排序方式: 共有16条查询结果,搜索用时 15 毫秒
11.
陕西苹果种植面积大、产量高,但产量易受晚霜冻影响。冻害的发生与苹果花期和晚霜冻时间密切相关,因此准确预测苹果花期,研究苹果花期的变化规律对苹果生产防灾减灾具有重要意义。本研究利用物候模型(春暖模型、连续模型、重叠模型和平行模型)研究气候变化背景下陕西苹果花期(包括始花期和末花期)的变化规律。首先,评价4种物候模型在陕西苹果产区模拟苹果花期的效果,筛选出研究区最佳花期预测模型。然后,基于所选最佳花期模型模拟历史(1980−2019年)时期各代表站(洛川、白水、凤翔和长武)的苹果花期。最后,基于33个全球气候模式(Global Climate Models,GCMs)生成的未来气象数据集,利用所选最佳模型分别模拟RCP4.5和RCP8.5两种情景下2021−2100年各代表站的苹果花期并研究花期时空变化规律。结果表明,连续模型是模拟渭北东部和西部苹果花期的最佳模型,而延安和关中西部苹果花期的最佳模型为平行模型。1980−2019年各代表站始花期提前速率为3.4~4.7d·10a−1,末花期提前速率为3.3~4.6d·10a−1,空间分布上,研究区苹果花期从东南到西北逐渐推迟,年平均花期持续时间为10~11d。在RCP4.5情景下,各代表站2021−2100年始花期提前速率为0.7~0.9d·10a−1,末花期提前速率为0.6~0.8d·10a−1;与1980−2019年相比,各代表站2021−2060年平均始花期提前0~4.4d,末花期提前0~5.0d,各代表站2061−2100年平均始花期提前3.4~7.6d,末花期提前2.6~8.2d。在RCP8.5情景下,2021−2100年各代表站始花期提前速率为1.3~1.8d·10a−1,末花期提前速率为1.3~1.6d·10a−1;与1980−2019年相比,各代表站2021−2060年平均始花期提前1.3~5.9d,末花期提前1.0~6.1d,各代表站2061−2100年平均始花期提前6.7~12.4d,末花期提前6.2~12.3d。未来气候条件下,苹果花期空间分布与历史时期基本一致,但花期持续时间略有缩短。本研究首次综合花期预测模型和未来气候数据研究陕西苹果产区苹果花期变化,可为陕西苹果产区应对气候变化产生的花期冻害提供一定的理论依据。 相似文献
12.
基于三维点云的叶面积估算方法 总被引:2,自引:0,他引:2
为实现低成本无损精确测定叶片面积,基于运动恢复结构算法获取点云,提出了一种融合叶片点云分割、表面重建及叶片面积无损估测等过程的植物叶片面积提取方法。首先,基于运动结构恢复算法,以智能手机获取的可见光图像重建植物的三维点云;其次,为了还原叶片表面形状,基于HSV颜色空间,使用阈值分割法去除叶片点云的噪点;使用K-means聚类算法对点云的三维坐标矩阵进行分类,实现单片叶片点云的分割;基于滚球算法重建叶片的表面网格模型;最后,通过计算网格面积求得叶片面积。与常规叶面积测定方法进行了对比,本文方法的计算结果与扫描叶片法测定值相比平均误差为1.21cm2,误差占叶片面积的平均百分比为4.67%;与叶形纸称量法测定值相比平均误差为1.41cm2,误差占叶片面积的平均百分比为6.05%。结果表明,本文方法成本低、精确度高,可满足植物叶片面积无损精确测定的需求。 相似文献
13.
基于时变特征的多时相PolSAR农作物分类方法 总被引:1,自引:0,他引:1
获取农作物分类信息是极化合成孔径雷达(Polarimetric synthetic aperture radar,PolSAR)的重要应用之一,然而单时相PolSAR数据能够提供的信息十分有限,而且单时相数据的获取时间也会影响农作物分类精度。随着技术的发展,出现了大量的机载和星载PolSAR系统,这些系统能够获取目标重复观测的PolSAR数据,这为多时相PolSAR的数据分析和应用提供了可能。本文以多时相PolSAR农作物分类为出发点,通过利用不同农作物的极化散射特性的变化特性来提高分类精度。首先,基于极化散射特性分解原理分析了不同农作物在生长过程不同时期所呈现的散射特性变化规律,在此基础上定义了一个新的参数描述其散射特性的变化特性。其次,基于这一新参数提出了一种多时相PolSAR农作物监督分类算法。最后,通过对欧洲空间局所提供的基于Radarsat-2实测仿真生成的Sentinel-1数据处理结果表明,相比于基于复Wishart分布的监督分类算法,农作物的整体分类精度提高了约4个百分点,当农作物种类合并为4类时,整体分类精度提高了约6个百分点。 相似文献
14.
群体小麦条锈病发病动态无人机遥感监测方法 总被引:1,自引:1,他引:0
针对当前育种群体小麦条锈病表型分析手段单一、效率低下等问题,该研究提出了一种基于无人机低空遥感和多光谱成像技术的群体小麦田间条锈病高通量表型动态分析方法。该方法利用无人机采集自然发病的育种群体小麦(共600个样本,516个基因型)冠层多时相的光谱图像,并提取22个植被指数作为后续分析的表型,同时按照发病后的时间顺序与传统条锈病人工鉴定标准记录条锈病发病阶段和发病严重度数据;使用随机森林算法建立22个光谱植被指数同条锈病发病阶段与病害严重度的分类模型,并筛选出对上述两个分类问题敏感的植被指数;同时,使用随机蛙跳算法对特征进行筛选以降低仅使用随机森林算法对特征筛选的偶然性,并将随机蛙跳算法给出被选择概率排名在约前1/3的特征作为SVM算法的输入,构建发病阶段与病害严重度模型以验证随机蛙跳算法对特征筛选的有效性;综合两次特征选择的结果,分别筛选出对发病阶段和病害严重度敏感的3个植被指数,并基于这些指数响应的时间序列分析了群体中6个参考品种发病动态的差异。对条锈病发病阶段的分类模型构建中,随机森林和SVM模型测试集的F1分数分别为0.970和0.985;对条锈病严重度等级分类中,二者的F1分数为0.740和0.780,表明通过所建立的模型可以实现对群体小麦发病阶段和病害严重度等级的分类,且随机森林算法和随机蛙跳算法都能够筛选出对条锈病发病阶段和病害严重度敏感的特征。筛选出的差分植被红边指数(Difference Vegetation Index - Rededge,DVIRE)的响应对病害胁迫较为敏感,可用于同时描述田间条锈病发病阶段和严重度。该研究提出的高通量表型分析方法,基于无人机成像光谱提取的植被指数对群体小麦田间条锈病进行时间序列动态分析,能够精准量化群体小麦受条锈病胁迫状态,并可为其他作物抗病育种的表型分析提供一定的参考。 相似文献
15.
16.
为探讨利用Copula函数在站点尺度上对苹果晚霜冻进行特征分析的适用性,该研究首先基于陕西省苹果主产区7个气象站点1971-2018年的逐日最低气温(Tmin)数据集,提取出晚霜冻事件的历时和强度两个特征变量。然后,基于6种不同的Copula函数构建晚霜冻特征变量的联合分布,并进行拟合优度评价。最后,利用优选的Copula函数分析晚霜冻发生的概率及重现期。结果表明:陕西苹果产区各站点1971-2018年受晚霜冻的影响在空间分布上由东南向西北方向加重,各站点晚霜冻的历时和强度之间均具有显著的正相关关系。当晚霜冻强度和历时增大时,其联合累积概率也相应增大,且增大趋势变缓。各站点联合重现期代表的"或"事件比同现重现期所代表的"且"事件更容易发生。当单变量重现期取值较小时,可将联合重现期和同现重现期视为单变量重现期的两种极端情况,对其实际范围进行估计。总体而言,陕西苹果产区各站点发生长历时且高强度晚霜冻事件的概率较小,但是位于延安果区的站点相较于其它果区站点更容易发生高强度或长历时的晚霜冻事件,以及高强度长历时同时发生的晚霜冻事件,需要重点加以关注。该研究可为陕西苹果产区在站点尺度上应对晚霜冻灾害提供理论依据。 相似文献