基于多核支持向量机的小麦条锈病遥感监测研究

为提高小麦条锈病的遥感探测精度,依据日光诱导叶绿素荧光和冠层反射光谱数据在小麦条锈病遥感探测中的优势及其与病情严重度之间的映射关系,在运用独立分量分析法对光谱数据降维的基础上,利用核学习算法分别确定冠层光谱特征和日光诱导叶绿素荧光特征反映小麦条锈病病情严重度的最优核,同时针对冠层光谱与叶绿素荧光特征组,建立基于不同特征最优核映射的多核学习支持向量机模型,并与基于特征直接拼接的模型结果进行对比。结果表明,对于冠层光谱而言,采用高斯核构建的支持向量机模型可较好估测小麦条锈病病情指数,而日光诱导叶绿素荧光指数则是采用多项式核的效果更优;采用直接拼接法融合叶绿素荧光指数和冠层光谱特征能够在一定程度上改善小麦条锈病病情指数估测精度,决定系数(r~2)最高为0.847,而单独利用冠层光谱信息或者叶绿素荧光信息时,r~2最高仅为0.802;对日光诱导叶绿素荧光和反射光谱特征分别利用其最优核进行映射构建的多核学习支持向量机模型精度最高,r~2为0.915,RMSE为0.090,优于基于特征直接拼接构建的支持向量机模型精度。     

利用随机森林法协同SIF和反射率光谱监测小麦条锈病

小麦受到条锈病菌侵染后,作物的光合能力及色素含量等均会发生变化,日光诱导叶绿素荧光(solar-induced chlorophyll fluorescence,SIF)对作物光合生理的变化比较敏感,而反射率光谱则受作物生化参数的影响较大,为了提高小麦条锈病的遥感探测精度,该文利用随机森林(random forest,RF)等机器学习算法开展了协同冠层SIF和反射率微分光谱指数的小麦条锈病病情严重度的遥感探测研究。首先利用3FLD(three bands fraunhofer line discrimination)算法提取了冠层SIF数据,然后结合对小麦条锈病病情严重度敏感的11种反射率微分光谱指数分别基于RF和后向传播(back propagation,BP)神经网络算法构建了反射率微分光谱指数与冠层SIF协同的小麦条锈病病情严重度预测模型。研究结果表明:RF算法构建的小麦条锈病病情严重度预测模型优于BP神经网络算法,3个样本组中RF模型病情指数(disease index,DI)估测值与实测值间的决定系数R2平均为0.92,比BP神经网络模型(R2的平均值为0.83)提高了11%,均方根误差(root mean square error,RMSE)平均为0.08,比同组BP神经网络模型(RMSE的平均值为0.12)减少了33%,RF算法更适合于小麦条锈病病情严重度的遥感探测。在反射率微分光谱指数中加入冠层SIF数据后,RF模型和BP神经网络模型精度均有所改善,其中RF模型估测值与实测值间的平均R2提高了4%,平均RMSE减少了22%,BP神经网络模型估测值与实测值间的平均R2提高了14%,平均RMSE减少了28%,综合利用冠层SIF和反射率微分光谱指数能够改善小麦条锈病病情严重度的遥感探测精度。研究结果可为进一步实现作物健康状况大面积高精度遥感监测提供新的思路。     

冬小麦不同株型品种光谱响应及株型识别方法研究

以直立和平展2种株型的冬小麦品种为材料，研究了它们的光谱响应以及田间植被覆盖度的差异，探讨了利用冠层光谱反射率、光谱特征参量NDVI及植被覆盖度识别小麦株型的方法。结果表明，（1）小麦不同株型品种在近红外波段（700～1300 nm）光谱反射率有明显差异，生育前期平展型品种高于直立型品种，并以拔节期的差异为最显著，随着生育进程差异逐渐变小。拔节期是进行株型识别的最佳时期，并且此期冠层的敏感波段680 nm和760～900 nm的反射率在2种株型品种之间差异明显。（2）小麦冠层叶面积指数（LAI）与归一化差异植被指数NDVI(680,890)呈正相关，并且不同生育阶段其相关程度有差异，这是利用NDVI和植被覆盖度(COV)识别不同株型的基础。（3）相同COV条件下，直立型品种的NDVI高于平展型品种的NDVI，并且随着COV的增加，差异逐渐变小，二者的变化关系体现了直立型品种株型紧凑和平展型品种株型披散的特点，利用NDVI和COV的关系可以对株型进行识别，以小麦拔节期为最佳识别阶段，此期2种株型品种的NDVI具有显著差异（P＜0.05）。     

应用叶绿素计诊断烤烟氮素营养状况

为探讨叶绿素计在估测烤烟叶绿素和氮浓度上的应用价值,进行了3个田间试验。即:郑州点2003年设施N.51.0.kg/hm2与4个品种NC89、RG17、85048、541;2004年设5个氮肥用量:N.30.04、0.5、51.0、61.5、75.0.kg/hm2与2个品种中烟101、云烟85;玉溪点于2005年设5个氮肥用量:N.02、7.0、54.5、81.8、109.0.kg/hm2与K326品种的试验。测定了不同试验条件下烤烟叶片的叶绿素计(SPAD-502和CCM-200)值和实际叶绿素浓度、全氮浓度,并进行了三者关系分析。结果表明,应用叶绿素计监测烤烟叶片最佳测定部位为完全展开叶的中部。叶绿素计测定值因年份、地点、氮肥水平、叶位、同一叶片不同的部位而异。叶绿素计值与叶绿素浓度、叶片全氮浓度之间有稳定的极显著相关性。叶绿素计SPAD-502的SPAD值和CCM-200的CCI值与叶绿素浓度之间的决定系数分别为0.8755(P0.001)和0.9499(P0.001)。SPAD计值(SPAD)与全氮浓度(N)之间回归方程为N=0.0265SPAD+0.9601(R2=0.7649,P0.001),经检验该模型具有较好的精确性和普适性,利用叶绿素计进行烤烟氮素营养监测是可行的。     

利用航空成像光谱数据研究土壤供氮量及变量施肥对冬小麦长势影响

以推扫式成像光谱仪PHI(Pushbroom Hyperspectral Imager)获取的冬小麦拔节期、灌浆初期及乳熟期的航空影像数据为基础，提取反映冬小麦长势的光谱特征值，结合地面调查数据，分析了研究区冬小麦的长势情况；对不同时相光谱特征值与土壤基础供氮量、土壤总供氮量以及变量施肥量进行统计分析，分析结果显示：土壤基础供氮量、土壤总供氮量的空间分布差异对冬小麦长势有明显的影响，其中，土壤基础供氮量是影响冬小麦长势的重要因素，它对冬小麦的长势影响贯穿冬小麦的整个生育期；此外，该文还通过变量施肥前后作物     

基于L-THIA模型的密云水库地区非点源污染空间分布特征

农业生产营养物质的输出是造成水环境污染的重要原因之一。该文以北京密云水库周边地区为研究区域，基于土地利用、土壤以及降水等下垫面信息，利用长期水文影响评价(The Long-Term Hydrologic Impact Assessment，L-THIA)模型，估算研究区内污染物的长期平均输出负荷，并分析其空间分布特征。研究结果表明：不同土地利用类型的污染物输出负荷是不同的，其中以农用地对研究区内非点源污染的影响最大。结果表明，在流域规划和管理中使用L-THIA模型分析农业非点源污染的空间分布是可行的。     

烤烟成熟鲜烟叶生化组分高光谱估算方法筛选

为实现实时无损快速预测鲜烟叶的品质生化组分、筛选估算生化组分最佳的方法，使用ASD Fieldspec FR2500对烤烟成熟鲜烟叶进行了反射率、透射率光谱测定和常规生化组分分析。对可见近红外波段(350～1650 nm)单波段光谱和选用已有100种光谱指数共两类光谱参量进行了与生化组分之间线性函数、幂函数、指数函数共3种形式相关分析和基于决定系数的筛选。结果表明，对于叶绿素a、叶绿素b、类胡萝卜素、钾估算方法分别是Gitelson and Merzlyak2(GM₂) (R²=0.81)、光化学指数2(PRI₂) (R²=0.80)、Gitelson and Merzlyak2(GM₂) (R²=0.83)、1420 nm吸收峰开始位置(λs₁₄₂₀) (R²=0.67)的线性拟合最优。对于总糖、比叶重、氮、烟碱最优方法分别是在532 nm反射率一阶微分线性拟合(R²=0.54)、在1423 nm透射率线性拟合(R²=0.45)、在666 nm反射率倒数对数一阶微分的幂函数拟合(R²=0.44)，在1135 nm反射率倒数对数二阶微分的线性拟合(R²=0.20)。通过筛选的光谱方法可以评估烟叶的品质状况。     

基于高光谱响应与模拟模型的冬小麦变量追氮研究

为给小麦变量施氮提供依据,利用冬小麦起身期和拔节期冠层光谱数据,选用反映冬小麦长势信息的优化土壤调节植被指数OSAVI(Optimization of soil-adjusted vegetation index)与CERES-Wheat模型相结合进行变量施肥管理(变量区),以相邻地块常规非变量(均一)施肥区(对照区)为对照,对变量追氮模型的可行性进行探讨,并对变量追肥处理的实际效果进行分析.结果表明,CERES-Wheat模型能较好地反映冬小麦的生长状况,在冬小麦产量预测中,目标产量与实测产量具有良好的一致性.变量施肥区的产量、籽粒蛋白质含量及经济效益均优于对照区,同时变量施肥区的籽粒产量和蛋白质含量的空间变异较对照均有所降低,说明基于高光谱响应与模拟模型的冬小麦变量追氮技术具有一定的理论意义和实用价值.     

北京房山区8月份净第一性生产力变化分析

净第一性生产力是评价地表植被状况的重要指标之一,对分析和评价全球和区域生态环境、碳循环等变化具有重要作用.该文借助在CASA模型机理以及区域太阳辐射估算模型基础上建立的区域净第一性生产力估算模型,以房山区为例,分析了北京市郊区19922、001、2004年3年间8月份净第一性生产力的变化.分析结果表明,研究区3年间8月份的NPP分别为152.01、142.83、96.32 g/(m2.月);由于受到各种因素的影响,3年间8月份NPP结构构成不同,1992和2001年均以较高产区的NPP产量最高,其次是高产区和中产区,而2004年则以中产区的NPP产量最高,其次是高产区和低产区,而较高产区的NPP产量最低;1992和2001年各产量水平区的NPP总量在全区NPP总量中的比重,随NPP分区产量水平的提高而逐步提高,较高产区的NPP产量比重分别为:1992年42.26%,2001年37.54%;2004年各产量水平区所占比重变化较大,以中产区最高,占全区NPP总量的42.39%,其次是高产区和低产区,而以较高产区的NPP产量比重最低;通过逐步回归分析可知,在影响研究区NPP变化的各气候因素中,以平均风速、降雨量和实际日照时数影响最为显著,其中尤以降雨量的影响最大.     

冬小麦抽穗期长势遥感监测的初步研究

小麦抽穗期是其生长的关键阶段,田间群体较大、郁蔽,抵抗力弱,常遇高温高湿天气,也是病虫害多发时期.因此,及时监测小麦抽穗期的苗情长势,是制定和采取科学管理措施的必要前提.有学者曾使用NOAAAVHRR、EOSMODIS数据进行小麦长势监测研究[1~3],由于这些影像的空间分辨率较低,常常造成"同物异谱"或"异物同谱"现象,使得监测精度降低.本研究利用分辨率较高的TM影像数据并结合实地GPS定位调查,试图通过分析TM影像植被指数与小麦抽穗期叶面积指数、生物量以及植株氮素含量的关系,建立上述群体质量指标监测模型,为小麦抽穗阶段的农田精确管理提供信息支持.