基于连续统去除法的冬小麦叶片全氮含量估算

以陕西省关中地区冬小麦小区试验为基础,获取不同生育期冬小麦的冠层高光谱数据,提取其连续统去除光谱和7类吸收特征参数,对比原始冠层光谱和连续统去除光谱对叶片氮含量的响应,分析连续统去除光谱吸收特征参数对叶片氮含量的估算能力。结果表明:连续统去除光谱在721~727 nm波段与叶片氮含量呈极显著负相关,相关系数为-0.851;吸收特征参数增强了对叶片氮含量的估算能力,400~550 nm波段吸收特征参数与叶片氮含量的相关性弱于550~770 nm波段;叶片氮含量与550~770 nm和400~770 nm的吸收峰总面积、吸收峰左面积以及吸收峰右面积呈显著正相关,与面积归一化最大吸收深度呈显著负相关,且相关系数绝对值均在0.8以上;550~770 nm波段的吸收峰总面积建立的叶片氮含量指数估算模型精度最高,R2达到0.82,模型检验结果稳定,可用来定量估算冬小麦叶片氮素含量水平。     

基于多光谱遥感的耕地土壤有机质定量反演

以重庆市江津区LandSat 8（L8）多光谱遥感影像和地面样点测土配方数据,开展了研究区L8地表反射率与土壤有机质的相关性分析,然后采用逐步回归分析的方法建立了研究区土壤有机质含量的遥感反演模型,最后利用模型计算了研究区土壤有机质含量分布。结果表明:研究区L8各波段地表反射率与土壤有机质含量均呈负相关,双侧显著性检验均＜0.01,其中,第6波段相关系数达到最大值为-0.840;以第4、5、6和7波段地表反射率建立的土壤有机质含量多元回归反演模型结果较好,模型判定系数R2=0.741;研究区土壤有机质含量遥感反演结果表明,研究区南部和北部边缘的土壤有机质含量较高,沿江浅丘阶地和中部深丘谷地的土壤有机质主要为10～30 g/kg,呈现不规律分布。      

基于有机质特征谱段的土壤Cd含量高光谱遥感反演

针对土壤Cd高光谱遥感定量反演中的机理性不足及数据冗余问题,提出一种基于有机质特征谱段的反演方法。该方法首先提取土壤光谱中对重金属Cd具有吸附作用的有机质特征谱段,进而通过竞争性自适应重加权采样法（Competitive adaptive reweighted sampling,CARS）优选特征谱段,采用偏最小二乘回归法（Partial least squares regression,PLSR）建立重金属Cd的反演模型,并利用郴州矿区土壤实验室光谱数据和哈密黄山南矿区野外光谱数据进行方法验证。研究表明：有机质特征谱段提取在降低数据冗余的同时提高了重金属Cd的反演精度,CARS算法相对于相关系数法（Correlation coefficient,CC）和遗传算法(Genetic algorithm,GA)特征选择具有更高的反演精度,基于有机质特征谱段的CARS-PLSR算法在土壤实验室光谱和野外实测光谱所得验证精度R2分别为0.94和0.80,表明该算法对于实验室和野外光谱均具有一定适用性。研究可为土壤重金属含量高光谱反演的特征波段选择和算法优选提供参考。     

基于优化光谱指数的土壤有机质含量估算

基于高光谱数据快速监测土壤有机质含量对于评价土壤肥沃程度具有重要意义。本文试图寻求估算土壤有机质含量的最佳光谱参数,实现土壤养分无损监测。使用ASD Field-Spec3高光谱仪对野外采集的土壤样品进行室内光谱测定,并通过重铬酸钾氧化容量法测定土壤样品有机质质量比;利用两波段优化算法对构建的新算法(SOM_(CI/ND))进行波段优化,筛选基于不同光谱数据(原始光谱反射率及其对应的4种数学变换)运算下的最敏感波段组合,从而建立土壤有机质质量比高光谱估算模型。结果表明:通过归一化光谱指数(I_(ND))和概念指数(I_(CI))比值构建的新算法(SOM_(CI/ND))优化后与土壤有机质质量比之间的相关性显著提高,在光谱原始数据及其平方根、倒数变换形式下,相关系数绝对值达到0.82,且敏感的组合波段集中在2220 nm～2240 nm和2160 nm～2195 nm。基于平方根波段优化的估算模型效果最佳,估算精度为R_p~2为0.84,RMSE_P为2.24 g/kg,RPD为2.89。因此,对光谱数据的适当数学变换有利于优化光谱指数更好地估算土壤有机质质量比,进一步实现土壤有机质质量比高精度动态监测。     

大豆叶绿素和钾素信息的冠层光谱响应

以大豆为研究对象,结合田间试验,采用反高斯(IG)光学模型拟合红边光谱反射率,一阶微分后得到红边振幅,建立估测叶绿素含量的S函数模型,相关系数达到0.781 2.同时,采用连续统去除法提取吸收深度特征参数,运用多元统计回归的方法估算全钾含量(TK).相关系数达到0.762 5.实现了仅用特定波段光谱数据预测作物营养状况的目的,为实现田间在线检测与变量投入提供了理论依据.     

基于高光谱数据的土壤有机质含量反演模型比较

以土壤多样化的陕西省横山县为研究区域,比较了3种基于高光谱数据的土壤有机质含量反演模型,在实验室利用ASD Field Spec FR地物光谱仪对横山县野外采集的土壤样品进行光谱测定,并通过重铬酸钾氧化容量法测定土壤有机质含量。然后对原始光谱反射率的倒数进行微分运算获得其一阶导数光谱,将原始光谱反射率、一阶导数光谱分别与土壤有机质含量进行相关性分析,得到相关性系数r较高的特征波段的一阶导数光谱,直接建立基于一阶导数光谱的多元线性逐步回归分析(MLSR)模型。同时针对这些相关性系数较高的特征波段的一阶导数光谱进行主成分分析(Principal component analysis,PCA),利用主成分分析得到的结果分别建立BP神经网络反演模型(PCA-BP)和多元线性逐步回归分析模型(PCA-MLSR)。用上述3种方法进行土壤有机质含量反演,并对3种反演结果进行精度验证与比较。实验分析结果表明:在3种模型中,基于主成分分析结果构建的PCA-BP模型在土壤有机质含量反演中决定系数(R2)最高,为0.893 0,均方根误差(RMSE)为0.118 5%;其次为运用全部主成分PCA分析结果构建的多元线性逐步回归模型,R2为0.740 7,RMSE为0.161 3%;而采用一阶导数光谱反射率构建的多元线性逐步回归模型中,最佳反演模型R2仅为0.689 9,RMSE为0.171 0%。由此说明,PCA-BP模型有机质含量反演精度明显高于多元线性逐步回归模型,利用全部主成分进行多元逐步回归,其有机质含量反演精度优于仅用累计方差贡献率大于90%的主成分进行多元逐步回归的精度,可以更好地反演土壤有机质的含量。     

基于人工嗅觉系统的土壤有机质检测方法研究

为了实现土壤有机质快速、准确的测量,提出了一种基于人工嗅觉的土壤有机质含量检测方法。首先,由不同温度控制的10个气体传感器所构成的阵列对土壤样品气体进行采集;然后,提取每个传感器响应曲线上的7个特征(包括最大值、最小值、平均值、平均微分系数、响应面积、第30秒的瞬态值和第60秒的瞬态值),构建嗅觉特征空间;对特征空间优化后,采用回归算法建立预测模型。为减小不同测定算法、异常样本以及冗余特征对模型预测性能的影响,在应用蒙特卡罗抽样(Monte Carlo sampling,MCS)法剔除异常样本的基础上,采用主成分分析(Principal component analysis,PCA)法对特征空间进行降维处理,评估了包括偏最小二乘法回归(Partial least square regression,PLSR)、支持向量机回归(Support vector machine regression,SVR)和BP神经网络(Back propagation neural network,BPNN)等3种建模方法对土壤有机质含量的预测性能,选用决定系数R2、均方根误差(RMSE)和预测偏差比(RPD)评价各模型的预测性能。测试集验证结果表明,PLSR、SVR和BPNN这3种模型的预测值和样本的观测值之间的R2分别为0. 86、0. 91和0. 85,RMSE分别为2. 49、2. 05、2. 68 g/kg,RPD分别为2. 49、3. 02和2. 32。SVR模型的预测性能高于PLSR模型和BPNN模型,可对土壤有机质含量进行准确预测。     

基于RS和GIS的松辽平原黑土信息提取

为保护黑土资源并使其可持续利用,基于ASTER数据采用多元逐步回归方法估算了黑土有机质含量,利用决策二叉树方法和DEM数据等提取了黑土信息。结果表明：基于ASTER数据可快速有效地提取黑土信息;当土壤有机质质量分数低于2%时,估算有机质的模型精度受到土壤反射特性的制约而误差较大;在GIS支持下充分利用辅助信息可提高黑土的提取精度,使提取的黑土信息更准确可靠;根据研究得到松辽平原黑土带北起黑河市,南至昌图县,现有黑土总面积51 360.15 km2,其中黑龙江、吉林、辽宁省的黑土面积依次递减,分别是35 3     

土壤重金属含量光谱估算模型的初步研究

以昆山市水稻土为例,运用统计学相关分析方法,总结分析土壤有机质对不同重金属元素的吸附规律,尝试利用遥感光谱法实现对土壤重金属含量的模型估算.结果表明,研究区土壤有机质对不同重金属吸附强度由大到小的排序为:Cu>Pb>As>Zn>Cd>Ni>Cr>Hg,有机质对Cu和Pb的吸附固持强度较大,相关性显著.基于土壤有机质含量光谱诊断指数,建立了Cu和Pb的光谱估算模型,在一定程度上论证了利用土壤光谱特征间接估算土壤重金属含量的可行性,为土壤重金属污染状况的快速定量评价开辟了新途径.     

景观高度异质区土壤有机质时空变化特征分析

基于GIS和环境相关法,构建了集传统统计学、空间趋势分析、时间稳定性评估、结合辅助信息的地统计混合模型联合的景观高度异质区土壤属性时空变化研究模型,并利用该联合模型揭示了北京市密云县土壤有机质时空变化特征及其影响因素。结果表明,构建的时空联合模型能够较好地体现景观高度异质区土壤有机质时空变化细节特征;土壤有机质以中等稳定为主,且随着时间的推移,随机部分占土壤有机质空间变异的比例越来越大;不同时期土壤有机质含量空间分布格局一致;高土壤有机质含量区域的土壤有机质随时间呈减小趋势,低区与之相反,且高土壤有机质含量区变幅大,而低土壤有机质含量区变幅小;影响密云县土壤有机质时空变异的因素主要为土壤质地和土地利用方式。     

班菲尔脐橙可溶性固形物近红外光谱特征谱区选择

为探讨快速无损检测班菲尔脐橙可溶性固形物(TSS)含量的方法,利用多元散射校正对脐橙1 000 ～2 500 nm近红外光谱进行了预处理,并用偏最小二乘法(PLS)、区间偏最小二乘法(iPLS)和联合区间偏最小二乘法(siPLS)分别建立预测模型.结果表明,采用siPLS将光谱划分为17个子区间,利用其中的第4(1 267～1355 nm)、5(1 356 ～1 443 nm)、9(1708～1795nm)、15(2 236 ～2 323 nm)号4个子区间联合建立的TSS模型效果最佳,其校正集决定系数和均方根误差分别为0.9109和0.331 2.预测集决定系数和均方根误差分别为0.878 9和0.448 7,主因子数为6个.研究表明,近红外光谱技术结合siPLS可优选出表征班菲尔脐橙TSS含量信息的特征光谱区间简化预测模型,同时提高模型预测能力和精度.     

生菜叶中磷含量的光谱定量分析

为快速、准确检测生菜叶内的磷含量,提出了应用光谱技术结合化学计量法无损检测生菜叶内磷含量的方法。通过获取不同施磷量下生菜叶片于波长350~2500nm处的反射光谱,对光谱数据进行5点平滑和一阶导数变换后,利用联合区间偏最小二乘算法（siPLS）提取了与生菜叶磷元素相关的4个特征波段,即950~1070nm, 1430~1549nm,1906~2025nm和2144~2263nm。进一步利用连续投影算法（SPA）对全光谱波段和4个特征波段进行特征波长提取,分别筛选出变量63个和25个。分别对4个特征波段、63个和25个特征波长进行主成分降〖JP2〗维,当主成分数分别为7、5和4时,隐含层神经元数分别为7、5和3时,建立了siPLS+BPANN,SPA+BPANN,siPLS+〖JP〗SPA+BPANN生菜叶磷含量检测模型。研究结果表明：siPLS+SPA+BPANN模型的预测结果优于其他模型,验证集相关系数为0.911,验证均方根误差为479mg/kg。     

基于光谱FOD与优化指数的银川平原土壤有机质含量反演

土壤有机质（SOM）是土壤肥力的重要组成部分,是作物生长的主要养分来源。为探究分数阶微分（FOD）联合优化光谱指数对低肥力地区SOM的反演效果,以银川平原为研究对象,对野外土壤高光谱反射率原始数据进行0~2阶FOD处理（间隔0.2阶）,构建优化光谱指数DI/RDI、DI/NDI、NDI/RDI、RDI/NDI、DI/GDI和RI/GDI,分析各指数与土壤有机质含量间的二维相关性,筛选出最佳优化光谱指数,并建立基于支持向量机（SVM）的SOM含量反演模型。结果表明：银川平原SOM含量整体偏低,其中93.05%处于四级到六级水平。土壤野外原始光谱反射率吸收特征差异明显,在1400、1900nm处有明显吸收峰。随着分数阶的不断增加,光谱反射率不断趋近于0。土壤DI/NDI、DI/GDI、RI/GDI、NDI/RDI和RDI/NDI在0~2阶最大相关系数绝对值（MACC）均小于0.80,DI/RDI在0.2~2.0阶范围内的MACC为0.9965~0.9986,其敏感波段主要集中在1450~1750nm和2100~2400nm之间。基于0.2阶微分处理的DI/RDI-SVM模型对SOM的反演精度最佳,建模决定系数R2c和验证决定系数R2p分别为0.98和0.99,相对分析误差（RPD）为4.31。研究结果可为低肥力地区的SOM含量快速、准确反演及制图提供科学依据。     

基于CWT-sCARS的东北旱作农田土壤有机质高光谱反演

精准高效获取不同类型土壤的有机质含量,对促进东北土壤退化防治和耕地质量提升有重要意义.本研究以东北旱作农田典型土壤类型为研究对象,采集了黑土、黑钙土、潮土和棕壤共118个土壤样品,采用倒数对数、一阶微分、连续统去除和连续小波变换分别对其光谱曲线进行预处理.通过稳定性竞争自适应重加权采样(sCARS)算法筛选敏感波段,并...     

基于水分和粒度的土壤有机质特征波长提取与预测模型

为减少水分、粒度对传统方式选取特征波长建立的土壤有机质预测模型的影响,本文提出新的特征波长提取方法。采集中国农业大学上庄实验站土壤样本60份,将样本自然风干后一分为二,一份配成5个粒度梯度（粒径2~2.5mm、1.43~2mm、1~1.43mm、0.6~1mm、0~0.6mm）,另一份过0.6mm筛后配成5个水分梯度（含水率5%、10%、15%、20%、25%）。通过标准仪器分别获取土壤有机质含量真值和土壤光谱信息,使用随机蛙跳算法进行特征波长提取,每个水分、粒度梯度下分别选取7个与土壤有机质含量真值相关性较高的波长作为对应梯度下选取的特征波长,分别建立多元线性回归（MLR）、偏最小二乘（PLS）、随机森林（RF）模型,结果表明：随着含水率增高,3种模型的建模集和预测集决定系数R2基本呈减小趋势;在2~2.5mm粒度梯度下,3种模型的建模集和预测集R2最低,在0~0.6mm梯度下,建模集和预测集R2最高,其余梯度下,建模集和预测集R2接近。结合滤光片带通范围（±15nm）,挑选出水分梯度下相同或者接近的8个土壤有机质特征波长,粒度梯度下选取6个特征波长,最终结合化学键特性在水分梯度和粒度梯度下确定的14个特征波长下剔除了6个,确定8个特征波长：932、999、1083、1191、1316、1356、1583、1626nm。分别建立MLR、PLS、RF模型,结果表明：最终选取的有机质特征波长建立的3种模型建模集R2均不低于0.8、预测集R2均不低于0.75,其中PLS预测效果最佳,建模集、预测集R2分别为0.8809、0.8402。本研究所确定的有机质特征波长建立的模型具有更好的适用性和预测效果,相比于传统方式,一定程度上消除水分、粒度对预测的影响。     

黄绵土风干过程中土壤含水率的光谱预测

以2014年两次在陕西省乾县田间采集的129个黄绵土土壤样本为研究对象,建立土壤含水率定量反演模型。在土壤风干过程中测量光谱反射率及含水率,分析土壤含水率与光谱反射率之间的关系,并利用一元线性及指数回归建立土壤含水率光谱预测模型。结果表明在400~1 340、1 460~1 790、1 960~2 390 nm波长范围内,与含水率相关性最大的反射率对应的波长分别为570、1 460、1 960 nm;吸收深度最大的波长位于490、1 460、1 960 nm。土壤光谱特征指标与含水率之间的线性相关关系优于指数相关关系。以特征波长1 980 nm(C1980)、1 980 nm的吸收深度(D1980)和1 480 nm的吸收深度(D1480)为自变量建立的线性模型为土壤含水率预测的最优模型,校正和验证的决定系数R2大于0.92,相对预测偏差(RPD)大于2.5,均方根误差(RMSE)小于2.5%。研究表明利用自然土样,在风干过程中进行土壤含水率光谱快速预测是完全可行的,从而为遥感实时、快速监测土壤水分含量及大面积土壤水分反演提供了参考。     

基于反射光谱的苹果叶片叶绿素和含水率预测模型

为探索苹果叶片叶绿素含量(质量比)、叶片含水率与反射光谱之间的关系,以华北地区苹果树为研究对象,分别测定了各个关键生长期苹果叶片的光谱反射率、叶绿素含量和叶片含水率。分析光谱反射率与叶绿素含量以及叶片含水率之间相关性发现,在不同生长时期,苹果叶片叶绿素a含量与反射光谱在515~590 nm和688~715 nm两组波段内具有较高的相关性,且果实成熟期数据显示相关度最高(R2=0.6)。在420~500 nm、640~680 nm、740~860 nm 3个波段叶片含水率与反射光谱有较高的相关性,且果实膨大期的叶片含水率在可见光波段的相关系数最大。根据所选敏感波段,分别利用多元线性回归、主成分分析和人工神经元网络建立基于反射光谱的苹果叶片不同生长时期叶绿素和含水率的预测模型。通过对所建立的预测模型进行校验,结果显示,利用主成分分析方法所建立的苹果叶片叶绿素含量预测模型的决定系数最高(R2=0.885 2),校验系数为0.828 9。该模型可以较为准确地预测苹果叶片叶绿素含量。而采用神经元网络所建立苹果叶片含水率预测模型的决定系数R2=0.862,校验系数为0.8375,预测效果最好。     

基于可见-近红外光谱技术的果蔬品质检测方法

可见-近红外光谱技术利用波长在380～2 500 nm的电磁波获取果蔬中有机分子含氢基团的特征信息,根据样品对不同波长光的吸收信息,实现果蔬的外部、内部缺陷及营养成分定性、定量分析,是目前主流的果蔬内外部品质快速无损检测技术。综述了目前基于吸光度谱和能量谱对果蔬营养物质含量定量分析及缺陷定性分析,所使用的检测模型和变量筛选模型及其检测准确性,为相关研究人员选择高效准确的检测模型提供技术支撑。     

基于扫描成像的作物近地高光谱获取与特征分析

为了验证自主研制的扫描成像光谱仪（PIS）在近地应用的可行性,该文以小麦、玉米为研究对象,利用PIS近地获取作物冠层和叶片的高光谱图像,在对田间和室内获得的成像数据进行对比分析的同时,探讨了成像光谱采集过程中的影响因素。此外,将PIS获取的成像高光谱与地物光谱仪（ASD）测定的高光谱进行比对研究。结果表明：PIS能准确收集作物的光谱信息,且采集的高光谱数据与ASD具有很好的一致性;PIS在田间采集作物光谱信息时,受氧气吸收的影响,在760 nm处有明显的干扰吸收;PIS除了能反映作物不同叶位叶片、不同器官光谱的差异,还可依据影像提取杂草、土壤对作物冠层光谱的影响程度。上述初步结果为进一步应用PIS进行农作物长势诊断提供了参考。