自然降水与太行山区玉米单产形成的关系——以武安市为例

为了研究太行山区降雨量对玉米单产的变化规律,指导玉米实际生产。本研究选择武安市降雨量和玉米单产为研究对象,采用散点图、建立线性方程、线性回归显著性分析等方法,通过统计、对比描述等方式,分析武安市降雨量对玉米单产的关系。结果表明,降雨与玉米的单产之间具有一定关系,且生育期降雨量对玉米单产具有显著性影响。(1)在490 mm降雨范围内,玉米的单产随着降雨量的增加而增加,大于490 mm降雨时,玉米的单产与降雨量负相关。(2)玉米的单产受7月和8月的降雨量影响显著,且降雨量约278 mm时,玉米的单产较大。     

基于光合有效辐射瞬时值估算日均值的方法

光合有效辐射是太阳辐射的一部分,是植被进行光合作用和陆地生态系统碳循环的核心因素,对估算植被生产力具有重要影响。本文基于SURFRAD多年观测数据,建立了一个线性回归模型,由上午、下午瞬时光合有效辐射值估算日均值。该模型模拟效果较好,单个观测站的均方误差低于9 W·m^-2,判定系数不低于0.96,并适用于不同经纬度、气候条件和海拔高度下的区域,总的均方误差为8.863 1 W·m^-2,判定系数R2为0.977,表明该模型和方法有较好的可行性和可靠性。     

基于GIS的绿色农产品基地适宜性评价

建立和完善绿色农产品基地适宜性评价方法,提高评价结果的实用性和准确性,是实现农产品安全的根本保障。研究依据基地认证者、规划者、生产者3种评价主体实际需求,分别引入污染潜在风险指标和经济状况指标,建立面向不同评价主体需求的多种主导因子评价指标体系,并借助GIS的空间分析方法进行定量评价,最后以北京大兴区为例进行了案例分析研究。结果表明,基地与工矿企业距离、与居民地距离等潜在污染风险对基地适宜性限制大,且不同评价主体下建立不同指标体系使评价更具针对性,利用GIS功能可提高效率,评价结果可视化程度好,具有很强的     

基于随机森林回归算法的小麦叶片SPAD值遥感估算

使用机器学习中的随机森林(RF)回归算法构建小麦叶片SPAD值遥感反演模型。以2010—2013年江苏地区试验点稻茬小麦3个生育期(拔节、孕穗、开花)的叶片为材料,结合我国自主研发的环境减灾卫星HJ-1对研究区域进行同步监测,分析了各生育期叶片SPAD值与8种植被指数间的相关性;以0.01水平下显著相关的植被指数作为输入参数,使用RF回归算法构建了每个生育期的小麦SPAD反演算法模型,即RF-SPAD模型,以支持向量回归(SVR)和反向传播(BP)神经网络算法构建的SVR-SPAD模型和BP-SPAD模型作为比较模型,以R2和均方根误差(RMSE)为指标,分析了每个生育期3个模型的学习能力和回归预测能力,结果表明:RF-SPAD模型在3个生育期都表现出最强的学习能力,R2和RMSE在拔节期分别为0.89和1.54,孕穗期分别为0.85和1.49,开花期分别为0.80和1.71;RF-SPAD模型在3个生育期的回归预测能力都高于BP-SPAD模型,高于或接近于SVR-SPAD模型,R2和RMSE在拔节期分别为0.55和2.11,孕穗期分别为0.72和2.20,开花期分别为0.60和3.16。     

基于MK—SVR模型的小麦叶面积指数遥感反演

提出了运用多核支持向量回归(MK-SVR)算法构建小麦叶面积指数(LAI)遥感监测模型。以2010—2013年试验样点小麦拔节、孕穗、开花3期的实测LAI数据为基础,同步获取我国自主研发的环境减灾卫星HJ-CCD对该研究区域的影像数据,分析了各生育期小麦LAI与8种植被指数间的相关性。以显著相关的植被指数作为输入参数,使用MK-SVR算法构建了每个生育期的小麦LAI反演模型,即MK-SVR-LAI模型。为了评价模型,每期使用单一核支持向量回归(SK-SVR)、偏最小二乘(PLS)回归算法构建了SK-SVR-LAI、PLS-LAI模型。将模型估算LAI值和田间观测LAI值进行比对,以决定系数(R2)和均方根误差(RMSE)为指标评价并比较了模型。结果表明:3个生育期MK-SVR-LAI模型的RMSE值均低于参比模型,拔节期为0.293 1,孕穗期为0.466 8,开花期为0.548 6,且该模型的R2也都最高,拔节期为0.762 4,孕穗期为0.801 8,开花期为0.668 9。     

近红外多组分分析中异常样本识别方法

近红外光谱分析中,异常样本的存在严重影响定标模型的预测性能和适配性。基于 X / Y 联合的ODXY异常样本识别和剔除方法,提出并证明了一种专用于多组分分析的MODXY异常样本识别方法。实验采用80组玉米近红外光谱数据,利用不同异常样本识别方法剔除异常样本后建立玉米含水率、含油率、蛋白质含量和淀粉含量4种组分的偏最小二乘预测模型,采用预测均方差和决定系数作为评价指标比较所建模型的性能,检验MODXY方法在多组分分析中的异常样本识别能力。实验结果表明：在近红外多组分分析中,MODXY方法在大多数情况下具有更好的异常样本识别能力;MODXY方法和ODXY方法均有一定的适用范围,它们更适合于相应组分化学值的相对标准偏差较大的情况。     

基于介电频谱的采后苹果可溶性固形物含量无损检测

根据10~4500MHz间采后21周贮藏期间无损富士苹果介电参数的频谱特性,建立了苹果可溶性固形物含量的支持向量回归（SVR）预测模型和BP网络预测模型;并综合比较了采用原始频谱（FF）、主成分分析（PCA）和连续投影算法（SPA）优选频率对模型预测效果的影响。研究结果表明,PCA—SVR建模效果最好,其预测相关系数为0.883,均方根误差为0.552,PCA—BP的建模效果较PCA—SVR稍差。并且发现经SPA处理后的数据建立的模型,均方根误差普遍较小;经PCA处理后的数据建立的模型,预测相关系数普遍较高。     

柴油机无载测功法的试验研究

以4125A4柴油机为试验对象，运用多项式回归的方法，寻求柴油机功率与耗油量（最高空转速及额客转速）之间的内在定量关系。所建立的模型具有较高的准确性，相对误差可以控制在3%以内。无载测功方法简便、有效，对柴油机的田间测试具有较强的实用性。     

基于自然光照反射光谱的温室黄瓜叶片含氮量预测

利用便携式光谱辐射仪测量了自然光照条件下温室黄瓜叶片的光谱反射率,并计算了反射率光谱的一次微分光谱。反射率光谱以及一次微分光谱与叶片含氮量的相关分析表明,温室内光谱特性与叶片含氮量相关性最大的敏感波段分别是505～664 nm和685～722 nm。当利用原始光谱进行分析时,通过变量筛选得到了4个敏感波长,分别是568、596、640和664 nm。偏最小二乘回归分析(PLSR)以及归一化颜色指数(NDCI)分析都表明,建模时的相关系数R_C>0.800,模型验证时的相关系数R_V>0.700。对微分光谱进行的相关分析结果表明,利用单一敏感波长520 nm就可获得理想模型,建模时的相关系数为0.880,模型验证时的相关系数为0.787。对比原始光谱的PLSR模型与一阶微分光谱的一元线性回归模型可以得知,原始光谱以及一阶微分光谱都可用于温室内叶片含氮量的预测,而且一阶微分光谱在一些特殊的波长处具有更高的预测能力,这些模型将成为开发便携式作物长势诊断仪器的技术基础。     

Methods to interpolate soil categorical variables from profile observations: Lessons from Iran

The paper compares semi-automated interpolation methods to produce soil-class maps from profile observations and by using multiple auxiliary predictors such as terrain parameters, remote sensing indices and similar. The Soil Profile Database of Iran, consisting of 4250 profiles, was used to test different soil-class interpolators. The target variables were soil texture classes and World Reference Base soil groups. The predictors were 6 terrain parameters, 11 MODIS EVI images and 17 physiographic regions (polygon map) of Iran. Four techniques were considered: (a) supervised classification using maximum likelihoods; (b) multinominal logistic regression; (c) regression-kriging on memberships; and (d) classification of taxonomic distances. The predictive capabilities were assessed using a control subset of 30% profiles and the kappa statistics as criterion. Supervised classification and multinominal logistic regression can lead to poor results if soil-classes overlap in the feature space, or if the correlation between the soil-classes and predictors is low. The two other methods have better predictive capabilities, although both are computationally more demanding. For both mapping of texture classes and soil types, the best prediction was achieved using regression-kriging of indicators/memberships (κ = 45%, κ = 54%). In all cases kappa was smaller than 60%, which can be explained by the preferential sampling plan, the poor definition of soil-classes and the high variability of soils. Steps to improve interpolation of soil-class data, by taking into account the fuzziness of classes directly on the field are further discussed.