油菜叶面积和叶鲜重估计研究

为快速获取大田油菜长势监测信息,针对不同栽种方式和施肥水平对油菜叶片生长的影响,建立单株油菜叶面积和叶鲜重估计模型。分别于2013—2015年的2个油菜种植季,设置不同施肥水平下直播和移栽油菜试验小区。在油菜叶片形态差异最大的六叶期和蕾薹期,测量样株所有叶片的长、宽、面积和鲜重,采用方差分析对比栽种方式和施肥水平对油菜叶片生长的影响,运用麦夸特法+通用全局优化法建立叶面积和叶鲜重的长宽估计模型。在不同施肥水平和栽种方式下,2个生长期的油菜叶面积和叶鲜重与叶宽关系均比叶长更明显;相同条件下蕾薹期油菜叶片变异程度比六叶期要大,2个时期不同施氮水平、栽种方式下油菜叶面积、叶鲜重差异均达到极显著水平,但两者对叶片的交互作用未达到显著水平。叶宽线性模型估算叶面积和叶鲜重的预测R²为0.89、0.84,RMSEP为32.40 cm²、2.54 g,长宽幂函数模型与常规的长宽线性模型相比,叶面积和叶鲜重的预测R²为0.97、0.94,RMSEP为 12.92 cm²、0.86 g。不同生长条件下,叶宽线性模型可用于快速获取油菜单片叶面积和叶鲜重,长宽幂函数模型受施肥水平、栽种方式、叶形、生长期等因素影响较小,适用于精确估计单株油菜叶面积和叶鲜重。     

基于本体的土壤系统分类逻辑表达与检索

中国土壤系统分类(Chinese Soil Taxonomy, CST)是建立在诊断层和诊断特性基础上的定量化土壤分类体系,它的不断成熟为实现土壤类型自动化检索提供了理论基础。野外土壤描述与采样规范的形成为土壤分类的语义规范提供了依据。目前,我国已出现一系列基于CST的土壤类型检索系统,但仍存在以下问题。首先,现有的土壤类型检索系统仅注重分类规则的表达,忽略了诊断对象、土壤类型与检索框架（推理过程）的耦合性对系统更新的影响。其次,土壤信息的载体并不是单一的,从空间结构上可分为土壤层次(Horizon)、剖面(Profile)、单个土体(Pedon)和聚合土体(h),但现有的检索系统并未将上述结构区分开来,不利于土壤信息的管理。最后,现有的检索系统均是通过传统计算机语言表达土壤特征的范围以及土壤特征之间复杂的逻辑关系,表达方式繁琐且冗余。因此,本文引入本体概念,以土壤地理学和CST规则为理论基础,分析土壤实体的空间结构及其与土壤类型、诊断对象之间的相互关系,在此基础上建立了关于土壤实体、土壤特征和CST对象（土壤类型与诊断对象）的本体模型,并定义了相应的谓词逻辑来表达三类本体模型的逻辑、隶属关系。本文采用Python语言实现了本体模型和谓词逻辑模型,研发了CST中土纲到亚类的检索系统,并采用湖北省土系调查数据完成系统测试。     

基于不确定性模型的土壤——环境关系知识获取方法的研究

土壤与环境关系知识的获取是精细数字土壤制图的关键,如何快速准确地获取该知识成为现阶段研究的重点。以湖北省黄冈市红安县华家河镇为例,利用土壤—环境推理模型(Soil-Land Inference Model,So LIM)得到土壤类型的夸大和忽略不确定性分布图,依据不确定性分布图在可信度高的位置重新采集样点,对样点进行数据挖掘,获取环境因子组合,建立其与土壤类型的对应关系。结合原始规则,生成新的土壤—环境关系知识,并将其用于土壤推理制图,获得新的土壤类型分布,利用253个野外独立样点进行精度验证。结果表明:推理土壤图显示了更加详细的空间分布信息,经野外验证点验证,总体精度为86.9%,高于原土壤图精度约13%。因此,利用不确定性模型重新获取土壤—环境关系知识的方法是可行且有效的,该方法不仅增加了土壤图的空间详细度,而且提高了土壤图的精确度。     

土壤分类专家系统设计

土壤系统分类以定量化指标划分土壤类型,为土壤自动分类系统的建立提供了可能.为了模仿专家的思维过程实现土壤自动分类,该文着重研究了如何采用面向对象的方法表达专家经验规则、诊断层和诊断特性知识,在此基础上提出了土壤分类决策树的构造方式和推理方法;并从土壤系统分类专家的知识表示和推理机的构建两个方面,提出了土壤分类专家系统 (SCES)的体系结构.GIS作为管理空间信息和提供空间分析方法的平台,也被有效地集成到系统中,以实现土壤自动分类的目的.     

农用土地综合评价的一种新方法

利用遥感（ＲＳ）与地理信息系统（ＧＩＳ）和一门新兴的系统科学－－－物元分析法,以武汉市狮子山地区为样区对农用土地综合评价进行了研究。研究结果表明,狮子山地区的土地质量中等偏上,符合当地的实际情况。该研究对于解决以往土地评价中存在的一些问题,如权重的不确定、人为因素影响过多等提供了一些新的思路与方法。     

基于成像光谱技术预测氮素在土壤剖面中的垂直分布

可见—近红外(vis-NIR)高光谱成像技术应用于土壤科学是当前数字土壤研究的新方向。本研究考察了该技术预测土壤剖面氮素垂直分布的可行性。深达1 m的土壤整段剖面(1 000 mm×170 mm×65 mm)采自湖北崇阳县,成像光谱仪配备了25μm狭缝,视场角13.1°的35 mm焦距镜头和1 004×1 002像素的面阵CCD,拍摄得到剖面vis-NIR高光谱影像(400~1 000 nm共753个波段)。对获取的影像先通过几何校正解决影像形变问题,再采用监督分类方法识别提取有效土壤像素,剔除阴影裂缝等无效像素。最后利用室内土样vis-NIR反射光谱建立的土壤全氮校正模型,对3个土壤整段剖面的高光谱影像数据进行全氮(TN)预测制图。结果表明,vis-NIR成像光谱技术对土壤整段剖面TN含量预测效果达到甚至优于经标准制样处理后所建模型精度。但存在纵向局限性,其良好地还原了浅层土壤氮素的分布规律,0~600 mm为较佳预测深度。     

基于高光谱的油菜叶面积指数估计

以冬油菜为研究对象,2014-2015年度设计了不同施氮水平直播油菜小区试验,在不同生育时期测量冠层光谱、土壤背景光谱以及叶面积指数(leaf area index,LAI),通过相关分析选取了12个光谱特征参数和11个植被指数,建立6叶期至角果期LAI的5种线性和非线性定量反演模型。结果表明:二次多项式反演模型比较适合估算油菜LAI苗期时以红边参数为代表的光谱特征参数,可准确估算出LAI;6叶期时红边幅值预测模型R~2为0.81,RMSEP为0.39,RPD为1.62;8叶期时红蓝边面积比归一化预测模型R~2为0.79,RMSEP为0.60,RPD为2.30;10叶期时红边幅值预测模型R~2为0.92,RMSEP为0.47,RPD为2.36;盛花期时蓝边面积预测模型R~2为0.87,RMSEP为0.34,RPD为2.57;角果期时以RDVI为代表的植被指数也可准确估算出LAI,预测模型R~2为0.74,RMSEP为0.57,RPD为1.36。油菜全生育期采用相同光谱特征参数、植被指数建模估计LAI精度明显降低,预测R~2远小于0.75,RMSEP大于0.65,RPD值均小于1.40,表明难以采用统一参数建模准确估计油菜全生育期LAI,不同生长时期需选择合适的光谱参数、植被指数分段建模估计LAI。     

基于波段深度分析和BP神经网络的水稻色素含量高光谱估算

该文以水稻田间氮肥水平试验为基础,采用单变量的线性和非线性回归方法,建立基于植被指数的水稻色素含量高光谱估算模型。各植被指数对色素含量的估计能力分析结果显示,植被指数在色素含量较大时存在饱和问题,为此尝试将波段深度分析(BDA)与BP神经网络结合,以提高利用高光谱技术对水稻叶片色素含量的估算精度。基于连续统去除处理的水稻冠层高光谱数据(400~750 nm),选取波段深度(BD)、波段深度比(BDR)、归一化波段深度(NBDI)和归一化面积波段指数(BNA)4种波段指数,在此基础上进行主成分分析(PCA)实现降维,然后采用反向传播(BP)神经网络方法对水稻叶片色素含量进行高光谱反演,探讨BDA与BP神经网络结合解决植被指数饱和问题的可能性和有效性。结果表明,波段深度分析突出了光谱吸收特征差异,挖掘了更多的潜在信息,使得光谱曲线的差异性得到增强。BD与BP结合的估算模型对水稻叶片中的类胡萝卜素含量估算精度最高(R~2=0.61,RMSEP=0.128 mg?g~(-1)),BNA与BP结合的估算模型对水稻叶片中的叶绿素含量估算精度最高(R~2=0.73,RMSEP=0.343 mg?g~(-1))。对比分析BDA与BP结合的模型和植被指数最佳回归模型的精度,发现波段深度分析建立的BP神经网络模型能较好地解决饱和问题,提高水稻叶片色素含量的估算精度。