基于AquaCrop模型的大豆灌溉制度优化研究

【目的】 探究AquaCrop模型在关中地区的适用性,寻求大豆在不同降水年型下最适宜的灌溉制度。【方法】 用田间试验实测数据对该模型进行校正,并用校准后的模型模拟1961—2019年内所有3种不同降水年型14种灌溉制度下的大豆产量和水分利用效率。【结果】 AquaCrop模型模拟田间产量最高处理的冠层覆盖度的决定系数(R ²)、均方根误差（RMSE）、标准均方根误差(NRMSE)及Nash效率系数(EF)分别为0.96、7.15%、11.03%和0.94;模拟值与实测值生物量的决定系数（R ²）、均方根误差（RMSE）、标准均方根误差（NRMSE）及Nash效率系数（EF）分别为0.99、526.04 kg·hm^-2、14.45%和0.97;最终产量模拟的决定系数（R ²）、均方根误差（RMSE）、标准均方根误差（NRMSE）及Nash效率系数（EF）分别为0.97、49.98 kg·hm^-2、1.74%和0.82,各处理的冠层覆盖度和生物量实测值与模拟值的R ²均大于0.95,说明AquaCrop模型可以较好地模拟关中地区大豆的生长发育动态与产量。结合模型模拟结果可知,大豆作物需水量平均值为398.2 mm,各个生育时期的需水量差异较大,分枝期需水量为127.8 mm,开花-结荚期需水量为212.6 mm,鼓粒期的需水量为57.7 mm。结合对3种不同降水年型进行不同灌溉制度模拟后发现,大豆开花-结荚期为需水关键期,该生育时期水分供应情况影响大豆的最终产量。在湿润年可以不灌水;平水年和干旱年仅在开花-结荚期分别灌溉45和70 mm可实现最高产量（2 699、2 486 kg·hm^-2）和最大水分利用效率（0.74、0.7 kg·m^-3）。【结论】 该地区大豆灌溉制度,应以不同降水年型分布情况为基础对大豆灌溉制度进行选择,可保证大豆具有较高的产量和水分利用效率,可作为关中地区大豆灌溉制度的参考依据。     

基于红边参数不同品种的估算模型

【目的】利用红边参数的动态变化规律建立不同品种滴灌棉花叶面积指数估测模型。【方法】以棉花品种新陆早50号、新陆早58号和鲁棉研24号(杂交棉)为材料,分析LAI和红边位置的动态变化,构建滴灌棉花叶片红边参数-LAI估算模型。【结果】LAI增长最快时期均出现在40~70 d,不同品种滴灌棉花的LAI增长速率有明显的差异,表现为:鲁棉研24号>新陆早50号>新陆早58号;不同品种棉花均在病虫害发生期出现蓝移现象,在棉花正常生长下,出现红移现象。红边参数与LAI均达到极显著相关,构建3个估算模型中,鲁棉研24号精度最高(R²=0.816 8 ,RMSE=0.77)。【结论】建立的估算模型均可对LAI进行有效估测。     

基于甘蔗产量与土壤磷素平衡的磷肥施用量研究

【目的】探讨南方赤红壤蔗区基于甘蔗产量与土壤磷素平衡的磷肥施用量,为该地区农田磷素高效利用与科学施磷提供参考依据。【方法】于2014—2016年在广西甘蔗主产区（南宁市武鸣区）布置田间定位试验,共设5个磷肥施用量水平,分别是0（P0）、75 kg P₂O₅·hm^-2（P1）、150 kg P₂O₅·hm^-2（P2）、300 kg P₂O₅·hm^-2（P3）和 600 kg P₂O₅·hm^-2（P4）,连续3年测定甘蔗蔗茎、蔗叶产量和土壤Olsen-P含量,采用Mitscherlich模型拟合蔗茎产量对Olsen-P的响应曲线,计算土壤Olsen-P农学阈值,并分析植株磷含量,计算甘蔗吸磷量,磷肥利用率和磷素表观平衡状况。【结果】与P1处理相比,P2处理蔗茎产量显著提高8.3%（2014年）、18.0%（2015年）和15.5%（2016年）。蔗叶和地上部产量均以P2或P3处理最高,但不同施磷量间蔗茎、蔗叶和地上部产量整体无显著差异。P2—P4处理蔗茎磷累积量、蔗叶磷累积量和地上部磷累积量也相当。土壤Olsen-P含量、磷素表观平衡量和磷素盈余率均随施磷量的增加而显著增加,而磷素表观回收率和磷素偏生产力随施磷量的增加逐渐下降,以P1处理最高,显著高于P3和P4处理。Mitscherlich方程拟合获得Olsen-P农学阈值为13.4 mg·kg^-1。相关分析表明,施磷量与磷素盈余率、磷素盈余率与土壤Olsen-P含量呈极显著的线性正相关关系（P小鱼0.01）;磷素盈余率与甘蔗蔗茎产量呈极显著二次相关（P小鱼0.01）,与磷素表观回收利用率、磷素偏生产力呈极显著指数相关（P小鱼0.01）。当施磷量为40.9 kg·hm^-2时,磷素盈余率为0,土壤Olsen-P含量为15.87 mg·kg^-1,甘蔗蔗茎产量为 94.2 t·hm^-2。线性加平台拟合下的优化施磷量,土壤磷素盈余率为216.2%—232.7%,土壤Olsen-P含量为24.7—25.4 mg·kg^-1,甘蔗蔗茎产量为99.7—100 t·hm^-2。【结论】在Olsen-P含量较高的蔗区,40.9 kgP₂O₅·hm^-2施用量能维持土壤磷素平衡,保持土壤适宜的Olsen-P含量,获得较高的产量与磷肥利用率,可以作为推荐的适宜施磷量。     

基于叶片反射光谱估测水稻氮营养指数

【目的】基于叶片反射光谱建立快速、无损监测水稻氮营养指数（nitrogen nutrition index,NNI）的估算模型。【方法】2018—2019年开展2个水稻品种（徽两优898和Y两优900）及5个氮肥梯度（施氮量为0、75、150、225和300 kg·hm^-2,分别记为N₀、N₁、N₂、N₃、N₄）的田间小区试验,测定关键生育期不同叶位叶片反射光谱和植株NNI,构建多种光谱指数的水稻NNI监测模型。【结果】单叶及叶位组合的敏感波段均分布在540 nm的绿光波长处,其与近红外波段构成的窄波段比值指数SR（R₉₀₀,R₅₄₀）可较好反演水稻NNI。但不同叶位叶片窄波段比值指数与水稻NNI的预测精度表现不同,顶3叶（L₃）预测精度最好（R²=0.731,RMSE =0.130,RE=11.6%）,顶2叶（L₂）次之（R²=0.707,RMSE =0.136,RE =12.2%）,顶1叶（L₁）最差（R²=0.443,RMSE =0.187,RE =14.7%）;顶2叶和顶3叶组合平均光谱（L₂₃）的预测精度优于单叶水平和其他叶位组合（R²=0.740,RMSE =0.128,RE =11.5%）。再将窄波段比值指数SR（R₉₀₀,R₅₄₀）近红外与绿光区域分别重采样50 nm和10 nm,所构建的宽波段比值指数SR[AR_{（900±50）},AR_{（540±10）}]模型精度较SR（R₉₀₀,R₅₄₀）未明显降低,且在L₂₃水平下2个模型的模型精度和预测精度基本一致（R²=0.740,RMSE =0.128,RE =11.5%）。水稻NNI小于1时与产量呈线性的正相关关系（P<0.05）,大于1时产量趋于平稳。【结论】L₂和L₃叶片反射光谱为监测水稻NNI的敏感叶位,其中叶位组合L₂₃可提高模型预测精度。基于叶片反射光谱构建的多种波段比值指数（SR（R₉₀₀,R₅₄₀）和SR[AR_{（900±50）},AR_{（540±10）}]）可快速估测水稻NNI,从而为不同传感器对水稻氮营养指数估测监测研究提供了理论依据。     

不同灌溉定额对膜下滴灌水稻耗水特征及水分生产效率的影响

【目的】研究膜下滴灌水稻不同水分处理对耗水特征和水分生产效率的影响。【方法】2017年设置5个灌溉定额,对比分析不同水分处理下水稻产量、各生育期耗水量。【结果】W₅处理(灌溉定额910.00 mm)的水稻产量比其他处理分别增加21.95%~458.43%。膜下滴灌水稻全生育期5个水分处理的耗水强度分别为3.75~7.14 mm/d。随着灌水量减少叶面积衰减指数逐渐增大,叶片表现出早衰特征,株高受到灌水量抑制。W₅处理与其他处理水分生产率相比分别提高7.61%~193.06%。生育阶段耗水强度变化规律为拔节孕穗期＞抽穗扬花期＞灌浆期＞分蘖期＞成熟期＞苗期。【结论】水稻全生育期适宜灌溉定额910.00 mm,在拔节孕穗期、分蘖期2个关键需水期,满足水稻水分需求。     

基于荧光参数的棉花盛铃期水分状况高光谱监测

【目的】研究棉花盛铃期反射光谱、荧光参数Fv/Fm(PSⅡ最大光化学量子产量)的变化特征,确立叶绿素荧光参数与棉花冠层高光谱植被指数的相关关系。为高光谱遥感监测棉花的水分状况提供理论依据。【方法】选用棉花品种新陆早45号和新陆早62号,采用美国ASD地物高光谱仪测定田间试验条件下,设置4个不同灌水量处理,研究2个棉花品种盛铃期的冠层反射光谱,同期利用PAM-2100叶绿素荧光仪测定棉花叶片的Fv/Fm,并用相关软件对棉花的反射光谱数据及Fv/Fm进行处理并作相关分析,建立相关回归模型。【结果】不同水分处理条件下,棉花冠层反射光谱的变化趋势相似;棉花新陆早62号盛铃期的单叶荧光参数Fv/Fm与棉花冠层高光谱反射率在350~514 nm、612~692 nm和1 945~2 076 nm波段范围内呈极显著正相关,而在708~1 361 nm和1 621~1 740 nm波段范围内呈极显著负相关;采用敏感波段构建植被指数NDVI(归一化植被指数)和RVI(比值植被指数),RVI与Fv/Fm的相关性较高(r_RVI-Fv/Fm=-0.721 5^**,n=20,P<0.01);建立Fv/Fm与RVI的估算模型方程,Fv/Fm估测值与实测值呈极显著线性正相关(r_{估测Fv/Fm-实测 Fv/Fm}=0.723 0^**,n=20,RMSE=1.186×10^-2)。【结论】利用荧光参数Fv/Fm与植被指数RVI的相关关系,可以监测棉花盛铃期的水分胁迫状况。     

不同灌溉和施肥模式对水稻产量、氮利用和稻田氮转化特征的影响

【目的】阐明常规淹灌和干湿交替灌溉下,不同施肥模式对水稻关键生育期氮吸收转运、氮素利用率和稻田氮转化特征的影响及其与水稻产量的关系,以期为绿色高效稻田水肥管理提供理论依据。【方法】 2018—2019年连续进行2年,以杂交籼稻中浙优1号为供试材料,设常规淹灌（FI）、干湿交替（AWD）2种灌溉模式以及空白对照（N₀）、常规施氮（PUN₁₀₀）、减氮20%（PUN₈₀）、缓控释复合肥减氮20%+生物炭（CRFN₈₀-BC）和稳定性复合肥减氮20%+生物炭（SFN₈₀-BC）5种施肥模式,对比分析了不同灌溉和施肥模式下水稻产量、氮吸收利用及稻田氮转化特征。【结果】（1）与FI灌溉模式相比,AWD灌溉显著增加了各处理水稻产量（P<0.05）,CRFN₈₀-BC和SFN₈₀-BC处理水稻产量分别达9 721 kg·hm^-2、10 056 kg·hm^-2（2018年）和9 492 kg·hm^-2、9 907 kg·hm^-2（2019年）,且均显著高于PUN₈₀和PUN₁₀₀处理（P<0.05）,这可能与水稻穗粒数、有效穗增加密切相关。（2）与N₀、PUN₁₀₀和PUN₈₀处理相比,AWD灌溉显著提高了抽穗前CRFN₈₀-BC和SFN₈₀-BC处理水稻茎鞘和叶片氮累积量、抽穗至成熟期茎鞘和叶片氮转运量及其氮转运贡献率;同时,显著增加了成熟期0—30 cm剖面稻田可溶性总氮（dissloved total N,DTN）和NO₃^-含量,并有效降低稻田渗滤液中DTN、NH₄⁺和NO₃^-质量浓度。（3）相关分析结果表明,水稻产量与营养生长期叶片和茎鞘氮累积量,抽穗后氮转运量和氮转运贡献率,成熟期水稻氮素利用率和稻田氮有效性显著正相关,表明适宜的水氮管理能协同促进氮素在水稻中的吸收和运转畅通,增加稻田氮素有效性,进而显著提高水稻产量和氮素利用率。【结论】综合2年水稻产量与氮素吸收利用、稻田氮素有效性特征,干湿交替灌溉下生物炭配施缓控释/稳定性复合肥能有效提高水稻高产群体构建、氮吸收转运和氮素利用效率,并降低稻田氮淋溶损失。     

不同水氮条件下冬小麦穗器官临界氮稀释模型研究

【目的】 开花后穗部器官成为小麦生长中心,保证穗部充足的氮素营养是籽粒产量和蛋白品质形成的基础,精确诊断穗氮营养对预测评价产量和品质具有重要意义。【方法】 选用周麦27和豫麦49-198为材料,在大田条件下设置3个灌溉条件（W0：雨养、W1：拔节期浇水1次、W2：拔节和开花各浇水1次）和5个施氮水平（0（N0）、90 kg·hm^-2（N6）、180 kg·hm^-2（N12）、270 kg·hm^-2（N18）和360 kg·hm^-2（N24））,于小麦开花后不同的灌浆时段采集各处理小麦穗器官干物质及氮素含量数据,构建不同灌溉条件下冬小麦穗器官的临界氮稀释（Nc）曲线,并于成熟期测定籽粒产量和蛋白质含量。【结果】 在同一灌溉条件下,随着施氮量的增加,穗部干物质及氮含量均增加;不同灌溉条件下的穗部临界氮浓度与生物量间均符合幂指数关系,不同灌溉条件的模型间存在差异（W0: Nc=2.58 DM^-0.242; W1: Nc=2.92 DM^-0.24; W2: Nc=3.10 DM^-0.231）。氮营养指数（NNI）在不同灌溉条件下均随着施氮量的增加而增加,适宜施氮量因灌溉条件而异,雨养条件为180—270 kg·hm^-2,灌溉条件为270 kg·hm^-2左右。相对产量（RY）与NNI之间显著相关,具体表现为线性+平台特征,在雨养条件下NNI为1.01时,RY获得最大值;而在灌溉条件下NNI为0.97时,RY获得最大值。籽粒蛋白含量与NNI之间呈显著的线性定量关系,灌溉导致蛋白质含量有所降低。【结论】 确立的穗器官Nc及NNI模型,能够有效指示不同水氮条件下小麦氮素丰缺变化,实时评价产量状况,准确预测蛋白质含量,为小麦生育后期的田间及收储管理提供参考和依据。     

基于机器学习的滴灌玉米光合响应特征

【目的】提出一种优化模型精度的机器学习网格搜索方法,解决滴灌玉米光合响应曲线模型参数确定难、精度低等问题,为滴灌玉米光合生理机制及光合响应特征提供新思路。【方法】2017年和2018年以宁夏玉米主栽品种（TC19）为试验材料,设置6个施钾水平（0（K0）、90 kg·hm ^-2（K1）、180 kg·hm ^-2（K2）、270 kg·hm ^-2（K3）、360 kg·hm ^-2（K4）、450 kg·hm ^-2（K5））,使用Li-6400XT光合仪测定不同钾肥水平下玉米吐丝期光响应曲线。运用机器学习网格搜索法和非线性回归分析法对基于直角双曲线修正模型的光响应曲线进行拟合。选取决定系数（R ²）、均方根误差（RMSE）及平均绝对误差（MAE）对模型精度进行评价。【结果】在玉米吐丝期,叶片光合参数Pn、Tr和Gs随施钾量的增加呈先增大后减小的趋势。拟合评价结果表明,在K0和K1处理下机器学习方法计算效果优于传统方法,R ²均大于0.991,RMSE均小于1.487,MAE均小于1.350。在K2—K5处理下,2种方法拟合效果相当,R ²均大于0.993,RMSE均小于0.952、MAE均小于0.860。最优拟合方法（网格搜索法）对光响应特征参数计算结果表明,α、Pn_max、Rd、LSP和LCP的变化趋势与其光合参数相似。在施钾量为360 kg·hm ^-2（K4）时,各光响应特征参数均达到最大,在450 kg·hm ^-2（K5）时出现光抑制现象。【结论】基于机器学习的网格搜索法可准确地拟合宁夏滴灌玉米光响应特征,且施钾量为360 kg·hm ^-2时玉米光合性能达到最佳。     

不同降雨年型旱地冬小麦水分利用及产量对施氮量的响应

【目的】降雨和施氮是影响渭北旱塬冬小麦生产的主要因素,降雨年际变幅大对其影响更大,因此小麦增产效应受降雨年型显著影响。分析不同降雨年型下施氮量对旱地麦田水分利用、籽粒产量和蛋白质含量的影响,能够为实现渭北旱地冬小麦 “因雨施氮”和稳产优质提供理论依据。【方法】于2017—2020年连续3年在陕西合阳县开展田间定位施氮试验,以晋麦47为试验材料,设置5个施氮量处理0、60、120、180、240 kg·hm^-2（分别以N₀、N₆₀、N₁₂₀、N₁₈₀、N₂₄₀表示）,研究不同降雨年型施氮量对冬小麦生育期0—200 cm土层水分变化动态、水分利用效率、产量构成及蛋白质含量的影响。【结果】降雨年型和施氮对冬小麦播前底墒及生育期土壤含水量、耗水量、水分利用效率、籽粒产量和蛋白质含量影响显著。（1）休闲期降雨与播前底墒呈线性相关,每增加1 mm夏季降雨,底墒增加0.9 mm。在丰水年和平水年休闲期降雨充足,前季小麦增加施氮量对下季小麦播前底墒无显著影响;在欠水年休闲期降雨较少,前季小麦每增施氮100 kg·hm^-2,下季小麦播前底墒减少15.4 mm。丰水年较欠水年和平水年均能提高冬小麦生育期0—200 cm土层土壤含水量,因而分别增加生育期耗水量35.7%和6.6%。全生育期0—120 cm土层土壤含水量受降雨和冬小麦生长发育影响波动较大,但160—200 cm 深层土壤含水量相对稳定。丰水年的水分利用效率较欠水年和平水年分别提高55.7%和26.5%,籽粒产量分别提高112.3%和39.1%,蛋白质含量分别降低8.3%和5.2%。（2）与N₀处理相比,丰水年、欠水年和平水年施氮均降低各生育时期0—200 cm土层土壤含水量,分别提高生育期耗水量4.6%—14.6%、6.0%—8.6%、2.2%—9.5%,分别增加水分利用效率20.7%—39.8%、4.7%—33.3%、13.1%—35.4%,分别增产7.1%—28.1%、1.5%—34.1%、8.5%—28.9%,分别提高蛋白质含量5.6%—10.4%、10.1%—17.7%、8.5%—15.6%。（3）施氮量和籽粒产量、蛋白质产量均符合二次曲线关系,拟合方程表明,丰水年、欠水年和平水年满足旱地冬小麦稳产优质的最适施氮量范围分别为189—202、116—124和161—174 kg·hm^-2。【结论】综合来看,丰水年、欠水年和平水年的最佳施氮量分别为189—202、116—124和161—174 kg·hm^-2,并可采取“播前底墒确定基施氮肥量+播种至拔节期降雨确定追施氮肥量”的“因雨施氮”管理模式,既能满足旱地冬小麦稳产优质,也可保证水分高效利用。     

基于PLS的不同水氮条件下带状套作玉米产量预测

[目的]利用高光谱数据构建一种"高光谱参数-光合色素-产量"模型间接估测套作玉米产量,为带状套作玉米产量无损预测提供技术手段.[方法]以不同年份、地点、品种、处理(氮肥、水分)的田间试验为基础,综合分析带状套作玉米各生育时期及全生育期光合色素参数与冠层高光谱参数和玉米产量的关系,明确玉米产量预测的最佳生育时期及光合色素...     

基于无人机多光谱和热红外影像信息融合的小麦白粉病监测

[目的]白粉病严重危害小麦生长及制约产量形成,确立实时监测小麦白粉病的多源数据融合方法,为精确防控及保证国家粮食安全提供技术支撑.[方法]在小麦开花和灌浆期,使用同时搭载多光谱仪和热成像仪的六旋翼无人机作为遥感数据获取平台,通过ENVI软件从小麦白粉病遥感影像中提取植被指数、纹理特征以及冠层温度信息,进而利用多元线性回...     

基于无人机影像特征的冬小麦植株氮含量预测及模型迁移能力分析

【目的】氮素的精准监测和合理施用对小麦健康生长、产量及品质提升、减少农田环境污染与资源浪费尤为重要。为精准监测小麦生长关键生育期植株氮含量,探索机器学习方法构建的植株氮含量预测模型的迁移能力。【方法】小区试验于2020—2022年在河南省商水县开展,在冬小麦拔节期、孕穗期、开花期和灌浆期,采用M600大疆无人机搭载K6多光谱成像仪获取5波段(Red、Green、Blue、Rededge、Nir)多光谱影像。基于5个波段冠层反射率提取20种植被指数和40种纹理特征,采用相关分析从65个影像特征中筛选冬小麦植株氮含量敏感特征。基于筛选出的敏感特征,采用BP神经网络(BP)、随机森林(RF)、Adaboost、支持向量机(SVR)4种机器学习回归方法构建植株氮含量预测模型,并对模型预测效果和在不同水处理条件下模型的迁移预测能力进行分析。【结果】(1)植株氮含量与影像特征的相关系数通过0.01极显著水平检验的包括22个光谱特征和29个纹理特征。(2)4种机器学习回归方法构建的冬小麦植株氮含量预测模型存在差异,RF和Adaboost方法预测植株氮含量集中于95%的置信区间,多分布于1:1直线附近...     

Cotton Nitrogen Nutrition Diagnosis Based on Spectrum and Texture Feature of Images from Low Altitude Unmanned Aerial Vehicle

【Objective】 Based on the high spatial resolution images of unmanned aerial vehicle (UAV), the effects of removing soil background information and increasing image texture information on the inversion of cotton plant nitrogen concentration were investigated, in order to provide new technology for accurate estimation of cotton nitrogen nutrition status. 【Method】 Cotton water and nitrogen coupling experiment was conducted, and UAV images and plant nitrogen concentration data were measured during different cotton growth stages. Based on the above data, the effect of soil background on cotton canopy spectrum was firstly investigated. Secondly, the correlations between image texture parameters and plant nitrogen concentration were analyzed. Finally, the obtained data was divided into calibration dataset and validation dataset. Different scenarios, including before and after removing the soil background, and adding texture features, were set. The inversion models of plant nitrogen concentration under various scenarios were designed by using the coupled method of spectral indexes and principal component regression, and the performances of the models were compared. 【Result】 The soil background had an effect on the cotton canopy spectrum, and the trends were not the same at different growth stages. There existed significant correlations between image texture parameters and plant nitrogen concentration. For the scenarios before removal soil background, the plant nitrogen concentration prediction model had determination coefficient (R ²) value of 0.33 and root mean square error (RMSE) value of 0.21% during model calibration, and R ² value of 0.19 and RMSE value of 0.23% during validation. For the scenarios after removing soil background, the plant nitrogen concentration prediction model had R ² value of 0.38 and RMSE value of 0.20% during model calibration, and R ² value of 0.30 and RMSE value of 0.21% during validation. For the scenarios adding image texture information, the plant nitrogen concentration prediction model had R ² value of 0.57 and RMSE value of 0.17% during model calibration, and R ² value of 0.42 and RMSE value of 0.19% during validation. 【Conclusion】 Based on high spatial resolution images of low-altitude UAVs, both removing soil background and adding image texture information could improve the inversion accuracy of cotton plant nitrogen concentration. Image texture could be considered as important information to support prediction of crop nitrogen nutrition status using UAV images.     

基于低空无人机影像光谱和纹理特征的棉花氮素营养诊断研究

【目的】基于无人机高空间分辨率影像,探讨剔除土壤背景信息及增加纹理信息对棉花植株氮浓度反演的影响,为棉花氮素营养精准探测提供新技术手段。【方法】开展棉花水、氮耦合试验,分别在棉花的不同生育期获取无人机多光谱影像和植株氮浓度信息。基于以上数据,首先探讨了土壤背景对棉花冠层光谱的影响;其次,分析了影像纹理特征与植株氮浓度间的相关性;最后,将获得的数据分为建模样本和检验样本,设置剔除土壤背景前、剔除土壤背景后、增加纹理特征等不同情景,采用光谱指数与主成分分析耦合建模的方法,来建立各种情景下植株氮浓度的反演模型,并对模型反演效果进行比较。【结果】土壤背景对棉花冠层光谱有影响,且不同生育期趋势不同;影像纹理特征参数与植株氮浓度间有显著相关关系;剔除土壤背景前植株氮浓度反演模型的建模决定系数为0.33,标准误差为0.21%,验证决定系数为0.19,标准误差为0.23%;剔除土壤背景后模型的建模决定系数为0.38,标准误差为0.20%,验证决定系数为0.30,标准误差为0.21%;增加纹理信息后模型的建模决定系数为0.57,标准误差为0.17%,验证决定系数为0.42,标准误差为0.19%。【结论】基于低空无人机高空间分辨率影像,剔除土壤背景和增加纹理特征均可提高棉花植株氮浓度的反演精度;影像纹理可以作为一种重要信息来支撑无人机遥感技术反演作物氮素营养状况。     

基于地理加权回归模型的绿洲土壤表层有机质含量高光谱估算

【目的】研究利用高光谱数据估算土壤表层有机质含量,为绿洲区大范围,快速,低成本,监测土壤表层有机质含量提供技术参考。【方法】以新疆博斯腾湖湖滨绿洲为研究区,采用地理加权回归模型,优选高光谱数据与土壤有机质含量的特征波段,构建研究区表层土壤有机质含量的高光谱估算模型。【结果】研究区表层土壤有机质含量变化不大,变化系数为55%,最小值为2.37 g/kg,最大值为51.47 g/kg,平均值为21.20 g/kg。土壤有机质特征波段主要集中在645~1 958 nm,其中1/R二阶的相关系数值最大为0.73,且在P=0.05水平下,通过显著性检验的波段数为83。构建的地理加权回归模型中,二维土壤指数1/R RSI建模效果最优,建模集R²=0.91,RMSE=2.56,验证集R²=0.95,RMSE=1.10。【结论】利用地理加权回归模型估算土壤有机质估算,建模效果可以达到一定的精度要求。     

Photosynthetic Response Characteristics of Maize Under Drip Irrigation Based on Machine Learning

【Objective】 This study proposed an optimized grid search method based on machine learning to solve the problem of model parameters of the photosynthetic light-response curve for drip-irrigated maize, which was often hard to determine and possesses low precision, so as to provide new ideas for photosynthetic characteristics and mechanisms of drip-irrigated maize in Ningxia. 【Method】 The experiment was conducted in 2017 and 2018 with the maize cultivar TC19, which was widely cultivated in Ningxia. Six levels of potassium application (0 (K0), 90 kg·hm ^-2 (K1), 180 kg·hm ^-2 (K2), 270 kg·hm ^-2 (K3), 360 kg·hm ^-2 (K4), 450 kg·hm ^-2 (K5)) were set, and the portable gas exchange system (Li-6400XT) was used to measure the light-response curves of maize under different potassium levels at silking stage. The grid search method based on machine learning and nonlinear regression analysis was used to revise the light response curve based on the right angle and hyperbolic correction model. The correlation coefficient (R ²), root-mean-square error (RMSE) and mean absolute error (MAE) were used to evaluate the accuracy of the model. 【Result】 The results showed that the photosynthetic parameters (Pn), transpiration rate (Tr) and stomatal conductance (Gs) of maize leaves increased first and then decreased with the increase of potassium application rate. The results of fitting evaluation indicated that the calculation results of machine learning method under K0 and K1 were better than the traditional method, in which R ² was greater than 0.991, RMSE and MAE were less than 1.487 and 1.350, respectively. The two methods have similar fitting effect under K2-K5, while R ²was greater than 0.993, RMSE and MAE was less than 0.952 and 0.860, respectively. The result of optical response characteristic parameter calculation by using the optimum fitting method (grid search method) showed that the trends of α, Pn_max, Rd, LSP and LCP were similar to their photosynthetic parameters. When the potassium application rate was 360 kg·hm ^-2 (K4), the light response characteristic parameters reached the maximum value, however, the light suppression phenomenon occurred at 450 kg·hm ^-2 (K5). 【Conclusion】 The grid search method based on machine learning could accurately fit the photo-response characteristics of drip-irrigated maize in Ningxia, and the photosynthetic performance of maize was the best when the potassium application rate was 360 kg·hm ^-2.     

基于参数化和非参数化法的棉花生物量高光谱遥感估算

【目的】利用高光谱遥感数据快速、无损地估算棉花生物量,评估参数化与非参数化方法在棉花上的表现差异。【方法】本研究以4个棉花品种在2个年份(2004和2005年)的试验资料为基础,将2年数据分别进行建模和验证,采用参数化算法(植被指数法、连续小波变换)与非参数化算法(偏最小二乘回归、随机森林、人工神经网络、回归树、袋装树和增强树、支持向量机和高斯过程回归)分别构建吐絮前和吐絮后的生物量估算模型。【结果】近红外与红边波段仍然是棉花生物量遥感监测中最有效的波段区间。参数化方法运算简单,效率高,其中,CI_{red edge}证明是棉花生物量估算上表现最好的植被指数,具有较高的独立验证结果(吐絮前：RMSE=27.23 g·m^-2;吐絮后：RMSE=48.81 g·m^-2)。基于连续小波变换的方法缓解了植被指数的低估现象,尤其是吐絮后(吐絮前：RMSE=31.54 g·m^-2;吐絮后：RMSE=37.57 g·m^-2);在非参数化法中,随机森林是棉花生物量估算的最优算法(吐絮前：RMSE=20.48 g·m^-2;吐絮后：RMSE=30.28 g·m^-2)。吐絮后的估算精度都显著低于吐絮前,表明两类算法的估算精度都受到棉絮的影响。【结论】本研究评估了基于参数化和非参数化算法构建的棉花生物量估算模型,证明了非参数化方法可以作为棉花生物量无损监测的重要研究方法,该结论也为棉花其他生长参数的估测提供了技术支撑。