简介：摘要 : 植被分类是高光谱影像分类中的特定应用问题，光谱特征和空间特征是植被分类中常用的两类特征，比较这两类特征的性能，对实际植被分类应用中选择合适的特征类型或两者的有效结合具有指导意义。用主成分分析（ PCA）提取光谱特征时，常选择前几个主成分（ PCs）作为光谱特征，虽然它们包含较大的信息量但并不能保证较高的类别可分性和分类正确率，针对这一问题本研究提出了一种混合特征提取方法，对高光谱影像在 PCA的基础上用改进的基于分散矩阵的特征选择方法选出具有较高类别可分性的 PCs用于后续分类。利用一景 AVIRIS高光谱植被影像，从分类精度的角度，首先比较了所提出的混合特征提取方法和原始 PCA、独立主成分分析（ ICA）及线性判别分析（ LDA） 3种常用子空间特征提取方法在高光谱影像植被分类中的性能。试验结果表明所提出的混合特征提取方法在研究中数据集 1和 2上均获得了最高的总体分类正确率，分别为 82.7%和 86.5%。与原始 PCA相比，本研究提出的混合特征提取方法的总体分类正确率，在数据集 1和 2上分别提高了 1.5%和 2.5%。由此阐明了所提出的混合特征提取方法在高光谱植被分类中的有效性。对光谱特征和空间特征在高光谱影像植被分类性能的比较中，总体上空间特征获得的分类正确率比光谱特征高，特别是 Gabor特征，在两个数据集上均获得了最高的总体分类正确率分别为 95.5%和 96.7%。由此表明空间特征较光谱特征在高光谱影像植被分类中更具优势。本研究结果为后续改进空 -谱特征方法及其两者有效结合，进一步提高植被分类正确率提供了参考。

简介：[目的/意义]智慧农业科技是农业领域又一次新技术革命,具备农业新质生产力"高科技、高效能、高质量、可持续"的内在特征,已成为推进农业新质生产力发展的重要内核与引擎.[进展]本文对智慧农业科技创新的现实基础、内在逻辑与问题挑战开展系统研究,结论表明中国"表型+基因型+环境型"智能育种已迈入快车道,农业天、空、地信息感知技术体系逐渐成熟,农业大数据与智能决策技术研究探索不断推进,面向不同领域的智能农机装备创制取得丰硕成果.智慧农业科技创新通过赋能农业要素、技术、场景、主体与价值,推动农业新质生产力发展.但也面临科技创新政策体系不健全、关键技术存在卡点堵点断点、科创成果转化落地难度较大、支撑体系不够完备等重大挑战.[结论/展望]聚焦问题导向,提出了中国智慧农业科技创新平台、技术、场景、人才的"四高"路径,并围绕顶层设计、政策供...