基于SPEI_PM指数的渭河流域气象干旱时空演变特征

利用渭河流域25个气象站点1980−2018年月值气象数据集，基于Penman-Monteith蒸散模型计算多个时间尺度的标准化降水蒸散发指数（SPEI），分析渭河流域气象干旱的演变、趋势、影响范围、发生频率和持续时间等时空变化特征，以期为渭河流域防灾减灾管理提供科学依据。结果表明：（1）近39a来渭河流域有明显的干湿周期变化，但整体上呈变干的趋势，干旱时段主要集中在1995−2009年，其中以2000−2009年的干旱站次比最大，平均达到36%，且干旱持续时间最长，约3.6个月，1980−1989年干旱持续时间最短，约1.6个月；（2）渭河流域秋季总体呈湿润变化趋势，而春季和夏季干旱在不断加剧，是区域年际干旱的主要驱动力；（3）渭河流域干旱以危害性较小的轻中旱为主，但2000年前后出现严重及极端干旱的站次相对较多，其中1997年研究区内发生的干旱程度较高，影响范围较广；（4）不同时间尺度各等级干旱发生频率的变化规律表现一致，均呈现出干旱等级越高发生频率越低的态势，且极端干旱在年际尺度内发生次数较为频繁，从空间上看渭河流域东北部是干旱多发区。总之，近39a来渭河流域总体干旱较为严重的时段为2000−2009年，且研究区内干旱呈北重南轻特征，因此北部地区仍需加强防灾管理。     

基于无人机多时相遥感影像的冬小麦产量估算

为高效准确地预测小麦产量,以浙江省冬小麦为研究对象,利用四旋翼无人机精灵4多光谱相机获取冬小麦5个关键生育时期（拔节期、孕穗期、抽穗期、灌浆期、成熟期）的冠层多光谱数据,选取多光谱相机的五个特征波段计算各生育时期的72个植被指数,分别通过逐步多元线性回归（SMLR）、偏最小二乘回归（PLSR）、BP神经网络（BPNN）、支持向量机（SVM）、随机森林（RF）构建不同生育时期的产量估算模型,最后采用决定系数（R）、均方根误差（RMSE）和相对误差（RE）对估算模型进行评价,筛选出最优估算模型。结果表明,基于随机森林建立的模型估算效果最优,SMLR、PLSR和SVM三种方法建立的模型估算效果接近。利用随机森林算法所建拔节期、孕穗期、抽穗期、灌浆期、成熟期模型的R、RMSE和RE分别为0.92、0.35、11%;0.93、0.33、10%;0.94、0.32、9%;0.92、0.36、9%;0.77、0.67、33%。模型验证时,抽穗期估算效果最好（R、RMSE和RE分别为0.91、0.35和15%）,拔节期、孕穗期、灌浆期估算效果接近且有很好的估算能力,成熟期估算精度最差（R、RMSE和RE分别为0.71、0.47和13%）。由此说明,结合机器学习算法和无人机多光谱提取的植被指数可以提高小麦产量估算效果。     

利用光谱反射率估算土壤理化性质

传统的土壤理化性质检测多为实验室化学分析方法,这种方法费时费力,而且获得的数据结果存在滞后性,不适应于土壤理化性质的快速评价和及时决策。近年来研究表明,近红外光谱技术可用于估算土壤理化性质,然而许多研究中的估算模型构建方法较为复杂,难以在实际农业生产中推广应用。本文提出了一种新型的基于土壤光谱曲线线性趋势变化的土壤理化性质估算方法。试验采集了140个土壤样本,测定其理化性质和相应光谱曲线,其中70个样本用于建模,70个样本用于模型验证。结果表明,400~1 000 nm土壤光谱曲线线性趋势参数(Slope)与土壤有机质含量(OMC)、全氮含量均呈极显著相关关系,相关系数分别为-0.808和0.637;Slope与土壤阳离子交换量(CEC)的相关性达到显著水平,与有效磷(AP)、有效钾(AK)、pH的相关性没有达到显著水平。土壤OMC光谱估算模型为OMC=-329.9 Slope+41.755,决定系数R²为0.814 9,模型较优。选取独立数据对OMC估算模型验证,发现估算OMC值与实际测量OMC接近,这表明本研究提出的基于光谱反射率Slope的方法可以估算土壤有机质含量OMC,该方法建模方法简单,容易开发成便携式产品或传感器,具有较大的应用价值。     

基于图像特征的油菜叶绿素含量快速估算

农业生产中叶片颜色通常被用作植物生长胁迫的诊断指标,叶片颜色与作物叶绿素含量密切相关。当前叶绿素含量的化学测定方法需耗费较多人力物力,而且得到测定结果存在滞后性,不能用于作物田间及时管理。通过油菜叶片图像颜色如R(红)G(绿)B(蓝)空间与Lab空间特征参数,可实现油菜叶绿素含量的估算。本研究表明:基于叶片图像颜色特征参数估算叶绿素a含量的模型精度较高,总叶绿素含量模型次之,叶绿素b含量模型较差。通过颜色空间特征参数的转换与组合能提高叶绿素含量估算模型的精度,如RGB空间内,R+G与叶绿素a含量的相关系数为-0.860,达到极显著相关水平,优于R与叶绿素a含量的相关系数;另外,基于RGB和Lab空间颜色特征值的叶绿素含量估算值与实际测量值有较好的线性关系,测量值与实际值偏离较小,其中基于G值、L值的总叶绿素含量验证线性模型精度R²分别为0.916 5和0.919 9,应用前景较为广阔。