水盐交互作用对河套灌区土壤光谱特征的影响

为探究土壤水盐交互作用对Sentinel-2卫星光谱特征的影响，该研究以内蒙古河套灌区沙壕渠灌域为研究区域，分别在2018年和2019年的4-5月共采集280个裸土期表层土壤样本，测定其土壤含水率和含盐量，并获取同步的Sentinel-2卫星遥感数据，构建基于土壤水盐-反射率原理的土壤光谱特征理论模型，在此基础上结合土壤水盐交互作用构建水盐交互模型，并比较2种模型对土壤光谱的模拟效果，分析土壤水盐交互作用对土壤光谱估算的影响。结果表明：1）土壤水盐交互作用对光谱的影响因波段类型和水盐含量的不同而有所不同。在可见光范围上影响相对较弱，其作用范围为-0.11～0.29；在近红外和短波红外范围上影响相对较强，其作用范围为-0.35～0.61；当水分或盐分中某个含量较高时对光谱影响较弱，其主要集中在-0.1～0.23；，在水盐含量程度相似时影响较强，其作用范围为0.3～0.6。2）与土壤光谱特征理论模型相比，水盐交互模型能明显地改善土壤光谱的模拟效果，能将模拟相关系数由0.14～0.44提升到0.29～0.70，均方根误差由0.032～0.082降低到0.029～0.068。该研究结果揭示了盐分和水分对光谱特征的干扰过程，为土壤盐分的估算提供策略与方法，对实现区域尺度上土壤盐分的精准监测具有一定的意义。     

TM6对遥感主成分分析监测土壤含水率的影响

研究TM6波段对遥感监测土壤含水率的影响。以2003年10月到2005年3月宝鸡峡灌区二支渠土壤含水率实测数据及同步TM数据为基础,将TM数据以TM1-TM5、TM7和TM1-TM7分为两种组合,分别进行主成分分量提取,建立两种土壤含水率监测模型。以2005年6月28日遥感数据为基础,将采用两种模型所得的土壤含水率计算值与实测值进行相关分析及精度分析。结果表明,用TM1-TM5、TM7数据组合所得结果,其精度为57.75%~85.40%。当加入热红外波段TM6后,即TM1-TM7数据组合,最低精度可提高至67.79%~86.35%,明显高于前者,而且,在监测土壤含水率较低或较高的地区时更为敏感。因此,加入TM6波段的遥感主成分分析方法,可望在较高精度水平上监测土壤含水率有广阔的应用前景。     

基于遥感和蚁群算法的多目标种植结构优化

针对农业种植结构与水资源不匹配的问题,以主要作物不同生育期需水特点和区域降水特点吻合性为基础,建立了考虑灌区节水效益、经济效益和生态效益的多目标种植结构优化模型,并以宝鸡峡五泉灌区为例,利用遥感快速获取灌区种植结构信息,并以不同口粮面积约束为条件建立2种优化方案,采用蚁群算法对模型在不同约束下的2种优化方案进行优化求解.结果表明：方案1,2的灌区需水总量为现状的85.4%和83.4%,纯收入比现状在平水年低5.4%和高7.1%,在干旱年低5.9%和高7.3%,降雨耦合度分别在平水年高12.6%和15.6%,干旱年高17.5%和28.6%,对2种不同约束方案优化结果比较得出,方案2为最优调整方案.该研究在未改变原有灌区种植面积的条件下,经种植结构优化调整后,既可保持灌区生态环境的可持续发展,又使灌区经济收入有很大的提高.这对农业节水规划具有较高的实用价值和理论意义.     

基于卷积注意力的无人机多光谱遥感影像地膜农田识别

监测地膜覆盖农田的分布对准确评估由其导致的区域气候和生态环境变化有着重要作用,基于DeepLabv3+网络,通过学习面向地膜语义分割的通道注意力和空间注意力特征,提出一种适用于判断农田是否覆膜的改进深度语义分割模型,实现对无人机多光谱遥感影像中地膜农田的有效分割。以内蒙古自治区河套灌区西部解放闸灌区中沙壕渠灌域2018—2019年4块实验田的无人机多光谱遥感影像为研究数据,与可见光遥感影像的识别结果进行对比,同时考虑不同年份地膜农田表观的变化,设计了2组实验方案,分别用于验证模型的泛化性能和增强模型的分类精度。结果表明,改进的DeepLabv3+语义分割模型对多光谱遥感影像的识别效果比可见光高7.1个百分点。同时考虑地膜农田表观变化的深度语义分割模型具有更高的分类精度,其平均像素精度超出未考虑地膜农田表观变化时7.7个百分点,表明训练数据的多样性有助于提高地膜农田的识别精度。其次,改进的DeepLabv3+语义分割模型能够自适应学习地膜注意力,在2组实验中,分类精度均优于原始的DeepLabv3+模型,表明注意力机制能够增加深度语义分割模型的自适应性,从而提升分类精度。本文提出的方法能够从复杂的场景中精准识别地膜农田。     

夏玉米冠层温度变化的时滞效应及其对土壤水分监测的影响

考虑冠层温度变化的时滞效应,可能在一定程度上能够提高土壤含水率的监测精度。该研究以灌浆期的夏玉米为研究对象,利用精密红外温度传感器（SI-411）连续监测I1（田间持水量的85%～100%）、I2（田间持水量的70%～85%）和I3（田间持水量的50%～65%）3个不同水分处理下的冠层温度,并同步获取试验地地面净辐射、大气温度、空气相对湿度等环境因子数据,以及不同水分处理小区0～10、0～20、0～30、0～40、0～60 cm不同深度处土壤含水率数据,利用高斯函数拟合冠层温度及环境因子日变化过程以此确定拟合曲线的峰值时刻,通过峰值时间差确定两者之间的时滞关系,并利用多元线性回归分析确定冠层温度的主要影响因素,最后在考虑冠层温度与主要影响因素之间时滞关系的基础上,分析冠层温度变化的时滞效应对监测土壤含水率的影响。结果表明：不同水分处理下的冠层温度峰值具有较大差异,峰值大小依次为I3、I2、I1;I1、I2、I3水分处理的冠层温度峰值时刻分别滞后净辐射约70、70、100 min,超前大气温度和相对湿度约60、60、30 min;冠层温度变化的主要影响因素为大气温度,其次为地面净辐射,最后为相对湿度;考虑时滞效应的冠气温差与土壤含水率的相关性更高,考虑时滞效应的冠气温差对土壤含水率的监测效果有一定提升。研究可为利用作物生理特性提高土壤水分监测精度提供参考。     

基于遥感数据同化的土壤含盐量估算方法

为探究同化遥感数据对监测区域尺度土壤含盐量时空信息的适用性,以河套灌区沙壕渠灌域为研究区,以高分一号卫星影像为数据源,通过灰度关联法筛选光谱指数,采用岭回归法构建不同深度的土壤含盐量反演模型,使用集合卡尔曼滤波同化算法将遥感数据应用于HYDRUS-1D模型中,开展区域尺度不同深度土壤含盐量的同化研究。结果表明,基于不同深度土壤含盐量的岭回归法模型,其R²均在0.64以上,RE为0.14～0.22,反演精度较高,得到的反演值较为准确;在单点尺度上,与模拟值、反演值相比,同化值更接近实测值,其EFF为0.84～0.93,NER为0.61～0.73,均为正数,且RMSE降低到0.006%～0.011%,提高了HYDRUS-1D模型模拟精度;在区域尺度上,不同深度同化值的r均为0.94以上,NER为0.61以上,优于模拟值和反演值,且同化精度随着深度的增加而降低。本文基于遥感数据和HYDRUS-1D模型的集合卡尔曼滤波同化研究,提高了土壤含盐量的模拟精度,对提高监测区域尺度土壤含盐量时空信息的精度具有一定的参考价值。     

剔除土壤背景的棉花水分胁迫无人机热红外遥感诊断

剔除无人机热红外影像中的土壤背景是提高作物水分诊断精度的有效途径,但也是热红外图像处理的难点问题。本文以不同水分处理的花铃期棉花为研究对象,分别在09:00、13:00和17:00等3个时刻,连续5 d采集无人机高分辨率热红外影像,并采用二值化Ostu算法和Canny边缘检测算法对热红外图像进行掩膜处理,实现对土壤背景的剔除,然后分别计算二值化Ostu算法、Canny边缘检测算法和包含土壤背景下的3种棉花水分胁迫指数(Crop water stress index,CWSI),最后建立不同时刻下3种CWSI与棉花叶片气孔导度Gs的关系模型。研究结果表明,应用Canny边缘检测算法可有效剔除热红外影像中的土壤背景,剔除土壤背景后的温度直方图呈单峰的偏态分布;3种处理方法获得的作物水分胁迫指数CWSI中,Canny边缘检测算法的CWSI最小,二值化Ostu算法的CWSI较高,包含土壤背景的CWSI最大;采用Canny边缘检测算法剔除土壤背景后的CWSI与棉花叶片气孔导度Gs的决定系数R2达到0.84,Ostu算法的结果次之,包含土壤背景的最差。本研究可为无人机热红外遥感监测作物水分状况提供参考。     

覆盖度对无人机热红外遥感反演玉米土壤含水率的影响

为提高基于冠层温度信息反演土壤含水率的精度,以不同水分处理的拔节期大田玉米为研究对象,采用无人机热红外和可见光相机获取试验区遥感图像,通过不同图像分类方法剔除土壤背景,提取玉米植被覆盖度(Corn vegetation coverage,Vc)及冠层温度(Canopy temperature,Tc),并计算冠-气温差(Tca)和冠-气温差与覆盖度的比值,分析这两种指数与土壤含水率(Soil moisture content,Smc)之间的关系。结果表明,不同分类方法提取的玉米覆盖度以及冠层温度均存在差异,由灰度分割法、RGRI指数法、GBRI指数法3种分类方法剔除土壤背景后计算的冠-气温差、冠-气温差与覆盖度之比与土壤含水率均呈线性关系,并且冠-气温差、冠-气温差与覆盖度之比两种指数反演0～30 cm玉米根域深度的土壤含水率效果较好;其中,未剔除土壤背景的冠-气温差反演土壤含水率效果较差,GBRI指数分类法剔除土壤背景的冠-气温差反演土壤含水率效果有所提高(0～10 cm、10～20 cm、20～30 cm深度的R2由0. 255、0. 360、0. 131提高至0. 425、0. 538、0. 258);而冠-气温差与覆盖度的比值反演土壤含水率相比于冠-气温差精度明显提高,0～10 cm、10～20 cm、20～30 cm深度建模集R2高达0. 488、0. 600、0. 290,P 0. 001,验证集R2达0. 714、0. 773、0. 446,表明冠-气温差与覆盖度之比是反演玉米根域深度土壤含水率效果更优的指标。