基于叶片反射光谱估测水稻氮营养指数

【目的】基于叶片反射光谱建立快速、无损监测水稻氮营养指数（nitrogen nutrition index,NNI）的估算模型。【方法】2018—2019年开展2个水稻品种（徽两优898和Y两优900）及5个氮肥梯度（施氮量为0、75、150、225和300 kg·hm^-2,分别记为N₀、N₁、N₂、N₃、N₄）的田间小区试验,测定关键生育期不同叶位叶片反射光谱和植株NNI,构建多种光谱指数的水稻NNI监测模型。【结果】单叶及叶位组合的敏感波段均分布在540 nm的绿光波长处,其与近红外波段构成的窄波段比值指数SR（R₉₀₀,R₅₄₀）可较好反演水稻NNI。但不同叶位叶片窄波段比值指数与水稻NNI的预测精度表现不同,顶3叶（L₃）预测精度最好（R²=0.731,RMSE =0.130,RE=11.6%）,顶2叶（L₂）次之（R²=0.707,RMSE =0.136,RE =12.2%）,顶1叶（L₁）最差（R²=0.443,RMSE =0.187,RE =14.7%）;顶2叶和顶3叶组合平均光谱（L₂₃）的预测精度优于单叶水平和其他叶位组合（R²=0.740,RMSE =0.128,RE =11.5%）。再将窄波段比值指数SR（R₉₀₀,R₅₄₀）近红外与绿光区域分别重采样50 nm和10 nm,所构建的宽波段比值指数SR[AR_{（900±50）},AR_{（540±10）}]模型精度较SR（R₉₀₀,R₅₄₀）未明显降低,且在L₂₃水平下2个模型的模型精度和预测精度基本一致（R²=0.740,RMSE =0.128,RE =11.5%）。水稻NNI小于1时与产量呈线性的正相关关系（P<0.05）,大于1时产量趋于平稳。【结论】L₂和L₃叶片反射光谱为监测水稻NNI的敏感叶位,其中叶位组合L₂₃可提高模型预测精度。基于叶片反射光谱构建的多种波段比值指数（SR（R₉₀₀,R₅₄₀）和SR[AR_{（900±50）},AR_{（540±10）}]）可快速估测水稻NNI,从而为不同传感器对水稻氮营养指数估测监测研究提供了理论依据。     

基于近红外光谱的果树残枝纤维组分含量分析

【目的】研究运用近红外光谱技术结合化学计量学实现快速检测新疆南疆果树残枝中纤维素、半纤维素和木质素含量。【方法】以150个从新疆南疆各地采集的果树残枝样本为材料,利用近红外光谱技术结合偏最小二乘法（PLS）,采用不同的预处理和特征波段筛选方法优化各纤维组分含量的预测模型。【结果】SG卷积平滑法预处理结合竞争性自适应权重取样法（CARS）优选特征波段建立的3种纤维组分近红外检测模型效果最优,相关系数r分别为0.950 3、0.948 7和0.937 1,决定系数R²分别为0.900 8、0.896 5和0.875 1,校正标准偏差RMSEC分别为0.007 0、0.005 4和0.005 1,预测标准偏差RMSEP分别为0.011 8、0.008 9和0.008 8。【结论】采用近红外光谱技术能够实现新疆南疆果树残枝纤维素、半纤维素和木质素三组分的快速定量检测。     

中国土壤调查结果的地统计特征

【目的】我国于1979—1987年进行了第二次土壤普查（以下简称“二普”）,2005—2017年进行了农田耕层土壤养分调查。两次调查均为地面采样量大的全国性调查。两次调查生成数据是我国目前最精细的土壤资源与质量时空数据。通过地统计检验方法,探讨我国在这两次调查中所获土壤质量数据的地统计检验特征,为这些数据用于表征土壤资源与质量时空分布状况,及其在其他行业和研究领域的应用提供参考。【方法】检验方法是在我国东、南、西、北、中不同地域选取7个代表性类型区,提取7片区在两次调查中获得的土壤剖面点和耕层采样点0—20 cm土层的土壤有机质含量。选择土壤有机质含量作为检验指标的原因之一是有机质含量是最重要土壤质量性状之一,其二该要素可量化表达。剖面点数据源于二普对典型土壤类型的剖面采样,采样特征为优先选取典型土壤类型,全国完成了10万个0—100 cm剖面分层采样、化验。经数据整合和多要素匹配,有6万个剖面点获得坐标。耕层采样点数据源于2005—2017年农田耕层养分调查,采样为网格化均衡分布的大样本量,全国完成了1 000万个有GPS定位坐标的耕层样本。每片区含土壤剖面点500—1 300个,耕层采样点50 000—250 000个。用普通克里格插值方法进行地统计分析和检验。对每片区剖面点和耕层采样点数据分别随机选取80%数据作为训练样本集建模,20%作为验证样本集。将验证样本预测值与实测值进行线性回归,计算R ²（决定系数）和RMSE（均方根误差）,以此评价两组数据表达土壤要素空间分布特征的可靠性和误差。【结果】剖面数据的地统计检验显示,7片区二普剖面点数据表达的有机质含量分布状况可靠性均达极显著水平,但校验集预测值与实测值相关性较差,R ²值较低,为0.223—0.380,RMSE较高。2005—2017年耕层采样点数据地统计检验显示,通过网格化均衡分布和大样本量的地面采样,耕层采样点所获有机质含量分布图的可靠性和预测精度优于剖面点数据,R ²提高,RMSE下降。两组数据地统计结果还显示：尽管相隔30年,两时段调查展现的土壤有机质含量有一定变化,但两组数据反映的各片区土壤有机质含量空间分布总体规律相似。【结论】当土壤调查为网格化均衡分布的大样本量采样时,就表征土壤要素空间分布特征而言,其可靠性和精度较好;二普生成大比例尺土壤专题图数据（土壤图,有机质含量图,pH图,土壤氮、磷、钾养分含量图）和2005—2017年农田耕层养分调查数据均源于网格化均衡分布的大样本量地面调查,可靠性和精度优于二普剖面点数据。但剖面点含数据类别多,具有点坐标,也有可靠的土壤专题图表达,对了解多类别土壤要素空间分布特征极具价值。二普与农田耕层点养分调查间隔约30年,两时段数据有利于了解土壤质量时空演变。本研究还显示,获取精细土壤质量数据需要进行大样本量地面调查和采样,对于表征土壤类型、土体构造等稳定性要素而言,若地面采样量较小,将难以获得可靠性和精度优于二普的数据。从实际需求和我国已有工作基础考虑,今后土壤调查重点可考虑以土壤功能调查或缺区补漏调查为主。     

基于增强回归树的海河平原小麦赤霉病预测模型构建与验证

【背景】自1995年至今,小麦赤霉病（Fusarium head blight,FHB）逐渐在海河平原蔓延,由零星出现演变成连片发生,在流行年份呈现出暴发快、面积大、损失重的特点,小麦赤霉病已由次要病害上升为主要病害之一。准确的预测预报是有效控制小麦赤霉病发生与发展的关键和难点。【目的】根据海河平原小麦赤霉病发生情况的监测分析,构建适宜的小麦赤霉病预测模型,为科学防控赤霉病提供技术支撑。【方法】基于2001—2016年海河平原21个小麦主产县（市）的赤霉病病穗率数据,以及小麦关键生育期内的气象数据,采用逐步回归分析,筛选影响小麦赤霉病发生的关键气象因子,构建基于多元线性回归模型和增强回归树模型的小麦赤霉病发生预测模型。【结果】明确了增强回归树模型的学习效率（lr）为0.005、树的复杂度（tc）为6时,模型的预测偏差最低,残差标准误为0.006311;筛选出8个对海河平原小麦赤霉病发生影响显著的关键气象因子,即MRH₁₅、Rain_-35、MRH_-55、SD₁₅、LT_-65、MWS_-55、MT_-25、DRain₁₅,并构建了含有8个预测变量的多元线性回归模型（R²=0.8158,矫正R²=0.8018,P<2.2×10^-16）。同时,应用增强回归树模型评估了上述8个关键气象因子的重要性,分别为69.62%、14.08%、4.89%、4.34%、3.35%、2.02%、1.20%、0.50%;根据重要的预测变量进一步简化预测模型,构建了含有4个预测变量的多元线性回归模型（y=-19.45376+0.11689MRH₁₅+0.17346Rain_-35+0.04185SD₁₅+0.26592MRH_-55,R²=0.7575,矫正R²=0.7468,P<2.2×10^-16）;当预测变量由8个调减至4个时,利用2008、2010、2012年安新、定州、馆陶等地历史数据验证模型预测病穗率的准确度,多元线性回归模型预测准确度由88.43%降至85.90%,增强回归树模型预测准确度由87.72%升至91.23%;利用2001—2016年正定、栾城的历史数据验证模型预测病穗率的准确度,两个模型预测准确度无显著变化,多元线性回归模型预测准确度由87.53%变为87.42%,增强回归树模型预测准确度由89.20%变为89.21%。整体而言,多元线性回归模型预测准确度呈下降趋势,而增强回归树模型预测准确度呈上升趋势。【结论】研究构建了含有4个预测变量的增强回归树模型,其预测准确度达89.21%,病穗率预测值与实际观测值的波动趋势基本一致,表明增强回归树模型在海河平原小麦赤霉病预测预报中具有很好的应用前景。     

基于高光谱和激光雷达遥感的水稻产量监测研究

【背景】快速、准确地估算水稻产量对于肥水精确管理及国家粮食政策的制定至关重要。高光谱与激光雷达遥感作为2种不同的主被动监测技术,为水稻长势信息获取提供了多样化手段。【目的】对比2种遥感监测手段在不同生态点的独立数据集中的验证精度,寻求可移植性强的产量估算模型,对水稻长势监测提供理论与技术支撑,及为精确农业提供科学指导具有重要意义。【方法】本研究通过实施3年（2016—2018年）包含不同地点、不同品种与不同氮素水平的水稻田间试验,在抽穗后各时期同步获取点云数据和光谱数据,结合线性回归与随机森林回归来估算产量,探究抽穗后点云数据与光谱数据估算水稻产量的差异;同时评估产量模型在不同数据集的时空可移植性,寻求可移植性强的产量估算模型。【结果】利用点云数据估算产量的精度（R² = 0.64—0.69）优于光谱数据的估算精度（R² = 0.20—0.58）;基于线性回归的产量估算模型,其验证精度明显优于基于随机森林回归的产量模型;产量模型在同一生态点的可移植性更强（不同生态点：RRMSE 16.69%—17.85%;同一生态点：RRMSE 11.37%—12.41%）。【结论】本研究为抽穗后水稻产量监测提供了新的方法和不同遥感手段的性能比较,为收获前作物产量的实时估算提供重要支撑。激光雷达技术凭借其全天候工作的特点,在长江中下游水稻产量实时监测中有着较好的应用前景。     

基于地理加权回归模型的绿洲土壤表层有机质含量高光谱估算

【目的】研究利用高光谱数据估算土壤表层有机质含量,为绿洲区大范围,快速,低成本,监测土壤表层有机质含量提供技术参考。【方法】以新疆博斯腾湖湖滨绿洲为研究区,采用地理加权回归模型,优选高光谱数据与土壤有机质含量的特征波段,构建研究区表层土壤有机质含量的高光谱估算模型。【结果】研究区表层土壤有机质含量变化不大,变化系数为55%,最小值为2.37 g/kg,最大值为51.47 g/kg,平均值为21.20 g/kg。土壤有机质特征波段主要集中在645~1 958 nm,其中1/R二阶的相关系数值最大为0.73,且在P=0.05水平下,通过显著性检验的波段数为83。构建的地理加权回归模型中,二维土壤指数1/R RSI建模效果最优,建模集R²=0.91,RMSE=2.56,验证集R²=0.95,RMSE=1.10。【结论】利用地理加权回归模型估算土壤有机质估算,建模效果可以达到一定的精度要求。     

基于国家果树种质南京桃资源圃的桃褐腐病抗性评价

【目的】褐腐病是危害桃果实的最严重病害之一,在采收前后造成大量果实损失,开展桃褐腐病抗性的系统鉴定评价,筛选抗性资源,为褐腐病抗性育种的亲本选配提供遗传资源,是解决栽培品种褐腐病抗性不强的长久之策。【方法】2018—2021年,以国家果树种质南京桃资源圃的种质资源为试材,采收8.0—8.5成熟度的果实,无损接种616份,有损接种505份,观测无损接种的病果率每天增加百分比（%）和有损接种的病斑直径扩展速率（cm·d^-1）,以平均值和0.5标准差建立9级抗性评价体系,比较不同种质类型、果实类型、来源地的褐腐病抗性,并分析抗性指标与其他果实性状的相关性。【结果】无损接种病果率每天增加百分比为（11.22±5.96）%,变异系数为35.48,基于此指标建立的9级抗性评价体系中,抗性1级（<0.80%）的种质资源缺失,2级（0.80—3.78%）中含有10份抗性较强的种质资源,3级（3.78%—6.76%）134份,4级（6.76%—9.73%）157份,5级（9.73%—12.71%）122份,6级（12.71%—15.68%）73份,7级（15.68%—18.66%）60份,8级（18.66%—21.64%）21份,9级（>21.64%）39份。无损接种病斑直径扩展速率为（1.71±0.21）cm·d^-1,变异系数为0.18,基于此指标的9级评价体系中,1级（<0.98 cm·d^-1）含11份种质资源,2级（0.98—1.19 cm·d^-1）28份,3级（1.19—1.40 cm·d^-1）72份,4级（1.40—1.61 cm·d^-1）109份,5级（1.61—1.83 cm·d^-1）103份,6级（1.83—2.04 cm·d^-1）82份,7级（2.04—2.25 cm·d^-1）45份,8级（2.25—2.46 cm·d^-1）29份,9级（>2.46 cm·d^-1）26份。无损接种病果率每天增加百分比（y）与有损接种病斑扩展速率（x）的回归为关系为y=6.2073x（R²=0.1839）,线性程度较低。分组均值比较发现中国桃野生资源相对具有较强的褐腐病抗性,是抗性资源挖掘的重点。无损接种病果率每天增加百分比与有损接种病斑扩展速率2个指标均与果实带皮硬度（r=-0.234）和去皮硬度（r=-0.240）呈极显著负相关,与单果重（r=0.427）和着色程度（r=0.319）呈极显著正相关,但相关系数较低。【结论】分别建立了基于无损接种病果率每天增加百分比（%）和有损接种病斑直径扩展速率（cm∙d^-1）的褐腐病抗性9级评价体系;筛选出抗侵染能力较强的种质资源10份,抗扩展能力较强的种质资源11份。     

基于无人机影像阴影去除的苹果树冠层氮素含量遥感反演

【目的】去除无人机多光谱遥感影像中的阴影,以提高苹果树冠层氮素含量反演模型精度。【方法】以山东省栖霞市苹果园为试验区,利用2019年6月采集的无人机多光谱影像,分别基于归一化阴影指数（normalized shaded vegetation index,NSVI）和归一化冠层阴影指数（normalized difference canopy shadow index,NDCSI）去除果树冠层多光谱影像中的阴影,提取非阴影区域果树冠层光谱信息;通过相关性分析方法,将基于原始光谱影像和基于NSVI、NDCSI去除阴影后提取的光谱数据与实测叶片氮素含量进行相关性分析,分别筛选氮素含量的敏感波段并构建光谱参量;采用偏最小二乘（partial least square,PLS）及支持向量机（support vector machine,SVM）方法构建果树冠层氮素含量反演模型并进行精度检验。【结果】绿光波段和红光波段为果树冠层氮素含量反演的敏感波段;阴影削弱了果树冠层的光谱信息,去除阴影前后,冠层多光谱各波段光谱差异较大,在红边波段及近红外波段尤为明显;基于2个阴影指数去除阴影后构建的氮素反演模型精度均有提升,最优模型为基于NDCSI去除阴影后构建的支持向量机氮素含量反演模型,该模型建模集R²和RPD分别为0.774、1.828;验证集R²和RPD分别为0.723、1.819。【结论】基于NDCSI可有效去除无人机多光谱果树冠层影像中的阴影,提高氮素含量反演精度,为果园氮素精准管理提供了有效参考。     

基于AquaCrop模型的大豆灌溉制度优化研究

【目的】 探究AquaCrop模型在关中地区的适用性,寻求大豆在不同降水年型下最适宜的灌溉制度。【方法】 用田间试验实测数据对该模型进行校正,并用校准后的模型模拟1961—2019年内所有3种不同降水年型14种灌溉制度下的大豆产量和水分利用效率。【结果】 AquaCrop模型模拟田间产量最高处理的冠层覆盖度的决定系数(R ²)、均方根误差（RMSE）、标准均方根误差(NRMSE)及Nash效率系数(EF)分别为0.96、7.15%、11.03%和0.94;模拟值与实测值生物量的决定系数（R ²）、均方根误差（RMSE）、标准均方根误差（NRMSE）及Nash效率系数（EF）分别为0.99、526.04 kg·hm^-2、14.45%和0.97;最终产量模拟的决定系数（R ²）、均方根误差（RMSE）、标准均方根误差（NRMSE）及Nash效率系数（EF）分别为0.97、49.98 kg·hm^-2、1.74%和0.82,各处理的冠层覆盖度和生物量实测值与模拟值的R ²均大于0.95,说明AquaCrop模型可以较好地模拟关中地区大豆的生长发育动态与产量。结合模型模拟结果可知,大豆作物需水量平均值为398.2 mm,各个生育时期的需水量差异较大,分枝期需水量为127.8 mm,开花-结荚期需水量为212.6 mm,鼓粒期的需水量为57.7 mm。结合对3种不同降水年型进行不同灌溉制度模拟后发现,大豆开花-结荚期为需水关键期,该生育时期水分供应情况影响大豆的最终产量。在湿润年可以不灌水;平水年和干旱年仅在开花-结荚期分别灌溉45和70 mm可实现最高产量（2 699、2 486 kg·hm^-2）和最大水分利用效率（0.74、0.7 kg·m^-3）。【结论】 该地区大豆灌溉制度,应以不同降水年型分布情况为基础对大豆灌溉制度进行选择,可保证大豆具有较高的产量和水分利用效率,可作为关中地区大豆灌溉制度的参考依据。     

旋耕配合秸秆颗粒还田对土壤物理特性的影响

【目的】针对黄淮烟区植烟田由于化肥投入较高、耕作频繁造成的土壤板结、通透性降低、水稳性团聚体数量下降等土壤物理性质恶化的问题,探讨通过秸秆颗粒还田与耕作方式改善土壤物理性状的可行性。【方法】采用3年田间定位试验,以旋耕+不施秸秆颗粒（RG0）为对照,设置3种秸秆颗粒用量（G1：2 250 kg·hm^-2、G2：4 500 kg·hm^-2、G3：6 750 kg·hm^-2）与2种耕作方式（旋耕：R、深翻：T）的交互处理,分析不同处理对土壤容重、田间持水量、土壤孔隙度、土壤团聚体稳定性的影响。【结果】（1）与RG0相比,3年间RG处理易显著降低0—20 cm土层土壤容重,降幅6.7%—16.5%,而TG处理易显著降低20—40 cm土层土壤容重,降幅3.0%—9.8%,秸秆颗粒高量还田降低比率最高。（2）RG处理提升0—20 cm土层田间持水量的效果显著,其中RG3较RG0提升14.9%（2017年）;增加秸秆颗粒用量提升20—40 cm土层田间持水量显著,其中RG3较RG0提升18.0%（2018年）。（3）RG3与TG3处理显著提高0—20 cm与20—40 cm土层土壤总孔隙度,最高达17.9%与14.6%（2017年）,但仅RG2与RG3处理显著提高20—40 cm土层土壤毛管孔隙度。（4）RG处理在还田后期对0—20 cm土层土壤团聚体稳定性的提升作用显著;>2 mm、小鱼0.106 mm、0.5—1 mm、0.106—0.25 mm与1—2 mm粒级团聚体是影响0—20 cm土层土壤物理性状的主要因子（Exp>66%）,而0.5—1 mm与0.106—0.25 mm粒级团聚体是影响20—40 cm土层土壤物理性状的主要因子（Exp>48%）。【结论】秸秆颗粒用量6 750 kg·hm^-2配合旋耕处理可同时降低0—20和20—40 cm土层的土壤容重,提升持水性能与土壤团聚体稳定性,且聚类分析也表明该处理促使土壤物理特性居于一类水平,是能有效改善当地烟田土壤物理结构的可行措施。     

基于低空无人机影像光谱和纹理特征的棉花氮素营养诊断研究

【目的】基于无人机高空间分辨率影像,探讨剔除土壤背景信息及增加纹理信息对棉花植株氮浓度反演的影响,为棉花氮素营养精准探测提供新技术手段。【方法】开展棉花水、氮耦合试验,分别在棉花的不同生育期获取无人机多光谱影像和植株氮浓度信息。基于以上数据,首先探讨了土壤背景对棉花冠层光谱的影响;其次,分析了影像纹理特征与植株氮浓度间的相关性;最后,将获得的数据分为建模样本和检验样本,设置剔除土壤背景前、剔除土壤背景后、增加纹理特征等不同情景,采用光谱指数与主成分分析耦合建模的方法,来建立各种情景下植株氮浓度的反演模型,并对模型反演效果进行比较。【结果】土壤背景对棉花冠层光谱有影响,且不同生育期趋势不同;影像纹理特征参数与植株氮浓度间有显著相关关系;剔除土壤背景前植株氮浓度反演模型的建模决定系数为0.33,标准误差为0.21%,验证决定系数为0.19,标准误差为0.23%;剔除土壤背景后模型的建模决定系数为0.38,标准误差为0.20%,验证决定系数为0.30,标准误差为0.21%;增加纹理信息后模型的建模决定系数为0.57,标准误差为0.17%,验证决定系数为0.42,标准误差为0.19%。【结论】基于低空无人机高空间分辨率影像,剔除土壤背景和增加纹理特征均可提高棉花植株氮浓度的反演精度;影像纹理可以作为一种重要信息来支撑无人机遥感技术反演作物氮素营养状况。     

Cotton Nitrogen Nutrition Diagnosis Based on Spectrum and Texture Feature of Images from Low Altitude Unmanned Aerial Vehicle

【Objective】 Based on the high spatial resolution images of unmanned aerial vehicle (UAV), the effects of removing soil background information and increasing image texture information on the inversion of cotton plant nitrogen concentration were investigated, in order to provide new technology for accurate estimation of cotton nitrogen nutrition status. 【Method】 Cotton water and nitrogen coupling experiment was conducted, and UAV images and plant nitrogen concentration data were measured during different cotton growth stages. Based on the above data, the effect of soil background on cotton canopy spectrum was firstly investigated. Secondly, the correlations between image texture parameters and plant nitrogen concentration were analyzed. Finally, the obtained data was divided into calibration dataset and validation dataset. Different scenarios, including before and after removing the soil background, and adding texture features, were set. The inversion models of plant nitrogen concentration under various scenarios were designed by using the coupled method of spectral indexes and principal component regression, and the performances of the models were compared. 【Result】 The soil background had an effect on the cotton canopy spectrum, and the trends were not the same at different growth stages. There existed significant correlations between image texture parameters and plant nitrogen concentration. For the scenarios before removal soil background, the plant nitrogen concentration prediction model had determination coefficient (R ²) value of 0.33 and root mean square error (RMSE) value of 0.21% during model calibration, and R ² value of 0.19 and RMSE value of 0.23% during validation. For the scenarios after removing soil background, the plant nitrogen concentration prediction model had R ² value of 0.38 and RMSE value of 0.20% during model calibration, and R ² value of 0.30 and RMSE value of 0.21% during validation. For the scenarios adding image texture information, the plant nitrogen concentration prediction model had R ² value of 0.57 and RMSE value of 0.17% during model calibration, and R ² value of 0.42 and RMSE value of 0.19% during validation. 【Conclusion】 Based on high spatial resolution images of low-altitude UAVs, both removing soil background and adding image texture information could improve the inversion accuracy of cotton plant nitrogen concentration. Image texture could be considered as important information to support prediction of crop nitrogen nutrition status using UAV images.     

核桃叶片氮元素含量的光谱预测模型

【目的】分析325～1 075 nm范围内核桃叶片光谱与叶片氮元素含量的相关性,研究核桃叶片光谱数据预处理和特征波段筛选方法,建立核桃叶片氮元素含量的预测模型,为实现核桃生产中的快速施肥提供参考。【方法】建立多元散射校正、Savitzky-Golay卷积平滑滤波和小波去噪的组合预处理方法;采用连续投影算法筛选出了特征波段;采用特征波段建立核桃叶片氮元素含量的偏最小二乘回归预测模型。【结果】建立的组合预处理方法对核桃叶片光谱去噪效果较好;采用特征波段建立的核桃叶片氮元素含量的预测模型,模型的验证集决定系数R²达到了0.875,均方根误差RMSE达到了0.697 3 mg/g。【结论】与全光谱数据相比,筛选出的特征波段降低了冗余数据和噪声的影响,提取出了有效成分相关的光谱信息,提高了建模质量。     

基于PCA-BPNN的温室番茄果实直径预测模型

[目的]研究温室番茄果实直径变化量的动态预测模型,为番茄所需水肥规律提供数据支持.[方法]选择番茄果实横径为研究对象,以5株番茄果实膨大期的数据建立模型,采用主成分分析法对植物生理生态信息和环境信息进行分析,提取主要成分,以主成分为自变量,输出变量为因变量,建立一个包含空气温度、空气湿度、土壤含水率、叶片温度及果实横径...     

基于冠层时序植被指数的冬小麦单产预测

【目的】研究冬小麦冠层时序植被指数的动态变化规律并基于其构建单产预测模型,为田间实时、准确获取作物单产信息提供有效的技术手段。【方法】本研究于2017—2019年在江苏省兴化市万亩粮食产业园开展不同品种及氮肥水平的田间小区试验,利用主动传感器RapidSCAN CS-45获取冠层归一化红边植被指数（normalized difference red edge,NDRE）和归一化植被指数（normalized difference vegetation index,NDVI）,基于双Logistic函数拟合时序植被指数并提取曲线特征参数,进而分析各特征参数与单产的相关关系,并以独立试验数据对单产预测模型进行验证。【结果】NDRE在孕穗期和抽穗期与单产关系最好,R²达到0.84以上;通过多元逐步线性回归法发现,利用2个或多个时期NDRE预测单产的效果较单生育时期有所提高,且第一和第二被选择的时期分别为拔节期和孕穗期。基于全生育时期相对NDRE（relative NDRE,RNDRE）和相对NDVI（relative NDVI,RNDVI）构建时序曲线,并利用曲线特征参数建立单产预测模型,其中RNDRE和RNDVI的最大值、累积值及增长速率与单产关系较好。利用独立试验数据对上述单产预测模型进行检验,结果表明基于RNDRE时序曲线最大值和累积值所构建的单产模型验证效果较好,R²大于0.80,相对均方根误差和相对误差均小于10%,其验证效果优于单时期或多时期基于NDRE的预测模型,且优于基于NDVI构建的单产模型。【结论】基于冠层时序植被指数提取的特征参数RNDRE最大值和累积RNDRE具有良好估测单产的潜力,研究结果为田间进行实时、准确预测冬小麦单产提供了技术支持。     

智能手机原位牧草生物量估算

【目的】生物量是草地生态系统物质和能量基础,是最基本的生态参量。以往基于卫星和航空遥感定量反演草地生物量过于专业化,难以在牧民间推广。因此,本文提出一种用手机近距离拍摄的真彩色图像估算牧草生物量方法,构建牧草生物量估算模型,为牧民方便、快捷、无损地掌握牧场牧草长势提供理论依据和技术支撑。【方法】首先,利用手机超高分辨率真彩色图像,分别基于植被指数、纹理特征以及联合植被指数和纹理特征构建牧草生物量估算特征集合。其次,为防止过多的特征提取带来维度灾难,提出一种XGBoost与序列前向选择相结合的特征选择算法（XGB-SFS）,进行特征筛选及最优子集构建。最后,使用随机森林回归和留一法交叉验证对比不同特征集合构建模型的生物量估算效果,分析不同类型特征及XGB-SFS算法在牧草地上生物量（Above Ground Biomass,AGB）估算中的作用。【结果】（1）对比单类型特征构建的模型,基于空间纹理特征的估算模型（R²=0.76）要优于基于光谱植被指数估算模型（R²=0.73）,表明纹理特征在超高分辨率牧草AGB估算中具有一定作用;（2）对比特征选择后的模型,联合空谱多类型特征构建模型优于任何一种单类型特征模型（R²=0.83,RMSE=127.57 g·m^-2,MAE=81.25 g·m^-2）,表明使用多类型特征构建模型,可一定程度上提高牧草AGB估算精度。（3）对比特征选择前后构建的模型,特征选择后的模型估算AGB效果要明显好于未进行特征选择的模型,且筛选出的特征与牧草生物量之间都存在较高的相关性,表明XGB-SFS能够很好降低数据维度的同时提高牧草AGB估算精度。【结论】手机超高分辨率真彩色图像可以对牧草生物量进行准确估算,本文提出的XGB-SFS算法也能从众多特征中筛选出与牧草生物量相关性较高的特征并提高模型估算精度。与以往专业遥感定量反演草地生物量相比,本文方法具有面向大众、成本低廉、使用方便等优势,研究将手机现场采集的数据与遥感和机器学习方法相结合,可开辟新的视角,支持农业信息化发展。     

添加蔗渣生物质炭对农田土壤有机碳矿化的影响

【目的】研究蔗渣生物质炭施用后农田土壤有机碳（SOC）矿化动态,为合理利用有机废弃物资源提供科学参考。【方法】在25℃、100%空气湿度条件下培养100 d,研究生物质炭不同添加量（0.1%、0.5%、1.0%和2.0%,以干土计）下水田和旱地土壤有机碳的矿化特征。【结果】各处理土壤有机碳矿化速率随时间的变化符合对数关系（P＜0.01）;土壤特性、生物质炭添加量及两者的交互作用对土壤总有机碳矿化有极显著影响（P＜0.01）;与对照相比,添加低量（0.1%）的生物质炭水田土壤有机碳累积矿化量降低了2.18%,旱地土壤有机碳累积矿化量降低了4.62%;添加低量生物质炭（0.1%和0.5%）对旱地SOC矿化的影响效果更明显,而添加高量生物质炭（1.0%和2.0%）则对水田土壤的影响效果更明显;培养前期生物质炭对水田土壤原有有机碳矿化正激发效应高于旱地土壤,后期对旱地土壤的负激发效应更稳定且维持时间更长。【结论】添加生物质炭不改变SOC矿化趋势。添加低量（0.1%）的生物质炭可抑制SOC矿化、促进SOC的积累。