基于多载荷无人机遥感的大豆地上鲜生物量反演

以多载荷无人机获取数据和地面实测的数据为基础,将大豆生殖生长期分段建模,采用植被指数和光谱参数相结合再加上农学参数株高,通过最小二乘法建立多元线性回规模型的方法,来估算大豆开花期和结荚期的鲜生物量,采用高光谱植被指数法估算大豆鼓粒期和成熟期的鲜生物量。结果表明:在大豆开花期和结荚期内,采用混合法构建生物量反演模型利用交叉验证法,验证结果的R~2和RMSE分别为0.714和0.393;在大豆鼓粒期和成熟期内,采用高光谱植被指数法构建生物量反演模型,利用交叉验证法,验证结果的R~2和RMSE分别为0.697和0.386;大豆开花结荚期构建的模型和鼓粒成熟期构建的模型都有比较高的精度和可靠性,利用这两种模型完成了高光谱影像鲜生物量的遥感空间制图,能反映当地当时大豆的真实长势情况。     

基于无人机成像高光谱影像的冬小麦LAI估测

利用无人机Cubert UHD185 Firefly成像光谱仪和ASD光谱仪获取了冬小麦挑旗期、开花期和灌浆期的成像和非成像高光谱以及LAI数据。首先,对比ASD与UHD185光谱仪数据光谱反射率,评价两者精度;然后,选取7个光谱参数,分析其与冬小麦3个生育期LAI的相关性,并使用线性回归和指数回归挑选出最佳估测参数;最后利用多元线性回归、偏最小二乘、随机森林、人工神经网络和支持向量机构建了冬小麦3个不同生育期LAI的估测模型。结果表明:UHD185光谱仪光谱反射率在红边区域与ASD光谱仪趋势一致性很高,反射率在挑旗期、开花期、灌浆期的R^2分别为0.9959、0.9990和0.9968,UHD185光谱仪数据精度较高;7种光谱参数在挑旗期、开花期、灌浆期与LAI相关性最高的参数分别是NDVI(r=0.738)、SR(r=0.819)、NDVI×SR(r=0.835);LAI-MLR为冬小麦LAI的最佳估测模型,其中开花期拟合性最好,精度最高(建模R^2=0.6788、RMSE为0.69、NRMSE为19.79%,验证R^2=0.8462、RMSE为0.47、NRMSE为16.04%)。     

玉米茎结构参量与产量关联及最优化分析

高效高产农业是可持续生产的重点,为研究玉米茎结构参量综合利用效率及最优利用率产量提高幅度,本研究使用2015年北京市小汤山镇获取的玉米数据,将玉米茎结构参量作为输入指标,生物量、产量和经济系数为产出指标,运用数据包络分析探讨利用效率及最优利用效率。结果表明:‘京华8号’玉米茎结构参量利用效率都保持在0.7以上,仅67%达到最优利用效率水平;小喇叭口期和抽雄期茎结构参量利用效率中上部茎粗最差,下部茎粗最优但仍有提高潜力;玉米茎结构参量综合利用效率最优效率时资源充分利用产量有不同程度的提高,其中抽雄期提高产量最大为32%。玉米茎结构参量利用效率尚未达到最优,提高其利用效率尤其抽雄期可显著提高产量。     

无人机机载激光雷达提取果树单木树冠信息

定株管理是未来果园精准生产管理的趋势，果树单木树冠信息的提取是定株管理的关键。该研究利用无人机采集的苹果园激光探测与测量数据（Light Detection and Ranging，LiDAR）检测和测量每棵果树的树冠面积和树冠直径，并评价空间分辨率对于果树单木树冠检测与提取的影响。该方法主要包括使用反距离权重插值法间接生成冠层高度模型（Canopy Height Model，CHM）；使用局部极大值滤波算法和标记控制分水岭分割算法（Marked-Controlled Watered Segmentation，MCWS）对果树进行单木树冠检测与提取，通过与参考数据的比较，评估了该方法的精度，并定量分析了空间分辨率对于单木树冠检测与信息提取结果的敏感性。结果表明，该方法有效地实现果树单木树冠检测与信息提取，代表果树检测精度的F1得分为94.86%，树冠轮廓提取准确率为86.39%，树冠面积的提取数据集和参考数据集的线性拟合结果决定系数和归一化均方根误差分别为0.81和20.56%，树冠直径的提取数据集和参考数据集的线性拟合结果决定系数和归一化均方根误差分别为0.85和14.79%，树冠面积和直径不同程度地被高估。此外，冠层高度模型的空间分辨率接近果树平均树冠直径的1/10时精度最高，可以有效检测果树单木树冠及提取树冠轮廓，从而准确提取果树单木树冠信息。     

犬阴道增生的诊治要点

犬阴道增生是指阴道及外阴部粘膜水肿和增生,并向后脱出于阴门内或阴门外的一种外生殖道的一种疾病,多发生于母犬的发情期前和发情期,是阴道粘膜对雌激素反应亢进引起的。这种     

基于夏玉米冠层内辐射分布的不同层叶面积指数模拟

为了模拟夏玉米冠层内各层叶面积指数垂直分布,光合有效辐射（photosynthetically active radiation, PAR）是研究作物群体光合作用和长势的重要特征参数,阐明冠层内PAR的垂直分布规律与冠层结构等参数之间的相关关系,可为遥感定量反演冠层结构参数提供模型基础。该文基于PAR在冠层内的辐射传输规律结合冠层结构模拟不同太阳高度角的PAR透过率垂直分布模型,并用地面冠层分析仪测量值进行验证,结果表明模型对封垄前玉米抽雄期冠层内PAR透过率垂直分布模拟精度较高。通过不同太阳高度角PAR透过率的垂直分布模型结合消光系数运用不同算法分别反演层叶面积指数（leaf area index, LAI）,并与不同高度层LAI实测值进行比较。结果显示：Bonhomme& Chartier算法反演不同高度层LAI精度较高,上层均方根误差（root mean square error,RMSE）为0.18,中层RMSE为0.55,下层RMSE为0.09。不同太阳高度角反演结果存在差异,30°和45°高度角均能较好地反演下层LAI,RMSE分别为0.11与0.09;30°高度角反演中层LAI精度较高,RMSE为0.30;45°高度角反演上层LAI精度较高,RMSE为0.18。结果表明基于不同太阳高度角构建的层LAI反演模型更适于实现夏玉米不同高度层LAI的遥感估算。该研究可为模拟垄行结构冠层内LAI垂直分布提供参考。     

青稞品种云青2号的高产栽培综合技术

<正>青稞品种云青2号,原名紫青稞,系迪庆州种子管理站从本地黄六棱青稞中系统选育而成。该品种中早熟,幼苗半匍匐,叶深绿色,叶片长而宽,叶片与茎秆夹角较小;株高90~120 cm,株型较紧凑,弹性强有蜡粉,抗倒伏性好,抗黄矮病、锈病和白粉病;穗全抽出,呈圆柱形,六棱,紫色,穗长5.4cm,穗粒数53~60;子粒紫黑     

黑河流域ASTER与MODIS融合生成高分辨率地表温度的验证

融合多源遥感数据生成高时空分辨率数据具有重要的应用价值。为了解决高空间分辨率数据重访周期长及云雨天气带来的数据短缺问题,该文基于增强自适应的遥感图像时空融合方法(enhanced spatial and temporal adaptive reflectance fusion model,ESTARFM),使用多时相MODIS数据提供地物时间变化信息,结合ASTER影像提供的空间细节信息,选择多波段数据(可见光近红外数据和地表温度数据)共同作为输入变量融合生成高时空地表温度。融合结果分别与地表红外辐射计观测温度和ASTER温度产品进行了验证。验证结果表明:基于ESTARFM方法降尺度地表温度影像清晰,融合结果与地表红外辐射计观测温度呈显著的线性正相关关系,相关系数均高于为0.71,预测得到的地表温度与真实测得的数据的平均绝对偏差均低于2.00 K,均方根误差均低于2.60 K。与ASTER地表温度产品的验证中,整体验证结果的R2均在0.95以上。此外,ESTARFM方法在各个地类中的融合效果较好,均表现出非植被区域的相关性高于植被和水体,尤其在2012年8月27日非植被的R2达到0.91。     

无人机多光谱影像辐射一致性自动校正

针对一个架次内无人机影像由于光照度变化、拍摄角度等原因引起的相同地物点在不同影像上的辐射信息不一致的问题,验证了利用SIFT(scale invariant feature transform)算法匹配同名点,然后利用同名点灰度值的相关关系建立校正模型,再用该校正模型校正整幅影像的辐射一致性校正方法。对比评价了基于直方图匹配的色彩一致性校正方法、原始色彩空间辐射一致性校正、针对三波段影像的HSV(hue,saturation,value)色彩空间亮度一致性校正以及双边滤波去噪的效果。试验结果表明:基于直方图匹配的色彩一致性校正能在视觉上达到很好的效果,但是会造成校正后影像的灰度级严重缺失;基于同名点灰度值相关关系的校正模型能够很好地恢复待校正影像与基准影像的辐射一致性;HSV色彩空间亮度一致性校正能够在色彩上和辐射信息上与基准影像均达到很好的一致性,但只适用于三波段影像;双边滤波在去除噪声的同时,能够保持甚至提高校正后影像与基准影像的辐射一致性。     

利用无人机多光谱影像的多品种玉米成熟度监测

基于遥感监测多品种玉米成熟度进而掌握最佳收获时机，对提高其产量和品质至关重要。该研究在玉米成熟阶段获取无人机多光谱影像，同步采集叶片叶绿素含量（chlorophyll content，C）、籽粒含水率（moisture content，M）、乳线占比（proportion of milk line，P）等地面实测数据，以此构建玉米成熟度指数（maize maturity index，MMI），从而定量表征玉米成熟度。通过MMI与植被指数构建回归模型和随机森林模型，验证MMI适用性，并分析无人机遥感对不同品种玉米成熟度的监测精度。结果表明：1）不同品种玉米的叶片叶绿素含量、籽粒含水率、乳线占比的变化速率均存在差异。2）MMI与所选植被指数的相关性均可达到0.01显著水平，其中与归一化植被指数（normalized difference vegetation index，NDVI）、转换叶绿素吸收率（transformed chlorophyll absorbtion ratio index，TCARI）相关性最高，相关系数均为0.87。3）该研究基于不同组合的数据集进行了模型验证，其中随机森林模型对MMI的估测精度最高，测试集决定系数（coefficient of determination，R²）为0.84，均方根误差（root mean squared error，RMSE）为8.77%，标准均方根误差（normalized root mean squared error，nRMSE）为12.05%。此外，随机森林模型对不同品种MMI的估测精度较好，京九青贮16精度最优，其中R²、RMSE、nRMSE为0.76、10.67%、15.88%，模型精度证明了可以利用无人机平台对不同品种玉米成熟度进行监测。研究结果可为多光谱无人机实时监测农田多品种玉米成熟度的动态变化提供参考。