基于红外结构光三维技术的土壤表面粗糙度测量

土壤表面粗糙度是一项重要的土壤物理参数,已有的各种测量方法存在测量效率和误差难以兼顾的问题。为了在一定精度下提高野外测量工作效率,该研究基于红外结构光技术设计了一套便携的土壤表面粗糙度测量系统。该系统主要包括红外结构光扫描仪、便携式计算机、支架等,具有3.2 mm空间分辨率和3 mm的距离分辨率的性能。通过水平面板测量试验,发现本系统相对误差较小,相对误差最小区域中0.5个测量单位以内的误差（e≤1.5 mm）占87.87%,1个测量单位以内的误差（e≤3 mm）占99.58%,而大于1个测量单位的误差仅占0.42%。通过土壤表面粗糙度测量试验,发现本系统绝对误差较明显,其测量结果低于1 mm 分辨率的土壤粗糙度值。通过误差分析发现：该系统的测量误差包括固有误差和随机噪声,呈特定的规律性分布;导致绝对测量误差的主要原因为该系统的性能;由于系统的随机噪声,基于水平面板距离图像的土壤表面距离图像校正存在不确定性。该研究结果为进一步降低红外结构光三维技术测量土壤表面粗糙度的误差提供了依据。     

长武王东试验区道路侵蚀及其防治途径

本文通过野外调查、航片判读、野外人工径流冲刷试验,并结合土壤容重室内试验资料,对影响道路侵蚀的因素进行了综合分析。道路侵蚀是导致高原沟壑区沟头迅速延伸、地形更加破碎的主要原因之一,因此,以道路侵蚀防治为中心,并采用一系列综合防治措施是搞好本区域土壤保持工作的重点。     

基于图像处理和SVR的土壤容重与土壤孔隙度预测

土壤容重和土壤孔隙度是衡量土壤结构的重要参数。传统的土壤容重、土壤孔隙度获取方法费时费力,且大多数预测模型的输入变量获取难度较高。该研究利用土壤粗糙度、土壤阻力与土壤容重的相关关系,以土壤表面图像的颜色参数和纹理参数表征土壤粗糙度,同使用车载式土壤阻力测量系统获得的土壤阻力一起,从信息融合的角度构建了支持向量机回归（Support Vector Regression,SVR）土壤容重预测模型和SVR土壤孔隙度预测模型。图像处理使用HSV颜色空间进行阈值分割,得到HSV颜色参数,纹理参数使用灰度共生矩阵的能量、熵、对比度和逆方差。使用主成分分析对颜色参数和纹理参数进行主成分提取。将SVR模型的预测结果同环刀法测得的标准值进行相关性分析,决定系数R2达到了0.867。土壤孔隙度SVR预测模型决定系数R2达到了0.743。在相同的运行环境下,将SVR模型与决策树回归模型结果做了对比,决策树回归对土壤容重和土壤孔隙度的预测精度R2分别为0.734和0.690,验证得到SVR预测模型具有更好的预测精度。研究可为节省试验成本,以及快速、有效预测土壤容重和土壤孔隙度提供方法和参考。     

植被覆盖度的照相测量及其自动计算

植被覆盖度是描述陆地表面植被特征的一个重要参数.快速准确的测量植被覆盖度,对研究植被覆盖与土壤侵蚀关系,植被覆盖的水土保持效益,以及土壤侵蚀预报等具有重要意义.在多年实践的基础上研制出的便携型植被覆盖度摄影仪,适用于野外平地或山坡的植被覆盖度的照相测量,能方便地调节相机距地表面高度和增强相机的拍摄稳定性.同时开发了便携型植被覆盖度摄影仪的配套软件--植被覆盖度自动计算系统(PCOVER),能对获取的植被图像进行自动判读并估算植被覆盖度,实际应用显示有很好的判读精度.     

基于数字图像三维重建的土壤粗糙度测量

土壤粗糙度影响径流与入渗,是参与土壤-大气界面与植物生长的重要影响因子,常规土壤粗糙度测量的方便性与成本不够理想。在进行基于软硬件集成的数字图像三维重建方法基础上,以江苏中部宁镇扬丘陵地带撂荒裸地土壤粗糙度三维重建为目标,结合数字图像拍摄与Autodesk-Remake微地貌构建,并利用Geomagic-Studio的点云模拟、格式转换及样线抽取等技术实现高精度数字化。研究表明:使用常规相机的数字图像法土壤粗糙度三维重建技术操作简便,能够实现土壤粗糙度的快速数字化。用探针式土壤粗糙度测量仪所得数据的标定结果表明,使用该方法提取的微地貌高程分辨率高达1.5 mm,均方根误差低于1.1 mm,表明该技术手段用于丘陵坡地精细尺度范畴的微地貌土壤物理、生物及水文过程研究的潜力。     

离心泵内部流动高速摄像测量及误差分析

为了提高离心泵内部流动测量的精度,阐述离心泵内部流动高速摄像系统,研究主要拍摄参数的确定方法,分析速度误差产生的原因以及泵内速度误差的大小,提出控制误差的方法,对离心泵内部流动进行了高速摄像测量。结果表明,选择合适的拍摄距离和拍摄频率,提高图像的分辨率和判读点的识别精度,能有效控制速度误差。分析叶轮和蜗壳内的流动时,应选择合适的图像判读间隔,以协调点输入造成的误差和弧弦差造成的误差,当拍摄频率为2 000帧/s,判读间隔为6幅时,可达到最小误差0.41%;分析泵进口和出口直管段内的流动时,可忽略弧弦差造成的误差。叶轮半径从0.125 m减小到0.02 m时,测量误差从0.41%增加到2.48%,随着叶轮半径的减小,测量误差增大。在分析不同叶轮半径位置处的速度时,为了减小测量误差,应选择不同的图像判读间隔。研究结果可为提高旋转机械内部流动测量精度提供参考。     

融合FPN的Faster R-CNN复杂背景下棉田杂草高效识别方法

为实现田间条件下快速、准确识别棉花与杂草,该文以自然光照下田间棉花与杂草为研究对象,采用垂直向下拍摄的方式获取棉花杂草视频,按1帧/s的速率从视频中提取图像,在人工去除冗余度过多的图片后,建立1 000幅图片的数据集。对比了Faster R-CNN和YOLOv3 2种典型卷积神经网络,将Faster R-CNN卷积神经网络的深度学习模型引入到棉花杂草图像识别中,并提出一种结构优化的方法,使之适用于复杂背景下的棉田杂草识别。该文选用残差卷积网络提取图像特征,Max-pooling 为下采样方法,RPN网络中引入特征金字塔网络生成目标候选框,对卷积神经网络结构进行优化。在使用700幅图片进行训练后,通过200 幅田间棉花杂草图像识别测试,结果表明：该方法的平均目标识别准确率达95.5%,识别单幅图像的平均耗时为1.51 s,采用GPU 硬件加速后识别单幅图像的平均耗时缩短为0.09 s。优化后的Faster R-CNN卷积神经网络相对于YOLOv3平均正确率MAP高0.3以上。特别是对于小目标对象,其平均正确率之差接近0.6。所提方法对复杂背景下棉花杂草有较好的检测效果,可为精确除草提供参考。     

人字形板式换热器流道传热特性及参数优化

为实现田间条件下快速、准确识别棉花与杂草,该文以自然光照下田间棉花与杂草为研究对象,采用垂直向下拍摄的方式获取棉花杂草视频,按1帧/s的速率从视频中提取图像,在人工去除冗余度过多的图片后,建立1 000幅图片的数据集。对比了Faster R-CNN和YOLOv3 2种典型卷积神经网络,将Faster R-CNN卷积神经网络的深度学习模型引入到棉花杂草图像识别中,并提出一种结构优化的方法,使之适用于复杂背景下的棉田杂草识别。该文选用残差卷积网络提取图像特征,Max-pooling 为下采样方法,RPN网络中引入特征金字塔网络生成目标候选框,对卷积神经网络结构进行优化。在使用700幅图片进行训练后,通过200 幅田间棉花杂草图像识别测试,结果表明：该方法的平均目标识别准确率达95.5%,识别单幅图像的平均耗时为1.51 s,采用GPU 硬件加速后识别单幅图像的平均耗时缩短为0.09 s。优化后的Faster R-CNN卷积神经网络相对于YOLOv3平均正确率MAP高0.3以上。特别是对于小目标对象,其平均正确率之差接近0.6。所提方法对复杂背景下棉花杂草有较好的检测效果,可为精确除草的发展提供参考。     

典型龟裂碱土土壤光谱特征影响因素研究

为了提高基于土壤光谱特征预测土壤盐渍化程度的准确性,需要研究土壤光谱特征的因素影响。该文通过对野外、室内预处理、不同含水率、粒径和粗糙度条件下龟裂碱土表层土壤光谱的测定,系统研究了不同因素对龟裂碱土光谱特征的影响。结果表明:土壤碱化程度越强表层土壤光谱反射率越高,在450~925 nm范围内,碱土表层野外光谱反射率比重度、中度、轻度碱化土壤和非碱化土壤野外光谱反射率高7.36%、23.18%、32.10%和39.97%;765、945和974 nm附近是龟裂碱土盐渍化信息的敏感波段;相同土壤经过室内预处理后反射率明显低于野外土壤,且预处理后不同碱化程度土壤间光谱反射率差异也小于野外光谱。土壤含水率较低时,随着土壤含水率的增加土壤光谱反射率逐渐降低,但当含水率高于田间持水率时土壤反射率随土壤含水率的增加而增加,在整个研究波段含水率为26.45%时土壤反射率较含水率为22.33%和25.39%的反射率平均分别升高39.68%和19.79%。土壤粒径越小反射率越高,较大粒径土壤在760~768 nm形成独特的"双峰"现象。土壤粒径越大反射率受表面粗糙度的影响越小,且土壤表面越粗糙光谱吸收率越大。整体来讲,在450~1000 nm波段范围内,不同碱化程度的龟裂碱土野外表层土壤光谱特征差异显著;室内经过预处理后的龟裂碱土土壤光谱特征差异主要取决于土壤含水率,而碱化程度和土壤表面粗糙度的变化对其影响较小。该研究可以为龟裂碱土盐渍化信息的准确预测提供科学依据。     

Sentinel-2多光谱卫星遥感反演植被覆盖下的土壤盐分变化

为克服植被覆盖条件下土壤盐分含量与光谱反射率之间相关性较差所带来反演精度较低的问题,该研究以内蒙古河套灌区沙壕渠灌域为研究区域,利用Sentinel-2卫星同步获取光谱数据,通过构建以归一化植被指数（Normalized Difference Vegetation Index,NDVI）为分支标准的盐分深度决策树确定反演土壤盐分含量的最佳深度,然后构建以NDVI和表层土壤含水率为分支标准的类别决策树,将土壤样本划分为不同类别,以此分别构建土壤盐分反演模型,并评估反演效果。研究结果表明,决策树能增强光谱反射率对土壤盐分含量的敏感性,光谱反射率与土壤盐分含量的相关系数达0.66以上。基于随机森林（Random Forest,RF）的盐分反演模型可取得理想的反演效果,决定系数为0.77,均方根误差为0.27%,相对分布误差为2.65,相对分析误差为8.99。土壤盐分含量反演模型能较好地反演表层（<20 cm）和深层（>40～60 cm）土壤盐分含量,在反演中层（20～40 cm）土壤盐分含量上存在一定局限。当地表有植被覆盖时,利用决策树可有效地提高土壤盐分含量的反演精度（与未考虑决策树相比,决定系数和相对分布误差分别提高0.34和0.67）。研究结果可为监测灌区内作物生育期间土壤盐分含量的动态变化提供方法参考。     

近景摄影测量提高裸露地表粗糙度测量精度

微波遥感观测量对地表参数敏感,可用于对土壤水分、地表粗糙度和植被信息的定量提取。地表粗糙度参数实测值,是遥感反演结果验证、精度评价,以及各类遥感反演算法中的重要参量,但一直缺少一种简便、快捷、高精度的获取手段。该研究将近景摄影测量方法和微波遥感领域传统地表粗糙度测量的针板法进行对比,分析2种方法均方根高度及相关长度的测量结果,表明近景摄影测量法可以有效提高粗糙度实地测量精度;以近景摄影测量法全角度粗糙度参数的均值作为实测真实值,表明传统针板法测量的均方根高度误差达到12%~35.1%,相关长度误差最大能达到19.6%~62.4%;分析了采样间隔和采样数目对粗糙度测量的影响,表明针板法采用1 cm的间隔是实际地表较好的选择,但仅采用2个方向均值的测量方法必然带来很大误差,同时得出测量次数大于12时,测量结果趋于稳定并可认定为真值的结论;此外,研究表明,在一些传统针板法无法提取粗糙度的情况,近景摄影测量法依然有效。该研究表明,近景摄影测量法的非接触式、高精度、采样间隔及采样频率可调节等特征,为微波遥感工作提供了有效的地表粗糙度地面实测手段。     

基于特征选择和GA-BP神经网络的多源遥感农田土壤水分反演

土壤水分是影响水文、生态和气候等环境过程的重要参数,而微波遥感是农田地表土壤水分测量的重要手段之一。针对微波遥感反演农田地表土壤水分受植被覆盖影响较大的问题,该研究提出了一种基于特征选择和GA-BP神经网络(Genetic Algorithm-Back Propagation neural network)的多源遥感农田地表土壤水分反演方法。首先对Sentinel-1微波遥感数据和Sentinel-2光学遥感数据进行预处理并提取21个特征参数;然后采用差分进化特征选择(Differential Evolution Feature Selection,DEFS)算法从21个特征中选出包含10个参数的最优特征子集,并利用主成分分析(Principal Component Analysis,PCA)法将特征子集进行降维;之后建立BP神经网络,采用遗传算法(GeneticAlgorithm,GA)对BP网络的节点权值进行优化,使用降维后的特征矩阵和部分实测土壤含水量数据对BP网络进行训练;最后利用训练好的GA-BP网络对研究区土壤水分进行反演,并利用实测数据对反演结果精度进行对比验证。试验结果表明,该研究反演结果的决定系数为0.789 3,均方根误差为0.028 7 cm~3/cm~3,相比单纯使用GA-BP神经网络,加入DEFS和PCA之后决定系数提高了0.215 7,同时均方根误差降低了0.029 5 cm~3/cm~3。该结果展示了DEFS和PCA算法在土壤水分反演最优特征集选择的有效性,为多源遥感农田地表土壤水分反演提供了新思路。     

盐渍化土壤水分微波雷达反演与验证

土壤介电常数是微波遥感进行土壤含水率测量的物理基础,尤其介电常数实部是必须解决的问题,土壤介电特性的研究显得尤为重要。该文目的是试验与评价C波段RADARSAT-2 SAR(synthetic aperture radar)数据模拟土壤介电特性,进而反演土壤水分的性能。以受盐渍化影响较严重的内蒙古河套灌区解放闸灌域为试验区,首先回归分析了介电常数实部与SAR四极化后向散射系数、地表粗糙度的复杂关系,并与Oh经验模型对照,其决定系数R2为0.859 7,模拟精度较高;然后验证常用的2个介电常数模型,Dobson半经验模型、Hallikainen简化实部经验模型模拟的介电常数实部与实测值的决定系数R~2分别为0.935 9、0.869,表明2个模型均能模拟地表土壤水分与介电常数实部的密切关系;最后构建了Dobson模型、Hallikainen简化实部模型反演土壤含水率的模型,并与统计回归模型比照,其模拟数值与土壤实测值的决定系数R2分别为0.803 8、0.737 4、0.842 1,均方根误差RMSE分别为5.2%、5.7%、5%。Dobson模型与统计回归模型反演结果与实地土壤墒情分布较为吻合,具有良好的精度和适用性,从而建立了一个较为完整的土壤介电特性研究体系,为微波遥感监测土壤水分奠定了基础。     

基于微波遥感的土壤水分反演估算研究进展

土壤水分是地表和大气水热过程交换的重要纽带，对于农业生产、生态规划、水资源管理等具有十分重要的意义。微波遥感具有基本不受天气条件影响，具有较好探测植被覆盖下的土壤信息和土壤水分变化趋势等优势，成为目前遥感精确反演土壤水分的热点。本文整理了现有全球尺度的基于微波遥感的土壤水分产品；分析比较了土壤水分反演中主动微波遥感、被动微波遥感、主被动微波协同技术的原理、特点、适用范围和关键技术进展：主动微波遥感和被动微波遥感的 优势分别在于高空间分辨率和高时间分辨率，高空间分辨率可以很好捕捉地表细微的空间信息特征，但囿于土壤水分与后向散射系数之间的复杂关系，特别是植被、地表粗糙度等对雷达后向散射系数的干扰，使得反演土壤水分的精度不高，因而根据现实情况选取不同散射模型以及利用多源数据协同是目前改善精度的研究热点。而高时间分辨率可以实现全球及大尺度下的土壤水分监测，但是很难满足小尺度或者小区域范围的实际研究需求，为了能使实测数据在空间上得以较好匹配，提出多种降尺度方法。结合以上两种微波遥感方式的优劣，依托更为丰富的数据源、相对成熟的观测技术来对两者进行融合以提取更多的水分信息，以提升反演精度或者获得长时间序列数据。在目前的方法中，土壤水分反演在小尺度下表现出良好的性能，但在全球尺度上会出现数据缺失、适用性不强、反演精度不高以及反演过程过于复杂等诸多问题，可以借助多种观测方式（多极化、多角度、多波段）、多时相重复观测、在原有模型上引入新的算法以及数据同化等方面着手进行改进，同时全球卫星导航系统（Global Navigation Satellite System, GNSS） 中长期稳定、高时空分辨率的L波段微波信号在陆面遥感领域的快速发展也为我国北斗卫星导航系统（BeiDou Navigation Satellite System, BDS）的发展提供了借鉴，展现出在土壤水分反演方面的巨大潜力。     

L波段主被动微波协同反演裸土土壤水分

土壤水分是进行干旱监测、土壤侵蚀、农作物产量预测以及地表温度研究的重要参量,利用主被动微波协同的方法提高土壤水分的反演精度是定量遥感发展所面临的重要任务。本文基于土壤L波段微波散射辐射模拟数据集,通过对比分析主被动微波数据对土壤水分含量和粗糙度2个参数的敏感性,提出了基于L波段主被动协同的裸土土壤水分反演算法,算法充分利用了被动微波地表发射率对土壤水分较为敏感,而主动微波后向散射系数对地表粗糙度较为敏感的特点。首先由地表垂直极化发射率和 VV 极化后向散射系数协同提取地表粗糙度信息,再由被动微波双极化数据结合地表粗糙度信息来估算土壤水分信息。利用SMAPVEX12实验数据集中部分稀疏植被采样点的观测数据对算法进行验证,验证结果显示,土壤水分反演结果与地面实测数据相关性为0.6637,RMSE为0.0607 cm3/cm3。该文反演算法模型系数直接由模拟数据集计算得到,克服了常规经验算法的发展对地表实测数据的依赖性,减小了算法在实际应用中的局限性。     

Characterization of soil surface properties following disturbance of a clay soil in southern Manitoba

This research demonstrated the use of a laser profiling system (LPS) and digital imagery as useful tools in measuring soil micro-topography and crop residue cover following a soil disturbance event. The soil micro-topography was characterized in terms of surface roughness using two geostatistical approaches; semivariance analysis and the mean absolute-elevation-difference method. Univariate statistical analysis was also used. All three procedures used to describe surface roughness were successful in detecting changes in surface roughness due to soil disturbance and the addition of corn residue. There was a definite advantage in using the geostatistical approaches to characterize surface roughness as the indices they provide give insight into the characteristics of the surface roughness. Crop residue cover was measured using digital images and image analysis software to contrast the soil and the crop residues.The series of field experiments examined the roles of both soil disturbance and corn residue and their interactions on surface roughness, crop residue cover, exposed surface area, and near-surface porosity. Soil disturbance and the addition of corn residue were both found to be significant factors affecting the surface roughness, crop residue cover, exposed surface area, and near-surface porosity. Due to the interaction and added effects of crop residue, it was also demonstrated that the calculated surface area may not be a measure of exposed soil area, but rather it is a combination of soil and residue surface areas. Similarly, the roughness of a surface does not only reflect the soil clods produced during tillage but that of the residue itself. Furthermore, it was demonstrated that the information gathered by the LPS and digital imagery can be used to evaluate surface characteristics arising from different tillage practices.     

基于人工神经网络的田间信息插值方法研究

提出了一种基于人工神经网络的田间信息插值新方法，并利用ArcView3.2软件绘制碱解氮的BP神经网络插值空间分布图和球状插值分布图，并对BP神经网络插值方法和克立格球状插值方法的结果进行了误差分析。结果表明，BP神经网络的插值方法优于克立格球状插值法，该方法有利于田间信息空间分布特性准确、直观的表达，有利于农田精确施肥、灌溉、播种等精细农业生产管理。     

基于卷积神经网络的温室黄瓜病害识别系统

基于图像处理和深度学习技术,该研究构建了一个基于卷积神经网络的温室黄瓜病害识别系统。针对温室现场采集的黄瓜病害图像中含有较多光照不均匀和复杂背景等噪声的情况,采用了一种复合颜色特征(combinations of color features,CCF)及其检测方法,通过将该颜色特征与传统区域生长算法结合,实现了温室黄瓜病斑图像的准确分割。基于温室黄瓜病斑图像,构建了温室黄瓜病害识别分类器的输入数据集,并采用数据增强方法将输入数据集的数据量扩充了12倍。基于扩充后的数据集,构建了基于卷积神经网络的病害识别分类器并利用梯度下降算法进行模型训练、验证与测试。系统试验结果表明,针对含有光照不均匀和复杂背景等噪声的黄瓜病害图像,该系统能够快速、准确的实现温室黄瓜病斑图像分割,分割准确率为97.29%;基于分割后的温室黄瓜病斑图像,该系统能够实现准确的病害识别,识别准确率为95.7%,其中,霜霉病识别准确率为93.1%,白粉病识别准确率为98.4%。