窄轮距拖拉机转动惯量与质心高度试验台研究

针对窄轮距拖拉机(最少有一轮的轮距小于1 150 mm,拖拉机质量介于600～3 000 kg)绕纵向质心轴线的转动惯量的测量,目前国内尚无相关的测试设备。而拖拉机的转动惯量以及质心高度对于拖拉机的操控性能有着很大的影响,对于窄轮距拖拉机,影响更甚。因而开发一种测试拖拉机转动惯量与质心高度的试验台已是势在必行。利用复摆法原理,通过测量不同摆长下的摆动周期,然后通过理论计算,获得被测拖拉机的转动惯量与质心高度。     

基于无人机遥感影像的冬小麦氮素监测

精准氮素管理是一项提高作物氮肥利用效率的有效策略,利用无人机遥感技术精确估测小麦氮素状况是必要的。试验在山东省乐陵市科技小院实验基地进行,利用八旋翼无人机搭载Mini-MCA多光谱相机于2016年获取冬小麦4个关键生育时期(返青期、拔节期、孕穗期、扬花期)冠层多光谱数据,同步获取地上部植株样品并测定其生物量、吸氮量、氮营养指数,及成熟期籽粒产量,根据各关键生育期与全生育期分别构建植被指数与农学参数回归分析模型,评估基于无人机遥感影像的冬小麦氮素营养诊断潜力。结果表明:基于无人机遥感影像能够较好地估测冬小麦氮素指标(R2为0.45~0.96),决定系数随着生育期推移而逐渐增大。拔节期、孕穗期和扬花期估产效果接近且具有很好的估测能力,扬花期DATT幂函数模型对小麦氮营养指数的解释能力最强(R2=0.95)。因此,以多旋翼无人机为平台同步搭载多光谱相机对冬小麦有较好的氮素诊断潜力,可利用估测结果指导精准氮肥管理。     

基于Sentinel-2多光谱数据的棉花叶面积指数估算

棉花叶面积指数(leaf are index, LAI)的快速、准确获取对棉花长势监测、发育期诊断、面积提取以及产量估算等遥感监测具有重要意义。该研究利用2017年和2018年的Sentinel-2多光谱卫星数据及大面积田间试验观测获取的棉花不同发育期LAI实测数据,构建了基于单波段反射率及各类植被指数的棉花不同发育期及全发育期LAI估算模型,并采用留一验证(LOOCV, leave-one-out cross validation)和交叉验证对模型精度进行了检验。结果表明:1)对于单波段反射率,基于中心波长为842 nm波宽为145 nm的B8近红外波段对不同发育期LAI估算精度最优均方根误差(RMSE, root mean square error, RMSE=0.378);2)对于各类植被指数,花蕾期(20170616)和花铃期(20170802)时增强植被指数(EVI, enhanced vegetation index,)表现最佳(RMSE分别为0.352和0.367),开花期(20180623)时校正土壤调节植被指数(MSAVI2, modified soil adjusted vegetation index 2,)估算精度最高(RMSE=0.323);3)单波段反射率和各类植被指数对全发育期LAI的估算均要优于对单个发育期LAI的估算,其中基于IRECI指数的(invertedred-edge chlorophyllindex)全发育期LAI估算模型精度最佳,LOOCV检验RMSE=0.425,交叉检验RMSE=0.368;将基于IRECI的全发育期LAI估算模型应用到单个发育期LAI估算并与各单个发育期LAI估算模型精度对比,发现交叉验证RMSE平均值仅比LOOCV验证RMSE平均值高0.07,反映了全发育期LAI估算模型良好的普适性。该研究为农作物LAI估算提供了新的数据选择,完善了Sentinel-2卫星数据在LAI估算中的应用领域。     

荒漠林高光谱与光学影像植被指数(Ⅵ)的比较

【目的】利用地面遥感和航天遥感数据结合植被指数实现快速调查,研究各数据中植被指数的差异。【方法】用地面高光谱数据和光学影像中分别对梭梭林和柽柳林进行归一化植被指数(NDVI)、重归一化植被指数(RDVI)和土壤调节植被指数(SAVI)3种植被指数的提取,并进行比较。【结果】在高光谱Ⅵ中,梭梭林和柽柳林的3种VI的数值大小和变化趋势都很接近,特别是SAVI和RDVI,但NDVI的变化较其他2种大;而在光学影像Ⅵ中,梭梭林和柽柳林的NDVI和SAVI的数值基本保持在一定范围内,且变化幅度微小,而RDVI的数值和变化趋势均较大,相对不稳定。【结论】高光谱数据所提取的NDVI和SAVI均大于光学影像,而光学影像所提取的RDVI均大于高光谱数据,RDVI对植被覆盖度更敏感。     

无人机多光谱遥感反演冬小麦植株含水率

为了建立一种高效监测冬小麦植株含水率的无损方法,用于反映作物水分状况、指导精准灌溉。以北京大兴的冬小麦为研究对象,利用无人机搭载多光谱相机采集冬小麦5个波段的光谱信息,构造了光谱反射率模型和光谱植被指数模型,筛选了典型地区冬小麦植株含水率解译模型。结果表明:冬小麦植株含水率与反射光谱在0.05水平上显著相关,优选的两种模型的预测精度较高,相对误差均小于10%,决定系数均大于0.75;从模型复杂程度和物理含义考虑,估算植株含水率的最优模型为基于逐步回归法的光谱指数模型,该模型的率定及验证的决定系数为0.78和0.83,均方根误差为6.79%和5.47%,相对误差为9.73%和6.91%。该研究为采用无人机多光谱遥感技术实现对作物水分的快速高效监测提供了有效方法。     

不同生育时期冬小麦叶片相对含水量高光谱监测

为实现冬小麦不同生育时期叶片水分含量的快速监测，以冬小麦冠层高光谱数据和红外热成像数据为基础，计算得到5种光谱参数，通过对不同生育时期叶片相对含水量与光谱参数拟合状况进行分析和筛选，分别构建了基于光谱参数的叶片相对含水量反演模型，并对模型进行检验。结果表明，不同生育时期叶片相对含水量与比值指数（RVI）、归一化差值植被指数（NDVI）、比值/归一化植被指数（R/ND）、优化土壤调整植被指数（OSAVI）、冠气温差（TDc-a）均呈极显著相关（P＜0.01）；拔节期、抽穗期、开花期、灌浆前期和灌浆后期叶片相对含水量分别与NDVI、OSAVI、R/ND、TDc-a和TDc-a拟合效果较好，决定系数分别为0.842、0.884、0.831、0.864和0.945；预测模型的均方根误差分别为0.019、0.016、0.027、0.032和0.024，相对误差分别为2.16%、1.80%、3.30%、3.81%和3.53%。因此，在拔节期、抽穗期、开花期、灌浆前期和灌浆后期，可以分别利用NDVI、OSAVI、R/ND、TDc-a和TDc-a估测冬小麦叶片相对含水量。     

1999-2016年天山西部植被覆盖的时空变化

[目的]调查天山西部生态环境植被覆盖状况，为科学保护区域生态环境和管理提供科学依据。[方法]以天山西部林区—霍城林场为研究对象，基于1999，2007和2016年3个时期的Landsat TM遥感影像和DEM数据，运用归一化植被指数分析研究区植被覆盖情况和空时变化特征。[结果]时间变化上，1999—2016年期间霍城林场植被覆盖以Ⅱ和Ⅲ级为主，所占比重达到55%以上，总体上是呈现上升趋势；空间分布上，霍城林场因海拔、坡度和坡向等地形因子的不同而出现不同的分布和变化特征，当海拔在1 500~2 000 m和2 000~2 500 m或者坡度30°~45°的区域时，植被覆盖度相对较高；当海拔 < 1 500 m以及 > 2 500 m或坡度 < 30°的区域时，植被覆盖度相对较低；植被覆盖度随着坡向的变化而变化着，呈现出阴坡 > 半阴坡 > 半阳坡 > 阳坡的分布特征；当海拔 < 1 500m和坡度 < 30°的区域时，植被覆盖度变化较为明显，而当海拔 > 2 500 m和坡度 > 45°的区域时，因受人为社会活动影响小，植被覆盖变化不明显。[结论]1999—2016年期间，霍城林场植被覆盖在时间变化上总体呈现上升趋势，在空间分布上因海拔、坡度和坡向等地形因子的不同呈现不同的分布和变化特征。     

基于实测高光谱和Landsat 8 OLI影像的土壤盐化和碱化程度反演研究

针对宁夏银北地区土壤盐碱化定量监测的需要,利用实测土壤高光谱和Landsat 8 OLI多光谱影像数据采用多项式、多元线性回归等方法进行土壤含盐量和pH值反演研究,并对影像光谱反演模型进行校正,以提高遥感定量反演精度。结果表明:(1)基于实测光谱的土壤含盐量反演精度均高于基于OLI影像反演精度;基于实测光谱敏感波段反射率反演精度高于实测盐分指数反演精度,其中实测光谱经平滑后敏感波段建立的模型效果最佳(R~2=0.695)。(2)基于实测光谱平滑后敏感波段建立的pH值反演模型精度最高且最稳定(R~2=0.545),基于OLI影像光谱反演精度低于实测光谱,但也通过了显著性检验和精度验证。(3)经实测光谱模型校正后的Landsat 8 OLI影像光谱的土壤含盐量反演模型R~2从0.347提高到0.623。研究结果可以为准确、快速地定量监测当地土壤盐分含量、pH值的变化提供科学依据和技术手段。     

运用植被指数时序特征对落叶松人工林分类

为探究植被指数时序特征是否有利于落叶松人工林提取,以孟家岗林场为研究试验区域,根据落叶松人工林季相和物候特征,利用Landsat8OLI影像数据提取研究区内5种植被的归一化植被指数(I NDV)、差值植被指数(I DV)、比值植被指数(I RV)、增强型植被指数(I EV),构建相应的植被指数时序特征。采用最大似然和随机森林两种方法对单一时相影像和加入植被指数时序特征的影像进行对比试验。结果表明:影像中加入植被指数时序特征后,最大似然算法的分类总体精度为89.53%,Kappa系数为0.87,比单一时序特征的影像分类精度提高了13.35%;随机森林算法的森林类型分类总体精度为93.22%,Kappa系数为0.92,比单一时序特征的影像分类精度提高了19.8%。因此,加入植被指数时序特征后能得到更高的落叶松人工林提取精度。