基于无人机遥感图像纹理与植被指数的土壤含盐量反演

基于无人机遥感技术获取农田土壤盐分信息为盐渍化治理提供了快速、准确、可靠的理论依据。本文在内蒙古河套灌区沙壕渠灌域试验地上采集了取样点0～20cm的土壤含盐量，并使用M600型六旋翼无人机平台搭载Micro-MCA多光谱相机采集图像。利用Otsu算法对多光谱图像进行图像分类（土壤背景和植被冠层），基于分类结果分别提取剔除土壤背景前后的光谱指数和图像纹理特征，采用支持向量机（SVM）和极限学习机（ELM）构建土壤含盐量监测模型，其4种建模策略分别为:未剔除土壤背景的光谱指数(策略1)、剔除土壤背景后的光谱指数(策略2)、未剔除土壤背景的光谱指数+图像纹理特征(策略3)、剔除土壤背景的光谱指数+图像纹理特征(策略4)，通过比较4种建模策略的模型精度以筛选出最优变量组合。结果表明：策略3、4所计算出的土壤含盐量反演精度高于策略1、2，策略1~4验证集决定系数R2v分别为0.614、0.640、0.657、0.681，因此利用图像纹理特征+植被指数对提高土壤含盐量的反演精度有重要意义。对比策略3、4，图像纹理特征+植被指数受到土壤背景的影响，策略4精度低于策略3精度，其R2v分别为0.614、0.657；各变量处理的最优模型均为ELM模型，建模集R2c分别为0.625、0.644、0.618、0.683，标准均方根误差分别为0.152、0.134、0.206、0.155。相比于SVM模型,ELM模型提高了土壤含盐量的反演精度。     

再生水灌溉对土壤表层大孔隙的影响

再生水是农业灌溉重要的水资源，但作为灌溉用水，因其所富含的营养物质含量和有害物质浓度不同，其对土壤基本物理性质及土壤内部孔隙的影响也存在一定差异，为探明不同水质再生水灌溉下土壤的退化情况，该研究进行了为期1.5a的室外大田灌溉试验，对比4种不同水质（W1：预处理后的生活污水，W2：再生水1，W3：再生水2，W4：自来水）灌溉后土壤的多项基本理化性质的变化情况，包括：pH值、电导率（electrical conductivity，EC）、钠吸附比（sodium adsorption ratio， SAR）及土壤大孔隙和大孔隙结构等。结果表明：1）再生水灌溉1.5a后与淡水灌溉相比，土壤SAR和Na⁺含量等理化指标均有一定提高，但除SAR及pH值指标有显著提高外，其他指标变化差异并不显著（P<0.05）不同水质再生水短期灌溉均不会造成表层土壤盐碱化。2）再生水灌溉后土壤的总孔隙度变化并不显著，但不同水质再生水灌溉显著增加了表层土壤的大孔隙度和大孔隙连通性（P<0.05），较W4处理，W1、W2和W3处理的大孔隙度（等效孔隙直径D>50 μm）分别增加了120.76%、131.23%和49.69%，连通孔隙占比和连通性指数也均有所增加，但再生水灌溉也显著堵塞土壤内微小孔隙，进而影响土壤水力性质。3）土壤孔隙网络模型结果表明，再生水灌溉后土壤连通性出现了明显改善，孔隙间的连接通道数量显著提高，孔隙网络发育更加复杂，土壤透气性有所增强。综上所述，短期再生水灌溉并不会导致土壤的严重退化，但从长远灌溉发展的角度看，W1水质处理对土壤是有害的，而适当的调低水质标准，对土壤的负面影响并不显著，甚至在一定程度上改善了土壤的通气性。     

高密度配合重化控处理对中早熟直播棉花生长发育和催熟效应的影响

为探索中早熟棉花品种在油菜收获后直播条件下的最佳群体结构及其配套化控技术，以中早熟棉花品种为试材，采用裂区设计，探讨高密度（6.0万、9.0万、12.0万和15.0万株/hm²）配合重化控（全生育期每公顷分别喷施有效成分98%的DPC360、540 g）技术下油菜收获后直播棉花的生长发育特征以及不同处理的化学脱叶催熟效应。结果表明，在试验密度和化控量范围内，随着密度的增大和化控量的增加，主茎变细、始果枝高度上移、中部和上部果枝缩短，单株干物质积累减少，其中密度因素的影响大于化控量的影响。密度和化控量及其互作对单位面积成铃数影响不显著；随着密度的增大，单株铃数和单铃重逐渐减少，化控量增加能够使衣分降低而使子指增大；随着密度的增大和化控量的增加，棉花的自然吐絮进程缓慢，在各处理中以密度9.0万株/hm2配合DPC360 g/hm²全程化控子棉产量最高。密度和化控量及其互作对喷施脱叶催熟剂的棉花脱叶效果没有显著影响，对最终的吐絮率影响不显著，对基础吐絮率小的催熟效果更明显。综合各方面因素，在长江流域鄱阳湖植棉区，中早熟棉花品种油菜收获后直播的适宜密...     

利用相关矩阵法优化光谱指数的冬油菜氮素营养诊断

近年来高光谱技术由于无损和高效等优点成为了现代精准农业发展的必要手段方法。为实现冬油菜无损、快速的氮素盈亏诊断，该研究以连续两年(2022—2023年)不同覆盖及施氮处理下冬油菜蕾薹期采集的90份植物样品(地上部生物量和植株氮浓度)和高光谱实测数据为数据源，根据原始光谱和一阶微分(first-order differential,FD)光谱与氮营养指数(nitrogen nutrition index,NNI)的相关系数计算了8种(共16个)典型的光谱指数，随后利用相关矩阵法提取最佳光谱组合，并根据与NNI相关系数的计算结果筛选最优光谱指数，最后将最优光谱指数分为3组模型输入变量，分别采用支持向量机(support vector machine,SVM)、随机森林(random forest,RF)、极限学习机(extreme learning machine,ELM)和反向神经网络(back propagation neural network,BPNN)构建冬油菜蕾薹期NNI估算模型。结果表明一阶微分光谱指数与NNI的相关系数均大于原始光谱指数，3个组合选择的光谱指数与NNI的相关...