春大豆叶面积指数与产量的空间变异性及相关分析

对春大豆叶面积指数(LAI)和产量的空间变异性及相关性进行分析,以便进一步指导春大豆的精细种植.为此,以晋大74号大豆为研究对象,用DGPS定位系统按7m×7m网格共布54个点,利用SunScan冠层分析系统采集此大豆开花结荚期的LAI,用估测法测定产量;运用地统计学原理对LAI和产量的空间变异性进行分析并建立它们的半方差函数模型,并进一步分析了两者之间的相关关系.结果表明,所测LAI和产量均具有中等变异性,变异函数模型均为球状模型,且均具有中等空间自相关性;产量与LAI呈抛物线关系,正相关性达显著水平,说明大豆高产群体存在适宜的叶面积指数范围,可以通过对叶面积指数的科学调控,使一定尺度范围内的春大豆产量获得全面提高.     

基于SPOT遥感数据的甘蔗叶面积指数反演和产量估算

利用SPOT遥感数据进行甘蔗叶面积指数LAI反演,建立最佳NDVI-LAI反演模型,同时结合不同生育期甘蔗叶面积指数的时序变化规律,建立各生育期甘蔗叶面积指数LAI与产量的相关关系,得到甘蔗叶面积指数LAI 产量最佳估产模型.在验证甘蔗叶面积指数LAI的基础上,利用遥感反演的甘蔗叶面积指数LAI进行甘蔗单产估算.结果表明:甘蔗叶面积指数LAI与NDVI之间存在显著的正相关关系,全生育期二者的相关性最高,以二次函数模型拟合效果最佳,决定系数R2为0.8429.将遥感数据反演得到的平均叶面积指数LAI数据代入甘蔗叶面积LAI-产量模型得到全县平均单产,与统计数据相比,相对误差仅为2.6％.说明该模型具有较好的估产效果,可以为甘蔗区域估产提供重要参考.     

县域尺度玉米产量信息空间变异性研究

采用传统统计学和地统计学相结合的方法,研究县级尺度作物产量信息的空间变异特征及其空间相关性.在确定合理采样数的基础上,利用传统统计学方法研究样本的统计特征,获得传统方法估计的总体产量信息分布概况,利用地统计学理论分析其空间变异性特征和克里格插值对作物产量的空间格局进行分析.传统统计学分析表明,玉米产量及其构成因子的空间变异系数均在10％ ～ 100％之间,属于中等变异性,而利用地统计学方法进行最佳半方差函数拟合发现,县域尺度上的玉米产量信息表现为强烈的空间相关性,说明产量的空间变异性主要是由其结构性因素决定的,随机性因素对该尺度下的变量空间变异性影响较小,且相关范围较大,在3 400 m左右.     

氮素对膜下滴灌棉花叶面积指数的影响

选用北疆2个棉花主栽品种(石杂-2、新陆早-43),通过4个氮(N)素水平的小区试验数据,对全生育期叶面积指数(LAI)和辐热积(TEP)动态变化进行定量分析,并通过归一化处理,利用Curve Expert对其相对叶面积指数(RLAI)和相对辐热积(RTEP)进行动态模拟,得到7个模拟效果较好的模型,其中有理函数模型能够较准确地对棉花LAI的动态变化进行描述,决定系数为0.895。利用5个N素水平的田间试验和3个不同生态点独立的高产田试验对模型进行检验,其置信度为0.169、0.077、0.171,决定系数为0.948、0.964、0.971,一致性系数为0.987、0.991、0.989,相对误差为6.493%、4.371%、7.540%,均方根误差为0.188、0.143、0.227 m2/m2;说明基于RTEP的RLAI动态模型能够准确地反映棉花群体动态变化。不同N素处理下棉花群体LAI特征参数施氮效应的研究结果表明,N施用量对棉花LAI动态具有调控作用,尤其是平均叶面积指数、最大叶面积指数及其二者的比值等重要特征参数对N素反应较为敏感,可作为改善棉花群体叶片光合特性和提高产量的重要指标。     

基于机载LiDAR数据的农作物叶面积指数估算方法研究

叶面积指数(LAI)是农作物长势监测及估产的重要参数,激光雷达能够提供精确的农作物冠层结构信息,可弥补光学遥感在提取冠层结构信息方面的不足。因此,本文旨在挖掘激光雷达所能提取的农作物垂直结构信息,并研究冠层结构参数与农作物叶面积指数之间的关系,从而估算整个研究区的叶面积指数。首先,基于机载激光雷达数据提取平均高度(Hmean)、最大高度(H_(max))、最小高度(H_(min))、高度百分位数(H_(25th)、H_(50th)、H_(75th)、H_(90th))、激光穿透力指数(LPI)、回波点云密度、孔隙率(fgap)、叶倾角(MTA)等结构参数;然后,利用Pearson相关性分析法对以上参数与地面实测LAI进行相关性分析,并选择与LAI相关性高的参数;最后,对选择的敏感性参数进行回归分析,构建激光雷达参数与实测LAI的LiDAR-LAI估算模型,估算整个研究区的农作物冠层LAI。精度评价结果表明:预测LAI与实测LAI之间的相关系数为0.79,均方根误差为0.47,说明激光雷达所提取的农作物冠层结构参数可用于估算空间上连续、大面积的农作物LAI。     

基于环境星CCD图像的甘蔗叶面积指数反演方法

及时准确获取甘蔗叶面积指数对于甘蔗长势监测和产量预测具有重要意义。尝试通过构建组合核函数,利用支持向量回归方法建立甘蔗LAI估算模型,并利用新型国产卫星数据环境星CCD图像和准同步的地面观测数据,分别采用指数关系模型、对数关系模型、支持向量回归模型3种方法,以广西甘蔗主产县为例,开展了环境星遥感图像在甘蔗叶面积指数反演试验。结果表明,3种方法都可以对甘蔗LAI进行有效预测,且能获得较好的预测效果,验证了环境星CCD图像在甘蔗LAI反演中的实用性,其中支持向量回归模型反演精度最高：5月份决定性系数R2分别比     

基于MODIS数据的土壤水分空间变异规律

以沧州地区为例,利用MODIS数据计算得到植被供水指数,分析构建植被供水指数与实测土壤含水率之间的相关模型,进而反演得到整个沧州地区的墒情状况,以此为基础运用经典统计学和地统计学理论,研究3种尺度下土壤含水率的空间变异性,确定各尺度下土壤水分监测点的合理采样数目。结果表明,小尺度下(采样间距250m)土壤水分具有较强的空间相关性,而大尺度(采样间距4 000m)和中尺度(采样间距1 000m)的土壤水分均呈中等的空间相关性;随着研究尺度的增大,土壤含水率的空间相关性减弱,由随机因素引起的空间变异性逐渐增强;根据空间变异规律,分别得到置信度为0.10、0.05情况下不同尺度的土壤水分监测点的合理采样数目,并发现采用数目随研究尺度的增大而增加。     

基于无人机多光谱遥感的马尾松林叶面积指数估测

快速、准确、无损估测马尾松林叶面积指数对精准林业管理具有重要意义。以小型低空无人机为平台,搭载RedEdge多光谱传感器,获取福建省西部马尾松林多光谱影像,运用重采样的方式获取并计算不同空间分辨率（0.08、0.1、0.2、0.5、1、2、5m）下的植被指数,结合地面实测LAI数据,分析其与植被指数的相关性,进而采用线性模型（LR）、多元逐步回归模型（MSR）、随机森林模型（RF）、支持向量机模型（SVM）和人工神经网络模型（BP）构建不同空间分辨率下的马尾松林LAI估测模型,以决定系数（R2）、均方根误差（RMSE）、相对分析误差（RPD）和总体精度（TA）来评价估测模型精度,从而确定最佳空间分辨率和最佳模型。结果表明,不同空间分辨率下LAI与植被指数均呈极显著相关（p<0.01）;多变量模型（MSR、RF、SVM、BP）的调整R2平均值高于LR模型;随着空间分辨率的增加,不同模型的R2整体上呈先增大后减小的趋势;当空间分辨率为0.5m时,利用植被指数建立的RF模型为马尾松林LAI的最佳估测模型,RF模型的调整R2为0.766,模型估测的R2、RMSE、RPD和TA分别为0.554、0.421、1.523和81.95%。本研究可为无人机多光谱遥感反演森林LAI表型参数的空间分辨率和模型选择提供理论参考。     

不同覆膜处理下春玉米叶面积指数高光谱估算

为实现快速、无损、实时监测不同覆膜处理下春玉米的叶面积指数（Leaf area index,LAI）,研究覆膜因子对LAI及冠层反射率的影响,借助高光谱遥感技术获取了各生育期春玉米的冠层反射率,在对光谱数据进行预处理后,经相关性分析提取各覆膜处理LAI的敏感单波段、敏感植被指数和特征指数,据此构建了全生育期各覆膜处理下LAI的高光谱估算模型。结果表明,覆膜对LAI的影响主要在抽雄期之前,相同施肥水平下覆膜与无覆膜处理之间LAI的差异随生育期的推进呈先减小、后增大的趋势,其中苗期差异最大,覆膜比无覆膜处理LAI增加78%以上;各覆膜处理冠层反射率之间的差异由大到小为生育中期、生育末期、生育初期,覆膜主要影响玉米对绿光和红光的吸收。基于3个指标构建各覆膜处理下LAI的估算模型,以特征指数为因变量建立的模型对LAI的反演结果精度较高,其拟合和验证决定系数R2均在0.8以上,均方根误差RMSE为0.45~0.65cm2/cm2,剩余预测偏差RPD均大于2,由于覆膜的影响,无覆膜处理LAI反演精度高于覆膜处理。以特征指数NI(722,731)为自变量建立的所有处理的混合LAI估算模型表现了反演的优越性,能降低覆膜对LAI反演的影响。     

夏玉米叶面积指数遥感反演研究

利用LAI-2000的观测数据与基于HJ卫星遥感数据生成的植被指数,结合3种常用的回归模型,构造了夏玉米分别按全生育期、不同生育阶段和阈值分段的叶面积指数(Leaf area index,LAI)反演模型;获取了3种模式下LAI的最优反演模型;在验证和评价各模型可靠性之后,生成了夏玉米在营养生长期、抽雄期和生殖生长期的LAI分布图;并将基于HJ影像反演得到的LAIHJ与MODIS LAI产品(MOD15A2)LAIM进行了对比。研究发现,与各种通用植被指数相比,针对HJ CCD数据构造的环境植被指数HJVI与LAI的相关性在3种反演模式中均为最佳。HJVI与全生育期LAI的相关性达到0.875,在不同生育阶段与LAI的相关性也高于其他植被指数(营养生长期线性模型最佳,决定系数为0.769;抽雄期对数模型最佳,决定系数为0.783;生殖生长期指数模型最佳,决定系数为0.703)。普适性植被指数中,OSAVI适用于夏玉米生长前中期的LAI反演,NDVI适用于夏玉米生长后期的LAI反演。在夏玉米全生育期内,各植被指数与LAI的相关性整体较高,但最优回归模型出现在按不同生育阶段反演的模式中。LAI小于3时EVI为精度最佳指数(决定系数为0.358),LAI不小于3时OSAVI为精度最佳指数(决定系数为0.515)。在夏玉米3个生育阶段,LAIM与LAIHJ的相关性分别达到0.732、0.761、0.661。HJ遥感数据具有较强的LAI反演能力,其高时间和高空间分辨率的特征可以使其代替传统的中分辨率遥感数据而成为农业遥感研究的重要数据源。     

农田春小麦叶面积指数和覆盖度时空变异性研究

准确获取春小麦叶面积指数和覆盖度的时空变异特征,对春小麦生长参数时空分析至关重要,也是利用遥感准确反演春小麦叶面积指数和覆盖度必须解决的问题,对于尺度转换研究具有十分重要的意义。综合运用传统统计分析方法、地质统计分析方法及时间稳定分析方法,研究了春小麦叶面积指数和覆盖度在不同生育阶段的时空变异特征,并探讨了二者的关系,建立了综合考虑时空特征的春小麦叶面积指数增长模型。研究结果表明:在研究条件下,春小麦覆盖度和叶面积指数随时间的变化趋势相似,但二者变异系数(CV)的变化趋势明显不同,随着春小麦的不断生长,覆盖度CV不断减小,而叶面积指数CV则是先增加后减小;春小麦叶面积指数和覆盖度都具有空间结构,其中在播种-分蘖阶段(头水灌溉前)的空间相关距离最大(50~60 m),头水灌溉后,春小麦叶面积指数和覆盖度的空间相关距都减小,其中叶面积指数相对比较稳定(约20 m);春小麦叶面积指数和覆盖度均具有时间稳定特征,播种-分蘖阶段处于头水灌溉前,这个阶段的春小麦覆盖度对其在整个生育期的稳定性有显著影响,相比之下,这个阶段的叶面积指数对其在整个生育期的稳定性影响不明显;春小麦叶面积指数除了与生育期有密切的时间相关关系外,还在一定范围内与覆盖度有显著的空间相关关系,为此从时空变异角度,建立了一个以生育期和覆盖度为预报因子的叶面积指数增长模型,经检验,拟合模型方程在置信度0.01水平上表现显著。叶面积指数增长模型将不同时间的叶面积结合了空间上的变异特征,较之前的仅基于生育期的Logistic模型适应性更广。     

基于无人机数码影像的大豆育种材料叶面积指数估测

利用低成本的无人机(Unmanned aerial vehicle,UAV)高清数码影像获取系统,于2016年7—9月在山东省济宁市嘉祥县圣丰大豆育种基地,获取大豆育种材料试验区的R1-R2、R3、R5-R6共3个关键生育期的高清数码影像,首先利用高清数码影像中的黑白定标布,对数码影像的DN(Digital number,DN)值进行归一化标定,并构建标定的18个数码影像变量,然后基于900个育种小区的叶面积指数实测数据构建大豆育种材料叶面积指数的一元线性回归、逐步回归、全子集回归、偏最小二乘回归、支持向量机回归和随机森林回归模型,最后基于模型建立和验证的决定系数(R~2)、均方根误差(RMSE)和归一化的均方根误差(nRMSE)3个指标,筛选估测叶面积指数的最佳模型。研究表明,全子集回归模型中采用4个数码影像变量B、RGBVI、GLA和B/(R+G+B)的多元线性回归模型对大豆育种材料叶面积指数的解析精度最优,模型建立的R~2、RMSE和nRMSE分别为0.69、0.99和17.90%,验证模型的R~2、RMSE和nRMSE分别为0.68、1.00和18.10%。结果表明,以无人机为遥感平台,搭载低成本的高清数码相机,利用高清数码影像进行大豆育种材料LAI估测是可行的,可以快速、有效、无损地获取大豆育种材料的长势信息,为筛选高产大豆品种提供一种低成本的可行方法。     

基于分数阶微分和最优光谱指数的大豆叶面积指数估算

高光谱遥感技术可对作物生长状况进行无损、高效地监测，是推动现代精准农业发展的必要手段。以不同施氮水平与覆膜处理下的开花期大豆叶面积指数(Leaf area index, LAI)为研究对象，对原始开花期大豆高光谱反射率数据进行0～2阶微分变换处理(步长0.5),并筛选出各阶光谱指数中与开花期大豆LAI相关性最高的指数作为最优光谱指数进行输入，采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)、遗传算法优化的BP神经网络(BP neural network optimized by genetic algorithm, GA-BP)3种机器学习方法构建大豆LAI预测模型。结果表明：0～2阶光谱指数与大豆LAI相关系数平均值分别为0.616、0.657、0.666、0.669、0.658,相比于原始与整数阶高光谱反射率，分数阶微分变换处理后的高光谱反射率构建的光谱指数与开花期大豆LAI具有更强的相关性；相关系数平均值最高的1.5阶微分处理最优光谱指数波长组合分别为：TVI(687 nm, 754 nm)、DI(687 n...     

西北干旱区农田春小麦蒸散量的空间插值方法

综合运用传统统计分析方法和地质统计分析方法,研究了西北旱区春小麦蒸散量在不同生育阶段的时空变异特征,并分析了试验区表层土壤储水量和叶面积指数对春小麦蒸散量的影响关系,通过分析比较,筛选表层土壤储水量为协同因子,并将其应用到试验区春小麦蒸散量的空间插值研究中。研究结果表明:在所研究的条件下,即使外观较为均匀、面积相对较小的农田,春小麦蒸散量仍具有较高的空间变异(变异系数范围0.328~0.495);当降雨入渗深度小于20 cm时,表层土壤储水量(0~20 cm)是影响研究区春小麦蒸散量变异的主要因子,春小麦不同生育期累积蒸散量与表层土壤储水量变化的相关系数在0.8~0.9之间,远大于春小麦累积蒸散量与叶面积指数的相关系数;基于表层土壤储水量的蒸散量协同克里金空间插值分析与地面实测结果相比,仅42个蒸散量地面采样数据即可保证研究区春小麦蒸散量估计精度高于90%。     

基于无人机多光谱遥感的大豆生长参数和产量估算

为适应现代农业发展对作物生长动态、连续、快速监测的要求，本文基于无人机多光谱遥感技术，以西北地区大豆作为研究对象，分别筛选出与大豆叶面积指数(Leaf area index, LAI)、地上部生物量和产量相关性较好的5个植被指数，采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)和反向神经网络(Back propagation neural network, BPNN)分别构建了大豆LAI、地上部生物量和产量的估计模型，并对模型进行了验证。结果表明，基于RF模型构建的大豆LAI和地上部生物量预测模型的精度显著高于SVM与BP模型，LAI估计模型验证集的R²为0.801,RMSE为0.675 m²/m²,MRE为18.684%;地上部生物量估算模型验证集的R²为0.745,RMSE为1 548.140 kg/hm²,MRE为18.770。而在产量的估算模型构建中，在大豆开花期(R4)基于RF模型构建的大豆产量预...     

补灌量和覆盖量耦合变化下旱地春小麦叶面积指数对产量的影响

[目的]免耕覆盖中补灌量和秸秆覆盖量耦合变化下春小麦叶面积指数对产量有较大影响。[方法]本研究以甘肃省定西市安定区1979—2019年历史气象数据为基础，运用APSIM模型对补灌量与覆盖量耦合变化时旱地春小麦的叶面积指数和产量及其构成因素进行模拟，并采用DPS软件进行分析实验，研究补灌量和覆盖量耦合下旱地春小麦叶面积指数对产量的影响机制。[结果]结果表明：在试验设计范围内, 不同春小麦叶面积指数对春小麦千粒质量的影响效应在开花-灌浆期为向上的二次抛物线变化。其他时期，不同春小麦叶面积指数对春小麦产量和千粒质量的影响效应为向下的二次抛物线变化, 不同春小麦叶面积指数对春小麦籽粒数的影响效应为向上的二次抛物线变化。试验变化范围内，各个时期春小麦千粒质量均未出现阈值，分蘖—拔节期，春小麦产量未出现阈值，春小麦籽粒数出现阈值，春小麦叶面积指数为1.72时春小麦籽粒数出现最小值为8716.59/m2 。其他时期，春小麦产量和籽粒数出现阈值，在春小麦叶面积指数为0.94，2.31，1.67，1.18，1.24，0.79时春小麦产量出现最大值为3818.71kg/hm2，3827.06kg/hm2，3851.41kg/hm2，3904.35kg/hm2，3819.03kg/hm2，3853.72kg/hm2。春小麦叶面积指数为0.77，2.01，1.44，1.07，1.00，0.70时春小麦籽粒数出现最小值为9579.34/m2，8745.26/m2，9638.01/m2，9050.71/m2，8554.04/m2，9038.38/m2。春小麦叶面积指数对产量和千粒质量呈正效应，对籽粒数呈负效应。[结论]合理调节春小麦叶面积指数，可以促进透光性速率的提高、光合产物的产生，对春小麦产量的提高具有积极的意义。     

黑龙江省典型县耕地种植结构空间分异特征与影响因素

为阐明微观地理尺度下耕地种植结构空间分异及其影响因素,以黑龙江省典型产粮大县为研究区,以1km2地理网格为研究单元,运用分区统计法、空间自相关分析法及地理探测器法分析水稻、玉米和大豆3种主要作物种植结构的空间分异特征,揭示区域耕地种植结构空间分异的影响机理。结果表明：研究区耕地种植结构以单一大豆型、单一玉米型和玉米-大豆型为主要类型,以单一水稻型和大豆-玉米-水稻型为次要类型;不同作物种植结构的空间集聚性特征存在一定差异,水稻以HH型为主,玉米和大豆以HH型和LL型为主;地形条件是水稻种植结构空间分异的主导因素,玉米和大豆种植结构空间分异主要受气候条件和土壤条件影响,自然条件是耕地种植结构空间分异的关键性影响要素;研究区耕地种植结构空间分异是多因子交互作用的结果,双因子交互作用的影响均比单一因子影响程度大,市场区位和交通区位与其他因子的交互作用对玉米种植结构空间分异的影响最大,灌溉潜力与其他因子交互作用对水稻种植结构空间分异的影响最大,但因子交互作用对大豆种植结构空间分异影响程度的提升不明显。本研究有利于理解不同粮食作物种植结构空间分异的形成机理,可为耕地种植结构优化调整提供科学依据。     

花青素对大豆蛋白质二级结构影响的多重光谱分析

以大豆分离蛋白-花青素复合体系为研究对象,综合利用多重光谱技术对其进行分析。利用荧光光谱探究大豆分离蛋白和花青素间的相互作用方式,采用同步荧光光谱和紫外-可见光谱探究花青素对大豆分离蛋白氨基酸残基微环境的影响,从而得出花青素对大豆分离蛋白构象的影响,再采用傅里叶变换红外光谱法和圆二色谱法研究花青素对大豆分离蛋白二级结构的影响。结果表明:花青素对大豆分离蛋白有较强的荧光猝灭作用且为静态猝灭,其中,花青素与大豆分离蛋白在298、306、314 K时相互作用的表观结合常数分别为3.343×104、4.507×104、5.525×104L/mol,对应的结合位点数分别为0.917 8、0.954 6、0.938 1。热力学数据分析结果表明:花青素与大豆分离蛋白反应的作用力主要是疏水相互作用;同步荧光光谱和紫外-可见光谱结果表明花青素改变了芳香氨基酸残基在空间结构中所处的微环境,使大豆分离蛋白的分子构象发生改变,且同步荧光光谱显示花青素与大豆分离蛋白中色氨酸残基发生相互作用,使其周围的疏水作用减少。傅里叶变换红外光谱和圆二色谱结果表明花青素引起大豆分离蛋白的二级结构发生改变。     

基于“星陆双基”的冬小麦叶面积指数反演研究

为建立准确、方便的叶面积指数监测方法,运用MODIS数据光学模型反演和星陆双基协同反演法分别对2015和2016年3月中旬鹤壁市冬小麦叶面积指数反演分析。结果表明,2种LAI反演方法均能较好地反映全市冬小麦长势差异性的空间分布特征;MODIS光学模型反演法稳定性较好,但其反演值明显偏低;星陆双基协同反演法估算值与观测值吻合性较好,反演精度优于MODIS反演法。