基于Sentinel-2影像和机器学习算法的冬小麦秸秆覆盖度遥感估算

为探究大范围小麦秸秆覆盖度(CRC)估测方法,以冬小麦秸秆为研究对象,基于Sentinel-2遥感卫星影像光谱指数、波段和纹理特征及其不同特征组合,利用灰色关联-随机森林(GRA-RF)敏感特征提取方法,结合高斯过程(GPR)、套索(LASSO)、岭回归(RR)和偏最小二乘(PLSR)等多种机器学习算法,开展小麦CRC估算的最优模型研究。结果表明,基于GRA-RF特征优选后的机器学习模型显著改善了小麦CRC的估算精度,LASSO算法总体对小麦CRC的估测效果最佳,并且针对不同的光谱特征组合表现出差异化的结果。其中,以光谱指数、波段和纹理信息构成的组合特征集构建的CRC遥感估算模型精度最优(r^(2)=0.65,RMSE=9.25%),以波段与纹理两者组合特征估算的CRC精度次之(r^(2)=0.63,RMSE=9.31%),仅利用单一的光谱指数、波段或者纹理特征估算冬小麦CRC的精度均劣于组合特征的结果。这说明应用GRA-RF组合筛选方法能够有效优选秸秆覆盖度的光谱特征;相比于单一特征,光谱指数、波段、纹理信息等构成的组合特征更能有效地监测小麦秸秆覆盖度。

Sentinel-2 MSI和Landsat 8 OLI数据在玉米秸秆覆盖度遥感估算应用中的比较研究

秸秆覆盖度(Crop residue cover, CRC)的遥感估算可以在短时间内获取大范围耕地秸秆覆盖度数据,对于政府部门监测保护性耕作的实施情况有重要的现实意义。本研究基于Sentinel-2 MSI和Landsat 8 OLI数据,分别计算了多种光谱指数,并与野外实测的秸秆覆盖度数据进行相关性分析,挑选出极显著性相关的光谱指数。在此基础上,构建其与秸秆覆盖度之间的相关模型,并通过决定系数(R2)和均方根误差(RMSE)所表征模型的精度比较Sentinel-2 MSI和Landsat 8OLI数据由于光谱和空间尺度的差异对秸秆覆盖度反演模型的影响。结果表明:6种光谱指数与CRC的相关性系数均大于0.4,相关性较高的是Sentinel-2 MSI 20 m分辨率数据获取的NDTI和STI,相关系数分别为0.878、0.894,相关性最低的为Sentinel-2 MSI 10 m分辨率数据获取的NDSVI,相关系数为0.476;利用一元线性回归法构建模型时,Sentinel-2 MSI 20 m分辨率数据构建的光谱指数STI和NDTI,模型精度最高,R^(2)分别为0.810和0.800,RMSE分别为6.84%和7.01%,而30 m重采样数据的R^(2)分别为0.770和0.771,RMSE分别为7.52%和7.50%,随着空间分辨率的降低呈现出下降趋势;Sentinel-2MSI 30 m重采样数据获取的光谱指数构建的所有模型精度均略大于Landsat 8 OLI数据构建的模型。因此,Sentinel-2 MSI数据获取NDTI和STI这两个光谱指数更加适合本研究区域秸秆覆盖度的估算。

基于模拟Landsat-8 OLI数据的小麦秸秆覆盖度估算

田间秸秆作为农业生产过程中的重要物质,其覆盖度的遥感估算具有十分重要的意义。Landsat-8 OLI影像作为Landsat系列影像的最新数据产品,具有更精细的光谱特征,明确其在秸秆覆盖度估算中的表现具有重要的现实意义。该研究使用ASD Field Spec 4 Hi-Res地物光谱仪,以实测田间小麦秸秆光谱反射率为数据源,模拟Landsat-8 OLI、Landsat-5TM、Aster、Hyperion影像波段反射率,构建光谱指数,并建立小麦秸秆覆盖度估算模型,通过对比分析,评估Landsat-8OLI数据的估算能力。结果表明,基于Landsat-8 OLI1和OLI2波段构建的NDIOLI21指数模型估算结果最优,决定系数(coefficient of determination,R2)为0.60,均方根误差(root mean square error,RMSE)为9.56%,平均相对误差(mean relative error,MRE)为9.83%,优于Landsat-5 TM构建的光谱指数,且仅次于Aster构建的木质素-纤维素吸收指数(lignin cellulose absorption,LCA)和短波红外归一化差异秸秆指数(shortwave infrared normalized difference residue index,SINDRI)以及Hyperion构建的纤维素吸收指数(cellulose absorption index,CAI)。因此,波段更多、波段划分更加精细的Landsat-8OLI构建的光谱指数在小麦秸秆覆盖度估算方面达到了一定精度,具有良好的应用前景。

不同小麦秸秆还田覆盖度对旱作农田土壤微生物群落多样性的影响

【目的】研究内蒙古旱作农田不同小麦秸秆还田覆盖度对土壤微生物群落多样性的影响,以期筛选出最适合该地区的秸秆还田量,为内蒙古地区秸秆还田技术的改进提供理论基础。【方法】试验共设5个小麦秸秆还田覆盖度(0、30%、50%、70%、90%),使用高通量测序检测土壤中的真菌和细菌,并进行物种丰富度和群落结构分析。【结果】当小麦秸秆还田覆盖度为50%时,微生物群落的多样性最高、物种丰富度较高且物种均匀度较好。真菌和细菌的峰值出现在不同的覆盖度上,小麦秸秆还田覆盖度70%也存在较大正面影响。【结论】有秸秆覆盖的情况下,土壤微生物多样性高且群落稳定,特别是当小麦秸秆还田覆盖度为50%时,能够使土壤微生物群落保持在较稳定水平。小麦秸秆还田覆盖度为70%时也对土壤微生物群落多样性有较大正面影响。

基于土壤异质背景的玉米秸秆覆盖度遥感反演

玉米秸秆覆盖还田是东北平原当前大力推广的一种保护性耕作方式。区域作物秸秆覆盖度(CRC)的遥感估算可大范围快速获取耕地秸秆覆盖还田信息,对于政府监测和推广秸秆覆盖还田工作有重要作用。本研究以吉林省梨树县为研究区,基于Sentinel-2A卫星影像,选取归一化耕作指数(NDTI)、归一化秸秆指数(NDRI)、简单耕作指数(STI)和归一化差值指数(NDI7)4种光谱指数,建立光谱指数与玉米秸秆覆盖度的线性回归模型,进行秸秆覆盖度反演。结果表明:研究区土壤背景空间异质性较强,对光谱指数回归模型影响显著,采用土壤质地分类(分区)分别建立回归模型的方法可提高反演精度。土壤背景空间异质性会增大模型估算误差;4种光谱指数与玉米秸秆覆盖度均有较强相关性,其中,NDTI和STI模型表现更好;基于NDTI和STI的分区线性回归模型验证R^2为0.84、RMSE为13.3%,优于不分区的模型(R^2为0.75,RMSE为16.5%),有效提升了反演精度。

秸秆不同还田方式对土壤蒸发特性影响

以秸秆为材料,利用微型蒸发器,分析了不同秸秆粉碎添加量及不同秸秆覆盖度对土壤蒸发特性的影响。结果表明:粉碎秸秆施入到土壤中能促进土壤蒸发,但添加粉碎秸秆处理间对土壤蒸发影响不显著。秸秆覆盖土壤能有效抑制土壤蒸发,且高覆盖度抑制效果显著。F4(100%覆盖)累积土壤蒸发量最少,为40.8mm,与其他处理差异显著(P<0.05)。试验阶段土壤蒸发作用强于降水补充,高秸秆覆盖度土壤贮水能力高于对照,添加粉碎秸秆土壤贮水量比对照减少幅度大。秸秆覆盖处理土壤蓄水保墒、抑制蒸发能力显著优于秸秆粉碎添加处理。图5,表3,参16。