黑土区田块尺度土壤有机质含量遥感反演模型

为了对田块尺度土壤有机质进行空间反演并提高模型精度和稳定性,该文以黑龙江省黑土带41.3 hm~2田块为例,获取2016年5月中下旬两期(受限于拍摄周期和天气原因而选择不同卫星影像,2016年5月17日Landsat 8影像和5月25日Sentinel-2A影像)裸土时期遥感影像和4 m分辨率DEM数据;分析单期影像与土壤有机质(soil organic matter,SOM)的关系,两期影像所包含的土壤含水量变化信息与地形因素对SOM预测模型精度的影响,建立基于BP神经网络的SOM遥感反演模型。结果表明:该田块内SOM含量差异较大;利用单期影像预测SOM时,基于红波段和785~899 nm波段建立的预测模型精度(建模均方根误差RMSE 1.033,检验RMSE 1.079)和稳定性(建模决定系数R2 0.677,检验R20.644)较高;两期影像时,基于红波段和1 570~1 650 nm波段建立的预测模型精度(建模RMSE 0.855,检验RMSE 0.898)和稳定性(建模R2 0.792,检验R2 0.797)显著提高;在两期影像模型基础上,加入地形因子作为输入量,模型精度(建模RMSE 0.492,检验RMSE 0.499)和稳定性(建模R2 0.917,检验R2 0.928)进一步提高。研究成果可为土壤碳库估算和农田精准施肥提供理论与技术支持。     

近20年农田精准管理分区施肥方法研究进展

精准管理分区（Site Specific Management Zones,SSMZ）是精准农业中实现定时、定点、定量、定配方投入水肥药等农业生产资料的关键环节。SSMZ已经在精准农业中得到了迅速的发展与应用,该技术对于减少农业投入、提高经济效益及减轻农业面源污染具有重要意义。全面地认识SSMZ的研究现状及存在问题,有利于更好地把握SSMZ的发展动态并开展更进一步的研究。本文对国内外以SSMZ为主题的论文进行了梳理,概述了SSMZ研究中不同输入量的应用原理、数据类型、优势及局限性;其次,对现有的分区方法进行了总结归纳,最后,整理了常用的SSMZ评价方法,对不同评价方法进行分析,进行总结与展望。得到如下结论:（1）SSMZ输入量由基于空间插值映射土壤空间属性,过渡为利用遥感技术获取土壤、植被等相关信息;（2）随着大数据时代的到来,综合考虑历史土壤理化性质、成土要素、农作物时空动态、水土气生地形地貌的作用有助于提升SSMZ的精度;（3）基于近端传感器及无人机获取的密集数据的研究不断增加,田块尺度的空间信息精度高,连续性增强;（4）传统的非监督分类算法逐步被面向对象分割方法取代,分区结果更有助于指导田间管理措施;（5）用于SSMZ的评价信息以与作物生长关系密切的土壤属性或表征作物长势的参数为主。国内外对于SSMZ的关注度逐渐增加,各类SSMZ研究成果对于实现绿色农业、维护生态安全具有重要实践意义。     

引入地形因子的黑土区大豆干生物量遥感反演模型及验证

为了对田块尺度农作物地上干生物量进行估测,提高大豆地上干生物量反演模型的精度和稳定性,该文获取了研究区地块2016年7、8月份的SPOT-6多光谱数据,并测定不同地形坡位的大豆地上干生物量,以归一化植被指数(normalized difference vegetation index,NDVI)和增强型植被指数(enhanced vegetation index,EVI)为输入量,建立田块尺度大豆地上干生物量一元线性回归模型;加入与地上干生物量相关的地形因子,建立逐步多元回归和神经网络多层感知反演模型.结果表明:1)使用传统的单一植被指数模型预测大豆地上干生物量有可行性,但模型精度和稳定性不高.2)加入地形因子(海拔、坡度、坡向)的神经网络多层感知器模型,有较高的精度和可靠性,模型准确度达到90.4％,验证结果显示预估精度为96.2％.反演结果与地块的地形、地貌、气温和降水特征基本吻合,反映了作物长势的空间分布特征,可以为田块尺度大豆地上干生物量动态监测和精准管理,提供借科学依据.     

棉花生长初期灌溉信息遥感提取与校正

为提高生长初期低覆盖度作物长势的遥感监测精度,需要消除灌溉引起的土壤水分背景变化对归一化差值植被指数(NDVI)的影响。为了实现棉花生长初期灌溉信息提取与校正,提高棉花作物长势监测与产量预判精度,本文以美国加利福尼亚州San Joaquin Valley的2个棉花地块为研究区,选取棉花生长初期灌溉过程中的遥感影像,构建两种灌溉信息提取方法(分阶段阈值法和灌溉线提取法),确定最优灌溉像元提取方法;比较分析灌溉与未灌溉情况下棉花的NDVI与归一化差值水分指数(NDWI)以及土壤调节植被指数的关系,提取含有灌溉信息的像元,并对NDVI进行校正,消除灌溉对NDVI的影响。研究结果表明:在棉花生长初期,灌溉与未灌溉像元NDVI变化率达12%,差异较显著;灌溉与否的棉花NDVI与NDWI间均存在极显著的线性关系,决定系数在0.80以上;利用灌溉线方法提取灌溉信息与分阶段阈值相比精度更高,精度达88%以上;校正后线性回归模型精度达0.95,灌溉校正效果明显,灌溉与未灌溉像元的NDVI差异减小至2%。本研究通过对含有灌溉信息像元NDVI值的校正,去除灌溉对NDVI造成的影响,反映了真实的植被信息,可实现对作物生长初期长势的准确遥感监测,为遥感定量监测提供便利。     

基于机器学习算法的天祝藏族自治县草地地上生物量反演

使用机器学习算法快速、准确、大范围监测草地地上生物量（AGB）是目前研究热点，但不同机器学习算法因训练样本、超参数设置不同而存在较大差异。基于实测草地AGB和同期遥感数据、气象数据、地形数据，选择与草地AGB相关性较强的13个因子作为深度神经网络 （DNN）、随机森林算法（RF）、梯度提升回归树（GBRT）、支持向量机（SVR）、人工神经网络（ANN）和高斯过程回归（GPR）算法的输入变量，建立草地AGB预测模型并从模型预测精度、稳定性、样本敏感性等方面综合评价6种模型应用潜力，分析2020年天祝藏族自治县生长季（4-9月）内草地AGB时空变化特征及其对气候的响应。结果表明：1）DNN估算草地AGB的综合性能最佳，但稳定性较差，对样本敏感性较高；GPR综合性能次于DNN，稳定性和精度均较好；GBRT、RF模拟精度较高，稳定性差；SVR和ANN精度相对其他模型较差，SVR稳定性较高，ANN稳定性较差。2）天祝藏族自治县草地AGB集中在50~250 g·m^-2，不同月份草地AGB空间异质性较大，整体表现为从西北向东南呈下降趋势。3）山地草甸、高寒草甸和温性草原中的AGB变化与气温表现出较为明显的正相关关系。降水量对高寒草甸、温性草原和山地草甸的影响不明显，但对温性荒漠草原类的影响较大，AGB随降水量减少呈现减少态势。以上研究结果可为监测草地生物量的方法选择和参数设置提供一定技术支持和参考依据。