排序方式: 共有19条查询结果,搜索用时 15 毫秒
2.
基于全子集-分位数回归的土壤含盐量反演研究 总被引:2,自引:0,他引:2
为提高植被覆盖条件下卫星遥感对土壤含盐量的估测精度,以河套灌区解放闸灌域为研究区,以高分一号卫星影像为数据源,同步采集不同深度土壤含盐量,通过全子集筛选法(Best subset selection)分析不同波段和光谱指数对于不同深度土壤含盐量的敏感性,并采用人工神经网络(Artificial neural network,ANN)、支持向量机(Support vector machine,SVM)和分位数回归(Quantile regression,QR) 3种方法,构建全子集筛选前后0~20 cm、20~40 cm、0~40 cm、40~60 cm、0~60 cm等不同深度下的土壤含盐量反演模型。结果表明,B4、BI、SI1、SI3是0~20 cm、0~40 cm处土壤含盐量的敏感变量组合,B4、BI、NDVI为20~40 cm、40~60 cm、0~60 cm处土壤含盐量的敏感变量组合;在各深度下,分位数回归模型的精度最高,模型的决定系数R2c1、R2v1均在0. 4以上,均方根误差RMSEc1、RMSEv1均小于0. 4%,SVM次之,ANN最差;在20~40 cm深度下QR反演模型效果优于其他深度,为本文土壤含盐量估算的最优模型,其建模和验证的决定系数R2c1、R2v1分别为0. 611和0. 671,建模和验证均方根误差RMSEc1、RMSEv1分别为0. 177%和0. 160%。本研究可为卫星遥感大范围监测植被覆盖条件下土壤盐渍化程度提供参考。 相似文献
4.
为探究同化遥感数据对监测区域尺度土壤含盐量时空信息的适用性,以河套灌区沙壕渠灌域为研究区,以高分一号卫星影像为数据源,通过灰度关联法筛选光谱指数,采用岭回归法构建不同深度的土壤含盐量反演模型,使用集合卡尔曼滤波同化算法将遥感数据应用于HYDRUS-1D模型中,开展区域尺度不同深度土壤含盐量的同化研究。结果表明,基于不同深度土壤含盐量的岭回归法模型,其R2均在0.64以上,RE为0.14~0.22,反演精度较高,得到的反演值较为准确;在单点尺度上,与模拟值、反演值相比,同化值更接近实测值,其EFF为0.84~0.93,NER为0.61~0.73,均为正数,且RMSE降低到0.006%~0.011%,提高了HYDRUS-1D模型模拟精度;在区域尺度上,不同深度同化值的r均为0.94以上,NER为0.61以上,优于模拟值和反演值,且同化精度随着深度的增加而降低。本文基于遥感数据和HYDRUS-1D模型的集合卡尔曼滤波同化研究,提高了土壤含盐量的模拟精度,对提高监测区域尺度土壤含盐量时空信息的精度具有一定的参考价值。 相似文献
5.
6.
韩佳 《畜牧兽医科技信息》2023,(2):59-61
牛羊产品市场需求量的不断提高,推动了规模化养殖的发展。在养殖数量增大的初期,养殖户确实获得了较多的收益,但随着养殖的继续,牛羊疫病的发生开始增多,导致养殖效益不增反降,影响了养殖积极性。如何加强牛羊疾病的防控工作,确保养殖户的经济效益。本文分析了导致牛羊疾病发生的原因,并有针对性的提出了防控策略,供参考。 相似文献
7.
8.
猪气喘病又称地方流行性肺炎,是猪慢性传染病。该病是近年来严重危害养猪生产的呼吸道疾病,一般在天气骤变,圈舍拥挤,通风不良及饲养管理不当等情况下易引发该病。 相似文献
9.
缺镁、铁、硼胁迫对4 个柑橘砧木生长及养分吸收的影响 总被引:6,自引:0,他引:6
通过水培方式分别研究了缺镁、铁、硼处理对枳、香橙、红橘、崇义野橘4种柑橘砧木植株和根系生长及养分吸收的影响。结果表明:缺镁处理下,红橘在株高、叶片数、叶绿素含量、总根长、总根表面积及镁吸收速率等变化中表现出较强的抗缺镁特性,崇义野橘次之,枳、香橙较差;缺铁处理下,香橙在株高、叶片数、植株干样质量、总根体积、总根表面积和铁吸收速率等变化中表现出较强的抗缺铁特性,红橘次之,枳、崇义野橘较差;缺硼处理下,红橘在总根数、总根表面积、总根体积及硼吸收速率的变化中表现出较强的抗缺硼能力,而崇义野橘的地上部较耐缺硼,香橙、枳则表现出不耐缺硼。 相似文献
10.
基于无人机多光谱遥感的土壤含盐量反演模型研究 总被引:7,自引:0,他引:7
为探究无人机多光谱遥感技术快速监测植被覆盖下的土壤含盐量问题,以内蒙古河套灌区沙壕渠灌域内4块不同盐分梯度的耕地为研究区域,利用无人机搭载多光谱传感器获取2018年8月遥感影像数据,并对0~40cm〖JP〗的土壤进行盐分测定。分别引入敏感波段组、光谱指数组、全变量组作为模型输入变量,采用支持向量机(Support vector machine,SVM)、BP神经网络(Back propagation neural network,BPNN)、随机森林(Random forest,RF)、多元线性回归(Multiple linear regression, MLR)4种回归方法,建立基于3组输入变量下的土壤盐分反演模型,并进行精度评价,比较不同输入变量、不同回归方法对模型精度的影响,评价并优选出最佳盐分反演模型。结果表明,通过分析3个变量组的R2和RMSE,光谱指数组在4种回归方法中均取得了最佳的反演效果,敏感波段组和全变量组在不同的回归方法中反演效果不同。4种回归方法中,3种机器学习算法反演精度明显高于MLR模型,且MLR模型中的敏感波段组和全变量组均出现了“过拟合”现象,RF算法在3种机器学习算法中表现最优,SVM算法和BPNN算法在基于不同变量组的模型中表现也不相同。基于光谱指数组的RF的盐分反演模型在12个模型中取得了最佳的反演效果,R2c和R2v分别达到了0.72和0.67,RMSEv仅为0.112%。 相似文献