排序方式: 共有10条查询结果,搜索用时 15 毫秒
1
1.
煤矸石充填复垦地理化特性与重金属分布特征 总被引:7,自引:8,他引:7
为研究煤矸石充填复垦地农作物产量达到最佳时的覆土厚度及煤矸石充填复垦地重金属分布状况,该文以新庄孜矿煤矸石充填复垦地作为研究对象,采取室外田间小区试验和室内试验分析方法,选取不同覆土厚度50~60,60~70,70~80,80~90 cm的4类试验地块及对照地块对其土壤理化性质及农作物根系分布、长势产量、重金属元素含量进行调查分析,发现复垦地块各项指标与对照地块差异显著,劣于对照地块;煤矸石充填基质土壤理化性质较差;70~80 cm的厚度是煤矸石充填复垦造地较经济合理的覆土厚度。煤矸石复垦地重金属元素有向上迁移的趋势;复垦土壤及煤矸石基质中Pb、Zn、Cr元素含量处于安全水平;大部分监测的Cu、Ni、Cd元素含量高于淮南土壤背景值,低于中国土壤环境质量标准二级标准,对复垦土壤已构成潜在的威胁性,应予以重视;覆土厚度50~60 cm地块的煤矸石基质中Cu、Ni元素含量处于安全水平,煤矸石基质中Cd元素含量高于淮南土壤土壤背景值,低于中国土壤环境质量标准二级标准,应予以重视。结果表明70~80 cm的厚度是煤矸石充填复垦造地最佳覆土厚度;新庄孜煤矸石充填复垦地重金属有向上迁移的趋势,复垦土壤中重金属含量符合国家二级标准,未出现重金属污染情况,但部分重金属元素含量高于淮南市土壤背景值,应予以重视。 相似文献
2.
为提高冬小麦覆盖度估测精度,从增强近红外与红光差别的数学变换原理出发,构建了一种新型植被指数(NDVIn),再基于2013、2014年冬小麦冠层高光谱和模拟的资源三号卫星宽波段多光谱数据,分别构建基于常规植被指数(NDVI)与NDVIn的冬小麦覆盖度估算模型,然后利用留一交叉验证法对模型精度进行评价。结果表明,当n=6时,新生成的植被指数NDVI6对冬小麦农田覆盖度具有最好的估算性能,利用其基于小麦冠层高光谱及卫星多光谱数据建立的冬小麦覆盖度估算模型的决定系数r2分别为0.84、0.85,RMSE分别为0.092、0.091,模型精度均好于常规指数NDVI的估算结果。说明NDVI6用于估测冬小麦覆盖度具有可行性。 相似文献
3.
为更好地保护耕地资源实现中国式现代化的重要粮食安全局面,提升耕地资源提取精度、自动化程度是必不可少的。针对目前使用单一遥感数据进行耕地提取时存在的不足,本文以淮南市为例,基于Google Earth Engine(GEE)平台,获取Sentinel-1和Sentinel-2图像并进行预处理利用Sentinel-1的VV、VH波段以及Sentinel-2的NDVI、NDWI、BSI等指数。加入研究区的高程、坡度和坡向信息后,使用支持向量机(SVM)和随机森林(RF)分类算法对影像进行土地利用类型分类,通过开运算的形态学处理提取耕地并做精度分析。结果表明:与仅使用单一光谱数据相比,引入SAR数据和高程数据后,SVM算法和RF算法的总体精度(OA)分别提高了0.06和0.16,其中RF算法精度更高,总体精度达到了0.89。此外,形态学处理可以消除一些非耕地的细小图斑,进一步提高了耕地提取精度,总体精度达到了0.93,Kappa系数达到了0.90。 相似文献
4.
充填与非充填开采条件下煤矿沉陷区耕地土壤质量空间分布规律研究 总被引:2,自引:0,他引:2
为了研究煤矿井下充填开采是否能有效保护地表耕地土壤环境,保持土壤肥力,本文以皖北矿业集团公司五沟煤矿充填开采工作面与非充填开采工作面为试验区,在2个工作面对应上方地表分别划分试验区域和对照区域,进行采样、相关土壤指标检测及结果分析。试验区域(充填开采)包括:地表沉陷区坡脚B1处(点1?~点3?)、沉陷区坡面B2处(点4?~点6?)、沉陷区坡顶B3处(点7?~点9?);对照区域(非充填开采)包括:地表沉陷区坡脚A1处(点1~点3)、沉陷区坡面A2处(点4~点6)、沉陷区坡顶A3处(点7~点9)。每个区域分别在9个采样点内按照0~20 cm、20~40 cm和40~60 cm 3个土壤深度分层采集土样,对土壤理化性质以及该区域小麦株高和经济产量进行了测定和分析。试验结果显示,充填开采区域土壤碱解氮、有效磷、速效钾和有机质在3个土层的平均含量均高于非充填开采区域。试验观测期间,3月份B1处小麦株高小于A1处,5—6月B2和B3处小麦长势均优于A2和A3处,直至收割;小麦成熟时,充填开采区域经济产量高于非充填开采区。充填开采区域地块土壤含水量高于非充填开采区域。因此,本文认为充填开采比非充填开采更能保持开采区域上覆土壤的养分和水分。但与正常土壤背景值相比,充填开采区域上覆土壤仍存在某些营养元素(如有机质及磷元素)含量不足的问题,其作为农耕地需要加强人工活动的影响,如增施肥料、加强田间管理等。 相似文献
5.
基于无人机高光谱遥感数据的冬小麦产量估算 总被引:4,自引:0,他引:4
为了准确和高效地预测作物产量,以冬小麦为研究对象,利用无人机遥感平台搭载高光谱相机,获取了冬小麦各生育期的无人机影像。根据高光谱具有较多的光谱信息且存在特有的红边区域的特点,选取了9种植被指数和5种红边参数。首先,分析植被指数和红边参数与产量的相关性,优选5种植被指数和2种红边参数用于构建产量估算模型;然后,构建了不同生育期的3种产量估算模型:单参数线性回归模型、基于植被指数并使用偏最小二乘回归方法模型、基于植被指数结合红边参数并使用偏最小二乘回归方法模型;最后利用3种模型分别估算冬小麦产量。结果表明:4个生育期内,大部分植被指数和红边参数与产量呈现极显著相关性;拔节期、挑旗期、开花期与灌浆期构建的单参数线性回归模型中表现最佳的参数分别为REP、Dr/Drmin、GNDVI与GNDVI;利用偏最小二乘回归方法提高了产量估算精度,以植被指数结合红边参数为因子构建的模型提高了产量估算效果(优于以植被指数为因子构建的产量模型)。本研究可为无人机高光谱估算作物产量提供参考。 相似文献
6.
基于无人机高光谱遥感的冬小麦株高和叶面积指数估算 总被引:1,自引:0,他引:1
为了快速、准确地估算叶面积指数(LAI),通过无人机搭载成像高光谱相机,获取了冬小麦3个生育期的影像数据,从中提取出株高(Hcsm)。首先,分析了植被指数、Hcsm与LAI的相关性,挑选出最优植被指数;然后,分别构建了单个参数的LAI线性估算模型;最后,以植被指数、植被指数结合Hcsm为模型输入因子,采用偏最小二乘回归方法构建LAI估算模型。结果表明:通过无人机高光谱遥感影像提取的Hcsm精度较高(R2=0.95);在不同生育期,大部分植被指数和Hcsm均与LAI呈0.01显著相关水平;基于最优植被指数结合Hcsm估算LAI的精度优于仅基于最优植被指数或Hcsm的估算精度;以植被指数、植被指数结合Hcsm为输入变量,通过偏最小二乘回归构建的LAI估算模型在开花期估算精度达到最高,并且以植被指数结合Hcsm为自变量估算LAI的能力更佳(建模R2=0.73,RMSE为0.64)。本研究方法可以提高LAI估算精度,为农业管理者提供参考。 相似文献
7.
粉煤灰充填复垦地理化特性与重金属分布特征研究——以淮南洛河电厂粉煤灰复垦地为例 总被引:3,自引:0,他引:3
本文以淮南上窑储灰场中的粉煤灰充填复垦地为研究对象,选择粉煤灰复垦地与灰场周边非复垦区对照地块进行布点采样,在复垦地中分六层[H1(0~20 cm)、H2(20~40 cm)、H3(40~60 cm)、H4(60~80 cm)、H5(80~100 cm)、H6(100~120 cm)]分别采集土壤、粉煤灰样品并进行监测,对照地块按照同样方法采样监测,分析复垦地土壤理化性质和重金属的分布特征.研究结果显示,随着采样深度的增加,复垦地pH值从8.21到8.49呈递增的空间分布特征,各采样层pH值均高于对照地块;随着采样深度的增加,复垦地的含水量呈增加的空间分布特征,对照地块的含水量则是先增加后减少,粉煤灰基质具有良好的保水性能;养分含量在不同层位存在较大差异,粉煤灰复垦地速效氮、速效钾含量从H1至H6层呈现减少后增加的空间分布特征,在H3层处达到最小值16.23mg· kg-1、158.97 mg·kg-1,复垦地各层位的速效氮含量均低于对照地块、速效钾含量均高于对照地块;复垦地与对照地块的速效磷含量均呈现先减少后增加再减少的空间分布特征,最大有效磷含量分别为10.01mg·kg-1、11.91 mg·kg-1.对比土壤养分分级标准,复垦地土壤中速效氮、速效磷含量均处于缺乏水平,应增施磷肥、氮肥或有机肥以增加土壤养分.粉煤灰复垦地表层土壤和粉煤灰中的Cu、Cr、Pb、Zn、Cd、Ni等元素中Cr、Pb、Zn含量均低于淮南土壤背景值和中国土壤背景值,其中粉煤灰层中各重金属元素均处于土壤环境质量标准的二级范围内,其余各层位重金属元素除Cd均处于土壤环境质量标准的一级范围内;土壤中各重金属元素含量除Zn外均低于粉煤灰中的含量,且粉煤灰层中重金属有向表土迁移的趋势. 相似文献
8.
基于无人机数码影像的冬小麦株高和生物量估算 总被引:4,自引:4,他引:0
高效、快速地获取作物的株高和生物量信息,对农业生产有重要意义。该文利用2015年4月-6月获得了冬小麦拔节期、挑旗期和开花期的高清数码影像。首先基于无人机高清数码影像生成冬小麦的作物表面模型(crop surface model,CSM),利用CSM提取出冬小麦的株高(Hcsm),然后利用提取的21种数码影像图像指数,构建了拔节期、挑旗期和开花期混合的多生育期生物量估算模型,并进行单生育期和多生育期模型对比分析;最后选择逐步回归(stepwise regression,SWR)、偏最小二乘(partial least square,PLSR)、随机森林(random forest,RF)3种建模方法对多生育期估算模型进行对比,挑选出冬小麦生物量估算的最优模型。结果表明,提取的Hcsm和实测株高(H)具有高度拟合性(R2=0.87,RMSE=6.45 cm,NRMSE=11.48%);与仅用数码影像图像指数构建的生物量估算模型相比(R2=0.721 2,RMSE=0.137 2 kg/m2,NRMSE=26.25%),数码影像图像指数融入H和Hcsm所得模型效果更佳,其中融入Hcsm的模型精度和稳定性(R2=0.819 1,RMSE=0.110 6 kg/m2,NRMSE=21.15%)要优于加入株高H所构建的估算模型(R2=0.794 1,RMSE=0.117 9 kg/m2,NRMSE=22.56%);SWR生物量估算模型(R2=0.7212)效果优于PLSR(R2=0.677 4)和RF(R2=0.657 1)生物量估算模型。该研究为冬小麦生长状况高效、快速监测提供参考。 相似文献
9.
10.
基于无人机高光谱长势指标的冬小麦长势监测 总被引:5,自引:0,他引:5
为快速准确监测作物长势,以冬小麦为研究对象,获取了不同生育期的无人机高光谱影像。利用无人机高光谱数据构建光谱指数,并分析4个生育期的指数与生物量、叶面积指数以及由生物量和叶面积2个生理参数构建的长势监测指标(Growth monitoring indicator,GMI)的相关性;建立与GMI相关性较强的4个光谱指数的单指数回归模型,利用多元线性回归、偏最小二乘和随机森林3种机器学习方法分别建立冬小麦各生育期的GMI反演模型;将最佳模型应用于无人机高光谱影像,得到冬小麦长势监测图。结果表明:各生育期光谱指数与冬小麦GMI相关性较高,大部分指数都达到了显著水平,其中NDVI、SR、MSR和NDVI×SR与GMI的相关性高于生物量、叶面积指数与GMI的相关性;拔节期、挑旗期、开花期、灌浆期、全生育期,表现最好的回归模型对应光谱指数分别是NDVI×SR、NDVI、SR、NDVI和NDVI×SR;对比3种方法构建的GMI反演模型,开花期模型MLR-GMI效果最佳,此时期的模型建模R~2、RMSE和NRMSE分别是0. 716 4、0. 096 3、15. 90%。 相似文献
1