结合无人机光谱与纹理特征和覆盖度的水稻叶面积指数估算

为了探究无人机多指标构建叶面积指数(Leaf Area Index,LAI)估算模型的能力,该研究通过不同纹理组合方式优选纹理指数,分别以光谱特征、纹理指数和作物覆盖度作为输入量建立一元线性模型,3类指标结合构建多元逐步回归和人工神经网络模型,分析多指标结合估算LAI的精度。结果表明:新的纹理指数能够明显提高纹理特征值与LAI的相关性,近红外波段均值与蓝波段均值的差值较近红外波段均值提高了13.54%;将绿度归一化植被指数(Green Normalized Difference Vegetation Index,GNDVI)、差值纹理指数和作物覆盖度结合来估算水稻LAI的精度最好,多指标结合的多元逐步回归模型的决定系数为0.866,调整后决定系数为0.816,均方根误差为0.308,人工神经网络模型结果再次验证这一结论。该研究成果可为基于无人机平台估算作物结构参数提供理论依据,并为其他作物LAI估算提供借鉴。     

利用无人机多光谱估算小麦叶面积指数和叶绿素含量

利用无人机遥感的方式进行农作物长势监测是目前精准农业、智慧农业发展的重要方向,为了探究无人机多光谱反演小麦叶面积指数(Leaf Area Index,LAI)和叶绿素含量的模型估算潜力,该研究在3个飞行高度(30、60、120 m)采集多光谱影像,通过使用全波段差值光谱指数(Difference Spectral Index,DSI)、比值光谱指数(Ratio Spectral Index,RSI)、归一化光谱指数(Normalized Spectral Index,NDSI)和经验植被指数与地面实测数据进行相关性分析,获得不同高度下的光谱指数与LAI和叶绿素含量的关系模型及其决定系数,以决定系数为依据分别构建多元逐步回归、偏最小二乘回归和人工神经网络模型,分析不同飞行高度无人机多光谱反演小麦冠层LAI和叶绿素含量SPAD(Soil and Plant Analyzer Development)值的精度。结果表明:1)30 m高度下,绿-红比值光谱指数与小麦LAI的相关性最高,相关系数为0.84;60 m高度下,红-蓝比值光谱指数与小麦叶绿素含量的相关性最高,相关系数为0.68;2)在60 m高度下,经验植被指数与小麦LAI和叶绿素含量的相关性较好,最大相关系数分别为0.77和0.50;3)利用偏最小二乘回归反演小麦LAI的精度最高,决定系数为0.732,均方根误差为0.055;利用人工神经网络模型反演小麦叶绿素含量的精度最高,决定系数为0.804,均方根误差0.135。该研究成果可为基于无人机平台的高通量作物监测提供理论依据,并为筛选无人机多光谱波段实现作物长势参数快速估测提供应用参考。     

基于无人机遥感影像的大豆叶面积指数反演研究

作物叶面积指数的遥感反演是农业定量遥感研究热点之一,利用无人机遥感监测系统获取农作物光谱信息精确反演叶面积指数对精准农业生产与管理意义重大。本研究以山东省嘉祥县一带的大豆种植区为试验区,设计以多旋翼无人机为平台同步搭载Canon Power Shot G16数码相机和ADC-Lite多光谱传感器组成的无人机农情监测系统开展试验,分别获取大豆结荚期和鼓粒期的遥感影像。使用比值植被指数(RVI)、归一化植被指数(NDVI)、土壤调整植被指数(SAVI)、差值植被指数(DVI)、三角植被指数(TVI)5种植被指数,结合田间同步实测叶面积指数(leaf area index,LAI)数据,采用经验模型法分别构建了单变量和多变量LAI反演模型,通过决定系数(R2)、均方根误差(RMSE)和估测精度(EA)3个指标筛选出最佳模型。研究表明,有选择性地分时期进行农作物的叶面积指数反演是必要的,鼓粒期作为2个生育期中大豆LAI反演的最佳时期,其NDVI线性回归模型对大豆LAI的解释能力最强,R2=0.829,RMSE=0.301,反演大豆LAI最准确,EA=85.4%,生成的鼓粒期大豆LAI分布图反映了当地当时大豆真实长势情况。因此,以多旋翼无人机为平台同步搭载高清数码相机和多光谱传感器组成的无人机农情监测系统对研究大豆叶面积指数反演是可行性,可作为指导精准农业研究的一种新方法。     

无人机影像反演玉米冠层LAI和叶绿素含量的参数确定

小型低空无人机（unmanned aerial vehicle, UAV）机动灵活、操作简便,可以按需获取高空间分辨率影像,是育种玉米长势监测的一种重要技术手段。针对UAV影像反演玉米冠层叶面积指数（LAI, Leaf Area Index）和叶绿素含量的参数确定问题,该研究以DJI S1000+无人机为平台,搭载法国Parrot Sequoia相机,获取海南三亚市崖城玉米育种基地的多光谱影像。基于预处理后的UAV影像,采用重采样的方式获得不同分辨率下（0.1～1 m）的不同植被指数,所构建的植被指数包括归一化植被指数（normalized difference vegetation index,NDVI）、叶绿素指数（grassland chlorophyll index,GCI）、比值植被指数（ratio vegetation index,RVI）、归一化红边红指数（normalized difference rededge-red index,NDIrer）、归一化红边绿指数(normalized difference rededge-green index,NDIreg)和重归一化植被指数(renormalized difference vegetation index,RDVI),通过将不同分辨率下的不同植被指数与地面实测数据进行回归分析,以获得各分辨率下植被指数与冠层LAI和叶绿素含量的关系模型及其决定系数,以决定系数的大小为依据来确定玉米冠层LAI和叶绿素含量反演的最优空间分辨率和最优植被指数。通过试验发现,在分辨率为0.6 m时,NDVI与地面实测LAI之间的决定系数R2为0.80,决定系数达到了最大,利用该分辨率下的NDVI反演得到的LAI验证精度R2达到了0.73;在分辨率为0.1 m时,NDIreg与地面实测叶绿素含量之间的决定系数R2为0.70,决定系数达到了最大,利用该分辨率下的NDIreg反演得到的叶绿素含量验证精度R2达到了0.63。因此得出结论：1）植被指数的选择：① 对于玉米冠层LAI的反演来说,不包含绿波段的植被指数的LAI反演精度较高,这说明绿波段对LAI的变化不敏感;② 对于玉米冠层叶绿素含量反演来说,包含红边波段的植被指数的反演精度较高,因此影像的红边波段对叶绿素含量的变化非常敏感。2）UAV影像空间分辨率的选择：反演LAI的最优分辨率是0.6 m,此时NDVI与实测LAI的决定系数达到最大;反演冠层叶绿素含量的最优分辨率是0.1～0.3 m范围内,此时NDIreg与实测叶绿素含量的决定系数达到最大。该研究可为UAV反演玉米表型参数时的分辨率和植被指数选择提供参考。     

基于无人机图像纹理和表型参数的夏玉米水分胁迫诊断

农田水分胁迫是影响作物生长发育和产量品质的重要原因。及时准确地诊断作物水分胁迫状况,对于实现精准灌溉、提高作物抗逆性和产量等具有重要意义。为优化夏玉米水分胁迫诊断方法和提高诊断精度,该研究以夏玉米为对象,利用无人机搭载六通道多光谱传感器获取2022年夏玉米拔节期和抽雄期的遥感影像数据,且同步采集夏玉米气孔导度和表型参数数据,监督分类剔除冗余背景后使用灰度共生矩阵计算得到冠层植被指数和图像纹理信息,通过贝叶斯信息准则和全子集筛选法筛选出敏感的植被指数、图像纹理和表型参数及其组合,结合极限学习机、随机森林和反向传播神经网络3种机器学习方法构建夏玉米气孔导度预估模型,并基于最优气孔导度预估模型绘制夏玉米水分胁迫状况反演图。结果表明,多光谱图像的夏玉米冠层反射率与气孔导度呈弱负相关,植被指数和表型参数与气孔导度呈极显著正相关,不同波段的图像纹理均与气孔导度有较高的相关性,其中550 nm波段最佳。植被指数用于评估植被整体健康和水分状况,图像纹理用于捕捉作物空间分布、纹理和结构特征,表型参数用于立体反映作物生理和形态信息,它们在诊断作物水分胁迫的机理上具有互补性。基于植被指数、图像纹理和表型参数构建的反向传播神经网络模型是夏玉米水分胁迫诊断的最佳模型（决定系数为0.841,均方根误差为0.043 mol/(m²·s),平均绝对误差为0.034 mol/(m²·s) ）,并显著改善了对气孔导度较低值的低估情况。绘制的夏玉米水分胁迫状况反演图呈现出广泛的应用潜力,能够便捷准确地诊断作物水分胁迫状况,以优化灌溉策略,调整资源分配。研究结果可为夏玉米的水分胁迫诊断提供一种可行而准确的方法。     

无人机影像光谱和纹理融合信息估算马铃薯叶片叶绿素含量

利用无人机平台搭载多光谱传感器在农业监测上已经有一些应用,但是利用无人机多光谱影像估算作物叶绿素含量的研究较少,特别是融合无人机多光谱影像光谱信息和纹理信息估算马铃薯叶绿素含量的研究更是罕见。基于此,该文利用2018年北京小汤山基地马铃薯各个典型生育期的无人机多光谱影像及实测的叶绿素含量数据,首先提取多光谱影像植被指数和纹理特征等变量,然后分析其与叶绿素含量相关性,筛选出较优特征变量,并开展基于调整R2和K折交叉验证的全子集分析估算马铃薯叶绿素含量。最后将植被指数与纹理特征通过主成分融合构建一种新的综合指标估算叶绿素含量。研究发现:1)多光谱植被指数和纹理特征估算叶绿素含量模型,K折交叉验证均优于调整R2;2)整个生育期,综合指标模型决定系数比植被指数模型、纹理特征模型均有提升,且标准均方根误差均降低。综合指标估算模型较优,多光谱植被指数模型次之,纹理特征模型较差。该研究可为马铃薯生长营养监测提供一种可行的方法,对马铃薯的栽培种植管理具有指导意义。     

基于赤池信息量准则的冬小麦叶面积指数高光谱估测

冬小麦叶面积指数(leaf area index,LAI)是描述冠层结构的重要参数之一,对评价其长势和预测产量具有重要意义。该文利用灰色关联分析(grey relational analysis,GRA)对植被指数进行排序,用偏最小二乘法(partial least squares regression,PLS)选择不同的植被指数个数作为自变量进行回归建模,通过赤池信息量准则(Akaike’s information criterion,AIC)选择AIC值最小的模型作为冬小麦LAI最优估算模型,即GRA、PLS和AIC 3种方法整合建立冬小麦LAI最优估算模型。使用2008-2009年在中国北京通州区和顺义区获取的整个生育期冬小麦LAI和配套的光谱数据进行建模,利用2009-2010相关数据进行验证。研究表明:采用GRA评价标准与冬小麦LAI关联度最大的植被指数是VOG1,关联度最小的植被指数是SR;通过AIC建立的以8个植被指数作为自变量的冬小麦LAI模型效果最优,建模集的决定系数R2和标准误SE分别为0.76和0.009,验证集的R2和相对均方根误差RRMSE分别为0.63和0.004,预测模型和验证模型均具有较高的精度和可靠性。结果表明采用GRA-PLS-AIC方法进行冬小麦LAI反演是可行的,为提高冬小麦LAI遥感预测精度提供了一种有效的方法。     

基于植被指数的宁夏灌区春小麦叶面积指数模型

利用宁夏灌区典型代表站（永宁站）2005-2008年连续4a的大田春小麦叶面积观测资料和同期MODIS/Terra资料,对LAI（叶面积指数）与10种植被指数（MODIS-VI）间的相关性进行了分析。得出,抽穗-乳熟期所有植被指数与LAI的相关性均不显著,三叶-拔节期和三叶-抽穗期归一化差异光谱指数（NDSI）、再次归一化光谱指数（RDSI）与LAI相关性不显著外,其他指数与LAI均显著相关,因此,用分段函数模拟全生育期LAI才能达到最佳效果。经检验,模拟值与实测值之间直线方程的决定系数（R2）为0.9759,均方根误差（RMSE）为0.5519,准确度（Accuracy）为1.0745,说明模型具有较好的可靠性和适用性,可为今后开展基于LAI参数的春小麦长势监测、遥感估产及作物模型中参数的动态修订等提供参考。     

基于低空无人机成像光谱仪影像估算棉花叶面积指数

农作物叶面积指数(leaf area index,LAI)遥感监测具有快速、无损的优势。该文以低空无人机作为遥感平台,使用新型成像光谱仪获取的农田高光谱影像数据对棉花LAI进行反演。利用影像高光谱分辨率的特点,针对传统固定波段植被指数(fixed-bandvegetation index,F_VI)进行改进,通过动态搜索相应植被指数定义所使用波段范围内的反射率极值的方法,计算与各类植被指数对应的极值植被指数(extremum vegetation index,E_VI)。分别以原始全波段光谱反射率、连续投影算法(successive projections algorithm,SPA)提取的有效波段反射率以及各类F_VI和E_VI作为自变量,使用最小二乘和偏最小二乘(partial least squares,PLS)回归等方法构建LAI遥感估算模型。结果显示:1)以植被指数为自变量的模型估算效果(验证R2最高为0.85)优于以光谱反射率作为自变量的模型(验证R2最高为0.59);2)使用E_VI作为自变量能够显著提高LAI的估测精度(验证R2最大提高了0.11);3)使用PLS回归算法结合多个E_VI建立的LAI-E_VIs-PLS模型精度最高。使用LAI-E_VIs-PLS模型对棉花地块高光谱影像进行反演,制作棉花LAI空间分布图,取得良好的估算结果(验证R2=0.88,RMSE=0.29),为农作物LAI遥感监测提供了新的技术手段。     

基于叶面积指数改进双作物系数法估算旱作玉米蒸散

为准确估算和区分黄土高原旱作春玉米蒸散(evapotranspiration,ET),该文基于实测叶面积指数(leaf area index,LAI)动态估算基础作物系数,利用LAI修正土壤蒸发系数,并基于修正后的双作物系数法估算和区分黄土高原地区旱作春玉米ET,并以2012、2013年寿阳站基于涡度相关系统和微型蒸渗仪实测的春玉米ET和土壤蒸发(soil evaporation)对修正后的双作物系数法的适用性进行评估。结果表明:修正后的双作物系数法能够较为准确的估算春玉米ET,2012年春玉米全生育期ET估算值、实测值分别为365.3、372.6 mm,2013年分别为385.6、369.4 mm;2012年全生育期改进双作物系数法决定系数、均方根误差、模型效率系数和平均绝对误差分别为0.824、0.561 mm/d、0.817和0.449 mm/d,2013分别为0.870、0.381 mm/d、0.871和0.332 mm/d;同时,修正后的双作物系数法可对春玉米各生育期ET进行准确区分,土壤蒸发估算值与实测值有较好的一致性,2012年全生育期估算和实测土壤蒸发分别为0.98和0.99 mm/d,分别占ET的38.12%和37.08%;2013年估算和实测土壤蒸发分别为0.86和0.89 mm/d,分别占ET的33.59%和35.90%。因此,修正后的双作物系数法能够较为准确地估算和区分黄土高原地区旱作春玉米ET。该研究可为黄土高原区农田水分精准管理提供科学指导。     

基于动态规划理论的棉花根长生长模拟方法

作物根系生长不仅取决于生理因素,还取决于生态环境因素,而土壤水分环境与作物根系生长之间的关系则是局部灌溉技术设计的理论依据之一。为了进一步探索影响棉花根系生长的主要因素,本文在根?冠水量平衡的基础上,结合作物系数与叶面积的关系模型、根长密度分布函数以及根系吸水效率函数,应用动态规划理论,建立了棉花根系生长模型,并以桶栽棉花试验结果进行验证。结果表明,该模型纳入了土壤水分环境、大气蒸腾力和叶面积等影响根系生长的因子,具有揭示根系生长耗水机理的作用。该模型模拟出的棉花总根长变化趋势与实测结果基本一致,当以多年月平均参考蒸散量(ET0)作为输入条件时,模拟结果总体误差为15.41%,可以用于工程设计。对模型敏感性分析结果表明,所建模型能够反映棉花根?叶生长的同步性,以及进入生殖生长期以后根—叶之间的水量平衡关系。棉花根系生长对土壤水分环境变化的敏感性高于对叶面积变化的敏感性,体现了棉花根系生长的机理,建模方法可行。本文研究成果对完善局部灌溉技术中灌溉制度的设计理论具有重要意义。     

表层有效土壤水分参数化及冠层下土面蒸发模拟

通过观测田间微气象数据、土壤表层水分变化状况及荞麦作物冠层下土面蒸发等资料,引进一个表面体积含水率的函数,构建了基于表层有效土壤水分的土壤蒸发模型。该模型包含了土面蒸发的2个过程:水蒸气从土壤孔隙中扩散到地表面及水蒸气由地表面传输到大气中。模型中表层有效土壤水分参数不仅取决于表层土壤含水状况,而且受风速影响。采用波文比能量平衡法及微型蒸发器观测荞麦地实际蒸腾蒸发量及冠层下土面蒸发的变化规律,并验证模型精度。结果表明,所构建模型可以成功预测冠层下土面蒸发,其平均相对误差为13.5%。该研究对于实现土壤蒸发及作物蒸腾的分离估算,减少无效水分消耗具有重要意义。     

农田水盐运移与作物生长模型耦合及验证

合理定量描述土壤水盐动态及作物生长过程对于干旱灌区制定适宜的农业用水措施具有重要意义。该文以SWAP(soil water atmosphere plant)模型为基础,采用变活动节点法实现了对土壤融化期的水盐运移模拟,并在根系吸水计算中引入了基于S形函数的水盐胁迫计算方法,以修正原SWAP模型对根系吸水的模拟。进一步嵌入了参数与输入数据较少且可以模拟作物生长过程及实际产量的EPIC(environmental policy integrated calculator)作物生长模型,构建了改进的农田尺度土壤水盐动态与作物生长耦合模拟模型-SWAP-EPIC。分别采用宁夏惠农灌区春小麦和春玉米田间试验数据,对SWAP-EPIC模型田间适用性进行了检验。对比分析各层土壤水分与盐分浓度、作物生长指标(叶面积指数、地上部生物量)的模拟值与实测值,结果表明:春小麦和春玉米试验中土壤水分的平均相对误差MRE和均方根误差RMSE均接近于0且模型Nash效率系数NSE值趋近于1,水分模块模拟精度较高,盐分浓度模拟存在略微差异但总体上一致性较好,并且作物生长指标匹配良好;同时,模拟的产量和蒸散发均较为接近实际值,春小麦和春玉米产量模拟相对误差分别为4.9%和3.3%。综上,该文改进的SWAP-EPIC模型可良好地应用于寒旱区农田尺度土壤水盐运移与作物生长耦合模拟。     

基于粒子群优化投影寻踪的玉米单产估测

为了提高玉米单产估测精度,以河北省中部平原为研究区域,以与玉米长势和产量密切相关的条件植被温度指数(vegetation temperature condition index,VTCI)和叶面积指数(leaf area index,LAI)为遥感特征参数,通过投影寻踪法确定玉米主要生育时期VTCI和LAI的权重,进而构建基于县域尺度加权VTCI和LAI与玉米单产间的线性回归模型。结果表明,同时构建加权VTCI和LAI与玉米单产间的回归模型的精度最高,达到极显著水平(P0.001)。与变异系数法相比,基于投影寻踪法所建双参数回归模型的精度较高,研究区域各县(区)估测单产与实际单产的平均相对误差降低了0.88个百分点,均方根误差降低了50.56kg/hm2。通过投影寻踪法构建的双参数回归模型对研究区域玉米单产进行估测,结果表明研究区域玉米单产具有西部单产最高、北部和南部次之、东部最低的空间分布特征,以及在研究年份间玉米单产在波动中呈先下降后上升趋势的时间演变特征。     

黄淮海地区夏玉米干旱等级划分

干旱是影响黄淮海地区夏玉米产量稳定性的主要农业气象灾害。建立夏玉米干旱灾害指标,开展夏玉米干旱灾害的监测及评估,对农业防灾减灾意义重大。该文根据夏玉米生长发育过程,选择土壤相对湿度和作物水分亏缺指数分别建立夏玉米不同生育阶段的干旱等级指标。首先在综合分析有关夏玉米土壤水分指标研究成果的基础上,确定了夏玉米各生育阶段不同干旱等级的土壤相对湿度指标。在此基础上,利用河南省农业气象观测站多年观测资料,建立水分亏缺指数与土壤相对湿度之间的关系模型,利用已确定的土壤相对湿度指标计算得出夏玉米不同生育阶段不同干旱等级的水分亏缺指数干旱指标。根据土壤相对湿度指标,夏玉米播种-出苗、出苗-拔节、拔节-抽雄、抽雄-乳熟和乳熟-成熟5个生育阶段发生轻旱的临界值分别为65%、60%、70%、75%和70%,发生重旱的临界值分别为45%、40%、50%、55%和50%,发生特旱的临界值分别为40%、35%、45%、50%和45%;而根据水分亏缺指数指标,5个生育阶段发生轻旱的水分亏缺指数的临界值分别为35%、40%、20%、10%和35%,发生重旱水分亏缺指数临界值分别为50%、65%、55%、45%和65%,发生特旱的临界值分别为55%、75%、65%、55%和75%。在黄淮海夏玉米区选择代表站点对确定的干旱等级指标进行了验证,土壤相对湿度和水分亏缺指数判定的干旱等级相同及相差一个等级的百分率变化在71%～91%,表明2套指标对干旱发生情况的判别具有较好的一致性;通过与历史典型干旱年份灾情对比,2套指标能够较好的判定出历史年份夏玉米生长季干旱发生情况,能够用于夏玉米干旱的监测、评估等方面的科研及业务服务中。     

通径分析结合BP神经网络方法估算夏玉米作物系数及蒸散量

准确估算蒸散量对于精准管理农田水分至关重要。为了解作物系数的动态特征,准确估算作物需水量,使用叶面积指数和气象要素模拟玉米全生育期作物系数及蒸散量。利用2018年五道沟实验站气象和称重式蒸渗仪实测数据,运用通径分析法筛选影响作物系数的关键因子,建立无雨期不同地下水埋深下作物系数模型,以此估算蒸散量。结果表明:1 m埋深下全生育期作物系数平均绝对误差为0.04 mm/d,相关系数为0.94,其中初期、发育期、中期和后期平均绝对误差分别为0.06、0.09、0.05和0.03 mm/d。3 m埋深下全生育期作物系数平均绝对误差为0.08 mm/d,相关系数为0.92,各生育期平均绝对误差分别为0.11、0.10、0.07和0.03 mm/d,利用温度、风速和叶面积指数模拟作物系数精度较高。1 m埋深全生育期ET平均绝对误差为0.72 mm/d,各生育阶段平均绝对误差分别为0.56、059、0.66和0.45 mm/d。3 m埋深全生育期ET平均绝对误差为0.73 mm/d,各生育阶段ET平均绝对误差分别为0.82、0.98、0.68和0.29 mm/d。不同时间尺度下(1、3、5 d)2种埋深ET模拟值与实际值一致性指数均接近1.00,平均绝对误差小于1.0 mm/d,预报准确率达70%。随预报时间尺度的增加,预报精度提高。该方法可用于夏玉米蒸散发量计算。     

基于Hydrus-1D模型的玉米根系吸水影响因素分析

为探索土壤质地、植物生长状况和气象条件对不同土壤水分条件下根系吸水速率的影响机理,该文以相对根吸水速率与土壤含水率的关系衡量土壤水分有效性,利用Hydrus-1D模型模拟了3种土壤（壤黏土、黏壤土和砂壤土）中不同玉米生长状况（包括叶面积指数、根系深度和根系剖面分布）或蒸发力条件下根系吸水速率随含水率的动态变化,确定了不同条件下根系吸水速率开始降低的临界含水率。结果表明：土壤质地、植物的叶面积指数和根系分布及大气蒸发力都对根系吸水动态曲线的临界含水率有一定影响,其中根系深度和根系分布形状还影响根系吸水速率与含水率关系曲线的形状,但在3种土壤中,根系吸水速率的动态变化对植物生长和大气蒸发力的响应不同。总体而言,3种土壤临界含水率的大小是壤黏土＞黏壤土＞砂壤土;临界含水率随大气蒸发力的升高而升高,随根系深度和深层根系分布的增加而降低;各因子对玉米根系吸水影响程度的大小是土壤质地＞根系分布形状＞根系深度＞大气蒸发力＞叶面积指数。     

基于PEST的土壤-作物系统模型参数优化及灵敏度分析

农业生产管理系统模型输入参数多,参数率定过程十分耗时费力,大大限制了其推广应用。该研究以华北平原2 a的冬小麦-夏玉米田间试验观测数据为基础,使用PEST(parameter estimation)参数自动优化工具对土壤-作物-大气系统水热碳氮过程藕合模型(soil water heat carbon and nitrogen simulator,WHCNS)的土壤水力学参数、氮素转化参数和作物遗传参数进行自动寻优,同时计算分析模型参数的相对综合敏感度,并将优化结果与土壤实测水力学参数和试错法的模拟结果进行比较。参数敏感度分析结果表明,18个模型参数的相对综合敏感度较高,其中土壤水力学参数普遍具有较高的敏感度,以饱和含水率敏感度最高;作物参数中,作物生长发育总积温和最大比叶面积具有较高的综合敏感度;而氮素转化参数的敏感度远低于土壤水力学参数和作物参数。评价模型模拟效果的统计性指标(均方根误差、模型效率系数和一致性指数)表明,PEST法比实测水力学参数的模拟精度有所提高,其中土壤含水率、土壤硝态氮含量、作物产量和叶面积指数的均方根误差分别降低了61.8%、23.5%、73.6%和23.3%。同时PEST法比试错法对土壤水分和作物产量的模拟精度也有较大提高,但对土壤氮素和叶面积指数的模拟精度提高不明显。由于该方法大大节约了模型校准时间,在较短的时间内获得了明显高于试错法的模拟精度,因此PEST软件在WHCNS模型参数自动优化中是一个值得推广的工具。     

无人机多光谱遥感反演各生育期玉米根域土壤含水率

为准确及时地获取植被覆盖条件下农田土壤水分信息,该文以不同水分处理的大田玉米为研究对象,利用无人机遥感平台对夏玉米进行多期遥感监测,并同步采集玉米根域不同深度土壤含水率(Soil Water Content,SWC)。基于2018年夏玉米拔节期、抽雄-吐丝期和乳熟-成熟期的无人机多光谱遥感影像数据集,通过支持向量机(Support Vector Machine,SVM)分类剔除土壤背景,提取玉米冠层光谱反射率并计算10种植被指数(VegetationIndex,VI),然后利用全子集筛选(FullSubsetSelection)法对不同波段和植被指数进行不同深度土壤含水率的敏感性分析,并分别采用岭回归(Ridge Regression,RR)和极限学习机(ExtremeLearningMachine,ELM)2种方法构建全子集筛选后0～20、20～45和45～60cm不同深度下的土壤含水率定量估算模型。结果表明:基于贝叶斯信息准则(BayesianInformationCriterion,BIC)的全子集筛选法可以有效筛选最优光谱子集,筛选变量基本都通过了显著性检验,自变量个数较少;在同一生育期、同一深度条件下,ELM模型效果均优于RR模型;玉米在拔节期、抽雄-吐丝期的最佳监测深度为0～20cm,在乳熟-成熟期的最佳监测深度为20～45cm;乳熟-成熟期的20～45cm深度下的ELM反演模型效果最优,其建模集和验证集的决定系数Rc2和Rv2分别为0.825和0.750,均方根误差RMSEc和RMSEv分别为1.00%和1.32%,标准均方根误差NRMSEc和NRMSEv分别为10.85%和13.55%。利用全子集筛选法与机器学习相结合的方法可以提高土壤含水率的反演精度和鲁棒性,本研究为快速、准确地监测农田土壤墒情、实施精准灌溉提供了一种新的途径。     

红外遥感估算春小麦农田土壤含水率的试验研究

根据水分亏缺条件下作物蒸发蒸腾量计算公式及作物水分胁迫指标CWSI(Crop Water Stress Index)的定义,提出了基于遥感作物冠层温度和土壤水分修正系数的春小麦田土壤含水率估算公式,其中土壤水分修正系数采用了幂函数形式。用该公式对春小麦田土壤含水率在分蘖后-拔节抽穗期、抽穗开花-灌浆期和乳熟-黄熟期3个生育阶段进行了估算,并对估算值和实测值进行对比和误差分析,结果表明该模型估算春小麦根层土壤含水率误差保持在18%以内。