倒伏胁迫下玉米抽雄期叶面积密度光谱诊断

【目的】叶面积密度（leaf area density,LAD）反映作物在垂直方向上体积内叶面积总量的差异,体现作物冠层内叶面积随着高度变化的分布状况。本文旨在探索玉米叶面积密度对于倒伏胁迫强度的表征能力及其光谱响应规律。【方法】以抽雄期倒伏夏玉米为研究对象,获取倒伏后玉米多期LAD及冠层光谱数据,对倒伏玉米冠层光谱进行一阶微分和小波变换处理,根据LAD与冠层光谱一阶微分及小波分解系数的相关性分析,筛选LAD敏感波段和最佳小波分解尺度,采用偏最小二乘法构建倒伏玉米LAD光谱诊断模型,并利用实测样本验证模型精度。【结果】玉米LAD随着倒伏胁迫程度的增强而增大,LAD可有效表征玉米倒伏胁迫强度及其自身恢复能力;玉米倒伏后冠层结构发生较大变化,倒伏玉米冠层光谱反射率较正常玉米整体增高,近红外波段的增幅相比可见光波段更高,倒伏强度越强则光谱反射率越高;LAD敏感波段主要分布在蓝光波段354—442、472—495 nm和红光波段649—829 nm以及近红外波段903—1 195 nm和1 564—1 581nm;同一阶微分处理相比,基于连续小波变换的玉米倒伏LAD诊断模型的验证R²提高6.08%—9.11%,RMSE降低23.08%—31.63%;小波分解尺度对LAD诊断精度有一定的影响,中低尺度模型精度优于高尺度模型,其中第5尺度构建的模型对LAD的拟合效果最优（R²=0.898,RMSE=1.016）。【结论】利用连续小波变换技术对玉米冠层高光谱解析,可有效诊断倒伏胁迫下的玉米叶面积密度,可以为玉米倒伏胁迫灾情遥感监测提供必要的先验知识。     

基于无人机数码影像的马铃薯生物量估算

株高和植被覆盖度（Vegetation Coverage, VC）是估算生物量的重要参数，而生物量的准确估算对农业生产具有重要作用。该研究获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的无人机和地面数码影像，并实测株高、地上生物量和地面控制点（Ground Control Point, GCP）的三维空间坐标。首先基于数字表面模型（Digital Surface Model, DSM）提取马铃薯株高，其次利用地面和无人机数码影像提取马铃薯VC实测值和估测值，然后将提取的株高、VC和二者乘积与选取的11种植被指数和生物量作相关性分析，挑选出相关性较好的前6种植被指数和3种农学参数，最后通过线性回归（Linear Regression，LR）、偏最小二乘回归（Partial Least Square Regression，PLSR）、随机森林（Random Forest，RF）算法和支持向量机（Support Vector Machine, SVM）估算生物量。结果表明，提取株高和实测株高拟合的决定系数为0.86，标准均方根误差为13.42%；提取VC值和实测VC值拟合的决定系数为0.84，标准均方根误差为15.76%；利用LR建模和验证精度由低到高依次为提取的株高、VC和二者乘积，每种变量的估算效果均从现蕾期到块茎增长期逐渐变好，从淀粉积累期到成熟期逐渐变差；每个生育期利用3种方法以不同变量估算生物量效果依次由低到高为植被指数、植被指数结合提取株高、植被指数结合提取VC、植被指数结合提取的株高和VC，其中PLSR模型效果优于RF和SVM模型。该研究为马铃薯长势快速监测提供参考。     

秋天的眼泪（二）

狭窄的空间，黏稠的液体，冷冰冰的闪光，痛苦的刺激刺入四面八方，隆隆作响的声音，身体膨胀得好像要爆炸，猛烈的光亮——     

秋天的眼泪

秋天的眼泪．挥不去的是你的影子。你不用在意，流泪也只是刚好而已．我旱已经呆在谷底感谢你．让我拥有秋天的美丽。     

黑色警戒（七）

父子一个是总裁，一个是副总裁，这样子又合适吗？” “可那是董事会选举出来的呀。”     

国务院要求三聚氰胺销售全程实名登记

国务院办公厅日前发布关于进一步加强乳品质量安全工作的通知,要求三聚氰胺销售全程实行实名登记制度,防止三聚氰胺流向食品生产加工企业和饲料生产加工企业。通知要求,有关部门制定三聚氰胺生产流通管理办法,进一步完善和落实三聚氰胺生产企业出厂销售用户登记制度、承诺制度和销售台账制度,并在从三聚氰胺批发商到零     

黑色警戒（八）

罗尔斯顿了顿，说，“刚才我和阿里在信息世界上联系，也给我说了那辆法拉利的事。”     

秋天的眼泪

我的眼前又闪现出了那张脸，那张庸俗的、讨厌的、自以为是的、令人憎恶的脸，他居高临下地看着我，眼睛中充满鄙夷和不屑，说：你这条野狗。     

基于改进分离阈值特征优选的秋季作物遥感分类

为了提高秋季作物分类精度,以多时相的Sentinel 2为数据源,以生育进程相近的秋季作物为分类对象,提出一种基于Relief F算法和信息熵改进分离阈值算法(Modified ISEaTH based entropy,EMISE)的多评价准则融合特征优选算法——改进分离阈值组合式特征优选算法(Modified EMISE based Relief F,ReEMISE),并分析了不同特征对秋季作物分类的重要性。首先,利用Relief F算法对特征进行初选,结合EMISE算法对2种评价准则进行融合,再优化初选特征集,进而利用随机森林(Random forest,RF)方法提取农作物种植面积,并与单评价准则的Relief F算法和EMISE算法的随机森林分类精度进行比较。同时,利用多时相光谱特征、传统指数特征、红边指数特征、纹理特征、不同时相波段差值特征、不同时相波段比值特征及优选特征,通过7组不同的特征组合提取秋季作物种植面积,分析不同特征组合对秋季作物分类精度的影响。结果表明:ReEMISE特征优选的随机森林法在特征变量为9个时精度最高,总体精度和Kappa系数分别为95.3918%和0.9397;综合多特征是提高农作物分类精度的关键,在多时相光谱特征基础上分别加入传统指数特征和红边特征,总体精度分别提高1.5021、1.5715个百分点,Kappa系数分别提高0.0198、0.0207。因此综合多特征的ReEMISE特征优选的随机森林法可以有效提高秋作物分类精度和效率。     

基于无人机高光谱影像的马铃薯株高和地上生物量估算

为实现快速无损获取马铃薯株高和地上生物量信息,分别获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期、成熟期的高光谱影像,实测马铃薯株高H、地上生物量（AGB）和地面控制点（GCP）的三维空间坐标,基于无人机高光谱影像结合GCP生成试验田的数字表面模型（DSM）,利用DSM提取马铃薯的株高Hdsm ;然后,对马铃薯AGB与原始无人机冠层光谱和高光谱指数分别进行相关性分析,筛选出最优光谱指数和前10个光谱指数,利用指数回归（Exponential regression,ER）构建单变量模型;最后,采用多元线性回归（Multiple linear regression, MLR）、偏最小二乘回归（Partial least square regression, PLSR）和随机森林（Random forest, RF）3种方法构建不同生育期的估算模型,并进行对比,挑选出马铃薯AGB估算的最优模型。结果表明：将提取的马铃薯株高与实测值进行线性拟合,R 2 为0.84;在单变量模型中,每个生育期以ER估算AGB得到的验证精度高于相应的建模精度,其中构建模型效果优劣次序依次为最优光谱指数、Hdsm 、H,块茎增长期以CIrededge指数估测精度最高（R 2 =0.45）;在多变量模型中,每个生育期采用3种方法构建AGB估算模型,每种方法以光谱指数加入Hdsm 的模型精度更高、稳定性更强;每个生育期利用MLR以光谱指数和Hdsm 为变量的AGB模型（R 2 为0.64、0.70、0.79、0.68、0.63）效果优于PLSR（R 2 为0.62、0.68、0.75、0.67、0.60）和RF（R 2 为0.56、0.61、0.67、0.63、0.53）模型。利用MLR模型进行马铃薯AGB填图,5个生育期的AGB空间分布与实际生长情况一致。利用融入Hdsm 的MLR模型可估测大面积马铃薯AGB,为精准农业定量化研究提供技术支持。