Windows平台下土地资源评价信息的系统设计与功能实现

根据土地资源的特点及土地评价的原理,在微机软、硬件系统支持下,基于Ｗｉｎｄｏｗｓ平台,建立了土地资源评价信息系统（ＬＡＩＳ）,该系统具有建库、增加、修改、删除数据等数据编辑和维护功能;在分析了多种土地评价因子类型基础上,根据模糊数学理论,归纳出了４种因子隶属函数模型;并将层次分析（ＡＨＰ）的原理与方法引入土地评价以确定参评因子的权重,将这些模型方法与系统集成快速完成土地评价;该系统与ＡＲＣ／ＩＮＦＯ连接或通讯,实现了空间数据的输入和土地评价专题图件的输出,以完成土地资源评价任务。     

农用土地综合评价的一种新方法

利用遥感（ＲＳ）与地理信息系统（ＧＩＳ）和一门新兴的系统科学－－－物元分析法,以武汉市狮子山地区为样区对农用土地综合评价进行了研究。研究结果表明,狮子山地区的土地质量中等偏上,符合当地的实际情况。该研究对于解决以往土地评价中存在的一些问题,如权重的不确定、人为因素影响过多等提供了一些新的思路与方法。     

基于成像光谱技术预测氮素在土壤剖面中的垂直分布

可见—近红外(vis-NIR)高光谱成像技术应用于土壤科学是当前数字土壤研究的新方向。本研究考察了该技术预测土壤剖面氮素垂直分布的可行性。深达1 m的土壤整段剖面(1 000 mm×170 mm×65 mm)采自湖北崇阳县,成像光谱仪配备了25μm狭缝,视场角13.1°的35 mm焦距镜头和1 004×1 002像素的面阵CCD,拍摄得到剖面vis-NIR高光谱影像(400~1 000 nm共753个波段)。对获取的影像先通过几何校正解决影像形变问题,再采用监督分类方法识别提取有效土壤像素,剔除阴影裂缝等无效像素。最后利用室内土样vis-NIR反射光谱建立的土壤全氮校正模型,对3个土壤整段剖面的高光谱影像数据进行全氮(TN)预测制图。结果表明,vis-NIR成像光谱技术对土壤整段剖面TN含量预测效果达到甚至优于经标准制样处理后所建模型精度。但存在纵向局限性,其良好地还原了浅层土壤氮素的分布规律,0~600 mm为较佳预测深度。     

土壤分类专家系统设计

土壤系统分类以定量化指标划分土壤类型,为土壤自动分类系统的建立提供了可能.为了模仿专家的思维过程实现土壤自动分类,该文着重研究了如何采用面向对象的方法表达专家经验规则、诊断层和诊断特性知识,在此基础上提出了土壤分类决策树的构造方式和推理方法;并从土壤系统分类专家的知识表示和推理机的构建两个方面,提出了土壤分类专家系统 (SCES)的体系结构.GIS作为管理空间信息和提供空间分析方法的平台,也被有效地集成到系统中,以实现土壤自动分类的目的.     

基于不确定性模型的土壤——环境关系知识获取方法的研究

土壤与环境关系知识的获取是精细数字土壤制图的关键,如何快速准确地获取该知识成为现阶段研究的重点。以湖北省黄冈市红安县华家河镇为例,利用土壤—环境推理模型(Soil-Land Inference Model,So LIM)得到土壤类型的夸大和忽略不确定性分布图,依据不确定性分布图在可信度高的位置重新采集样点,对样点进行数据挖掘,获取环境因子组合,建立其与土壤类型的对应关系。结合原始规则,生成新的土壤—环境关系知识,并将其用于土壤推理制图,获得新的土壤类型分布,利用253个野外独立样点进行精度验证。结果表明:推理土壤图显示了更加详细的空间分布信息,经野外验证点验证,总体精度为86.9%,高于原土壤图精度约13%。因此,利用不确定性模型重新获取土壤—环境关系知识的方法是可行且有效的,该方法不仅增加了土壤图的空间详细度,而且提高了土壤图的精确度。     

基于高光谱的油菜叶面积指数估计

以冬油菜为研究对象,2014-2015年度设计了不同施氮水平直播油菜小区试验,在不同生育时期测量冠层光谱、土壤背景光谱以及叶面积指数(leaf area index,LAI),通过相关分析选取了12个光谱特征参数和11个植被指数,建立6叶期至角果期LAI的5种线性和非线性定量反演模型。结果表明:二次多项式反演模型比较适合估算油菜LAI苗期时以红边参数为代表的光谱特征参数,可准确估算出LAI;6叶期时红边幅值预测模型R~2为0.81,RMSEP为0.39,RPD为1.62;8叶期时红蓝边面积比归一化预测模型R~2为0.79,RMSEP为0.60,RPD为2.30;10叶期时红边幅值预测模型R~2为0.92,RMSEP为0.47,RPD为2.36;盛花期时蓝边面积预测模型R~2为0.87,RMSEP为0.34,RPD为2.57;角果期时以RDVI为代表的植被指数也可准确估算出LAI,预测模型R~2为0.74,RMSEP为0.57,RPD为1.36。油菜全生育期采用相同光谱特征参数、植被指数建模估计LAI精度明显降低,预测R~2远小于0.75,RMSEP大于0.65,RPD值均小于1.40,表明难以采用统一参数建模准确估计油菜全生育期LAI,不同生长时期需选择合适的光谱参数、植被指数分段建模估计LAI。     

基于波段深度分析和BP神经网络的水稻色素含量高光谱估算

该文以水稻田间氮肥水平试验为基础,采用单变量的线性和非线性回归方法,建立基于植被指数的水稻色素含量高光谱估算模型。各植被指数对色素含量的估计能力分析结果显示,植被指数在色素含量较大时存在饱和问题,为此尝试将波段深度分析(BDA)与BP神经网络结合,以提高利用高光谱技术对水稻叶片色素含量的估算精度。基于连续统去除处理的水稻冠层高光谱数据(400~750 nm),选取波段深度(BD)、波段深度比(BDR)、归一化波段深度(NBDI)和归一化面积波段指数(BNA)4种波段指数,在此基础上进行主成分分析(PCA)实现降维,然后采用反向传播(BP)神经网络方法对水稻叶片色素含量进行高光谱反演,探讨BDA与BP神经网络结合解决植被指数饱和问题的可能性和有效性。结果表明,波段深度分析突出了光谱吸收特征差异,挖掘了更多的潜在信息,使得光谱曲线的差异性得到增强。BD与BP结合的估算模型对水稻叶片中的类胡萝卜素含量估算精度最高(R~2=0.61,RMSEP=0.128 mg?g~(-1)),BNA与BP结合的估算模型对水稻叶片中的叶绿素含量估算精度最高(R~2=0.73,RMSEP=0.343 mg?g~(-1))。对比分析BDA与BP结合的模型和植被指数最佳回归模型的精度,发现波段深度分析建立的BP神经网络模型能较好地解决饱和问题,提高水稻叶片色素含量的估算精度。     

基于角果期高光谱的冬油菜产量预测模型研究

以连续3 a田间氮肥水平试验为基础,研究基于高光谱估产的可行性,明确最佳光谱监测方式和有效波段,降低光谱分析维数,提高产量估测时效性。2013—2016年分别于湖北省武穴市和沙洋县进行大田试验,通过测试角果期冠层光谱反射率、产量构成因子(单株角果数、每角粒数和千粒质量)和成熟期产量,利用偏最小二乘回归(PLS)分别对油菜原初光谱(RSR)和一阶微分光谱(FDR)与其产量及构成因子间构建定量分析模型并筛选有效波段。结果表明,基于全波段的FDR-PLS模型预测精度显著优于R-PLS,其最佳监测指标是冬油菜产量和角果数,验证集决定系数(R2)分别为0.90和0.91,均方根误差(RMSE)分别为379 kg/hm2和66个/株,相对分析误差(RPD)分别为3.11和3.12。基于各波段变量重要性投影(VIP)值,确定冬油菜产量有效波段分别为628、753、882、935、1061、1 224 nm;角果数有效波段分别为628、758、935、1 063、1 457、1 600 nm。此后,再次构建基于上述有效波段的冬油菜产量和角果数监测模型,决定系数分别为0.91和0.87,均方根误差分别为504 kg/hm2和82个/株,相对分析误差分别为2.34和2.52,估算精度较为理想。