排序方式: 共有26条查询结果,搜索用时 156 毫秒
1.
近20年新疆农田生态系统碳足迹时空变化 总被引:1,自引:0,他引:1
利用1994—2013年新疆农田生产投入和农作物产量等数据,采用碳排放系数法估算了新疆农田生态系统的碳排放量、碳吸收量及碳足迹的变化动态以及在各县市的空间分布特征。结果表明:新疆农田生态系统的碳排量从1994年的179.46万t增长到2013年的474.15万t;不同年份农业碳排放均主要源于化肥使用量的增加和不科学的灌溉方式,其最大贡献率分别为40.02%和41.56%;农田生态系统的碳吸收量20年间增加了2185.04万t,棉花对新疆农田生态系统的碳吸收量贡献最大,多年平均贡献率达47%;新疆农田生态系统的碳排放量、碳吸收量区域主要集中在南疆的县市并呈现出沿天山对称的趋势;1994—2013年,农田生态系统碳足迹呈现快速增长态势,从1994年的2 732.63×104C·hm-2·a-1增加至2013年的4 474.89×104C·hm-2·a-1,碳足迹增加了283.59×104C·hm-2·a-1,表明新疆农田生态系统存在碳生态盈余的现象,种植结构生态效益指数大于1的年份为11个,种植结构的调整迫在眉睫。 相似文献
2.
基于分数阶微分的荒漠土壤铬含量高光谱检测 总被引:2,自引:0,他引:2
为解决高光谱检测土壤中痕量级重金属含量存在的困难,提高土壤重金属铬含量检测的准确度,利用新疆准东煤田周边168个荒漠土壤样本的重金属铬含量及其对应的高光谱数据,运用分数阶微分算法进行光谱数据预处理,最后利用全部波段进行偏最小二乘建模并进行可视化分析,旨在探讨分数阶微分预处理在高光谱数据估算荒漠土壤重金属铬含量的可能性。结果表明:原始光谱与吸光率变换的分数阶微分模型均在1.8阶微分处达到了最好的精度效果。吸光率变换1.8阶微分模型为最优模型,模型的校正均方根误差为7.68 mg/kg,R_c~2=0.83,预测均方根误差为8.39 mg/kg,R_p~2=0.78,相对分析误差为2.14。最后利用铬含量实测值与光谱预测值通过反距离加权法插值获得研究区土壤重金属铬含量的空间分布,说明利用该方法对土壤重金属铬含量定量检测并进行大尺度的空间分布反演在一定程度上是可行的,为荒漠土壤重金属污染状况的高光谱检测提供了一定的科学依据和技术支持。 相似文献
3.
基于机器学习算法的土壤有机质
质量比估算 总被引:2,自引:0,他引:2
为快速高效地估测干旱、半干旱地区土壤有机质(soil organic matter, SOM)质量比,提出了一种结合竞争适应重加权法(CARS)和随机森林(RF)的估测模型.以内陆干旱区艾比湖流域为研究区,测定土壤高光谱反射率和SOM质量比,经预处理后,利用CARS对原始光谱(R)、一阶导数(R′)、吸光度(log(1/R))及吸光度一阶导数[log(1/R)]′4种光谱变量的可见-近红外光谱进行筛选,并结合RF算法,建立全谱段RF模型与CARS-RF模型.结果表明,基于CARS方法对光谱进行变量筛选后,得出4种光谱变量的优选变量集个数分别为35,26,34和121;在4种光谱变量中,R′和[log(1/R)]′的SOM估测模型精度较高,以[log(1/R)]′为基础数据获得的模型精度最高;CARS-RF模型精度优于全谱段RF模型,模型验证集决定系数(R2)、均方根误差(RMSE)、相对分析误差(RPD)分别为0.881,6.438 g/kg和2.177.该研究在预处理的基础上通过变量优选,应用较少的变量个数获得较高的估测精度,为干旱、半干旱区SOM高光谱估测提供了适宜高效的方法. 相似文献
4.
基于反射光谱与Landsat 8 OLI多光谱数据的艾比湖湿地土壤盐分估算 总被引:5,自引:0,他引:5
土壤盐渍化是农业生产中最关键的生态问题之一,是一种降低土壤质量,严重影响作物产出的缓慢土壤退化过程。因此,土壤盐分的监测及评估对干旱区的土地管理与恢复至关重要。选取艾比湖湿地为研究区,基于2016年干湿两季(5月/9月)的Landsat8 OLI遥感影像,147个土壤实测样点的电导率(Electrical Conductivity, EC)数据及其对应的室内反射光谱数据,通过光谱重采样技术,建立该研究区土壤EC的偏最小二乘(partial least-squares regression, PLSR)定量估算模型,并尝试对干湿两季的土壤盐渍化状况进行对比分析。结果表明:(1)艾比湖湿地土壤盐渍化较为严重,湿季土壤EC(23.90 mS·cm~(-1))高于干季(11.62 mS·cm~(-1));(2)基于重采样处理后的光谱数据及13个光谱指数所建立的PLSR模型具有较好的精度(R2=0.91,RMSE=6.48mS·cm~(-1),RPD=2.45),说明该模型可以有效地对区域尺度的土壤EC进行定量估算。(3)从2016年5月至9月,艾比湖湿地的中度和重度盐渍土面积增加,轻度盐渍土和盐土面积减少。本研究将两种不同分辨率的数据进行联合建模,既提升了传统光学遥感影像模型的精度,又将高光谱数据扩展至像元尺度上,为土壤盐分信息的遥感提取提供了科学参考。 相似文献
6.
艾比湖湿地不同盐渍化土壤粒度组成及可蚀性研究 总被引:3,自引:0,他引:3
为了研究内陆干旱区不同盐渍化土壤的粒径组成及其可蚀性的空间分布,在不同盐渍化程度上探讨其与土壤中盐分含量的相互关系,本研究以新疆维吾尔自治区艾比湖湿地为研究靶区,利用2015年5月获取的66个表层土壤样品,对土壤的粒度组成、含盐量、分形维数和可蚀性因子K值进行了研究。结果表明:样品中盐土占比达到59.09%,平均含盐量达131.59 g/kg,研究区内盐渍化现象既普遍又严重;土壤颗粒以粉粒和砂粒为主,随着盐渍化程度的加剧黏粒含量不断增加,砂粒含量则相反;土壤颗粒的分形维数D值介于2.14~2.60,平均值为2.45;随着盐渍化程度加剧,分形维数逐渐变大,K值也随之逐渐增大,盐土的K值最大达0.093;土壤可蚀性因子K值与含盐量的相关性较高(r=0.596**),在一定程度上可以说明,土壤的含盐量水平越高,K值越大,越容易被侵蚀。 相似文献
7.
基于AOD数据的新疆大型露天煤炭开采区PM2.5和PM10反演 总被引:2,自引:1,他引:1
MODIS气溶胶产品AOD与PM2.5、PM10浓度高度相关,已广泛应用在PM2.5、PM10浓度模拟.该研究以新疆维吾尔自治区大型露天煤炭开采区准东矿区为研究对象,结合实测的2014年5月、7月、9月、12月PM2.5、PM10质量浓度数据与经过垂直湿度订正的MODIS气溶胶产品AOD,利用多元回归进行拟合建模,从建立的40个模型中选取最优模型并据此对研究区PM2.5、PM10的质量浓度进行定量估算.结果表明:AOD与PM2.5、PM10呈极显著正相关;4个月AOD与PM2.5、PM10质量浓度估算模型最优模型均为多项式模型;其中7月AOD与PM2.5质量浓度拟合模型较好(R2=0.6258),实测值与预测值拟合趋势线R2为0.8057;9月PM10拟合模型效果理想(R2=0.7329),实测值与预测值拟合趋势线R2为0.8077;将AOD代入最优模型反演PM2.5,从空间层面上反映出各区域PM2.5浓度差异明显.研究结果可为AOD的深度利用与PM2.5、PM10浓度的遥感估算提供参考,在大气污染物空间分布、监测大气环境质量、污染预测等方面都具有重要意义. 相似文献
8.
一、常见故障的原因分析 1.安装液压制动装置后,制动无力或疲软这是由于制动管路或制动分泵中有残余气体造成的.处理方法:停车熄火,将管路各部位的接头拧紧,连续踩下制动踏板,直到踩不下去为止. 相似文献
9.
以渭干河-库车河绿洲(渭-库绿洲)为研究区,采用在机器学习方面具有明显优势的随机森林回归算法,对绿洲内的4种典型植被(棉花、芦苇、杨树、大枣)叶片的叶绿素相对含量(soil and plant analyzer development,SPAD)考。进行估算和验证。首先基于"红边"处光谱信息丰富的哨兵2号(Sentinel-2)影像和由其衍生的一阶微分、二阶微分影像各提取23种对叶绿素敏感的宽波段光谱指数,加入3种影响植物生长的土壤参量(土壤含水量,土壤有机质,土壤电导率)作为影响叶片SPAD的特征变量,再根据以上特征变量对每种植被叶片各建立3种方案的SPAD估算模型,从而实现对绿洲内植被叶绿素的监测。结果表明:①影像经一阶微分再提取的植被指数相比原位光谱植被指数,在SPAD估测模型中起到了更重要的作用,在随机森林算法的重要性排序中位居前列;②4种植被叶片的SPAD估测模型都取得了不错的效果,芦苇叶片尤为显著,确定系数(R^2)达到了0.926;③分析对比3种方案下模型预测能力,方案3(包含土壤参量)的预测能力卓越〔2.143<相对百分比偏差(RPD)<2.692〕,其预测能力排序为:方案3>方案1>方案2,土壤属性和模型预测结果有较强的非线性相关。Sentinel-2数据具有理想的估算绿洲植被叶绿素含量的潜力,提供了一种高效、低成本、潜在高精度的方案来估算叶绿素含量,可为干旱区绿洲农业、生态系统实现更有效的保护和管理提供参考。 相似文献
10.
基于光谱指数与机器学习算法的土壤电导率估算研究 总被引:1,自引:0,他引:1
土壤盐分是干旱区土壤盐渍化评价的重要指标。以新疆维吾尔自治区渭干河-库车河三角洲绿洲为例,基于土壤电导率 (Electrical conductivity,EC) 及可见光-近红外 (Visible and near infrared, VIS-NIR) 光谱数据,通过蒙特卡洛交叉验证 (Monte Carlo cross validation, MCCV) 确定364个有效样本。采用原始光谱 (Raw reflectance, R) 及其经过微分、吸光度 (Absorbance, Abs)、连续统去除 (Continuum removal, CR) 等6种预处理后的数据构建光谱指数。基于遴选出的21个最优指数,采用BP神经网络 (Back propagation neural network, BPNN)、支持向量机 (Support vector machine, SVM)、极限学习机 (Extreme learning machine, ELM) 三种算法对EC进行估算,并引入偏最小二乘回归 (Partial least squares regression, PLSR) 进行比较。结果表明:在基于R与6种光谱预处理数据构建的21个最优光谱指数之中,R_FD_RSI (R1913,R2142) 表现最佳 (r = 0.649) ;与PLSR相比,机器学习算法能够显著提高模型的估算精度,R2提高了34.55%。三种机器学习算法模型中,ELM表现最优 (R2 = 0.884, RMSE = 3.071 mS?cm-1, RPIQ = 2.535) 。本研究中所构建的光谱指数在兼顾遥感机理的同时能深度挖掘更多的隐含信息,并且基于机器学习算法的土壤EC估算模型精度显著提高,为干旱区土壤盐分定量估算提供了科学参考。 相似文献