黑土区田块尺度精准管理遥感分区时空格局与成因分析

精准管理分区是实施精准农业的重要环节,对分区结果的时空变化分析有利于因地制宜制定田间精准管理措施。该研究以黑龙江省友谊农场种植玉米作物的田块为研究区,获取多年玉米出苗期Sentinel-2 A卫星遥感影像,提取归一化差异植被指数(Normalized Difference Vegetation Index, NDVI),运用面向对象分割的方法进行精准管理分区,通过空间转移矩阵方法表述研究区分区格局变化情况,并对精准管理分区时空格局成因进行探究。结果表明:研究区在2017-2020年6月上旬精准管理分区格局相似;分区后NDVI、高程、坡度的变异系数分别降低了70.690%～76.420%、42.857%～57.143%、30.723%～34.940%;同一条垄线上,4期NDVI最高值均位于阳坡,且坡顶至阴坡坡底NDVI值逐渐降低;作物生长初期地形影响土壤水分及温度分布从而影响作物长势及精准管理分区格局。研究结果为精准管理分区与精准施肥、施药等田间变量管理措施的衔接提供参考。     

利用地形、土壤和作物信息辅助提高东北漫岗地数字高程模型精度的新方法

【目的】SRTM DEM是可免费访问公开可用的数字高程模型,但是当前SRTM DEM的垂直精度不能满足精细农业对地形数据的需求,提高其垂直精度,为精准农业等领域提供数据基础。【方法】以黑龙江省海伦东兴农机合作社为研究区,采集实际地面高程数据,获取SPOT-6、Sentinel-2A遥感影像和SRTM DEM。提取归一化湿度指数（NDMI）、归一化植被指数（NDVI）、土壤亮度（TCB）、潜在太阳辐射（PSR）等变量分析地形对其影响关系。利用极限学习机（ELM）和反向传播神经网络（BPNN）提高SRTM DEM水平空间分辨率和垂直精度。使用实际地面高程点进行精度验证,与基于无人机和光学立体像对（ZY-3）生成的DEM进行对比。【结果】SRTM、NDVI、NDMI、TCB与改进后高程的灰色关联度在90%以上,是改进SRTM DEM的重要辅助信息。在整个研究区,BPNN方法的RMSE_P为0.98,R²_P为0.98,ELM的RMSE_P为1.00,R²_P为0.90。在平坦区,BPNN方法的RMSE_P为0.84,ELM的RMSE_P为1.00;在起伏区,BPNN方法的RMSE_P为0.99,ELM的RMSE_P为0.94。该方法获得的DEM的垂直精度高于ZY-3光学立体像对生成的 DEM的垂直精度,为提高SRTM的水平空间分辨率和垂直精度提供了新思路。【结论】引入SRTM、NDVI、NDMI、TCB辅助信息有利于提高SRTM DEM的空间分辨率和垂直精度,获得高精度的DEM。BPNN方法获得的数字高程模型的精度整体上高于ELM方法, BPNN方法更加适用于平坦区高精度DEM的获取,ELM方法更加适用于起伏区。     

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。     

东北农牧交错带耕地土壤有机质遥感反演研究

农牧交错带是农耕区与草原牧区的过渡带，土壤有机质(SOM)的精确估算与变化监测对碳库估算与农业生产具有重要研究意义。以东北典型农牧交错带为研究区，Landsat 8 OLI影像和ALOS 12.5m DEM为数据源，基于波段反射率、反射率对数、亮度指数与相关地形因子，分别利用多元线性逐步回归(MLSR)模型、随机森林(RF)模型和BP神经网络(BPNN)模型，构建农牧交错带SOM多光谱反演模型。结果表明：(1)根据重要性排序，选择Landsat8OLI第4波段的对数、第5波段、第6波段和亮度指数作为输入量，RF和BPNN模型的精度优于MLSR模型。(2)引入高程(E)与坡向变率(SOA)后，3种模型的预测精度提高，BPNN模型精度提高最多，R2提高了0.22,RMSE降低了0.40 g/kg。3种模型最优反演精度由高到低为：BPNN模型(R2=0.82,RMSE=1.4 g/kg)>RF模型(R2=0.71,RMSE=1.9 g/kg)>MLSR模型(R2=0.66,RMSE=8.8 g/kg)。研究结果可为农牧交错带SOM时空变化研究提供方法支撑。