生物炭掺混肥对农田土壤镉砷的钝化与减施增效研究

在田间试验条件下,以江苏诺丽慧农农业科技有限公司提供的两种生物炭掺混肥为研究对象,采用电感耦合等离子体质谱仪(ICP-MS),对施用生物炭掺混肥的稻田土壤及其水稻籽粒中重金属镉(Cd)和砷(As)含量进行了测定,研究了生物炭掺混肥中化肥减施对水稻产量与结构的影响.结果表明:与对照常规复合肥相比,两种生物炭掺混肥处理对水稻籽粒中重金属Cd的富集系数分别降低20.49%和45.23%,As的富集系数降低57.58%和63.63%;两种掺混肥处理的水稻产量与对照处理相比产量增加4.17%和8.68%.生物炭掺混肥不仅控制了水稻籽粒重金属Cd和As的积累,而且可以提高水稻产量,在控制农田生态环境污染和化学肥料的减施增效上具有推广应用价值.

植保无人机飞防助剂的筛选及其性能评价

无人机植保飞防技术因其省工、省时和省水等优势在中国多种农作物上推广应用。然而,在飞防作业过程中,农药雾滴的飘移和蒸发会造成药效降低、环境污染和作物药害等问题。本研究以70%吡蚜酮可湿性粉剂为试验药剂,采用液滴接触角分析、蒸发测定和雾滴检测等方法,研究5种表面活性剂及其不同添加量对农药药液润湿性、防蒸发性及沉积性能影响,结果表明,添加2.0%(质量分数)阴离子型表面活性剂AS-1的药液性能最优。在此基础上,进一步开展AS-1与多糖类化合物GD复配及其性能评价研究。结果表明,将2.0%(质量分数)AS-1与0.2%(质量分数)GD复配制备成飞防助剂TAB78,添加于5种水稻常用农药药液,与未添加助剂的空白药液相比,添加飞防助剂TAB78的农药液滴接触角降低、雾滴蒸发时间延长、沉积覆盖率和沉积密度提高。采用安飞易M6-AG型无人机进行农药田间飞防喷雾试验,向水稻常用农药中添加TAB78后,药液覆盖率及沉积密度显著提高。

土壤调理剂用量对酸性土壤肥力影响的综合评价

【目的】客观评价碱性土壤调理剂改良后的土壤肥力水平,为酸化土壤的科学改良提供参考。【方法】以小白菜为研究对象,对土壤调理剂不同用量下的酸性土壤肥力进行综合评价。运用主成分分析并计算变量的Norm值,结合肥力指标间的相关关系筛选出酸性土壤肥力评价的高度敏感性指标进入土壤肥力评价的最小数据库集(MDS)。通过隶属度函数实现评价指标量纲统一,绘制隶属度函数雷达图直观反映土壤肥力的整体状况及肥力单因素状态。采用2种指数模型对改良后的土壤综合肥力进行评价。【结果】筛选出pH、交换性Ca^2+、总氮、交换性Mg^2+、有机质作为酸性土壤肥力评价指标,根据雷达图及指数模型可知,施用土壤调理剂可以提升酸性土壤肥力,肥力提升的程度受调理剂用量控制,土壤调理剂的推荐用量为450 kg/hm^2。【结论】土壤调理剂用量造成的pH和交换性Mg^2+差异是肥力的限制因子;土壤肥力是小白菜产量的决定因素,单个肥力指标的改善虽然有一定程度的改良效果,但是不能起到显著增产作用,土壤酸化改良应参考肥力综合值进行改良效果评价。

AVIRIS高光谱数据空-谱特征在植被分类中的对比分析

植被分类是高光谱影像分类中的特定应用问题,光谱特征和空间特征是植被分类中常用的两类特征,比较这两类特征的性能,对实际植被分类应用中选择合适的特征类型或两者的有效结合具有指导意义。用主成分分析(PCA)提取光谱特征时,常选择前几个主成分(PCs)作为光谱特征,虽然它们包含较大的信息量但并不能保证较高的类别可分性和分类正确率,针对这一问题本研究提出了一种混合特征提取方法,对高光谱影像在PCA的基础上用改进的基于分散矩阵的特征选择方法选出具有较高类别可分性的PCs用于后续分类。利用一景AVIRIS高光谱植被影像,从分类精度的角度,首先比较了所提出的混合特征提取方法和原始PCA、独立主成分分析(ICA)及线性判别分析(LDA) 3种常用子空间特征提取方法在高光谱影像植被分类中的性能。试验结果表明所提出的混合特征提取方法在研究中数据集1和2上均获得了最高的总体分类正确率,分别为82.7%和86.5%。与原始PCA相比,本研究提出的混合特征提取方法的总体分类正确率,在数据集1和2上分别提高了1.5%和2.5%。由此阐明了所提出的混合特征提取方法在高光谱植被分类中的有效性。对光谱特征和空间特征在高光谱影像植被分类性能的比较中,总体上空间特征获得的分类正确率比光谱特征高,特别是Gabor特征,在两个数据集上均获得了最高的总体分类正确率分别为95.5%和96.7%。由此表明空间特征较光谱特征在高光谱影像植被分类中更具优势。本研究结果为后续改进空-谱特征方法及其两者有效结合,进一步提高植被分类正确率提供了参考。

基于遥感与气象数据的冬小麦主产区籽粒蛋白质含量预报

开展小麦籽粒蛋白质含量的监测预报研究对于指导农户调优栽培、企业分类收储、期货小麦价格、进口政策调整等具有重要意义。本研究以冬小麦主产区(河南省、山东省、河北省、安徽省和江苏省)为研究区域,构建了冬小麦籽粒蛋白质含量多层线性预测模型,并实现了2019年冬小麦蛋白质含量预报。为了解决预测模型在年际扩展和空间扩展存在偏差的问题,在蛋白质含量估算模型中考虑了气象因素(温度、降水、辐射量)、冬小麦筋型、抽穗—开花期增强型植被指数(EVI)等因素。结果表明,融合3个气象因素的蛋白质含量估算模型建模集精度(R^(2)=0.39,RMSE=1.04%)与验证集精度(R^(2)=0.43、RMSE=0.94%)均高于融合2个气象因子的估算模型和单个气象因子的估算模型。将蛋白质含量估算模型应用冬小麦主产区的蛋白质含量遥感估算,得到了2019年冬小麦主产区品质预报图,并形成黄淮海地区冬小麦品质分布专题图。本研究结果可同时为后续小麦种植区划和实现绿色、高产、优质、高效粮食生产提供数据支撑。