基于无人机多光谱遥感的玉米根域土壤含水率研究

及时获取农田作物根域土壤墒情是实现精准灌溉的基础和关键。以内蒙古自治区达拉特旗昭君镇试验站大田玉米为研究对象,利用无人机遥感系统,分别在玉米营养生长期(Vegetative stage,V期)、生殖期(Reproductive stage,R期)和成熟期(Maturation stage,M期)获得7次玉米冠层多光谱正射影像,并同步采集玉米根域不同深度土壤含水率(Soil moisture content,SMC);然后,采用灰色关联法对提取的多种植被指数(Vegetation index,VI)进行筛选,选取与土壤含水率敏感的植被指数;最后,分别采用多元混合线性回归(Cubist)、反向传播神经网络(Back propagation neural network,BPNN)和支持向量机回归(Support vector machine regression,SVR)等机器学习方法,构建不同生育期的敏感植被指数与土壤含水率的关系模型。结果表明,3种机器学习方法中SVR模型在各生育期的建模与预测精度均最优,BPNN模型次之,Cubist模型最差;其中SVR模型在M期效果最优,其建模集和验证集R~2分别为0. 851和0. 875,均方根误差(Root mean square error,RMSE)均为0. 7%,标准均方根误差(Normalized root mean square error,nRMSE)分别为8. 17%和8. 32%,R期效果最差,其建模集和验证集R~2分别为0. 619和0. 517。     

基于无人机多光谱遥感的土壤含水率反演研究

为研究无人机多光谱遥感技术对裸土土壤含水率的大范围快速测定和最佳监测深度的确定,以杨凌地区粘壤土为试验材料,分别配制成2种不同深度(5 cm和10 cm)、含水率为3%~30%的土壤样本。用无人机搭载多光谱相机对土样连续监测3 d,监测时刻均为15:00。采集6个波段(490、550、680、720、800、900 nm)处的土壤光谱反射率,同时对2种不同深度的土壤样本表层(约1 cm)含水率和整体含水率进行测定。分别采用偏最小二乘回归法、逐步回归法和岭回归法,建立不同波段光谱反射率因素反演土壤含水率的回归模型,并分析其定量关系。试验结果表明,逐步回归预测精度最佳,决定系数(R2)分别为0.775、0.764、0.798、0.694,而预测均方根误差(RMSE)分别为0.028、0.042、0.037、0.038;其次为岭回归法;偏最小二乘法的预测精度最低。综合比较得最佳回归方法为逐步回归法,最佳监测深度为土壤表层(约1 cm),其次为5 cm深度,最后为10 cm深度。     

全站仪三角高程测量方法及精度分析

【目的】研究全站仪高程测量各方法代替水准测量的精度、优缺点、适应条件及适应范围等,为实际工作中选择最佳测量方案提供理论依据。【方法】依据全站仪单向、对向及中点法三角高程测量的方法,根据测量原理得出各自的计算公式,对各公式进行误差来源分析,应用误差传播定律得出各自的误差方程式,并进行精度分析比较。【结果】在一定范围内合理利用全站仪三角高程测量,可达三、四等水准测量的要求,其中对向观测的误差最低,精度最好,中点法观测次之,单向观测精度最差。【结论】用全站仪三角高程测量代替水准测量,方法简单易行,测量速度较传统方法快得多。     

基于改进UPerNet和国产高分遥感数据的冬小麦种植区提取

遥感技术能够获取大区域下冬小麦的空间分布，为冬小麦估产提供良好基础。基于2020年5月4日的高分2号多光谱卫星影像，构建包含光谱特征和植被指数的数据集，并通过改进UPerNet模型的上采样结构、激活函数以及增加注意力模块来优化模型提取冬小麦效果。选取杨凌示范区2块地物类型丰富地区作为研究区域，以此探究方法的可行性；然后基于最优方法，提取杨凌区冬小麦种植区域。研究区域结果表明，与仅使用光谱信息作为模型输入特征相比，基于多光谱和植被指数的分类效果更好。在融合光谱特征和植被指数的数据集上，改进的UPerNet模型分类精度最高，冬小麦提取精度为97.78%,总体分类精度相比于改进前的UPerNet提升了2.49%,对比DeepLab V3+提升了3.48%。基于改进方法，实现了杨凌示范区的冬小麦种植区提取；通过实地调查以及对比统计年鉴数据的方式，验证了杨凌示范区冬小麦空间分布与实际情况基本一致。改进后的UPerNet模型能够有效区分遥感数据中的地物类别，提升冬小麦种植区域提取精度，也为基于卫星影像获取冬小麦空间分布提供了技术支持。     

冬小麦冠层温度对大气温度的时滞效应与影响因素研究

冠气温差能够间接监测作物水分变化规律，而冠层温度与大气温度之间存在的时滞效应会影响监测效果，为探明两者之间的时滞效应变化规律及影响因素，本研究以拔节期至乳熟期的冬小麦为研究对象，利用红外温度传感器连续监测灌溉上限分别为田间持水率的95%(T1)、80%(T2)、65%(T3)和50%(T4)4个不同灌溉处理的冠层温度，并同步获取短波净辐射(Short-wave net radiation,R_S)、大气温度(Atmospheric temperature,T_A)、相对湿度(Relative humidity,R_H)等气象数据。利用错位相关法计算冠层温度与大气温度之间的时滞时间(Time lag,T_L),分析其在不同生育期和不同灌溉条件下变化规律，并采用相关性分析法探究气象因子(R_S、T_A、R_H)变化率和日均值与时滞时间的相关性，最后通过通径分析探讨气象因子(R_S、T_A、R_H     

基于EnKF和PF的沙壕渠灌域土壤含盐量监测模型研究

为探究不同数据同化算法在时空尺度上监测土壤含盐量的可行性，以内蒙古河套灌区沙壕渠灌域为研究区域，采用高分一号卫星遥感图像作为数据源，通过EnKF算法和PF算法的同化观测算子和模型算子得到时空范围中的土壤含盐量变化情况。其中观测算子分为两步，首先通过PLS-VIP准则来筛选光谱指数作为自变量，再使用ELM模型建立基于不同时间不同深度的遥感监测土壤含盐量模型；模型算子为基于Hydrus-1D模型的数学模拟监测土壤含盐量模型。结果表明，基于ELM模型的土壤含盐量模型中，深度0～20 cm、20～40 cm和40～60 cm的平均IOA均在0.74以上，平均ME在0.14%以下，表明反演模型具有良好的精度；基于Hydrus-1D的数学模拟监测土壤含盐量模型中，3个深度平均IOA在0.79～0.89之间，平均ME在0.128%～0.137%之间，能够较好地反映土壤盐分在时间序列中的运移情况；EnKF算法3个深度IOA在0.820以上，ME在0.141%～0.157%之间，NMB在0.141～0.252之间，PF算法3个深度IOA在0.89以上，ME在0.090%～0.142%之间，NMB在0.0...     

光照与阴影对无人机热红外遥感监测土壤含水率的影响

为探究作物冠层受阳光直射或阴影遮挡对无人机热红外遥感诊断作物水分胁迫、监测土壤含水率的影响，该研究以不同灌溉处理的夏玉米为研究对象，将热红外图像划分为光照冠层、阴影冠层、光照土壤、阴影土壤4个部分，分别提取光照温度与阴影温度后计算了11:00、13:00、15:00的冠气温差（冠层温度与大气温度之差，ΔT）、作物水分胁迫指数（crop water stress index，CWSI）、蒸发比（潜热通量与有效能量的比值，evaporative fraction，EF），并对比了3种指数在不同时刻使用光照温度（ΔT_L、CWSI_L、EF_L）与阴影温度（ΔT_S、CWSI_S、EF_S）后对土壤含水率的监测效果变化情况。结果表明：1）3种指数的监测效果会随时间发生变化，11:00与15:00时EF监测效果较好，13:00时CWSI监测效果较好，ΔT的监测效果较差但随时间波动最小；2）拔节期在区分光照温度与阴影温度后监测效果在11:00时提升幅度最大，EF、EF_S、EF_L的R²分别为0.54、0.65、0.78，CWSI、CWSI_S、CWSI_L的R²分别为0.47、0.64、0.70，抽雄期与灌浆期使用光照温度对监测效果提升不大，但使用阴影温度的指数监测效果有明显降低，在13:00时CWSI_S较CWSI有最大降幅，R²降幅分别为0.11、0.06；3）在拔节期与抽雄期使用11:00的EF_L，在灌浆期使用13:00的CWSI能取得最好的土壤含水率监测效果，预测土壤含水率的R²分别为0.75、0.75、0.89。该研究可以为无人机热红外监测土壤含水率提供参考。