基于Google Earth Engine和机器学习的耕地土壤有机质含量预测

土壤有机质含量是耕地质量定级的依据,是耕地质量评价的核心内容之一,因此,精准高效地获取土壤有机质含量非常重要。高分辨率遥感技术和谷歌地球引擎（Google Earth Engine,GEE）云计算平台的出现,为土壤有机质的高效反演提供了新的途径和方法。该研究以藁城区的Sentinel-2A MSI数据和Landsat8 OLI 数据为主要的数据源,结合Sentinel-1 SAR数据、ECMWF/ERA5气象数据和USGS/SRTMGL1_003高程数据,分别采用随机森林（Random Forest,RF）、梯度升级树（Gradient Boosting Decision Tree,GBDT）和支持向量机（Support Vector Machine,SVM）算法,在GEE平台对藁城耕地土壤有机质含量进行反演。结果表明：1）基于Sentinel-2A建立的模型（模型A*）在预测SOM含量方面优于基于Landsat8建立的模型（模型B*）,GDBT算法下的Sentinel-2A的全变量模型取得了最佳结果（R2=0.759,RMSE= 2.852 g/kg）;2）模型A-1对比模型A-0增加了红边波段,模型A-1比模型A-0提高了9.752%;3）从不同的预测算法来看,GDBT算法能较好地适用于研究区的土壤有机质预测,GDBT算法、Sentinel-2A与GEE的结合是SOM预测制图的一种有效方法。     

基于CNN卷积神经网络和BP神经网络的冬小麦县级产量预测

冬小麦是中国重要的粮食作物，开展县级冬小麦产量预测对粮食宏观调控和农业精准化发展具有重要指导意义。该研究从县级产量预测角度出发，结合卷积神经网络（Convolutional Neural Networks，CNN）和反向传播神经网络（Back Propagation Neural Networks，BP）技术提出了冬小麦县级产量预测方法，使用CNN卷积神经网络对Sentinel-2遥感数据进行冬小麦种植区的分析和提取，将得到的种植区分布数据与MODIS EVI数据和耕地分布数据进行了融合，利用BP神经网络对融合后的数据进行产量特征提取和预测并选取均方根误差（Root Mean Square Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）和样本决定系数（Coefficient of Determination，R2）作为精度指标对试验结果进行分析和评价。结果表明，基于CNN卷积神经网络和BP神经网络的冬小麦县级产量预测方法在山东省2014－2016年冬小麦县级产量验证集中R2达到0.87以上，MAE低于269.48 kg/hm2，RMSE低于346.56 kg/hm2，93%的县单产相对误差小于9%，试验结果平均值与中位数的偏差小于1.2%；在河南省2015－2019年冬小麦县级产量验证集中R2达到0.96以上，MAE低于304.84 kg/hm2，RMSE低于418.14 kg/hm2，91%的县单产相对误差小于9%，试验结果平均值与中位数的偏差小于1.6%，方法所构建模型具有良好的预测准确率、鲁棒性和泛化性，可以实现县级尺度下的冬小麦产量预测。     

苏北沿海滩涂地区土壤有机质含量的高光谱预测

基于反射高光谱快速、无损的检测优势,以苏北沿海滩涂地区不同成陆年代土壤作为光谱信息源,应用偏最小二乘回归（PLSR）方法,研究了原始反射光谱（REF）、微分光谱（FDR）、反射率倒数的对数（lg(1/R)）和波段深度（BD）对不同成陆年代土壤有机质含量的预测精度。结果表明,不同成陆年代土壤有机质含量预测的最佳光谱指标存在差异。REF是构建总体样本有机质含量PLSR预测模型的最佳光谱指标,均方根误差（RMSE）和相关系数（r）分别为2.7231和0.8701;FDR是预测成陆千年土壤样本有机质含量的最佳光谱指标,RMSE和r分别为2.0110和0.9436;BD所构建的成陆百年土壤有机质含量的PLSR预测模型为最优,RMSE和r分别为2.7051和0.8770。相关分析表明,可见光波段、以1 400 nm为中心及1 900～2 450 nm的红外波段是估算土壤有机质含量的最佳波段。     

钾肥用量和施用时期对棉花产量品质和棉田钾素平衡的影响

【目的】研究钾肥用量和施用时期对棉花产量、 纤维品质、 钾肥利用率和棉田钾素平衡的影响,确定钾肥正确的用量和合适的施用时期,可为棉花主产区科学施肥提供依据。【方法】连续2年在山东平原县、 河北威县、 新疆昌吉市进行田间试验。钾肥用量试验山东设K2O 0、 30、 60、 120、 180、 240 kg/hm2,河北设K2O 0、 37.5、 75、 150、 225、 300 kg/hm2,新疆设K2O 0、 18.75、 37.5、 75、 112.5、 150 kg/hm2。钾肥施用时期试验3地点均设不施钾 (CK)、 钾肥100%基施、 钾肥50%基施+50%花期追施、 钾肥50%蕾期+50%铃期追施、 钾肥50%蕾期+50%吐絮期追施、 钾肥50%花期+50%吐絮期追施。【结果】山东、 河北、 新疆试验点上棉花开花期后累积的钾占整个生育期钾素累积量的54%~62%、 70%~73%、 49%~67%。施用钾肥增加皮棉产量和收益,钾肥用量对棉花产量的影响2013年比2012年明显,三个地点钾肥用量对产量的影响新疆山东河北,其最高产量施钾量分别为142、 240、 174 kg/hm2,经济最佳施钾量分别为136、 212、 150 kg/hm2。钾肥不同用量除影响某些纤维指标外,对品质的影响没有显著差异。秸秆不还田时,山东和河北试验点钾肥用量180 kg/hm2 和150 kg/hm2时可以维持棉田钾素平衡,而在新疆所有钾肥用量下棉田钾素都是负平衡。河北和新疆50%钾肥蕾期+50%钾肥铃期追施、 山东50%钾肥基施+50%钾肥开花期追施的皮棉产量、 钾肥的农学效率和施钾经济效益高于其他施用时期。钾肥施用时期影响纤维长度、 断裂比强度或纤维伸长率,但因地点和试验年份而不同。施钾时期对纤维整齐度和马克隆值没有显著影响。【结论】钾肥用量对棉花纤维品质没有显著影响,主要影响棉花产量和经济效益。山东试验点钾肥的适宜用量为K2O 180~240 kg/hm2,最佳施用时期为钾肥50%基施+50%开花期追施; 河北试验点钾肥的适宜用量为K2O 150~180 kg/hm2,最佳施用时期为钾肥50%蕾期+50%铃期追施; 新疆试验点钾肥的适宜用量为K2O 112.5~150 kg/hm2,最佳施用时期为钾肥50%蕾期+50%铃期追施。     

耕地细碎化农业区冬小麦遥感制图方法

从遥感影像中提取作物播种面积和空间分布对耕地可持续发展和粮食安全意义重大。目前的遥感小麦制图研究主要依靠光学图像和高复杂度的分类方法,且现有分类算法在小样本条件下、耕地细碎化农业区的分类性能以及时间迁移性能仍然不确定,探索适合小样本的低复杂度的稳定算法具有现实意义。该研究基于Google Earth Engine（GEE）遥感云平台,使用Sentinel-1 SAR和Sentinel-2光学时间序列遥感数据,评估了时间加权动态时间规整算法（Time-Weighted Dynamic Time Warping,TWDTW）、随机森林算法（Random Forest,RF）和基于相似性测度（Difference and Similarity Factor,DSF）的OTSU阈值法在小样本条件下、耕地细碎化农业区的冬小麦制图精度和时间迁移性能。研究结果表明,在有限样本条件下,TWDTW方法小麦制图精度最高,总体精度（Overall Accuracy,OA）和Kappa系数分别为0.923和0.843;其次是RF（OA=0.906,Kappa=0.809）和DSF算法（OA=0.887,Kappa=0.767）;基于欧式距离的OTSU阈值法分类精度最低。当利用算法进行时间迁移分类提取2021年的冬小麦分布图时,TWDTW和DSF算法表现出更好的稳定性且分类精度优于RF算法,其中TWDTW算法的精度最高,OA和Kappa系数分别为0.889和0.755;RF算法分类精度下降明显,OA和Kappa系数分别降低了7%和19%,说明RF算法的迁移分类性能较差。综合来看,TWDTW算法对样本和耕地细碎化的敏感性较低,可以在有限样本条件下实现耕地细碎化农业区的高精度连续冬小麦制图;而RF算法对样本和耕地细碎化的敏感性较高,在有限样本条件下的耕地细碎化农业区进行连续冬小麦制图时稳定性较差。     

基于多光谱影像和机器学习算法的红树林树种LAI估算

针对红树林叶面积指数（Leaf Area Index,LAI）实地测量难度大、无法快速大范围LAI估算的问题。该研究以广西北部湾红树林为研究对象,以无人机（Unmanned Aerial Vehicle,UAV）和哨兵二号（Sentinel-2A,S2）多光谱影像为数据源,整合原始光谱波段、植被指数和组合植被指数构建高维数据集,并进行数据降维和特征优选。定量评估6种机器学习算法（XGBoost、前馈反向传播神经网络（Back Propagation,BP）、支持向量机（SVM）、岭回归（Ridge）、Lasso和弹性网络（ElasticNet））对不同红树林树种LAI的估算能力;探究UAV和Sentinel-2A影像对红树林树种LAI估算的精度差异。研究结果表明：1）基于XGBoost算法构建的模型实现了红树林LAI高精度估算,R2均高于0.70,RMSE均低于0.349;2）在UAV和Sentinel-2A影像下,XGBoost模型对不同红树林树种LAI的估算精度（R2）比其他5种模型分别提高了0.105～0.365和0.283～0.540,RMSE降低了0.100～0.392和0.102～0.518;3）UAV影像数据与XGBoost算法构建的模型对海榄雌LAI的估算精度优于其他组合（R2=0.821、RMSE=0.288）,Sentinel-2A影像数据与XGBoost算法构建的模型对秋茄和桐花树LAI的估算精度优于其他组合（R2=0.940～0.979、RMSE=0.142～0.104）,不同红树林树种LAI的估算精度依次为桐花树>秋茄>海榄雌;4）SNAP-SL2P算法整体性低估红树林LAI值,UAV影像红树林树种LAI的平均估算精度（R2=0.677～0.713）均优于Sentinel-2A影像,实现了不同红树林树种LAI的高精度估算。     

加工番茄地上部干物质分配与产量预测模拟模型

为了探究加工番茄在滴灌栽培条件下地上部干物质分配动态和产量形成过程,该文通过定量分析加工番茄的生长发育特征,设置不同品种的播期试验,构建了基于分配指数(partitioning index,PI)和收获指数(harvest index,HI)的加工番茄地上部干物质分配与产量预测的模拟模型。利用与建模数据相独立的试验资料对模型进行了初步检验,结果表明,模型对不同播期、品种的加工番茄各生育期（出苗至开花、开花至坐果、坐果至红熟、红熟至拉秧期）干物质量,全生育期总干物质量、地上部茎、叶、果干质量的预测结果与1:1直线间的R2分别为0.9754、0.9936、0.9840、0.9713;0.9856;0.9595、0.9798、0.9671;RMSE和RE分别为0.029 t/hm2、11.43%;0.074 t/hm2、5.09%;0.250 t/hm2、6.83%;0.102 t/hm2、5.71%;0.504 t/hm2,8.06%;0.332 t/hm2,14.62%;0.200 t/hm2,10.84%;0.549 t/hm2,18.30%。模型对加工番茄产量的预测结果与1:1直线间的R2为0.9658,RMSE和RE分别为5.806 t/hm2、8.07%。该模型对于不同播期、品种的加工番茄干物质分配与产量的预测值与模拟值之间符合度较高,表明模型具有较好的预测性和适用性。该研究可为滴灌加工番茄精准栽培提供理论参考。     

水氮供应对棉花花铃期净光合速率及产量的调控效应

为揭示水氮供应对黑河中游边缘绿洲沙地农田棉花光合特性和产量的调控效应,采用3种灌溉水平和5种氮素水平的田间试验,研究水氮供应对花铃期棉花净光合速率及产量的影响。结果表明,在施N 0～300 kg/hm2范围内,棉花花铃期日均净光合速率和蒸腾速率均随施氮量增加而增加,超过N 300 kg/hm2时略有下降。施N 150、225、300和375 kg/hm2较不施氮处理籽棉产量分别增加33.9%、45.8%、50.9%和49.2%;灌溉水生产力分别提高33.3%、45.8%、50%和50%。3个灌溉处理间籽棉产量差异不显著,灌溉水生产力依I1（10800 m3/hm2）、I2（9450 m3/hm2）、I3（8100 m3/hm2）顺序递增。棉花花铃期净光合速率与籽棉产量、秸秆生物量、单株铃数、铃重和籽指间均存在极显著正相关关系。在黑河中游边缘绿洲沙地农田,施N 300 kg/hm2能够促进棉花花铃期净光合速率,有利于籽棉产量和水生产力的提高;与当地采用的10800 m3/hm2灌溉量相比,降低灌溉量至8100 m3/hm2不降低籽棉产量,使灌溉水的生产力提高27.5%。     

结合GWRFR和作物物候信息的玉米产量早期预测

及时并准确地估计作物产量，对保障粮食安全、维护世界粮食供应稳定具有重要意义。此前，已有许多研究者使用机器学习方法对作物产量预估进行研究。然而，结合作物的空间分布、使用局部模型进行分析的研究较少；且诸多研究均以年份为时间尺度进行建模，未能精细到作物生长的各个阶段，无法实现作物产量的早期预测。针对以上问题，该研究结合多源遥感数据，利用随机森林（random forest，RF）以及地理加权随机森林（geographically weighted random forest regression，GWRFR）模型对美国县级玉米产量进行建模，探讨全局与局部模型在玉米产量预测方面的性能；并通过将GWRFR模型应用于玉米的各个物候期，获取了玉米产量的最佳提前预测时间。结果表明，GWRFR局部模型的精度（R²=0.87，RMSE=864.21 kg/hm²）高于传统的RF全局模型（R²=0.83，RMSE=994.75 kg/hm²），并且能够较好地克服空间数据的非平稳性，即使在全局模型中加入经纬度作为变量，RF模型的预测效果（R²=0.85，RMSE=890.88 kg/hm²）仍然低于GWRFR模型。对于玉米产量的预测可以提前至收获前2～3个月，即在乳熟期前后就能得到比较准确的预测结果（R²=0.90，RMSE=748.39 kg/hm²）。该研究结果可为大尺度作物产量预估提供一种新的思路，对区域或全球其他作物的产量预测也具有一定的指导意义。     

基于VNIR和机器学习算法的原状土剖面Cu含量预测

快速测量土壤剖面重金属含量是评估土壤重金属污染状况并选择相应修复技术的关键。为了探讨可见光-近红外光谱法（Visible and Near-Infrared Reflectance Spectroscopy,VNIR）预测原状土壤剖面重金属含量的潜力,以江西省两个典型工矿厂周边农田土壤为研究对象,共采集了19个深度约100 cm的完整土壤剖面样品,分别测定土壤剖面样品的VNIR数据及其Cu含量。采用偏最小二乘回归法（Partial Least Squares Regression,PLSR）、Cubist混合线性回归决策树（Cubist Regression Tree,Cubist）、高斯过程回归（Gaussian Process Regression,GPR）和支持向量机（Support Vector Machine Regression,SVM）方法研究不同光谱预处理方法对土壤Cu含量预测精度的影响。结果显示,Cubist、GPR和SVM这三种机器学习算法的预测精度普遍高于PLSR,其中一阶导数（First-Order Derivative,FD）预处理的SVM模型预测精度最高（R2=0.95,均方根误差为7.94 mg/kg,相对分析误差为4.34）。这表明利用VNIR和机器学习可以对原状土壤剖面Cu含量进行有效预测,为快速监测Cu及其他重金属含量的相关研究提供参考。     

基于时间序列Landsat影像的棉花估产模型

为提高棉花遥感估产精度,该文选取加州San Joaquin Valley地区2个棉花地块作为研究区,利用时间序列Landsat_5_TM、Landsat_7_ETM遥感影像数据,结合野外实测产量数据,进行棉花产量遥感预测模型研究。结果表明：基于Landsat影像纯像元的植被指数时间序列准确地揭示了棉花整个生长期的长势情况,不同长势的棉花植被指数随时间变化在花铃期差异比较显著;整个花铃期植被指数与产量之间的相关系数均大于0.80,最大相关系数达0.90,花铃期NDVI平均值建模决定系数为0.82,均方根误差为463.69,证明花铃期比其他生长期更适用于棉花产量预测;单一时期最优模型为第206天（7月25日）,多时期最优模型以NDVI最大值前三期NDVI平均值为自变量;整个花铃期NDVI最大值建模决定系数为0.81,均方根误差为477.82,该模型具有普适性。该文的研究成果为基于MODIS_NDVI最大值合成法的相关研究提供了理论依据,并且为其他农作物的估产模型建立提供借鉴。     

基于Sentinel-2多光谱数据的棉花叶面积指数估算

棉花叶面积指数(leaf are index, LAI)的快速、准确获取对棉花长势监测、发育期诊断、面积提取以及产量估算等遥感监测具有重要意义。该研究利用2017年和2018年的Sentinel-2多光谱卫星数据及大面积田间试验观测获取的棉花不同发育期LAI实测数据,构建了基于单波段反射率及各类植被指数的棉花不同发育期及全发育期LAI估算模型,并采用留一验证(LOOCV, leave-one-out cross validation)和交叉验证对模型精度进行了检验。结果表明:1)对于单波段反射率,基于中心波长为842 nm波宽为145 nm的B8近红外波段对不同发育期LAI估算精度最优均方根误差(RMSE, root mean square error, RMSE=0.378);2)对于各类植被指数,花蕾期(20170616)和花铃期(20170802)时增强植被指数(EVI, enhanced vegetation index,)表现最佳(RMSE分别为0.352和0.367),开花期(20180623)时校正土壤调节植被指数(MSAVI2, modified soil adjusted vegetation index 2,)估算精度最高(RMSE=0.323);3)单波段反射率和各类植被指数对全发育期LAI的估算均要优于对单个发育期LAI的估算,其中基于IRECI指数的(invertedred-edge chlorophyllindex)全发育期LAI估算模型精度最佳,LOOCV检验RMSE=0.425,交叉检验RMSE=0.368;将基于IRECI的全发育期LAI估算模型应用到单个发育期LAI估算并与各单个发育期LAI估算模型精度对比,发现交叉验证RMSE平均值仅比LOOCV验证RMSE平均值高0.07,反映了全发育期LAI估算模型良好的普适性。该研究为农作物LAI估算提供了新的数据选择,完善了Sentinel-2卫星数据在LAI估算中的应用领域。     

基于无人机多光谱影像的棉花SPAD值及叶片含水量估测

利用多光谱快速准确获取棉花花铃期旱胁迫性状对棉花后期产量和纤维品质具有重要帮助。为实现棉花关键抗旱指标的快速检测,该研究以253份棉花品种为材料,设置干旱胁迫和正常灌溉2个处理,在花铃期通过大疆精灵4多光谱无人机获得图像,分析花铃期干旱胁迫和正常处理棉花的光谱反射率,结合地面调查叶绿素相对值(S_PAD)和叶片含水量(L_WC)数据,结合神经网络算法中的径向基函数进行模型的预测。结果显示：棉花干旱胁迫前后除红光反射值略上升,其余4个光谱均小于正常处理;通过径向基函数模型估测S_PAD和L_WC的最佳估测模型都为二次函数,决定系数R²分别为0.848 8和0.936 6,均方根误差R_MSE分别为2.005和0.930,相对误差R_E分别为0.004和0.011;将2个模型应用于试验区影像,对S_PAD及L_WC预测值进行聚类分析,根据S_PAD聚类结果,试验棉花旱情等级划分为特旱、重旱、...     

基于无人机图像分割的冬小麦叶绿素与叶面积指数反演

叶绿素含量与叶面积指数是反映作物长势的重要理化参数,准确、高效定量估计小麦叶绿素含量与叶面积指数对于产量预测和田间管理决策具有重要意义,无人机(Unmanned Aerial Vehicle,UAV)遥感影像具有高空间分辨率的优势,被广泛应用于作物理化参数反演,但现有叶绿素含量与叶面积指数反演模型受土壤、阴影等背景噪声...     

响应气候变化的棉花生长模拟与县域尺度产量评估

为评估气象变化对棉花生长和县域尺度产量的影响,使用校正的CROPGRO-Cotton模型实现棉花生长模拟和响应气候变化的年际籽棉产量评估。2018年和2019年的田间试验数据被用于校正和验证CROPGRO-Cotton模型,结果表明校正的CROPGRO-Cotton模型对物候发育期模拟精度较好,出苗期、开花期、结铃期和吐絮期的模拟误差分别为+1、+3、+1和-2 d。模拟的生长期地上总产量(TAGP)和叶面积指数(LAI)与实测值吻合较好,D值为0.99,模拟的RMSE值分别为718 kg·hm^-2和0.29 m²·m^-2, 显示了较高的TAGP模拟精度(10%D值为0.55,NRMSE值为15.8%。不同年际籽棉产量评估的平均D值和NRMSE值分别为0.48和15.6%,不同区域的籽棉产量评估的平均D值和NRMSE值分别为0.44和16.8%,校正的模型均获得了较高的年际和区域产量评估精度(NRMSE≤20%)。研究结果可为分析气候变化对棉花生长和产量的影响提供一种定量分析方法。     

基于多源遥感数据融合和LSTM算法的作物分类研究

准确、及时地获取农作物的空间分布信息,对于指导农业生产、制定农业政策具有重要意义。为了检验长短时记忆网络(long short-term memory,LSTM)算法在基于时序遥感数据进行作物分类中的优势,该文以临汾盆地为研究区域,利用Savitzky-Golay滤波对MODIS NDVI进行平滑处理,并采用ESTARFM(enhanced spatial and temporal adaptive reflectance fusion model)算法对滤波后的MODIS NDVI和Landsat NDVI进行融合,生成空间分辨率为30 m、时间分辨率为8天的时序NDVI。基于Landsat NDVI利用LSTM算法进行作物分类,同时,基于融合NDVI分别利用LSTM算法和神经网络(neuralnetwork,NN)算法进行作物分类,并对比3种方法的分类精度。结果表明,Savitzky-Golay滤波后的时序MODISNDVI能够反映不同作物的物候特征;基于融合NDVI的分类精度明显高于基于LandsatNDVI的分类精度,表明融合后的时序NDVI由于具有更高的时间分辨率,能够更加突出不同作物的物候特征,显著提高作物分类精度;基于融合NDVI和LSTM算法的分类精度高于基于融合NDVI和NN算法的分类精度,前者的冬小麦面积估测精度高于后者的估测精度,表明LSTM算法的分类精度高于NN算法。该文可为基于遥感影像进行不同作物种植区域提取的研究提供重要的方法参考。     

基于无人机遥感植被指数优选的田块尺度冬小麦估产

田块尺度作物快捷精准估产对规模化农业经营管理具有重要意义。因此,急需选取最优植被指数和最佳无人机遥感作业时期,建立冬小麦无人机遥感估产模型,获取及时、快速、低成本的无人机遥感估产方法。该文以山东省滨州市典型规模化农田为研究对象,利用固定翼无人机遥感平台对冬小麦进行多期遥感观测与估产。基于2016年冬小麦返青拔节期、抽穗灌浆期和成熟期的无人机遥感影像数据集,采用最小二乘法,构建了基于不同植被指数与冬小麦实测产量的9种线性模型,并结合作物实测产量进行模型评价。多时相多种类植被指数的优选分析结果显示,抽穗灌浆期估产模型R~2最高,RMSE最低(n=34)。其中,模型R~2达到0.70的植被指数共6个,从高到低依次为EVI2、MSAVI2、SAVI、MTVI1、MSR和OSAVI;RMSE由低到高依次为EVI2、MSAVI2、SAVI、MTVI1、MSR和OSAVI。另外,该文进一步评价农田土壤像元对无人机遥感估产的影响,经过阈值滤波法处理后,返青拔节期估产模型的R~2(n=34)从约0.20提升至0.30以上,RMSE和MRE下降;抽穗灌浆期模型的RMSE降低,R~2(n=34)有所提升但不显著。综上所述,最佳无人机飞行作业时期为冬小麦抽穗灌浆期,最优植被指数为EVI2,土壤像元的滤除对抽穗灌浆期无人机遥感估产模型的影响不显著。因此,优化后的基于植被指数的无人机遥感估产模型,可以快速有效诊断和评估作物长势和产量,为规模化农业种植经营提供一种快捷高效的低空管理工具。     

海岛棉资源自然复合盐胁迫综合评价

为筛选适合盐碱地种植的海岛棉品种,本试验以203份海岛棉进行自然复合盐胁迫筛选及评价。结果表明,株高、始节高、果枝数、蕾铃脱落数、蕾铃脱落率及单铃籽棉产量耐盐系数呈现下降,衣分、铃数、始节数、有效铃数、有效果枝数、单铃皮棉产量、单株籽棉产量及单株皮棉产量耐盐系数略有上升。变异系数表现为单株皮棉、籽棉产量最高。相关分析表明,果枝数与铃数存在显著性正相关,蕾铃脱落率与铃数、始节高、始节数、果枝数、有效铃数、有效果枝数、蕾铃脱落数存在显著相关性,单株皮棉产量与衣分、铃数、果枝数、有效铃数、有效果枝数、蕾铃脱落数、蕾铃脱落率、单铃籽棉产量、单铃皮棉产量、单株籽棉产量存在显著相关性。相关性分析表明,皮棉产量鉴定值、主成分综合得分、隶属函数值、综合得分D值之间均呈显著正相关(P<0.01),说明可以通过这4个指标结合进行海岛棉综合评价及分类。海岛棉资源以耐盐、中耐盐为主,极端材料相对较少,通过对比发现果枝松散型较紧凑型耐盐性更强;此外,筛选到1份耐复合盐极强品种Pima 4,并通过逐步回归筛选到6个海岛棉耐盐指标。本研究为海岛棉花铃期耐复合盐品种的筛选提供了一定的理论依据、鉴定指标及方法。     

基于PLS算法的棉花黄萎病高空间分辨率遥感监测

棉花黄萎病危害程度大,发生范围广,已成为中国乃至世界上棉花主要病害之一。论文基于野外定位调查数据及高空间分辨率遥感影像,利用变量投影重要性（VIP）准则筛选最优变量,用偏最小二乘回归（PLS）方法建立棉花黄萎病病情严重度的定量估测模型,并利用已建立的估测模型和高分辨率IKONOS影像获取了不同病情严重度的空间分布图。研究结果表明：在所分析的13个遥感因子中,增强植被指数（EVI）、再归一化植被指数（RDVI）、全球环境监测指数（GEMI）、差值植被指数（DVI）、修改型土壤调整植被指数（MSAVI）、归一化植被指数（NDVI）为棉花黄萎病病情严重度遥感估测的敏感因子,能够有效估测棉花黄萎病病情严重度,其模型预测值与实测值间的R2、RMSE和RE分别为0.78、0.45、9.2%。论文利用PLS算法和高分辨率卫星影像实现了棉花黄萎病病情严重的遥感监测,研究结果对实现大范围农作物病虫害的遥感监测具有重要的参考价值。