基于Faster R-CNN的野外环境中蝗虫快速识别

蝗虫是常见的害虫之一,对农作物和生态系统具有很大的危害,采用常规的方法对蝗虫进行监测存在一定局限性,为了有效应用海量野外影像数据实现对蝗虫实时监测,本文建立了一种基于深度学习网络的蝗虫自动识别模型。利用手机模拟摄像头获取的内蒙古锡林浩特附近草原的280张蝗虫的RGB图像,采用深度学习算法中的Faster R-CNN（Faster Region-based Convolutional Neural Network）网络结构建立了蝗虫识别模型。经验证该模型的精确度为0.756,可以较准确地将蝗虫从野外复杂环境中识别出来,与以往同类研究相比,在识别结果和实用性方面均有较大的进步。该模型是建立蝗虫实时监测系统的基础,可以为蝗虫的防治提供辅助信息,同时该网络结构还可以应用于其他害虫的识别,具有较强的推广性,拓宽了深度学习算法的应用领域。     

河南省东亚飞蝗发生的时间序列分析

利用1953—2000年河南省东亚飞蝗的发生时间序列资料，做了飞蝗大发生年的游程检验，结果表明，1953—2000年间河南省东亚飞蝗的大发生年是随机出现的。     

遥感与GIS在蝗虫灾害防治研究中的应用进展

蝗虫是给农作物和草场造成严重危害的昆虫。长期以来,蝗虫的灭治一直依靠化学药剂喷洒,生物防治还处于刚刚起步阶段。从20世纪70年代起,就已在北非、澳大利亚等地,开始应用卫星遥感图像Landsat/MSS、TM及NOAA/AVHRR对蝗虫栖息、生长和繁殖的生境进行监测,研究蝗虫生境的绿度,以推断可能发生蝗灾的区域。进入20世纪90年代以来,遥感技术与地理信息系统(GIS)技术的结合,在蝗虫的监测中正得到日益广泛的应用。扼要论述了这些方面的研究进展。     

东亚飞蝗灾害的遥感监测实验

通过对蝗虫栖息、生长和繁殖的生境进行野外实际调研和数据采集,利用TM图像数据提取蝗虫生存的芦苇样地的归一化植被指数(NDVI)、抗大气植被指数(ARVI),综合分析遥感数据与实测数据之间的相关关系,找出探测蝗灾的光谱特征域在遥感图像上对应的位置,提出监测和预测蝗灾的遥感方法.     

El Nio、La Nia事件与太阳活动对河南省东亚飞蝗大发生的影响

用研究灾变规律的关键时方法分析了El Nio、La Nia事件和太阳活动对河南省东亚飞蝗 (Locus ta migratoria manilensis Meyen) 的影响。结果发现, El No和La Nia事件不会促使河南省沿黄地区东亚飞蝗的大发生, 并得出El Ni no和La Ni na事件对飞蝗大发生的影响主要通过影响其发生地的天气、气候 (主要是降水), 从而影响飞蝗的大发生。在太阳黑子相对数高年的后一年, 河南省东亚飞蝗大发生的可能性超过90%。     

河南省东亚飞蝗发生时间序列突变分析

用累积距平和Mann Kendall方法研究了 195 0～ 2 0 0 0年河南省东亚飞蝗发生时间序列的变化趋势及其突变 ,结果表明 :河南省东亚飞蝗发生时间序列的变化趋势十分明显 ,1985年以后河南省东亚飞蝗发生程度明显加重 ,飞蝗的发生面积在 196 6年发生突变。气候变化可能是近几年河南省东亚飞蝗再次持续大发生的主要原因之一 ;秋蝗比夏蝗发生程度波动性更大的原因可能在于蝗虫自身对恶劣环境的适应性。