玉米自交系小斑病抗性鉴定及遗传参数分析

以8份玉米自交系及其组配的28个杂交组合为试验材料,采用人工接种方法,对小斑病病株率进行调查,计算病情指数,并对病情指数配合力及遗传力等遗传参数进行分析,为供试玉米自交系在抗小斑病种质改良、品种选育等方面的应用提供理论依据。结果表明,不同玉米自交系对小斑病的抗性总体上存在显著差异,其中,浚313表现高抗,Mo17表现抗,浚50X、丹340、浚SN12E表现中抗,B73表现感,鲁9801、昌7-2表现高感;浚313所组配的组合抗性表现相对较好,昌7-2组配的组合抗性相对较差。8份玉米自交系一般配合力效应差别较大,一般配合力和特殊配合力均呈现正负两向效应;浚SN12E作母（父）本组配的杂交组合特殊配合力效应值均为负（正）值;亲本及组配方式对杂交后代的小斑病抗性有极显著影响。小斑病病情指数的广义遗传力为89.73%,狭义遗传力为56.61%;该性状的遗传以加性效应为主,存在一定的非加性效应;该性状受环境因素影响不明显,可在早期世代进行重点选择。     

基于无人机遥感影像的玉米冠层温度提取及作物水分胁迫监测

针对当前无人机热红外遥感提取冠层温度不准确、监测作物水分胁迫状况精度不高的问题,该研究以不同水分处理的拔节期夏玉米为研究对象,利用无人机获取试验区域热红外和可见光图像资料,分别采用Otsu算法、EXG-Kmeans算法和Otsu-EXG-Kmeans算法获取冠层区域图像,并对提取结果进行精度评价,而后采用最优算法求得对应作物水分胁迫指数（Crop Water Stress Index,CWSI）,通过分析CWSI同土壤含水率相关关系以及CWSI日平均变化趋势来监测玉米水分亏缺状况。结果表明：1）相比于其他方法,Otsu-EXG-Kmeans算法对冠层温度提取精度更高（用户精度为95.9%）,提取的冠层温度更接近实测温度（r=0.788）,可以准确获取图像冠层温度。2）相比于冠层温度,CWSI与土壤含水率的相关性更高（r= -0.738）,CWSI日平均变化趋势更符合实际情况,可更加精确地监测玉米缺水状况。该研究为无人机遥感精准监测作物水分胁迫状况提供参考。     

利用叶片光谱的作物铜铅污染判别

重金属污染种类的判别是作物生长环境监测的重要组成部分。该研究旨在提出一种由叶片光谱构建的铜铅污染判别特征(Copper and Lead Contamination Discriminating Features,CLCDF),以实现作物铜、铅污染判别。以典型作物玉米为试验对象,运用包络线去除与导数处理叶片光谱,基于该研究提出的归一化铜铅污染指数(NormalizedDifference Copper and Lead Contamination Index,NDCLCI)构建叶片CLCDF,在CLCDF分布域内建立判别平面(Discriminating Plane,DP)。依据CLCDF与DP的位置关系,得出直观的污染种类判别规则,并利用判别距离(Discriminating Distance,DD)对判别规则进行量化。基于训练集数据进行试验,提取到189种用于判别铜、铅污染的DP,同时获取了对应的污染种类判别规则,判别正确率为100%。使用验证集数据进行验证,189种DP中的88种判别效果较好,判别正确率为78.22%。该研究结果证明,基于CLCDF的铜铅污染判别方法效果良好且稳定。     

空间自相关性对冬小麦种植面积空间抽样效率的影响

空间抽样是实现区域农作物面积高效估算的重要手段,农作物分布受自然条件等因素影响普遍存在空间自相关性,但以往针对空间相关性对农作物面积抽样效率的影响研究明显不足。该研究选取安徽省凤台县为研究区,通过2017年4月4景GF-1全色多光谱影像(Panchromatic and Multispectral, PMS)与Google Earth高空间分辨率影像相结合提取研究区冬小麦。设计10种抽样单元尺度、3种抽样外推方法、2种相对允许误差和5种样本布局方式,构建多种冬小麦面积空间抽样方案。利用全局莫兰指数(global Moran’s index)评价不种尺度下抽样单元内冬小麦面积比的空间自相关强度,分析空间自相关性对冬小麦面积抽样效率(抽样误差、样本容量和空间布局)的影响。研究结果表明,抽样单元内冬小麦面积比的空间自相关强度随单元尺度的增大而减小,全局莫兰指数相应地由0.75降至0.50。无论在何种尺度下抽样单元内冬小麦面积比都呈显著的空间正相关性;抽样外推冬小麦面积总体的误差随空间自相关强度的减小呈先减小后明显增大的趋势。在10种抽样单元尺度中,当抽样单元尺度为2000m且抽样比为5%时,无论采用何种抽样方法外推总体的误差均为最小(简单随机抽样、系统和分层抽样外推总体的相对误差分别为17.94%、9.48%和1.82%);当相对允许误差设计为5%时,简单随机抽样外推总体所需样本容量随空间自相关强度的降低从660降至56。而分层抽样的样本容量不受空间自相关性的影响;5种样本布局方式中,采用分层随机抽样方式外推冬小麦面积总体的平均相对误差、平均变异系数和均方根误差最小,分别为1.82%、3.19%和0.11×108 m2。该研究可为有空间自相关存在下的农作物面积空间抽样方案合理设计提供参考依据。     

基于机器学习的棉花叶面积指数监测

为实现基于机器学习和无人机高光谱影像进行棉花全生育期叶面积指数(Leaf Area Index, LAI)监测,该研究基于大田种植滴灌棉花,在不同品种及不同施氮处理的小区试验基础上,对无人机获取的高光谱数据分别采用一阶导(First Derivative, FDR)、二阶导(Second Derivative, SDR)、SG(Savitzky-Golay)平滑和多元散射校正(Multiplicative Scatter Correction, MSC)进行预处理,并结合Pearson相关系数法、连续投影(Successive Projections Algorithm, SPA)、随机蛙跳(Shuffled Frog Leaping Algorithm, SFLA)和竞争性自适应重加权(Competitive Adaptive Reweighting, CARS)筛选敏感波段,将筛选出的波段,使用偏最小二乘回归(Partial Least Squares Regression, PLSR)、支持向量回归(Support Vector Regression, SVR)和随机森林回归(Random Forest Regression, RFR)3种机器学习算法构建棉花LAI监测模型。结果表明:棉花冠层LAI敏感响应波段集中在可见光(400～780 nm)和近红外(900 nm之后)波段;对比3种机器学习算法,各预处理下RFR建立的LAI监测模型精度最高,稳定性最好,其中以FDR-SFLA-RFR模型最佳,在建模集的决定系数为0.74,均方根误差为1.648 3,相对均方根误差为26.39%;验证集的决定系数、均方根误差分别为0.67和1.622 0,相对均方根误差为25.97%。该研究基于无人机获取的棉花冠层光谱反射率,从不同光谱预处理、波段筛选及建模方法建立的模型中筛选出最佳估算模型用于棉花全生育期LAI监测,研究结果可为棉花大田精准管理及变量施肥提供依据。     

贵州草海表层沉积物重金属污染特征与源解析

为探明草海沉积物中重金属的污染水平和来源,将沉积物重金属与贵州表生沉积物地球化学背景值进行比较,阐述重金属沉积特征,以生物效应浓度为参考,评价重金属对水生生物的危害性;利用主成分分析法（PCA）、正定矩阵因子分析法（PMF）两种模型解析重金属污染源。结果显示,沉积物中只有Cu、Cr平均含量未超过背景值,Cd、Zn、Hg、As、Pb相对背景值的超标率分别为100%、95.23%、92.86%、83.33%、66.67%,Cu、Cr的含量大多低于效应浓度低值（ERL）,部分样本的Cd、Hg、Zn含量大于效应浓度中值（ERM）限值范围;两种模型均识别出4种污染源,分别为地表径流源占13.31%,人为活动源占45.13%,地质背景源占38.32%,大气沉降源占3.24%。研究表明,两种模型解析的污染源均可得到很好的表达,说明沉积物中重金属来源明确,在制定污染防治措施时应重视人为活动的影响。     

大苗造林技术

江西省萍乡市采用速生大苗树种营造大面积速生丰产林,加快绿色萍乡建设步伐,推动社会主义新农村建设。一、树种选择根据小班立地状况和营造速生丰产林的要求,每个小班选     

基于高分遥感影像的亚高寒草甸土壤水分含量反演

通过高分卫星遥感影像计算植被供水指数来反演亚高寒草甸土壤水分含量,结合高分辨率遥感影像(GF-2)和中分辨率的遥感影像(Landsat-7)进行土壤水分反演模型建模验证,揭示高分遥感影像结合植被供水指数法在青藏高原东北缘亚高寒草甸草原上的适用性,同时分析研究区土壤水分分布及其影响因素。基于高分二号（GF-2）、Landsat-7影像数据,以甘南藏族自治州当周草原为研究区,利用植被供水指数（VSWI, vegetation supply water index）构建土壤水分反演模型得到研究区土壤水分含量反演图,通过半方差函数及主成分分析法探索研究区土壤水分空间分布及影响因素。结果表明：研究区土壤水分含量分布状态呈现出一定程度的空间变异,体现在整个研究区内以及各个地块之间,土壤水分含量主要介于0.11%~60.44%之间;土壤水分含量与坡度、海拔、坡向、NDVI、地表温度均呈正相关关系,分布主要受NDVI、坡向、坡度、海拔的影响。综上,利用植被供水指数法结合高分遥感影像监测土壤水分含量是可行的,基于GF-2遥感影像所建立的模型拟合度最优,较Landsat-7遥感影像更具优势。     

Google Earth Engine平台支持下的南流江流域生态环境质量动态监测

为探究南流江流域2000—2019年生态环境质量的时空变化,利用Google Earth Engine（GEE）平台对2000—2019年南流江流域Landsat影像进行优化重构,并耦合植被绿度、湿度、地表温度、土壤干度等生态环境指标,构建遥感生态指数（RSEI）模型对南流江流域生态环境质量进行监测和评价。结果表明：2000—2019年南流江流域生态环境质量呈现逐年好转的态势,RSEI均值从2000年的0.543 4增长至2019年的0.636 4;南流江流域生态环境质量面积变化主要以中等生态风险等级向良生态等级转移为主,其中流域上游的中生态等级面积占比减少29.90个百分点,下游的良生态等级面积占比增加28.11个百分点。研究表明,使用GEE平台重构年度无云影像,可以对常年多云覆盖区的生态环境质量进行长时序的监测和评价。