基于土壤含水率距平百分率指数的东北地区农业干旱评估研究

鉴于土壤含水率距平百分率能有效解决不同气候区农业旱灾识别标准不一致的问题,选取土壤含水率距平百分率指数,利用VIC模型模拟了东北地区1951~2010年逐日30km分辨率网格逐日平均土壤含水率资料,计算逐日土壤含水率距平百分率,结合东北地区历史实际干旱发生情况,采用频率分析方法制定农业干旱定量评价标准,对典型历史干旱事件进行对比验证。结果表明,基于土壤含水率距平百分率指数的干旱等级划分标准识别的历史干旱与文献记载基本一致,划分标准具有较好的适用性。

融合无人机光谱信息与纹理特征的大豆土壤含水率估测模型研究

及时获取大田作物根区土壤含水率(Soil moisture content,SMC)对于实现精准灌溉至关重要。本研究采用无人机多光谱技术,通过连续2年(2021—2022年)田间试验,采集了大豆开花期不同土壤深度的SMC数据以及相应的无人机多光谱图像,建立了与作物参数具有较强相关性的植被指数及冠层纹理特征。通过分析植被指数和纹理特征与各深度土层SMC的相关性,分别筛选出与各深度土层SMC相关系数达显著相关(P<0.05)的参数作为模型的输入变量(组合1:植被指数;组合2:纹理特征;组合3:植被指数结合纹理特征),分别利用支持向量机(Support vector machine,SVM)、梯度提升模型(Extreme gradient boosting,XGBoost)和梯度提升决策树(Gradient boosting decision tree,GDBT)对各深度土层SMC进行建模。结果表明,与20~40 cm和40~60 cm土层深度相比,植被指数和纹理特征在0~20 cm土层深度中与SMC表现出更高的相关性。XGBoost模型为SMC估算的最佳建模方法,特别是对于0~20 cm土层深度。该深度估计模型验证集决定系数为0.881,均方根误差为0.7%,平均相对误差为3.758%。本研究结果为大豆根区SMC无人机多光谱监测提供了基础,为水分胁迫条件下作物生长的快速评估提供了参考。

融合无人机多光谱和热红外影像的蔗田土壤含水率监测研究

甘蔗作为广西、云南等地的主要农作物,极易受到干旱的影响。土壤含水率是评估甘蔗是否受到干旱影响的重要指标。以蔗田土壤含水率为研究对象,利用无人机搭载的热红外和多光谱传感器数据计算出甘蔗冠层的温度、重归一化植被指数RDVI等植被指数,采用人工测定的方法对无人机监测数据进行校正和率定,构建了甘蔗的温度植被干旱指数(TVDI)模型。结果表明,利用多光谱和热红外传感器计算的TVDI与蔗田苗期、分蘖期、伸长期和成熟期土壤含水率均具有高度相关性,决定系数R2分别为0.9066、0.8190、0.8529和0.9160。因此,TVDI模型最适合用于监测甘蔗苗期和成熟期的受旱情况。

基于分数阶微分光谱指数的冬小麦根域土壤含水率估算模型

为探讨分数阶微分(fractional-order differentiation,FOD)技术联合光谱指数改善高光谱反演冬小麦根域土壤含水率(soil moisture content,SMC)的效果,该研究以冬小麦为研究对象,测取高光谱反射率和土壤含水率数据,将高光谱反射率经Savitzky-Golay(SG)平滑处理后计算典型光谱指数以此构建偏最小二乘回归(partial least squares regression,PLSR)、随机森林(random forest,RF)和BP神经网络(back propagation neural network,BPNN)3种土壤含水率反演模型;将高光谱反射率进行0~2.0阶(步长为0.2)的分数阶微分处理后计算比值指数(ratio index,RI)和归一化指数(normalized difference index,NDI),分析不同阶的RI、NDI与SMC之间的二维相关性,筛选得出敏感光谱指数并分组,以此构建3种反演模型(PLSR、RF和BPNN)。结果表明:不同典型光谱指数与土壤含水率的相关性存在很大差异,相关系数波动范围在0.2~0.6之间,基于典型光谱指数的土壤含水率反演模型效果最好的是PLSR模型,RF模型次之,BPNN模型最低;经分数阶微分处理后筛选的敏感光谱指数与SMC之间的相关性较高,相关系数在不同分数阶上呈阶梯状变化,敏感光谱指数与SMC的相关系数从0.76(0.2~1.0阶)递减至0.65(1.6~2.0阶);最优SMC反演模型为FOD处理后的归一化敏感指数建立的RF模型,所建模型的决定系数为0.75,均方根误差为0.024 g/g,相对分析误差为2.08。基于分数阶微分改进的光谱指数反演土壤含水率模型较典型光谱指数反演模型效果提升明显(决定系数提升136%),研究成果可为冬小麦根域土壤含水率高光谱监测提供了一种可靠途径。

基于模拟多光谱反射率的土壤含水率估算

为了实现多光谱方法对土壤含水率的快速测定,基于高光谱数据模拟GF-6卫星多光谱波段反射率,模拟出蓝光波段(G)、绿光波段(G)、红光波段(R)、近红外波段(Nir)、红边波段1(RE1)和红边波段2(RE2)共6个波段反射率,并基于各波段两两组合的方式,构建归一化植被指数(NDVI)、比值植被指数(RVI)和差值植被指数(DVI)。采用线性模型(一元线性回归)和非线性模型(BP神经网络)建立土壤含水率估算模型。结果表明,基于植被指数(DVI)建立的一元线性回归模型较6波段中任意反射率回归结果更优,R2为0.601。基于BP神经网络方法,以6波段反射率和优选的3个植被指数为基础建立土壤含水率估算模型,预测精度较高(R2=0.787),优于本文所有的线性建模结果。推荐采用BP神经网络作为估算土壤含水率的建模方法。

基于光谱指数的绿洲农田土壤含水率无人机高光谱检测

选取新疆阜康绿洲小块农田为研究对象,基于无人机(Unmanned aerial vehicle,UAV)平台搭载的高光谱传感器获取的影像数据,采用Savitzky-Golay (SG)平滑后的一阶微分(First derivative,FD)、吸光度(Absorbance,Abs)、连续统去除(Continuum removal,CR) 3种不同预处理方法,获取了SG、SG-FD、CR、Abs及Abs-FD共计5种预处理后的高光谱影像,探索不同预处理下的差值指数(Difference index,DI)、比值指数(Ratio index,RI)、归一化指数(Normalization index,NDI)及垂直植被指数(Perpendicular vegetation index,PVI)与土壤含水率(Soil moisture content,SMC)的关系,在遴选出最优指数及预处理方案的基础上,构建干旱区绿洲农田SMC高光谱定量估算模型。结果表明:预处理在不同程度上提高了光谱指数与SMC的相关性,其中基于Abs预处理的PVI(R644,R651)表现最优,相关系数为0. 788,据此构建的三次拟合函数表现最优。基于不同预处理方案下,多变量SMC估算模型在消噪的基础上更深入地挖掘了光谱信息,减少了单一光谱指数造成的误差,提升了模型的定量估测效果。Abs模型预测精度亦最为突出,其建模集R2c和RMSE为0. 84、2. 16%,验证集R2p与RMSE为0. 91、1. 71%,RPD为2. 41。本研究构建的SMC估算模型减少了单一变量模型的误差,在规避过拟合现象的同时,提升了模型的定量估测效果,为土壤含水率状况天地空一体化遥感监测提供了参考方案。

夏玉米蒸发蒸腾及与土壤含水率、叶面积指数关系研究

利用大型称重式蒸渗仪测定夏玉米不同生育期的农田蒸发蒸腾,分析了夏玉米的蒸发蒸腾变化规律,探讨了参考作物蒸发蒸腾量ET0、土壤含水率及叶面积指数LAI与作物蒸发蒸腾量ET之间的关系。结果表明：ET0和蒸渗仪实测的ET生育期内变化趋势基本一致;夏玉米ET受0~60cm土层土壤含水率的影响,尤其是0~40cm土层土壤含水率对作物ET影响显著,80cm以下土层土壤含水率基本对作物ET无明显影响;ET与LAI变化趋势在拔节期后期以后基本一致,苗期~拔节期中期无明显关系。

半干旱矿区作物对土壤质量含水率和土壤圆锥指数的影响

为探究不同作物在不同阶段对土壤质量含水率和土壤圆锥指数的影响,对同一块耕地进行均匀施肥、统一耕作及灌溉后,划分4个区域,分别种植大豆、玉米、蚕豆、绿豆等4种作物。作物收割前22、1 d及收割后33 d,分别对4种农作物种植区土壤的土壤圆锥指数和土壤质量含水率进行测定。对试验数据进行单因素方差分析,研究同一作物在不同阶段对土壤圆锥指数和土壤质量含水率的影响规律,及不同作物在同一阶段对土壤圆锥指数和土壤质量含水率的影响差异。结果表明,种植作物可以增加土壤表层的土壤质量含水率,同时降低土壤圆锥指数;不同作物对土壤圆锥指数和土壤质量含水率的影响程度存在一定的差异;线性回归模型能够较好地表征土壤质量含水率与土壤圆锥指数之间的定量化关系。

基于高光谱遥感水分指数的叶片与土壤含水率监测研究

通过冬小麦生育期的水分控制试验,利用便携式野外光谱仪(ASD FieldSpec 3)测量冬小麦的光谱,根据8个水分指数公式分别计算水分指数,并同时测定冬小麦的冠层叶片含水率和土壤含水率。结果表明,整个生育期内,冠层叶片含水率及土壤含水率与各水分指数的相关性呈先增大后减小的趋势,抽穗期、灌浆期及乳熟期是冠层叶片含水率及土壤含水率的最佳监测生育期。低覆盖度情况下,植被水分指数更多反映的是土壤水分状况;随着覆盖度的增大,植被水分指数对冠层叶片含水率比对土壤含水率的监测效果更好、覆盖时间更长。在最佳监测生育期,近红外(NIR)和波红外(SWIR)归一化型的水分指数对叶片含水率的监测效果较好,而近红外(NIR)简单比值型的水分指数对植被覆盖情况下的土壤含水率监测效果较好。

基于SPI指数的土壤含水率模拟

基于标准化降水指数(SPI),利用多元回归方法和自相关模型结合,建立了一套简单、实用的土壤含水率模拟方法。实测站点的检验表明,该方法的均方差与观测平均值的比值达到0.16左右。该方法能够快速、准确地模拟土壤含水率,为农业生产抗旱提供数据支撑。

基于三维光谱指数的土壤含水率反演研究

为研究三维光谱指数预测土壤含水率的效果,以期能为精准农业地表土壤含水率的快速精确测定提供参考。以浙江永康地区采集的不同含水率土壤样本为研究对象,利用ASDFieldSpec 3光谱仪在室内对土样进行光谱反射率测量,并基于原始光谱反射率(R)及其对应的一阶微分光谱(FD)、二阶微分光谱(SD)进行一维二维及三维光谱指数的提取。再通过偏最小二乘回归模型(PLSR)对不同光谱指数建模,并对比分析不同模型的反演精度。结果表明:三维光谱指数相比于一维二维光谱指数对土壤含水率更加敏感;基于三维光谱指数(TBI_(2))偏最小二乘回归模型具有最佳的预测效果,其R_(v)^(2)=0.92,RPD可达3.32;对于土壤含水率反演而言,三维指数(R-TBI_(1))相比于其他的光谱指数更具重要性,其变量投影重要性(VIP)达1.04。该研究表明利用三维光谱指数建模为高光谱遥感对表层土壤含水率的快速有效监测提供了一条新途径。

基于归一化光谱指数的土壤含水率反演研究

土壤含水率的监测对实现精准农业及水土保持具有重要意义。为了快速有效地监测土壤含水率,文章测定了150个广东深圳地区的土壤样本的含水率及高光谱数据,并将原始光谱经过一阶微分及二阶微分处理,再基于原始光谱、一阶微分光谱以及二阶微分光谱分别构建归一化光谱指数,最后建立预测土壤含水率的一元线性模型。结果表明,基于一阶微分光谱的归一化指数对土壤含水率更敏感;基于原始光谱的归一化指数与土壤含水率的相关性最好,可达0.89;基于一阶微分光谱的归一化指数所构建的一元线性模型可有效预测土壤含水率,其RPD值可达3.09。该模型的建立可为水土保持监测及精准农业提供一定的参考。

遥感监测土壤含水率模型及精度分析

土壤含水率是决定农作物产量的最重要的因素之一。该文通过对2003年10月到2005年3月宝鸡峡二支渠灌区的土壤含水率进行实地调查,并对TM5和TM7波段数据进行归一化处理,再与参考点归一化土壤湿度指数求差后,建立遥感影像对土壤含水率的监测模型。并以2005年6月28日遥感影像为例,用建立的模型对土壤含水率进行定量反演。结果表明,反演精度可达80%以上,反演效果最好的土壤深度是0～40cm。应用此归一化土壤湿度指数模型监测土壤含水率,可以满足灌区大范围宏观监测要求。

干旱区绿洲植被高光谱与浅层土壤含水率拟合研究

水资源一直是制约我国西北干旱区农业发展的关键因素。以新疆渭库绿洲为研究区域,选取41个土壤含水率与干旱区绿洲植被实测高光谱样本,以植被指数为桥梁,采用支持向量机回归(SVR)方法,建立干旱区绿洲土壤含水率与植被指数之间的拟合方程模型,并与多元回归(MLSR)、偏最小二乘回归(PLS)2种模型进行对比。实验结果表明:不同模型的精度各异,拟合效果由优到劣为:改进的SVR模型、PLS模型、MLSR模型,其中基于干旱区绿洲实测的植被光谱数据改进的SVR模型对土壤含水率具有较好的拟合效果,通过最优参数的定值与最优测试集的抽取,R2高达0.891 6,RMSE仅为2.004,在干旱区绿洲的土壤含水率拟合中获得比较高的预测精度。而MLSR模型与PLS模型,R^2分别为0.630 0、0.654 9,RMSE分别为3.001与2.749。研究结果表明,因地制宜开展合理的土壤含水率反演模型规则制定是提高干旱区绿洲土壤浅层含水率监测精度的有效手段,也可为干旱区农业作物生长提供更精准的数据积累。

基于SOC710VP高光谱成像仪的冬小麦土壤含水率反演模型研究

【目的】实现小麦农田土壤含水率大面积快速监测。【方法】以冬小麦冠层高光谱数据为基础,计算得到8种植被指数,通过对关键生育时期(拔节期、抽穗期、灌浆期)不同水分处理下冬小麦不同土层(0～20、20～40、40～60 cm)土壤含水率与植被指数拟合状况进行分析和筛选,分别构建了基于植被指数的不同土层土壤含水率反演模型,并对模型进行检验。【结果】①各时期植被指数拟合效果有所差异,拔节期0～20 cm土层以植被指数VOG1拟合效果较好,相关系数为0.88,20～40 cm土层以植被指数mNDVI705拟合效果较好,相关系数为0.75,40～60 cm土层以植被指数VOG3拟合效果较好,相关系数为0.59;抽穗期0～20 cm土层以植被指数mNDVI705拟合效果较好,相关系数为0.70,20～40 cm土层以植被指数mNDVI705拟合效果较好,相关系数为0.72,40～60 cm土层以植被指数mSR705拟合效果较好,相关系数为0.57;灌浆期0～20 cm土层以植被指数mNDVI705拟合效果较好,相关系数为0.88,20～40 cm土层以植被指数SARVI拟合效果较好,相关系数为0.68,40～60 cm土层以植被指数SARVI拟合效果较好,相关系数为0.71;②各土层土壤含水率与植被指数拟合效果有所差异,其中利用VOG1和mNDVI705组合构建的模型反演0～20 cm土层,决定系数R2为0.743,利用mNDVI705和SARVI组合构建的模型反演20～40 cm土层,决定系数R2为0.707,利用VOG3、mSR705和SARVI组合构建的模型反演40～60 cm土层,决定系数R2为0.484;③通过建立植被指数对土壤含水率的反演模型,0～20 cm土层含水率反演效果好于20～40 cm和40～60 cm。【结论】高光谱植被指数反演模型中,以0～20 cm土层的估算模型最佳,植被指数组合为VOG1和mNDVI705。综上可知,该研究方法进行土壤含水率的反演是可行的。

基于无人机多光谱遥感的玉米根域土壤含水率研究

及时获取农田作物根域土壤墒情是实现精准灌溉的基础和关键。以内蒙古自治区达拉特旗昭君镇试验站大田玉米为研究对象,利用无人机遥感系统,分别在玉米营养生长期(Vegetative stage,V期)、生殖期(Reproductive stage,R期)和成熟期(Maturation stage,M期)获得7次玉米冠层多光谱正射影像,并同步采集玉米根域不同深度土壤含水率(Soil moisture content,SMC);然后,采用灰色关联法对提取的多种植被指数(Vegetation index,VI)进行筛选,选取与土壤含水率敏感的植被指数;最后,分别采用多元混合线性回归(Cubist)、反向传播神经网络(Back propagation neural network,BPNN)和支持向量机回归(Support vector machine regression,SVR)等机器学习方法,构建不同生育期的敏感植被指数与土壤含水率的关系模型。结果表明,3种机器学习方法中SVR模型在各生育期的建模与预测精度均最优,BPNN模型次之,Cubist模型最差;其中SVR模型在M期效果最优,其建模集和验证集R^2分别为0.851和0.875,均方根误差(Root mean square error,RMSE)均为0.7%,标准均方根误差(Normalized root mean square error,nRMSE)分别为8.17%和8.32%,R期效果最差,其建模集和验证集R^2分别为0.619和0.517。

基于无人机热红外遥感的玉米地土壤含水率诊断方法

为使热红外遥感诊断土壤含水率更加准确、高效,以不同水分处理的大田玉米为研究对象,借助无人机可见光图像,对热红外图像进行植土分离,并提取玉米冠层温度和地表土壤温度。通过剔除温度直方图两端1%的温度像元对温度信息进行优化,进而计算作物水分胁迫指数(Crop water stress index,CWSI)、冠层相对温差(Canopy relative temperature difference,CRTD)、地表相对温差(Surface relative temperature difference,SRTD),利用三者之和求得水分温度综合指数(Water-temperature composite index,WTCI),并用于诊断不同深度的土壤含水率。结果表明,剔除温度直方图两端1%温度像元的玉米冠层温度与实测冠层温度的相关性更高(4次试验的R2由0.823、0.886、0.899、0.876提高至0.906、0.938、0.944、0.922),剔除温度直方图前端1%温度像元的地表土壤温度与实测地表温度的相关性也更高(2次试验的R2由0.841、0.875提高至0.908、0.925),即通过直方图法优化的温度更接近实测温度;在拔节前期,CWSI、WTCI诊断0~20 cm土壤含水率效果较优,而拔节后期、抽雄吐丝期、乳熟期诊断0~40 cm土壤含水率效果较优;在半覆盖条件下,包含冠层温度信息(CWSI、CRTD)和土壤温度信息(SRTD)的WTCI1与土壤含水率的相关性更高(0~40cm:决定系数为0.500、0.821,高于0.463、0.748);在全覆盖状态下,包含冠层相对温差(CRTD)的WTCI2与土壤含水率的相关性更高(0~40 cm:决定系数为0.809、0.729,高于0.721、0.656),表明WTCI是诊断土壤含水率效果较优的指标。

基于试验反射光谱数据的土壤含水率遥感反演

土壤含水率是土壤水循环研究中不可或缺的参数,已广泛应用于土壤水分的监测。土壤光谱特性的研究是土壤含水率光学遥感定量反演的基础。该研究首先通过野外调查收集土样;然后,在实验室条件下制备不同水分梯度的土壤样品,并利用便携式地物光谱仪采集不同水分梯度土壤样品的反射光谱;最后,通过试验光谱数据分析建立一个基于指数函数的土壤含水率遥感反演模型,并对结果进行精度评价。结果表明,基于指数函数的土壤含水率反演模型可以较好的反演土壤水分特征,在640 nm处土壤含水率的估计值与真实值之间的决定系数为0.7062,RMSE为3.49%。相关研究为表层土壤含水量的遥感监测提供新方法和新思路。

剔除土壤背景的冬小麦根域土壤含水率遥感反演方法

为剔除无人机多光谱图像中的土壤背景、提高作物根域土壤含水率反演精度,以不同水分处理的拔节期冬小麦为研究对象,利用无人机多光谱相机分别在09:00、11:00、13:00、15:00和17:00等5个时刻获取高分辨率多光谱图像,采用改进的植被指数阈值法快速确定植被像元与土壤像元的分类阈值,通过阈值划分剔除土壤背景,并根据阈值变化研究土壤背景对冬小麦冠层反射率的影响,建立了剔除土壤背景前后基于植被指数的土壤含水率反演模型。结果表明,应用改进的植被指数阈值法可有效剔除多光谱图像中的土壤背景,其中基于植被指数RDVI的剔除精度最高,总体精度在91.32%以上;土壤背景对冬小麦冠层近红外波段的反射率影响较大,红边波段次之,而对可见光波段的反射率影响较小;剔除土壤背景前后的植被指数与土壤含水率均呈线性关系,剔除土壤背景对反演土壤含水率的精度有显著提高,其中NGRDI反演深度10~20 cm的冬小麦根域土壤含水率效果最好,建模集R2和RMSE分别为0.739和2.0%,验证集R2和RMSE分别为0.787和2.1%。

基于GF-1卫星遥感的河套灌区土壤含水率反演模型研究

为探究植被覆盖条件下GF-1卫星反演农田土壤含水率的可行性,以河套灌区解放闸灌域沙壕渠为研究区,采用GF-1卫星遥感影像作为数据源,通过全子集筛选法确定不同土壤深度下光谱指数的最优自变量组合,并分别采用多元线性回归(MLR)、BP神经网络(BPNN)、支持向量机(SVM)3种算法,构建不同深度下土壤含水率反演模型。结果表明,全子集筛选后模型反演精度有较大提升,且过拟合现象减弱;植被覆盖条件下各深度土壤含水率敏感程度从大到小依次为0~40 cm、0~60 cm、20~40 cm、0~20 cm、40~60 cm;植被覆盖条件下各模型对土壤含水率反演能力由强到弱依次为BPNN、SVM、MLR;筛选后BPNN在深度0~40 cm下的建模集和验证集R~2均能达到0.50以上,RMSE在0.02%以内。研究结果可为植被覆盖条件下利用GF-1卫星监测农田土壤含水率提供参考。