摘要：叶片SPAD（soil and plant analyzer development）值表征了叶片叶绿素相对含量，是监测农作物长势和营养状况的重要参数。光学遥感是大面积无损探测叶片SPAD值的重要手段。然而，由于不同光谱尺度数据探测光谱变化存在差异，影响了光学探测作物生化参数的精度，但目前很少有研究系统评估不同光谱尺度对探测冬小麦叶片SPAD值的影响。为优化光谱尺度提升叶片SPAD探测精度，该研究通过连续4年田间试验，获取冬小麦4个关键生育期（拔节期、抽穗期、开花期和灌浆期）和3种施氮水平（N1、N2和N3）条件下的冠层光谱反射率和叶片SPAD值，评估了5种光谱尺度（1、5、10、25和50 nm）下单一波段反射率和植被指数对叶片SPAD值敏感性差异及对机器学习模型估算SPAD值的影响。结果表明，红光波段反射率对SPAD值敏感性最大，光谱尺度敏感性变异系数Var为0.497。红边波段波长710 nm反射率受到光谱尺度影响最大，在全生育期敏感性变异系数Var为1.000。全生育期敏感性最佳植被指数为m ND705，在50 nm光谱尺度对SPAD的敏感性最高（R2=0.685）且光谱尺度敏感性变异系数低（Var=0.014）。在4个单一生育期中，mND705在灌浆期对SPAD的敏感性最佳（R2=0.895）且受到光谱尺度的影响小（Var=0.014）。施氮水平的增加提升了植被指数对SPAD的敏感性。优化光谱尺度提升了机器学习模型估算SPAD的能力，全生育期中以25 nm光谱尺度构建的偏最小二乘回归模型对SPAD的估算精度最佳（R2=0.816和均方根误差RMSE=4.04）。该研究为从优化光谱尺度角度优化光学传感器选择和设计、光谱植被指数波段选择和机器学习模型光谱特征构建提供了理论基础。

摘要：在工程教育改革和测绘学科智能化转型的背景下,培养具备遥感数字图像处理基础理论与程序实践能力的本科毕业生对于满足就业市场和学生学术深造的需求至关重要。然而,现行“遥感数字图像处理”课程教学存在理论与程序实践脱节、教学方法单一、学生自主学习场景匮乏等问题。课程改革遵循以学生为中心,成果导向的工程教育理念,对课程目标、教学内容和评价方式进行系统性重构,形成基础理论、技术能力和思政教育三线驱动的教学模式,同时,借助Jupyter Notebook工具设计交互式的教学场景。课程改革增强课程的互动性和趣味性,激发学生兴趣,促进从知识掌握到能力养成的转化。

摘要：城市地下排水管道的维护是保证排水管道使用功能的基础工作,对城市地下排水管道进行缺陷检查则是进行维护工作的必要前提。为了提高城市地下排水管道缺陷识别效率,实现管道缺陷识别智能化,提出一种基于改进SSD的城市地下排水管道缺陷识别算法。针对传统SSD算法特征提取不足的问题,设计了一种注意力机制模块,以提高城市地下排水管道缺陷特征提取能力;针对传统SSD算法感受野不足的问题,引入感受野扩增模块并调整其参数和结构,以捕获不同尺度的感受野;最后在自建城市地下排水管道缺陷数据集上进行实验。结果表明,该方法较传统SSD算法在城市地下排水管道缺陷识别上的平均准确率提高约7.89%,因此本方法对于城市地下排水管道缺陷识别有一定应用价值。