XiaoMi-AI文件搜索系统
World File Search SystemNDVI
使用地理空间数据评估茶树健康和产量...
茶是印度最重要的饮料之一。它是第一大外汇收入来源。印度是世界上最大的茶叶生产国。印度的阿萨姆邦、梅加拉亚邦、特里普拉邦、北孟加拉邦（大吉岭）和锡金邦对该国的茶叶总产量贡献巨大。除此之外，印度南部的泰米尔纳德邦、卡纳塔克邦和喀拉拉邦也为茶叶生产做出了贡献。过去几年，人们发现茶产业正在失去立足之地。这主要是因为生产结构错误、由于生产成本高而无法与其他茶叶生产国竞争、小农户组织化、加工阶段的质量控制不佳以及更重要的害虫和疾病侵扰。遥感和 GIS 技术已被有效用于监测水稻、小麦等多种一年生作物。因此，开发一种使用遥感和 GIS 监测茶园的方法已成为迫切需要。之前缺乏使用遥感监测茶叶的研究，这为开发一种方法提供了想法，该方法可以帮助监测种植园的生长并在需要时采取有效措施。在本研究中，尝试使用遥感图像的纹理和色调变化来评估茶树的健康状况。应用灰度共生矩阵 (GLCM) 技术将茶斑分为健康、中度健康和患病茶。使用纹理和分类图像来描绘患病斑块。得出了健康、中度健康和患病茶的百分比。观察发现，2001 年 12 月的 LANDSAT 图像显示健康茶树的面积为 60.4%，中度感染茶树的面积为 23.6%，患病茶树的面积为 16.2%。对于 2004 年 2 月的 LISS III 图像，发现健康茶树的面积为 43.9%，中度感染茶树的面积为 36.8%，患病茶树的面积为 19.3%。同样，对于 2004 年 6 月的 ASTER 图像，发现健康茶树的面积为 24.9%，中度健康茶树的面积为 50.1%，患病茶树的面积为 25.1%。最后将结果与地面叶面积指数 (LAI) 和产量进行了比较。因此，这里尝试的纹理分析和色调变化可以在识别和检测茶园中的病斑方面发挥重要作用。这项研究表明，4 月、6 月和 8 月基于 MODIS 的 NDVI 与庄园层面的茶叶产量有显著相关性。为进一步检验 MODIS 得出的 NDVI 是否与 LAI 相关，建立了一个经验方程，结果表明茶叶的 LAI 与 NDVI 具有显著的线性关系 (R 2 =0.36)。然而，研究发现，仅凭不同时间段的 NDVI 观测结果无法解释茶叶产量的差异。这表明茶叶产量的统计模型似乎并不令人鼓舞。
遥感方法在农业中的应用 - Agrobiol
对妨碍遥感数据解释的因素的敏感性，如土壤背景、地貌、植物的非光合作用元素、大气、观看和照明几何（Huete 和 Justice 1999）最常用的指数是归一化差异植被指数（NDVI），由 Rouse 等人（1974 年）提出，计算为近红外和红光区域反射率差与和的商。由于叶片叶肉的散射，植物的绿色部分在近红外区域反射强烈，并通过叶绿素强烈吸收红光和蓝光（Ayala-Silva 和 Beyl 2005）。NDVI 指数最常用于确定栽培植物的状况、发育阶段和生物量以及预测其产量。 NDVI 已成为最常用的植被指数（Wallace 等人，2004 年；Calvao 和 Palmeirim，2004 年），人们做出了许多努力，旨在开发进一步的指数，以减少土壤背景和大气对光谱测量结果的影响。限制土壤对遥感植被数据影响的植被指数的一个例子是 Huete（1988 年）提出的 SAVI（土壤调节植被指数）。另一个是 VARI 指数（可见大气抗性指数）（Gitelson 等人，2002 年），它大大降低了大气的影响。还有更多的指标被开发出来，来考虑 NIR 和 SWIR 范围内的反射率差异，从而表明植物缺水：MSI（水分胁迫指数）（Rock 等人，1986 年）、LWCI（叶片水分含量指数）（Hunt 等人，1987 年）、WI（水分指数）（Panuelas 等人，1993 年）、GVMI（全球植被水分指数）（Ceccato 等人，2002 年）和 SIWSI（MidIR，G）（短波红外水分胁迫指数）（Fensholt 和 Sandholt，2003 年）。反过来，植被指数，如 CWSI（作物水分胁迫指数）（Jackson 等人，1981 年）、ST（地表温度）（Jackson，1986 年）、WDI（水分亏缺指数）（Moran 等人，1994 年）和 SI（胁迫指数）（Vidal 等人，1994 年）描述了水分胁迫与植物热特性之间的关系。表 1 列出了文献中报告的用于特定农业应用的植被指数示例。
全基因组关联研究研究谷物蛋白，千核重量和面包小麦（Triticum aestivum L.）的归一化差异指数
摘要：研究谷物蛋白含量（GPC），1000个核重量（TKW）和归一化差异植被指数（NDVI）的基因组区域，以280种面包小麦类型类型进行了研究。使用35K公理阵列对全基因组关联（GWAS）面板进行了基因分型，并在三个环境中进行了表型。在覆盖面包小麦的A，B和D亚基因组的18个染色体上检测到总共26个标记性属性关联（MTA）。GPC显示最大MTA（16），其次是NDVI（6）和TKW（4）。最多10 mTA位于B亚基因组上，而在A和D亚基因组上映射了8个MTA。In silico analysis suggest that the SNPs were located on important putative candidate genes such as NAC domain superfamily, zinc finger RING-H2-type, aspartic peptidase domain, folylpolyglutamate syn- thase, serine/threonine-protein kinase LRK10, pentatricopeptide repeat, protein kinase-like domain superfamily,细胞色素P450和扩张蛋白。发现这些候选基因具有不同的作用，包括调节胁迫耐受性，养分重液，蛋白质积累，氮利用率，光合作用，谷物填充，线粒体功能和核心发育。新鉴定的MTA的影响将在不同的遗传背景中得到验证，以进一步利用标记育种。
越来越多的全球变化压力源减少了全球土壤碳
图S8。 全球变化应力源的全球分布超过> 50％阈值（R 2 = 0.86）和POC（R 2 = 0.82），烷烃（R 2 = 0.87），酰胺（R 2 = 0.88）和多糖化合物（R 2 = 0.88）（R 2 = 0.90）。 使用13个单独的全球变化应力源和环境因素（例如地理位置（距离赤道和高程），植被（植物覆盖物和NDVI）以及土壤属性（细纹和土壤pH）等环境因素， 使用。 在我们的研究中没有由环境条件代表的高不确定性和/或区域的位置被白色掩盖。图S8。全球变化应力源的全球分布超过> 50％阈值（R 2 = 0.86）和POC（R 2 = 0.82），烷烃（R 2 = 0.87），酰胺（R 2 = 0.88）和多糖化合物（R 2 = 0.88）（R 2 = 0.90）。使用13个单独的全球变化应力源和环境因素（例如地理位置（距离赤道和高程），植被（植物覆盖物和NDVI）以及土壤属性（细纹和土壤pH）等环境因素， 使用。 在我们的研究中没有由环境条件代表的高不确定性和/或区域的位置被白色掩盖。使用。 在我们的研究中没有由环境条件代表的高不确定性和/或区域的位置被白色掩盖。使用。在我们的研究中没有由环境条件代表的高不确定性和/或区域的位置被白色掩盖。
“使用太空技术对迈索尔·塔鲁克（Mysore Taluk）的森林和农业部门的影响及其对森林和农业部门的影响”
摘要通过使用遥感技术来评估迈索尔·塔卢卡（Mysore Taluka）的水资源，土壤水分以及植被指数进行了一项研究。研究区域位于12.630°N的纬度和76.607°E的纬度之间，涵盖了约79,788公顷的面积。土地使用和土地覆盖（LULC）地图是从Landsat图像和地面真相结合使用的。也尝试找出与气候参数有关的LULC和温度对农业的影响。使用Landsat图像使用用于分析NDVI，NDWI和NDMI图。相反，使用相对湿度，土壤水分，太阳辐射和水径径的数据进行NCEP重新分析。该研究的结果表明，年度最高温度从2000年到2016年升高，而在此期间，年度最低温度和年降雨量减少。2000-2016的NDVI分析表明它是增加的。在NCEP重新分析的情况下，在此期间的相对湿度，土壤水分和水径流的年平均值中观察到降低。年度太阳辐射也显示出增加。发现在迈索尔·塔鲁克（Mysore Taluk）减少了用于谷物，小米，豆类，油种子，棉花和粒土植物的裁剪区域。另一方面，迈索尔·塔卢卡（Mysore Taluka）的水果，蔬菜和甘蔗的裁剪区域显示出来。GCM模型的C-MMAC预测，迈索尔·塔卢克（Mysore Taluk）分别降雨和2020年和2030年的温度下降。关键词：土地使用和土地覆盖，归一化差异植被指数，NCEP重新分析和MODIS数据。
人工智能和数据驱动的作物轮作规划
轮作规划是决定农业地区植物种类和时间演替的过程，以提高土壤质量、作物产量和抗虫/抗杂草能力。轮作规划可用的数据来源和模式非常多样化，该领域缺乏纯数据驱动的方法。在本文中，我们使用基于文献和 NDVI 测量的后继作物适用性矩阵和作物特定属性（如贡献边际和氮需求）作为输入，训练基于 DQN 的强化学习代理来生成轮作序列。从业者和轮作专家验证了生成的轮作序列，并得出结论，大多数序列都是现实的，符合现有的轮作规则集，并且可以应用于实践。
气候和社会经济的时空分析...
抽象目标本研究旨在评估莫桑比克霍乱发病率的社会经济和气候因素，以考虑空间和时间维度。设计了一项生态纵向回顾性研究，使用莫桑比克卫生部2000年至2018年的每月省级霍乱案件。霍乱案件与2000 - 2018年期间进行的莫桑比克人口和健康调查和气候数据有关的社会经济数据有关；相对湿度（RH），平均温度，降水和归一化差异植被指数（NDVI）。贝叶斯框架中的一个负二项式回归模型用于在调整时空协方差，环境因素的滞后效应和社会经济指标的同时对霍乱发病率进行建模。在莫桑比克设置11个省。在19年期间的结果，总共153 941例霍乱病例已通知莫桑比克的监视系统。与参考平均温度相比，霍乱的风险随每月平均温度高于24°C以上的平均温度增加。在19°C的平均温度下，霍乱风险在5-6个月的滞后较高。在较短的滞后1个月时，降水为223.3毫米，导致霍乱风险增加57％（相对风险，RR 1.57（95％CI 1.06至2.31））。霍乱风险在3个月时最大，每月NDVI为0.137（RR 1.220（95％CI 1.042至1.430）），而参考值为0.2。在54％的RH时，霍乱RR在4个月的时间为4个月时增加了62％（RR 1.620（95％CI 1.124至2.342））。我们发现无线电RR 0.29（95％CI 0.109至0.776）和手机RR RR 0.262（95％CI 0.097至0.711）的所有权与低霍乱风险显着相关。结论衍生的滞后模式可以在气候驱动的霍乱预警系统中提供适当的交货时间，这可能有助于预防和管理暴发。
氮肥施用位置和施用量影响葵花籽产量、油和蛋白质含量
表 3.1. 2022 年和 2023 年南达科他州布鲁金斯、米勒和海莫尔整个生长季 (GP) 收集的每月降雨量和温度数据。 ........................................................................................................... 30 表 3.2. 东部和中部 SD 种植前的土壤物理和化学特性 ........................................................................................................................... 31 表 4.1. 2022 年和 2023 年南达科他州布鲁金斯、米勒和海莫尔向日葵生长度日（基准 6.7 °C）。 ........................................................................................................... 40 表 4.2. 2022 年和 2023 年布鲁金斯不同氮肥施用率和位置下的 V-10、R-8 阶段叶片叶绿素含量（2022 年）、R-1 和 R-5 阶段叶片叶绿素含量（2023 年）、植物高度（cm）和茎直径（mm）。 ........................................................................................... 46不同氮肥施用量下向日葵 V-10 阶段叶片叶绿素含量的放置分析 Brookings 2022。 ......................................................................................... 46 表 4.4. 不同氮肥施用量下向日葵株高（cm）、茎直径（cm）的放置分析 Brookings 2023。 ............................................................................................. 47 表 4.5. 不同氮肥施用量和放置条件下 V-10、R-8 阶段（2022）的叶片叶绿素含量，R-1、R-5 阶段（2023）的叶片叶绿素含量，植物高度（cm） Miller 2022 和 Highmore 2023................ 48 表 4.6. 不同氮肥施用量和放置条件下平均 NDVI 对 Brookings 2022 和 2023 的影响。 ............................................................................................. 51表 4.8. 2022 年和 2023 年 Miller 和 Highmore 不同 N 施肥量和位置对平均 NDVI 的影响。 ........................................................................................... 52 表 4.8. 2022 年 Brookings 和 2022 年 Miller 不同 N 施肥量对平均 NDVI 的影响的放置分析。 ........................................................................... 53 表 4.9. 2022 年和 2023 年 Brookings 不同 N 施肥量和位置下向日葵的头直径（cm）、百粒重（克）、种子产量（kg ha -1 ）、蛋白质浓度（g kg -1 ）、油浓度（g kg -1 ）和油产量（kg ha -1 ）。 ............................................................................. 64 表 4.10. 2022 年 Brookings 不同 N 施肥量下向日葵的产量（kg ha -1 ）和蛋白质浓度（g kg -1 ）的放置分析。 ........................................................... 65穗直径（厘米）、百粒种子重量（克）、种子产量（千克/公顷）、Miller 2022 和 Highmore 2023 在不同氮肥施用量和地点下向日葵的蛋白质浓度（g kg -1 ）油浓度（g kg -1 ）和油产量（kg ha -1 ）。 ............................................................................................................................. 66 表 4.12. 氮肥成本、葵花籽价格、经济最佳施氮量（EONR）。 ........................................................................................................................................... 67 表 4.13. Brookings 2022、Miller 2022、Brookings 2023 和 Highmore 2023 的收获后茎秆氮含量（kg ha -1 ）。 ........................................................................................... 69 表 4.14. Brookings 2022 和 2023 深度（0-15 和 15-30 cm）的收获后土壤 NO 3 µg g -1 和 NH 4 µg g -1。 ......................................................................................................... 71 Miller 2022 和 Highmore 2023 深度（0-15 和 15-30 cm）处收获后土壤 NO 3 (µg g -1 ) 和 NH 4 (µg g -1 )。............................................................................. 72
土壤类型（世界参考基础）欧洲的地图基于整体机器学习和多尺度EO数据
图1。将预测作为土壤健康数据立方体的一部分（AI4SOILHealth项目）的一部分。这是作为自动化工作流的实现的，可以随着新的旧土壤数据的协调并添加到培训池中，可以更新和改进预测。Abbreviations: AW3D30 — ALOS World 3D 30 m Digital Surface Model ( Japan Aerospace Exploration Agency , 2021 ), GLO30 — Copernicus GLO-30 Digital Surface Model ( European Space Agency , 2024 ), NIR — Near Infrared, SWIR — Short-wave infrared, NDVI — Landsat Normalized Difference Vegetation Index, NDTI — Normalized Difference Tillage Index, MODIS — The NASA的中等分辨率成像光谱仪，NUTS3 - 基于螺母（统计数据的领土单位的命名）的欧盟小区域，分类，LST- LST - 土地表面温度，MODIS。
人工智能技术在土地监测中的应用
摘要。本研究探讨了神经网络处理和地理门户技术在分析秋明市附近农业用地变化中的应用。卫星图像和遥感技术的利用已成为土地监测过程不可或缺的一部分，尤其是在农业领域。通过将卫星数据与人工智能相结合，该研究确定了田地边界、跟踪土地使用情况并监测作物生长情况。主要发现强调了地理门户在实时监测作物状况、生长阶段和虫害方面的有效性。该研究强调了 NDVI 和 EVI 等先进植被指数在评估土地动态和土壤条件方面的作用。结果表明，这些技术有潜力支持可持续农业和土地管理实践。建议继续进行研究和技术进步，以充分利用遥感在促进可持续土地利用和农业发展方面的优势。