农业用地土壤重金属样本点数据精化方法——以北京市顺义区为例

样本点空间分布是样点数据检测评价和挖掘分析的关键因素。以北京市顺义区为例,研发了一种农业用地土壤重金属样本点数据精化方法：首先构建样本点均匀变异指数和均匀因子离散图来共同检测样本点数据均匀性,进一步将样本点类型划分为均匀样本点、聚集样本点和稀疏样本点并确定其数量;其次删除聚集样本点,基于研究区历史数据加密稀疏样本点;最后基于地理空间样本点均匀变异指数、特征空间偏离指数和插值误差共同评价数据精化效果。结果表明,研究区样本点的均匀变异指数为0.429,存在一个聚集样本点和一个稀疏样本点,空间偏离指数为0.327,空间属性插值误差为6.538;冗余数据精化后进行均匀性检测没有发现聚集样本点和稀疏样本点,均匀变异指数下降到0.406,特征空间偏离指数微弱下降,空间属性插值误差下降到6.357。研究表明该方法可以对提高采样数据的均匀性和代表性提供理论指导,可以服务于土壤污染防治行动计划（土十条）、土壤污染状况详查等,为更加精确研究土壤空间信息变化提供一定的基础条件。     

韩江中游蕉岭长潭次生常绿阔叶林的结构特征

应用中心点四分法并附设样方的方法调查了地处韩江中游的蕉岭长潭次生常绿阔叶林。结果显示:群落的红背椎、木荷、枫香、石栎为优势种,约占群落总种数的11.1%;常见种约占群落总种数的27.8%;偶见种占61.1%,其数量最高但在群落中处于附属地位;各种类在群落中的分布较均匀。群落可明显分为林木层、灌木层和草本层,层间植物丰富,表明了韩江中游常绿阔叶林遭受破坏后在保护较好情况下,群落顺向演替重新恢复的特征和趋势。经营管理中应根据群落特点,在加强管护基础上促进森林的顺向演替。     

果园土壤电导率适宜样本容量的影响因素研究

2005年4~7月期间利用W.E.T电导率测量仪,采用网格化取样方式对烟台农科院梨园的表层土壤(0~30cm)电导率的162个样点进行了3次取样,并对土壤电导率适宜样本容量的影响因素进行了研究。结果表明,在所考虑的置信水平和精度范围内,相对于取样间距的变化,不同取样时间土壤电导率合理采样数的变化更加明显,取样间距不同引起的合理采样数的变化幅度介于1.28%~11.36%之间,取样时间不同时合理采样数的变化幅度介于33.33%~45.67%之间。因此在研究区域内,由人为因素(施肥等)引起的土壤电导率分布状况是影响其合理取样数目的主要因素。     

车载智能土壤采样系统设计与试验

针对传统土壤样本采集操作复杂、劳动强度大、采集精度低和缺乏信息化管理的问题,设计了一种车载智能土壤采样系统。该系统安装于无人驾驶采样车上,系统包括土壤样本自动采集装置和电气控制系统。对系统整个工作过程进行分析,确定了各关键机构及控制硬件的主要工作参数。电气控制系统以运动控制器为控制核心,土壤样本自动采集装置对不同深度范围的土样进行采集,并按地理位置信息分类收集,通过RFID读写器将GPS系统定位所解算的目标采样点的经纬度地理信息和采样深度等信息写入收集土样采样筒底部的电子标签中。性能试验表明,安装于无人驾驶采样车的车载智能土壤采样系统工作运行稳定、可靠,能够对农耕层0~200mm任意深度范围的土壤进行自动分层采样,效率高、精度高、全程自动化,能够按照位置信息进行分类管理,较好地满足了智能化高质量采集土样的需求。     

芋疫病空间分布格局及其抽样技术研究

为了进一步提高对芋疫病预测预报,科学指导生产上的防治,应用最小二乘法、频次分布、聚集度指标、m^*-m回归分析和Taylor幂法则等对病株的空间分布型进行了分析。结果表明:当田间芋疫病病株率在0.427~0.513时,病株田间分布属聚集分布;当田间芋疫病病株率在0.720~0.820时,病株田间分布属均匀分布。此外其病株空间分布的基本成分是个体群,病株个体间相互吸引,病株在大田中存在明显的发病中心,且病株个体的空间格局随着病株密度的提高越趋均匀分。在此基础上,提出了Iwao最适理论抽样模型N=232.3783/m-87.9438,并建立序贯抽样模型T₀(N)=0.3689N±1.7177$\sqrt{N}$,即:调查株数N时,若累计病株率超过上界可定为防治对象田,若累计病株率未达到下界时,可定为不防治田,若累计病株率在上下界之间,则应继续调查,直到最大样本数m₀=0.3689时,也即病株率15%,所需抽样数542株止。     

柑桔网纹绵蚧[Chloropulvinaria polygonata(Green)]种群空间分布型和序贯抽样技术研究

网纹绵蚧田间种群属聚集分布。本文给出了Iwao、Kuno序贯抽样图、表和复序贯抽样图。     

杨树烂皮病空间格局及抽样技术的研究

用Taylor幂法则和Iwao回归研究了杨树烂皮病的空间格局,认为其格局是以感病杨树个体群为基本分布成份的均匀分布,并从感病株数、病情指数两个水平给出了最适抽样、数据代换、序贯分析的模型群。     

大屏障森林公园次生常绿阔叶林的结构特征

应用中心点四分法对大屏障次生常绿阔叶林进行了调查,确定了在大屏障常绿阔叶林的最小取样点数,分析了常绿阔叶林的优势种、外貌以及群落的结构,结果表明,群落以小叶青冈Cydobalanopsis myrsinaefolia和黄牛木Cratoxylum cochinchinense为优势种,群落终年常绿,板根现象不明显,但层间植物比较丰富,体现了一定的南亚热带季风常绿阔叶林特征．群落的结构比较简单,可明显地分为乔木层、灌木层和草本层,大屏障次生常绿阔叶林对于该地区具有重要的意义,要加强对其的保护,促进森林的进展演替。     

尼勒克县春小麦田杂草调查及防治策略

运用倒置“W”9点取样法对新疆尼勒克县春小麦田杂草调查结果表明:尼勒克县春小麦田杂草有15种,隶属11个科,其中豆科4种,菊科2种,禾本科、十字花科、旋花科、唇形花科、蓼科、藜科、木贼科、桑科、紫草科各1种。其中块茎香豌豆、野燕麦和苦苣菜几种杂草的相对多度分别为54.9%、52.3%和46%,为优势种群。根据其杂草分布特点,采取农业、物理机械及化学防治措施,能有效控制草害发生与危害。     

Improved Prediction and Reduction of Sampling Density for Soil Salinity by Different Geostatistical Methods

The spatial estimation for soil properties was improved and sampling intensities also decreased in terms of incorporated auxiliary data. In this study, kriging and two interpolation methods were proven well to estimate auxiliary variables： cokriging and regression-kriging, and using the salinity data from the first two stages as auxiliary variables, the methods both improved the interpolation of soil salinity in coastal saline land. The prediction accuracy of the three methods was observed under different sampling density of the target variable by comparison with another group of 80 validation sample points, from which the root-mean-square error （RMSE） and correlation coefficient （r） between the predicted and measured values were calculated. The results showed, with the help of auxiliary data, whatever the sample size of the target variable may be, cokriging and regression-kriging performed better than ordinary kriging. Moreover, regression-kriging produced on average more accurate predictions than cokriging. Compared with the kriging results, cokriging improved the estimations by reducing RMSE from 23.3 to 29% and increasing r from 16.6 to 25.5%, regression-kriging improved the estimations by reducing RMSE from 25 to 41.5% and increasing r from 16.8 to 27.2%. Therefore, regression-kriging shows promise for improved prediction for soil salinity and reduction of soil sampling intensity considerably while maintaining high prediction accuracy. Moreover, in regression-kriging, the regression model can have any form, such as generalized linear models, non-linear models or tree-based models, which provide a possibility to include more ancillary variables.