遥感技术在智慧农业中的应用研究

现代信息技术的发展使得我国农业朝着智慧农业方向蓬勃发展,显著提高了农业生产的智能化科学化水平,遥感具有远距离感知、无损监测的特点,越来越多地被用于农情监测。对遥感在智慧农业中的应用原理进行了介绍,对遥感在大尺度农情监控上的应用与方法进行了归纳总结,具体包括土地利用现状与土地资源调查、长势监测与产量预报、作物灾害损失评估与预报3个方面,并对遥感在农田尺度信息服务上的应用做了介绍,总结了遥感在智慧农业中应用的瓶颈问题以及今后的发展方向。     

冷杉叶片氮含量高光谱反演技术研究

氮是植物生长的基本营养元素,对氮含量的监测有助于及时了解植物的代谢过程和健康状况.高光谱技术能够对叶片氮含量进行无损快速的检测,已成为叶片氮含量检测的重要手段之一.采用高光谱技术对冷杉叶片氮含量进行估算,首先分别采用相关系数法、连续投影法、LASSO算法对4种形式的光谱变量R,R′,log(1/R),log(1/R)′进行敏感波段筛选,对筛选后的敏感波段分别采用偏最小二乘、随机森林、支持向量机进行建模反演.结果显示:两种导数形式变量的反演误差最小;且相关系数&Log(1/R)′,LASSO&Log(1/R)′能够有效筛选出叶片氮含量的敏感波段组合,无论采取何种建模方法,其估算效果在几种筛选方法组合中最好,R2>0.84,RMSE在0.19～0.24,估算效果明显优于全波段建模;随机森林算法对相关系数法和LASS0算法筛选出的Log(1/R)′形式变量的反演误差最小,但对其他形式变量的反演误差变化范围较大,表现并不稳定.3种变量筛选方法筛选出的R形式的变量与前人研究相符,连续投影算法能筛选出更多与叶片其他化学含量相关的波段,证明了3种变量筛选方法的有效性.     

运用无人机技术研究贵州省城乡结合部植被覆盖度现状——以贵州省农业科学院为例(英文)

运用无人机技术调查了典型城乡结合部的植被覆盖度,采用描述性统计和地统计学方法分析了城乡结合部植被覆盖度的空间异质性,结果表明:研究区的植被覆盖度为27.217 6%,变异系数为31.778 6%;在滞后距0.18′时,植被覆盖度呈空间正相关性,且植被覆盖度的空间相关性在滞后距0.18′时大于在滞后距0.18′时的;半方差函数拟合模型中指数模型拟合的最好,空间变异比为0.726,属于强的空间自相关性,空间相关尺度0.18′;研究区内的植被盖度数据较为稳定,其不稳定主要发生在研究区与外界的交界处。     

1982-2012年中国NDVI变化及其与气候因子的关系

GIMMS NDVI产品因其长时间序列的优势,一直以来被广泛应用于植被特征分析.本文利用1982-2012年该数据集,研究了我国NDVI时间和空间的分布状况及空间变化率,同时选用双变量相关与偏相关2种方法分析了我国不同植被类型区域NDVI与6种气候因子(年降水量、平均气温、平均风速、平均水汽压、平均相对湿度和日照时数)的相关性.结果表明,全国NDVI的年内变化显著,其中2月下半月数值最小,8月上半月达到峰值.31年间,全国NDVI呈缓慢增长趋势,其年平均增长率为0.0003.针对8种不同的植被类型,其NDVI与6种气候因子的相关性程度不同,总体而言,与年降水量、平均气温、平均水汽压及平均相对湿度多具有正相关性,而与平均风速和日照时数多具有负相关性.     

基于InVEST模型的贵州喀斯特生态系统服务功能评估研究进展

生态系统服务功能评估不仅是环境保护和生态系统稳定性评估的定性、定量研究手段,同样其对人类生活的服务功能也具有重要作用.贵州是全国石漠化面积最大的省份,生态环境异常脆弱.将多种具有生态系统服务功能的模型应用到贵州省,是近年研究的一个热点.在国内外涌现出的各类生态服务评估模型中,InVEST模型的开发应用更加成熟,并且在国内生态系统服务功能评估中推广应用.基于上述原因,通过详细阐述InVEST模型的基本内容和特点、应用现状以及该模型的应用局限性和发展趋势,为该模型在贵州的应用与发展提供科学支持,并为后续的石漠化地区生态系统服务功能模型相关研究提供部分理论依据和科学指导.     

利用无人机提取样本点的多源遥感影像类方法研究

无人机遥感信息技术广泛应用于地表类型分类及监测.本研究均匀提取分布于研究区内的982个分类样本点,利用包括Sentinel-1/2 (S1/2)数据集、S2数据集计算获得的植被指数(Vegetation index,Ⅵ)数据集和数字高程模型(Digital Elevation Model,DEM)数据集的遥感影像资料,借助随机森林分类模型完成研究区地表类型分类.结果 显示:4种数据集组合(S2数据集、S2&Ⅵ数据集、S2&Ⅵ&DEM数据集,以及4个S2波段b3&b2&b4&b6组成的数据集)的制图总体精度(Overall Ac-curacy,OA)和Kappa系数精度都在75％和65％以上.此外,在不考虑位于边缘的样本点(即混合像元)后,分类制图结果具有更好的鲁棒,3种分类精度最高的数据集(S2数据集、S2&Ⅵ数据集和S2&Ⅵ&DEM数据集)OA和Kappa系数精度都提高至85％和79％以上.特别是kappa系数的精度更优,提高了近15％.本文研究结果为喀斯特地区的地表类型制图提供了准确而有效的技术手段.