基于冠层NDVI数据的北方粳稻产量模型研究

以沈阳农业大学试验田为研究区域,将无人机遥感技术与人工结合,采集2015年夏季粳稻生长全过程的冠层NDVI数据。首先,利用二元定距变量相关分析的方法对单天和各旬、各月冠层NDVI与产量进行相关性分析;然后,利用线性回归和Square(或Cubic)曲线分别对相关性较好的单天和各旬与产量建模,并对回归模型进行检验,验证模型精度,同时将效果较好的几个模型进行对比分析。结果表明,单独用一个变量建模,Square(或Cubic)曲线模型优于一次线性回归模型,6月中旬和8月上旬的组合模型是估产最理想的模型,其判定系数(R²)为0.771,相对误差(RE)为4.06%,均方根误差(RMSE)为0.474 t·hm^-2,精度较高,具有可行性,据此确定北方粳稻最佳估产时间是6月中旬的分蘖盛期和8月上旬的抽穗期。     

基于优化BP神经网络的香格里拉高山松蓄积量模型研究

以香格里拉县高山松为研究对象,以Landsat TM 8影像和DEM（30M）数据为信息源,结合森林资源二类调查数据和地面样地实测数据,借助MATLAB平台,在前期进行基于遗传算法（GA）和粒子群算法（PSO）优化BP神经网络模型基础上,采用决定系数（R²）、均方根误差（RMSE）及预测精度（P）3个指标对优化后的BP神经网络模型及进行评价,并建立了研究区高山松蓄积量估测模型。结果表明,遗传算法效率（耗时1.9 h）低于粒子群算法（耗时1.4 h）;采用遗传算法优化后的BP神经网络模型R²、RMSE及P分别为0.636、4.216 m³、81.748%,均优于粒子群算法。通过遗传算法优化后的BP神经网络模型估测香格里拉高山松蓄积量总量为13 317 879.7 m³。     

基于叶片尺度的东北粳稻产量估测

及时准确地估测水稻产量是服务现代农业的重要内容,对制定科学的粮食政策具有重要的现实意义。本研究以东北粳稻为例,利用试验区粳稻叶片植被指数归一化差值植被指数(NDVI)和光化学植被指数(PRI)估测粳稻产量。基于2015年粳稻生长关键期6-9月的叶片NDVI和PRI,结合试验小区产量数据,建立了基于试验区叶片NDVI和PRI的粳稻产量估算模型。单月NDVI与产量一元线性模型的R~2范围为0.455~0.581,平均估产精度为96.36%。单月PRI与产量一元线性模型的R~2范围为0.396~0.709,平均估产精度为96.68%。单月NDVI和PRI复合估产二元线性模型的R~2范围为0.655~0.784,平均估产精度为97.26%。利用不同月份组合的NDVI累积和与PRI累积和建立的粳稻产量模型R~2范围为0.765~0.949,估产精度均在97.48%以上。所建参数模型中拟合效果最好的是6月、8月、9月NDVI累积和与PRI累积和复合的估产模型,R~2为0.949,估产精度高达98.82%,此模型可作为粳稻估产的一种参考模型。     

基于机器学习的粳稻叶片叶绿素含量高光谱反演建模

叶绿素含量是表征粳稻生长状态的重要指标,高光谱遥感技术能够无损、快速的获取粳稻叶片叶绿素含量。本研究利用2015—2017年沈阳农业大学辽中水稻实验站粳稻叶片高光谱数据,并利用主成分分析法(PCA)、典型相关分析法(CCA)、核典型关联分析法(KCCA)3种方法对粳稻叶片高光谱信息降维,选出较优光谱参数作为叶绿素含量反演模型的输入变量。采用支持向量机回归(SVR)、神经网络(NN)、随机森林(RF)、偏最小二乘法(PLSR)四种机器学习算法建立粳稻叶片叶绿素含量反演模型。结果表明,KCCA降维方法对粳稻叶片高光谱降维效果要优于PCA和CCA两种方法。采用KCCA-SVR方法建立的粳稻叶片叶绿素含量反演模型的模型决定系数R²=0.801,RMSE=1.610,建立的粳稻叶绿素含量反演模型精度最高。该模型良好的预测能力为粳稻叶片叶绿素含量反演研究和养分诊断提供了数据支撑和模型参考。     

无损检测10种植物叶片含水量的通用模型

对植物叶片含水量进行快速、准确和无损检测有助于诊断植物缺水程度。以10种植物叶片为研究对象,自行设计平行板电容传感器,改进电阻测量方法,对叶片电容和电阻进行检测。采用SPSS 19.0软件对测量数据进行组内相关系数分析,验证数据的可靠性。将叶片分成训练集和测试集,用Excel软件对训练集进行回归分析,建立叶片含水量与电容、电阻的拟合模型,并利用拟合模型对测试集叶片含水量进行预测。结果表明,10种植物叶片电容测量值可靠性良好,红叶石楠和杨梅叶片电阻测量值可靠性良好,女贞、无患子、紫荆和桂花叶片电阻测量值可靠性一般,珊瑚树叶片电阻测量值可靠性较差。经Excel回归分析,决定系数R²为0.978 8,调整R²为0.977 4,P=7.85×10^-37,拟合方程为Z=86.0897-628.471X^-1-11.1753Y+117.2954Y·X^-1,模型拟合效果良好。利用该模型对测试集叶片含水量进行预测,与烘干法比较误差值为-2.53%~1.46%。因此,该模型可以作为该10种植物叶片含水量预测的通用模型。     

基于颜色参数和BP神经网络的紫叶李叶片花青素含量估算

目前对植物叶片花青素含量的测定主要是湿化学法和高效液相色谱法(high performance liquid chromatography,HPLC),为简化测定方法,降低成本和提高精度,提出一种利用数码相机获取照片提取的颜色参数构建模型无损估测植物叶片花青素含量的方法。试验测定166份紫叶李叶片的花青素含量及其RGB特征值,对15种颜色参数进行皮尔逊相关分析,构建逐步多元线性回归（stepwise multiple linear regression,SMLR）、一元线性回归（single linear regression,SLR）和BP神经网络（BP neural network,BPNN）估算模型;同时对模型进行验证和比较。结果表明,1）BP神经网络模型建模集的R²、RMSE和MAE分别为0.883、0.412、0.323,验证集的R²、RMSE和MAE分别为0.796、0.462和0.353,相关系数均达到极显著水平;一元线性回归模型中,参数G-B与花青素含量的线性相关性最强,相关系数为-0.820,达到极显著水平;逐步多元线性回归模型的相关系数均达极显著水平,其中建模集的R²、RMSE和MAE分别为0.724、0.630、0.459,验证集的R²、RMSE和MAE分别为0.643、0.616和0.509。2）颜色参数与花青素含量之间具有明显的相关性,利用数码相机获取的颜色特征值估测紫叶李叶片花青素含量具有可行性;3）3种模型中,BP神经网络模型的估测效果最好,能有效地估测紫叶李叶片花青素含量,其次为逐步多元线性回归,一元线性回归模型的预测效果相对较差。     

基于热暗点植被指数的马尾松林叶面积指数反演分析

为了减少单一角度卫星遥感与传统植被指数在LAI反演过程中的误差，提升马尾松林LAI反演精度，以福建省龙岩市长汀县河田镇马尾松林为研究对象，获取多角度无人机影像和马尾松林LAI实测数据。根据研究区不同波段热暗点指数、植被指数与实测LAI的相关关系，优化热暗点植被指数构建马尾松林LAI反演模型。结果表明，基于红光波段反射率计算的热暗点比值指数HDRI-r（R²=0.398）是研究区马尾松林LAI反演的重要辅助参数；将HDRI-r引入表征研究区冠层结构的传统植被指数NDVI、GNDVI、RVI、MSAVI、NRI、SIPI、VARI，构建的热暗点植被指数NHDRI与实测马尾松林LAI相关性最高，R²为0.406 5；引入热暗点信息的植被指数（NHDRI、GNHDRI、RHDRI、MSAHDRI、NRHDRI、SIPHDRI、VAHDRI）与实测LAI的拟合R²均>0.37，相较于对应的传统植被指数，R²分别提高了82%、333%、295%、161%、1 409%、380%、192%，热暗点信息与传统植被指数的结合能够缓解植被冠层光饱和现象，有效提高马尾松林LAI反演精度；研究区马尾松林LAI范围为0.11~4.28 m²/m²，总体水平偏低，与当地马尾松林以枝叶稀疏、矮小的“老头松”为主的实际情况相符。     

麻栎人工林生长规律模拟与研究

以广西良凤江国家森林公园27年生麻栎人工林为对象,采用树干解析的方法对麻栎人工林测树因子各年间变化动态进行检测,研究树高(H)、胸径(D)、材积(V)与树龄(T)间的回归关系。结果表明,麻栎人工林树高和胸径的平均生长量曲线和连年生长量曲线出现了多个交叉点,变化幅度较大,但其单株材积生长曲线27 a间处于不断攀升,表现出良好的生长趋势,且各生长曲线表明麻栎的生长在0~4 a为速生期;所拟合回归模型R²均达到0.9以上,检验精度较高,其中树高和胸径最优生长模型均为Korf方程,单株材积最优生长模型为坎派兹模型。得出麻栎人工林在27 a保持稳定的增长趋势,造林前期生长迅速,材积生长尚未达到数量成熟,仍有生长趋势。拟合模型精度较高,可运用于生产实践中。     

将乐地区马尾松最优冠幅模型研究

树冠是树木进行光合作用和呼吸作用的重要场所,冠幅作为树冠的重要因子,直接影响树木的生活力和生产力,同时也是反映树木的长期竞争水平的重要指标。该文使用福建省将乐国有林场980株马尾松调查数据,基于11种常用树冠直径模型,利用R软件的nls模块对马尾松冠幅与胸径关系进行拟合,选取精度最高的作为基础模型,通过对基础模型添加变量改进模型,并用调整后的决定系数adj-R²、偏差Bias、剩余均方根误差RMSE对模型精度进行检验。结果表明:模型11在添加了样地优势木平均高（Ht）、每公顷株数(M)和冠长(CL)林分变量之后,Bias、RMSE减小,adj-R²明显增大,所以,CW=(a+a1×Ht)/1+exp[(b+b1×M)+(c+c1×CL)ln(D+1)]能更好地模拟当地马尾松的冠幅与胸径的关系。     

基于分层贝叶斯方法的高山松单木生物量模型

以香格里拉市典型森林生态系统高山松林为对象,在前期进行Ⅰ区和Ⅱ区共115株高山松单木地上生物量实测基础上,以异速生长方程为单木生物量基础模型,并采用分层贝叶斯方法、非线性混合模型法、贝叶斯方法和非线性最小二乘法进行异速生长参数拟合,运用决定系数(R²)、估测精度(E)、均方根误差(RMSE)等指标对模型参数拟合效果进行评价。结果表明:1)从拟合精度看,4种方法的模型拟合效果均较好,R²均达到了0.98以上。但分层贝叶斯方法估计结果更优,其R²=0.985 6,E=84.76%和R_MSE=39.75 kg;2)通过对比不同方法的差异发现,加入了区域随机效应的分层贝叶斯方法和非线性混合模型法的拟合效果均优于未加入区域随机效应的贝叶斯方法和非线性最小二乘法。分层贝叶斯方法在拟合高山松单木生物量模型中具有更大优势,模型拟合效果最好。加入了随机效应的分层贝叶斯方法和非线性混合模型法可以提高单木生物量模型的估计精度,采用分层贝叶斯方法进行高山松单木生物量模型参数估测,为大尺度样本数据模型参数估测方法提供新思路。     

Determining nitrogen status and quantifying nitrogen fertilizer requirement using a critical nitrogen dilution curve for hybrid indica rice under mechanical pot-seedling transplanting pattern

Field experiments of nitrogen(N) treatment at five different application rates(0, 75, 150, 225, and 300 kg ha~(-1)) were conducted under pot-seedling mechanical transplanting(PMT) in 2018 and 2019. Two high-quality and high-yielding hybrids of indica rice, Huiliangyou 898 and Y Liangyou 900, were used in this study. The N nutrition index(NNI) and accumulated N deficit(N_(and)), used to assess the N nutrition status in real-time, were calculated for the indica cultivars under PMT with a critical nitrogen concentration(N_c) dilution model based on shoot dry matter(DM) during the whole rice growth stage. The relationships between NNI and N_(and) with relative yield(RY) were determined, and accurate N application schemes were developed for hybrids indica rice under PMT. The results indicated that high application rate of N-fertilizer significantly increased the concentrations of shoot DM and N in aboveground organs during the observed stages in the two cultivars for two years(P0.05). The N_c dilution model of hybrid indica cultivars was N_c=4.02 DM~(-0.42)(R~2=0.97) combining the two cultivars under PMT. Root-mean-square error and normalized root-mean-square error of the curve verification were 0.23 and 10.61%, respectively. The NNI and N_(and) ranged from 0.58 to 1.31 and 109 to –55 kg ha~(-1), respectively, in the two cultivars for all N treatments. NNI showed a linear relationship with N_(and) during the entire growth stage(0.53R~20.99, P0.01). In addition, NNI showed a linear-plateau relationship with RY(0.73R~20.92, P0.01) throughout the observed stages. These results suggest that the models can accurately diagnose the N-nutrition status and support effective N-fertilizer management in real-time for hybrid indica rice under PMT.     

太行山区NDVI时空变化及其与气候因子的关系

为明确太行山区长时间尺度植被覆盖度变化规律及其对气候因子的响应机制，采用1998-2018年的SPOT VEGETATION/NDVI卫星遥感数据，通过趋势线分析法、相关系数法与时滞相关分析法等，从时间和空间2个尺度分析太行山区植被生长状况、覆盖变化及其对气温和降水的响应程度。结果表明：1)太行山区总体植被覆盖率较高，77.5%区域面积的NDVI值在0.6～0.8范围内；2)21 a间太行山区NDVI值随时间呈现波浪式显著增加趋势，平均增长速率为0.03/10 a(线性增长率为0.067/10 a),通过0.01的显著性检验；太行山区植被覆盖在空间分布上呈现西北低、东南高，中部区域高低值交叉分布的特点；3)太行山区NDVI与气温在空间上呈现负相关为主，呈负相关面积约占太行山区总面积的54.37%,主要分布在太行山区的中部区域、南部边缘区域以及东北沿线区域；NDVI与降水呈现正相关为主，呈正相关的面积约占太行山区总面积的81.89%,整体上可以概括为从太行山区的西北区域到东南区域相关系数(R)逐渐变小。4)时间尺度上，NDVI与气温和降水均没有明显的相关性，但NDVI与降水的相关系数(R...     

基于RapidEye的人工林生物量遥感反演模型性能对比

利用2012年RapidEye高空间分辨率遥感影像并结合野外样方数据,采用多种建模技术进行生物量的反演和制图。先依据RapidEye光谱数据发展出包括NDVI、RVI等多种植被指数、光谱特征图像及纹理特征,再通过相关分析筛选建模所需因变量,采用支持向量机、BP神经网络和随机森林算法建立森林生物量估测模型并进行精度验证。结果表明,基于支持向量机的建模R²为0.687,验证R²为0.641,平均相对误差为0.306;基于BP神经网的建模R²为0.552,验证R²为0.358,平均相对误差为0.525;基于随机森林的建模R²为0.850,验证R²为0.324,平均相对误差为0.468。采用支持向量机算法所制作的空间意义明确的森林生物量分布图,为制定合理的森林经营措施提供有益指导。