作物模型与GIS集成中存在着功能重复开发、模型共享困难以及地理信息处理功能的在线能力有限等问题。该文以面向服务架构(service-oriented architecture,SOA)为基础,设计了作物模型区域应用Web服务组合框架。以ArcGIS Service和Model B...作物模型与GIS集成中存在着功能重复开发、模型共享困难以及地理信息处理功能的在线能力有限等问题。该文以面向服务架构(service-oriented architecture,SOA)为基础,设计了作物模型区域应用Web服务组合框架。以ArcGIS Service和Model Builder为开发平台,给出了模型计算、动态专题图和空间插值Web服务的开发流程、接口设计和实现方法。结合富客户端技术研制了基于SOA和WebGIS的小麦生产管理支持系统原型(wheat production management support system based on SOA and WebGIS,WPMSS-GISOA),实现了地图数据的上传发布、气象和土壤数据查询、栽培方案设计、空间插值分析等功能。功能测试表明作物模型区域应用的Web服务组合框架可行,为模型与地理信息系统的在线无缝集成提供了可参考方案。展开更多
【目的】为探究无人机数码影像监测水稻叶面积指数(Leaf area index,LAI)的可行性,明确利用无人机数码影像监测水稻LAI的最佳时期,构建基于无人机数码影像的水稻LAI监测模型。【方法】本研究基于不同品种和施氮量的水稻田间试验,于分蘖...【目的】为探究无人机数码影像监测水稻叶面积指数(Leaf area index,LAI)的可行性,明确利用无人机数码影像监测水稻LAI的最佳时期,构建基于无人机数码影像的水稻LAI监测模型。【方法】本研究基于不同品种和施氮量的水稻田间试验,于分蘖期、拔节期、孕穗期、抽穗期和灌浆期测定水稻LAI,同步使用无人机搭载数码相机获取水稻无人机数码影像并提取颜色指数及纹理特征,分析其在不同生育时期与水稻LAI之间的相关性,构建定量监测模型,并用独立试验数据对所建模型进行检验。【结果】无人机数码影像中颜色指数及纹理特征与水稻LAI之间的相关性在生育前期(分蘖期+拔节期)最高,高于所有单生育期、生育后期(孕穗期+抽穗期+灌浆期)和全生育期,可确定为监测的最佳时期;在颜色指数和纹理特征当中,纹理特征方差(Variance,VAR)在监测水稻生育前期LAI时表现最优,可构建监测模型LAI=1.1656×exp^((0.0174×VAR))实现监测,模型构建时的决定系数(Determination coefficient,R^(2))为0.7980,模型检验时的相对均方根误差(Relative root mean square error,RRMSE)和偏差(bias,θ)分别为0.1658和0.1306。【结论】与人工测量LAI相比,基于无人机数码影像的水稻LAI监测方法可提高作业效率,降低成本,在水稻长势快速准确监测和丰产高效栽培中具有应用价值。展开更多
文摘作物模型与GIS集成中存在着功能重复开发、模型共享困难以及地理信息处理功能的在线能力有限等问题。该文以面向服务架构(service-oriented architecture,SOA)为基础,设计了作物模型区域应用Web服务组合框架。以ArcGIS Service和Model Builder为开发平台,给出了模型计算、动态专题图和空间插值Web服务的开发流程、接口设计和实现方法。结合富客户端技术研制了基于SOA和WebGIS的小麦生产管理支持系统原型(wheat production management support system based on SOA and WebGIS,WPMSS-GISOA),实现了地图数据的上传发布、气象和土壤数据查询、栽培方案设计、空间插值分析等功能。功能测试表明作物模型区域应用的Web服务组合框架可行,为模型与地理信息系统的在线无缝集成提供了可参考方案。
文摘【目的】为探究无人机数码影像监测水稻叶面积指数(Leaf area index,LAI)的可行性,明确利用无人机数码影像监测水稻LAI的最佳时期,构建基于无人机数码影像的水稻LAI监测模型。【方法】本研究基于不同品种和施氮量的水稻田间试验,于分蘖期、拔节期、孕穗期、抽穗期和灌浆期测定水稻LAI,同步使用无人机搭载数码相机获取水稻无人机数码影像并提取颜色指数及纹理特征,分析其在不同生育时期与水稻LAI之间的相关性,构建定量监测模型,并用独立试验数据对所建模型进行检验。【结果】无人机数码影像中颜色指数及纹理特征与水稻LAI之间的相关性在生育前期(分蘖期+拔节期)最高,高于所有单生育期、生育后期(孕穗期+抽穗期+灌浆期)和全生育期,可确定为监测的最佳时期;在颜色指数和纹理特征当中,纹理特征方差(Variance,VAR)在监测水稻生育前期LAI时表现最优,可构建监测模型LAI=1.1656×exp^((0.0174×VAR))实现监测,模型构建时的决定系数(Determination coefficient,R^(2))为0.7980,模型检验时的相对均方根误差(Relative root mean square error,RRMSE)和偏差(bias,θ)分别为0.1658和0.1306。【结论】与人工测量LAI相比,基于无人机数码影像的水稻LAI监测方法可提高作业效率,降低成本,在水稻长势快速准确监测和丰产高效栽培中具有应用价值。
