排序方式: 共有74条查询结果,搜索用时 312 毫秒
1.
梨新鲜度与其挥发性成分的关系研究 总被引:1,自引:0,他引:1
以砀山酥梨为试材,采用顶空固相微萃取-气相色谱-质谱联用(HS-SPME-GC-MS)技术,分析了砀山酥梨在(4±1)℃条件下挥发性成分的变化,检测了砀山酥梨可溶性固形物、硬度、酸度等新鲜度指标,探讨了砀山酥梨新鲜度与其挥发性成分之间的关系。结果表明:新鲜砀山酥梨在(4±1)℃条件下的保鲜时间为42d,其特征性气味成分主要为正己醇、1-辛醇;不新鲜砀山酥梨的特征性气味成分为2-甲基丁基乙酸酯、硅酸四乙酯、异戊醇、正己醇、1-辛醇、香叶基丙酮,且砀山酥梨由新鲜变为不新鲜时的阈值分别为1.57、2.74、1.39、15.15、211.13、2.36μg/L。试验结果为通过气味判断砀山酥梨的新鲜度提供了理论参考。 相似文献
2.
了解土壤养分的空间异质性是实现精准施肥与农业可持续管理的重要基础,为精准获取典型白浆土区耕地土壤养分空间分布信息,以典型白浆土区0~20 cm耕层土壤速效钾(Available kalium,AK)为研究对象,结合实地采样点与协同克里格(Cokriging,COK)插值法,对比使用不同辅助变量的插值精度,分析典型白浆土区AK空间异质性。结果表明,研究区内AK含量呈南高北低,介于92.00~364.00 mg/kg,平均为171.78 mg/kg,处于较高水平。有效磷(Available phosphorus,AP)等土壤因子、高程(Elevation,E)等地形因子、遥感指数如归一化差异植被指数(Normalized difference vegetation index,NDVI)等均与AK含量存在显著相关关系,而且加入上述各辅助变量的克里格(协同克里格,COK)插值法精度更高,即COK>OK(普通克里格)。其中,将AP作为辅助变量时精度最高,交叉验证RMSE为36.225 mg/kg。综上,选取最佳辅助变量更有助于分析研究区内AK空间异质性。 相似文献
3.
土壤有机质与水分反射光谱响应特征综合作用模拟 总被引:2,自引:0,他引:2
土壤有机质与水分均对土壤反射光谱特征有显著的影响,但其作用机理难以定量描述。通过对黑龙江省典型黑土区土壤野外高光谱反射率的测定,研究了该区土壤的光谱反射特征;利用BP神经网络方法,以土壤有机质与水分数据作为输入层,以土壤光谱反射率一阶微分作为输出层,建立黑土有机质与水分的高光谱预测模型,并对模型的稳定性和预测能力进行检验。结果表明:土壤有机质与土壤表层0~20 cm含水量之间具有显著的相关性,相关系数为0.59;1570 nm波段处的一阶微分为输出层的模型精度最高,RMES达到0.017,平均绝对误差为0.014,平均相对误差为0.110;模型检验结果表明建立的BP神经网络模型具有良好的稳定性;土壤有机质、含水量对土壤光谱反射率的综合作用得到较准确的描述,可以用于野外土壤有机质与水分的速测。 相似文献
4.
为了对田块尺度农作物地上干生物量进行估测,提高大豆地上干生物量反演模型的精度和稳定性,该文获取了研究区地块2016年7、8月份的SPOT-6多光谱数据,并测定不同地形坡位的大豆地上干生物量,以归一化植被指数(normalized difference vegetation index,NDVI)和增强型植被指数(enhanced vegetation index,EVI)为输入量,建立田块尺度大豆地上干生物量一元线性回归模型;加入与地上干生物量相关的地形因子,建立逐步多元回归和神经网络多层感知反演模型.结果表明:1)使用传统的单一植被指数模型预测大豆地上干生物量有可行性,但模型精度和稳定性不高.2)加入地形因子(海拔、坡度、坡向)的神经网络多层感知器模型,有较高的精度和可靠性,模型准确度达到90.4%,验证结果显示预估精度为96.2%.反演结果与地块的地形、地貌、气温和降水特征基本吻合,反映了作物长势的空间分布特征,可以为田块尺度大豆地上干生物量动态监测和精准管理,提供借科学依据. 相似文献
5.
基于光谱吸收特征的土壤含水量预测模型研究 总被引:7,自引:0,他引:7
为了定量分析土壤含水量与反射光谱特征之间关系,并为土壤含水量速测提供理论依据。以黑土作为研究对象,测定实验室光谱反射率,利用去包络线方法提取反射光谱特征指标,建立土壤水分含量高光谱预测模型。结果表明:黑土含水量与1 420 nm、1 920 nm附近吸收谷的主要光谱特征(吸收谷深度、宽度、面积)呈显著正相关;1 920 nm附近吸收谷可作为黑土土壤水分的特征吸收谷,由其光谱特征参数预测黑土含水量;以1 920 nm附近吸收谷面积为自变量建立的一元线性回归模型预测精度高,输入量少,可以作为土壤含水量速测仪器研制的理论依据。 相似文献
6.
黑土区田块尺度土壤有机质含量遥感反演模型 总被引:5,自引:4,他引:5
为了对田块尺度土壤有机质进行空间反演并提高模型精度和稳定性,该文以黑龙江省黑土带41.3 hm~2田块为例,获取2016年5月中下旬两期(受限于拍摄周期和天气原因而选择不同卫星影像,2016年5月17日Landsat 8影像和5月25日Sentinel-2A影像)裸土时期遥感影像和4 m分辨率DEM数据;分析单期影像与土壤有机质(soil organic matter,SOM)的关系,两期影像所包含的土壤含水量变化信息与地形因素对SOM预测模型精度的影响,建立基于BP神经网络的SOM遥感反演模型。结果表明:该田块内SOM含量差异较大;利用单期影像预测SOM时,基于红波段和785~899 nm波段建立的预测模型精度(建模均方根误差RMSE 1.033,检验RMSE 1.079)和稳定性(建模决定系数R2 0.677,检验R20.644)较高;两期影像时,基于红波段和1 570~1 650 nm波段建立的预测模型精度(建模RMSE 0.855,检验RMSE 0.898)和稳定性(建模R2 0.792,检验R2 0.797)显著提高;在两期影像模型基础上,加入地形因子作为输入量,模型精度(建模RMSE 0.492,检验RMSE 0.499)和稳定性(建模R2 0.917,检验R2 0.928)进一步提高。研究成果可为土壤碳库估算和农田精准施肥提供理论与技术支持。 相似文献
7.
引入时相信息的耕地土壤有机质遥感反演模型 总被引:5,自引:3,他引:5
土壤有机质(soil organic matter,SOM)是土壤质量评价的重要指标。监测SOM含量及其空间分布对土壤利用与保护、土壤有机碳库估算等具有重要意义。该文以松嫩平原典型区为研究区,采集4种主要土壤类型样本共147个,获取裸土期多时相MODIS地表反射率8 d合成产品,以单期、多期影像所构建光谱指数作为输入量,构建包含含水量变化与有机质含量信息的多光谱指数,建立SOM线性回归遥感反演模型,揭示SOM空间分布规律。结果表明:由于土壤含水量空间差异随时间变化,基于单期影像构建的模型主要输入量发生规律性改变,其中年积日137 d裸土条件最好,反演模型最优;比值光谱指数R61与SOM显著相关,而和含水量相关性极小,适于作为反演模型输入量;基于多期影像构建的模型引入时相信息后,精度与稳定性较单期影像模型显著提高,其中基于年积日137、105 d两期影像光谱指数所建立的多元线性模型最优;松嫩平原SOM呈现由东北向西南递减趋势。 相似文献
8.
黑土区田块尺度下地形影响作物长势机理分析 总被引:1,自引:0,他引:1
为揭示作物长势及水肥运移的空间分异规律,探究田块尺度内作物长势与地形变化的关系,以东北典型黑土区东兴农机合作社为研究区,沿南北垄向提取高精度数字高程模型(Digital elevation model,DEM)与归一化植被指数(Normalized differential vegetation index,NDVI)信息,构建地形指标,分析NDVI的空间变异性。结果表明,坡型凸凹程度越明显,NDVI的空间变异性越大;同类坡型中阴坡NDVI的空间变异性与坡型凸凹程度呈负相关;坡度在±0.03范围内,作物长势好,空间变异性低;以坡度绝对值高于0.04的坡度均值与其对应直线距离所占整条直线的比值作为自变量,构建多元逐步回归模型,进行回归分析,可以解释大豆NDVI决定系数为0.965 2、高粱NDVI决定系数为0.888 3的空间变异性。不同地理空间的地形与成土母质差异显著,通过分析研究区内地形对作物长势的影响规律,可为田块尺度地形的分析提供借鉴,有助于指导农户合理地进行水肥分配。 相似文献
9.
根据作物长势的空间差异对耕地进行精准管理分区,可以指导田间变量管理,漫川漫岗黑土区地形复杂,分区时应考虑微地形对作物的影响.以典型黑土区玉米田块为研究区,利用1.1m空间分辨率的无人机多光谱影像提取玉米大喇叭口期(播种后约45 d)归一化植被指数(Normalized difference vegetation ind... 相似文献
10.
精准管理分区是实施精准农业的重要环节,对分区结果的时空变化分析有利于因地制宜制定田间精准管理措施。该研究以黑龙江省友谊农场种植玉米作物的田块为研究区,获取多年玉米出苗期Sentinel-2 A卫星遥感影像,提取归一化差异植被指数(Normalized Difference Vegetation Index, NDVI),运用面向对象分割的方法进行精准管理分区,通过空间转移矩阵方法表述研究区分区格局变化情况,并对精准管理分区时空格局成因进行探究。结果表明:研究区在2017-2020年6月上旬精准管理分区格局相似;分区后NDVI、高程、坡度的变异系数分别降低了70.690%~76.420%、42.857%~57.143%、30.723%~34.940%;同一条垄线上,4期NDVI最高值均位于阳坡,且坡顶至阴坡坡底NDVI值逐渐降低;作物生长初期地形影响土壤水分及温度分布从而影响作物长势及精准管理分区格局。研究结果为精准管理分区与精准施肥、施药等田间变量管理措施的衔接提供参考。 相似文献