简介:摘要 : 水稻叶片叶绿素含量遥感诊断是实现水稻精准施肥的核心要素。本研究通过分析寒地水稻关键生育期叶片高光谱反射率信息,同时结合 PROSPECT模型叶绿素含量吸收系数,参考借鉴现有高光谱植被指数的构造方法和形式,利用相关性分析、连续投影法、遗传算法优化的粗糙集属性简约法进行高光谱特征选择,提出了仅含有 695、 507和 465nm 3个高光谱特征波段的红边优化指数( ORVI)。与 Index Data Base数据库中其他用于叶绿素含量反演植被指数,包括 ND528,587、 SR440,690、 CARI、 MCARI的反演结果进行了对比分析,结果表明: IDB数据库中的已有 4种植被指数叶绿素含量反演模型的决定系数 R2分别为 0.672、 0.630、 0.595和 0.574; ORVI植被所建立的叶绿素含量反演模型的决定系数 R2为 0.726,均方根误差 RMSE为 2.68,精度高于其他植被指数,说明了 ORVI在实际的应用中,能够作为快速反演水稻叶绿素含量的高光谱植被指数。本研究能够为寒地水稻叶绿素含量高光谱遥感诊断及管理决策提供一定的客观数据支撑和模型参考。
简介:摘要 : 叶片湿润时间( LWD)是植物病害模型的重要输入变量之一,它与许多叶部病原菌的侵染有关,影响病原侵染和发育速率。为了准确地预测日光温室黄瓜病害的发生时间和方位,本研究于 2019年 3月和 9月在北京两个不同类型日光温室内按照棋盘格法设置了 9个采样点部署温湿光传感器和目测叶片湿润时间,每隔 1 h采集一次温度、湿度、辐射和叶片湿润数据进行定量估算分析。分析结果表明: BP神经网络模型在两个温室的试验条件下获得了相似的准确度( ACC为 0.90和 0.92),比相对湿度经验模型估算叶片湿润时间的准确度( ACC为 0.82和 0.84)更高,平均绝对误差 MAE分别为 1.81和 1.61 h,均方根误差 RSME分别为 2.10和 1.87,决定系数 R2分别为 0.87和 0.85;在晴天和多云天气条件下,叶片湿润时间的空间分布总体规律是南部>中部>北部,南面是叶片湿润平均时间( 12.17 h/d)最长的区域;由东向西方向上,叶片湿润时间的空间分布总体规律是东部>西部>中部,中部是叶片湿润平均时间( 4.83 h/d)最短的区域;雨天的叶片湿润平均时间比晴天和多云长,春季和秋季分别为 17.15和 17.41 h/d。这些变化和差异对温室黄瓜种群水平方向的叶片湿润时间分布具有重要影响,与大多数高湿性黄瓜病害的发生规律密切相关。本研究为预测温室黄瓜病害分布提供了有价值的参考,对控制病害流行和减少农药使用具有重要意义,提出的区域化分析温室内叶片湿润时间的方法,可以为模拟日光温室叶片湿润时间的空间分布提供参考。
简介:摘要 : 受经济和气候驱动,长江经济带水田空间格局发生了显著变化,影响区域粮食安全与生态安全。本研究基于 1990-2015年土地利用遥感监测数据,利用 GIS的空间分析功能,探究长江经济带水田空间格局动态变化特征,采用当量因子法计算生态系统服务价值( ESV),分析了水田变化的综合影响。结果表明: 1) 1990-2015年长江经济带水田规模持续缩减,共减少了 17390km2,减幅呈增长态势具有显著地域差异,长江中上游与下游的水田减幅相差约为 9.56%。其中下游减幅较大,水田占区域比例随之降低,中上游恰好相反。 2)由于经济建设及水产养殖的发展,水田主要转化为建设用地和水系,水田主要由水系、旱地和湿地等转化而来。长江三角洲城市群、长江中游及成渝城市群的水田变化最为剧烈,建设用地侵占水田扩张的现象分布广泛,水田转为水系主要在两湖平原局部地区。 3)水田与其他生态系统的转化对 ESV是正影响,水田转为水系对此贡献最大,其转化规模决定了不同时期 ESV净增量的大小,水系转化为水田损失的价值最多,建设用地侵占水田次之。不同市域的水田变化情况不一致,因此 ESV增减情况具有明显差异。 4)生态系统服务中水文调节、水资源供给增强的同时,食物生产、气体调节受到严重损害,与水资源规模扩大和水田资源大量流失有直接关系。研究结果有助于揭示长江流域水田的时空变化过程及其对各项生态系统服务的影响,可为区域土地利用规划、农业政策与生态可持续发展提供理论支持。
简介:摘要 : 含水量是表征水稻生理和健康状况的关键参数,精确预测水稻含水量对于水稻育种和大田精准管理具有重要意义。目前,利用无人机搭载光谱图像传感器监测作物生长的研究主要集中在利用植被指数评估作物在单一或者几个生育期的生长参数,针对作物含水量监测的研究非常有限。本研究主要利用多旋翼无人机低空遥感平台获取不同生育期水稻冠层的 RGB图像和多光谱图像,通过提取植被指数和纹理特征,分析水稻的动态生长变化,并构建了基于随机森林回归方法的含水量预测模型。试验结果表明:( 1)从无人机图像提取的植被指数、纹理特征以及地面测量的含水量都能用于监测水稻生长,并且这些参数随水稻生长呈现出了相似的动态变化趋势;( 2)与 RGB图像相比,多光谱图像评估水稻含水量具有更高的潜力,其中归一化光谱指数 NDSI771,611实现了更好的预测精度( R2=0.68, RMSEP=0.039, rRMSE =5.24%);( 3)融合植被指数和纹理特征能够进一步改善含水量的预测结果( R2=0.86, RMSEP=0.026, rRMSE=3.51%),预测误差 RMSEP分别减小了 16.13%和 18.75%。上述结果表明,基于无人机遥感技术监测水稻含水量是可行的,可为农田精准灌溉和田间管理决策提供新思路。
简介:摘要 : 随着无线终端数量的快速增长和多媒体图像等高带宽传输业务需求的增加,农业物联网相关领域可预见地会出现无线频谱资源紧缺问题。针对基于传统物联网的作物表型信息采集系统中存在由于节点密集部署导致数据传输过程容易出现频谱竞争、数据拥堵的现象以及固定电池的网络由于能耗不均衡引起监测周期缩减等诸多问题,本研究建立了一个认知无线传感器网络( CRSN)作物表型信息采集模型,并针对模型提出一种引入边缘计算机制的动态频谱和能耗均衡( DSEB)的事件驱动分簇路由算法。算法包括:( 1)动态频谱感知分簇,采用层次聚类算法结合频谱感知获取的可用信道、节点间的距离、剩余能量和邻居节点度为相似度对被监控区域内的节点进行聚类分簇并选取簇头,构建分簇拓扑的过程对各分簇大小的均衡性引入奖励和惩罚因子,提升网络各分簇平均频谱利用率;( 2)融入边缘计算的事件触发数据路由,根据构建的分簇拓扑结构,将待检测各区域变化异常表型信息触发事件以簇内汇聚和簇间中继交替迭代方式转发至汇聚节点,簇内汇聚包括直传和簇内中继,簇间中继包括主网关节点和次网关节点 -主网关节点两种情况;( 3)基于频谱变化和通信服务质量( QoS)的自适应重新分簇:基于主用户行为变化引起的可用信道改变,或分簇效果不佳对通信服务质量产生的干扰,触发 CRSN进行自适应重新分簇。此外,本研究还提出了一种新的能耗均衡策略去能量消耗中心化(假设 sink为中心),即在网关或簇头节点选取计算式中引入与节点到 sink的距离成正比的权重系数。算法仿真结果表明,与采用 K-medoid分簇和能量感知的事件驱动分簇 (ERP)路由方案相比,在 CRSN节点数为定值的前提下,基于 DSEB的分簇路由算法在网络生存期与能效等方面均具有一定的改进;在主用户节点数为定值时,所提算法比其它两种算法具有更高频谱利用率。
简介:摘要 : 水肥一体化自动装备的使用能够有效提高水肥资源利用率,但需要在作业前获知作物的营养状况及水肥需求量,而通过人工手持测量仪器来获取这些信息,存在着时效性差和劳动强度大等缺点。针对以上问题,本研究以常见的作物玉米为研究对象,使用大疆精灵Ⅲ无人机携带 RedEdge-M多光谱相机在田间上空采集玉米多光谱图像,同时使用 YLS-D系列植株营养测定仪测量玉米植株的氮素和水分含量等营养信息,根据这些信息将采集的图像分为 3个等级(每个等级共包含 530幅五通道图像,其中 480幅作为训练集, 50幅作为验证集),提出了一种基于卷积神经网络的玉米作物营养状况识别方法。并基于 TensorFlow深度学习框架搭建了 ResNet18卷积神经网络模型,通过向模型输入彩色图像数据和五通道多光谱图像数据,分别训练出适合于彩色图像和多光谱图像的玉米植株营养状况等级识别模型。试验结果表明:训练后的模型能够识别玉米作物的彩色图像和多光谱图像,能够输出玉米的营养状况等级和 GPS 信息,识别彩色图像模型在验证集的正确率为 84.7%,识别多光谱图像模型在验证集的正确率为 90.5%,模型训练平均时间为 4.5h,五通道图像识别平均用时为 3.56s。该识别方法可快速无损地获取玉米作物的营养状况,为有效提高水肥资源利用率提供了方法和依据。
简介:摘要 : 冠层光截获能力是反映作物品种间差异的重要功能性状,高通量表型冠层光截获对提高作物改良效率具有重要意义。本研究以小麦为研究目标,利用数字化植物表型平台( D3P)模拟生成了 100种冠层结构不同的小麦品种在 5个生育期的三维冠层场景,记录了从原始冠层结构中提取的绿色叶面积指数( GAI)、平均倾角( AIA)和散射光截获率( FIPARdif)信息作为真实值 ,进一步利用上述三维小麦场景开展了虚拟的激光雷达( LiDAR)模拟实验,生成了对应的三维点云数据。基于模拟的点云数据提取了其高度分位数特征( H)和绿色分数特征( GF)。最后,利用人工神经网络( ANN)算法分别构建了从不同 LiDAR点云特征( H、 GF和 H+GF)输入到 FIPARdif、 GAI和 AIA的反演模型。结果表明,对于 GAI、 AIA和 FIPARdif,预测精度从高到低对应的点云特征输入为 GF+H > H > GF。由此可见, H特征对提高目标表型特性的估算精度起到了重要作用。输入 GF + H特征,在中等测量噪音( 10%)情况下, FIPARdif和 GAI的估算均获得了满意精度, R2分别为 0.95和 0.98,而 AIA的估算精度( R2=0.20)还有待进一步提升。本研究基于 D3P模拟数据开展,算法的实际表现还有待通过田间数据进一步验证。尽管如此,本研究验证了 D3P协助表型算法开发的能力,展示了高通量 LiDAR数据在估算田间冠层光截获和冠层结构方面的较高潜力。