矿山恢复治理区植被物候与健康状况遥感监测

矿山恢复治理区植被物候与植被健康状况可以定量评价恢复治理工程实施效果,以往矿山恢复治理遥感监测多侧重于监测植被覆盖变化,忽略了对恢复治理区域植被物候特征和健康状况的评估。该研究使用时间序列哨兵2号影像,基于Savitzky-Golay滤波、动态阈值、曲率曲线等方法,以黑龙江省七台河市一玄武岩采石场及周边区域为例,分别提取了恢复治理区和正常耕作区玉米出苗期、拔节期、抽雄期、成熟期、物候期间隔长度等遥感物候指标,研究恢复治理区和正常耕作区玉米生长状态的差异。同时,提取并对比恢复治理区和正常耕作区植被红边位置指数(REIP)、归一化植被指数(NDVI)、绿色归一化植被指数(GNDVI)、陆地叶绿素指数(MTCI)、特征色素简单比值指数(PSSRA)、倒红边叶绿素指数(IRECI)、改进的叶绿素吸收指数(MCARI)和植被覆盖度(FVC)等遥感指标值,评估各遥感指标区分恢复治理区作物的能力和诊断矿山恢复治理区作物健康程度的可行性和敏感性。结果表明:1)相较正常耕作区,恢复治理区玉米关键物候期推迟,出苗期、拔节期、成熟期分别推迟了5～12、9～12和21～22 d,恢复治理区作物生长状态的差异随着作物生长阶段的推移逐步显现;2)恢复治理区和正常耕作区REIP、NDVI、GNDVI、PSSRA、IRECI和FVC等遥感指数值有明显差异,其中GNDVI指数反映恢复治理区作物的整体光谱特征更稳定,PSSRA指数对于区分恢复治理区和正常耕作区作物光谱特征差异最敏感,这种差异受两区域玉米作物叶绿素含量、叶面积指数和叶片含水量等生理信息差异的综合影响。该研究可为矿山恢复治理效果快速评估提供一种技术思路。     

东北地区主要作物种植结构遥感提取及长势监测

以中国东北地区为研究区域,探讨基于遥感影像全覆盖的大尺度作物种植结构自动提取及长势遥感监测的技术方法。通过分析东北地区春玉米、春小麦、一季稻及大豆等主要作物时序光谱特征,确定不同作物种植结构遥感提取的阈值,建立基于MODIS NDVI数据的上述4种作物种植结构提取模型,获取2009年东北地区主要作物空间种植结构格局特征。其次,基于MODISNDVI数据,利用差值模型,通过与近5 a作物长势的平均状况进行对比,分析研究东北地区2009年4种作物的长势状况。结果显示,与多年平均统计数据比较,基于遥感提取的作物种植结构信息,总体精度达到了87%以上;不同作物长势在其整个生育期内在时间和空间分布上都有较大差异。研究表明,通过MODIS数据提取不同作物种植结构及进行大尺度作物长势监测的技术和方法是可行的,研究为中国农业遥感监测系统大尺度业务化运行的作物种植结构提取提供了有效方法。     

基于多时相GF-6遥感影像的水稻种植面积提取

为获取高精度水稻种植面积提取方法和分析红边信息在作物识别能力上的优越性,该研究选取辽宁省盘锦市为研究区域,利用2020年水稻关键物候期的多时相高分6号宽幅相机（GF-6 WFV）遥感影像,构建归一化植被指数（Normalized Difference Vegetation Index,NDVI）、归一化水体指数（Normalized Difference Water Index,NDWI）、比值植被指数（Ratio Vegetation Index,RVI）和归一化差异红边1指数（Normalized Difference Red-Edge 1 Index,NDRE1）,根据各地物类型进行时序分析,在获得水稻面积粗提取结果的基础上对其他地类进行掩膜,准确提取水稻种植面积。对2020年盘锦市水稻提取结果进行精度分析,结果表明,基于实测数据进行精度验证的总体精度为94.44%,基于目视解译数据进行精度验证的总体精度和Kappa系数分别为95.60%和0.91。根据目视解译数据对有无红边波段参与的水稻提取结果进行对比分析可知,红边波段的引入使总体分类精度、水稻制图精度和Kappa系数分别提高了3.20个百分点、6.00个百分点和0.06。该研究证明红边波段可以有效降低作物的错分、漏分情况,对水稻精准估产和丰富农作物遥感监测方法具有重要作用,显示出国产红边卫星数据在作物分类、面积提取方面具有巨大应用潜力。     

基于GEE和机器学习的河套灌区复杂种植结构识别

河套灌区作为中国重要的商品粮油生产基地,准确快速地获取主要作物空间分布对灌区的农业可持续发展具有重要意义。然而,河套灌区土壤盐渍化严重,作物分布破碎散乱,生育期前后紧邻的作物在遥感影像中难以区分。因此,基于Google Earth Engine（GEE）云计算平台,采用Sentinel-2遥感数据提取作物种植结构,通过引入GlobeLand30地物分类数据集、红边植被特征和作物纹理特征,利用随机森林、支持向量机、朴素贝叶斯和分类回归树4种分类器,探讨了不同分类特征及分类器组合对分类精度的影响。结果表明,使用全部特征波段时,随机森林的分类效果优于另外3种分类算法,灌区平均总体精度达到81%,Kappa系数达到0.68;在作物空间分布提取中,光谱特征对分类精度起决定性作用,基于红边波段计算得到的植被指数比其他常用遥感植被指数更有优势;进行波段优选后的光谱、植被和纹理特征方案是平均分类精度最高的组合,平均精度为86%。研究结果可为复杂种植结构地区准确快速获取农作物空间分布信息提供新的思路和可靠的参考方法。     

基于改进多元纹理信息模型和GF-1影像的县域冬小麦面积提取

作物面积监测具有较强的时效性,应用不断发展的遥感技术能够及时可靠地监测主要作物的种植面积。该文围绕国产高分一号卫星(GF-1)农业应用关键技术,研究县域尺度农作物种植面积快速准确提取的方法。在考虑多光谱遥感影像空间相关性的基础上,利用矩阵分解和距离空间转换等数学工具设计一种改进多元纹理信息(modified multivariate texture,MMT)提取模型,实现基于GF-1遥感影像的改进多元纹理信息提取、纹理与光谱信息融合以及基于融合影像分类的县域尺度冬小麦识别和面积提取。选用冬小麦出苗和越冬2期GF-1宽视场影像,结合地面实测数据和最佳识别时相遥感参考数据,对比分析基于光谱信息、单变量纹理与光谱融合信息、改进多元纹理与光谱融合信息的3种冬小麦识别和面积量算结果,实现对改进多元纹理信息效果以及小区域和较大区域上冬小麦面积提取的精度验证。试验结果表明:1)与基于其他2种传统分类特征信息的结果相比,改进多元纹理信息的加入能够显著提高冬小麦识别精度(出苗期提高4.12%和2.36%,越冬期提高2.59%和0.94%);2)在不考虑影像质量、生育期和地面样方测量精度等客观因素的影响下,基于该文方法的小区域内冬小麦面积提取精度普遍优于90%;3)在冬小麦长势稳定的时相(越冬期),基于该文方法的较大区域冬小麦面积量算结果能够达到接近最佳识别时相(孕穗期)的面积提取精度,二者的一致性程度超过97%。因而,利用GF-1宽视场影像能够有效提取县域尺度冬小麦种植面积,可为农作物监测业务运行提供遥感数据保障。     

基于GF-1与Landsat8 OLI影像的作物种植结构与产量分析

作物种植结构监测和估产是精准农业遥感的重点领域,其研究对于指导作物种植结构和制定农业政策具有重要意义。该文以黑龙江省北安市为研究区,以2015年的Landsat8 OLI和多时相GF-1为遥感数据源,基于物候信息和光谱特征确定的农作物识别关键时期和特征参数,构建面向对象的决策树分类模型,开展作物种植结构监测研究;综合植被光谱指数和地面采样数据,采用逐步回归方法建立产量遥感估算模型。结果表明:多源与多时相的遥感数据可以反映不同农作物的季相特征,应用本文所构建的决策树分类模型,作物分类效果较好,总体精度达87.54%,Kappa系数为0.8115;2015年,北安市的主要作物类型为大豆、玉米、水稻和小麦,面积分别为2204、1955、122和19 km~2,其中大豆的种植面积最大,占作物种植面积的51.24%。基于NDVI、EVI和GNDVI构建的多元回归模型为北安市大豆和玉米产量估算最优模型(R~2=0.823 7,均方根误差135.45 g/m~2,精度80.55%);北安市玉米高产区集中分布在西部,大豆的高产区主要分布在东部;2015年北安市玉米和大豆的单产分别为8 659、2 846 kg/hm~2,总产量分别为16.93×10~8、6.27×10~8 kg。利用作物关键物候期的多源多时相遥感数据能够精确高效地提取作物种植结构,构建的产量估算多元回归模型,为精准农业科学发展提供参考。     

综合季相节律和特征光谱的冬小麦种植面积遥感估算

及时准确地获取区域和国家尺度的作物种植面积和空间分布具有重要意义。针对目前中低分辨率遥感数据相结合方法的局限,提出一种新的作物类型识别方法。首先基于MODIS NDVI数据的时间优势,提取研究区各类植被的NDVI时间序列曲线,从而分析冬小麦在季相节律上的识别特征,构建冬小麦识别模型。再将MODIS像元分类处理,纯耕地像元利用冬小麦的季相节律特征识别;耕地与其他植被的混合像元利用混合像元分解的思想提取耕地组分的NDVI时间序列,从而进行识别,进一步根据空间关系将识别结果重新定位到中分辨率尺度上;冬小麦与其他作物的混合像元覆盖区则利用TM遥感影像的光谱差异加以区分。在伊洛河流域主要农业区,以冬小麦为识别对象,结果表明识别精度达到96.3%。该方法为作物种植信息的提取提供了新的解决问题的途径,也对其他类型作物的识别也具有重要的参考价值。     

基于异源多时相遥感数据提取灌区作物种植结构

用遥感技术提取灌区作物种植结构需要源影像具有适宜的时空分辨率以适应其动态变化特征。该文综合运用多种遥感影像数据,将Landsat ETM+与MODIS NDVI数据融合区分灌区土地利用类型,由融合后的时间系列数据非监督分类结果提取植被指数变化信息,结合作物系数变化规律运用光谱耦合技术提取作物种植结构。根据该方法将漳河灌区作物种植结构区分为水稻—油菜、水稻—小麦、单季夏季作物以及双季经济作物。由地面统计数据和高分辨率IKONOS影像进行了检验,分类精度达到91%并且与统计数据相吻合。结果表明该法不仅能提供更为准确的灌区作物种植结构时空信息,而且节省影像购买成本,方便灌区尺度遥感应用。     

倒伏水稻特征分析及其多光谱遥感提取方法研究

倒伏水稻的识别对灾后农业生产管理、灾害保险、补贴等工作有重要意义。为应用高分辨率遥感影像准确提取倒伏水稻面积,本文利用2019年9月27日获取的哨兵2号多光谱遥感影像,研究黑龙江省同江市倒伏水稻的光谱、纹理特征,并基于光谱与纹理特征建立倒伏水稻的遥感提取模型。研究结果表明水稻倒伏后可见光-近红外-短波红外等8个波段的反射率均升高,其中短波红外、红光和红边1等3个波段的反射率上升大于0.06。倒伏水稻的典型植被指数中,归一化植被指数、比值植被指数、增强植被指数和红边位置指数均降低,但差值植被指数升高。倒伏与正常水稻在红光、红边1和短波红外等3个波段的均值纹理数值差距明显,红光波段的纹理均值差异最大。利用归一化植被指数、地表水分指数、比值植被指数和差值植被指数以及红光波段的纹理均值构建决策树分类模型,监测结果表明农场内倒伏水稻分布较散,其西部和南部水稻受灾面积较大,北部受灾面积较小,中部偏北和东部基本未倒伏。将本文模型所提取的结果与实测面积对比,正常与倒伏水稻的面积识别误差分别为3.33%和2.23%。利用随机验证样本与模型验证结果进行混淆矩阵分析,倒伏水稻的用户精度和制图精度均为92.0%,Kappa系数为0.93。该方法能够适用于大区域倒伏水稻提取,可为高分辨率多光谱遥感数据调查水稻倒伏面积提供相关依据。     

基于决策树和混合像元分解的江苏省冬小麦种植面积提取

归一化植被指数(normalized difference vegetation index,NDVI)时间序列曲线能提供作物生长动态变化信息,将其应用于农作物种植面积提取具有一定优势。该文以江苏省为研究区域,采用2013年1月1日-2014年12月19日46景250 m空间分辨率的MODIS-NDVI时间序列数据、2014年4月23日的MOD09A1反射率影像及Landsat数据,开展冬小麦种植面积的遥感识别,首先利用MODIS数据建立作物的归一化植被指数时间序列曲线,再采用Savitzky-Golay滤波方法对NDVI时间序列数据进行重构,并基于农作物物候历、种植结构和种植模式等信息,提取研究区域典型地物物候生长期的关键值,在分析冬小麦、林地、水稻物候期(生长期开始时间、生长期结束时间、生长期幅度、生长期长度及生长期的NDVI最大值)变化趋势的基础上,综合比较分析不同地物平滑重构后的NDVI时间序列曲线特征,界定作物种类,确定训练规则,利用快速、高效的决策树方法,通过多阈值限定进行分类,初步提取冬小麦的空间分布范围;但是由于存在混合像元,阈值范围的设定会影响冬小麦种植面积的提取精度,针对此类问题,运用地表反射率影像数据提取冬小麦端元波谱曲线,结合线性光谱混合模型进行混合像元分解,进而根据冬小麦丰度比例精确提取冬小麦种植面积;最后利用统计数据和空间分辨率较高的Landsat TM 8影像数据对提取结果进行县域级验证。精度评价结果表明,研究区域的冬小麦种植面积提取精度达到90%,能够较准确地反映研究区域冬小麦的分布情况,表明运用中高分辨率遥感时间序列影像数据可以准确提取作物种植面积,为农作物种植面积信息提取提供参考。     

基于高光谱的冬油菜叶片磷含量诊断模型

为快捷、无损和精准表征冬油菜磷素营养与冠层光谱间的定量关系,该文以连续3a田间试验为基础,探究叶片磷含量的敏感波段范围及光谱变换方式,明确基于高光谱快速诊断的叶片磷含量有效波段,降低光谱分析维度,提高磷素诊断时效性。以2013-2016年田间试验为基础,测定不同生育期油菜叶片磷含量和冠层光谱反射率。此后,对原初光谱(raw hyperspectral reflectance,R)分别进行倒数之对数(inverse-log reflectance,log(1/R))、连续统去除(continuum removal,CR)和一阶微分(first derivative reflectance,FDR)光谱变换,采用Pearson相关分析确定叶片磷含量的敏感波段区域。在此基础上,利用偏最小二乘回归(partial least square,PLS)构建最优预测模型并筛选有效波段。结果表明,油菜叶片磷含量的敏感波段范围为730~1300 nm的近红外区域;基于敏感波段的FDR-PLS模型预测效果显著优于其他光谱变换方式,建模集和验证集决定系数(coefficient of determination,R2)分别为0.822和0.769,均方根误差(root mean square error,RMSE)分别为0.039%和0.048%,相对分析误差(relative percent deviation,RPD)为2.091。根据各波段变量重要性投影(variable importance in projection,VIP)值大小,确定油菜叶片磷含量有效波段分别为753、826、878、995、1 187和1 272 nm。此后,再次构建基于有效波段的油菜叶片磷含量估算模型,R2和RMSE分别为0.678和0.064%,预测精度较为理想。研究结果为无损和精确评估冬油菜磷素营养提供了新的研究思路。     

基于无人机高光谱遥感的冬小麦叶面积指数反演

叶面积指数(leaf area index,LAI)是评价作物长势和预测产量的重要依据。光谱特征信息作为高光谱遥感的突出优势在追踪LAI动态变化方面极其重要;然而,围绕光谱特征信息所开展的无人机高光谱遥感反演作物LAI的相关研究鲜有报道。该文利用ASD Field Spec FR Pro 2500光谱辐射仪(ASD Field Spec FR Pro 2500 spectroradiometer,ASD)和Cubert UHD185 Firefly成像光谱仪(Cuber UHD185 Firefly imaging spectrometer,UHD185)在冬小麦试验田进行空地联合试验,基于获取的孕穗期、开花期以及灌浆期地面数据和无人机高光谱遥感数据,估测冬小麦LAI。该文选择同步获取的冬小麦冠层ASD光谱反射率数据作为评价无人机UHD185高光谱数据质量的标准,依次从光谱曲线变化趋势、光谱相关性以及目标地物光谱差异三方面展开分析,结果表明458~830 nm(第3~96波段)的UHD185光谱数据可靠,可使用其探测冬小麦LAI,这为今后无人机UHD185高光谱数据的使用提供了参考。该文研究对比分析了UHD185数据计算的红边参数和光谱指数与冬小麦LAI的相关性,结果表明:12种参数中比值型光谱指数RSI(494,610)与LAI高度正相关,是估测LAI的最佳参数;基于比值型光谱指数的对数形式lg(RSI)构建的线性模型展现出lg(RSI)与lg(LAI)较优的线性关系(决定系数R2=0.737,参与建模的样本个数n=103),且lg(LAI)预测值和lg(LAI)实测值高度拟合性(R2=0.783,均方根误差RMSE=0.127,n=41,P0.001);该研究为利用无人机高光谱遥感数据开展相关研究积累了经验,也为发展无人机高光谱遥感的精准农业应用提供了参考。     

融合多尺度特征和注意力机制的油菜倒伏分类

倒伏是限制油料作物高产、稳产、优产的主要因素,对油菜倒伏类型的实时监测与评估对于油菜预产和品种选育至关重要。该研究提出一种无人机可见光影像下融合多尺度特征和注意力机制的油菜倒伏分类方法,对绿熟期和黄熟期的倒伏级别进行分类鉴定。首先,设计一种图像分类模型NGnet（nam-ghost network）,用于对角果期的油菜倒伏程度进行分类。该网络采用改进的GhostBottleNeck模块,融入利用权重因子来体现重要特征的注意力机制模块NAM（normalization-based attention module）,再将不同尺度的注意力特征进行融合,以降低模型参数量、提高准确率;其次,构建使用无人机高空遥感正射影像的油菜倒伏数据集（rape lodging dataset, RLD）,该数据集由5789张分辨率为3×255×255且人工标注倒伏级别的小区影像构成;最后,将本文NGnet模型在RLD数据集上的进行验证,准确率达到85.10%,比T2T-VIT、SwinTransformerV2、MobileNetV3、Res2Net、RepVGG 和 RepLKNet分别高出15.6、11.92、7.01、6.22、6.08、2.37个百分点。试验结果表明,NGnet模型对油菜倒伏分类任务是有效的,可为基于无人机RGB影像的油菜倒伏鉴定和良种选育等提供参考。     

稻草覆盖还田对直播冬油菜生长及养分积累的影响

[目的]冬油菜产量常受限于季节性干旱、冬季低温以及土壤肥力较低等因素。考虑到秸秆还田有培肥土壤的优势以及长江中下游地区稻草过剩的现实,通过田间试验研究稻油轮作区稻草覆盖还田对直播冬油菜生长的影响,探讨稻草整株覆盖还田对直播油菜生育期内密度、株高、根茎粗的变化特征及其对油菜产量和养分吸收量的影响。[方法]试验于2014 2015和2015 2016年在湖北省武汉市华中农业大学试验场进行,共设置4个处理,分别为:1)对照,不施肥稻草不还田(CK);2)不施肥稻草覆盖还田(S);3)单施化肥(NPK);4)稻草覆盖还田配施化肥(NPK+S)。施肥处理(NPK、NPK+S)肥料用量为N 180 kg/hm^2、P2O5 60 kg/hm^2、K2O75 kg/hm^2、硼砂15 kg/hm^2。分别于油菜苗期、蕾薹期、花期、角果期和成熟期取样,测定油菜地上部生物量,氮磷钾含量和积累量,并在田间监测油菜生育期内密度、株高和根茎粗。[结果]稻草覆盖还田提高土壤最低温度0.6~1.2℃(播后95天),降低土壤最高温度0.8~1.8℃(播后184天),缩小土壤温度变幅2.3℃(播后95~184天),提高土壤平均含水量8.0%~8.9%(播后48~184天)。与稻草不覆盖相比,稻草覆盖还田减少冬油菜80%以上的出苗密度;与出苗密度相比,成熟期CK、S、NPK和NPK+S处理的密度分别降低71.3%、40.3%、69.5%和32.1%,稻草还田处理的油菜生育期内密度降低幅度小于稻草不还田处理。油菜成熟期S处理的根茎粗和株高分别比CK显著提高了22.7%和8.3%,NPK+S和NPK处理株高和根茎粗无明显差异。两年结果表明,S处理的最大生物量较CK平均增加了88.6%,与NPK处理相比,NPK+S处理的地上部苗期生物量降低3.7%~27.9%,角果期生物量平均增加28.1%。CK和S处理氮、磷和钾素积累量均在蕾薹期花期差异较大,成熟期S处理的氮、磷积累量分别较CK高28.6%~268.2%、93.3%~253.1%,两年增产率分别为218.8%和28.5%;施肥处理(NPK、NPK+S)冬油菜氮、磷和钾积累量随生育期持续增加,均在角果期达到最大值,与NPK相比,NPK+S处理分别提高成熟期油菜氮、磷和钾积累量18.1%~19.1%、23.7%~36.9%和28.3%~56.9%,两年分别增产1811和1032 kg/hm^2,增产率分别达到25.6%和20.3%。[结论]稻草覆盖还田能缓解气温骤变对土壤温度的影响,保持土壤含水量,缓解土壤干旱。稻草覆盖还田前期抑制直播冬油菜的出苗密度,后期可维持冬油菜密度的稳定,同时对冬油菜的生长、生物量、产量和养分吸收量有促进作用。     

施氮对"双低"油菜吸氮特性及氮素生理效率的影响

采用盆栽试验研究施氮对双低油菜吸氮特性及产量的影响。结果表明，植株氮素累积量，施氮处理从苗期到抽苔末期迅速增加，抽苔末期到开花末期下降，开花末期后有所回升，但仍没有超过抽苔末期的氮素累积量；不施氮处理与施氮处理有类似的变化趋势，但变化幅度明显小于施氮处理，而且开花末期后的氮素累积量超过了抽苔末期。无论施氮与否，营养器官含氮量随生育期的进程持续下降，而生殖器官含氮量施氮时持续下降，不施氮时则呈单峰曲线。干物质累积最大速率出现的日期，不施氮处理明显早于施氮处理。氮素生理效率，施氮处理在角果发育期最高，而不施氮处理在开花末期最高。施氮明显增加植株氮素累积量、植株含氮量、生物量及籽粒产量，但氮素生理效率却降低。     

直播和移栽冬油菜生长和产量形成对氮磷钾肥的响应差异

【目的】直播和移栽是目前长江流域冬油菜的两种主要种植方式,其发展状况对我国油菜产业发展和油料供应安全具有重要意义。直播和移栽冬油菜的栽培过程和植株密度存在显著差异,因此两者的个体形态、 生长发育及产量形成有所差异,对养分的施用响应也可能不同。本研究利用大田试验研究施肥和种植方式对冬油菜生长发育和产量形成的影响,比较不同种植方式下冬油菜的生长特点及其差异。【方法】采用大田试验,研究氮磷钾肥配施(NPK)、 不施氮(-N)、 不施磷(-P)和不施钾(-K)处理下直播和移栽冬油菜各生育期的株高、 根颈粗和叶片数。越冬期低温和干旱逆境发生时测定顶四叶的生理生化指标,包括硝酸还原酶活性、 过氧化物酶活性、 过氧化氢酶活性、 可溶性蛋白含量、 可溶性糖含量、 游离脯氨酸含量和丙二醛含量。角果期调查菌核病的发病率。成熟期调查产量构成因素,包括密度、 分枝数、 单株角果数、 主序角果数、 角粒数和千粒重,最后进行实产统计。【结果】直播冬油菜前期株高相比移栽冬油菜增长较快,薹期后则明显降低,根颈粗和叶片数在各生育时期均显著较低。直播冬油菜越冬期叶片生理生化水平较移栽冬油菜偏低,丙二醛含量显著较高。直播冬油菜角果期菌核病的发病率平均为21.8%,远高于移栽冬油菜的8.5%。两种种植方式冬油菜成熟期表现出显著不同的产量构成,相比移栽冬油菜,直播冬油菜的植株密度显著较高,而个体分枝数、 角果数和角粒数则显著较少,而且主序角果的比例明显较高。最终,直播和移栽冬油菜在NPK处理的产量非常接近,分别为2019和2081 kg/hm2,但直播冬油菜在缺素条件下的产量较移栽冬油菜均显著偏低。相比NPK处理,任一养分缺乏均显著阻碍直播和移栽冬油菜的生长发育和产量形成,其中氮素影响最为显著和全面,其次是磷素,钾素影响相对较小。与移栽冬油菜不同,直播冬油菜成熟期的植株密度在缺素时出现下降,氮、 磷缺乏导致直播冬油菜密度分别降低53.6%和18.7%。养分缺乏条件下较差的个体生长和降低的植株密度是导致直播冬油菜产量降幅偏高的主要原因。【结论】当前栽培方式下,直播冬油菜起始阶段个体发育较差,导致生育期内生长表现和产量形成对养分缺乏更为敏感。相比移栽冬油菜,直播冬油菜应更重视氮磷钾养分的平衡施用,以促进个体健壮和群体稳定而获得高产。直播冬油菜的养分管理研究需进一步加强,尤其是应对逆境发生的施肥调控技术与措施。     

微分光谱遥感及其在水稻农学参数测定上的应用研究

通过不同氮素营养水平的水稻田间试验,解析了水稻冠层微分光谱对消除背景(湿土、水面)信息的影响,证实微分光谱在消除背景信息的影响方面起到了很好的作用。用微分光谱确定出最优的波段宽度应小于10nm;将微分光谱应用于农学参数测定,存在红边位移现象,在孕穗期之前,红边随施氮量增加向长波方向移动“红移”;孕穗期之后“红移”现象基本消失,而发生“蓝移”。红边参数(红边、红边振幅、红边振幅与最小振幅的比值、红边峰值面积)与上层叶片的叶绿素含量、LAI有着密切的关系,而与叶片中的叶绿素b、类胡萝卜素之间相关性不明显。一些红边参数可作为水稻叶绿素含量、LAI测定的简捷方法。从而证实了利用微分光谱测定一些农学参数的可行性     

基于Radarsat-2影像的复杂种植结构下旱地作物识别

为提高基于Radarsat-2旱地作物识别的精度,该文研究了一种复杂种植结构背景下具有共同生长期作物的识别方法。研究区为一个12 km×12 km的样方,位于内蒙古上库力农场额很队,以春小麦、油菜2种共同生长期作物为识别对象,利用Spot-6影像和Radarsat-2影像,在数据预处理的基础上分析研究区内典型地物样本的后向散射系数在不同极化波段上的变化特征,根据该变化特征设计图像增强算法,然后基于图像增强后的影像设定合理的阈值实现作物识别提取。结果表明：该方法准确识别并有效提取了共同生长期作物春小麦和油菜的种植面积,总体精度达到97%,Kappa系数为0.96。该方法简便、快捷、可靠,为春小麦、油菜等旱地共同生长期作物种植面积提取提供重要的科学技术支撑。     

利用相关矩阵法优化光谱指数的冬油菜氮素营养诊断

近年来高光谱技术由于无损和高效等优点成为了现代精准农业发展的必要手段方法。为实现冬油菜无损、快速的氮素盈亏诊断，该研究以连续两年(2022—2023年)不同覆盖及施氮处理下冬油菜蕾薹期采集的90份植物样品(地上部生物量和植株氮浓度)和高光谱实测数据为数据源，根据原始光谱和一阶微分(first-order differential,FD)光谱与氮营养指数(nitrogen nutrition index,NNI)的相关系数计算了8种(共16个)典型的光谱指数，随后利用相关矩阵法提取最佳光谱组合，并根据与NNI相关系数的计算结果筛选最优光谱指数，最后将最优光谱指数分为3组模型输入变量，分别采用支持向量机(support vector machine,SVM)、随机森林(random forest,RF)、极限学习机(extreme learning machine,ELM)和反向神经网络(back propagation neural network,BPNN)构建冬油菜蕾薹期NNI估算模型。结果表明一阶微分光谱指数与NNI的相关系数均大于原始光谱指数，3个组合选择的光谱指数与NNI的相关...