基于GF-6卫星影像多特征优选的酿酒葡萄精准识别

多源遥感信息和特征优选是提高农作物识别精度的重要支撑，高分六号（GF-6）卫星作为首次引入红边波段的国产卫星，其丰富的光谱信息为作物识别提供了新的思路和解决途径。该研究基于宁夏回族自治区银川市永宁县2018年6月-2019年3月的GF-6数据，充分利用红边优势提取光谱特征、纹理特征和植被指数特征，构建多种特征组合方案，并根据随机森林算法对特征重要性进行度量，选取最优特征组合对酿酒葡萄进行精准识别。结果表明，与单一特征相比，多源遥感特征的增加显著改善了酿酒葡萄分类效果，其中，植被指数贡献程度最大，光谱特征次之；基于随机森林的优选特征组合分类效果最佳，其中，总体分类精度为94.15%，酿酒葡萄用户精度为94.23%，制图精度为92.59%；以实地调查的4个酒庄为验证区，将酿酒葡萄提取结果与统计数据进行对比，面积相对精度均在70%以上，其中优选特征结果相对精度在90%以上，研究结果将为国产卫星红边波段在植被分类和识别方面的应用提供数据参考。     

论新疆农业节水潜力与措施

本文依据新疆水资源的实际情况,论述了在新疆农业生产中节约用水的必要性与可能性,并提出了农业节约用水的具体措施与方法。     

新疆棉花物倏与气候条件研究

本文利用新疆23个农业气象观测站的棉花观测资料和相应在的气象资料，分析了全疆棉花发育期特征及其变化规律；纬度及海拔高度对棉花发育期的影响；研究了棉花各发育期间的积温、平均气温与其分布规律，是开展棉花气象服务的一项基础研究工作。     

棉花高光谱及其红边特征(I)

通过大田和室内试验,测定了2个品种的棉花冠层、完全展开倒1、3叶在不同时期的高光谱反射率及对应叶片的叶绿素、类胡萝卜素含量。结果表明:随发育期推移,棉花冠层光谱反射率在可见光范围降低,在近红外区域增高;叶片背面光谱反射率略高于正面,透射率小于反射率;叶面积指数、鲜叶重和干叶重与冠层反射光谱变量ρ800 ρ550、ρ800 ρ680、ρ680 ρ570之间存在显著相关;叶片叶绿素和类胡萝卜素浓度与其反射光谱变量ρ680 ρ570、ρ673 ρ640、ρ680 ρ550、PSSRa、PSNDa、RCh之间也呈显著相关。     

水稻冠层垂直反射率模拟

利用1999年和2000年实测的晚稻冠层结构参数(叶面积指数、叶倾角、叶长、叶宽等)和叶片生物化学组分含量(叶绿素、蛋白质、纤维素、水等)实测数据,结合椭圆分布函数模型、PROSPECT模型和FCR模型,模拟水稻冠层垂直反射率,模拟值与实测值的相关系数大于0.98,均方根差RMSE小于0.05,从而建立了冠层结构参数、叶片生物化学组成等农     

水稻地上鲜生物量的高光谱遥感估算模型研究

不同氮素营养水平的水稻田间试验,采用单变量线性与非线性拟合模型和逐步回归分析,用1999年试验数据为训练样本,建立水稻鲜生物量的高光谱遥感估算模型,用2000年试验数据作为测试样本数据,对其精度进行评价和验证.结果表明,高光谱变量与地上鲜生物量之间的线性与非线性拟合分析中,一些高光谱特征值如红边波长(λr)、绿峰最大     

棉花高光谱及其红边特征(Ⅱ)

通过大田和室内试验,测定了2个棉花品种的冠层、完全展开倒1、3叶在不同时期的高光谱反射率及对应叶片的叶绿素、类胡萝卜素含量。结果表明:棉花冠层光谱红边具有“双峰”和“红边平台”现象,且红边位置λ_(red)位于695～720nm之间,红边幅值Dλ_(red)和红边面积S_(red)有“红移”和“蓝移”现象;叶面积指数、鲜叶重和干叶重与冠层光谱红边参数λ_(red)、Dλ(red)、S_(red)之间存在显著相关,叶片叶绿素和类胡萝卜素含量与其反射光谱的λ_(red)、Dλ(red)、S_(red)也有显著相关。     

基于多生育期光谱变量的水稻直链淀粉含量监测

直链淀粉含量是评价稻米品质的重要指标之一,其累积生长过程是多生育期、多因素综合作用的结果。为了探究多生育期信息引入对水稻籽粒直链淀粉含量监测模型的影响,实现水稻品质信息的大规模准确监测。该研究选取水稻孕穗期、抽穗期、灌浆期和成熟期这4个有关水稻籽粒形成发育的生育期的冠层光谱,分析原光谱、植被指数、高光谱特征参数,及其变换形式与水稻籽粒直链淀粉含量的相关性,筛选得到相关性较好的光谱变量,并利用逐步回归的方法进行建模,建立基于多生育期光谱变量的直链淀粉含量预测模型。结果表明:一阶导数、差值植被指数(Difference Vegetation Index,DVI)、比值植被指数(Ratio Vegetation Index, RVI)及成熟期特征参数表现出较高敏感性,最适用于直链淀粉含量预测的生育期为成熟期,而多生育期信息的综合利用能显著提高模型预测精度,最佳多生育期预测模型为孕穗-抽穗-成熟期组合模型,建模决定系数(Coefficient of Determination, R^2)为0.708,均方根误差(Root Mean Square Error, RMSE)为0.711%,平均绝对百分比误差(Mean Absolute Percent Error, MAPE)为3.22%,验证R2为0.631,RMSE为0.768%,MAPE为3.99%,证明该模型能较为精确地预测籽粒直链淀粉含量,为稻米品质指标大尺度统计监测提供一定的技术支撑和应用基础。     

概率神经网络的水稻种植面积遥感信息提取研究

为了提高水稻种植面积遥感信息提取精度,将根据水稻生长期所选择的多时相遥感影像经过大气校正和几何校正后,实施单波段统计、主成份变换和比值变换,选出最佳组合波段,通过分析概率神经网络(probabilistic neural network,PNN)的学习算法和基本结构,对最佳组合波段影像实现PNN模型分类,并将其分类结果与反向传播(back propagation,BP)神经网络模型和最小距离法的分类结果进行比较.结果表明:PNN模型比最小距离法的分类精度高出近6个百分点;PNN模型比BP模型的分类精度高出近13个百分点;对于水稻种植面积提取精度,PNN模型比最小距离法的结果高出15个百分点.从本次试验可知,PNN模型是一种有效的遥感影像分类方法,在作物种植面积提取方面将具有独到的功效.