基于归一化光谱指数的土壤有机质含量空间分布状况研究

【目的】研究土壤主要养分含量特征信息的光谱预测值,使其更具直观性、空间性及科学性,为大尺度对农田的土壤养分空间分布状况获取、评价与科学管理提供依据。【方法】利用ArcGIS 9.3的普通克里格(Ordinary Kriging)插值方法,对小面积及大尺度试验区的土壤样本点进行有机质反演插值填图,并将实验室化学测定土壤有机质含量的实测值与其高光谱模型预测值进行Kriging插值填图比较,分析土壤有机质含量的实测值与预测值的空间分布状况差异。【结果】从小面积试验区到大尺度条田地块插值后的空间分布情况来看,土壤有机质含量的光谱预测值(基于归一化光谱指数NDI[495,485]预测)与实测值之间具有较好的相似性,预测效果较好。【结论】通过土壤有机质含量信息状况的空间分布填图来确定农田分区基本管理单元的适宜尺度,为实施大区域农田养分分区精量管理的划分,提出科学的平衡施肥方案,为适合新疆及兵团特色的精准农业管理、土壤养分快速探测、精量施肥等技术提供技术理论支持。     

基于高光谱数据的农田土壤养分含量估测模型研究

【目的】快速、实时、准确、无损地获取农田土壤主要养分(全氮TN、全磷TP、全钾TK)含量的信息。【方法】运用各种土壤反射率的光谱特征分析技术,提取其最具代表性的敏感波段位置,建立土壤养分含量反演模型。【结果】建立估算模型中,预测TN含量以指数函数模型(Y_TN =0.000 5e^{4.700 3xNDI})为最佳;预测TP含量以一元三次函数模型(Y_TP =802.27 x_NDI³-412.32 x_NDI²+72.357 x_NDI-3.318 9)为最佳;预测TK含量以一元三次函数模型(Y_TK =80 189 x_NDI³-11 471 x_NDI²+490.57 x_NDI+13.879)为最佳模型。【结论】通过模型精度评价和田间反复验证,基于归一化光谱指数NDI建立的高光谱遥感定量模型,能较好的反演土壤TN、TP、TK含量,达到良好的预测效果。     

不同光谱植被指数反演冬小麦叶氮含量的敏感性研究

【目的】氮素是作物生长发育过程中最重要的营养元素之一,研究叶氮含量反演的有效光谱指标设置,为应用高光谱植被指数反演作物叶氮含量,以及作物的实时监测与精确诊断提供重要依据。【方法】以冬小麦为例,选取涵盖冬小麦全生育期不同覆盖程度225组冠层光谱与叶氮含量数据,通过遥感方法建立模型,模拟了不同光谱指标,即中心波长、信噪比和波段宽度对定量模型的影响,通过模型精度评价指标决定系数(coefficient of determination,R~2)、根均方差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P0.01)确定最优模型及最佳指标,分析光谱指标对叶氮含量定量模型反演的敏感性和有效性。【结果】反演冬小麦叶氮含量的最佳植被指数为MTCI_B,与实测叶氮含量的相关性最好(R~2=0.7674,RMSE=0.5511%,MAE=0.4625%,MRE=11.11个百分点,且P0.01),对应的最佳指标为中心波长420 nm、508 nm和405 nm,波段宽度1 nm,信噪比大于70 DB;高覆盖状况反演的最优指数为RVIinf_r(R~2=0.6739,RMSE=0.2964%,MAE=0.2851%,MRE=6.44个百分点,且P0.01),最优中心波长为826 nm和760 nm;低覆盖状况反演的最优指数为MTCI(R~2=0.8252,RMSE=0.4032%,MAE=0.4408%,MRE=12.22个百分点,且P0.01),最优中心波长为750 nm、693 nm和680 nm;应用最适于高低覆盖的植被指数RVIinf_r和MTCI构建的联合反演模型(R~2=0.9286,RMSE=0.3416%,MAE=0.2988%,MRE=7.16个百分点,且P0.01),明显优于最佳单一指数MTCI_B;模拟Hyperion和HJ1A-HSI传感器数据,联合反演模型精度(R~2为0.92—0.93,RMSE在0.37%—0.39%,MAE为0.285%左右,MRE约为7.00个百分点)明显优于单一植被指数反演精度(R~2为0.79—0.81,RMSE为0.63%—0.66%,MAE为0.455%左右,MRE约为10.90个百分点)。【结论】利用高光谱植被指数可有效实现作物叶氮含量反演,作物叶氮含量定量反演对不同光谱指标—中心波长、信噪比和波段宽度,具有较强敏感性。应用多指数联合反演模型,可显著提高反演精度,并且联合反演模型在不同高光谱传感器下有一定普适性。     

滴灌棉田植株氮营养指数的高光谱诊断研究

【目的】通过研究滴灌棉田地上部植株的氮营养指数,探究建立基于氮营养指数的高光谱指数模型的可行性,为高光谱遥感在农田氮营养快速、准确诊断中的应用提供理论依据。【方法】2年试验,以新疆主栽的5个棉花品种为研究对象,在不同施肥处理条件下,探究氮营养指数和17种光谱指数之间的相关性,建立氮素营养诊断模型并进行验证。【结果】不同品种棉花滴灌条件下氮营养指数之间差异显著,杂交棉能更快地接近氮素营养水平的最佳状态;基于高光谱的氮营养指数多元回归模型中R~2最高的为鲁棉研24,达到0.8的高水平;经2年数据验证,鲁棉研24号建立的模型精度最高,R~2=0.868,均方根误差为0.059。【结论】建立基于氮营养指数的高光谱监测模型能够很好地监测植株氮素养分状况,大田模型精度R~2能达到0.5以上,本试验结果能够为今后农业养分诊断提供理论依据。     

滴灌棉花不同生育时期冠层叶片叶绿素含量的高光谱估测模型

【目的】利用高光谱数据对新疆北方地区不同生育时期滴灌棉花冠层叶片叶绿素含量进行估测,建立生长时序的叶绿素含量估算模型。【方法】以新陆早45号为试验材料,测定不同施氮水平和生育时期棉花冠层叶片叶绿素含量及对应的光谱反射率,分析了12种指数与叶绿素含量的关系,构建了滴灌棉花冠层叶片叶绿素含量的估测模型。【结果】棉花的4个生育时期(现蕾期、盛蕾期、花铃期和吐絮期)中冠层叶片叶绿素含量与Vogelmann红边指数1的相关系数都高,分别是0.944、0.907、0.895、0.930;采用多元回归方法建立的模型精度高于单指数线性模型,其决定系数都大于0.8,且均方根误差(RMSE)都较小。现蕾期模型(y=82.509x_1+89.937x_2-94.438)精度最好。【结论】针对不同生育时期建立的模型均可对棉花冠层叶片叶绿素含量进行估测,其中现蕾期模型监测效果最好。     

结合葡萄埋土防寒沟内填埋枯枝落叶

东营大田栽培的葡萄每年 1 1月中下旬要进行培土防寒。以往的做法是 ,1 1月上旬结合冬剪清理园内枯枝落叶及剪下的枝蔓 ,将其带出果园。 1 1月下旬 ,在葡萄行间挖沟取土 ,沟宽 5 0cm、深 3 0cm ,用挖出的土培埋植株 ,培土高度 40cm。带出果园的枯枝落叶及蔓条 ,一般随便放于沟边、路边或田埂边 ,多不烧毁或深埋 ,成为翌年病虫害的侵染源。笔者经几年的试验观察 ,采取隔行挖沟取土培土 ,沟内填埋枯枝落叶的办法 ,既控制了病虫侵染源 ,又培肥了地力 ,取得了良好效果。具体做法是 :1 1月上旬进行冬季修剪。剪下的枝条及枯枝落叶隔行放置在行间…     

高密度省力化桑园栽培模式研究

随着农村经济的发展,传统的桑蚕生产栽植模式已不适应当前农业科技的发展和农民快速致富的要求,现代的养蚕业必须向规模化、专业化和省力化的方向发展。传统的桑园栽培技术——"当年     

基于RF和SPA的无人机高光谱估算棉花叶片全氮含量

为分析棉花叶片全氮含量（LNC）与冠层光谱反射特征的关系，实现作物生长过程中氮素水平的快速、准确和无损监测，以石河子大学教学试验场2019年棉花小区试验为基础，选用多元散射校正、SG平滑算法、变量标准化校正和一阶导数4种方法分别对棉花冠层原始光谱进行预处理，使用随机蛙跳（random frog,RF）和连续投影算法（successive projections algorithm,SPA）筛选特征波长并结合偏最小二乘回归法建立棉花LNC光谱估算模型。RF和SPA算法从棉花冠层398～1000nm的光谱中优选5组LNC的敏感特征波段，波段数目下降了93.0%～96.3%，有效降低了光谱的冗余信息；基于SPA算法筛选的敏感波段构建的LNC偏最小二乘回归模型的决定系数和均方根误差分别为0.52和2.55，模型验证的决定系数和均方根误差分别为0.70和2.37，模型具有较好的精度和稳定性，可作为棉花LNC的无人机高光谱估算方法。