排序方式: 共有21条查询结果,搜索用时 15 毫秒
1.
2.
【目的】研究土壤主要养分含量特征信息的光谱预测值,使其更具直观性、空间性及科学性,为大尺度对农田的土壤养分空间分布状况获取、评价与科学管理提供依据。【方法】利用ArcGIS 9.3的普通克里格(Ordinary Kriging)插值方法,对小面积及大尺度试验区的土壤样本点进行有机质反演插值填图,并将实验室化学测定土壤有机质含量的实测值与其高光谱模型预测值进行Kriging插值填图比较,分析土壤有机质含量的实测值与预测值的空间分布状况差异。【结果】从小面积试验区到大尺度条田地块插值后的空间分布情况来看,土壤有机质含量的光谱预测值(基于归一化光谱指数NDI[495,485]预测)与实测值之间具有较好的相似性,预测效果较好。【结论】通过土壤有机质含量信息状况的空间分布填图来确定农田分区基本管理单元的适宜尺度,为实施大区域农田养分分区精量管理的划分,提出科学的平衡施肥方案,为适合新疆及兵团特色的精准农业管理、土壤养分快速探测、精量施肥等技术提供技术理论支持。 相似文献
3.
【目的】快速、实时、准确、无损地获取农田土壤主要养分(全氮TN、全磷TP、全钾TK)含量的信息。【方法】运用各种土壤反射率的光谱特征分析技术,提取其最具代表性的敏感波段位置,建立土壤养分含量反演模型。【结果】建立估算模型中,预测TN含量以指数函数模型(YTN =0.000 5e4.700 3xNDI)为最佳;预测TP含量以一元三次函数模型(YTP =802.27 xNDI3-412.32 xNDI2+72.357 xNDI-3.318 9)为最佳;预测TK含量以一元三次函数模型(YTK =80 189 xNDI3-11 471 xNDI2+490.57 xNDI+13.879)为最佳模型。【结论】通过模型精度评价和田间反复验证,基于归一化光谱指数NDI建立的高光谱遥感定量模型,能较好的反演土壤TN、TP、TK含量,达到良好的预测效果。 相似文献
4.
基于机器学习的棉花叶面积指数监测 总被引:2,自引:1,他引:1
为实现基于机器学习和无人机高光谱影像进行棉花全生育期叶面积指数(Leaf Area Index, LAI)监测,该研究基于大田种植滴灌棉花,在不同品种及不同施氮处理的小区试验基础上,对无人机获取的高光谱数据分别采用一阶导(First Derivative, FDR)、二阶导(Second Derivative, SDR)、SG(Savitzky-Golay)平滑和多元散射校正(Multiplicative Scatter Correction, MSC)进行预处理,并结合Pearson相关系数法、连续投影(Successive Projections Algorithm, SPA)、随机蛙跳(Shuffled Frog Leaping Algorithm, SFLA)和竞争性自适应重加权(Competitive Adaptive Reweighting, CARS)筛选敏感波段,将筛选出的波段,使用偏最小二乘回归(Partial Least Squares Regression, PLSR)、支持向量回归(Support Vector Regression, SVR)和随机森林回归(Random Forest Regression, RFR)3种机器学习算法构建棉花LAI监测模型。结果表明:棉花冠层LAI敏感响应波段集中在可见光(400~780 nm)和近红外(900 nm之后)波段;对比3种机器学习算法,各预处理下RFR建立的LAI监测模型精度最高,稳定性最好,其中以FDR-SFLA-RFR模型最佳,在建模集的决定系数为0.74,均方根误差为1.648 3,相对均方根误差为26.39%;验证集的决定系数、均方根误差分别为0.67和1.622 0,相对均方根误差为25.97%。该研究基于无人机获取的棉花冠层光谱反射率,从不同光谱预处理、波段筛选及建模方法建立的模型中筛选出最佳估算模型用于棉花全生育期LAI监测,研究结果可为棉花大田精准管理及变量施肥提供依据。 相似文献
5.
6.
7.
8.
9.
基于高光谱数据的土壤有机质含量预测研究 总被引:1,自引:1,他引:0
[目的]快速、有效、非接触、非破坏性地提取土壤有机质含量信息.探索新疆绿洲农区如何应用高光谱遥感技术分析、模拟、评价、预测土壤有机质含量,促进高光谱分辨率遥感技术在农田土壤遥感诊断、作物科学种植、水肥分区管理、田间农情监测中的应用,为新疆实施精准农业提供科学理论参考.[方法]利用高光谱遥感技术提取土壤有机质含量信息的研究,采用美国ASD Field Spec Pro VNIR 2500型光谱辐射仪获取田间土壤不同有机质含量信息的高光谱反射率;通过光谱分析技术,运用各种土壤反射率数学变换形式,找出最具代表性的敏感波段,揭示土壤有机质含量与其光谱成因机理之间的内在联系.[结果]基于NDI预测土壤有机质含量的估算模型中以一元三次函数模型(YSOM=-4E+ 07XNDI3+ 2E+ 06XNDI2-21 338XNDI+ 110.44,R2=0.713 2)为最优,指数函数模型次之.[结论]基于归一化光谱指数NDI可以较好的估算土壤有机质含量,利用统计方法建立的经验模型,简单实用,将对特定区域、特定土壤的预测有较好的效果. 相似文献
10.