艾比湖湿地不同盐渍化土壤粒度组成及可蚀性研究

为了研究内陆干旱区不同盐渍化土壤的粒径组成及其可蚀性的空间分布,在不同盐渍化程度上探讨其与土壤中盐分含量的相互关系,本研究以新疆维吾尔自治区艾比湖湿地为研究靶区,利用2015年5月获取的66个表层土壤样品,对土壤的粒度组成、含盐量、分形维数和可蚀性因子K值进行了研究。结果表明:样品中盐土占比达到59.09%,平均含盐量达131.59 g/kg,研究区内盐渍化现象既普遍又严重;土壤颗粒以粉粒和砂粒为主,随着盐渍化程度的加剧黏粒含量不断增加,砂粒含量则相反;土壤颗粒的分形维数D值介于2.14~2.60,平均值为2.45;随着盐渍化程度加剧,分形维数逐渐变大,K值也随之逐渐增大,盐土的K值最大达0.093;土壤可蚀性因子K值与含盐量的相关性较高(r=0.596**),在一定程度上可以说明,土壤的含盐量水平越高,K值越大,越容易被侵蚀。     

基于机器学习算法的土壤有机质 质量比估算

为快速高效地估测干旱、半干旱地区土壤有机质(soil organic matter, SOM)质量比,提出了一种结合竞争适应重加权法(CARS)和随机森林(RF)的估测模型.以内陆干旱区艾比湖流域为研究区,测定土壤高光谱反射率和SOM质量比,经预处理后,利用CARS对原始光谱(R)、一阶导数(R′)、吸光度(log(1/R))及吸光度一阶导数［log(1/R)］′4种光谱变量的可见-近红外光谱进行筛选,并结合RF算法,建立全谱段RF模型与CARS-RF模型.结果表明,基于CARS方法对光谱进行变量筛选后,得出4种光谱变量的优选变量集个数分别为35,26,34和121;在4种光谱变量中,R′和［log(1/R)］′的SOM估测模型精度较高,以［log(1/R)］′为基础数据获得的模型精度最高;CARS-RF模型精度优于全谱段RF模型,模型验证集决定系数(R²)、均方根误差(RMSE)、相对分析误差(RPD)分别为0.881,6.438 g/kg和2.177.该研究在预处理的基础上通过变量优选,应用较少的变量个数获得较高的估测精度,为干旱、半干旱区SOM高光谱估测提供了适宜高效的方法.     

基于AOD数据的新疆大型露天煤炭开采区PM2.5和PM10反演

MODIS气溶胶产品AOD与PM2.5、PM10浓度高度相关,已广泛应用在PM2.5、PM10浓度模拟.该研究以新疆维吾尔自治区大型露天煤炭开采区准东矿区为研究对象,结合实测的2014年5月、7月、9月、12月PM2.5、PM10质量浓度数据与经过垂直湿度订正的MODIS气溶胶产品AOD,利用多元回归进行拟合建模,从建立的40个模型中选取最优模型并据此对研究区PM2.5、PM10的质量浓度进行定量估算.结果表明:AOD与PM2.5、PM10呈极显著正相关;4个月AOD与PM2.5、PM10质量浓度估算模型最优模型均为多项式模型;其中7月AOD与PM2.5质量浓度拟合模型较好(R2=0.6258),实测值与预测值拟合趋势线R2为0.8057;9月PM10拟合模型效果理想(R2=0.7329),实测值与预测值拟合趋势线R2为0.8077;将AOD代入最优模型反演PM2.5,从空间层面上反映出各区域PM2.5浓度差异明显.研究结果可为AOD的深度利用与PM2.5、PM10浓度的遥感估算提供参考,在大气污染物空间分布、监测大气环境质量、污染预测等方面都具有重要意义.     

小四轮拖拉机油刹故障的诊断和排除

一、常见故障的原因分析 1.安装液压制动装置后,制动无力或疲软这是由于制动管路或制动分泵中有残余气体造成的.处理方法:停车熄火,将管路各部位的接头拧紧,连续踩下制动踏板,直到踩不下去为止.     

近20年新疆农田生态系统碳足迹时空变化

利用1994—2013年新疆农田生产投入和农作物产量等数据,采用碳排放系数法估算了新疆农田生态系统的碳排放量、碳吸收量及碳足迹的变化动态以及在各县市的空间分布特征。结果表明:新疆农田生态系统的碳排量从1994年的179.46万t增长到2013年的474.15万t;不同年份农业碳排放均主要源于化肥使用量的增加和不科学的灌溉方式,其最大贡献率分别为40.02%和41.56%;农田生态系统的碳吸收量20年间增加了2185.04万t,棉花对新疆农田生态系统的碳吸收量贡献最大,多年平均贡献率达47%;新疆农田生态系统的碳排放量、碳吸收量区域主要集中在南疆的县市并呈现出沿天山对称的趋势;1994—2013年,农田生态系统碳足迹呈现快速增长态势,从1994年的2 732.63×104C·hm-2·a-1增加至2013年的4 474.89×104C·hm-2·a-1,碳足迹增加了283.59×104C·hm-2·a-1,表明新疆农田生态系统存在碳生态盈余的现象,种植结构生态效益指数大于1的年份为11个,种植结构的调整迫在眉睫。     

基于分数阶微分预处理高光谱数据的荒漠土壤有机碳含量估算

对光谱数据进行预处理是提升高光谱建模精度十分必要和有效的途径。为了研究分数阶微分预处理方法在高光谱数据估算荒漠土壤有机碳含量中的应用，该研究以艾比湖流域为研究靶区，利用2015年5月采集的103个表层土壤样本的实测有机碳数据和室内测定的高光谱数据，以0.2阶为步长对原始光谱反射率及对应的倒数变换、对数变换、对数倒数变换、均方根变换的0-2阶微分进行分数阶运算预处理并研究其与土壤有机碳含量相关性，基于通过0.01显著性检验的特征波段对土壤有机碳含量进行偏最小二乘回归建模并进行精度分析。结果表明：1）分数阶微分预处理可以细化土壤有机碳及其光谱反射率相关性的变化趋势；2）各阶微分预处理后的相关系数通过显著性检验波段的数量均呈现先增后减的趋势，但波段数量最多的对应阶数并不统一；3）对数变换的1.6阶微分所建立的模型为最优模型，该模型的RMSEC=2.433 g/kg，R2c=0.786，RMSEP=2.263 g/kg，R2p=0.825，RPD=2.392。说明了分数阶预处理过后的模型精度和稳健性较整数阶微分有了大幅提升，并且运用在高光谱反演土壤有机碳含量上是可行的。     

基于光谱指数与机器学习算法的土壤电导率估算研究

土壤盐分是干旱区土壤盐渍化评价的重要指标。以新疆维吾尔自治区渭干河-库车河三角洲绿洲为例，基于土壤电导率 (Electrical conductivity，EC) 及可见光-近红外 (Visible and near infrared, VIS-NIR) 光谱数据，通过蒙特卡洛交叉验证 (Monte Carlo cross validation, MCCV) 确定364个有效样本。采用原始光谱 (Raw reflectance, R) 及其经过微分、吸光度 (Absorbance, Abs)、连续统去除 (Continuum removal, CR) 等6种预处理后的数据构建光谱指数。基于遴选出的21个最优指数，采用BP神经网络 (Back propagation neural network, BPNN)、支持向量机 (Support vector machine, SVM)、极限学习机 (Extreme learning machine, ELM) 三种算法对EC进行估算，并引入偏最小二乘回归 (Partial least squares regression, PLSR) 进行比较。结果表明：在基于R与6种光谱预处理数据构建的21个最优光谱指数之中，R_FD_RSI (R₁₉₁₃，R₂₁₄₂) 表现最佳 (r = 0.649) ；与PLSR相比，机器学习算法能够显著提高模型的估算精度，R²提高了34.55%。三种机器学习算法模型中，ELM表现最优 (R² = 0.884, RMSE = 3.071 mS?cm^-1, RPIQ = 2.535) 。本研究中所构建的光谱指数在兼顾遥感机理的同时能深度挖掘更多的隐含信息，并且基于机器学习算法的土壤EC估算模型精度显著提高，为干旱区土壤盐分定量估算提供了科学参考。     

基于高光谱特征和偏最小二乘法的春小麦叶绿素含量估算

叶绿素含量是影响作物生长及产量的主要因素。该研究以2017年6月小型试验田获取的抽穗期春小麦叶绿素含量及其对应的光谱反射率为数据源,对红边(627~780 nm)、黄边(566~589 nm)、蓝边(436~495 nm)、绿边(495~566 nm)、吸收谷和反射峰的最大反射率及反射率总和等16个高光谱特征参数与叶绿素含量之间的相关性进行了分析,并结合偏最小二乘回归法(partial least-squares regression,PLSR)对叶绿素含量进行高光谱建模及验证。结果表明:1)对特定的16个光谱特征参数而言,光谱特征参数绿边最大反射率与春小麦叶绿素质量分数之间的决定系数最低(R~20.5);决定系数较高(R~2≥0.5)的光谱特征参数包括蓝边最大反射率、蓝边反射率总和、黄边最大反射率、黄边反射率总和、红边最大反射率、红边反射率总和、绿边反射率总和、820~940 nm反射率总和及最大反射率、500~670 nm归一化吸收深度和560~760 nm归一化吸收深度,其中820~940 nm反射率总和决定系数达到最高(R~2为0.8);2)利用16个特征参量进行PLSR建模后,发现波段范围在820~940 nm的最大反射率及反射率总和所建立的PLSR估算模型为最优模型,其精度参数R~2p=0.8、RMSEp=2.0 mg/g、RPD=3.2。因此,该模型具有极好的预测能力。该研究为相关研究及当地精准农业提供科学支持和应用参考。     

基于WorldView-2影像的土壤含盐量反演模型

针对WorldView-2影像高空间分辨率评价其定量反演土壤含盐量的能力,以盐渍化现象较为明显的新疆克里雅河流域为研究对象,基于WorldView-2影像和实测高光谱数据,利用偏最小二乘回归(partial least squares regression,PLSR)和BP人工神经网络(back propagation artificial neural networks,BP ANN)方法建立定量反演该流域土壤含盐量模型并做出研究区高空间分辨率土壤含盐量分布图。结果表明:1)利用实测高光谱数据和影像数据分别建立的2种模型中BP神经网络模型预测精度都高于PLSR模型,其中基于影像数据建立的6:8:1结构的3层BP神经网络模型决定系数R2、均方根误差RMSE、相对分析误差RPD分别为0.851、0.979、2.337,模型的稳定性和预测能力都优于PLSR模型(R2、RMSE、RPD分别为0.814、1.139、2.007)。2)利用WorldView-2影像提高了土壤含盐量制图的空间分辨率,归一化植被指数NDVI和比例植被指数RVI较有效降低了植被覆盖与土壤水分对预测精度的影响。该文建立的考虑植被覆盖与土壤水分定量反演土壤含盐量的模型不需要复杂的参数,一定程度上满足了干旱、半干旱地区的盐渍化监测需求,可以促进WorldView-2等高空间分辨率卫星在盐渍化监测中的进一步应用。