小麦籽粒蛋白质含量(Grain protein content,GPC)作为评估小麦品质的关键指标,其精准监测对提升小麦品质、提高市场价值具有重要意义。本文系统总结当前遥感技术在小麦GPC监测领域的最新研究进展,重点分析不同遥感监测模型的优缺点及存...
详细信息
小麦籽粒蛋白质含量(Grain protein content,GPC)作为评估小麦品质的关键指标,其精准监测对提升小麦品质、提高市场价值具有重要意义。本文系统总结当前遥感技术在小麦GPC监测领域的最新研究进展,重点分析不同遥感监测模型的优缺点及存在问题,提出未来研究方向展望,旨在为GPC遥感监测的进一步发展提供参考。结果表明:地面、无人机、卫星遥感数据在小麦GPC监测中各具优势,随着数据扩展性增强,小麦GPC监测准确性略有下降。监测模型从经验模型发展到半机理或遥感与作物生长耦合模型,增加了小麦生长的农学参数和生态因子,有效提升监测模型的精度与普适性。半机理模型是监测小麦GPC的优选方案,在融合光谱信息和农学参数的北京小麦GPC遥感监测模型中加入气象因子后,模型R^(2)提升了0.242。模型精度和区域普适性等方面目前仍面临诸多挑战,如GPC数据源的可靠性、小麦氮素垂直分布规律的复杂性以及模型区域扩展的局限性等。未来可通过融合多源数据、挖掘光谱信息以及探索多尺度数据转换的方法等,构建基于“星—空—地”协同观测的多尺度小麦GPC监测模型,实现小麦品质高效、精准、全面监测。
为精确监测和评估小麦在成熟期受连阴雨胁迫后穗霉变发芽情况。该研究以2023年5月底黄淮西部一次大范围连阴雨天气过程为例,从气象致灾危险性和遥感变量表征小麦承灾能力两方面,综合应用气象和多源卫星遥感资料,构建模型因子。分别用Spearman和Pearson相关性分析,以及ReliefF特征选择方法进行关键因子筛选,形成3组因子,分别应用Logistic回归等5种分类器和多元线性回归等5种回归方法构建模型,实现了对灾变的精准识别、程度分级和指数回归预测。通过对不同模型性能评估和各因子影响的对比分析,结果表明:所选分类器在气象与遥感因子协同及各独自建模情形下,均能识别穗发芽霉变并准确预测其等级,识别的准确率(accuracy,AC)在0.649~0.811,等级预测的AC在0.432~0.622之间;在穗发芽霉变指数(ear germination and moldiness index,EGMI)预测方面,构建的PCFXGBR模型表现最佳,R^(2)为0.25,均方根误差(root mean square error,RMSE)为15.68,平均绝对误差(mean absolute error,MAE)为11.93。研究发现,遥感模型在灾变识别上更具优势,而气象模型在灾变程度分级上更优,结合两者的气象-遥感协同模型性能最佳。该研究成果为小麦连阴雨减损与灾后评估提供了有力的技术支持。
暂无评论