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。     

基于多层感知机的温室内番茄茎直径变化预测模型

【目的】研究温室内番茄茎直径变化量动态预测模型,为番茄需水规律提供一定决策支持。【方法】采用多层感知机算法与植物生理生态信息相融合的方法,建立一个包含空气温湿度、土壤湿度、叶片温度、茎直径变化量及光合有效辐射的基于多层感知机算法的茎直径变化量预测模型。采用3层隐含层神经网络对经过正则化及归一化的6维训练集数据向量,进行全连接式训练后,得出预测模型,验证集数据输入预测模型后得出1维输出向量,对输出向量进行反归一化进而得出茎直径变化量预测值。【结果】建立的基于多层感知机短时番茄茎直径变化量动态预测模型的预测值与实测值的回归系数(R²)为0.901,均方根误差(RMSE)为0.175。【结论】该模型适用于温室番茄短时茎直径变化量动态预测,具有较好的应用场景。     

基于岭回归的河西走廊中部日光温室低温预测模型

为了构建基于气象要素的甘肃省甘州区日光温室低温预测模型,探索应用了岭回归分析的方法。在合理选取预测因子的基础上,对预测因子之间存在的多重共线性进行诊断,为了克服预测因子共线性对模型稳定性的影响,选择岭回归分析的方法进行共线性的处理和模型构建,应用模型的预测值与实测值对模型的精度进行检验。结果表明：选取的预测因子之间存在共线性问题,通过岭回归分析建立的日光低温预测模型可以克服预测因子间由于共线性问题对模型参数造成的影响,模型预测值与实测值之间的绝对误差(≤3℃)的准确率为98.4%,决定系数(R²)为0.8543和均方根误差(RMSE)为0.7849℃,模型精度较好。基于岭回归分析法建立的日光温室低温预测模型能够对当地日光温室低温进行合理而有效的预测。     

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。     

基于品质指标预测北京烤鸭的中心温度

【目的】解决烤鸭传统挂炉烤制过程中中心温度难以在线精确监测的问题。【方法】通过测定烤鸭的品质指标,利用多元线性回归、偏最小二乘回归、支持向量回归、人工神经网络等方法对北京烤鸭中心温度进行在线客观预测。【结果】烤鸭胸肉的L*、a*、b*、脱氧肌红蛋白、氧合肌红蛋白、高铁肌红蛋白、水分含量、脂肪含量、蛋白二级结构等指标均可用于有效识别北京烤鸭的中心温度;线性模型多元线性回归和偏最小二乘回归的预测集决定系数R ²_C分别为0.9543和0.9384,均方根误差SEC分别为5.8205℃和6.7634℃,MLR模型预测效果优于偏最小二乘回归模型;非线性模型支持向量回归优于人工神经网络模型,其预测集决定系数R ²_C和交叉验证决定系数R ²_CV分别为0.9837和0.9496,均方根误差SEC和交叉验证均方根误差SECV分别为3.5215℃和6.1236℃,北京烤鸭中心温度预测模型构建以支持向量回归模型效果最好;支持向量回归验证集的决定系数R ²_V较高,达到0.9748,均方根误差SEV为5.5204℃,结合建模结果得出支持向量回归模型预测挂炉烤制北京烤鸭的中心温度效果最佳。【结论】北京烤鸭胸肉的色度、肌红蛋白、水分含量、脂肪含量、蛋白二级结构等可有效识别北京烤鸭的中心温度;基于品质指标的SVR模型可准确预测烤鸭的中心温度。     

基于灰色关联下神经网络在南果梨始花期预报中的应用

为探寻更精确有效的南果梨始花期预报方法,采用灰色关联分析法确定与始花期关联较大的冬季气象因子,以此作为BP(Black Propagation)神经网络与RBF(Radial Basis Function)神经网络建模的输入因子并预测南果梨始花期,利用均方根误差(RMSE)和相对误差(RE)评价该模型的预测效果,同时对比与南果梨始花期显著相关的冬季气象因子建立逐步回归方程并进行回代后的预测结果。结果表明：（1）与南果梨始花期灰色关联较大的气象因子为冬季日均气温、日最高气温、日最低气温、日均相对湿度,关联度均在0.6以上,故将这4个因子作为BP和RBF神经网络模型的输入层来预测南果梨始花期;（2）与始花期显著相关的气象因子有日均气温、日均5 cm地温、日最低气温、日最高气温,相关系数分别为-0.646、-0.628、-0.638、-0.663,所建回归模型均通过了显著性检验且具有统计学意义;（3）BP和RBF方法建立的模型拟合精度总体上较接近;（4）基于灰色关联下BP神经网络和RBF神经网络预测结果误差分别为1 d和2.25 d,BP神经网络预测的开花日期更接近实际开花日期;（5）基于灰色关联下BP神经网络模型RMSE为1、RE为6.34%、R²为0.7,而RBF神经网络模型RMSE为2.25、RE为13.13%、R²为0.568。综上,灰色关联分析法建立的BP神经网络模型较RBF模型预测南果梨始花期更精确。     

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。     

基于星-机光谱融合的棉花叶片SPAD值反演

【目的】为提高棉花叶片叶绿素含量的反演精度,并掌握其在山东省夏津县的空间分布特征。【方法】本研究以山东省德州市夏津县为研究区,以夏津县大李庄棉田为试验区,通过SPAD（soil and plant analyzer development,SPAD）仪实地测定试验区棉花叶片叶绿素含量的相对值（SPAD值）,并获取同期试验区无人机（unmanned aerial vehicle,UAV）近地多光谱图像和研究区Sentinel-2A MSI（MSI）卫星影像;然后分别基于UAV和MSI的光谱反射率,构建并筛选最优光谱参量,采用多元线性回归（multiple linear regression,MLR）建立SPAD值定量反演模型;最后采用二次多项式拟合法融合UAV和Sentinel-2A MSI对应的最优光谱参量,对比分析融合前后模型效果,优选最佳反演模型,实现研究区SPAD值反演。【结果】研究表明,(REG-R)/(REG+R)、R/G、CL(red edge)、NDVI可作为SPAD值的最优光谱参量;基于UAV图像的定量反演模型精度优于基于MSI影像的模型;基于二次多项式拟合后建模R ²提高了0.015—0.057,RMSE降低了0.457—0.638,验证R ²提高了0.040—0.085,RMSE降低了0.387—0.397,RPD提高了0.020—0.139;将融合后的MSI光谱参量代入基于UAV图像的反演模型（Fused MSI-Mod_UAV）,也可获得较高的反演精度,建模R ²达0.672,RMSE为3.982,验证R ²达0.713,RMSE为3.859,RPD为1.685;基于上述模型进行研究区棉花叶片SPAD值反演分析,试验区整体呈南高北低的分布趋势,研究区呈中间低、四周高的分布趋势,均与实地情况一致,具有较好的预测效果。【结论】采用二次多项式拟合法融合无人机和卫星影像数据,可较好地实现区域高精度作物生长指标的定量反演,研究结果可丰富多源遥感融合理论与技术,为后续棉花长势监测与精准生产提供技术参考和数据支持。     

糜子叶片氮含量和籽粒蛋白质含量高光谱监测研究

【目的】本研究以叶片氮含量为切入点,探求糜子籽粒蛋白质含量的最佳光谱预测模型,为糜子优质生产的管理调控提供理论依据。【方法】结合2017年和2018年2年的氮肥运筹试验数据和光谱数据,通过“光谱特征信息—叶片氮含量—籽粒蛋白质含量”这一研究思路,以叶片氮含量为中间链接点将光谱模型和籽粒蛋白质含量链接,建立基于高光谱糜子籽粒蛋白质含量监测模型。【结果】利用支持向量机（SVM）构建的糜子全生育期叶片氮含量监测模型要优于逐步多元线性回归（SMLR）和偏最小二乘法（PLS）,并且原始光谱反射率（R）的SVM模型效果优于一阶导数（1ST）模型,建模集和验证集的R ²分别为0.928、0.924;RMSE相对较小,分别为0.19、0.12;RPD都大于2,分别为3.71、6.07。开花期、灌浆期和成熟期的叶片氮含量和籽粒蛋白质含量均达到极显著正相关,相关系数分别为0.48、0.66和0.73。灌浆期R-SVM模型能准确的监测糜子籽粒蛋白质含量,决定系数R ²为0.798,均方根误差RMSE为0.14,预测残差RPD为1.65。 【结论】建立基于灌浆期糜子籽粒蛋白质含量的高光谱R-SVM监测模型,有助于指导糜子优化田间管理、种植业结构调整和籽粒品质分级,为高光谱技术在糜子优质高产栽培和精准农业发展提供技术基础。     

水肥耦合驱动下的番茄植株形态模拟模型

【目的】建立土壤水肥影响下的番茄株高、单株展开叶数及单叶面积随辐热积的变化模型,为番茄施肥和灌溉提供依据。【方法】以灌水上限和施肥量为因素,采用二元二次正交旋转组合设计,建立基于辐热积的番茄株高及单叶面积的logistic模型和单株展开叶数的指数函数模型,并根据建立的单株展开叶数模型和单叶面积模型,模拟番茄叶面积指数。【结果】所建模型对不同水肥处理下的番茄株高、单株展开叶数、单叶面积和叶面积指数的预测效果较好,其预测值与实测值之间基于1∶1直线的决定系数R2分别为0.962 7,0.947 1,0.854 8和0.926 3,相对误差(RE)分别为9.41%,7.50%,17.80%和18.20%。【结论】所建模型对番茄株高、单株展开叶数、单叶面积、叶面积指数4个指标的预测精度均达80%以上,能较好地预测灌水上限和施肥量对番茄形态的动态影响。     

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.     

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。     

富士和嘎啦苹果叶片面积估算模型构建

【目的】建立准确、无损的适宜于苹果不同品种和枝梢类型的叶面积估算模型。【方法】以富士及嘎啦不同长度的营养枝梢和果台枝梢叶片为试材,采用数字扫描仪获取叶片长度(LL)、宽度(LW)和叶面积(LA)等叶片形态参数,并采用决定系数(R²)、均方根误差(RMSE)、赤池信息准则(AIC)对建立的17个有常数项和无常数项叶面积模型精度进行筛选和适宜性评价。【结果】共获得5 207枚叶片形态参数,其中叶面积变异系数最大,达51.59%。叶片形态受品种及枝梢类型的显著影响,其中长枝梢叶片长、宽和叶面积显著大于同类型短枝梢叶片,而营养枝梢叶片长、宽和叶面积显著大于同长度果台枝梢,嘎啦叶片相比富士更为细长。以LL和LW复合变量为自变量的模型5:LA=a(LL×LW)、模型6:LA=a(LL+LW)²、模型9:LA=aLL²+bLW²、模型16:LA=a(LL×LW)^b、模型17:LA=(LL×LW)^b的精度可满足富士和嘎啦各类枝梢叶面积的估算,但需针对各品种和枝梢类型单独建...     

基于高光谱遥感和集成学习方法的冬小麦产量估测研究

【目的】利用2种灌溉处理下不同发育阶段的冬小麦冠层高光谱信息,通过机器学习方法对小麦籽粒产量进行估测精度研究,明确产量最佳估测模型,对于育种工作有着重要应用价值。【方法】以黄淮麦区207个主栽小麦品种为材料,于2018—2019和2019—2020年度连续2个生长季在河南省新乡基地的正常灌溉和节水处理下种植,并调查开花期、灌浆前期和灌浆中期的冠层高光谱数据,分别以6种机器学习方法和集成方法建立光谱指数产量估测模型。【结果】2种灌溉处理下,3个生育期各光谱指数均与产量呈极显著相关（P<0.0001）,且表现出较高的遗传力（0.61-0.85）,主要受遗传因素控制。在正常灌溉处理下,与传统机器学习方法表现最佳的模型相比,集成学习方法在3个生育期的平均决定系数(R²) 分别由0.610、0.611和0.640提高至0.649、0.612和0.675,平均均方根误差 (RMSE) 分别降低至0.607、0.612和0.593 t·hm^-2;节水处理下,3个生育期的平均R²分别由0.461、0.408和0.452提高至0.467、0.433和0.498,平均RMSE分别降低至0.519、0.559和0.504 t·hm^-2。【结论】利用集成方法将不同模型估测结果进行结合,能够有效地提高产量估测精度,2种灌溉处理下均在灌浆中期估测精度最佳,可为冬小麦育种工作中产量估测提供参考。     

干旱胁迫下春玉米冠层吐丝动态及籽粒数模拟研究

【目的】为实现干旱胁迫下玉米冠层吐丝动态的模拟,建立开花—吐丝间隔（anthesis-silking interval,ASI）和吐丝百分率与单位面积籽粒数的关系,改善干旱胁迫条件下玉米籽粒数的模拟效果。【方法】本研究基于锦州农业气象试验站干旱胁迫控制试验,测定了不同水分处理下玉米开花前后植株平均生长速率（PGR）、玉米冠层逐日吐丝百分率动态、ASI、开花后果穗生物量累积和株籽粒数等指标,利用上述数据确定了玉米冠层吐丝动态模型参数;进行了模拟吐丝百分率对植株生长速率平均值（PGR_AVE）和标准差（PGR_SD）两个输入参数的敏感性分析;基于果穗生物量累积过程,考虑干旱胁迫条件下冠层内植株个体间PGR的差异,开展开花前后不同干旱胁迫条件下冠层吐丝动态过程模拟;建立ASI与株结实率（株籽粒数占株最大潜在籽粒数的百分比）的定量关系;基于冠层吐丝动态模型模拟的开花后吐丝植株百分率、单株最大潜在籽粒数和株结实率,构建了基于冠层吐丝动态的籽粒数模型,进行了干旱胁迫下的籽粒数模拟与检验。【结果】冠层吐丝动态模型对PGR_AVE和PGR_SD的敏感性分析结果显示,与PGR_SD变化相比,PGR_AVE变化对吐丝百分率影响更大,PGR_AVE越大,PGR_SD越小,植株达到50%吐丝的时间越短。玉米冠层吐丝动态模型可以较准确地模拟开花后逐日吐丝百分率,花期干旱胁迫下观测值与模拟值的决定系数R ²为0.88—0.98,均方根误差RMSE为4%—12%,归一化均方根误差NRMSE为8%—27%;耦合冠层吐丝动态模拟结果,构建了基于冠层吐丝动态的籽粒数模型,该模型可以较准确地模拟干旱胁迫下玉米单位面积籽粒数,观测值与模拟值的R ²为0.85,RMSE为185粒/m²,NRMSE为10%。【结论】通过引入冠层吐丝动态模型,构建基于冠层吐丝动态的籽粒数模型,实现了干旱胁迫下玉米关键物候期（吐丝时间、开花—吐丝间隔和吐丝百分率）的模拟和籽粒数模拟,为实现干旱胁迫下基于冠层吐丝动态的产量模拟奠定基础。     

基于无人机多光谱和热红外影像信息融合的小麦白粉病监测

[目的]白粉病严重危害小麦生长及制约产量形成,确立实时监测小麦白粉病的多源数据融合方法,为精确防控及保证国家粮食安全提供技术支撑.[方法]在小麦开花和灌浆期,使用同时搭载多光谱仪和热成像仪的六旋翼无人机作为遥感数据获取平台,通过ENVI软件从小麦白粉病遥感影像中提取植被指数、纹理特征以及冠层温度信息,进而利用多元线性回...