近日，安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心黄林生、赵晋陵教授团队在“植被病虫害遥感监测和高精度识别”方向取得系列进展，先后在地球科学、农林科学、计算机科学权威期刊发表三篇论文并授权四项国家发明专利，安徽大学均为第一单位。

       了解沙漠蝗虫栖息地适宜性分布对于建立有效的预防和控制措施至关重要。团队提出了结合生态位模型（ecological niche models）与时空立方体（space-time cube）分析的创新方法，用于分析也门沙漠蝗虫栖息地适宜性的时空变化。采用最大熵（MaxEnt）模型评估2010年以及2013至2021年期间也门沙漠蝗虫的栖息地适宜性；应用时空立方体方法进行时空分析，揭示栖息地适宜性分布的时空动态。本研究为研究沙漠蝗虫栖息地适宜性分布的时空特征提供了新的视角。相关工作发表在地球科学权威期刊《International Journal of Digital Earth》（DOI: 10.1080/17538947.2024.2346266），第一作者为互联网学院黄林生教授，中国科学院空天信息创新研究院黄文江研究员和董莹莹副研究员为论文共同通讯作者。

图1. 也门2010、2013–2021年沙漠蝗虫栖息地适宜性空间分布

       农作物病害图像规模庞大且包含大量冗余信息，降低了深度神经网络在提取病害时的有效性。为此，团队提出了一种动态减少图像冗余的高效农作物病害识别方法。第一阶段，采用轻量级CA-AnchorNet快速生成受影响农作物区域的特征图。随后，利用类激活图（CAMs）识别病害特征区域，突出显示具有类别可辨识性的区域。第二阶段，将减少空间冗余的局部语义补丁输入到轻量级PatchNet中，以实现准确识别。该方法具有定位准确和参数数量低的特点，可以用于复杂环境中农作物病害的有效和高精度识别。相关工作发表在计算机科学权威期刊《Applied Soft Computing》（DOI: 10.1016/j.asoc.2024.112076），第一作者为电子信息工程学院2023级博士生李海东，互联网学院赵晋陵教授和黄林生教授为论文共同通讯作者。

图2. 集成CA-AnchorNet和PatchNet的网络结构CA²PNet

       针对农作物病害受背景干扰、形态差异和尺度变化导致的准确性不高的问题。团队提出了一种整合了频域和空间域信息的双分支深度神经网络。频域分支以频域信息为输入，提取丰富的农作物病害频域成分特征，而可变形注意力Transformer分支擅长表示全局特征，并有选择地关注农作物病害局部特征。通过采用一种新的融合方法―多光谱通道注意力融合（MSAF），更好地整合农作物病害的频域和空间特征。相关工作发表在农林科学权威期刊《Computers and Electronics in Agriculture》（DOI: 10.1016/j.compag.2024.108843），第一作者为电子信息工程学院2023级博士生李海东，互联网学院赵晋陵教授和汪传建教授为论文共同通讯作者。

图3. 联合FCA和DAT-T的双分支网络结构

新闻链接：http://www.ahu.edu.cn/2024/0912/c15059a347293/page.htm

网站内容来源于互联网，由网络编辑负责审查，目的在于传递信息，提供专业服务，不代表本网站平台赞同其观点和对其真实性负责。如因内容、版权问题存在异议的，请与我们取得联系，我们将协调给予处理（按照法规支付稿费或删除），联系方式：ahos@vplshi.com 。网站平台将加强监控与审核，一旦发现违反规定的内容，按国家法规处理，处理时间不超过24小时。