报告题目：基于深度学习的小麦叶绿素含量与条锈病遥感监测
报 告 人：高懋芳 副研究员 中国农业科学院农业资源与农业区划研究所
报告时间：2021年7月5日 17：00-17：30
报告地点：腾讯会议 ID：524 598 698
校内联系人：曹春玲 caocl@jlu.edu.cn
报告摘要：深度学习是机器学习领域中一个新的研究方向，通过学习样本数据的内在规律和表示层次，让机器能够像人一样具有分析学习能力，因此是一种非常有潜力的建模方法。在本报告中，我们介绍基于深度学习的小麦叶绿素含量与条锈病遥感监测的最新进展：（1）基于深度学习的小麦叶绿素含量的反演建模。在对冬小麦的七个生育期的反演建模中我们耦合了梯度提升回归树模型与基于弹性网约束降维的梯度提升回归树模型。本模型最大程度上保留了高光谱数据的信息，降低光谱数据的冗余度，提高反演模型的精度。为基于高光谱数据的作物生理参数反演提供了有力工具。（2）基于深度学习的小麦条锈病遥感监测研究。利用语义分割模型对无人机影像中的条锈病小麦进行识别，深入研究了该模型的泛化能力，并提出用弱监督学习的方法有效解决了深度学习模型所需大量样本数据的问题。该研究方法可以更加准确和稳定地识别小麦条锈病，有利于及时采取防治措施，减少经济和产量损失。
报告人简介：高懋芳，博士，中国农业科学院农业遥感创新团队青年首席，中国农业科学院农业资源与农业区划研究所副研究员，硕士生导师。2006年南京大学毕业后开始在本所工作，长期从事农业干旱遥感监测、农业面源污染监测、作物生长过程模拟、遥感与作物模型同化等方面的研究，在干旱监测方法与生态系统过程模拟等方面取得了一系列研究成果。提出了耦合遥感干旱指数与降水距平指数的综合干旱监测与评估方法；提出了基于遥感与GIS的生态系统模拟空间数据库构建方法，实现了利用过程模型模拟中小尺度流域植物生长和畜禽养殖过程；发挥遥感的区域性、周期性以及过程模型的连续性和可预测性，提出了集成遥感干旱指数与作物生长过程模拟的农业干旱损失评估方法。
主持国家自然科学基金面上项目、青年项目、国际合作项目等国家级项目5项，另主持973计划子课题、基本科研业务费专项等多个科研项目。发表论文58篇，其中SCI论文21篇，出版第一作者著作6部，获国家发明专利6项，获河北省科学技术进步二等奖1项、安徽省科学技术进步二等奖1项、中国农业科学院科学技术成果奖青年科技创新奖1项、中华农业科技奖一等奖1项、中国农业资源与区划学会科学技术奖一等奖1项、北京市优秀工程咨询成果1等奖1项，取得软件著作权5个。在美国新罕布什尔大学从事博士后研究一年，后又分别到法国斯特拉斯堡大学、澳大利亚墨尔本大学开展为期半年的学术交流，参与多项国际合作项目。
