九波段多光谱相机在作物长势监测中的应用

无人机低空遥感数据具有机动性好、时效性强,受大气辐射影响小,空间分辨率高、数据量大、数据质量好的特点,是传统卫星遥感所无法比拟的,在探测和识别地表的物质种类、评价和测量光谱所反映出来的物质含量、描绘地物空间分布、监测地物变化等应用领域具有较强的优势。随着遥感技术的发展,遥感已成为精准农业中农田信息获取的重要手段,也是地块面积量算、作物种类识别、长势分析等工作的重要数据来源,由于无人机低空遥感数据具有机动性好、时效性强、空间分辨率高的特点,主要应用于绘制低空大比例尺地图、监测自然灾害等[1]。受传感器单一导致的光谱分辨率低的限制,目前在精准农业领域的应用才刚刚起步。     

基于NDVI的水稻产量遥感估测

以云南省寻甸回族彝族自治县水稻为研究对象,提出一种基于时间序列归一化植被指数(NDVI)的水稻估产模型。利用2000—2013年各月NDVI影像数据和寻甸回族彝族自治县水田分布区域,分析研究区NDVI年月变化特征;然后,通过对比不同月份NDVI组合均值与水稻平均产量的皮尔逊积矩相关系数(Pearson)显著性,确定进行估产所使用的NDVI影像数据;最后,根据水稻年平均产量与NDVI均值建立不同估产模型,通过对比决定系数(R~2)、绝对及相对误差、平均偏差(ME)、均方根误差(RMSE)、纳什(Nash-Sutcliffe)效率系数(NSE)和符合指数(IA),分析各模型估产精度,最终确定最佳估产模型。结果表明,研究区水田NDVI大致从6—8月处于增长阶段,之后到次年5月处于下降阶段。每年6、7、8月的NDVI均值与水稻产量的相关系数为0.690,显著性最高,为0.006。多项式估产模型的绝对误差、相对误差平均值仅为210.431 kg/hm~2、3.602%;平均偏差、均方根误差计算结果中,多项式的值最小,Nash-Sutcliffe效率系数、符合指数最接近1的模型为多项式函数模型,其中符合指数高达0.921,预测结果较准确。基于时间序列NDVI的多项式估产模型预测产量精度最高,能够实现对水稻产量的遥感估测。     

浅谈英语专业精读课教学中自主学习能力的培养

英语专业精读课作为一门综合英语技能课,其主要目的在于培养和提高学生综合运用英语的能力。在英语专业精读课中注重培养学生自主学习能力有助于学生综合掌握学习语言的技巧和方法,从而提高语言学习的综合能力。本文将立足于英语专业精读课的教学,从自主学习的概念、精读课中培养自主学习能力的途径及需要注意的问题等几方面探讨精读课教学中学生自主学习能力的培养。     

建构主义教学观与多媒体英语教学

作为全新的学习和教育理论,建构主义为英语专业教学革新提供了理论指导,而多媒体技术作为新的信息教育手段为建构主义语言教育的实践提供了诸多可能。本文试图探讨建构主义学习理论指导下利用多媒体技术辅助英语专业精读课教学,提出了建构主义指导下的多媒体辅助英语专业精读课教学的几种方式。     

基于NDVI的云南省植被覆被变化趋势分析

选取云南省为研究区域,利用2001-2015年MODIS中国植被指数合成产品Tiff遥感图像,通过Arcgis软件对遥感图像进行分区统计,得到研究区域各年每月的植被归一化指数(NDVI)。在此基础上进行统计分析,结合当地的生长季与种植制度,分析研究区域植被指数的年际、季节及月变化的特点。结果表明,在2001-2015年,云南省植被指数有增加的趋势,表明在2001-2015年云南省植被覆盖度基本保持稳定或略有增加的趋势;2001-2015年云南省春季和冬季的NDVI整体呈增加趋势,冬季的增速大于春季,夏季NDVI整体呈减少趋势,而秋季处于平稳状态,说明云南省2001-2015年春、冬两季植被覆盖度不断增加;云南省NDVI月变化差异较为明显,与当地生长季和种植制度密切相关,说明植被指数的月变化特征主要受种植作物的影响。