林芝市典型土地利用方式下土壤粒度特征分析

以西藏东南部地区林芝市草地、耕地、园地土壤为调查对象,开展土壤粒度特征分析及差异对比。结果表明：林芝市土壤质地以粉砂质土壤为主,不同土地利用方式下土壤中黏粒和砂粒含量变化较大,表现出明显的粗骨性特征;随着土层深度的增加,不同土壤平均粒径均呈增大—减小—增大的趋势,其中20～30 cm和30～40 cm土层变化明显;从不同土地利用方式看,草地土壤0～50 cm土层土壤粒级含量平均值和中值粒径高于耕地和园地,同一农作物类型下的耕地土壤粒度变化一致性强,受人为改造作用影响的耕地和园地土壤粒度变化具有相似性;土壤的粒度变化受地形条件的制约和土地利用方式的影响。     

基于深度神经网络的探地雷达杂波抑制和根参数预测方法

为解决探地雷达（ground penetrating radar, GPR）异质土壤环境下树木根系检测图像存在背景杂波,影响检测精度,并且其数据的解译自动化程度低、成本高的问题,该研究提出一种基于深度神经网络（deep neural networks, DNN）的探地雷达杂波抑制和根参数预测方法。首先引入注意力机制优化U-net模型构成杂波抑制网络,更好地关注目标根系的双曲线反射,去除土壤异质性和雷达天线之间耦合带来的杂波影响,然后将杂波抑制前后的两张图像并行输入根参数估计网络,利用inception的多尺度感受野,挖掘全局特征和局部特征,同时预测根深度和根半径。利用仿真数据和合成真实数据构成的数据集验证方法的可行性,并完成了实地埋根试验。基于数据集的试验结果表明,该方法对于根半径预测的平均绝对误差为1.7 mm,R²值为0.914,根深度预测的平均绝对误差为6.3 mm,R²值为0.989;埋根试验的结果证明该方法对于根半径预测的最大误差为1.85 mm,根深度预测的最大误差为13.6 mm,平均相对误差为6.55%,实现了对根半径和根深度的准确预测。研究结果有助于为果树健康管理以及为古树名木保护提供决策参考。