基于AHP-熵权TOPSIS模型的辽宁省各城市土地承载力评价

[目的]定量分析评价辽宁省各城市土地承载力状况并对其障碍因子进行诊断,为辽宁省土地利用合理开发提供建议,也为区域土地承载力评价研究提供新思路。[方法]以辽宁省14个地级市作为研究区域,基于2018年Landsat 8 OLI遥感影像,进行土地利用分类获得土地各类型用地面积并结合社会经济数据,构建了土地承载力评价指标体系,并利用AHP-熵权TOPSIS模型,对土地资源承载力进行评价。运用障碍度模型对土地承载力障碍因子进行诊断。[结果]辽宁省城市分别呈现不同的承载力状态。盘锦市、大连市以及沈阳市土地承载力相对较高,但社会子系统是制约其土地承载力的主要障碍因素。鞍山市和营口市承载力表现为相对低的状态,其经济子系统的是制约土地承载力提高的主要因素。[结论]辽宁省各城市土地承载力距离其理想状态还有着一定距离,应促进社会、经济、资源3个子系统协调发展进而提高土地承载力。     

基于高分六号卫星红边波段的森林蓄积量遥感反演——以西宁市针叶林为例

红光波段和近红外波段常被作为森林蓄积量反演的敏感波段,介于两者之间的红边波段往往被忽略,为了明确红边波段对森林蓄积量的遥感反演精度的影响,本研究基于高分六号卫星宽幅影像（GF6-WFV）,结合西宁市2014年森林资源二类调查数据,从光谱特征、植被指数、地形因子、影像纹理等4个方面选取蓄积量反演的自变量,采用多元线性回归（MLR）、随机森林（RF）模型,分析比较了有无红边波段对西宁市针叶林蓄积量遥感反演精度的影响。结果表明：（1）无红边波段（No Red-Edge）和加入红边波段（Red-Edge Added）两组处理的纹理特征变量降维后,其主成分信息主要解释了红外、近红外以及红边1波段的纹理特征。（2）与蓄积量相关的光谱特征变量：No Red-Edge处理主要包括红边波段和近红外波段的地表反射率,Red-Edge Added处理主要为红边1波段的地表反射率;植被指数变量：No Red-Edge处理主要包括NDVI和SAVI,Red-Edge Added处理为MTCI。（3）加入红边波段后,RF模型的R²优于MLR模型,分别为0.6719和0.5487,RF模型的均方根误差（RMSE）小于MLR模型,分别为26.3m³hm⁻²和20.8m³hm⁻²。（4）去除模型对反演精度的影响后,相对于No Red-Edge,Red-Edge Added处理的反演结果与观测值拟合的R2提高了11.6%,RMSE降低了9.1%。说明加入红边波段可显著提高西宁市针叶林蓄积量的反演精度,研究结果可为森林蓄积量的遥感反演提供科学依据。     

作物模型应用与遥感信息集成技术研究进展

作物模型和遥感技术以各自独有的优势在作物生产监测、评估及未来预测等方面发挥着关键作用。作物模型与遥感信息集成技术在大尺度、高精准的农业生产监测、评估与预测上具有明显的应用优势和广阔的发展前景。为了促进这些技术在区域尺度上的作物产量预测、农业气象灾害影响评估及农业应对气候变化决策等方面更加广泛地应用,本文采用文献综述的方法,系统归纳了欧洲、美国、澳大利亚及中国作物模型的发展与应用,总结了当前主流的数据集成方法的原理、特点和不足,概述了作物模型与遥感信息集成技术的实际应用,探讨了提升数据集成精度存在的问题,并对未来研究方向进行展望。结果表明,国内外对于作物模型及其与遥感数据集成的研究与应用广泛而深入,利用同化方法能够有效提高作物模型模拟精度,为作物模型实现区域尺度作物生长及产量评估、气候变化对产量影响、农田管理决策等提供技术支撑。作物模型模拟结果及遥感反演数据的不确定性、数据同化策略的多样性以及尺度效应是进一步提高集成系统精度与效率的限制因素。因此,遥感数据多源融合、同化过程多变量协同、作物模型多类型耦合以及数据高性能并行计算是未来作物模型与遥感数据集成研究的发展趋势。     

2000-2020年玛纳斯河流域的作物种植结构与需水满足度

变化环境条件下干旱绿洲水土资源的高效利用一直广受关注。玛纳斯河流域分布着新疆最大、最典型的绿洲农耕区,其水土资源高效利用无疑应基于对种植结构和需水满足度（供水量/需水量）时空演变规律的了解。基于谷歌地球引擎（Google Earth Engine,GEE）平台并通过区域调查和调研,该研究利用面向对象的随机森林分类,建立流域地物遥感识别模型,分析当地2000-2020年种植结构的变化过程,探讨种植结构变化与膜下滴灌棉花水分供应状况和需水满足度间的关系。结果表明：基于GEE平台,融合简单非迭代聚类图像分割算法和随机森林分类算法可快速、准确识别流域地物,总体精度约90%;近20年,流域种植作物始终以棉花为主,占耕地总面积的80%以上,受益于膜下滴灌技术的节水、抑盐等功效,中、下游盐碱荒地不断被开垦为棉田,致使其面积以每年约101 km2的速度增长,但棉田面积增长与灌溉水资源供给的矛盾日益突出,棉花需水满足度显著下降,尤其是水资源相对匮乏的下游灌区及需水旺盛的夏灌期,2020年流域下游棉花夏灌期需水满足度已降至约46%,种植结构的调整和优化已势在必行。研究可为玛纳斯河流域水资源配置及农业种植结构优化提供科学依据。     

北京植被净初级生产力对物候变化的响应

植被净初级生产力（Net Primary Productivity,NPP）对物候的响应是全球气候变化背景下的重要研究内容,气候变化对植物物候与NPP的影响仍需明了,物候的时空变异规律更需深入探讨。该研究基于2001-2020年MODIS归一化植被指数（Normalized Difference Vegetation Index,NDVI）数据提取北京植被物候信息,利用CASA（Carnegie-Ames-Stanford-Approach）模型模拟NPP,通过线性回归、趋势分析和结构方程模型等方法,阐明NPP与物候时空变化特征,探究气象因素和物候变化对NPP的影响。结果显示：1）2001-2020年超过70 %的区域出现生长季开始（Start of Growing Season,SOS）逐渐提前,平均每年提前0.53 d。超过90%的区域生长结束期（End of Growing Season,EOS）逐渐推迟,平均每年推迟0.51 d。2）SOS提前和生长季（Length of Growing Season,LOS）延长均对NPP增长产生显著影响（P<0.05）。SOS每提前1 d,NPP增长3.74 g/m2;LOS每延长1 d,NPP增长2.56 g/m2 。秋季EOS推迟对NPP变化影响不显著。3）春季和秋季,气候通过改变物候（SOS、EOS）对NPP的间接影响大于直接影响,而夏季温度和降雨对NPP的直接影响更大。该研究表明春季物候变化是NPP年际变异的重要驱动因子,春季物候提前导致NPP年总量增加。研究结果是都市区植被生产力如何响应气候变化认识的重要补充。     

基于Sentinel-2A的棉花种植面积提取及产量预测

及时、准确预测棉花产量在棉田经营管理、农业决策制定等方面具有重要的价值和意义。为了提高棉花产量预测精度并确定估产的最佳生育时期,该研究利用谷歌地球引擎（Google Earth Engine,GEE）获取2020年Sentinel-2A的3个时间段影像,采用随机森林（Radom Forest, RF）、支持向量机（Support Vector Machine, SVM）、决策树（Classification and Regression Tree, CART）进行棉花种植区域提取,利用顺序向前选择（Sequential Forward Selection, SFS）和偏最小二乘算法（Partial Least Squares Regression, PLSR）确定棉花产量预测最佳生育时期,最终形成莫索湾垦区棉花产量预测分布图。结果表明,1）RF分类效果最佳,农田与非农田分类总体精度为0.94,Kappa 系数为0.89;棉田与非棉田分类总体精度为0.92,Kappa 系数为0.83。2）红边波段（B6）在3个生育时期中与产量相关性较好,相关系数随着生育时期的递进而增加,分别为0.37、0.47、0.53。3）基于PLSR构建的产量预测模型中,铃期预测效果最佳（决定系数R2=0.62,均方根误差RMSE=625.5 kg/hm2,相对误差RE=8.87%）,优于吐絮期（R2=0.51,RMSE=789.45 kg/hm2,RE=11.06%）和花期（R2=0.48,RMSE=686.4 kg/hm2,RE=9.86%）,铃期为棉花产量预测的最佳生育时期。该研究利用GEE和Sentinel-2A影像数据,为新疆莫索湾垦区棉花种植面积提取及产量预测提供一种新的思路,可为合理水肥配置、精准种植、农作物生长过程监测提供数据支撑。     

基于CARS-RUN-ELM算法的水稻叶片氮磷含量协同反演方法

同时反演氮、磷元素含量相对于单一元素反演可以更加全面地表达水稻的营养状况,为快速、准确获取水稻叶片氮、磷含量和精准变量施肥提供依据。该研究基于不同氮肥处理的田间小区试验,获取水稻叶片氮、磷含量数据,采用竞争性自适应重加权采样法（Competitive Adapative Reweighted Sampling,CARS）筛选氮素与磷素共同特征波长,以特征波长反射率为输入,以化学方法测得叶片氮、磷元素含量为输出,分别使用反向传播神经网络、极限学习机（Extreme Learning Machine,ELM）、龙格-库塔算法优化极限学习机（RUNge Kutta optimizer-Extreme Learning Machine,RUN-ELM）构建水稻叶片氮、磷含量反演模型并分析。结果表明：采用CARS方法有效去除了高光谱中大量无用、冗余信息,得到5个氮、磷元素共同特征波长,去除具有共线性的特征波长,最后筛选出的特征波长分别是451、488、780、813 nm。使用筛选后的特征波长反射率构建RUN-ELM水稻叶片氮、磷含量反演模型效果最好,氮素训练集的决定系数R2为0.690,均方根误差为0.669 mg/g,磷素训练集的决定系数R2为0.620,均方根误差为0.027 mg/g。通过对比,RUN-ELM在预测能力、模型稳定性上优于反向传播神经网络以及ELM模型。综上研究,基于CARS-RUN-ELM的水稻叶片氮、磷含量反演模型可以快速、准确获取水稻叶片氮、磷含量,可为水稻精准施肥提供参考。     

无人机点射式水稻播种装置控制系统设计与试验

针对当前无人机水稻撒播难以成行成穴、落种易受旋翼风场干扰和播种均匀性不佳等问题,该研究结合点射式水稻播种装置和飞行控制器设计了一套播种控制系统,开发了配套的地面站功能,并制作了样机。控制系统基于PID算法实现排种器步进电机的转速闭环控制,通过标定模型对振动电机激振力和摩擦轮电机转速进行控制,并根据状态机设计播种控制程序。以3倍丸粒化稻种为对象,从播种量准确性、播种成行性和播种均匀性3个方面对样机的播种性能进行验证并优选合适的播种参数。试验结果表明：无人机模拟飞行的播种量准确性测试中,样机以1.0～2.5 m/s的作业速度进行播种时,播种量的平均相对误差小于4%,控制系统具有较好的动态调节能力。实地飞播测试中,样机以1.0和1.5 m的高度播种时,种子分布在12 cm种行宽度内的平均概率超过80%,成行性较好。考虑安全因素,优选1.5 m为样机的适宜作业高度。在作业高度为1.5 m,3倍丸粒化稻种的播种量为90～150 kg/hm2（对应裸种的播种量22.5～37.5 kg/hm2）,作业速度为0.5～2.0 m/s时,播种均匀性变异系数为20.51%～35.52%。进一步分析发现,适当提升作业速度可提高播种均匀性。田间试验结果表明,播种量的相对误差分别为2.47%和4.12%,播种均匀性变异系数分别为22.17%和21.82%,种子破损率分别为0.34%和0.18%,满足相关标准的水稻飞播精度控制要求。研究结果可为无人机水稻直播技术提供参考。     

基于遥感影像与逻辑回归模型的延河流域沟壑分布概率预测

为研究黄土高原沟壑地貌空间分布特征,开展了基于遥感影像和机器学习的沟壑地貌提取,研究了延河流域沟壑地貌空间分布及其环境控制因子。以Google Earth Pro平台为支撑,在人工提取大量沟壑地貌样本的基础上,基于Landsat8 OLI影像波段信息,采用主成分分析前3个变量、缨帽变换前3个变量、NDVI、高程、坡度和坡向10个因子,使用逻辑回归模型预测整个延河流域的沟壑概率分布。结果表明:(1)在10个变量因子中,因子Brightness的R²_McF为0.158,重要性最大,因子elevation的R²_McF为3.6×10^-5,重要性最小;(2)最优逻辑回归模型由组合因子Brightness,PCA₁,Greenness,Wetness,PCA₃和slope确定,其重要性R²_McF为0.206;(3)最优逻辑回归模型的沟壑概率预测精度为73.72%,ROC曲线下面积即AUC值为0.80;(4)延河流域沟壑地貌约占整个延河流域面积的52.05%。研究表明,延河流域沟壑分布呈现从西北方向到东南方向逐渐集中的特点。     

黄土丘陵沟壑区坡体稳定性影响因素分析

选取黄土丘陵沟壑区纸坊沟小流域为研究区,利用高精度遥感影像(分辨率0.068 m)和DEM (分辨率0.34 m)数据,结合野外调查,对崩塌、滑塌、滑坡、脱落和陷穴等失稳体进行识别,通过统计学、敏感系数方法,利用识别失稳体数据,分析不同类型失稳体空间分布状况,定量研究不同类型失稳体的影响因子敏感程度,揭示不同类型失稳体的主控因子,进一步阐明流域坡体失稳体的空间分布规律和影响坡体稳定性的主控因子。结果表明:(1)利用高精度遥感影像,获取流域失稳体,主要是以小规模和浅层的脱落、崩塌和滑塌为主,三者面积合计为0.417 km²,占流域总面积的5.04%。(2)评价因子内部中,土壤母质的红黏土、土地利用的天然灌木林地和草地、地貌部位的沟坡、坡度＞35°、地形起伏度为0.74~3.34 m是坡体失稳发生的高敏感区域,也是崩塌、滑塌、脱落和陷穴发育共有的敏感区域。(3)影响坡体稳定性主控因子权重由大到小为土壤母质、地形起伏度、坡度、土地利用和坡向。崩塌、滑塌和脱落的主控因子与整体坡体稳定性的主控因子相同,但因子内部权重存在差异。崩塌与整体坡体稳定性影响因子顺序分布一致。滑塌主控因子权重由大到小为土壤母质＞地形起伏度＝坡度＞土地利用＞坡向＞地貌部位。脱落主控因子权重由大到小为土壤母质＞土地利用＞地形起伏度＞坡度＝坡向＞地貌部位。滑坡的主控因子为坡度和地形起伏度。陷穴的主控因子权重由大到小为土壤母质＞地形起伏度＞坡度＞坡向。