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。     

基于Transformer的强泛化苹果叶片病害识别模型

模型泛化能力是病害识别模型多场景应用的关键,该研究针对不同环境下的苹果叶片病害数据,提出一种可以提取多类型特征的强泛化苹果叶片病害识别模型CaTNet。该模型采用双分支结构,首先设计了一种卷积神经网络分支,负责提取苹果叶片图像的局部特征,其次构建了具有挤压和扩充功能的视觉Transformer分支,该分支能够提取苹果叶片图像的全局特征,最后将两种特征进行融合,使Transformer分支可以学习局部特征,使卷积神经网络分支学习全局特征。与多种卷积神经网络模型和Transformer模型相比,该模型具有更好的泛化能力,仅需学习实验室环境叶片数据,即可在自然环境数据下达到80%的识别精度,相较卷积神经网络EfficientNetV2提升7.21个百分点,相较Transformer网络PVT提升26.63个百分点,能够有效提升对不同环境数据的识别精度,解决了深度学习模型训练成本高,泛化能力弱的问题。     

不同粒型吉林粳稻食味品质及质构特性比较分析

为探究粒形对粳稻食味品质及质构特性的影响,以22个不同粒形品种粳稻稻米为对象,分析其理化特性、食味品质和质构特性差异。结果表明,参试粳稻稻米理化性质相似,但食味品质和质构特性差异较大,吉粳830食味品质最佳,滢科101食味品质最差;粒宽与米饭硬度呈显著正相关（p<0.05）,与黏度、黏硬比和食味值呈显著负相关（p<0.05）,与黏性呈极显著负相关（p<0.01）;长宽比与米饭黏度和黏性呈显著正相关（p<0.05）。主成分分析（判别率为80.5%）和正交偏最小二乘判别分析（拟合能力R²X=0.759,预测能力Q²=0.698）可有效将食味品质较好的稻米样本归为一类,黏硬比可作为判别优质食用稻米的有效参数。本研究结果可为基于稻米粒形建立稻米食用特性的快速评价方法提供参考。     

盘锦苇田钻心虫发生规律及防治措施

芦苇钻心虫是盘锦苇田经常发生的害虫之一,不但破坏苇田植被,还直接影响芦苇质量,降低芦苇产量。介绍芦苇钻心虫的形态特征、生活习性、发生规律,以及危害特点,提出防治措施,为苇田钻心虫的有效防治提供参考。     

观赏竹开发与应用研究进展

为了合理开发利用、丰富园林绿化景观,提升中华竹文化品位,根据多年来对观赏竹栽培利用的实践经验,分析了观赏竹种开发现状与发展前景,对我国的观赏竹种资源、园林美学特征、观赏竹在园林中的配植方式和造景效果进行了概述,并对观赏竹在福建省等地的广泛应用实例进行了分析。     

基于 PCA 特征融合与 LDA 分类的实木地板纹理判别方法

纹理一致性影响着实木地板档次,针对目前实木地板纹理分类速度慢、精度低的问题,提出一种适合区分直纹、抛物纹、乱纹3类纹理的在线检测方法。方法首先对纹理图像进行缩小,运用视觉心理学的Tamura方法提取粗糙度、对比度、方向度、线性度、规整度、粗略度等6个纹理特征;同时在原图像提取反映图像全局信息的灰度均值、方差、熵等3个统计量;然后,运用主成分分析法（PcA）对3类纹理9个特征进行降维融合操作;最后,采用线性判别分析方法（LDA）构建3类纹理的辨识模型。采用200幅实木地板纹理图像进行实验,当主成分个数为7时,分类正确率稳定达到85％,较传统Tamura方法的83％和全局基本统计量的70％有所提高;特征提取时间为0．5548S,比缩小前图像的Tamura特征提取时间55．7000S明显减低,而分类正确率没有明显变化。     

柴达木盆地沙尘天气的气候特征及与气象要素的关系

利用1961～2010年柴达木盆地10个气象站观测资料,采用气候统计学方法,对沙尘天气变化特征及与气象要素的关系进行分析。结果表明,近50年柴达木盆地扬沙、浮尘、沙尘暴日数均呈显著减少的趋势,4月为扬沙、浮尘、沙尘暴出现次数最多的月份;沙尘天气均表现为春季〉夏季〉冬季〉秋季的气候特征;沙尘天气与大风、降水呈正相关,与大风的相关性明显,与降水的相关性不明显;四季气温与沙尘天气呈不显著的负相关。可见大风日数的减少是沙尘天气减少的主要原因,降水增加和气温升高对沙尘天气的发生也起一定抑制作用。     

北京明长城森林景观空间结构的分形特征及稳定性

为了从整体上了解北京明长城沿线森林景观空间结构的分形特征及稳定性状况,基于分形理论,以北京市长 城普查数据和近期森林资源调查数据为主要数据源,以北京境内明长城两侧3 000 m 范围内的森林景观为研究对 象,在对研究区各景观类型的周长和面积统计的基础上,又对各景观要素类型斑块形状指数及周长-面积的标度和 频度关系进行了定量分析,并结合分维数以及稳定性指数对各景观要素类型的分形特征和稳定性进行研究分析。 结果表明,研究区内各景观要素类型斑块形状指数以及周长-面积的标度和频度关系是客观存在的。周长和面积 统计表明,研究区以有林地和灌木林地为主,二者面积比重之和达83.38%,而疏林地和无立木林地景观面积比重 较少,分别为0.76%和0.36%。平均斑块形状指数、分维数以及稳定性指数分析表明,农地和其他用地景观的斑块 形状最为不规则,复杂程度最高,空间占据程度最大,稳定性最低,而疏林地斑块形状最规则,稳定性最高。其中, 农地景观稳定性指数为-0.086 7,表现为在其复杂形态下的一种稳定性。从整体上看,研究区自然景观斑块形状 较人文景观更为规则,稳定性更高。地形地貌和人为干扰是影响景观斑块形状和稳定性的主要因子。      

结构化森林经营技术要点与应用

利用结构化森林经营技术对蛟河林业实验区管理局所属红松阔叶林进行经营,并对经营前后林分的基本特征与状态特征进行比较分析,结果表明:郁闭度由0.85下降到0.80,林分密度由1 186株·hm-2下降到992株·hm-2;林分平均角尺度为0.490,仍为随机分布;林分平均混交度为0.792,较经营前略有上升;直径分布仍为倒"J"型。顶级树种红松的相对显著度明显上升,由经营前的8.26%上升到经营后的9.57%,优势度从经营前的0.230上升到经营后的0.264;珍贵树种黄檗及主要伴生树种的优势度均呈上升状态。