川滇农牧交错带参考作物蒸散量演变特征及驱动因子分析

应用川滇农牧交错带24个地面观测站点1961—2015年的逐日气象资料,选用Penman-Monteith公式计算各站点逐日参考作物蒸散量(ET₀)和地表湿润指数(SWI),并采用气候倾向率、反距离插值法(IDW)、Mann-KendalL突变检验、主成分回归分析等方法分析研究区的ET₀和SWI时空变化特征以及各主要气象因子对不同区域参考作物蒸散量演变的影响程度。结果表明,1961—2015年,川滇农牧交错带ET₀呈下降趋势,SWI呈缓慢上升趋势,1987年为ET₀和SWI的突变年;湿润区与半湿润区可近似以横断山区边界作为分界线;全区四季参考作物蒸散量均在下降,冬季时空演变不显著;平均风速是影响ET₀变化的主导因子,日照时数和相对湿度次之,ET₀对最低气温响应最弱。     

宁南山区参考作物腾发量ET0时空变化特征分析

本研究通过探讨宁夏南部山区ET₀时空变化规律，为当地作物需水量计算、灌溉制度设计、农业水资源优化配置等提供理论依据。选用海原县、西吉县、隆德县和彭阳县4个县的气象站点1959—2019年间的气象资料，对各地ET₀进行计算与分析。结果表明，彭阳县和隆德县在1970—2010年，年累计ET₀呈上升的趋势，与1960年相比，2019年ET₀分别增加了59.83 mm和6.24 mm。西吉县和海原县年ET₀具有明显的阶段特征，但前者整体处于稳定状态，后者整体处于下降的趋势。在气象数据统计观测的时间段内，ET₀的空间变化趋势均是北边大于南边，东边大于西边，海原县1970—1980年平均ET₀较隆德县高33.01%，彭阳县较西吉县高7.42%。海原县和隆德县ET₀差异在相同时间段内变化趋势不大，前者较后者高30.15%～33.07%，而彭阳县与西吉县ET₀差异恰恰相反，彭阳县平均ET₀     

基于机器学习的马尾松毛虫发生面积预测模型

为了提高马尾松毛虫预测预报的准确性,分别采用随机森林、支持向量机和深度学习3种机器学习模型,应用气象因子预测马尾松毛虫发生面积,并将模型预测结果与实际发生面积进行比较。结果表明:3个机器学习模型的拟合效果均优于多元线性模型,其中深度学习对马尾松毛虫发生面积的预测最为稳健,拟合决定系数(R²)和预测准确率(PA)最高(R2)和预测准确率(PA)最高(R²=0.9901,PA=99.27%),均方根误差(RSME)最低(RSME=0.1711);支持向量机模型预测效果也较好(R2=0.9901,PA=99.27%),均方根误差(RSME)最低(RSME=0.1711);支持向量机模型预测效果也较好(R²=0.9617,RSME=0.3275,PA=92.13%)。深度学习可用于马尾松毛虫发生面积与气象因子非线性模型的构建。     

内蒙古大兴安岭天然白桦生物量估算模型

构建天然白桦预估精度较高的生物量模型，为天然白桦林的生产力估测及生产经营提供科学依据。根据白桦标准木实测数据，选择与生物量分布关系密切且易于人工获取的测树因子(胸径、树高及其组合形式),采用留一交叉验证法，通过比较异速生长模型与相容性生物量模型拟合结果，筛选内蒙古大兴安岭地区天然白桦生物量的最优估算模型。基于异速生长关系建立的2种生物量模型，以胸径和树高组合形式(D²H)为自变量的二元模型优于以胸径(D)为单独预测变量的一元模型，其校正决定系数Adjusted R²介于0.846～0.953。对于相容性生物量模型，以胸径(D)为单独预测变量的一元相容性模型优于以胸径和树高组合形式(D²H)为自变量的二元相容性模型，其校正决定系数Adjusted R²介于0.752～0.961。2种不同方案建立的最优生物量模型的拟合精度均为单株总生物量和树干生物量的模型最好，树枝生物量模型最差，且除树枝外的各项生物量模型的校正决定系数Adjusted R²及其余各项评价指标(ME、RSME、MA...     

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。     

四川冬春季参考作物蒸散量时空变化及其成因

为深入认识四川冬春季参考作物蒸散量(ET₀)的变化特征,利用1980—2016年四川35个气象站的逐日气象观测资料,采用泰森多边形、气候倾向率和克里金空间插值等方法对其冬春季ET₀的时空变化特征进行分析,并通过敏感性和贡献率分析了ET₀的变化成因。结果表明:ET₀的年代际变化呈先降后增的趋势,空间上呈明显的西南高东部低的分布特征,且高值区范围持续扩大,低值区范围波动缩小。ET₀的年际变化呈上升趋势,春季ET₀气候倾向率和空间差异明显大于冬季,且ET₀高值区与低值区空间分布受海拔高度影响明显。ET₀的同一日多年平均值自初冬至初春逐渐上升,1月22日—5月2日仅有8 d的ET₀值低于多年日平均值,具有明显连续的高值时段。ET₀对日照时数的变化最敏感,其次是对相对湿度与平均气温,对三者均呈高敏感性。平均气温的正贡献率是引起ET₀变化的主导因子,其次是相对湿度。研究时段内平均气温的升高对ET₀的正效应和相对湿度的降低对ET₀的负效应,超过了日照时数减少对ET₀的减少效应,导致四川地区冬春季ET₀呈上升趋势。     

甘蓝型油菜叶绿素荧光参数的高光谱预测

叶绿素荧光参数F_v/F_m是作物逆境胁迫研究中的重要指标。尽管目前存在不少F_v/F_m监测方法，但是监测成本高且需要时间进行暗适应，亟待进一步改进。基于此，为探究一种可以快速无损低成本的F_v/F_m监测方法，本试验采集薹期甘蓝型油菜的叶片光谱和对应的叶绿素荧光参数，使用Savitzky-Golay卷积平滑(SG)、标准正态变换(SNV)和多元散射校正(MSC)组成3种预处理方法对原始光谱进行预处理，通过竞争性自适应重加权算法(CARS)完成特征波段的筛选，进而基于筛选出的特征波段建立偏最小二乘回归方程(PLSR)、支持向量回归(SVR)和径向基神经网络(RBFNN)3种预测模型对F_v/F_m进行预测，采用决定系数(R²)、均方根误差(RMSE)和相对预测误差(RPD)对模型进行精度评价。结果表明，使用SG-SNV-RBFNN方法构建的预测模型精度最高，其训练集R²为0.928 ...     

烟草2种病害的增长模型及赤星病预测模型研究

用SPSS21.0软件中的二次函数等6种不同数学模型对烟草赤星病和靶斑病病情指数随时序值而变化的数据进行分析，通过决定系数R²、标准误和F值对模型进行比较。结果表明：逻辑斯蒂模型能够较好地模拟烟草赤星病和靶斑病的病情发展，三次函数也能较好地模拟烟草赤星病的病情发展。以8月中旬烟草赤星病病情指数为预测对象，温度、湿度、降雨量和日照时数为预测因子，用SPSS21.0软件建立多元回归预测模型。通过相关性分析筛选出7个关键预测因子，建立了多元回归预测模型：Y=-42.654-0.285X₁+4.26X₂-0.361X₃+0.162X₄+0.04X₅+0.103X₆-0.015X₇。通过逐步多元回归分析进行最优选择，得到多元回归预测模型：Y=-35.63+2.286X₂+0.157X₄。经拟合度检验，该模型的平均拟合率为86.49%。该模型的建立对于烟草赤星病的病害预测及防治提供...     

滴灌条件下枣园蒸散量的显著气象因子分析

【目的】研究不同参考作物蒸散量(ET₀)与显著气象因子的相关性,分析各显著气象因子对滴灌枣园实际蒸散量(ET_c)的贡献率。【方法】在阿克苏地区枣树滴灌试验,选取Penman-Monteith(PM)、Hargreaves-Samani(HS)、Priestley-Taylo(PT)模型,采用多元线性回归分析不同ET₀的显著气象因子,以及各显著气象因子对枣园ET_c的贡献率。【结果】平均相对湿度(RH)与ET₀呈负相关,太阳辐射(R_n)、天顶辐射(R_a)、最高温度(T_max)、最低温度(T_min)、平均温度(T)、风速(U)与ET₀呈正相关;各模型的显著气象因子对ET_c贡献率为:PM-R_n(62.6%)、U(19.9%)、T(11.8%)和RH(5.7%);HS-T_max(55.1%)、T_min(30.1%)、R_a(11.6%)和T(3.2%);PT-R_n(84.1%)、T(12%)和T_min(3.9%)。【结论】T_max及R_n对滴灌枣园ET_c贡献率最大。     

应用贝叶斯模型平均法建立东北云冷杉针阔混交林蓄积生长模型

根据金沟岭林场198块固定样地数据,分别使用逐步回归方法和贝叶斯模型平均法建立东北云冷杉针阔混交林蓄积量生长模型,分析林分蓄积生长与林分因子、气候因子的关系,并比较两种方法的预测效果。结果表明：贝叶斯模型平均法建模时将多个模型组合进行加权建模,减少了冗余变量,建立的模型较逐步回归更为准确;海拔、林分断面积、林分密度、林分平均胸径、低于0℃积温、低于18℃积温、参考蒸发量是影响林分蓄积生长的主要因素;逐步回归的决定系数(R²)为0.95,均方根误差(R_MSE)为17.53;贝叶斯模型平均法的决定系数(R²)也为0.95,均方根误差(R_MSE)为37.51。     

依据光学遥感特征优选的森林地上生物量反演

以Landsat 8、GF-1和Sentinel-2A为数据源,依据2019年、2020年外业调查数据为实测数据,提取纹理因子和植被指数,采用KNN-FIFS方法构建研究区的森林AGB估算模型,对云南省宜良县小哨林场森林AGB进行反演。结果发现3种光学数据的森林AGB估算模型中,Sentinel-2A数据结果最优,R²为0.60,R_MSE为21.40 t/hm²;GF-1反演结果次之,R²为0.59,R_MSE为22.11 t/hm²;Landsat 8反演结果较差,R²为0.47,R_MSE为23.29 t/hm²;组合3种数据特征的反演结果最差,R²为0.42,R_MSE为23.86 t/hm²。结论得出：高空间分辨率光学数据反演结果优于低空间分辨率结果,多源数据组合反演森林AGB低于单一数据源反演结果,Sentinel-2A和...     

基于高光谱的枣树叶片氮素表征方法

为提高枣树种植过程中施用氮肥的精准性,本研究以南疆重要经济作物骏枣(Ziziphus jujuba Mill.)为研究对象,通过对枣树叶片原始光谱和一阶微分光谱与全氮含量的相关性进行分析,利用光谱敏感变量构建植被指数作为衍生变量,再以衍生变量作为变量建立多种线性和非线性的氮素含量预测模型,并对氮素含量预测模型进行精度检验。结果显示：基于枣树原始光谱和一阶微分光谱的模型拟合决定系数均大于0.75,原始光谱变量的预测效果整体好于一阶微分光谱;预测效果最好的是基于原始光谱变量4的幂函数模型：Nit=1.097x^0.735,R²为0.821,RMSE为0.024 5。研究表明,建立的氮素含量预测模型能够实现基于高光谱反射率特征对枣树氮素的较好监测效果,能够作为枣树营养素诊断的重要理论依据。     

应用机器学习模型与线性模型预测森林蓄积生长量的精度

为了探究不同模型对森林蓄积生长量的预测精度和影响因素，以吉林省汪清金沟岭林场为研究区，利用林场198个固定样地(20 m×20 m)中的乔木数据，建立多元线性回归(MLR)、随机森林(RF)、支持向量机(SVM)、最近邻法(KNN)模型，分析树木蓄积生长量与林分因子、地形因子和气候因子的关系，并比较不同模型的预测精度。结果表明：森林蓄积生长量与林分每公顷断面积(B_A)、大于对象木断面积(B_L)、海拔(A_L)、林分密度(N)、年均降水量(P)显著相关，与平均胸径(D)、坡向(A_s)、坡度(S_L)、年均气温(T)并不相关；不同模型的预测结果存在差异，随机森林(RF)方法所有测试指标最佳；随机森林方法得出的平均蓄积生长量预测值为51.45 m³·hm^-2,该模型均方根误差(R_MSE)最低(4.62),决定系数(R²)最高(0.91)。     

基于粒子群优化(PSO)超限学习机预测新疆参考作物蒸散量

参考作物蒸散量(ET0)的准确预测对于作物需水量预测、农田精准灌溉和提高水资源利用效率等具有重要意义.为了解决传统方法获取ET0的弊端,本研究基于粒子群优化(Particle swarm optimization,PSO)-超限学习机(Extreme learning machine,ELM)预测ET0.通过选取新疆地区3个站点(乌鲁木齐、喀什、哈密)的最高气温(Tmax)、最低气温(Tmin)、平均相对湿度(RH)、风速(u2)、光照时间(n)等气象数据,建立PSO-ELM预测模型,对模型精度和普适性进行研究,并通过与ELM、Makkink、I-A模型的对比,探究不同气象因子组合模型的预测精度.结果表明,PSO-ELM模型在5种气象因子输入下具有最高预测精度(平均R2=0.9747,平均MAE=0.2520 mm/d,平均RMSE=0.3643 mm/d).由PSO-ELM6模型与ELM、Makkink、I-A模型的对比结果看出,在相同的气象因子输入条件下,3个站点用PSO-ELM6模型预测的效果最好.通过对PSO-ELM3模型在新疆地区普适性的研究发现,该模型具有较高的预测精度(平均R2=0.9465,平均MAE=0.3070 mm/d,平均RMSE=0.3569 mm/d).不同站点、不同气象因子输入的PSO-ELM模型能够较为精准地反映气象因子与ET0之间复杂的非线性关系,且模型在新疆地区的普适性较好,可以为新疆地区逐日ET0预测提供新的方法.     

顾及变量相关性的主成分分析法在森林蓄积量估测中的应用

为探究Landsat8 OLI反演蓄积量的潜力,研究不同特征选择方法对蓄积量反演精度及不同蓄积量反演模型对反演精度的影响。以湖南省怀化市排牙山国有林场作为研究区,森林资源二类调查数据作为样地地面实测数据,选用Landsat8 OLI作为遥感数据源,将传统的Pearson相关系数法及主成分分析法2种方法结合,得到一种顾及变量相关性的主成分分析法（PCA-P）对遥感变量进行降维。使用3种变量选择方法构建了随机森林（RF）、K最近邻（KNN）、支持向量机（SVR）、多元线性回归（MLR）模型进行森林蓄积量的估测,使用决定系数（R²）、均方根误差(R_MSE)、相对均方根误差(R_RMSE)对蓄积量估测模型进行精度评价。结果表明：通过Pearson相关系数结合方差膨胀因子得到I_B2、I_ND25、I_MSR3个遥感变量,其与蓄积量相关性分别为0.716、0.623、0.597。使用主成分分析法得到前3个主成分,累计贡献率为93.42%。通过PCA-P得到前2个主成分,累计...     

应用XGBoost算法对森林地上生物量的机载LiDAR反演

为了探究机载LiDAR数据结合极端梯度提升(XGBoost)算法估算森林地上生物量的可行性和适用性，寻求更优的森林地上生物量的监测和估算模型的建模方法。根据125块地面样地调查数据和机载激光雷达提取的点云特征变量，结合根据皮尔森相关系数和递归特征消除筛选变量，采用多元线性回归(MLR)、随机森林(RF)、支持向量机(SVM)和极端梯度提升(XGBoost)算法，建立4种不同算法的地上生物量估测模型并进行对比分析。结果表明：在训练集中，RF模型表现最好(R_MSE=9.98 t·hm^-2,R²=0.93,M_AE=5.69 t·hm^-2),其次是XGBoost模型(R_MSE=10.80 t·hm^-2,R²=0.89,M_AE=7.24 t·hm^-2);在测试集中，采用XGBoost算法建立的模型表现(R_MSE=12.20 t·hm^-2...     

基于无人机多光谱影像的云南松林蓄积量估测模型

【目的】无人机多光谱遥感影像较可见光影像具有更丰富的光谱信息,在森林蓄积量估测中具有较大潜力。以无人机载多光谱遥感影像为主要数据源,探索森林蓄积量的遥感估测模型,以克服传统地面调查工作量大、耗时长、成本高等弊端。【方法】以滇中地区典型天然云南松Pinus yunnanensis纯林为研究对象,利用无人机多光谱影像提取单波段反射率、各类植被指数、纹理特征等,计算各特征变量的标准地均值;筛选与云南松林蓄积量相关性显著的特征变量,采用多元线性、随机森林、支持向量机建立云南松林蓄积量估测模型,以决定系数(R²)、平均绝对误差(E_MA)、均方根误差(E₍RMS()、平均相对误差(E_MR)评价模型精度。【结果】(1) 3种模型中,随机森林的精度最高(R²=0.89,E_MA=4.69m³·hm^-2, E_RMS=5.45m³·hm^-2, E_MR     

基于BP神经网络预测林内PM2.5浓度

[目的]利用BP神经网络预测林内PM_(2.5)浓度。[方法]利用人工神经网络理论,采用2013年7月—2014年5月野外实时监测数据,建立了以气象参数、污染源强变量和林分结构特征为输入因子,林内PM_(2.5)小时平均浓度为输出因子的预测模型,并对其预测精度进行了评价。[结果]BP人工神经网络模型能够很好地捕捉污染物浓度与气象因素和林分结构间的非线性影响规律,预测结果的平均相对误差为1.71×10~(-3),均方根误差为6.77,拟合优度达0.98,模型具有很高的预测精度。而传统的多元线性回归(MLR)模型预测结果的平均相对误差、均方根误差和拟合优度分别为0.27、22.92和0.93。[结论]研究成果印证了应用BP人工神经网络模型预测林内PM_(2.5)浓度的可行性和准确性。     

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LSTM的柑橘幼苗蒸发量预测

将柑橘幼苗作为试验对象,利用传感器采集空气相对湿度和温度,以基质相对湿度、温度和EC值作为环境因子,采用称重法实时采集作物的质量变化量作为作物的蒸发量;以环境因子为模型输入,作物蒸发量为模型输出,构建长短期记忆神经网络(LSTM)预测模型,优化后的最优模型结构以及训练参数包括LSTM模型的隐藏层1层,隐藏层节点数为120,迭代样本数为128,训练迭代次数为175,网络的激活函数选择tanh函数,学习率为0.001,时间步长为72。LSTM预测模型的决定系数(R²)、均方根误差(RMSE)、平均绝对误差(MAE)分别为0.993 9、0.015 5 g、0.011 3 g;与循环神经网络(RNN)、门控循环单元(GRU)的预测效果进行对比,LSTM预测模型的预测蒸发值更接近真实蒸发值,预测结果相对误差范围波动最小,RMSE、MAE最小,R²最大,说明这3种模型中LSTM预测模型的预测效果最佳。