设施果菜病害诊断的知识表达与推理模型

病害诊断的知识表达和推理是建立植物病害诊断系统的核心研究内容。该文在系统收集设施果菜病害诊断知识的基础上,根据模糊数学的思想,利用评估学中多比例法将诊断知识数值化,使用"对象—属性—值三元组法"(object-attribute-value,OAV)与产生式规则相结合,实现了病害诊断知识的有效表达。并进一步采用模糊推理的方法,模拟诊断专家的诊断思维模式,针对诊断问题的特点,构建了一步诊断及深入诊断两步诊断推理模型,使用最佳优先搜索法,并采用C#语言对模型进行计算机编程,实现了设施果菜病害诊断与推理模型。该研究建立的病害诊断与推理模型为进一步建立设施果菜病害诊断与防治管理决策支持系统奠定了基础。     

基于深度学习的水产病害可视化知识图谱构建与验证

知识图谱本质上是基于图的语义网络，表示实体与实体之间的关系，在知识问答、语义检索等领域起着至关重要的作用。针对目前水产病害领域存在实体关系交叉关联、多源异构数据聚合能力差、利用率低、知识共享困难等问题，该研究基于自然语言处理和文本挖掘提出了一个基于神经网络深度学习模型的水产病害专业领域知识图谱构建方法并进行试验验证。首先，构建水产病害专业领域本体，并预定义实体类型、属性和关系的集合，确定知识抽取边界；其次，在本体基础上，分别利用规则方法和深度学习方法对半结构化和非结构化知识进行抽取。对于非结构化知识，提出“水产病害+关系+BMES”文本标注体系，将关系抽取融合于命名实体识别任务中直接对三元组建模，将实体关系抽取转化为序列标注问题，不仅提高标注效率，还实现了实体和关系的联合抽取。同时通过标签匹配和映射对三元组建模获得RDF数据，解决了重叠关系抽取的难题。利用BERT-BiLSTM+CRF端到端模型进行试验，试验结果证明该三元组抽取方法具有较高的召回率（89.64%），准确率（94.04%）和F₁值（91.34%），优于CNN+BiLSTM+CRF和BiLSTM+CRF等模型，抽取效果有了显著提升，并将抽取到的知识存储到 Neo4j 图数据库中，实现知识可视化管理及知识推理分析。该研究构建的水产病害知识图谱精度高、粒度细，能够帮助机器理解数据、解释现象、知识推理，从而发掘深层关系、实现智慧搜索与智能交互。     

基于改进DenseNet的茶叶病害小样本识别方法

针对茶叶病害识别的传统方法费工费时,同时由于茶叶病害样本小且分布不均导致传统卷积神经网络不能准确快速识别的问题,提出一种基于迁移学习的SE-DenseNet-FL茶叶病害识别方法。SE-DenseNet-FL以DenseNet模型为基础,首先在DenseNet网络结构中融入SENet（Squeeze-and-Excitation Networks）模块,以加强重要特征传播实现特征重标定;其次引入Focal Loss函数替换原DenseNet中的损失函数,使模型在训练时专注于难分类的样本,以缓解样本分布不均给模型带来的性能影响;最后利用PlantVillage数据集预训练取得预训练模型,通过迁移学习在预训练模型上使用自建茶叶病害数据集进行参数微调,以缓解样本数据过少带来的过拟合影响。通过与原模型DenseNet以及其他经典分类模型（AlexNet、VGG16、ResNet101）进行试验对比,结果表明基于迁移学习的SE-DenseNet-FL在小样本及样本分布不均情景下对茶叶病害的识别准确率达到92.66%。该模型具有较高的识别准确率与较强的鲁棒性,可为茶叶病害智能诊断提供参考。     

多结构参数集成学习的设施黄瓜病害智能诊断

单一特征已不能很好的描述作物病害典型特征,而生长环境参数(土壤温湿度、pH值、空气温湿度等)与病害密切相关,多结构数据学习向量化与特征最优组合能够有效提升病害诊断准确性。该研究以黄瓜白粉病、角斑病、炭疽病、菌核病4种病害50个样本为实例,融合结构化作物生长环境参数与非结构化图像特征,通过智能化物联网,对实时采集到的环境参数进行监测、分析,并将其与图像特征融合,构建多结构病害特征最优组合模型。试验结果表明,样本识别率在79.4%～93.6%,对比卷积神经网络图像识别识别率,卷积神经网络由于需要对病害图像数据进行降维,后台识别时间较高;深度迁移学习的图像识别方法,需要大量图像数据输入深度网络学习,而现实中病害图像数量不足以满足深度学习要求,因此识别率会因为样本不充分而降低;该方法借助少量图像数据,同时结合环境与专家知识资源,采用多结构参数集成学习的方法进行病害识别,在较少识别时间的基础上确保识别的准确性。     

基于改进卷积神经网络模型的玉米叶部病害识别(英文稿)

准确识别玉米病害有助于对病害进行及时有效的防治。针对传统方法对于玉米叶片病害识别精度低和模型泛化能力弱等问题,该研究提出了一种基于改进卷积神经网络模型的玉米叶片病害识别方法。改进后的模型由大小为3×3的卷积层堆栈和Inception模块与ResNet 模块组成的特征融合网络两部分组成,其中3×3卷积层的堆栈用于增加特征映射的区域大小,Inception模块和ResNet 模块的结合用于提取出玉米叶片病害的可区分特征。同时模型通过对批处理大小、学习率和 dropout参数进行优化选择,确定了试验的最佳参数值。试验结果表明,与经典机器学习模型如最近邻节点算法（K- Nearest Neighbor,KNN）、支持向量机（Support Vector Machine,SVM）和反向传播神经网络（Back Propagation Neural Networks,BPNN）以及深度学习模型如AlexNet、VGG16、ResNet 和Inception-v3相比,经典机器学习模型的识别率最高为77%,该研究中改进后的卷积神经网络模型的识别率为98.73%,进一步提高了模型的稳定性,为玉米病害检测与识别的进一步研究提供了参考。     

基于支持向量机的玉米叶部病害识别

针对玉米叶部病害图像的特点,提出将支持向量机（SVM）组成的多分类器应用于多种玉米叶部病害识别中。首先利用Live-Ware分割算法分割出玉米叶部病灶,再利用小波特征提取算法提取病灶的特征向量,最后利用支持向量机分类方法进行病害的识别。玉米叶部病害图像识别试验结果表明,支持向量机分类方法适合小样本情况,具有良好的分类能力,适合多种玉米叶部病害的分类。不同的分类核函数的相互比较分析表明,径向基核函数最适合玉米病害的分类识别。     

基于局部判别映射算法的玉米病害识别方法

如何快速准确检测到作物病害信息是作物病害防治中的一个首要问题,根据作物叶片症状识别作物病害是作物病害检测的一个基本方法。由于病害叶片颜色、形状和纹理之间的差异很大,使得很多经典的模式识别方法不能有效地应用于作物病害识别中,为此提出了一种基于局部判别映射(local discriminant projects,LDP)的作物病害识别方法。首先,利用区域增长分割算法分割病害叶片中的病斑图像;然后,将病斑图像重组为一维向量,再由LDP对一维向量进行维数约简;最后,利用最近邻分类器识别作物病害类别。利用LDP算法将高维空间的一维向量样本点映射到低维子空间时,能够使得类内样本点更加紧凑,而类间样本点更加分离,从而得到最佳的低维分类特征。利用该方法在5种常见玉米病害叶片图像数据库上进行了病害识别试验,识别精度高达94.4%。与其他作物病害识别方法(如基于神经网络、主分量分析+概率神经网络和贝叶斯方法)和监督子空间学习算法(如算法局部判别嵌入和判别邻域嵌入)进行了比较。试验结果表明,该方法对作物病害叶片图像识别是有效可行的,为实现基于叶片图像处理技术的作物病害的田间实时在线检测奠定了基础。     

基于显著和模糊检测的浅景深作物病害图像分割

大多数现有的基于图像的作物病害诊断方法往往对输入图像的质量具有很高的要求,例如要求背景简单、大景深等等。因此这些方法的预处理过程中需要去除复杂背景,然而这个预处理较难获得理想的结果。此外,当作物病斑面积较小时,会使得获取的图像景深较浅,也导致了这些方法难以抽取精确的病斑区域。为了解决上述问题,该文提出一种利用目标检测来分割病斑图像的方法。首先,该方法对抽取的结构特征和颜色特征进行整合并对特征空间进行量化,从而得到作物病害图像的显著区域。该方法不需要进行去除复杂背景的预处理过程即可得到病斑区域的图像;同时,为了处理浅景深的病害图像,引入了模糊检测方法用以进一步过滤背景和模糊区域的图像。试验中利用多种黄瓜和水稻病害的图片,将该方法与阈值法、图切割法进行了对比,结果表明该方法在效率不明显降低时,其分割效果明显优于阈值法;在分割效果差异不大时,其运行效率明显高于图切割方法;同时,该方法能够对浅景深的作物病害图像的病斑区域进行有效的分割。     

利用改进Faster-RCNN识别小麦条锈病和黄矮病

条锈病和黄矮病是严重威胁小麦生产的重大病害,病害的早期识别对病害防控具有重要意义。现有病害识别模型对相似表型症状识别困难,对早期病害的识别准确度低。为此,该研究构建了一种改进的快速区域卷积神经网络（Faster Regions with CNN Features,Faster-RCNN）的病害识别方法。该方法采用卷积核拆解和下采样延迟策略优化了深度残差网络（Deep Residual Neural Network,ResNet-50）,用优化后的ResNet-50作为主干特征提取网络以增强所提取特征的表达力,同时简化模型的参数;并采用ROI （Region of Interest）Align改进ROI迟化层以降低特征量化误差,提升识别的精度。在自建的涵盖200余种不同发病时期、不同抗感性的小麦叶部图像数据集上进行试验,结果表明：改进的Faster-RCNN识别方法比其他SSD （Single Shot Multi-Box Detector）、YOLO（You Only Look Once）和Faster-RCNN网络模型的平均精度均值（mean Average Precision,mAP）分别提升了9.26个百分点、7.64个百分点和14.97个百分点。对小麦条锈病、黄矮病、健康小麦和其他黄化症状小麦识别的平均精度均值可达98.74%;对小麦条锈病和黄矮病轻、重症识别的平均精度均值可达91.06%。同时,模型损失函数值降低更快,整体性能表现更优。进一步开发小麦病害智能识别系统部署研究模型,使用微信小程序进行田间小麦病害的识别。在最大并发100的条件下,小程序平均返回时延为5.02 s,识别返回成功率为97.85%,对两种小麦病害及其细分轻重症识别的平均准确率为93.56%,能够有效满足实际应用需求,可用于指导病害的科学防控。     

基于改进YOLOv5s的苹果叶片小目标病害轻量化检测方法

为解决自然环境中苹果叶片病害检测场景复杂、小目标病害检测难度高以及模型参数大无法在移动端和嵌入式设备部署等问题,提出一种基于YOLOv5s的苹果叶片小目标病害轻量化检测方法。该方法将YOLOv5s的骨干网络更改为ShuffleNet v2轻量化网络,引入CBAM（convolutional block attention module）注意力模块使模型关注苹果叶片小目标病害,添加改进RFB-s（receptive field block-s）支路获取多尺度特征,提高苹果叶片病害检测精度,并更改边界框回归损失函数为SIoU（scylla-intersection over union）,增强病斑定位能力。试验表明改进后的YOLOv5s模型在IoU大于0.5时的平均精度均值（mean average precision,mAP_0.5）和每秒传输帧数（frame per second,FPS）分别达到90.6%和175帧/s,对小目标的平均检测准确率为38.2%,与基准模型YOLOv5s相比,其mAP_0.5提升了0.8个百分点,参数量减少了6.17 MB,计算量减少了13.8 G,对小目标的检测准确率提高了3个百分点。改进后的YOLOv5s目标检测模型与Faster R-CNN、SSD、YOLOv5m、YOLOv7、YOLOv8和YOLOv5s目标检测模型相比,具有最小的参数量和计算量,对小目标病害叶斑病和锈病的检测准确率分别提高了1.4、4.1、0.5、5.7、3.5、3.9和1.5、4.3、1.2、2.1、4、2.6个百分点,该方法为真实自然环境下苹果叶片病害尤其是小目标病害的轻量化检测提供参考依据。     

采用LWD-QPSO-SOMBP神经网络的拖拉机柴油机故障诊断

针对目前拖拉机柴油机故障诊断中单BP（Back Propagation）神经网络模型的局限性,该研究提出一种LWD-QPSO-SOMBP（Linear Weight Decrease-Quantum Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络的拖拉机柴油机故障诊断模型。首先,将SOM（Self Organizing Maps）神经网络和BP神经网络结合,重置网络结构并利用LWD-QPSO（Linear Weight Decrease-Quantum Particle Swarm Optimization）算法对网络的权值和阈值进行优化;然后,分析拖拉机柴油机的故障机理,确定反映故障发生的数据信号;最后,确定LWD-QPSO-SOMBP神经网络模型的结构参数,基于CAN（Controller Area Network）总线技术采集潍柴WP6型拖拉机柴油机传感器信号数据对LWD-QPSO-SOMBP神经网络的性能进行测试,并将测试结果与BP神经网络、SOMBP（Self Organizing Maps Back Propagation）神经网络、PSO-SOMBP（Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络、LWD-PSO-SOMBP（Linear Weight Decrease-Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络及改进量子粒子群（Improved Quantum Particle Swarm Optimization,IQPSO）算法优化后的SOMBP神经网络的测试结果进行对比。试验结果表明, LWD-QPSO-SOMBP神经网络输出总误差为0.111 8、平均相对误差为0.005 8、均方误差为0.000 3,相比于其他5种神经网络均为最低。LWD-QPSO-SOMBP神经网络充分发挥并有效综合了SOM神经网络在数据预处理及PSO算法在优化BP神经网络初始权值阈值方面的优势,实现了拖拉机柴油机的高精度故障诊断。LWD-QPSO-SOMBP神经网络由于使用SOM神经网络结构对输入数据进行预处理,网络收敛速度大幅度提升,相比单BP神经网络,迭代次数由2 431次降为63次,下降了97.40%;同时采取LWD-QPSO算法对BP神经网络的初始权值阈值进行优化,降低了传统PSO算法的粒子适应度,进一步提高了网络的收敛精度和收敛速度,相比传统PSO算法,粒子适应度从0.15降为0.11,下降了26.67%,网络训练误差由0.004降为0.000 6,下降了85.00%;LWD-QPSO-SOMBP神经网络的故障诊断准确率大幅度提升,相比于单BP神经网络,输出总准确率由85.00%上升至99.44%。研究结果可为高精度拖拉机柴油机故障诊断提供参考。     

基于HJ卫星的棉田土壤有机质空间分布格局反演

以北疆绿洲区棉田表层土壤为研究对象,利用国产HJ-1A/1B卫星CCD多光谱数据对裸土有机质空间分布格局进行研究。通过分析多光谱数据不同波段的光谱反射率及其变换形式与实地采样得到的土壤有机质含量的相关性,探寻适合绿洲区棉田表层土壤有机质含量快速反演的敏感波段及参数,并针对不同参数分别建立一元线性、二次、三次、对数、倒数、幂函数、生长型、S型回归模型,以及多元回归模型;对生成的模型进行综合对比分析,获取北疆绿洲区棉田表层土壤有机质含量的最佳反演模型,从而实现整个研究区土壤有机质空间格局的遥感反演。结果表明:HJ卫星多光谱数据4个波段的反射率均与土壤有机质含量存在显著的相关性,第3波段的倒数与土壤有机质含量相关性最为显著;且以第3波段光谱反射率作为因变量得到的三次线性回归模型对土壤有机质含量进行反演的效果最佳;通过空间布局反演得到研究区土壤有机质空间分布整体呈现南北两端有机质含量较高,中部有机质含量较低的格局。该研究表明虽然与黑土有机质含量具有差别,但是遥感技术仍能够作为绿洲区土壤有机质含量空间布局反演的方法,为遥感技术在土壤参数监测中更好的发挥作用提供理论支持,同时也为新疆棉田生产管理和农田可持续利用提供科学依据。     

Spectroscopy-Based Soil Organic Matter Estimation in Brown Forest Soil Areas of the Shandong Peninsula, China

Soil organic matter (SOM) is important for plant growth and production. Conventional analyses of SOM are expensive and time consuming. Hyperspectral remote sensing is an alternative approach for SOM estimation. In this study, the diffuse reflectance spectra of soil samples from Qixia City, the Shandong Peninsula, China, were measured with an ASD FieldSpec 3 portable object spectrometer (Analytical Spectral Devices Inc., Boulder, USA). Raw spectral reflectance data were transformed using four methods:nine points weighted moving average (NWMA), NWMA with first derivative (NWMA + FD), NWMA with standard normal variate (NWMA + SNV), and NWMA with min-max standardization (NWMA + MS). These data were analyzed and correlated with SOM content. The evaluation model was established using support vector machine regression (SVM) with sensitive wavelengths. The results showed that NWMA + FD was the best of the four pretreatment methods. The sensitive wavelengths based on NWMA + FD were 917, 991, 1 007, 1 996, and 2 267 nm. The SVM model established with the above-mentioned five sensitive wavelengths was significant (R²=0.875, root mean square error (RMSE)=0.107 g kg^-1 for calibration set; R²=0.853, RMSE=0.097 g kg^-1 for validation set). The results indicate that hyperspectral remote sensing can quickly and accurately predict SOM content in the brown forest soil areas of the Shandong Peninsula. This is a novel approach for rapid monitoring and accurate diagnosis of brown forest soil nutrients.     

黄河三角洲土壤有机质含量的高光谱反演

【目的】土壤有机质(SOM)具有改良土壤结构、 促进团粒结构形成、 增加土壤疏松性、 改善土壤通气性和透水性以及促进植物生长发育的作用。传统测定土壤有机质的方法,虽然精度高,但是实时性差。本文通过对土壤高光谱数据进行变换和分析,筛选出与土壤有机质含量相关性高的敏感波长,构建能够实时、 快速反演黄河三角洲土壤有机质含量的数学统计模型。【方法】60个土壤样品采于黄河三角州。利用ASD Fieldspec3光谱仪,在室内环境下对黄河三角洲不同有机质含量的风干土壤样本进行了光谱测量,利用化学方法测定了土壤的有机质含量。在对土壤样品高光谱反射率进行去包络线处理的基础上,与土壤有机质含量进行相关分析,筛选敏感波长;运用主成分回归分析、 多元线性回归分析、 二次多项式逐步回归分析和支持向量机回归分析方法,分别建立了有机质含量的反演模型。【结果】确定了估测土壤有机质含量的敏感波长,建立了能够快速反演黄河三角洲土壤有机质含量的数学统计模型。从土壤光谱反射率曲线可以看出在1400 nm、 1900 nm和2200 nm等波段附近有十分明显的水分吸收谷。经对比相关性可以看出,去包络线的数据处理方法明显提高了光谱反射率与土壤有机质之间的相关性。1278 nm、 1307 nm、 1314 nm、 1322 nm、 1328 nm、 1334 nm、 1343 nm 7个相关性较高的波长作为估测土壤有机质含量的敏感波长。基于主成分回归分析、 多元线性回归分析、 二次多项式逐步回归分析和支持向量机回归分析方法,分别构建了反演有机质含量的模型。其中,二次多项式逐步回归模型校正集的决定系数达到了0.865,验证集的决定系数最大,达到了0.837,为黄河三角洲土壤有机质含量的最佳反演模型。【结论】去包络线的数据处理方法可提高光谱反射率与土壤有机质之间的相关性,确定的1278 nm、 1307 nm、 1314 nm、 1322 nm、 1328 nm、 1334 nm、 1343 nm 7个波长是估测黄河三角洲土壤有机质含量的敏感波长。由于二次多项式逐步回归模型校证集的决定系数最高、 均方根误差最小,其拟合效果最好。因此二次多项式逐步回归模型对反演黄河三角洲土壤有机质含量是最佳的。     

基于主成分回归分析的土壤有机质高光谱预测与模型验证

在室内条件下,利用ASD2500高光谱仪测定了风干土壤样品的光谱。通过相关分析对土壤有机质（SOM）光谱敏感波段进行了初步筛选;利用逐步回归分析和主成分回归(PCR)分析等统计方法进行了显著性变量筛选、共线性诊断、数据转换等处理;最终建立了东北黑土SOM回归预测模型。模型所选的波段为均位于近红外波段。经验证,模型预测值与实测值的决定系数R2=0.840,总均方根差RSME=0.226。     

引入时相信息的耕地土壤有机质遥感反演模型

土壤有机质(soil organic matter,SOM)是土壤质量评价的重要指标。监测SOM含量及其空间分布对土壤利用与保护、土壤有机碳库估算等具有重要意义。该文以松嫩平原典型区为研究区,采集4种主要土壤类型样本共147个,获取裸土期多时相MODIS地表反射率8 d合成产品,以单期、多期影像所构建光谱指数作为输入量,构建包含含水量变化与有机质含量信息的多光谱指数,建立SOM线性回归遥感反演模型,揭示SOM空间分布规律。结果表明:由于土壤含水量空间差异随时间变化,基于单期影像构建的模型主要输入量发生规律性改变,其中年积日137 d裸土条件最好,反演模型最优;比值光谱指数R61与SOM显著相关,而和含水量相关性极小,适于作为反演模型输入量;基于多期影像构建的模型引入时相信息后,精度与稳定性较单期影像模型显著提高,其中基于年积日137、105 d两期影像光谱指数所建立的多元线性模型最优;松嫩平原SOM呈现由东北向西南递减趋势。     

利用光谱技术监测土壤主要养分含量潜力分析

土壤有机质、氮、磷、钾等养分信息是土壤肥力高低的主要体现者,传统的化学测定方法繁琐、费时费力,并且结果滞后不能满足生产管理的需要。光谱技术的发展为方便、快速、无污染地监测土壤中的主要养分含量提供了有力工具。本文首先介绍了土壤光谱特征及主要影响因子,然后分别针对土壤有机质、氮、磷和钾的光谱的研究现状进行了综述和分析,并提出了目前土壤养分定量光谱预测面临的主要问题,最后对基于光谱技术的土壤养分定量化预测的潜力和应用前景进行了分析并提出了今后的研究方向。     

Quantifying management-driven changes in organic matter turnover in an agricultural soil: An inverse modeling approach using historical data and a surrogate CENTURY-type model

In order to facilitate inverse modeling of time-series data and/or parameter estimation for process-based models of soil organic carbon (SOC) dynamics, we developed and applied a new surrogate CENTURY SOC model (SCSOC). While SCSOC has mass balance and decomposition kinetics equations for residue and soil organic matter (SOM) pools identical to those of CENTURY, it differs by being: (1) decoupled from models of plant growth, nutrient cycling, and hydrologic processes; (2) capable of employing daily, monthly, or annual timesteps; (3) solvable using widely available non-linear regression software. Here, we describe SCSOC and demonstrate that its numerical solution to the CENTURY SOC equations is highly accurate for both daily and monthly timesteps, provided the monthly physical forcing function inputs are appropriately derived from daily-resolution hydrologic model results.As an example of the proper application of the tool to obtain site-specific parameters and to investigate hypotheses using historical data, we analyzed SOC data from a single subplot of the Morrow Plots (Urbana, Illinois, U.S.A.) that has been cropped continuously in corn since 1876 using management practices that were common for east-central Illinois. The impact of different approaches typically used during calibration were examined by objectively estimating a variety of parameter sets that both govern SOM decomposition kinetics and define the initial mass and fractionation of the SOM. The results suggest that mean SOM turnover times were circa 5-fold longer during the period 1876-1954 relative to 1955-1995, when modern management practices were employed, and significantly different from default CENTURY predictions during both.Modified versions of SCSOC were also constructed in order to (1) show that uncertainty about historical soil erosion does not confound this interpretation of the data and (2) explore alternative assumptions about the structure of the model. One such alternate model showed that unexpectedly rapid decomposition of the corn-derived SOM combined with depletion of slowly-decomposing prairie-derived SOM could explain the post-1955 acceleration in decomposition.     

黄淮海平原集约种植条件下土壤有机质动态模拟

A modified CQESTR model, a simple yet useful model frequently used for estimating carbon sequestration in agricultural soils, was developed and applied to evaluate the effects of intensive cropping on soil organic matter （SOM） dynamics and mineralization as well as to estimate carbon dioxide emission from agricultural soils at seven sites on the Huang-Huai-Hai Plain of China. The model was modified using site-specific parameters from short- and mid-term buried organic material experiments at four stages of biomass decomposition. The predicted SOM results were validated using independent data from seven long-term （10- to 20-year） soil fertility experiments in this region. Regression analysis on 1 151 pairs of predicted and measured SOM data had an r2 of 0.91 （P≤0.01）. Therefore, the modified model was able to predict the mineralization of crop residues, organic amendments, and native SOM. Linear regression also showed that SOM mineralization rate （MR） in the plow layer increased by 0.22% when annual crop yield increased by 1 t ha^-1 （P ≤ 0.01）, suggesting an improvement in SOM quality. Apparently, not only did the annual soil respiration efftux merely reflect the intensity of soil organism and plant metabolism, but also the SOM MR in the plow layer. These results suggested that the modified model was simple yet valuable in predicting SOM trends at a single agricultural field and could be a powerful tool for estimating C-storage potential and reconstructing C storage on the Huang-Huai-Hai Plain of China.     

基于多光谱遥感图像的青海湖流域土壤有机质估算初探

土壤有机质是土壤固相部分的重要组成成分,也是陆地表层重要的碳库,其含量的快速、准确测定关乎农牧业生产活动安排与地表过程研究中关键参数的获取效率。为了探寻适合青藏高原高寒地区土壤有机质遥感反演的响应波段及遥感模型,实现区域像元尺度上的土壤表层有机质估算,本文利用Landsat8-OLI多光谱遥感数据与实地采样数据对青海湖流域表层(0～20 cm)土壤进行了有机质含量反演研究。结果表明:Landsat8-OLI影像的第5、6和7波段是青海湖流域土壤有机质含量的特征波段,基于这3个波段构建的土壤有机质遥感反演三元回归模型(R~2=0.704,P0.001),经实测点验证(RMSE=8.66)与相关文献研究结果验证(RMSE=8.85),精度高、稳定性强、预测趋势平稳。本研究不仅为高寒地区土壤有机质含量快速测定提供了一定的技术支持,也为高寒地区的碳库计算、土壤肥力评价、土壤碳循环、农作物估产、草地退化监测等提供了参考。