景谷县森林蓄积量遥感估测及其动态变化分析

以云南省景谷县为研究区,基于Landsat5和Landsat8遥感数据,利用2012年和2017年两期全国森林资源连续清查实地调查数据,建立多元逐步回归和随机森林模型对景谷县森林蓄积量进行遥感估测对比研究。结果显示:综合建模精度来看,随机森林法在相同样地数量条件下具有更好的估测效果;从估测结果与林地保护利用规划和林地变更数据结果相比较,随机森林法估测值接近真实值,估测精度较高。     

Measuring fish catch and consumption: Practical methods for small‐scale fisheries based on length as an alternative to weight‐based approaches

Small‐scale fisheries are recognised as making important contributions to nutrition and economic development despite a lack of accurate quantitative information on catches and consumption. While direct measurement remains the most appropriate way of collecting such data, it is impractical at large scales. Instead, household surveys based upon informant recall of fish caught and/or consumed are frequently used. However, the accuracy of weight recall by informants (even over short recall periods) has not been established. Using data from household surveys, the accuracy and precision of catch and consumption estimates derived from: (a) asking informants to recall weights of fish caught and (b) asking respondents to recall lengths of fish caught and converting to weight were tested. Length‐based methods, using visual aids to assist recall, were more accurate, precise and correctable. These methods could be useful for catch estimation, especially where fish are processed, sold or consumed shortly after capture.     

色彩对城市山地型公园春冬季植物景观视觉质量的影响

文章采用SBE法、色彩量化分析等研究方法,结合实地调查,应用景观美学、色彩构成理论、色彩量化分析等理论对福州市金鸡山公园植物景观质量提升进行研究,研究结果表明:1)金鸡山公园春冬植物景观整体以绿、黄绿色为主,色相种类相对较少,色彩丰富度较低;明度主要集中在N4,N5等级,位于中等水平;纯度主要分布于1~3等级内,植物色彩饱和度较低。2)根据美景度评价法及景观质量等级划分,将金鸡山植物景观分为5个等级,SBE最高最低差值为146.24,差异较大;景观质量较高的景观主色调色系较多且差别较大,绿色色调的斑块与景观色彩面积比较小(最低值仅63.52%),景观质量较差的景观主色调色系较少且差别不大,绿色色调的斑块与景观色彩面积比较大(高于80%),且美景度较高的照片其明度及纯度也较高。3)从色彩频率分析可知,Ⅰ,Ⅱ组主要为绿色系、蓝色系、黄色系及红色系;Ⅲ,Ⅳ,Ⅴ组多以冷色调的绿色系、灰色系为主。4)应适当增加植物景观主色调色系、控制绿色系色调的比例,多采用邻近色和互补色配置,并注意明度和饱和度变化以提高金鸡山公园植物景观质量。     

基于辐射和温度的ET0模型在吐鲁番地区的比较与修正

利用吐鲁番地区3个气象站2000—2015年逐日气象资料,以FAO-56 Penman-Monteith(FAO-56 PM)模型为标准,对6种ET_0模型(M-A模型、P-T模型、M-H模型、H-S模型、Traj模型和B-H模型)进行评价并修正,采用均方根误差(RMSE)、绝对平均误差(MAE)、平均相对误差(MRE)评价指标和Wilcoxon非参数检验法比较年、月尺度上各模型修正前后的估算精度,以筛选适用吐鲁番地区ET_0简化估算模型。结果表明:吐鲁番地区ET_0的主要影响因子是R_s(太阳辐射),其次是e_s(饱和水汽压)和R_n(作物表面净辐射);修正前,年尺度上,M-H模型的估算精度最高;月尺度上,各模型误差较大且与FAO-56 PM模型存在显著差异,适用性较差;修正后,各模型在年、月尺度上的精度均有明显提高,无显著差异,其中修正后的P-T、M-H和B-H模型估算精度最高,可作为吐鲁番地区ET_0简化估算模型。     

农地确权对小农户信贷可得性的影响——基于双稳健估计方法的平均处理效应分析

基于我国9省小农户调查数据,运用双稳健的平均处理效应模型,研究了农地确权对小农户信贷可得性的影响及其作用机理。结果表明:农地确权可以提升小农户信贷可得性。进一步研究发现,需求方面的影响路径是:确权提高了小农户的土地安全性,增加了农业长期投资,并提高了信贷意愿。供给方面的影响路径是:确权增加了小农户的财产权并使其拥有了可流转大额财产,传递了还款可能性增加的信号;而且可将农地作为抵押品获得农地抵押贷款,增加了金融机构的贷款供给。不过,农地的信号传递作用大于抵押作用,农地抵押作用的发挥需要进行进一步的制度和组织创新。     

基于农田管理分区的制种玉米产量估算与限制因子评价

为了提升规模化农田不同管理分区的玉米产量,实现精准管理,该研究使用相关成分回归法(Correlated Component Regression,CCR),考虑地形因素(高程)、土壤理化性质(砂粒、粉粒、黏粒、容重、土壤含水率、土壤有机碳、全氮、全磷、速效氮、电导率)11个因子,评估规模化农田和聚类分析得到的3个管理区(M1、M2和M3)内产量的限制因子,并在不同分区内建立产量估算模型。模型验证结果表明:未分区的情况下,产量限制因子为土壤粉粒、砂粒、土壤有机碳、土壤含水率、速效氮和全氮,经验证,产量估算模型的决定系数(R~2)为0.70,标准均方根误差(Normalized Root Mean Square Error,nRMSE)为0.21。分区后,M1的产量限制因子为土壤粉粒、砂粒、黏粒、速效氮、电导率、全氮和全磷,M2的产量限制因子为土壤粉粒、砂粒和土壤含水率,M3的产量限制因子为高程、土壤砂粒、黏粒和电导率,产量估算模型的精度高(经验证,0.71R20.83,0.16nRMSE0.18)。对农田进行分区管理,并根据各管理区内作物产量的限制因素制定分布式管理策略,可以更具针对性地提升作物产量。     

中国农业面源污染排放的空间差异及其动态演变

以2003—2014年为研究时段,在测算农业面源污染排放强度的基础上,综合运用基尼系数和非参数估计方法,研究我国农业面源污染的空间差异及其动态演变,结果表明:1)我国农业面源污染排放总体下降,且表现出明显的空间差异,东部和中部地区的排放强度较高,西部和东北地区则相对较低。2)2003—2014年,中国农业面源污染排放强度的区域差异略微扩大,地区间差异是其总体差异的主要来源。3)核密度估计结果表明,中国农业面源污染排放总体差异表现为"下降-上升-下降"的波动变化趋势。4)马尔科夫链分析表明,中国农业面源污染在不同类型间的相互流动较为微弱,但从长期来看,存在向两极分化发展的趋势特征。     

Deep neural network algorithm for estimating maize biomass based on simulated Sentinel 2A vegetation indices and leaf area index

Accurate estimation of biomass is necessary for evaluating crop growth and predicting crop yield.Biomass is also a key trait in increasing grain yield by crop breeding.The aims of this study were(i)to identify the best vegetation indices for estimating maize biomass,(ii)to investigate the relationship between biomass and leaf area index(LAI)at several growth stages,and(iii)to evaluate a biomass model using measured vegetation indices or simulated vegetation indices of Sentinel 2A and LAI using a deep neural network(DNN)algorithm.The results showed that biomass was associated with all vegetation indices.The three-band water index(TBWI)was the best vegetation index for estimating biomass and the corresponding R2,RMSE,and RRMSE were 0.76,2.84 t ha−1,and 38.22%respectively.LAI was highly correlated with biomass(R2=0.89,RMSE=2.27 t ha−1,and RRMSE=30.55%).Estimated biomass based on 15 hyperspectral vegetation indices was in a high agreement with measured biomass using the DNN algorithm(R2=0.83,RMSE=1.96 t ha−1,and RRMSE=26.43%).Biomass estimation accuracy was further increased when LAI was combined with the 15 vegetation indices(R2=0.91,RMSE=1.49 t ha−1,and RRMSE=20.05%).Relationships between the hyperspectral vegetation indices and biomass differed from relationships between simulated Sentinel 2A vegetation indices and biomass.Biomass estimation from the hyperspectral vegetation indices was more accurate than that from the simulated Sentinel 2A vegetation indices(R2=0.87,RMSE=1.84 t ha−1,and RRMSE=24.76%).The DNN algorithm was effective in improving the estimation accuracy of biomass.It provides a guideline for estimating biomass of maize using remote sensing technology and the DNN algorithm in this region.     

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%)。     

基于卷积神经网络的小麦产量预估方法

小麦产量是评估农业生产力的重要指标之一,针对小麦产量人工预估困难,提出将卷积神经网络运用于小麦产量预估,为农业生产力的预估提供参考,指导农业生产管理决策。利用无人机分别在河南省新乡、漯河两地进行图片采集,并以之构建麦穗数据集,分为正样本(麦穗)和负样本(叶子和背景)。针对小麦常规的生理形态和生长环境,设计卷积神经网络识别模型,以图像金字塔构建多尺度滑动窗口,以非极大值抑制(NMS)去除重叠率较高的目标框,实现对单位面积内麦穗的计数,并利用随机采样的方式对大田麦穗进行单位面积图像采样,以采样图像中麦穗数量的平均值作为产量预估基准,进一步实现麦穗产量预估。随机抽取100幅不同小麦图片进行测试,与人工计数结果进行对比,准确率达到97.30%,漏检率为0.34%,误检率为2.36%,误差率为2.70%。试验结果表明,此方法能够克服环境中的多种噪声干扰,能够在不同光照条件下对麦穗进行计数和产量预估。