多极化多角度ASAR数据反演裸露和小麦地表土壤湿度

为了更好地监测地表土壤湿度,利用多极化、多角度ASAR-APP影像数据,研究了裸露和小麦地表土壤湿度反演方法。对裸露地表,基于AIEM（advance integral equation model）模型,建立多项式半经验模型反演土壤湿度;对小麦地表,小入射角HH极化ASAR数据与土壤湿度相关性更好,大入射角HH极化ASAR数据与小麦含水率相关性更好。基于水云模型,首先利用大入射角HH极化ASAR数据去除小麦冠层对雷达后向散射的影响,然后利用多角度ASAR数据推导建立小麦地表土壤湿度反演半经验模型;实测数据验证了裸露和小麦地表土壤湿度反演模型的适用性,利用验证数据反演裸露和小麦地表土壤湿度精度（RMSE）分别为3.55%、3.81%。结果表明,该文半经验模型具有较高的反演精度。     

冬小麦调亏灌溉制度田间试验研究初报

大田试验结果表明,拔节期为冬小麦水分最敏感的生育时期,其次为孕穗期和抽穗～开花期,而返青～起身期充分供水则造成冬小麦明显减产。拔节期最大调亏程度为0～50cm土层土壤含水量≥田间持水量的65%,过小则导致明显减产;孕穗～抽穗期、抽穗～灌浆前期最大调亏程度为0～80cm和0～100cm土层土壤含水量≥田间持水量的60%;灌浆后期最大调亏程度为0～100cm土层土壤含水量≥田间持水量的50%,由此建立了冬小麦调亏灌溉制度。     

基于双时相ASAR影像的土壤湿度反演研究

地表粗糙度和湿度是影响裸地后向散射系数的重要因素,为了探求ENVISAT-ASAR 数据监测土壤湿度在国内的应用,该文以ASAR影像数据为基础,利用ZSribi-Dechambre(2002)经验模型研究了中国科学院南皮农业生态试验站附近一裸地的表面粗糙度和地表湿度.对雷达入射角进行归一化处理使之满足模型需求,反演结果表明该区地表粗糙度主要分布0.05～0.50 cm之间,土壤体积含水率大多分布存10%～34%之间,局部区域由于一些积水沟渠,使得土壤体积含水率较高,这与调查的实际情况相符合.反演的土壤湿度用地面实测值验证,结果发现模拟值和实测值具有较好的一致性,其RMSE误差为3.7%.该文介绍了在没有地表先验知识的情况下,利用扣除掉土壤粗糙度影响的后向散射反演模型获取土壤湿度的方法.该法仅需要两景相邻近时相并且不同入射角的HH同极化雷达影像,根据其后向散射系数的差值△"'即σ°可估算出粗糙度和土壤湿度参数,从而方便快捷地监测局部区域的土壤湿度状况.     

MODIS干旱指数结合RBFNN反演冬小麦返青期土壤湿度

土壤湿度是农业干旱信息最重要的表征因子,它的反演对区域乃至全球农业干旱监测及预报都具有重要意义。该文基于MODIS遥感干旱监测指数构建了冬小麦返青期土壤湿度的评价指标体系,在此基础上,结合径向基函数神经网络(RBFNN)协同反演农地土壤湿度。首先,针对单一利用遥感干旱指数反演土壤湿度具有一定的局限性问题,选取监测土壤含水量、作物需水形态变化、冠层含水量、冠层温度等参量的遥感干旱监测指数作为综合评价指标;并利用实测土壤湿度作为验证标准,从原始遥感干旱监测指数中选取出适宜的指标集;然后,以选取的评价指标集为输入层,以实测土壤湿度作为输出层的输出,构建RBFNN的农地土壤湿度反演模型。研究结果表明:应用在河南省冬小麦返青期时,基于MODIS遥感干旱监测指数与RBFNN协同反演的土壤湿度模型具有较好的反演效果;模型的评价指标集与10 cm深度的土壤湿度相关性更好,而且能综合多通道遥感信息来反映土壤湿度的变化;模型的平均预测精度达到93.27%,与BP-NN和线性回归反演模型相比,反演精度分别提高了2.92和9.97百分点;模型回归分析相对1:1斜线的偏差最小;相关系数为0.846 49,回归决定系数为0.862 6。研究结果可为区域土壤湿度的遥感反演提供新的案例参考。     

冬小麦灌溉制度对土壤贮水利用的影响

足墒条件下冬小麦播种时200cm土体总贮水量为619.6mm,有效贮水量为329.5mm。冬小麦播种～拔节期主要消耗0～100cm土层内土壤有效贮水;由于有效贮水能满足作物需水,因此拔节期不出现土壤水分亏缺。拔节～开花期对照(CK)耗水深度为200cm土层,起身期灌1水(Ⅰ-1)处理为160cm,其他处理为130cm;至开花期CK和Ⅰ-1处理0～60cm土层内已呈现一定程度的水分亏缺。开花～成熟期各处理200cm 土体内土壤有效水含量均呈不同程度下降,但主要供水层为0～130cm土层;冬小麦成熟期除春后起身～孕穗～灌浆期(Ⅲ-1)、拔节～开花～灌浆期(Ⅲ-2)灌3水和起身～拔节～开花～灌浆期(Ⅳ)灌4水处理外,大部分处理0～80cm或0～60cm土层内均呈明显的水分亏缺。随灌水次数或灌水量的增加,土壤贮水利用率呈明显下降趋势。     

基于改进作物散射模型的陕西杨凌区麦田土壤水分反演研究

本文提出一种改进作物散射模型反演麦田土壤水分,该模型根据冬小麦等低矮植被的散射特性,在原模型的基础上保留植被层直接散射部分以及植被与地表相互耦合作用的信息,同时加入裸土地表的直接散射部分,并根据经验权重将两部分信息分离开,构建出适用于冬小麦等低矮植被的后向散射模型,并结合RADARSAT-2雷达数据以及陕西杨凌农田试验区的地面实测数据,计算得到改进模型的经验参数,进而对模型进行验证分析。研究结果表明：改进作物散射模型的模拟精度相对于未改进的作物散射模型有显著的提高,R_²在HH和VV极化下都达到80%以上。为了验证改进的作物散射模型算法及土壤水分反演的有效性,本研究将改进作物散射模型与TVDI光学指数模型、简化的MIMICS模型的土壤水分反演结果进行对比分析,改进的作物散射模型反演精度比TVDI和简化的MIMICS模型要好,R_²达到84.3%,均方根误差为0.028 cm_³/cm_³,简化的MIMICS模型反演结果比TVDI要好,但是精度不高,R_²为66.9%,均方根误差为0.043 cm_³/cm_³。改进的作物散射模型对地表植被比较敏感,可以有效的将冬小麦对雷达信号散射影响和裸土层散射贡献区分开,为植被覆盖下地表土壤水分的反演创造条件,给大面积大范围的地表土壤水分反演提供强有力的技术支撑。     

遥感监测土壤含水率模型及精度分析

土壤含水率是决定农作物产量的最重要的因素之一.该文通过对2003年10月到2005年3月宝鸡峡二支渠灌区的土壤含水率进行实地调查,并对TM5和TM7波段数据进行归一化处理,再与参考点归一化土壤湿度指数求差后,建立遥感影像对土壤含水率的监测模型.并以2005年6月28日遥感影像为例,用建立的模型对土壤含水率进行定量反演.结果表明,反演精度可达80%以上,反演效果最好的土壤深度是0～40 cm.应用此归一化土壤湿度指数模型监测土壤含水率,可以满足灌区大范围宏观监测要求.     

基于机器学习和全极化雷达数据的干旱区土壤湿度反演

雷达遥感是区域土壤湿度监测最为有效的技术手段之一,为深入探讨全极化雷达特征参数和不同机器学习算法对干旱区土壤湿度反演的潜力,该研究以黑河下游的居延泽为研究区,基于全极化Radarsat-2数据,通过标准强度和相位处理提取后向散射系数(BackscatteringCoefficients,BC),并通过Cloude-Pottier分解(Cloude-Pottier Decomposition,CPD)与Yamaguchi分解(Yamaguchi Decomposition,YD)提取多个极化参数作为雷达影响因子,对其进行相关性及重要性分析。采用随机森林(Random Forest,RF)、支持向量机(Support Vector Machine,SVM)和BP人工神经网络(Back Propagation Artificial Neural Network,BP-ANN)3种不同的机器学习算法,构建土壤湿度反演的多种模型,并使用10折交叉验证的方法综合评价各模型的性能,最后使用最佳模型反演研究区土壤湿度,分析其空间分布格局与影响因素。结果表明:1)平均散射角对反演精度至关重要,熵与反熵的影响次之。交叉极化相较于同极化后向散射系数有更高贡献,偶次散射与体散射的重要性明显高于表面散射和螺旋体散射。2)不同类型因子组合建模的模型,其性能表现均明显优于仅采用单种因子类型的模型。3)相较于SVM和BP-ANN模型,RF模型在干旱区土壤湿度反演中具有更好的适用性。其中,BC+CPD组合训练的RF模型性能最优,其验证集决定系数R2和均方根误差分别为0.78和6.60%,对应的标准偏差分别为0.15和1.95%,该模型可解释土壤湿度变化的89%。4)研究区土壤湿度平均值约为8.83%,整体呈现极端干旱的态势。其中,天鹅湖附近和古湖心区的土壤湿度高于其他区域,反演结果能综合反映区域土壤湿度空间分布的总体格局。     

基于卫星光谱尺度反射率的冬小麦生物量估算

为探索基于光学卫星遥感数据的冬小麦地上生物量估算方法,本研究通过3年田间试验,获取冬小麦4个关键生育期（拔节期、抽穗期、开花期和灌浆期）和3种施氮水平下的地上生物量以及对应的近地冠层高光谱反射率数据。通过将高光谱数据重采样为具有红边波段的RapidEye、Sentinel-2和WorldView-2卫星波段反射率数据,构建任意两波段归一化植被指数。同时,将卫星波段反射率数据与6种机器学习和深度学习算法相结合,构建冬小麦生物量估算模型。研究结果表明：任意两波段构建的最佳植被指数在冬小麦开花期对生物量的敏感性最强（决定系数R2为0.50～0.56）。在不同施氮水平条件下,高施氮水平增强了植被指数对生物量的敏感性。Sentinel-2波段数据所构建的植被指数优于其他两颗卫星波段数据。对6种机器学习和深度学习算法,总的来说,基于深度神经网络（Deep Neural Networks,DNN）算法所构建的模型要优于其他算法。在单一生育期中,在拔节期（R2为0.69～0.78,归一化均方根误差为26%～31%）和开花期（R2为0.69～0.70,归一化均方根误差为24%～25%）的估算精度最高。Sentinel-2波段数据与DNN算法结合的估算精度最高,在全生育期中预测精度R2为0.70。施氮水平的提高同样增强了DNN模型的估算精度,3颗卫星波段数据在300 kg/hm2施氮条件下的预测精度R2都在0.71以上,均方根误差小于219 g/m2。研究结果揭示了光学卫星遥感数据在不同生育期和施氮条件下估算冬小麦生物量的潜力。     

干旱遥感监测模型在中国冬小麦区的应用

温度植被干旱指数（TVDI）和植被供水指数（VSWI）由于其物理意义明确,且数据易于获取,因此成为近些年在遥感旱情监测中应用较多的两个模型。为更好地完成遥感监测任务,提高精度,以全国冬小麦主产区为研究区域,利用EOS/MODIS数据,构建两个干旱指数模型,对2009年冬小麦作物主要生长时期进行干旱监测应用,并将其与不同深度土壤湿度进行相关分析、线性拟合比较及应用验证,认为两指数与10 cm深度土壤湿度相关性较好,TVDI大部表现为极显著相关,VSWI的相关性表现差于TVDI。基于土壤湿度的遥感旱情监测,TVDI比VSWI更能体现区域旱情变化趋势,其优势更明显。     

基于作物及遥感同化模型的小麦产量估测

为提高陕西省关中平原冬小麦的估产精度,该文通过粒子滤波算法同化Landsat遥感数据反演的状态量叶面积指数(leaf area index,LAI)、土壤含水量(0~20 cm)、地上干生物量数据和CERES-Wheat模型模拟的状态量数据,分析小麦不同生育期的LAI、土壤含水量及生物量同化值和实测单产的线性相关性,以构建同化估产模型。结果表明,在返青期土壤含水量同化值和实测单产的相关性高于LAI、生物量同化值和实测单产的相关性,选择土壤含水量作为最优变量;在拔节期和抽穗-灌浆期同时选择LAI、土壤含水量及生物量作为最优变量;在乳熟期选择生物量作为最优变量。在小麦各生育时期同化最优变量的估产精度(R2=0.85)高于同时同化LAI、土壤含水量及生物量的估产精度,同时同化LAI、土壤含水量及生物量的估产精度高于同时同化LAI和土壤含水量(或LAI和地上干生物量、或土壤含水量和地上干生物量)的估产精度,表明在作物不同生育时期同化与产量相关性较大的变量对提高估产精度有重要作用。     

基于改进水云模型和Radarsat-2数据的农田土壤含水量估算

为了直接将雷达遥感中"水云模型"进行反演应用,该研究将"水云模型"中植被参数改为雷达植被指数,利用全极化数据直接支持遥感反演土壤含水量,无需遥感反演植被参数输入。改进模型为利用雷达遥感结合"水云模型"进行土壤含水量监测提供了一种高效便捷方法。基于Radarsat-2全极化数据对冬小麦覆盖的农田土壤含水量进行估算,利用2014年在陕西杨凌区获取的4个生育期内Radarsat-2卫星数据及同步田间测量108组冬小麦农田土壤含水量地面测量数据进行模型参数校正和精度验证。验证结果精度为:改进的雷达植被指数模型原叶面积指数模型(实测叶面积指数验证)原叶面积指数模型(光学遥感反演叶面积指数验证),且改进的雷达植被指数模型可以在多个生育期内对农田土壤含水量进行监测。     

基于温度植被干旱指数的江苏淮北地区农业旱情监测

为实现江苏省淮北地区农业旱情监测,利用Savitzky—Golay(S-G)滤波方法,对2011—2012年江苏省淮北地区1-5月MODIS的归一化植被指数(normalized difference vegetation index,NDVI)和地表温度(land Surface temperature,LST)8 d产品进行重构,去除原8 d数据的噪声,填补受云影响而缺失的数据。基于重建后的NDVI和LST数据,计算温度植被干旱指数(temperature vegetation dryness index,TVDI);分析TVDI和土壤湿度之间的关系,构建土壤湿度反演模型。最后,利用另外1组数据验证所建土壤湿度模型的精度。研究结果表明:1)S-G滤波方法能够提高MODIS LST和NDVI数据质量,并能对缺失数据进行填补;2)TVDI方法能够实现试验区土壤湿度反演,所建模型在试验区具有一定的普适性,反演精度较高(R2=0.575,RMSE=2.59%);3)TVDI方法在江苏省淮北地区干旱监测中得到了较好的应用,能够成功地监测出江苏淮北地区2011年和2012年春旱。该研究可为农业旱情的快速监测提供借鉴。     

不同灌溉措施对黄淮海地区冬小麦水氮利用及产量和品质的影响

通过设置不同灌溉处理来研究灌溉次数和时期对黄淮海地区冬小麦产量、籽粒品质和水氮利用的影响。结果表明:浇足底墒基础上拔节期灌一水不仅可获得较高的产量并提高水氮利用效率,减低硝态氮淋失风险,而且可获得较好的物理品质(硬度指数、容重)和蛋白质品质(粗蛋白、湿面筋和沉淀值)及最优的粉质仪质量指数、拉伸仪参数和降落数值。在此基础上增加冻水、开花水、灌浆水等处理的产量增加不显著,各项品质指标没有明显改善,水分利用效率降低,而且显著增加硝态氮淋失风险;因而黄淮海地区最优的节水灌溉模式是浇足底墒基础上拔节至挑旗期灌溉一水。     

冬小麦根冠指标对干旱持续发展的响应

基于2015/2016年、2016/2017年两个年度冬小麦返青后干旱持续控制试验,研究土壤水分持续减少对冬小麦叶片含水率、根系活力、气孔导度等的影响,以明确冬小麦根冠指标对干旱持续发展的响应特征。结果表明：冬小麦不同器官含水率随干旱持续呈非线性递减,拔节后递减更明显,其中叶鞘含水率平均降幅最大,达41.9%。叶片气体交换参数随干旱持续与对照的差异不断增大,其中净光合速率随干旱持续进一步减小,叶片气孔导度和蒸腾速率在返青期不同程度升高,拔节后开始不断下降,干旱持续时间越长,影响光合作用的非气孔限制因素越明显。持续干旱改变了根系在深层土壤中的分布,60-80cm土层根系体积百分率明显高于对照,根系的生理机能提前衰减,拔节-孕穗期根系活力急剧下降,孕穗后根系活力比对照减少60%以上。整体来看,植株含水率、叶片气体交换参数、根系活力等指标对干旱持续的响应既各具特点又有共性,其中根系活力对土壤水分变化的敏感系数最高,器官含水率对土壤水分变化响应最迟缓。     

降雨特性和覆盖方式对麦田土壤水分的影响

为探明不同降雨特性和覆盖方式对冬小麦土壤水分的影响,利用人工模拟降雨器,模拟40和60mm/h2种降雨强度,在大田设置地膜覆盖(PM)、秸秆覆盖(覆盖量分别为1500、4500、7500和10500kg/hm2,即SM15、SM45、SM75和SM105),同时设置无覆盖处理作为对照(CK),研究不同降雨强度和覆盖方式对雨后冬小麦0～60cm土层土壤水分分布和降雨土壤蓄积量的影响。结果表明:模拟降雨前各覆盖处理土壤含水率均比CK高,其中0～20cm土层土壤含水率差异显著(P<0.05),而20cm以下各处理土壤水分相差较小,除SM105与CK差异显著外(P<0.05),其他处理与CK差异不显著;同一覆盖处理,60mm/h降雨强度条件下降雨入渗深度和入渗量明显高于40mm/h。在相同雨强条件下,不同覆盖处理可以不同程度的增加耕层土壤含水率,其中秸秆覆盖量越大,效果越明显,而PM效果最差;2种雨强条件下各处理0～60cm土层降雨土壤蓄积量规律表现一致,即SM105>SM75>SM45>SM15>CK>PM,其中SM105和SM75均显著高于CK(P<0.05),PM则显著低于CK(P<0.05);受植株冠层降雨截留的影响,同等降雨条件下,同一覆盖处理拔节前降雨土壤蓄积量大于拔节后的;相比60mm/h降雨强度,40mm/h降雨强度下各处理拔节前、后降雨土壤蓄积量变化幅度较大。     

旱地小麦休闲期深翻覆盖对土壤水分及其利用效率的影响

为充分利用休闲期降水, 提高旱地麦田土壤蓄水保墒能力, 达到"伏雨春用"的目的, 本文将耕作蓄水技术与覆盖保水技术相结合, 采用大田试验研究了从前茬小麦收获后15 d或45 d进行深翻及深翻后采取渗水地膜、液态地膜覆盖对旱地小麦土壤水分及水分利用效率的影响。结果表明: 前茬小麦收获后45 d深翻较15 d深翻可显著提高小麦收获后65 d(休闲期)至316 d(孕穗期)土壤蓄水量、播前120~300 cm各土层土壤蓄水量和小麦水分利用效率。休闲期深翻覆盖可显著提高65 d(休闲期)至316 d(孕穗期)土壤蓄水量及播前0~ 300 cm各土层土壤蓄水量, 显著提高小麦水分利用效率, 且均以渗水地膜覆盖效果最好。此外, 前茬小麦收获后45 d深翻较15 d深翻可显著减小播种至拔节期60~300 cm, 拔节至开花期0~60 cm、120~240 cm, 开花至成熟期180~300 cm土壤水分减少率, 且深翻后采用渗水地膜覆盖对拔节至开花期土壤水分减少率调控效应较大。 总之, 旱地小麦休闲期等雨后深翻有利于提高土壤蓄水量与水分利用效率, 深翻后覆盖有较大的调控效应, 且采用渗水地膜覆盖效果更好。因此, 休闲期等雨后(约7月底或8月初)深翻并立即采用渗水地膜覆盖的技术是旱地麦田休闲期蓄水保墒的新途径, 且此技术可为旱地小麦高产、稳产、高效提供保障。