大田玉米作物系数无人机多光谱遥感估算方法

作物系数K_c快速获取是大田作物蒸散量(Evapotranspiration,ET)估算的关键,为研究无人机多光谱遥感估算玉米作物系数的可行性和适用性,以2017年内蒙古达拉特旗昭君镇实验站大田玉米、土壤、气象等数据为基础,采用经气象因子和作物覆盖度校正后的双作物系数法计算不同生长时期与不同水分胁迫玉米的作物系数,并使用自主研发的无人机多光谱系统航拍玉米的冠层多光谱(蓝、绿、红、红边、近红外,475~840 nm)影像,研究了不同生长时期(快速生长期、生长中期和生长后期)玉米的6种常用植被指数(Vegetation indices,VIs):归一化差值植被指数(NDVI)、土壤调节植被指数(SAVI)、增强型植被指数(EVI)、比值植被指数(SR)、绿度归一化植被指数(GNDVI)和抗大气指数(VARI),与作物系数K_c的关系模型及水分胁迫对其的影响。结果表明:玉米生长时期和水分胁迫是影响玉米VIs-K_c模型相关性的两个重要因素。不同生长时期玉米植被指数和K_c相关性不同:充分灌溉情况下,快速生长期玉米VIs-K_c模型的相关性(R2为0.731 2~0.940 1,p0.05,n=25)与生长中期至生长后期VIs-K_c模型的相关性(R2为0.276 5~0.373 2,p0.05,n=40)不同;水分胁迫情况下,快速生长期玉米VIs-K_c模型的相关性(R2为0.0002~0.0830,p0.05,n=25)与生长中期至生长后期VIs-K_c模型的相关性(R2为0.366 2~0.848 7,p0.05,n=40)不同。水分胁迫对VIs-K_c模型的相关性影响较大:快速生长期,充分灌溉玉米VIs-K_c模型的相关性(R2最大为0.940 1)比水分胁迫玉米VIs-K_c模型的相关性(R2最大为0.083 0)强;生长中期至生长后期,充分灌溉玉米VIsK_c模型的相关性(R2最大为0.373 2)比水分胁迫玉米VIs-K_c模型的相关性(R2最大为0.848 7)弱。部分植被指数和作物系数相关性较强;快速生长期充分灌溉玉米的VIs-K_c模型的相关性由大到小依次为:SR、EVI、VARI、GNDVI、SAVI、NDVI;生长中期至生长后期水分胁迫玉米的VIs-K_c模型的相关性由大到小依次为:SR、GNDVI、VARI、NDVI、SAVI、EVI;其中比值植被指数SR与作物系数K_c的相关性最好。结果表明采用无人机多光谱技术估算K_c具有一定的可行性。     

基于作物生长监测诊断仪的玉米LAI监测模型研究

为探索作物生长监测诊断仪（CGMD-402型）在作物长势监测应用中的精准性与适用性,连续2年在不同氮肥水平下进行不同玉米品种的实验。使用作物生长监测诊断仪采集冠层归一化差值植被指数（Normalized differential vegetation index,NDVI）、比值植被指数（Ratio vegetation index,RVI）,并同步以ASD FR-2500型野外高光谱辐射测量仪获取冠层光谱反射率,构建NDVI、RVI高光谱植被指数;通过对比两种仪器获取的植被指数特征及其定量关系,评价CGMD-402型作物生长监测诊断仪监测精度;基于CGMD-402型作物生长监测诊断仪获取的NDVI、RVI,建立叶面积指数（Leaf area index,LAI）监测模型,并对模型监测精度进行验证。结果表明：玉米冠层NDVI、RVI随施氮量增加而增加,增加幅度分别为8.20%~36.59%、4.40%~25.16%;CGMD-402型作物生长监测诊断仪与ASD FR-2500型野外高光谱辐射测量仪获取的NDVI、RVI相关系数分别为0.991、0.985,决定系数分别为0.983、0.969,说明CGMD-402型作物生长监测诊断仪具有较高的监测精度,可替代ASD FR-2500型野外高光谱辐射测量仪获取NDVI、RVI指数;利用CGMD-402型作物生长监测诊断仪获取NDVI、RVI,建立LAI监测模型的决定系数分别为0.911、0.898;以独立数据对模型精度进行验证,模型预测值与田间实测值间决定系数分别为0.963、0.954,相对误差分别为6.65%、9.37%,表明二者具有高度一致性。研究表明,利用作物生长监测诊断仪能有效监测玉米不同品种LAI动态变化,可以替代AccuPARLP-80型植物冠层分析仪获取玉米LAI数据。     

基于图像颜色特征的密植冬小麦覆盖指数反演

为了快速获取大田冬小麦作物生长信息,对田间植被覆盖度(VCI)进行检测。采用开发的多光谱图像采集系统,在拔节期-扬花期获取冬小麦冠层可见光( B、G、R ,400～700 nm)和近红外(NIR,760～1 000 nm)图像。图像经自适应平滑滤波处理后,针对RGB图像,采用HSI色彩空间模型,设定 H 分量阈值［π/4,6π/5］进行分割,对NIR图像采用自动阈值分割法分割,进而提出了基于“ H +NIR”组合的冬小麦冠层多光谱图像分割方法,并计算VCI值。对未经分割的原始图像提取了9个图像检测参数,包括各通道图像灰度均值( A R、 A G、 A B、 A NIR )、归一化植被指数(NDVI)、归一化差异绿度指数(NDGI)、比值植被指数(RVI)、差值植被指数(DVI)和冠层 H 分量均值 A H。图像检测参数与VCI相关性分析结果表明,各植被指数与VCI的相关系数绝对值均大于0.90。应用NDVI、NDGI、RVI和DVI建立了多元线性回归模型,其 R 2 c =0.948, R 2 v =0.884,可以用于快速反演VCI,为田间作物生长评价和管理提供支持。     

大蒜机械种植技术研发与应用

目前，大蒜种植是采取人工单粒垂直栽插的方法，栽插难度大，生产效率低，劳动强度大。根据大蒜生长特点，从2010年开始，徐州市农机推广站对大蒜种植方法进行了调查研究，对大蒜传统垂直种植和简化水平种植作了对比试验。试验表明：水平种植不但不影响大蒜出苗、生长和产量，而且可大大降低大蒜种植难度，提高生产效率，减轻劳动强度，有利于机械化作业。     

基于无人机多源遥感的玉米LAI垂直分布估算

为探究无人机多源遥感影像估算玉米叶面积指数(Leaf area index, LAI)垂直分布，在田间设置了密度和播期试验，在7个生育时期利用无人机采集了可见光、多光谱和热红外影像并同步获取玉米LAI垂直分布数据。同时，为合理制定无人机飞行任务，分析了不同飞行高度和不同太阳高度角下获取的无人机影像对估算玉米LAI的影响。基于无人机影像提取的与玉米LAI相关性较高的植被指数、纹理信息和冠层温度等特征，利用7种机器学习方法分别构建了玉米冠层不同高度LAI估算模型，从中选取鲁棒性强的2个模型用于分析在不同飞行高度和不同太阳高度角下估算LAI的差异。研究结果表明，MLPR和RFR模型对玉米LAI估算鲁棒性最强，全生育期下模型rRMSE为11.31%(MLPR)和11.42%(RFR)。玉米冠层LAI垂直分布估算误差，所有模型的平均rRMSE分别为9.1%(LAI-1)、14.19%(LAI-2)、18.62%(LAI-3)、23.29%(LAI-4)和26.7%(LAI-5)。对于玉米穗位叶及以下部位的LAI估算误差均在20%以下，得到了较好精度。同时，在不同飞行高度和太阳高度角试验中可以得出...     

植物生长调节剂在观赏植物栽培中的应用

介绍了植物生长调节剂的概念、主要特点,对植物生长促进剂、植物生长延缓剂、植物生长抑制剂作了详细阐述。     

基于多光谱卫星模拟波段反射率的冬小麦水分状况评估

为及时掌握作物水分利用状况、评估作物水分亏缺和提高作物水分利用效率，在2012—2016年期间进行了不同水分处理的冬小麦田间试验，获取了冬小麦主要生育期冠层光谱和叶片含水量等数据。利用冬小麦冠层光谱以及Quickbird、IKONOS、GF-2、GF-1、Landsat8、HJ-1A/B、GF-4和MODIS卫星传感器光谱响应函数模拟卫星多波段反射率，参照归一化植被指数(Normalized vegetation index, NDVI)、比值植被指数(Ratio vegetation index, RVI)和差值植被指数(Difference vegetation index, DVI)的形式，将各卫星波段反射率两两组合，系统分析构建的植被指数与叶片含水量的相关性，探讨不同空间分辨率(2.44、4、8、30、50、250m)波段组合及植被指数对作物水分状况和灌溉活动的响应能力。结果表明，NDVI、RVI和DVI 3种指数对作物水分敏感区域的分布类似；8个卫星的近红外波段与叶片含水量的相关系数为正，其余几个波段与叶片含水量的相关系数为负；NDVI(GF-1绿波段,GF-2绿波段)、RVI(GF-1绿波段,GF-2绿波段)和DVI(GF-2蓝波段,GF-4蓝波段)与叶片含水量相关性较好，决定系数R2分别为0.776、0.774和0.886，以DVI形式构建的植被指数对叶片含水量的估算效果最好。本研究可为区域作物水分状况评估以及作物灌溉活动监测提供技术和方法支持。     

植被指数反演冬小麦植被覆盖度的适用性研究

利用冬小麦2个生长季高光谱反射率和覆盖度实测资料,基于回归分析方法建立4种植被指数反演植被覆盖度模型,并对预测模型年际间的稳定性进行了验证。采用噪声等效覆盖度误差对各植被指数反演植被覆盖度模型进行了敏感性分析,结合对模型的残差分析得到了不同种植密度和氮肥施用量条件下各植被指数的适用性。结果表明:归一化植被指数NDVI和改进的土壤调节指数TSAVI与冬小麦覆盖度采用抛物线拟合结果较好;修正的土壤调节植被指数MSAVI和增强型植被指数EVI与覆盖度符合线性关系。验证模型的决定系数略低于建模方程,反演模型在年际间表现出较好的稳定性,能够满足覆盖度预测需要。NDVI和TSAVI较MSAVI和EVI可更好地解释本地区冬小麦植被覆盖度的变化规律。在低到中覆盖度(0~60%)条件下,如果当地土壤信息可获得,利用植被指数TSAVI估算植被覆盖度变化规律表现出较好的敏感性和较高的估算精度。如果缺失土壤线资料,NDVI能保证覆盖度的估算精度。在高覆盖度(60%~100%)条件下,可选用敏感性和精度均良好的植被指数MSAVI进行估算。在水分供应充分的条件下,4种植被指数对作物种植密度和氮肥施用量均不敏感,可采用统一模型进行不同种植密度和不同施氮量处理的冬小麦覆盖度估算研究,为利用植被指数快捷、准确地估算本地区区域植被覆盖度提供了理论和技术支持。     

电力线路保护区内植树及取土的防范处理

1保护区内植树1.1现象输电线路保护区内植树,一般现象为保护区内原有树木生长超高、大面积种植生长较快的苗木等。1.2风险辨识(1)树木生长超高,触碰到导线,导致人员伤害。(2)导线对超高树木放电造成线路跳闸,较大范围、较长时间的供电中断。(3)导致导线垂直和水平安全距离不能满足线路规程要求,给线路的安全运行留下隐患。1.3控制措施包括健全台账、核查高度、协调     

无人机多光谱数据可靠性分析与冬小麦产量估算研究

无人机多光谱遥感用于冬小麦产量预测中捕获的数据准确性不高,为指导田块尺度下冬小麦产量的精准预测,需构建高精度的冬小麦产量估算模型。本研究利用校正后的近地面高光谱数据(Field-Spec 3型野外光谱仪获取)验证低空无人机多光谱遥感数据(大疆精灵4型多光谱相机获取),将通过无人机多光谱影像计算的植被指数与经验统计方法结合,采用一元回归和多元线性回归分别对抽穗期、开花期和灌浆期冬小麦进行基于单一植被指数和多植被指数组合的产量估算,其中多植被指数包括归一化差异植被指数(NDVI)、优化的土壤调节植被指数(OSAVI)、绿色归一化差值植被指数(GNDVI)、叶片叶绿素指数(LCI)和归一化差异红色边缘指数(NDRE)。结果表明,基于单一植被指数的冬小麦估产模型,一元二次回归模型精度最高,而基于5种植被指数的多元线性回归模型在3个生育时期的拟合效果均优于单植被指数模型。一元或多元回归模型在抽穗期的拟合效果最好。冬小麦基于GNDVI指数的一元二次回归估产模型建模集的决定系数(R²)、均方根误差(RMSE)分别为0.69、428.91 kg/hm²,验证...     

基于多时相植被指数的云南高原山地冬小麦识别与研究

粮食安全是最根本的民生问题，云、雾等自然因素是影响遥感种植监测的主要因素之一，因此获取精准、高效的耕地种植监测信息的对保障当地粮农安全、粮食估产及面积估算具有重要意义。在利用多时相植被指数（VI）合成模型的构建、农作物特征与耕地信息的可分离性两方面对高原山地农作物耕地面积提取的研究少。本研究基于哨兵2（Sentinel-2）数据，构建了多时相植被指数合成模型，估算了2020-2021年归一化植被指数（NDVI）、增强植被指数（EVI）和红绿叶绿素植被指数（RECI）三种植被指数的提取结果，研究了预测模型与高原山地农作物的相关性，探讨了不同植被指数模型对农作物识别精度。结果表明：①多时相NDVI模型相较EVI、RECI对冬小麦面积提取精度更高，与云南高原山地冬小麦相关性最强，用户精度约为93.28%；②利用三期NDVI组合与两期NDVI组合均可对冬小麦精准提取，但三期NDVI草型提取精度更高。因此，本研究利用多时相NDVI指数模型对冬小麦种植面积的精准预测，证明了该模型可有效适用于云南高原山地冬小麦，并为当地冬小麦面积的预测提供了数据支撑。     

2010—2019年三亚市NDVI时空变化特征

归一化植被指数（NDVI）作为反映植物生长特征的重要指标，对于地表植被覆盖与植被生长状况的研究有重要意义。基于MODIS NDVI遥感数据，分析了三亚市2010—2019年归一化植被指数时空变化及变化趋势，并对NDVI与降水量和日照时数进行相关性分析。结果表明:近10年来，研究区NDVI月变化特征为5—10月增加，11月—次年4月降低，这与三亚市处于热带海洋性气候区有极大关系。NDVI年际变化呈增加趋势，年平均增长0.721 9，为中高植被覆盖度，空间上表现为北部高，中西部低的分布特征，北部常绿阔叶林地区比中西部草原地区生态稳定性更强。Pearson相关分析表明，NDVI与降水量整体上呈正相关，与日照时数呈负相关。      

基于遥感的疏勒县植被覆盖时空变化研究

【目的】评价疏勒县生态环境质量及生态环境演变过程。【方法】基于Landsat遥感影像数据,利用归一化植被指数NDVI、像元二分模型、中心迁移模型等方法分析了1996-2017年疏勒县植被覆盖时空演化。【结果】①疏勒县植被覆盖分布总体以高植被覆盖为主成大面积片状分布,中、低植被覆盖主要以盖孜河和克孜河为轴线,相对围绕高植被覆盖分散分布;②1996-2017年疏勒县植被覆盖面积和覆盖度均呈增加趋势。2017年的植被覆盖面积比1996年增加了456.4 km²,增加率为38.3%;③疏勒县植被覆盖空间变化上存在一定的区域性和时段性差异。区域上,南部乡镇覆盖度明显增加;时段上,2009-2013年植被覆盖面积增加最明显;④1996-2017年疏勒县植被覆盖中心整体往东南迁移;⑤气候变暖对疏勒县植被覆盖度变化有一定的影响,但短期内人类活动影响更大。灌区改造高效节水、耕地开垦、农作物的种植及林带面积的增加是植被覆盖面积增加的主要因素。【结论】综上可知,气候变暖和生态治理工程等人类活动因素可能是疏勒县植被覆盖面积与覆盖度呈增加的主要原因,这表明疏勒县生态环境保护与治理是科学合理的。     

中国区域植被对降水异常的时空响应特征

【目的】分析中国植被生长对降水异常的响应方式及其强度。【方法】基于1982―2015年GIMMS-NDVI和高分辨率栅格气候数据,采用二阶偏相关和时滞相关分析方法,研究了中国区域植被生长对降水异常响应的时空模式。【结果】①中国生长期植被NDVI呈显著的上升趋势,上升幅度为0.000 7/a,而降水年际间波动较大,整体趋势并不显著;②NDVI与降水异常的偏相关系数呈现显著的空间差异性,内蒙古中东部植被生长受降水异常的影响最为显著;③总体而言,植被生长对前1个月降水异常的响应最强烈,并且与超过3个月累积的降水异常相关性最强,而受同期降水异常的影响并不明显。【结论】降水变化对半干旱区植被生长活动影响最大;同时,不同植被类型的地区,植被对降水异常的响应模式存在显著差异,相比于灌木和草地,森林受降水异常的影响更小,且响应更迟缓。     

基于无人机数码影像的马铃薯覆盖度提取方法

为了利用数码影像快速提取马铃薯覆盖度,首先,利用植被覆盖度提取算法从地面数码影像中获取马铃薯覆盖度实测值;然后,通过植被指数提取法和最大似然监督分类法对无人机数码影像进行处理,分别获取各个研究小区的马铃薯覆盖度;提出利用颜色转换空间HSI(H-A法)从无人机数码影像中快速提取马铃薯覆盖度;最后,对HA法、最大似然监督分类法和植被指数提取法3种方法的计算结果进行精度比较。结果表明,H-A法估测的植被覆盖度的精度最高,均达到0. 91以上,拟合函数拟合度为0. 97;最大似然监督分类法次之,最低精度为0. 75,拟合度为0. 82;植被指数提取法最差,最低精度为0. 74,拟合度为0. 74。     

2000—2016年叶尔羌河中下游植被覆盖动态变化遥感分析

【目的】获取干旱区内陆河流域地表植被覆盖变化信息,探讨和揭示内陆干旱地区地表植被空间演变规律。【方法】以叶尔羌河流域2000—2016年Landsat系列遥感影像数据、水文和气象数据、社会经济数据为主要数据源,基于RS、GIS及GPS等技术,采用空间数据处理、信息提取解译、海量数据建库、图属一体化、数据仓库管理技术等方法,研究分析2000—2016年流域植被覆盖时空动态变化及驱动因素。【结果】①从时间方面看,2000—2016年研究区植被覆盖面积整体呈减少趋势,即由2000年的6 025.9 km~2减少至2016年的5 620.4 km~2,减少了405.5 km~2,年减少率为0.42%,其中,主要为低盖度植被向劣盖度植被转移,研究区植被覆盖趋于退化;②从空间方面看,研究区天然植被主要分布于B段(叶尔羌河与提孜那甫河汇合处至三河汇口处),以劣植被覆盖为主,2000—2016年植被覆盖度减少区域主要集中在A段(卡群以下至叶尔羌河与提孜那甫河汇合处),且减少的植被覆盖多为劣盖度。【结论】研究区生态水平退化主要因素可归结为平原区气温升高造成的蒸散发损失加大及绿洲水土资源开发利用挤占生态用水造成的地下水位下降。     

基于植被指数选择算法和决策树的生态系统识别

植被指数是对绿色植被的特定表达,在不同环境下的效果不同。植被指数的选择需要结合研究区域的环境特征。本研究将植被指数间的相关系数集成到基于马氏距离的植被指数选择算法中,根据所选样本确定最适宜的植被指数,构建决策树模型,以江西省永丰县为例,开展区域生态系统类型的识别研究。该方法首先确定提取对象,明确对象类别与对象间的隶属关系,然后逐层逐项地提取湿地、森林、草地、农田等生态系统信息。结果表明,所提出的植被指数选择算法具有较好的适用性;生态系统识别的总体精度达89. 11%,构建的决策树模型的分类精度高于传统方法,可为区域生态系统信息提取和生态系统管理提供研究方法。     

滇池流域NDVI动态变化特征及其对气候的响应

归一化植被指数（Normalized Difference Vegetation Index,NDVI）是反映森林植被变化的重要参数,分析滇池流域NDVI的变化趋势及其影响因素,对准确评估该流域近年来植被覆盖及变化情况,分析气候驱动力因素具有重要意义。采用两种数据集:中国科学院计算机网络信息中心地理空间数据云平台2000—2015年的全国合成产品;美国国家航空航天局2020—2021年的MOD13A2产品。使用趋势分析法分析滇池流域NDVI的年际和年内变化。在中国气象数据网下载1999—2015年滇池流域降水和平均气温的数据,结合NDVI数据,分别分析NDVI与降水、温度的相关关系。研究结果表明,2000—2015年间滇池流域年际和年内的春季、秋季及冬季NDVI均呈增长趋势,而年内夏季NDVI呈下降趋势。但2020年滇池流域NDVI较小,且在年内呈季节性变化趋势。滇池流域不同区域植被空间分布差异明显,整体上呈现由南向北,由西向东逐渐增大的变化趋势。NDVI较高的地区集中在流域上游,而水体及其周围地区植被覆盖较低,且水体及其周围的NDVI呈减小的趋势。滇池流域的降水量和平均温度均呈波动性变化,且2000—2015年的降水量呈明显的下降趋势。通过相应的偏相关分析发现,降水量和平均气温对NDVI均表现出正相关关系,并且相关性最强的是前期（气象因素相比于NDVI提前一个季度的时间）情况的平均气温和NDVI。总体上,2000—2015年滇池流域的NDVI在时空上呈增长趋势,但2020年滇池流域的NDVI较小;在气候响应方面,3个月前的平均气温变化对NDVI的变化起主要影响作用。      

浑善达克沙地东南缘重叠植被生态需水量分析研究

重叠植被非生育期生态需水量是霜期、持续冰冻期地表有效自由水蒸发量,它维系越冬生境。基于2005~2006年对黄柳-扁蓄豆构成的重叠植被生境中气象因子及生理因子野外观测试验数据,用单、双作物系数法计算了重叠植被2个不同水文年生态需水量。这个基础数据对决策重叠植被建设规模、对区域需水预测模提供了基础数据。     

深圳不同植被类型城市土壤团聚体组成与分形特征

采用干筛法和湿筛法测定了深圳市乔木、灌木、草地植被绿地土壤团聚体粒径质量分布,并基于分形理论研究了土壤团聚体分形特征。结果表明,①乔木、灌木、草地之间土壤>0.25mm粒级团聚体、平均质量直径及土壤分形维数均差异显著;土壤团聚体稳定性总体表现为草坪绿地>乔木绿地>灌木绿地。②土壤非稳性团聚体分形维数、>0.25mm粒级团聚体以及平均质量直径之间均极显著相关;水稳性团聚体分形维数、>0.25mm粒级团聚体、破坏率以及平均质量直径之间均极显著相关。植被类型显著影响城市绿地土壤团聚体分布及其分形特征。