桂北桉树人工林红壤速效钾含量高光谱反演模型研究

以桂北桉树人工林红壤为研究对象,测定了不同土壤速效钾含量样品的光谱数据,分析其光谱特征,采用PLS法建立反演模型.结果表明:该区域红壤速效钾含量的光谱敏感波段集中于400～600、1450、2200 nm等区域.经过一阶导数变换后,能显著减少原始光谱数据中的冗余信息,提高光谱指标与土壤速效钾含量之间的相关性.R、FDR 2种光谱指标的全波段建模结果均优于显著性波段的建模结果,最优模型为全波段-FDR-PLS,模型R2=0.862,RMSE=2.718.该研究结果可为广西土壤数字制图、精准变量施肥以及土壤速效钾实时监测等近地遥感推广应用服务.     

基于无人机多光谱遥感的水质年际变化

悬浮物浓度和浊度是评价水质的重要指标。本文采用多旋翼无人机携带多光谱传感器获取多光谱影像,并结合实测悬浮物浓度和浊度,建立悬浮物浓度和浊度的反演模型,获取2019和2020年浙江农林大学东湖校区东湖的悬浮物浓度和浊度分布,并分析其年际变化趋势以及其内在原因。从年际变化可以看出,悬浮物浓度和浊度变化不大,水质状况保持良好。从空间分布上来说,受施工建设、人为活动以及植物种植的影响,空间分布状况有所改变。基于此,使用无人机携带多光谱相机获取图像进行小型水域的长期水质监测,可以及时有效地反馈水质状况,保护生态环境。     

基于高光谱和激光雷达遥感的水稻产量监测研究

【背景】快速、准确地估算水稻产量对于肥水精确管理及国家粮食政策的制定至关重要。高光谱与激光雷达遥感作为2种不同的主被动监测技术,为水稻长势信息获取提供了多样化手段。【目的】对比2种遥感监测手段在不同生态点的独立数据集中的验证精度,寻求可移植性强的产量估算模型,对水稻长势监测提供理论与技术支撑,及为精确农业提供科学指导具有重要意义。【方法】本研究通过实施3年（2016—2018年）包含不同地点、不同品种与不同氮素水平的水稻田间试验,在抽穗后各时期同步获取点云数据和光谱数据,结合线性回归与随机森林回归来估算产量,探究抽穗后点云数据与光谱数据估算水稻产量的差异;同时评估产量模型在不同数据集的时空可移植性,寻求可移植性强的产量估算模型。【结果】利用点云数据估算产量的精度（R² = 0.64—0.69）优于光谱数据的估算精度（R² = 0.20—0.58）;基于线性回归的产量估算模型,其验证精度明显优于基于随机森林回归的产量模型;产量模型在同一生态点的可移植性更强（不同生态点：RRMSE 16.69%—17.85%;同一生态点：RRMSE 11.37%—12.41%）。【结论】本研究为抽穗后水稻产量监测提供了新的方法和不同遥感手段的性能比较,为收获前作物产量的实时估算提供重要支撑。激光雷达技术凭借其全天候工作的特点,在长江中下游水稻产量实时监测中有着较好的应用前景。     

基于高光谱遥感和集成学习方法的冬小麦产量估测研究

【目的】利用2种灌溉处理下不同发育阶段的冬小麦冠层高光谱信息,通过机器学习方法对小麦籽粒产量进行估测精度研究,明确产量最佳估测模型,对于育种工作有着重要应用价值。【方法】以黄淮麦区207个主栽小麦品种为材料,于2018—2019和2019—2020年度连续2个生长季在河南省新乡基地的正常灌溉和节水处理下种植,并调查开花期、灌浆前期和灌浆中期的冠层高光谱数据,分别以6种机器学习方法和集成方法建立光谱指数产量估测模型。【结果】2种灌溉处理下,3个生育期各光谱指数均与产量呈极显著相关（P<0.0001）,且表现出较高的遗传力（0.61-0.85）,主要受遗传因素控制。在正常灌溉处理下,与传统机器学习方法表现最佳的模型相比,集成学习方法在3个生育期的平均决定系数(R²) 分别由0.610、0.611和0.640提高至0.649、0.612和0.675,平均均方根误差 (RMSE) 分别降低至0.607、0.612和0.593 t·hm^-2;节水处理下,3个生育期的平均R²分别由0.461、0.408和0.452提高至0.467、0.433和0.498,平均RMSE分别降低至0.519、0.559和0.504 t·hm^-2。【结论】利用集成方法将不同模型估测结果进行结合,能够有效地提高产量估测精度,2种灌溉处理下均在灌浆中期估测精度最佳,可为冬小麦育种工作中产量估测提供参考。     

基于近红外光谱技术的杉木总酚含量模型构建与应用

【目的】木样总酚含量化学测定耗时长、过程复杂,建立杉木木样总酚含量的快速无损检测模型,对实现木材无损检测及木材腐朽预测具有重要意义。【方法】试验以114个杉木（Cunninghamia lanceolata）木样为研究对象,用福林酚法测定样品总酚含量,利用MPA傅立叶变换光谱仪对杉木木材进行漫反射光谱数据采集。将木样分为校正集和验证集,通过不同光谱预处理方法和建模方法建立总酚的定量模型,选择出最优模型并用验证集对其进行验证。【结果】测定的114个杉木木样中总酚含量变异幅度大,可用于构建近红外模型。对114个杉木木样进行近红外光谱扫描,得出建模光谱范围为9403.9~7498.4 cm-1、6102.1~5446.4 cm-1及4605.5~4242.9 cm-1。对杉木木样的近红外光谱进行预处理,得出最优组合:标准正态变量转换法（SNV）和一阶导数,采用偏最小二乘回归法（PLS）建立模型最优。校正集和交叉验证集的决定系数分别是0.8679和0.7549;校正均方根误差（RMSEE）和交叉验证均方根误差（RMSECV）分别为0.448和0.586,数值均较小且接近,说明模型具有很好稳定性;预测均方根误差（RMSEP）和相对标准偏差（RPD）分别为0.521和2.16,说明模型可进行定量分析。【结论】采用近红外光谱技术检测杉木总酚含量可行,能为木材化学成分快速测定提供一种有效、无损方法。受拟合规则影响,构建的模型虽然不能用于精确定量测定,仍可应用于日常科研和生产检测,在木材材质预测及良种选育等方面具有广阔应用前景。     

基于无人机多光谱影像的荒漠草原典型物种识别

【目的】 准确获取草原植物物种空间分布信息是草原生态系统生物多样性监测、群落重构与生态功能维持的重要基础。及时准确获取植物物种空间分布可以为草原植物物种信息提取提供有效技术手段。【方法】 文章以无人机多光谱影像为基础,分别在像元尺度和对象尺度上开展了荒漠草原典型物种的信息提取方法研究。像元尺度上先定义样本计算样本可分离性,在选择不同分类器进行分类。而对象尺度上首先进行遥感影像尺度分割研究,选出最佳分割尺度。在此基础上,提取最优特征变量,并采用阈值分类法提取植被信息。【结果】 高分辨率无人机多光谱数据能够为荒漠草原物种信息提取提供有效数据基础。面向对象影像分析技术的表现最好,总体精度85.16%,Kappa系数0.71,其中短花针茅的制图精度和用户精度分别为97.6%和86%;其次是支持向量机机器学习算法,其总体精度80.40%,Kappa系数0.70,短花针茅的制图精度和用户精度分别为90.08%和76.46%;而传统最大似然分类法的识别精度较低,总体精度为74.68%,Kappa系数0.64,短花针茅的制图精度和用户精度分别为72.40和81.96。【结论】 无人机多光谱数据对于集中连片分布的植被物种的识别能力较强,而对零星分布的物种的识别精度并不理想,但该文结果能够为大尺度草原植物物种识别提供一定参考。     

扰动扩散流动分析法测定土壤氮、磷技术研究

随着国家对农业面源氮、磷污染防治力度的加大,土壤氮、磷测定技术迫切需要改善。本研究在对常规的扩散对流（Dispersion convection）和强迫对流（Forced convection）流动分析方法基础上,提出了扰动扩散（Perturbation diffusion）流动分析方法,以实现土壤氮、磷全自动化快速测定与分析。扰动扩散流动分析方法是将样品和试剂定量化后集中在化学反应腔中进行反应,然后程序控制蠕动泵对化学反应腔中反应物进行反复扰动,待化学反应完全稳定后流入光电探测单元完成土壤氮、磷含量测定。采用取自湖北潜江的土壤样品对扰动扩散流动分析方法进行了系统验证,实验结果表明,本研究提出的方法与常规紫外可见分光光度法对氮、磷测定相比,基于硫酸钠和碳酸氢钠联合浸提的土壤铵态氮测量值相关系数为0.915 5,基于氯化钙浸提的土壤铵态氮、硝态氮和水溶性磷测量值相关系数分别为0.998 5、0.990 1和0.991 1。铵态氮、硝态氮和水溶性磷的检出限分别为0.055 4、0.020 3 mg·L^-1和0.008 4 mg·L^-1,相对标准偏差（RSD,n=7）分别为1.8%、4.8%和1.0%。     

土壤病原微生物检测技术研究进展

病原微生物如细菌、病毒、真菌等广泛存在于土壤环境中,其严重威胁着全球公共卫生安全。发展病原微生物快速检测技术,对于减少病原菌扩散传播、防控传染性疾病、维护生物安全具有重要意义。本文对病原微生物检测技术的最新研究进展进行了综述,包括显色培养技术、基质辅助激光解吸电离飞行时间质谱、分子生物学技术、拉曼光谱技术、流式细胞技术和生物传感器等,并对其原理、应用及优缺点进行了全面比较。最后,对病原微生物检测技术的未来发展提出展望,旨在促进土壤环境病原微生物的快速检测和生物风险防控。     

基于无人机遥感的湿地松花青素含量预测

[目的]花青素是植物叶片中的第三大色素,功能多样,抗氧化性较强,不仅有助于叶片损伤修复,而且可以通过吸收光能而减少叶绿素对光的吸收,调节光合作用,从而起到光保护的作用.因此,了解花青素含量的动态信息,可以间接了解植物的营养健康状况,为植物培育管理提供一种可靠的参考指标.湿地松(Pinus elliottii)作为我国重要的造林树种,适时测定湿地松针叶中花青素含量对于了解湿地松生长生理状态具有重要的意义.提出一种用无人机遥感技术反演湿地松叶片花青素含量的方法.为利用多光谱无人机选择湿地松试验林中高花青素含量资源提供技术基础.[方法]以湿地松苗为试验对象,利用便携式紫外-可见光荧光仪获取湿地松冠层叶片的花青素含量实测值以及利用多光谱无人机同步获取湿地松冠层叶片的多光谱反射率.选取了5个光谱值(RED、GREEN、BLUE、NIR、REG)以及与湿地松花青素含量关系较密切的植被指数GNDVI、LCI、NDRE、NDVI、OSAVI、R/G、MACI、ARI和MARI共9种.对14种光谱指数进行不同的数据处理后分别基于偏最小二乘、支持向量机、BP神经网络方法建立花青素含量的预测模型,并分别验证,比较选出最优建模方法和预测模型.[结果]比较经5种数据预处理方法(Original(OG)、Standard Normal Variate(SNV)、blockScale(BS)、blockNorm(BN)、Detrend(DET))和5种重要变量选择方法(不处理、遗传算法与PLS回归相结合(ga_pls)、逆向变量消除(bve_pls)、正则化消除(rep_pls)、显著多元相关算法(smc))组合处理后,发现数据经过去趋势化处理和逆向变量消除处理后,基于支持向量机建立的模型为最优建模方法,此模型对湿地松冠层花青素含量预测可以达到最佳效果,验证集决定系数R2为0.61,均方根误差RMSE为1.34％.[结论]基于无人机多光谱技术,去趋势化处理和逆向变量消除处理与支持向量机相结合的建模方法可实现对湿地松冠层花青素含量的预测.     

近红外高光谱成像结合特征波长筛选识别小麦赤霉病瘪粒

为实现小麦赤霉病瘪粒快速识别,本研究使用主成分分析(Principal component analysis,PCA)结合最大类间方差法(Otsu)对小麦高光谱图像进行背景分割,以赤霉病瘪粒识别正确率为评价指标,探究判别分析方法与竞争性自适应权重取样法(Competitive adaptive reweighted sampling,CARS)的最佳组合方式.结果显示,基于全谱段构建的偏最小二乘判别分析(Partial least squares discrimination analysis,PLS-DA)和支持向量机判别分析(Sup-port vector machine discriminant analysis,SVM-DA)模型预测精度相同,外部验证集健康籽粒和赤霉病瘪粒识别正确率分别为95.2％和100.0％;基于CARS筛选的8个特征波长构建的CARS-PLS-DA模型外部验证集健康籽粒和赤霉病瘪粒识别正确率均为100.0％,预测精度高于CARS-SVM-DA模型,可有效实现赤霉病瘪粒的快速识别.研究结果将为谷物仓储和加工过程中赤霉病瘪粒高通量快速识别提供理论依据和技术支撑.