉到的土壤会较少。
56020发布于 2021-05-31 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
全球历史水稻产量数据集
全球历史水稻产量自20世纪初以来迅速增长，据联合国粮农组织（FAO）的数据，2019年全球水稻产量为496亿公斤。以下是一些主要水稻产区和其产量：前言 – 人工智能教程 1. 孟加拉国：孟加拉国是全球第四大水稻生产国，占全球总产量的5%左右，2019年产量为26亿公斤。 5. 越南：越南是全球第五大水稻生产国，占全球总产量的4%左右，2019年产量为21亿公斤。 此外，一些其他的主要水稻生产国包括泰国、巴西、菲律宾、缅甸和日本等。全球水稻主要分布在东南亚、南亚和东亚等地区。 (img, visParams, "img"); //图例 var data = {title: "全球水稻年产量（吨/公顷）", colors: ['#ffffe5', '#f7fcb9 ', '#d9f0a3', '#addd8e', '#78c679', '#41ab5d', '#238443', '#006837', '#004529'], labels:
57410编辑于 2024-02-02 - 来自专栏PyQt+YOLO
【AI加持】基于PyQt5+YOLOv8+DeepSeek的水稻叶片疾病检测系统（详细介绍）
本项目基于PyQt5、YOLOv8与DeepSeek构建水稻叶片疾病检测系统，具有重要的现实意义和应用价值。 1.PyQt5PyQt5是一套用于创建跨平台桌面应用程序的PythonGUI工具包，它是Qt应用框架的Python绑定。 5.多线程QThread是PyQt5提供的线程类，用于在界面程序中安全地执行耗时任务，从而避免界面阻塞和卡顿。 农户只需拍摄水稻叶片照片，通过PyQt5桌面端或移动端上传，YOLOv8会自动检测病害并标注病斑位置，同时DeepSeek根据识别结果生成防治建议和用药方案。 本次给大家介绍了我使用PyQt5+YOLOv8+DeepSeek的水稻叶片疾病检测测系统，本系统功能强大，支持多种数据源输入，包含多种用户交互按钮以及模式，内置数据可视化方案、大模型AI加持，是您学习、
46910编辑于 2025-12-14 - 来自专栏CSDN社区搬运
初入图像处理：水稻剑叶夹角测量
原文地址 三、论文背景 背景及意义介绍 背景 水稻是世界主要粮食作物之一，为世界一半以上人口提供粮食。近代高产育种实践证明改良株型是提高品种产量的关键，水稻剑叶角度是构成水稻株型的主要因素之一。 意义 水稻理想株型的选育主要集中于减小剑叶夹角，高产水稻的剑叶角度应该在13∘～17∘13∘～17∘，另两片功能叶也均保持小角度，使植株呈塔形，有利于提高光合作用效率，实现水稻高产。 因此，实现水稻剑叶夹角快速、准确地在体测量，对水稻高产育种具有重要意义。 四、论文思路 利用图像处理技术实现水稻剑叶夹角的实时、准确测量。 [idx, C] = kmeans(line_angles, 2); 步骤5：角度计算模块复现 弧度与角度转换及象限调整 霍夫直线检测所得角为直线与竖直方向所成夹角，单位为弧度制。 ，得到水稻的剑叶夹角。
52610编辑于 2024-12-27 - 来自专栏Sentieon
Sentieon | 水稻全基因组（WGS）分析流程
今天给大家介绍的是基于 Sentieon 软件开发的用于水稻全基因组测序数据的自动化流程脚本。 测试水稻样本测序深度36.98X，从FASTQ到VCF全流程分析最快用时8分钟，大幅缩短了水稻全基因组WGS分析时间，有效加快水稻的分子育种进程。 5. 脚本应用示例使用上述脚本对水稻全基因组测序数据分析的测序结果，具体样本信息如下表所示：类别详情物种IDOryza_sativa物种名和倍性水稻(二倍体)参考基因组GCF_034140825.1_ASM3414082v1 从FastQ到VCF全流程分析最快用时8分钟，大幅缩短了水稻的全基因组WGS分析时间，有效加快作物的分子育种进程。
39610编辑于 2025-10-29 基于yolov5的水稻叶病害检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv5的水稻叶病害检测系统是一种利用深度学习技术实现的高效、准确的病害识别工具。该系统采用YOLOv5算法，该算法以其高效的检测速度和良好的识别准确性在目标检测领域广受好评。 该系统能够实时处理水稻叶片的图像数据，快速准确地识别和定位叶片上的病害区域。用户可以通过上传图片、视频或连接实时摄像头来进行病害检测，系统将自动分析并标注出病害的位置和类型。 基于YOLOv5的水稻叶病害检测系统的出现，不仅大大提高了病害检测的效率和准确性，还为农业生产中的病害防控提供了有力的技术支持。 通过及时发现和处理病害，该系统有助于减少病害对水稻产量的影响，保障粮食安全和农业可持续发展。 yolov5环境，并安装好pyqt5 （2）切换到自己安装的yolov5环境后，并切换到源码目录，执行python main.py即可运行启动界面，进行相应的操作即可 【提供文件】 python源码
15710编辑于 2025-07-16- 来自专栏成套网站
基于深度学习的水稻病虫害检测系统
然而，水稻生长过程中面临诸多病虫害威胁，如稻瘟病、纹枯病、稻飞虱、稻纵卷叶螟等，这些病虫害严重影响水稻产量与品质。 传统水稻病虫害识别方法依赖人工经验，农业工作者或农民通过肉眼观察水稻植株症状来判断病虫害类型与严重程度。 因此，开展基于深度学习的水稻病虫害检测系统研究具有重要意义。2、研究意义保障粮食安全，稳定农业生产水稻作为全球重要的粮食作物，其产量与质量关乎粮食安全大局。 水稻病虫害的爆发往往导致大规模减产，严重威胁粮食供应稳定。基于深度学习的水稻病虫害检测系统，能够快速、精准地识别病虫害类型与严重程度。 5、系统实现
25110编辑于 2025-12-31 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
PIE-Engine 教程:水稻面积提取1(宿迁市)
我们这次用国家的边界通过name进行筛选到宿迁市进行分析，本次计算的水稻面积用到的指数是NDVI，LSWI，EVI三种指数进行分析，用到的影像是Landsat 8数据，DEM数据（计算坡度、坡向）还有指定 5月和8月份SAR影像（"VH1","VH2"）最后分别加入到Landsat波段影像，可导出我们所合成的影像。 Image - dropNulls(Boolean) 是否允许返回空值 返回值：ImageCollection 代码： /** * @Name : 基于 PIE Engine Studio 的水稻自动提取 * @Author : 武汉大学VHR队 * @Desc : 淮安市水稻提取 -- 合成监督分类影像 * @Source : 航天宏图第四届 “航天宏图杯”PIE软件二次开发大赛云开发组三等奖获奖作品 )); } //LSWI function LSWI(image) { var swir = image.select("B6") var nir = image.select("B5"
44910编辑于 2024-02-02 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
PIE-Engine 教程:水稻面积提取4—阈值筛选(宿迁市)
这里水稻面积提取用阈值法进行，这里我们需要用到的是将随机森林和svm支持向量机的监督分类分析的结果用mask去除和提取，这里我们所需要用到几个函数 where(condition,value) 执行值的有条件替换 返回值：Image 水体指数 LSWI=（NIR-SWIR）/（NIR+SWIR式）中，NIR和SWIR分别表示MODIS近红外和短波红外波段处的地表反射率； 2）、提取水稻像元：利用水指数LSWI与植被指数 EVI的关系，提取水稻像元，其过程为：在灌水移栽期LSWI >0.12，EVI <0.26，（LSWI+0.05）>EVI，且其后第6到11个8天合成的图像的平均EVI>0.35； 代码： /** * @Name : 基于 PIE Engine Studio 的水稻自动提取 * @Author : 武汉大学VHR队 * @Desc : 淮安市水稻提取 - 阈值筛选 * )) var july2 = col2.getAt(4).addBands(pie.Image().constant(196).rename('doy')) var aug = col2.getAt(5)
37810编辑于 2024-02-02 - 来自专栏今天看点
江西成功克隆出水稻“耐高温”基因技术 已达国际领先水平
5月5日，江西省农科院水稻国家工程研究中心（南昌）超级稻育种研究团队曹志斌副研究员以第一作者身份在国际植物学知名期刊《Plant Biotechnology Journal》（即时影响因子12.05，生物学一区 该研究克隆了水稻重要功能基因HTH5，发现HTH5可正向调控水稻对高温的耐受性，并解析了其调控的分子机制。该成果为水稻耐高温育种的分子改良提供了基因储备和材料基础。 进一步通过互补测验转基因试验证明HTH5正向调控水稻抽穗扬花期耐热性。超量表达HTH5能够显著提高水稻扬花期高温胁迫下的结实率，抑制表达HTH5能够显著降低水稻扬花期高温胁迫下的结实率。 启动子区域序列分析发现HTH5启动子上游2个单核苷酸变异影响了基因表达量，并且与水稻耐热性多样化相关。 因此，HTH5基因的克隆为水稻耐高温理论研究积累了经验和数据，也为水稻耐高温育种提供了重要的基因资源。
49130编辑于 2022-05-13 - 来自专栏育种数据分析之放飞自我
通过基因组选择预测杂交水稻的表现(数据挖掘)
小编自语： 基因组选择，预测杂种优势，在水稻可以用，在玉米，高粱中也可以用，在动物选择配套系时也可以用，根据加性效应和非加性效应进行预测，前景广阔。 这篇文章的作者，有很多大牛：徐世忠老师, 专门做算法的；张启发老师, 水稻大牛。 可以进一步分析或者挖掘的地方： 1，水稻或者玉米等利用杂种优势的作物，本身自交系是有一定的分群划分的，可以针对不同群体的杂交组合构建参考群，然后进行预测所有群体间杂交种的表现，准确性应该更高 2，很多经济性状 进行所有可能的杂交不现实, 因此有很多折中的方法, 比如类群划分, 群间杂交…基因组选择的出现, 可以利用建模的方式模拟预测所有可能的杂交种的表现, 然后进行选择, 再根据结果进行实地种植测试, 可以节约很多资源. 5. 水稻训练群体和测试群体 训练群体中, 杂交种的表型值需要测量, 基因型值可以根据亲本的基因型进行推断(亲本为纯合的, 杂交种为杂合的).
1.2K30发布于 2019-06-13 - 来自专栏计算机视觉战队
利用手持摄像机实时进行水稻检测（致敬袁老）
一、简要 在本研究中，研究者提出了一种有效的深度卷积神经网络(DCNN)结构，利用手持照相机拍摄的照片来检测水稻的生长阶段(DVS)。 In 2017 The sixth international conference on agro-geoinformatics (pp. 1–5). https://doi.org/10.1109/ 检测到的穗状斑块的数量决定了水稻的走向阶段。 以上两项研究集中在固定的角度和位置的图像上，而小农户可以以随机的角度和位置拍摄图像。为了方便处理这些随机图像，有必要开发一种通用的方法。 三、研究地域 实验地域（23° 5′ 52″–23° 7′ 23″ N, 108° 57′ 7″–108° 58′ 34″ E）位于中国广西宾阳县。 当在播种方向拍摄图像时，两排水稻之间的土壤会被很好地捕捉到，而在其他方向，图像捕捉到的土壤会较少。
33020编辑于 2023-09-20 - 来自专栏用户2836191的专栏
基于GEE和S1自动提取水稻种植区
这项研究提出了一种经济有效的方法，可用于近实时地绘制和监测大面积水稻的生长程度和种植方式。这种新颖的方法可以生成水稻种植区的高分辨率月度地图（10 m分辨率）以及水稻生长阶段。 该方法将时态Sentinel-1数据和水稻物候参数与基于Google Earth Engine（GEE）云的平台集成在一起。 使用K均值聚类，层次聚类分析（HCA）和VH极化时间序列剖面的可视化解释来生成水稻范围，种植模式和生育期的时空分布。 该方法还可以预测长达两个月的水稻播种期。 VH极化数据可以确定水稻的四个生长阶段：T＆P：耕作和播种（30天）； V：植物人1和2（60天）； R：生殖（30天）； M：到期日（30天）。 与实地调查数据相比，该方法测量的水稻总面积精度为96.5％，卡伯系数为0.92。与随机森林和C5.0模型相比，SVM和ANN显示出更好的性能。
2.5K11发布于 2020-10-11 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine（GEE）——Sentinel-1 和 2 数据的融合，水稻范围识别和水稻种植季节区分地图绘制—马来西亚为例
这项研究的结果将为绘制稻田及其生长阶段的地图提供一个有效的框架，这对于解决粮食安全问题和减少水稻种植产生的甲烷气体排放具有重要价值。 摘要： 水稻是世界一半以上人口的主要作物，但缺乏概述水稻产区及其生长阶段的高分辨率地图。大多数遥感研究绘制了水稻的范围：然而，在热带地区，水稻全年种植，种植日期和种植频率不同。 因此，绘制水稻生长阶段比仅绘制范围更，有用。本研究通过开发一种基于物候学的方法解决了这一挑战。 5px 5px 5px', } // style: { // fontSize: '16px', // color: 'red', // fontWeight: 'bold', 该方法区分了水稻的生长阶段，并确定马来西亚半岛的大部分稻田一年有两个种植季节。
1.1K10编辑于 2024-02-02 - 来自专栏气象学家
利用机器学习和深度学习方法整合多源数据进行中国水稻产量预测
我们旨在回答以下三个问题:(i)在不同水稻系统中，水稻产量预测应该选择哪些输入变量?(ii)在预测水稻产量方面，ML和DL方法与传统线性回归方法相比如何? 02 数据与方法 【2.1 研究区域】 在本研究中，我们关注中国大陆的主要水稻种植区，主要是单稻系统(即在给定的田地里每年收获一次水稻)和双稻系统(即在给定的田地里每年收获两次水稻)(图1)。 根据水稻种植制度，中国大陆的水稻种植可划分为四个区域:ⅰ区:东北单稻区;云贵高原单株水稻II区;第三区:长江流域稻谷;第四区:华南地区双季稻。 图1所示。 【4.2.2主要气候变量与产量之间的时空格局】 图5.共享气候变量(NGDD,(a,b);Pre,(c,d);Pet,(e,f))与单稻和早稻(a,c,e)和产量之间的时空相关性晚稻（b、d、f）。 最后，我们比较了5年县级产量预测的技巧和泛化。总体而言，DL和ML在县一级表现良好。
3.7K30编辑于 2022-01-18 无人机图像+深度学习：湖南农大团队实现稻瘟病分级检测84%准确率
中国是水稻种植大国，水稻在农业生产和粮食供应中占据着举足轻重的地位。 然而，水稻种植过程中常常受到各种病虫害的威胁，稻瘟病被誉为水稻的“重大威胁”,导致水稻产量显著减少，极端情况下甚至引发绝收，是水稻种植业面临的最严峻病害之一。 引入 DSCAM 注意力机制的 Inception 模块结构如图 5 所示。 为了捕捉多尺度特征，模型堆叠了多个包含 1×1、3×3 和 5×5 卷积核及池化层的 Inception 模块。 二、模型训练与测试试验平台与训练参数本试验所使用的计算机处理器型号为 Intel(R)Core(TM) i5-7200 运行系统为 windows 10，深度学习框架为 Pytorch1.10.0，开发环境为
33800编辑于 2025-07-31- 来自专栏生信宝典
Plant Com | 浙江大学樊龙江团队大规模群体基因组分析揭示红米演化历史
野生稻、栽培红米和杂草稻都具有红色种皮，这些红米资源包含了完整的水稻遗传背景，是水稻驯化和遗传改良前后时期的重要纽带，是研究水稻驯化和遗传改良历史不可或缺的重要遗传材料。 （所谓5k数据集，其中近3000份材料为有色种皮）进行了群体分析，探究了红米演化历史。 5k数据集涵盖了各类水稻材料，包括2437份籼稻, 1897份粳稻, 229份aus, 90个circum-basmati (cB), 221份混合类型和230份O. rufipogon野生稻（图1）。 图1 研究使用的5k基因组数据集及其各种水稻类型构成情况 樊龙江教授课题组利用5k基因组数据集进行了系统发育和群体结构分析。 图2 水稻5k基因组数据集系统发育树（左）及其部分分支情况（右） 为了估计栽培红米和白米群体分化时间，该研究使用SMC++进行估计（图3）。
49010编辑于 2023-12-12 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
PIE-Engine 教程:水稻面积提取2—监督分类(宿迁市)
这里是第二部分计算水稻提取，这里采用的是监督分类。 Classifier) 监督分类分类器实例 - options(Object) 参数对象 返回值：Classifier 代码： /** * @Name : 基于 PIE Engine Studio 的水稻自动提取 Map.centerObject(roi, 8) Map.addLayer(roi) //导入用于分类影像并勾选波段 var bands = ["B1", "B2", "B3", "B4", "B5" ,FAFFC8' }; Map.addLayer(imageA, visParam, "ClassifyImage"); // 添加图例 var data = { title: "淮安市水稻分类 ", colors: ['#EAF2F5', '#000032', '#1F3600', '#FAFFC8'], labels: ["水稻", "其他植被", "城镇", "水体"],
46210编辑于 2024-02-02 - 来自专栏技术汇总专栏
基于YOLOv8的水稻病害检测项目｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！
基于YOLOv8的水稻病害检测项目｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！ 本项目提供完整可运行源码+完整数据集(已标注)+训练脚本+PyQt5可视化图形界面+推理部署教程，帮助你快速搭建一个可用于农业生产场景的水稻叶片病害识别系统，无需从零开始配置环境或重新整理模型结构，直接开启训练或应用 用户界面采用PyQt5开发，界面清晰易用，一键选择输入源即可开始检测。 一、软件核心功能介绍及效果演示系统核心功能包括：功能描述YOLOv8病害检测可准确划分三类水稻病害类型PyQt5图形界面支持按钮操作，一键推理多输入模式支持图片文件夹视频/摄像头动态参数可调可实时调整置信度与 ，基于YOLOv8构建高精度目标检测模型，并结合PyQt5实现了可直接运行的可视化检测系统。
39210编辑于 2025-11-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号