基于半定量方法的施肥管理模型

AquaCrop模型利用半定量的方法代替具体施肥量数据,该模型与遥感数据结合能有效减小区域施肥管理措施的空间差异性带来的模拟误差。利用盈科灌区2012-2013年田间试验数据对AquaCrop模型进行率定和验证,并对模拟结果进行了精度分析。结果表明:2012年和2013年土壤储水量模拟值和观测值的决定系数R^2分别达到0.83和0.89,RMSE均在合理范围内;冠层覆盖度模拟值和观测值的决定系数R\+2均大于0.90,RMSE分别为7.50%和7.90%;地上干物质量模拟值和观测值的决定系数R^2分别为0.97和0.74。进一步利用该模型的半定量方法对作物生长指标在不同施肥水平情景下的生长状况进行模拟,量化了不同施肥水平下与肥胁迫状况相关的压力系数,为模型区域化应用奠定基础。     

基于高光谱的夏玉米冠层SPAD值监测研究

开展夏玉米冠层SPAD值监测技术研究,建立叶绿素含量与敏感波段、光谱指数间的定量关系模型,以促进高光谱技术在玉米快速、无损长势监测及水肥精准管理的应用。以小型蒸渗仪夏玉米光谱反射率与植株冠层SPAD值的监测为基础,研究了夏玉米植株冠层光谱信息与SPAD值的响应关系,并优选出监测夏玉米冠层SPAD值的敏感波段与最优光谱指数。结果表明:夏玉米冠层光谱反射率在可见光波段随玉米冠层SPAD值增加而下降,在近红外波段却与之相反;采用原始光谱反射率、一阶微分光谱监测夏玉米冠层SPAD值的最敏感波段分别为700,690nm,与SPAD值的相关性分别为-0.498(p<0.05)和-0.538(p<0.01);而根据多元逐步回归分析获得的最优波段组合由405,408,700nm波段构成;从已报道的73个光谱指数中筛选出与夏玉米冠层SPAD值相关性较高的(SDr-SDb)/(SDr+SDb)、MCARI∥OSAVI、TCARI/OSAVI、SDr/SDb和MTCI等5个光谱指数,光谱指数(SDr-SDb)/(SDr+SDb)与SPAD值的相关性在各生育期均达极显著正相关,且在全生育期相关系数高达0.697(p<0.01),进一步优选出监测夏玉米冠层SPAD值最适宜的光谱指数为(SDr-SDb)/(SDr+SDb);在基于敏感波段、光谱指数和最优波段组合建立的夏玉米SPAD值的回归模型中,按照模拟效果由高到低排序依次为最优波段组合、光谱指数、原始光谱反射率、一阶微分光谱,其决定系数分别为0.777,0.539,0.351,0.282;推荐以(SDr-SDb)/(SDr+SDb)指数构建的二次多项式模型与基于405,408,700nm波段组合建立的线性回归监测模型作为夏玉米植株冠层SPAD值光谱监测适宜模型,且R2大于0.539,RMSE及MAE分别小于6.194和4.702。     

企业技术创新与创新机制

政府在多项决定中指出:大中型企业,要建立健全企业技术中心,加速形成有利于技术创新和科技成果迅速转化的有效机制。目前,我国有数百家大中型企业建立了技术中心,它作为企业技术创新的核心部门,应该具有什么样的功能,建立什么样的运行     

灌区种植结构时空变化及其与地下水相关性分析

利用数据融合算法(ESTAFM)对Landsat7 ETM+和MODIS影像进行融合,构建了高时空NDVI数据集;结合地面实体作物NDVI变化特征和光谱耦合技术(SMT),提取了解放闸灌域2000—2015年间种植结构空间信息;在此基础上分析了其时空特征变化以及地下水对种植结构调整的制约性。利用2015年实地调查数据对遥感监测结果进行评价,灌域主要作物类型玉米、向日葵、小麦以及套种的纯像元分类精度分别达到了95%、88%、91%和90%,总体精度达到了91%;多年遥感监测结果与历史统计数据相吻合。研究结果表明:玉米和小麦种植面积不断增加,玉米种植面积增加尤为明显,由2000年的0.83万hm2(占灌溉面积的5.80%)增加到2015年的4.02万hm2(占灌溉面积的28.31%);向日葵种植面积由下降变为上升趋势,其种植规模受市场因素主导;因土地流转、农村劳动力的外流以及套种种植模式劳动力成本高,使得农户转向单一作物种植模式,套种模式种植面积逐年下降,由2000年的4.30万hm2(占灌溉面积的30.32%)减少到2015年的0.41万hm2(占灌溉面积的2.91%)。种植结构空间格局与地下水埋深分布相似,其空间的相对差异并未随时间发生明显变化。向日葵在地下水埋深较浅、盐碱化偏高的区域分布集中,玉米、小麦及套种在地下水埋深大、盐碱化偏弱的区域分布集中,反映出向日葵耐盐性更高,更能适应盐碱化程度高的土壤;作物这一空间分布格局不仅受水土环境影响,而且与作物生理特征密切相关。灌区节水改造以来,在净引水量减小的情况下,农田蒸散发量并未减小,而是表现为稳中有升的趋势,这与高耗水作物玉米种植面积逐年增加有直接关系;地下水位整体下降,由1.76 m下降到2.33 m,土壤盐碱化得到改善,表明大型灌区节水续建配套项目实施以来,节水改造对水循环和水土环境起到了积极的影响。     

基于数据融合算法的灌区蒸散发空间降尺度研究

采用Landsat和MODIS数据,通过增强自适应融合算法(Enhanced spatial and temporal adaptive reflectance fusion model,ESTARFM)对蒸散发进行空间降尺度,构建田块尺度蒸散发数据集;利用2015年田间水量平衡方法计算的蒸散发数据对融合结果进行评价。在融合蒸散发基础上,结合解放闸灌域2000—2015年间种植结构信息,提取不同作物各自生育期和非生育期内年际蒸散发量,并分析了大型灌区节水改造以来,作物蒸散发占比的年际变化。研究结果表明:融合蒸散发与水量平衡蒸散发变化过程较吻合,小麦耗水峰值出现在6月中下旬—7月初,玉米和向日葵峰值出现在7月份。在相关性分析中,玉米、小麦和向日葵的决定系数R2分别达到了0.85、0.79和0.82;生育期内玉米(5—10月份)、小麦(4—7月份)和向日葵(6—10月份)的均方根误差均不高于0.70 mm/d;平均绝对误差均不高于0.75 mm/d;相对误差均不高于16%。在农田蒸散发总量验证中,融合蒸散发与水量平衡蒸散发相关性较好,两者决定系数达到了0.64。基于ESTARFM融合算法生成的高分辨率蒸散发(ET)结果可靠,具有较好的融合精度。融合结果与Landsat蒸散发的空间分布和差异性一致,7月23日、8月24日和9月1日相关系数分别达到0.85、0.81和0.77;差值均值分别为0.24 mm、0.19 mm和0.22 mm;标准偏差分别为0.81 mm、0.72 mm和0.61 mm。ESTARFM融合算法在农田蒸散发空间降尺度得到较好的应用,可有效区分不同作物蒸散发之间的差异。不同作物在生育期和非生育期内耗水量差别较大;生育期内套种(4—10月份)耗水量最大,达到637 mm,玉米(5—10月份)和向日葵(6—10月份)次之,分别为598 mm和502 mm,小麦(4—7月份)最低为412 mm;非生育期内,小麦(8—10月份)耗水量最大,年均达到214 mm,玉米(4月份)和向日葵(4—5月份)分别为42 mm和128 mm。不同作物多年平均耗水量(4—10月份)差异较小,其年际耗水总量主要随作物种植面积的变化而变化。     

参考作物蒸发蒸腾量计算方法在海河流域的适用性

参考作物蒸发蒸腾量（ET0）的计算公式很多，各公式所需参数各异，为寻找一种所需资料少而又精度较高的替代方法，选用1998年FAO-56分册推荐的Penman－Monteith（PM）、Hargreaves、Irmark-Allen等6种方法分别计算海河流域10个典型气象站30 a的参考作物蒸发蒸腾量，并以PM公式为标准，对其他方法进行评价。结果表明，10个站点中除了五台山地区，Hargreaves与FAO-24 Radiation 这2种方法更接近于PM方法的计算结果，其误差较小，在海河流域缺少辐射和风速     

夏玉米气孔导度模型适用性分析

气孔导度的准确估算对理解作物的水分利用生理机制、预测实际蒸散发量具有重要意义。基于北京大兴试验基地2016-2017年夏玉米气孔导度观测数据，分析了环境因子不同形式或不同组合对Jarvis模型模拟精度的影响效应，对比了5种气孔导度模型(包括Jarvis多因子模型、Jarvis双因子模型、Ball-Woodrow-Berry (BWB)模型、Ball-Berry-Leuning (BBL)模型和统一气孔优化(USO)模型)的模拟效果，提出了模型在不同尺度下的适用性建议。结果表明：环境因子响应函数的形式与组合方式均较大程度影响Jarvis模型的模拟精度；5种气孔导度模型整体模拟精度为USO模型>BBL模型>BWB模型>g_sd-3模型>g_s-2模型。Jarvis双因子模型输入数据较少且数据获取方便，在区域尺度适用性更好；BWB和BBL模型精度更高而输入数据获取较难，适用于农田尺度的估算；USO模型输入数据少且易于参数率定，在农田尺度和区域尺度均有较好的适用性。在实际应用中应综合比选环境因子的组合形式及模型结构，将更有利于提升...