基于遥感和作物生长模型的多尺度冬小麦估产研究

粮食安全是社会和谐、政治稳定和经济可持续发展的重要保障。准确预测区域乃至全球的农作物产量能够为各级政府、相关部门制定农业农村政策提供技术支持,保障粮食安全。目前关于农作物估产的研究大多具有地域性、经验性,过分依赖地面实测数据,一种基于多光谱卫星遥感数据和作物生长模型估算农作物产量的模型框架SCYM（Scalable Crop Yield Mapper）能够极大地减少模型对实测数据的依赖,快速应用于不同空间尺度、不同种类作物的估产,为多尺度农作物估产研究提供了一条有效的途径。以安徽省2012年-2018年冬小麦为研究对象,通过总结前人研究确定的敏感参数及其在研究区内的波动范围,结合大量实割实测数据优化WOFOST（WOrld FOod STudies）模型参数;将模拟产量、不同时段的模拟叶面积指数(LAI)同遴选出的天气变量训练随机森林模型,并以最佳观测日期组合下的MODIS-LAI代替对应时段的模拟LAI进行产量估算。结果表明：（1）模型产量估算值与站点实测值的总体相关性为0.758（R2为0.575）,RMSE为790.92 kg·ha-1。精度较高的站点主要分布在淮北平原（<1%）而高误差区域集中于皖南丘陵地带（>40%）;（2）对2012年-2018年全省范围进行冬小麦估产,根据7年平均估产结果的空间分布,小麦单产由北向南逐渐减少,高值区出现在皖北的淮北平原,低值区主要分布于皖中、皖南地区;（3）2012年-2018年实测单产平均值为6 058.00 kg·ha-1,SCYM估算单产平均值为5 984.95 kg·ha-1,且估算产量与实测产量的年际时间序列的相关性为0.822,RMSE为189.96 kg·ha-1,每年估产的相对误差均不超过6%。研究表明SCYM估产框架对安徽省冬小麦产量估算具有一定的可行性,在产量预报方面效果良好。该方法能够在一定程度上改善以往估产模型存在的地域性、经验性问题,在区域尺度的应用方面具有极大的潜力,未来可为农业估产提供极其重要的理论依据和实用价值。     

应用波段深度分析和偏最小二乘回归的冬小麦生物量高光谱估算

当作物生物量较大时,现有植被指数由于受饱和问题限制,不能较好的估算作物生物量。针对此问题,尝试将波段深度分析与偏最小二乘回归(partial least square regression,PLSR)结合,提高对大田冬小麦生物量的估算精度,并将两者结合建立的模型与应用代表性植被指数建立的模型进行生物量估算精度比较。波段深度分析主要对冬小麦冠层光谱550～750nm范围进行,采用波段深度、波段深度比(band depth ratio,BDR)、归一化波段深度指数和归一化面积波段深度对波段深度信息进行表征。在建立的模型中,波段深度分析和PLSR结合的估算精度比应用植被指数模型的精度高,其中BDR与PLSR结合的估算精度最高(R2=0.792,RMSE=0.164kg.m-2)。研究结果表明波段深度分析与PLSR结合能较好的克服生物量较大时存在的饱和问题,提高冬小麦生物量的估算精度。     

作物生长的土壤中氧气浓度场的稳态数值模拟

建立了一个描述土壤中热、湿、气耦合迁移的数学模型,对有冬小麦生长的圆柱形土壤床中的氧气浓度场进行 了数值模拟。结果表明,土壤床中的氧气浓度场与冬小麦的生长发育阶段、上壤的孔隙率以及土壤床的高度等因素密切相 关。     

冬小麦生长期光谱变化特征与叶绿素含量监测研究

在分析冬小麦生长期冠层反射光谱和叶绿素含量变化特征的基础上,对二者之间的相关性进行了研究。表明从小麦拔节期开始,冠层反射光谱在可见光区(400～750 nm)的反射率先降低而后升高,以孕穗期反射率最低;在近红外区(750～1 000 nm)冠层反射率由拔节期至孕穗期反射率降低,然后开始上升。扬花期上升至最高点后又开始下降,直至乳熟期降至最低。冬小麦冠层反射率与叶绿素含量相关分析结果表明,冬小麦拔节期和孕穗期二者呈正相关,扬花期二者呈负相关;整个生长期中,孕穗期可见光区552 nm处反射率与叶绿素含量相关系数最大达0.89。依据冬小麦生长期冠层反射光谱红边拐点位置,分别建立了拔节期叶绿素含量线性检测模型(R~2=0.92)和孕穗期二项式模型(R~2=0.91),用于冬小麦叶绿素含量的无损检测是可行的。     

基于高光谱反射率的冬小麦生长后期氮素丰度监测研究

生物量、氮素含量和LAI(leaf area index)是生态系统中表征作物长势最重要的参数,叶干重、叶片氮素含量和LAI实时动态监测对小麦氮素营养诊断和管理调控具有重要意义。选用了五个小麦品种和四个氮素水平的比较实验,研究不同处理冬小麦抽穗到黄熟期氮素丰度(NR)与光谱反射率差值(ΔR)的关系,建立冬小麦后期氮素丰度监测模型。结果表明,不同品种的冬小麦冠层叶片氮素丰度随生育进程推进而增加,不同氮素处理氮素丰度大小为N0N3N1N2,光谱参量TCARI和VD672与氮素丰度的相关性最好,相关系数(r)分别为0.870和0.855,其建立氮素丰度估测模型的决定系数分别为0.757和0.731,预测准确率达84.56%和80.13%。光谱参数TCARI和VD672可以有效地评价小麦后期冠层叶片氮素状况,可以对氮素丰度进行准确可靠的监测。     

最小二乘支持向量机方法对冬小麦叶面积指数反演的普适性研究

冬小麦叶面积指数(leaf area index, LAI)是进行作物长势判断和产量估测的重要农学指标之一,高光谱遥感技术为大面积、快速监测植被LAI提供了有效途径。在探讨利用最小二乘支持向量机(least squares support vector machines, LS-SVM)方法和高光谱数据对不同条件下冬小麦LAI的估算能力。在用主成分分析法(principal component analysis, PCA)对PHI航空数据降维的基础上,利用实测LAI数据和高光谱反射率数据,构建LS-SVM模型,采用独立变量法,分别估算不同株型品种、不同生育时期、不同氮素和水分处理条件下的冬小麦LAI,并与传统NDVI模型反演结果对比。结果显示,每种条件下的LS-SVM 模型都具有比NDVI模型更高的决定系数和更低的均方根误差值, 即反演精度高于相应的NDVI模型。NDVI模型对不同株型品种、不同氮素和水分条件下冬小麦LAI估算精度不稳定,LS-SVM则表现出较好的稳定性。表明LS-SVM 方法利用高光谱反射率数据对于不同条件下的冬小麦LAI反演具有良好的学习能力和普适性。     

冬小麦冻害胁迫高光谱分析与冻害严重度反演

对冬小麦冻害严重度的精确反演是及时采取补救措施降低损失的关键,同时及时预测产量损失对政府职能部门也具有积极意义。针对冬小麦冻害群体严重度评估方法在经典统计反演模型存在估算效果不理想的情况下,以冬小麦为试验对象,首先对冬小麦冠层光谱反射率数据进行重采样平滑处理,再用主成分分析(PCA)技术对高光谱数据进行分析,进一步实现综合原始光谱主成分信息作为自变量参与冬小麦冻害严重度反演过程,最后采用决定系数R2、均方根误差RMSE、准确度Accuracy三种模型精度验证方法对模型进行评价。结果显示,基于主成分分析法建立冬小麦冻害严重度模型精度分别达0.697 5,0.184 2和0.697 5;同时对反演模型进行验证,其精度也分别达到0.630 9,0.350 3和1.339 6。因此,该方法能有效地对冬小麦冻害严重度进行快速、精确的反演。     

冬小麦不同生育时期叶面积指数反演方法

针对当前作物叶面积指数遥感反演过程中,在不同生育时期采用相同的植被指数进行反演存在叶面积指数反演精度较低的问题。以冬小麦为研究对象,选取了对冬小麦覆盖度响应程度不同的六种宽带和四种窄带共10种植被指数,分析比较了在冬小麦整个生育期选用当前广泛使用的归一化植被指数(NDVI)反演冬小麦的LAI和在冬小麦不同生长阶段选用不同的植被指数反演冬小麦LAI的结果差异。在冬小麦整个生育期内使用NDVI反演小麦LAI得到的LAI反演值和真实值之间的R2=0.558 5,RMSE=0.320 9。改进的比值植被指数(mSR)适合于反演冬小麦生长前期(拔节期之前)的LAI,得到的LAI反演值和真实值之间的相关系数r=0.728 7,均方根误差RMSE=0.297 1;比值植被指数(SR)适于反演冬小麦生长中期(拔节到抽穗前),得到的LAI反演值和真实值之间的R2=0.654 6,RMSE=0.306 1;NDVI适于反演冬小麦生长后期(抽穗到成熟期)的LAI,得到的LAI反演值和真实值之间的R2=0.679 4,均方根误差RMSE=0.316 4。 研究表明：在冬小麦的不同生育时期,根据地表作物覆盖度的变化和反射率的变化,选择不同的植被指数建立冬小麦LAI的反演模型获得的反演精度均高于在冬小麦整个生育期使用NDVI获得的反演结果。说明在冬小麦的不同生育时期选择不同的植被指数构建LAI的分段反演模型可以改善冬小麦LAI的反演精度。     

基于灰度关联分析的冬小麦叶片含水量高光谱估测

尝试应用灰色关联分析方法(GRA)分析典型的水分植被指数(WVI)和水分含量(LWC)间的关联度,然后选择对冬小麦叶片水含量敏感的指数,比较SRM-PLS(逐步回归-偏最小二乘)方法和PLS方法估算LWC的精度。首先,对冬小麦WVI与LWC进行灰色关联分析,筛选出对冬小麦LWC敏感的WVI;其次,利用筛选出的敏感WVI,分别用PLS-SRM方法和PLS两种方式估算冬小麦LWC;然后对两种方式进行比较,选择最高决定系数(R2)和最小均方根误差(RMSE)的LWC估算模型来估算冬小麦LWC。结果表明：在整个生育期用PLS和PLS-SRM方法估算LWC, R2和RMSE分别为0.605和0.575,4.75%和7.35%。研究表明：先使用GRA对WVI和LWC进行关联度分析,再用PLS或PLS-SRM方法可以提高冬小麦的LWC估算精度。     

基于激光吸收光谱技术的农田氨挥发研究

氨挥发是农田氮素向环境输出的重要途径,也是我国空气中PM2.5形成的主要因素,给环境和农业生产带来了诸多不利影响。传统的农田氨挥发测定大多依赖酸吸收法,但因采样时间长、劳动量大,难以获取氨挥发日内动态变化规律。基于开放光程可调谐二极管激光吸收光谱技术进行田间痕量氨气测定时,测量精度高、选择性好、系统响应速度快,不需要复杂的采样操作,就可以实现激光发射器与反射镜之间数十至数百米的高时间分辨率的氨气浓度原位快速监测。其与微气象反向拉格朗日随机扩散模型相结合(TDLAS-BLS法)是目前农业源氨挥发监测技术领域的研究热点。通过田间试验,分析比较TDLAS-BLS法与微气象水平通量积分法(IHF法)测定的氨挥发速率及氨挥发损失结果,实现对TDLAS-BLS法测定大面积农田氨挥发的可靠性验证。利用监测获取的高时间分辨率数据研究冬小麦追肥期氨挥发日内变化规律及影响因素。结果表明:TDLAS-BLS法和IHF法测定农田氨挥发速率基本一致(斜率为0.97,R2=0.97,n=14),TDLAS-BLS法测定氨挥发速率仅比IHF法低3%,总氨挥发损失仅低6%,证明TDLAS-BLS法可用于冬小麦追肥期大面积农田氨挥发监测中。冬小麦追肥期白天氨浓度明显高于夜间,且受风速波动影响,氨浓度瞬时波动较大。氨挥发速率在追肥后缓慢升高,施肥后第6天出现氨挥发速率峰值8.9 kg N·ha^-1·d^-1,随后逐渐降低,至第15天与背景接近。氨挥发损失主要集中在施肥后的第5~8 d(79~175 h),该时段氨挥发损失占总氨挥发损失的69%。整个监测期间TDLAS-BLS法测定总氨挥发损失为8.8 kg N·ha-1(占施氮量6.3%),较低的损失量与沟施覆土的施肥方式及低温、低光照强度有关。TDLAS-BLS法实现了在线监测大面积农田氨挥发日内变化规律,高时间分辨率数据可更准确地评估气象因素对氨挥发的影响。冬小麦追肥期氨挥发日内波动较大,存在明显的昼高夜低变化规律,与温度、风速、光照有很高的相符性。相关分析表明风速、光照、土壤温度、降水都与氨挥发有显著相关性,异常天气下主导气象因素(如降水)是氨挥发主要控制因素。