排序方式: 共有92条查询结果,搜索用时 15 毫秒
51.
江苏省不同类型蔬菜价格波动的时空特征分析 总被引:3,自引:0,他引:3
以江苏无锡、扬州、徐州的蔬菜(番茄、韭菜、青椒、蒜薹、芹菜、马铃薯)为研究对象,探讨苏南、苏中、苏北蔬菜价格波动的时空特征。结果表明,时间上,苏南、苏中、苏北3个地区的蔬菜价格均具有周期性循环波动趋势;同种蔬菜价格波动的趋势相同,具有趋同性、联动性、灵敏性。空间上,苏南、苏中、苏北地区的蔬菜价格波动具有区域差异性,所选蔬菜的平均价格均为苏南>苏中>苏北,且苏南蔬菜价格水平显著高于苏北,苏南和苏中的价格差异不显著;3个地区的蔬菜价格波动强度为苏南(平均波动系数为0.67)>苏中(平均波动系数为0.63)>苏北(平均波动系数为0.48)。品种间,耐储存的蔬菜(如马铃薯)价格波动强度较小(平均波动系数为0.21),不耐储存的蔬菜(如蒜薹和青椒)价格波动强度较大(平均波动系数分别为1.03和0.81)。 相似文献
52.
冬小麦麦穗生长过程的模拟研究 总被引:2,自引:1,他引:2
为了实现小麦麦穗生长过程的可视化表达,以不同氮肥处理条件下不同类型小麦品种的两年田间试验为基础,通过连续观测并记载不同处理条件下的小麦主茎和分蘖麦穗形态指标(包括穗长、穗宽和穗厚),综合分析了小麦麦穗形态指标随生育进程和环境条件的变化规律,并利用系统分析方法和动态建模技术,构建了冬小麦麦穗生长过程的动态模拟模型。结果表明,麦穗的伸长过程符合S型曲线,而不同蘖位麦穗的最终长度符合二次曲线,且在不同氮肥处理之间均差异明显;采用Logistic方程描述了麦穗长度的动态变化过程,用二次曲线和线性方程定量描述了穗形的动态变化过程,同时采用旗叶的SPAD值量化了氮素对麦穗生长特征的影响;并利用不同小麦品种的田间试验资料对所建模型进行了测试和检验。结果显示,不同时期麦穗穗长、穗宽和穗厚预测值的平均RMSE分别为0.28、0.05和0.04cm。表明模型具有较强的动态预测性和可靠性,从而为进一步建立虚拟小麦生长系统奠定了基础。 相似文献
53.
便携式作物生长监测诊断仪性能试验 总被引:2,自引:0,他引:2
为了检验研制的便携式作物生长监测诊断仪的整体性能,在室内、室外、田间分别对作物生长监测诊断仪的性能进行了试验研究.结果表明,多光谱传感器具有较高的线性度与精度,线性决定系数均达到了0.95以上;传感器的重复性与稳定性好,其中波长720 nm探测镜头的回程误差为3.35%,波长810 nm探测镜头的回程误差为2.22%;仪器的动态稳定性良好,在测试环境下,太阳光源辐照度变化引起的测量误差较小,其中波长720 nm探测镜头平均误差为1.43%;波长810 nm探测镜头平均误差为1.38%;仪器对水稻叶层氮含量、叶层氮积累量、叶面积指数和叶干重的监测性能优良,线性拟合决定系数分别为0.879 5、0.883 0、0.859 6和0.839 3;平均测量误差分别为6.14%、8.29%、6.24%和6.19%. 相似文献
54.
不同时空分辨率遥感数据融合估算冬小麦叶面积指数 总被引:1,自引:1,他引:1
高时空分辨率叶面积指数(leaf area index,LAI)数据能反映作物的长势动态变化,为作物长势评估和产量预测提供有效的生长指标依据。该文综合利用混合像元线性分解与数据同化算法,以高空间分辨率SPOT-5数据反演的LAI修正高时间分辨率HJ-CCD数据反演的LAI序列,生成了覆盖冬小麦主要生育期的高空间分辨率LAI序列,并结合SPOT-5反演的LAI和实测LAI值分析了像元纯度、高空间分辨率遥感数据同化景数对融合效果的影响。结果表明,采用数据融合方法生成的LAI与检验LAI具有较高的一致性,但像元纯度对融合效果影响较大;基于2景SPOT-5影像能够提高LAI序列估测精度,且优于基于1景SPOT-5影像的融合效果。该研究结果可为冬小麦生长监测提供技术支撑。 相似文献
55.
小麦叶层氮含量估测的最佳高光谱参数研究 总被引:9,自引:3,他引:9
【目的】作物体内氮素状况是评价长势和预测产量的重要指标。小麦植株氮素营养的快速监测和无损诊断对于精确氮素管理具有重要作用。本文旨在通过对高光谱信息的精细分析和信息提取,探索建立小麦叶片氮含量(LNC,leaf nitrogen content)估算的最佳波段、光谱参数及监测模型。【方法】利用连续4年的系统观测资料,采用精细采样法,详细分析350~2 500 nm波段范围内原始光谱反射率及其一阶导数光谱的任意两两波段组合而成的主要高光谱指数与小麦冠层叶片氮含量的定量关系。【结果】发现小麦叶片氮含量的最佳波段为位于红边的690、691、700和711 nm以及近红外波段的1 350 nm;基于归一化光谱指数NDSI(R1350,R700)和NDSI(FD700,FD690)、比值光谱指数RSI(R700,R1350)和RSI(FD691,FD711)、土壤调节光谱指数SASI(R1350,R700)(L=0.09)和SASI(FD700,FD690)(L=-0.01)构建氮含量监测模型,决定系数(R2)分别为0.851和0.857、0.842和0.893、0.860和0.866。利用独立试验资料对模型检验的结果显示,模型测试的精度(R2)均大于0.758,RRMSE均小于0.266,尤其是高光谱参数RSI(FD691,FD711)和SASI(FD700,FD690)表现最好。【结论】总体上,利用精细采样法确定最佳波段,构建植被指数和氮含量监测模型,可显著提高模型的精确度和可靠性,从而为快速无损诊断小麦叶层的氮素状况提供新的波段选择和技术途径。 相似文献
56.
基于高光谱遥感的小麦叶片含氮量监测模型研究 总被引:12,自引:2,他引:12
为了在作物氮素管理中实现叶片氮含量的实时无损估测,以不同类型小麦品种在不同施氮水平下连续3年田间试验为基础,研究了小麦叶片氮含量与冠层高光谱参数的定量关系.结果表明,叶片氮含量随着施氮水平的增加而提高,冠层光谱反射率在不同叶片氮含量水平下存在明显差异.叶片氮含量的敏感波段主要存在于近红外平台和可见光区,其中,红边区域最为显著.红边及面积类参数REPIE、SDr-SDb和FD729与叶片氮含量关系密切,方程拟合决定系数R2分别为0.829、0.806和0.856,估计标准误差SE分别为0.278、0.295和0.271;模拟宽光谱波段组合类参数方程拟合精度较低,标准误差较大,以AVHRR-GVI为变量模拟方程,R2 和SE分别为0.786和0.315;多波段组合类参数方程拟合效果较好,以mND705为变量建立方程,其R2 和SE分别为0.836和0.275.经不同年际独立数据检验,红边及面积类参数表现最好,以REPIE、SDr-SDb和FD729三个参数为变量,模型预测的RMSE分别为0.418、0.380和0.395,相对误差RE分别为14.4%、15.1%和15.2%;模拟宽光谱波段组合类参数与多波段组合类参数比较,模拟宽光谱波段组合模型预测效果更好,以AVHRR-GVI 和mND705为变量建立模型,RMSE分别为0.436和0.408,RE分别为17.3%和16.7%.以上结果表明,红边及面积类参数与叶片氮含量关系密切且表现稳定,利用REPIE、SDr-SDb和FD729三个参数可以对小麦叶片氮含量进行可靠的监测. 相似文献
57.
为了明确水稻穗肥施用前地上部植株氮积累量与各光谱仪冠层光谱参数的定量关系,进而为水稻精确追氮提供决策依据。基于不同品种和不同施氮水平的7个水稻田间试验,于分蘖期和拔节期利用ASD Fieldspec FR2500高光谱仪、Cropscan MSR-16多光谱仪和Greenseeker RT100主动光谱仪同时采集冠层光谱反射率,并同步取样测定地上部植株氮积累量,研究基于不同光谱仪构建的植被指数与植株氮积累量之间的关系。结果表明,部分植被指数与水稻地上部植株氮积累量关系密切,基于3种光谱仪构建的水稻地上部植株氮积累量监测模型的稳定性和适用性有较大差异。对于ASD高光谱仪,虽然基于差值植被指数(760,740)能较好估测植株氮积累量,拟合模型决定系数R2为0.79,但模型检验效果较差,其R2和均方根误差分别为0.15和2.11 g/m2;对于Cropscan多光谱仪,差值植被指数(760,710)能较好反演植株氮积累量,拟合模型的R2为0.94,模型检验的R2和均方根误差分别为0.94和0.76 g/m2;Greenseeker主动光谱仪的归一化植被指数(770,660)对地上部植株氮积累量的反演效果最好,拟合模型的R2为0.97,模型检验的R2和均方根误差分别为0.97和0.62 g/m2。研究结果可为水稻前期植株氮积累量监测过程中的光谱仪选择提供参考,为水稻精确追氮管理提供技术支撑。 相似文献
58.
基于水稻冠层光谱特征构建粳型水稻籽粒蛋白质含量预测模型 总被引:7,自引:0,他引:7
水稻籽粒蛋白质含量是评价稻米品质的主要指标之一。本文以不同施氮水平下的4年田间试验为基础,系统分析了水稻成熟籽粒蛋白质含量与不同时期冠层反射光谱的相关性。结果显示,籽粒蛋白质含量与可见光波段(460~710 nm) 反射率呈负相关,与近红外波段(760~1 220 nm) 反射率呈正相关,其中孕穗期冠层单波段反射率与成熟籽粒蛋白质含量的相关性最高,在16个波段中以760 nm波段反射率与籽粒蛋白质含量的拟合效果最好,复相关系数达0.795。进一步分析比值植被指数、差值植被指数、归一化植被指数和红边参数等光谱参数与成熟籽粒蛋白质含量的相关性,运用线性逐步回归分析方法对相关拟合较好的16个参数进行筛选,建立了水稻成熟籽粒蛋白质含量(GPC)监测模型,GPC=-0.15× DVI(1 500, 950) + 3.00。利用不同年份不同品种及不同施氮水平下的观测数据对模型进行检验,预测值和实测值的精确度为0.56~0.86,准确度为0.85~1.18,根均方差(RMSE)为3.51%~19.91%,表明模型预测值与实测值之间符合度较高,对水稻成熟籽粒蛋白质含量具有较好的预测性。 相似文献
59.
60.