基于GPS和GIS技术的冬季和夏季牧场牦牛牧食行为研究

为了研究青藏高原不同季节牧场牦牛的牧食行为规律,选取6头年龄、体况大致相同的成年牦牛作为研究对象,在2014年4月份和8月份分别在冬季牧场和夏季牧场上,运用GPS3300定位追踪系统,对自由放牧条件下牦牛的牧食行为进行了研究。结果表明:冬季牧场早上初牧9∶00、10∶00和下午归牧前17∶00、18∶00外界气温处于牦牛等温区内,有利于牦牛进行采食活动,而夏季牧场日平均气温的变化均高出牦牛活动的等温区(8~14℃),对其采食活动具有影响;夏季牧场上牦牛采食的空间分布由中心向四周辐射且个体间相对分散,冬季牧场上采食分布相对集中,夏季牧场上牦牛游走距离(0.29~0.80km/h)整体大于冬季牧场(0.07~0.14km/h),并且在11∶00和17∶00分别出现峰值,在12∶00游走距离最短;在监测期内(9∶00~18∶00),夏季牧场上牦牛各主要放牧行为的总体时间分配顺序依次是采食(504.90min)行走(75.45min)休息(55.10min),并且差异性显著(P0.05);冬季牧场牦牛的休息时间(355.80min)显著大于采食时间(243.10min)(P0.05)。研究结果显示,初牧和归牧前是牦牛放牧采食的剧烈活动时间,另外在夏季的中午13∶00左右也会出现一个采食高峰;牦牛的牧食行为符合晨昏活动格局,总体上表现出采食-休息(反刍)-采食的活动规律。     

基于AlexNet的栽培苜蓿病害识别

苜蓿病害的准确快速识别是栽培苜蓿草地病害防治的关键。苜蓿病害鉴别对专业知识和识别工具及检测环境要求较高，传统的苜蓿病害识别往往需要采用显微观察等手段对叶片病害部位进行镜检，存在时效性差、成本高，难以实现大范围多点位的快速识别等弊端。近年来在图像识别领域的计算机视觉和深度学习得到快速发展，为苜蓿病害智能化识别提供了新途径。本研究利用13种常见苜蓿病害图像数据集，基于改进的AlexNet深度学习卷积神经网络，经过300次迭代训练，构建了苜蓿病害识别模型，并对比分析了不同图像输入分辨率的苜蓿病害识别精度。结果表明：13种苜蓿病害最优模型识别总体精度达到72%，最优图像输入尺寸为512像素×512像素；剔除识别精度过低的苜蓿病害样本图片后，褐斑病、霜霉病、炭疽病、黑茎叶斑病和小光壳叶斑病5类苜蓿病害的识别总体精度提高到92%，最优输入尺寸为1200像素×1200像素。这2种模型均能够实现对苜蓿主要病害的快速识别，研究结果可以为苜蓿病害智能检测系统的研发提供图像识别方面的技术支持。     

基于ＭＯＤＩＳ数据的青海省积雪覆盖范围监测算法探索

 以青海省作为研究区,利用ＭＯＤＩＳ每日地表反射率产品ＭＯＤ０９ＧＡ 和逐日雪被合成产品ＭＯＤ１０Ａ１,通过调整ＮＤＳＩ阈值,合成积雪分类图像,根据气象台站实测雪深数据,评价积雪分类精度,探索研究了适合该地区的ＮＤＳＩ阈值。研究结果表明,１）ＮＳＩＤＣ 发布的全球ＭＯＤＩＳ积雪产品ＭＯＤ１０Ａ１在青海高原的积雪分类精度较低,在晴空下雪深大于３ｃｍ 的积雪分类精度为８６．０１％。２）研究区适合的ＮＤＳＩ阈值为０．３７。在晴空下雪深大于３ｃｍ 时,合成雪被图像的积雪分类精度可达９０．３７％,总精度９９．５１％,多测误差０．２２％,漏测误差９．６３％。３）同ＭＯＤＩＳ逐日雪被产品ＭＯＤ１０Ａ１进行雪深分段精度比较,发现整体上自定义雪被图像的积雪分类精度较高,合成图像更符合青海高原积雪空间分布的真实情况。     

基于AMSR-E数据的青海省雪深遥感监测模型及其精度评价

基于2002-2008年10至翌年3月6个积雪季的AMSR-E被动微波亮温数据,以青海省为研究区,结合该区43个气象台站实测雪深等气象数据,系统分析雪深模型建立的影响因子,提出研究区样本筛选的方法.对18GHz和36 GHz波段的水平、垂直极化方式的亮温差和实测雪深值进行回归分析,建立了青海省基于AMSR-E亮温数据的...     

三江源地区高寒草地地上生物量时空动态变化

三江源区位于青藏高原腹地,作为长江、黄河和澜沧江的发源地,是我国重要的水源涵养和生态功能保护区。为了分析三江源区草地生物量的动态变化,本研究采用了人工神经网络方法(back propagation artificial neural network,BP ANN)模拟了草地地上生物量(above ground biomass,AGB),估算了2001-2016年草地AGB,从草地类型和流域两方面对草地AGB时空变化特征进行分析。结果表明:1)基于BP ANN的CXYN模型适用于研究区生物量的高精度反演,该模型的R2为0.77,RMSE为429.06kg·hm-2;2)16年间,三江源区草地生物量的变化趋势主要以稳定和恢复为主;3)草地生物量在空间分布上表现出明显的地域差异,呈现出由东南向西北逐渐减少的趋势。东南部部分区域AGB可达3 000kg·hm-2,而西北部的部分区域AGB小于500kg·hm-2。     

草原放牧系统的类型与生产力

根据草原综合顺序分类法(Comprehensive and Sequential Classification System,CSCS)划分了高寒、荒漠、半荒漠、亚热带森林灌丛、典型草原、草甸草原、温带森林灌丛、热带森林灌丛8个类型的放牧系统。放牧系统经历了原始游牧、粗放游牧、过度放牧和现代化放牧4个演替阶段,根据3个类型放牧系统生产力长期动态,我国主体仍为过度放牧系统,但开始向现代化放牧系统转变。我国放牧系统生产力平均18.04APU·hm~(-2),总计63.50亿APU,每年可产肉295.9万t。我国放牧系统存在结构性超载,即整体超载,但是部分区域、部分季节存在放牧利用不足。目前,我国草原增产潜力为0.5~2倍,关键途径是实现草原放牧系统的现代化转型。     

不同植被指数和无人机航高对草地盖度估测精度的影响

搭载高清数码相机的无人机在草地资源调查等方面具有成本低廉、机动性高、观察范围大等突出优势,拥有广阔的发展前景.本研究使用小型无人机(unmanned aerial vehicle,UAV)、手机相机等设备获取草地盖度数据,选用植被因子指数(vegetative index,VEG)、超绿指数(excess green index,ExG)、超绿超红差分指数(excess green minus excess red index,ExGR)和绿叶指数(green leaf index,GLI)4种基于可见光的植被指数提取草地盖度信息,从无人机航高、草地盖度水平等方面分析各植被指数的适用性.结果表明:1)VEG和ExG方法估测草地盖度的效果较好,平均精确度均在93％以上.ExGR与GLI方法的估测效果较差,平均精度仅75％～80％.2)4种方法的估测精度均随盖度增加而降低.VEG方法估测草地盖度的精度受盖度水平影响最小,ExG方法次之,ExGR和GLI方法对高盖度草地的估测效果较差.3)VEG方法在高、中盖度水平下的最适航高为100 m,在低盖度水平下为40 m;ExG和ExGR方法在高、中盖度水平下的最适航高为100 m,在低盖度水平下为80 m;GLI方法在高盖度水平下的最适航高为100 m,在中、低盖度水平下为20 m.     

草原综合顺序分类系统研究进展

草地类型是草地资源实体的高度抽象与概括,草地分类是草地类型理论的具体实践,是草业科学研究与实践的基础问题之一。草原综合顺序分类系统(CSCS)以生物气候特征为依据,根据不同的热量级和湿润度将具有同一地带性农业气候特征的草地划为一类。据此所作的分类检索图是草原综合顺序分类法的图谱表达,具有独特的理论意义和应用价值。随着RS、GIS、GPS等技术及地统计学中气象要素空间插值方法的不断改进和完善,草原综合顺序分类系统在提出至今的50多年中在理论及实践方面已取得不少研究成果。系统总结了草原综合顺序分类方法在草地分类中的作用及意义、研究现状、存在的问题及研究展望,以期为该方法在更大范围的推广和应用提供科学依据。     

青海省主要类型天然草地EVI动态变化

利用2002—2008年MODIS/EVI卫星遥感数据,对青海省高寒草甸类、高寒草原类、温性草原类3种天然草地类型植被指数动态进行了分析,重点研究增强型植被指数(EVI)在各生长阶段的变化,并利用波动系数对同一草地类型内部的差异进行了探讨。研究结果表明,青海省3种天然草地类型的EVI反映了草地生长的动态变化,显示出显著的周期性,与草地生长规律相符,高寒草甸类最为明显,而波动系数的变化表明同一草地类型在不同年份的相同时段内的生长状况具有一定的差异性。     

基于AMSR-E信息的北疆牧区雪深遥感监测模型方法初探

利用北疆地区2002,2003和2004年11月-次年3月3个积雪季AMSR-E 445个时相的亮温数字图像和20个气象台站实测雪深数据,系统分析了雪深模型的影响因子和研究区样本筛选方法。通过对18和36 GHz波段的水平、垂直极化方式的亮温差和实测雪深值回归分析比较,建立了北疆地区基于AMSR-E亮温数据的雪深反演模型,并对模型的精度进行了评价。结果表明,1)AMSR-E亮温差受气温、融雪、降水、湿雪、深霜层等因素的严重影响,其中受深霜层的影响最大;2)大于2.5 cm的积雪深度SD同垂直极化方式的18和36 GHz波段的亮温差(Tb_18V-Tb_36V)之间具有较好的线性相关性,其回归公式为SD=0.49(Tb_18V-Tb_36V)+8.72,相关系数达0.65。 3)当雪深为3～10 cm时,反演模型平均误差为-7.1 cm,平均绝对误差为7.1 cm,RMSE值达7.7 cm;当雪深为11～30 cm时,平均误差为1.8 cm,平均绝对误差为4.9 cm,RMSE值为9.1 cm;当雪深大于30 cm时,平均误差为8.9 cm,平均绝对误差为9.4 cm,RMSE值为18.1 cm。4)该模型在北疆地区优于Chang算法,基本能反映北疆地区雪深变化趋势。当地表为中雪覆盖时,反演雪深值和实测值之间的一致性较高,当地表为浅雪和深雪覆盖时,反演模型的误差较大,其反演精度较低,还有待于进一步研究。