基于农用地分等的区域耕地整理规划

耕地整理类型区与整理区优先度划分是土地整理规划的基础。该文以北京大兴区为例,充分利用农用地分等成果,从耕地整理的基本目标出发,分析选取了土地整理类型区划分的因子,并运用模糊聚类方法划分整理类型区;提出了基于土地整理效益与评价单元对新增耕地和提高耕地综合生产能力的迫切性需求的双重目标的土地整理优先度评价指标体系和方法。结果表明,研究区内耕地最主要的限制性因素是土壤肥力偏低,亟需培肥地力的区域耕地面积为27 603.8 hm2,占总耕地面积的64.9%;其次是耕地地块的坡度、规模和景观指数等因素导致的耕地生产条件差,而需要实施整理工程的耕地占总耕地面积的17.86%;近期整理区分布与新增耕地相关的整理类型相一致,占区域总耕地面积的15.82%;中期整理区集中连片分布在该区的北部地区,占区域总耕地面积的46.18%;远期整理区在较长时间内以实施培肥地力工程为主,将来主要通过居民点和闲散用地整理增加耕地面积。研究结果可为区域土地整理规划编制和土地整理实践提供科学依据。     

土壤肥料与农产品质量的关联与分析

农产品质量的优劣与人类日常生活水平和身体健康息息相关,生产出适口的、健康绿色的农副产品,必须从保护土壤和合理施肥做起。文章以湖北省孝昌县土壤肥料工作站实施的测土配方施肥项目为例,对土壤肥料与农产品质量之间存在的重大关联进行了分析。     

基于小麦长势遥感监测的土壤氮素累积估测研究

农田长时间被植被所覆盖给遥感直接监测农田土壤养分及其动态带来巨大难度。由于不同的土壤条件和施肥量会在一定程度上引起作物长势的差异，并最终反映在作物冠层光谱反射率的差异,因此，通过遥感监测作物长势动态实现农田土壤养分与环境质量将是遥感监测土壤质量的一个重要方法。该文利用追肥前后两期高光谱航空影像提取反映小麦长势状况的归一化植被指数NDVI，并结合小麦种植前后的土壤采样数据，分析了追肥前后NDVI及其增量与小麦种植前后土壤碱解氮增量之间的关系。研究结果表明：与追肥前后NDVI绝对增量相比，追肥前的NDVI能够较好地估测小麦生育期内土壤碱解氮增量，追肥前后NDVI绝对增量与追肥前的NDVI的比值是估测小麦生育期内土壤碱解氮增量的最好指标，而追肥后的NDVI与土壤碱解氮增量之间没有显著的相关关系，不能用于土壤碱解氮增量的估测。     

基于空间聚类的作物生态适宜性评价方法研究——以北京市为例

运用GIS技术构建评价单元,选取关键的作物生态环境因子,采用空间聚类分析法构建作物生态适宜性评价体系。该评价方法可以应用在作物适宜性分析、作物引种区域分析和特色作物扩种等方面,具有较强的科学性、实用性和可操作性,对种植业结构布局和调整具有较好的指导作用。     

太湖流域果树提取的光谱和纹理特征选择研究

准确获取果树的空间种植分布信息,对于开展果树长势监测、产量估算等具有重要意义。为提取太湖流域金庭镇果树的空间分布,本研究以冬夏时期的两景高分二号（GF-2）遥感影像为数据源,利用归一化植被指数（NDVI）和归一化水体指数（NDWI）结合纹理特征构建了基于光谱指数和纹理特征的决策树模型,提取了金庭镇2017年果树的空间分布信息。通过分析研究区各地类的光谱曲线发现,植被与非植被区分明显,但果树与茶树的光谱存在混淆。GF-2影像包含丰富的纹理信息,果树与茶树在GF-2影像上纹理特征明显,易于区分。纹理可作为果树提取的重要特征。为了确定最佳纹理窗口的大小,研究中提出了累计差（Δf）的方法。通过比较每一个纹理变量在15种不同尺度窗口（3×3,5×5,7×7,9×9,11×11,13×13,15×15,17×17,19×19,21×21,23×23,25×25,27×27,29×29,31×31）下的Δf,确定了最佳纹理窗口为15×15。在最佳纹理窗口下根据累计差选取了5大纹理组合：均值（mean）、方差（variance）、对比度（contrast）、信息熵（entropy）和相关性（correlation）。研究结果表明基于光谱指数NDVI和NDWI结合纹理特征构建的决策树模型可有效区分果树与茶树。累计差的方法能够快速确定最佳纹理窗口和纹理组合。提取结果说明果树分布于金庭镇的各个位置,主要分布在平原区,种植比较整齐,南部种植面积多于北部。本研究果树的提取精度为95.23%,模型总体分类精度为89.57%,Kappa系数为89.00%,果树的生产精度为90.00%,用户精度为87.30%。与单一光谱、纹理模型相比,本文模型总体分类精度更高,精度分别提升了10.65%和12.04%。该方法能够适用于大区域果树的遥感提取,可为亚米级遥感影像研究果树的纹理特征提供重要参考和借鉴价值。此外,文中提出的累计差可为选取最佳纹理窗口提供一种新的思路。     

基于GIS的绿色农产品基地适宜性评价

建立和完善绿色农产品基地适宜性评价方法，提高评价结果的实用性和准确性，是实现农产品安全的根本保障。研究依据基地认证者、规划者、生产者3种评价主体实际需求，分别引入污染潜在风险指标和经济状况指标，建立面向不同评价主体需求的多种主导因子评价指标体系，并借助GIS的空间分析方法进行定量评价，最后以北京大兴区为例进行了案例分析研究。结果表明，基地与工矿企业距离、与居民地距离等潜在污染风险对基地适宜性限制大，且不同评价主体下建立不同指标体系使评价更具针对性，利用GIS功能可提高效率，评价结果可视化程度好，具有很强的     

基于全局敏感性分析与机器学习的冬小麦叶面积指数估算

在小麦叶面积指数(leaf area index,LAI)的估算过程中,光谱变量与机器学习算法(MLs)相结合的方法具有较好的性能,但由于输入参数过多会导致数据冗余,使得计算效率降低。为了提高LAI估算的精度和MLs的计算效率,本研究提出了全局敏感性分析(global sensitivity analysis,GSA)与MLs相结合的方法(简称GSA-MLs)。首先,基于PROSAIL模拟数据集,利用GSA量化植被生长参数对Sentinel-2光谱变量的影响;此外利用4种变量筛选策略对所有光谱变量进行排序,并选择最优变量作为MLs的输入参数。然后,通过偏最小二乘回归(partial least square regression,PLSR)、支持向量机(support vector machine,SVM)和随机森林(random forest,RF)3种MLs对小麦叶面积指数(LAI)进行估算。结果表明:红边植被指数主要受叶绿素含量的影响,而短波红外相关的植被指数主要受等效水厚度的影响,所有光谱变量均会受到参数之间的交互作用。SLAI-SInteraction筛选得到的30个光谱变量在估算小麦LAI表现最佳(R²=0.94,RMSE=0.38)。并且在模型反演过程中运行时间缩短了54.13%。本研究提出了全局敏感性分析与机器学习相结合的方法,该方法提高了机器学习法估算LAI精度以及应用过程中的计算效率和机理性,该方法有较好的适用性。