基于微波数据与光学数据集成的机器学习技术在作物产量估算中的应用

各类光学植被指数已成功地应用于各种植被监测与作物产量估算中,但这些指数易受大气状况的影响。由星载微波辐射计得到的植被光学厚度数据（VOD）与植被密度、含水量密切相关,数据可全天候获得,在农业遥感监测中呈现着巨大的潜力。作为来自不同传感器的遥感数据,微波遥感数据与光学遥感数据可以提供不同波长范围内的植被信息。为了更准确地进行作物产量估算,本研究提出将微波遥感数据与光学遥感数据共同应用于冬小麦单产估算中。研究选择L波段微波辐射计SMAP卫星的VOD数据与MODIS的标准归一化植被指数NDVI、增强型植被指数EVI、叶面积指数LAI、光合有效辐射分量FPAR数据作为研究变量,分别使用BP神经网络、GA-BP神经网络和PSO-BP神经网络建立冬小麦产量估算模型。结果表明： 3种神经网络回归模型的P值均小于0.001,通过了显著性检验。GA-BP神经网络回归模型的估算值与真实值在3种神经网络回归模型中表现了最高的相关性（R=0.755）与最低的均方根误差（RMSE=529.145 kg/hm²）,平均绝对误差(MAE=425.168 kg/hm²)和平均相对误差（MRE=6.530%）。为了分析多源遥感数据的结合在作物产量估算中的优势,研究同时构建了仅使用NDVI和LAI,使用NDVI、EVI、LAI、FPAR等光学数据进行冬小麦产量估算的3种GA-BP神经网络回归模型作为对比。结果表明,使用微波遥感数据与光学遥感数建立的GA-BP神经网络回归模型较上述3种作为对比的GA-BP神经网络回归模型的相关系数R值分别提高了0.163,0.229与0.056,均方根误差RMSE分别降低了122.334、158.462和46.923 kg/hm²,使用多源遥感数据的组合可以很好地提高作物产量估算的准确性。     

基于Google Earth Engine和NDVI时序差异指数的作物种植区提取

为提高农作物种植信息遥感监测的效率,扩展数据适用范围,本文提出了一种基于时间序列NDVI差异指数的作物种植区提取方法。随着海量遥感与云计算的发展,Google Earth Engine作为一个全球尺度地理空间分析云平台,弥补了单机计算耗时长的不足,为快速遥感分类带来了新机遇。基于Google Earth Engine平台,以河南省开封市杞县为研究区,以2019—2020年杞县地区多时相Sentinel-2影像为数据源,结合物候信息,根据不同作物在时间序列NDVI曲线上的差异构建NDVI时序差异指数,从而提取作物种植区,区分不同作物类型,并与其他方法进行了精度验证和对比。结果表明：① NDVI时序差异指数法以作物物候信息为基础,与GEE高性能的计算能力相结合,形成了作物种植信息快速提取框架,可以方便快捷地进行作物种植区提取,较本地处理具有明显优势;② 杞县冬小麦和大蒜种植区有明显的空间分异性,冬小麦种植区主要集中在研究区西北部以及南部的农村居民点周围,而杞县大蒜则由于产品流通需要,主要集中在研究区中部以及东北部,居民点较为密集,交通便利的城市周边;③ 与时间序列支持向量机法和最大似然法相比较, NDVI时序差异指数进行作物种植区提取的总体精度达到83.72%, Kappa系数为0.67,分别比最大似然法提高了10.02%和0.21,比支持向量机法提高了4.18%和0.09,表明该方法能更高效率,更高精度地提取作物种植信息,实现区域作物种植信息的高效准确监测。总体来看,该方法在一定程度上可拓展遥感数据在农业领域的应用范围,具有推广价值。     

融合多源遥感数据的黑河中游地区生长季早期作物识别

在生长季早期获取作物的种植情况,对于农业水资源管理,尤其是缺水地区的水量分配等具有重大的意义。本文利用改进型时空自适应融合模型（ESTARFM）,将作物生长早期3—6月的Sentinel 2影像与MOD09GQ数据计算得到的NDVI数据进行融合,建立NDVI时间序列,并利用随机森林分类方法对2019年黑河流域中游地区作物种植结构进行早期识别。利用3-6月Sentinel-2 NDVI与时空融合NDVI相结合建立的时间序列,作物分类精度达到91.42%,kappa系数为0.85,相比仅使用Sentinel-2 NDVI时间序列的作物分类精度提高1.05%,kappa系数提高0.02。与使用整个作物生长期（3—10月）Sentinel-2 NDVI时间序列的作物分类结果相比,精度仅低1.53%,kappa系数仅低0.03。利用Gini系数对利用Sentinel-2 NDVI与时空融合NDVI相结合建立的时间序列进行特征重要性评估,发现Gini系数得分高于平均值的10期NDVI影像中,有6期为时空融合影像,说明时空融合获取的NDVI数据利于提高分类精度的有效性。对比使用不同长度NDVI时间序列对作物种植结构进行早期识别的精度发现,最早可在4月中旬与4月下旬分别实现对苜蓿和玉米的早期识别;玉米的分类精度受NDVI时间序列长度的影响较大,可在5月下旬实现对玉米的早期识别。     

应用Sentinel-2A NDVI时间序列和面向对象决策树方法的农作物分类

农作物种植结构是农业生产活动对土地利用的表现形式。及时精确地获取农作物的空间分布信息对指导农业生产、合理分配资源以及解决粮食安全问题等具有重要意义。目前农作物信息提取研究大多局限于中低分辨率遥感影像的NDVI时间序列,影响了作物空间分布信息提取的准确性。随着Sentinel-2A卫星成功发射,为高分辨率NDVI时间序列的构建提供了可能。本文以黑龙江省北安市为研究区,基于覆盖完整生育期的Sentinel-2A多光谱数据,构建10 m分辨率的NDVI时间序列数据集,利用 Savitzky Golay (S-G) 滤波器对 Sentinel-2A NDVI时间序列数据进行平滑。基于典型时相的多光谱数据和NDVI时间序列构建面向对象决策树分类模型进行作物类型遥感识别。通过对样本的NDVI时间序列曲线分析,可以得出NDVI时间序列能够清晰地区分作物物候差异。此外,本文还利用面向对象分类和支持向量机（Support Vector Machine, SVM）分类两种方法,对典型时相的多光谱数据进行了作物分类对比实验,并对结果进行了对比分析。研究结果表明：① 典型时相多光谱数据引入平滑重构后的NDVI时间序列能够更好地描述作物的物候特性,能够准确刻画研究区作物发育情况,有效区分各类作物;② 通过对比分类实验发现,典型时相多光谱数据引入NDVI时间序列特征,增强了不同作物之间的光谱差异,提高了作物分类精度,总体精度和kappa系数较典型时相多光谱数据进行分类的结果分别提高了7.7% 和0.055;③ 基于面向对象的决策树分类模型在作物分类的结果中精度最高,总体精度为96.2%,kappa系数为0.892。本研究的方法为其他大区域农作物的分类提供了重要参考和借鉴价值。     

黑河中游地区作物用水效率比较及种植结构调整方向研究

黑河流域地处西北干旱区,水资源短缺是限制其中游绿洲农业发展、下游生态环境保护的首要原因。该流域的中游绿洲农业用水约占总用水量的80%,因此农业节水对流域发展至关重要。在干旱区绿洲农业节水探索中,众多学者主张通过节水技术来提高用水效率,而关于农业种植结构调整对农业节水影响的定量研究较少。本文采用2012年黑河流域蒸散发数据、土地利用数据、降水数据和农业经济统计数据,定量分析黑河中游主要作物需水特征和用水效率差异,尝试从调整作物种植结构角度为其绿洲农业节水提供依据。结果表明：(1)研究区4种主要作物中,玉米生长期需水量最大,其次为小麦、油菜和大麦;(2)考虑降水补给,发现大麦和油菜生长需水可很大程度上依赖降水,而小麦和玉米则需要灌溉,且玉米灌溉需水量远超小麦;(3)作物用水效率由高到低依次为大麦、油菜、小麦和玉米。从用水效率角度而言,考虑种植区位,在黑河中游适当扩大小麦种植规模更有利于提高中游农业用水效率。     

REMOTE SENSING BASED ESTIMATION SYSTEM FOR WINTER WHEAT YIELD IN NORTH CHINA PLAIN

1IN~IOXChinaisabigagriculturalcountrywithaverylargePOPulation.ChinesegovernmentattacheSgreatimportancetomdproduction.Anobviousapplicationofsatelliteremotesensing,withitsregularsynOPticcoverage,istOmonitoragriculturalpefforrnance.CropyieldestimationhaSbeenoneofthemainapplicationsofspaceremotesensingtechnologysincethelaunchingofhighrefutionsatellite-Landsat.Forgaininginformationofcropsproductionintime,StatePlanning~ssionsetupanationalkeyprojectduringtheeighthfiveyearplanPened(1991--1995)c…     

河南省冬小麦快速遥感制图

在省域尺度上,冬小麦遥感识别中存在冬小麦物候不一致、地表环境复杂、数据处理复杂、遥感数据冗余、选择适当的分类样本困难、分类精度低等问题,而遥感数据云平台为解决这些问题提供了良好的数据基础和数据处理能力。以河南省为研究区,以谷歌地球引擎(Google Earth Engine)云平台为支撑,基于2015年和2002年前后年份河南省冬小麦识别关键期内的2296景Landsat遥感影像,采用NDVI重构增幅算法建立冬小麦大区域遥感快速制图模型,实现了2015年和2002年的河南省冬小麦分布制图。结果表明：2015年和2002年冬小麦种植面积分别为56 055.79 km²和47 296.11 km²,与统计数据比,精度达到97%;2002-2015年,河南省冬小麦种植分布存在明显变化,总体播种面积呈增加趋势,2015年比2002年增加8759.69 km²,增幅为18.52%。与传统计算机冬小麦制图方法相比,基于Google Earth Engine云平台的数据处理和制图效率均获得千倍以上的提升。     

LAI scale effect research based on compact airborne spectrographic imager data in the Heihe Oasis

As one of the key parameters for characterizing crop canopy structure, Leaf Area Index(LAI) has great significance in monitoring the crop growth and estimating the yield. However, due to the nonlinearity and spatial heterogeneity of LAI inversion model, there exists scale error in LAI inversion result, which limits the application of LAI product from different remote sensing data. Therefore, it is necessary to conduct studies on scale effect. This study was based on the Heihe Oasis, Zhangye city, Gansu province, China and the following works were carried out: Airborne hyperspectral CASI(Compact Airborne Spectrographic Imager) image and LAI statistic models were adopted in muti-scale LAI inversion. The overall difference of muti-scale LAI inversion was analyzed in an all-round way. This was based on two aspects, "first inversion and then integration" and "first integration and then inversion", and on scale difference characteristics of three scale transformation methods. The generation mechanism of scale effect was refined, and the optimal LAI inversion model was expanded by Taylor expansion. By doing so, it quantitatively analyzed the contribution of various inversion processes to scale effect. It was found that the cubic polynomial regression model based on NDVI(940.7 nm, 712 nm) was the optimal model, where its coefficient of determination R2 and the correlation coefficient of test samples R reached 0.72 and 0.936, respectively. Combined with Taylor expansion, it analyzed the scale error generated by LAI inversion model. After the scale effect correction of one-dimensional and twodimensional variables, the correlation coefficient of CCD-LAI(China Environment Satellite HJ/CCD images) and CASI-LAI products(Compact Airborne Spectro graphic Imager products) increased from 0.793 to 0.875 and 0.901, respectively. The mean value, standard deviation, and relative true value of the two went consistent. Compared with onedimensional variable correction method, the twodimensional method had a better correction result. This research used the effective information in hyperspectral data as sub-pixels and adopted Taylor expansion to correct the scale error in large-scale and low-resolution LAI product, achieving large-scale and high-precision LAI monitoring.     

基于MODIS GPP产品的冬小麦保险费率厘定方法研究

农作物保险是国内外减少灾害造成的种植户经济损失,保障农民基本生产收入的重要手段。国内传统的农作物保险费率是基于行政单元的统计数据厘定的,忽略了行政单元内部灾害的空间风险差异,因此如何获得行政单元内部农户级农作物纯保险费率,成为精细化农作物保险的关键问题。本文针对农户级的冬小麦纯保险费率,以河南省周口市为实验区,利用2005—2015年MODIS MOD17 A2 GPP总初级生产力数据产品生成2005—2015年冬小麦生长季的GPP数据,同时利用Landsat5/7/8 TM/ETM/OLI数据计算2005—2015年公里级的冬小麦种植面积比。通过Bühlmann-Straub模型和经验费率法厘定得到2016年实验区基于格网单元的冬小麦纯保险费率。研究表明：遥感数据可以为农作物保险空间精细费率厘定提供数据保障,利用遥感数据可以得到公里级格网单元的冬小麦纯保险费率。将利用遥感数据得到的农作物纯保险费率用于农作物保险中,提高了农作物保险的空间精细水平,可以进行基于地块的空间差异化农户投保,有利于政府针对不同农户制定合理的农作物保险政策,保险公司合理的收取保费。     

Traditional agrodiversity management: A case study of central himalayan village ecosystem

Environmental, biological, socio-cultural and economic status variation existing in the Central Himalaya have led to the evolution of diverse and unique traditional agroecosystems, crop species and livestock, which facilitate the traditional mountain farming societies to sustain themselves. Indigenous agroecosystems are highly site specific and differ from place to place, as they have evolved along divergent lines. For maintenance of traditional agrodiversity management the farmers of the Central Himalaya have evolved various types of crop rotations in consonance with the varied environmental conditions and agronomic requirements. In irrigated flat lands two crops are harvested in a year with negligible fallow period but in rainfed conditions if a cropping sequence is presumed to be starting after winter fallow phase then four major cropping seasons can be identified namely first kharif season (first crop season), first rabi season (second crop season), second kharif season (third crop season) and second rabi season (fourth crop season). Highest crop diversity is present in kharif season in comparison to rabi season. Traditionally the fields are left fallow after harvest of the second kharif season crop. Important characteristics of agrodiversity management are the use of bullocks for draught power, human energy as labour, crop residues as animal feed and animal waste mixed with forest litter as organic input to restore soil fertility levels. Women provide most of the human labour except for ploughing and threshing grain. The present study deals with assessment of traditional agrodiversity management such as (i) crop diversity, (ii) realized yield under the traditional practices and (iii) assess the differences of realized yields under sole and mixed cropping systems. It indicated that crop rotation is an important feature of the Central Himalayan village ecosystem which helps to continue the diversity of species grown, as are the distribution of crops in the growing period and the management of soil fertility. The cropping diversity existing and the sequences practiced by the traditional farmers seems to have achieved high degree of specialization and thus even when the yield/biomass variations are about 60%, the farmers continue to practice these sequences as they need to maintain diversity and synergistic relationships of crops in addition to manage the food and labour requirements for crop husbandry. Crop yields are generally higher in irrigated systems than rainfed systems and in sole cropping as compared with mixed cropping. However, gross biological and economic yields are higher in mixed cropping than sole cropping systems.     

基于支持向量机理论的地下水动态遥感监测模型与应用

地下水是我国内陆干旱地区水资源的重要组成部分,也是极为敏感的生态环境因素之一。地下水动态变化影响着绿洲和湿地的演化,以及土地资源的开发。西北地区地下水监测网尚不完善,动态资料相对缺乏。遥感技术可以弥补传统地下水位监测手段的不足。由于降水极少,西北干旱区地表反射率与地下水水位埋深关系极其密切。选用归一化植被指数(NDVI)、地表温度(LST)数据,应用支持向量机回归方法,建立西北干旱地区地下水位遥感监测模型。提取MODIS影像中的NDVI和LST产品上的地表温度和植被指数信息,作为模型的输入,通过合理选择核函数进行支持向量机的回归分析,从而建立地表植被指数、地表温度与地下水位的相关数学模型,并分析了不同核函数所拟合结果。在河西走廊疏勒河流域的研究成果表明,运用MODIS数据开发地下水动态模型反演水位变化是可行的,模型拟合的结果比较符合实际情况,尤其是对于细土平原地下水浅埋地区模型应用效果更为理想。一次多项式核函数适合模拟埋深小于3m浅埋地下水,径向基函数RBF核函数和三次多项式核函数法则更适合模拟较大埋深情况。开发的地下水位遥感监测模型可为西北干旱区水循环研究和流域水资源管理提供技术手段。     

利用物候差异与面向对象决策树提取油菜种植面积

及时、准确地获取农作物种植信息,对于农业生产管理和国家粮食安全有重要意义。目前越来越多的免费卫星数据可以用于作物分类及生理参数反演。Sentinel-2卫星于2015年6月发射,提供了13个光谱波段,具有较高的时间分辨率、空间分辨率和光谱分辨率,为不同作物特征区分以及大范围作物种植面积快速提取业务化运行的精度与效率提高带来了契机。随着Sentinel-2数据的免费下载,这就为大面积生产下一代区域或者国家尺度的高分辨率（10~30 m）农情遥感产品提供了可能。物候信息包含了作物随着季节不断变化的特征,利用如NDVI等时间序列植被指数找出不同作物的特征进而开展作物分类得到了广泛应用。本文以油菜为主要研究对象,以长江中下游地区的江汉平原为实验区,基于作物物候差异与面向对象决策树的方法,对Sentinel-2卫星影像用于油菜种植区提取的效果进行了评估与分析。首先利用作物不同生长时期各波段光谱信息以及归一化植被指数等信息的差异分析并找出油菜种植区提取的最佳时相,然后对影像进行多尺度分割,根据对象特征建立决策树逐一去除非植被、林地等干扰类型,进而提取出油菜种植区域。通过分析发现,基于Sentinel-2影像的图像分割可以有效生成不同作物类型的对象;油菜开花期的特征是其区分于其他作物的关键因素,利用该特征可以有效消除分类时其他地物类型对油菜的影响,提高作物分类信息提取的精度和效率。研究表明：在区分油菜的决策树分类特征信息中,贡献最大的是归一化植被指数（NDVI）,近红外波段（NIR）和亮度（Brightness）信息。用162个油菜验证样本点计算混淆矩阵,油菜种植面积提取的总体分类精度为98%以上,Kappa系数为0.95。说明结合物候信息利用Sentinel-2数据进行大范围作物种植面积提取具有巨大潜力,可以提高大范围油菜种植区域快速提取的精度和效率。     

黑河流域中游地区作物种植结构的遥感提取

及时、准确地获取农作物种植结构对区域水资源管理与作物产量估测等具有重要意义。随着对通过遥感手段获得作物种植结构的深入研究,如何优选遥感数据和分类器成为需要重点考虑的关键问题。针对黑河流域中游地区的作物分布与种植特点,提出一种基于多时相遥感影像与多分类器组合的作物种植结构提取方法。利用2018年18景16 m分辨率的GF-1 WFV影像,构建NDVI时间序列。根据NDVI时间序列表征的作物季相节律和物候变化规律特点,采用分层的策略,首先解译一级土地覆被类型,再解译二级土地覆被类型。一级土地覆被类型解译中,使用决策树分类方法先将NDVI特殊且易提取的水体进行解译,再使用面向对象分类方法通过分区将需借助NDVI纹理信息提取的建设用地进行解译,最后使用随机森林分类方法解译耕地、林地、草地、裸地和湿地。在对耕地的进一步分类中,使用决策树分类方法首先将具有特殊物候规律且易于区分的苜蓿类别解译出来,再将与其他类别物候差异较大的小麦解译,最后将物候相似的玉米、蔬菜及其他解译。黑河流域中游研究区内一级土地覆被分类总体精度为97.24%,卡帕系数为0.96;作物种植结构解译总体精度为86.58%,卡帕系数为0.80。此外,还分析了影响黑河流域中游研究区解译精度的4个因素：对土地覆被类别的定义、混合像元、影像分割时基础影像的选择以及分类方法的选择。通过对不同分类方法的比较发现,与仅使用最大似然分类方法、支持向量机分类方法或随机森林分类方法相比,本文提出方法的解译结果更好,解译精度更高。     

2001—2017年中国不同耕作区重建MODIS LAI时空动态

叶面积指数Leaf Area Index （LAI）作为植被生物量指标之一,耕作区LAI不仅能反映作物的长势动态,且与农业生态、作物产量密切相关。本文通过对2001—2017年中国农田区域的MODIS-LAI长时序数据进行重建,利用Mann-Kendall检验、变异系数、重心迁移模型等方法分析了中国耕作区LAI的时空变化特征。结果表明：① 中国耕作区LAI在2001—2017年显波动式上升,且与农作物单产相关系数高达0.91;② 不同耕作区季节差异显著,夏季>秋季>春季>冬季,夏季平均为1.54,生长季平均为1.13,秋季平均为0.78,春季平均为0.63,冬季平均为0.31;③ 2001—2012年二熟、三熟区LAI变化平缓,2012年后有上升趋势但未发生明显突变;一熟区2006年之前处于平稳上升状态,2006年之后发生突变上升趋势显著;④ 研究时段内我国长江以北的耕作区LAI变异程度较为突出,最高达4.12; 农田面积重心经历了先向西南迁移,后再向西北迁移过程,农田生长季LAI重心相对于农田面积重心变幅较大,经历了南北波动式向西部迁移过程,迁移距离分别为82.78 km、90.53 km。     

2000-2013年三江源植被NDVI变化趋势及影响因素分析

基于2000-2013年三江源MODIS NDVI数据,本文系统地分析了三江源植被生长季累计NDVI的时空变化特征,并结合三江源生态保护与建设工程实施的相关统计数据,探讨了人类活动对三江源植被变化的影响,最后通过气候因子与生长季累计NDVI的相关性分析,揭示了影响三江源不同地区植被变化的主要气候限制因素。结果表明,2000-2013年三江源植被NDVI整体上呈增加趋势,NDVI明显增加的区域面积比例达17.84%,主要分布于研究区的西部和北部;明显减少的区域仅占0.78%,多零星分布于研究区中部;NDVI变化稳定或没有显著变化趋势的区域面积比例为59.64%,主要位于研究区东部和南部。三江源生态保护与建设工程的实施虽然促进了植被恢复,但对区域植被整体变化的影响有限,研究时段内区域植被整体好转主要受气候因素控制。西部长江源区的植被生长主要受气温影响,东北部黄河源区主要受降水制约,南部澜沧江源区降水和气温的限制性均不明显。     

关键生育期冬小麦和油菜遥感分类方法

农作物空间分布的遥感识别是地理学、生态学和农学等多学科研究的前沿和热点,多源遥感数据在其中发挥着重要的作用。本研究结合冬小麦和油菜的种植及生长特点,以安徽省合肥市为研究区域,利用ZY-3、Sentinel-2和GF-1等多源遥感影像数据,以高程、坡度等数据为辅助信息,结合以多尺度分割、最邻近法和阈值法等为主要步骤的面向对象的分类方法,提取研究区合肥市冬小麦和油菜种植的空间分布信息。结合来自于GVG农情采样系统和Google Earth高分辨率影像上获得的地面验证数据进行分类精度验证,计算得到分类结果的混淆矩阵,并根据混淆矩阵数据计算出分类的总体精度为94.43%,Kappa系数为0.914。结果表明,本研究提出的方法能够有效地区分在冬小麦和油菜的混种区域里两种作物种植区域的空间分布,且这种多种策略相结合的分类方法体系,能够适用于其它区域甚至是更加大尺度上的作物分类。     

2001-2010年蒙古国MODIS-NDVI时空变化监测分析

利用2001 - 2010年的空间分辨率为1km的MODIS-NDVI数据,以蒙古国为研究区域,利用最大值合成法、均值法与差值法、一元线性回归等方法,分析了不同季节下植被覆盖的年内变化、年际变化与波动趋势、空间变化特征.结果表明:M(ODIS- NDVI对植被的生长变化具有较高的敏感度,可有效应用于植被生态的评估和监测...     

基于TAVI的山区毛竹林LAI反演分析

本文采用地形调节植被指数（TAVI）,以RapidEye高分辨率多光谱遥感影像为数据源,对福建省永安市毛竹林山区进行了叶面积指数（LAI）地面实测、遥感建模及反演分析。通过TAVI与归一化植被指数（NDVI）、比值植被指数（RVI）的对比研究,结果表明：（1）毛竹林实测LAI与TAVI、NDVI和RVI线性回归的决定系数（R²）分别为0.6085、0.3156和0.4092,最佳非线性回归的R²分别提高到0.6624、0.5280和0.6497。LAI与NDVI或RVI非线性（U曲线）模型可以很好地解释LAI-VI的散点分布规律,但难以解决LAI-VI间因地形影响导致的“同物异谱”和“异物同谱”问题,因此,在山区大面积推广应用需慎重。（2）通过实测LAI的验证表明,LAI-TAVI回归模型可有效避免因地形影响导致的“同物异谱”和“异物同谱”问题。TAVI具有良好的削减地形影响作用,可用于山区植被LAI的遥感反演。     

基于无人机遥感的滨海盐碱地土壤空间异质性分析与作物光谱指数响应胁迫诊断

在已集中连片改造为农田的盐碱地上,开展无人机遥感作物土壤空间异质性分析与光谱指数响应胁迫诊断对于提升盐碱地利用效率、创造更多经济效益与生态价值具有重要意义。本研究以山东省东营市黄河三角洲典型滨海盐碱地集中连片旱作农田的主要作物——高粱和玉米为研究对象,利用固定翼无人机获取400 hm²滨海盐碱地多光谱遥感数据,并结合地面195个采样点的3个土层（0~10 cm、10~20 cm、20~40 cm）的土壤属性数据,对该研究区域内作物生长的土壤环境因子进行空间异质性分析与光谱指数响应胁迫诊断。基于土壤属性数据,利用反距离加权插值法,绘制该研究区域内土壤盐分、pH、有机质、全氮和速效氮共5个指标含量的水平与垂直空间分布图。插值结果显示,5种土壤属性指标存在显著水平和垂直空间异质性。基于随机森林模型,采用递归特征消除法,结合土壤指标对光谱指数的重要性值,探讨影响作物生长的主要土壤环境胁迫因子。结果表明,5种土壤属性因子均会对玉米和高粱生长造成影响,但主要胁迫因子分别为土壤速效氮含量（10~20 cm）和3个土层的盐分含量。本研究为大面积农情胁迫监测提供了一项有效的地面与航空协同监测方案,为盐碱地旱作农田管理与决策提供了理论依据和技术支持。     

Using fuzzy-AHP and parametric technique to assess soil fertility status in Northeast of Iran

A good understanding of the levels and distribution patterns of soil properties and/or quality indicators is a prerequisite for developing sustainable agricultural land management programs. Traditional assessments of these parameters of soil fertility status are somewhat costly, in both economics and time aspects. Different modelling techniques have been proposed as a useful tool for determination of soil quality indicators and development of soil fertility maps, but to what extent these results are reliable remains under-quantified in many regions worldwide. To address this uncertainty, Fuzzy-Analytical Hierarchy Process(Fuzzy-AHP) and Parametric analyses were conducted to ascertain the soil fertility status of a semiarid region in the Northeast of Iran for some selected crops: alfalfa, corn silage, potato, sugar beet, tomato and wheat. The Fuzzy-AHP and Parametric techniques using soil suitability indices were estimated for each crop and each soil delineation was achieved by Ordinary Kriging. The Technique for Order of Preference by Similarity to Ideal Solution(TOPSIS) was used as a compensatory method to allow tradeoffs among the selected criteria. Our results demonstrated that from the Fuzzy-AHP analysis, the soil fertility indices ranged from moderate to high for production of alfalfa;from low to high for production of corn silage and sugar beet;moderate to high for production of potato and tomato;and from low to moderate for production of wheat. However, the parametric analysis showed soil fertility classes ranging from very low to high for production of all the selected crops. High correlations were also observed between soil fertility indices predicted by both models. Similarly, the capacities of both models to predict soil fertility status for production of the selected crops were also highly correlated. The preference for the cultivation of the selected crops based on the Fuzzy-AHP analysis was sugar beet > corn silage > wheat > alfalfa > tomato > potato. On the other hand, using Parametric techniques, the crops preferences for cultivation ranked as corn silage > wheat > alfalfa > sugar beet > tomato > potato. We concluded that the findings would help to develop sustainable plans of cultivation based on patterns related to soil fertility classes depending on each crop’s requirement.