混合像元分解在表层土壤有机质遥感估算中的应用

基于Landsat 8 OLI遥感影像数据,以巢湖流域为研究区,通过线性混合像元分解法从混合像元光谱中消除植被端影响,重建土壤光谱,构建土壤有机质遥感估算模型,并与直接基于影像光谱构建的土壤有机质估算模型进行比较.结果表明,通过线性混合像元分解法构建的估算模型建模集的决定系数(R2)为0.48,均方根误差(RMSE)为5.42,验证集的R2=0.46、RMSE=5.85;直接基于影像光谱构建的土壤有机质估算模型建模集的R2=0.36、RMSE=6.93,验证集的R2=0.37、RMSE=7.12.运用线性混合像元分解法构建的有机质估算模型可有效抑制地表植被干扰,提高土壤有机质遥感估算精度.     

土壤有机质高光谱估算模型研究进展

土壤有机质高光谱估算较传统土壤农化分析方法表现出极大优势,顺应了现代农业发展的迫切需要。国内外众多学者先后对土壤有机质高光谱估算模型进行了大量研究,估算模型由简单的一元线性模型逐渐发展为多元线性及非线性模型,常用的建模方法分为线性方法和非线性方法,重点分析了各种方法的适用性。通过总结分析前人研究,发现土壤有机质高光谱估算模型研究存在以下发展趋势:多种建模方法耦合使用增多;建模方法的复杂度逐渐增强;尝试消减外部环境因素对建模的影响;尝试将室内土壤有机质估算模型应用于野外实地研究。     

华南地区土壤有机质含量高光谱反演

为实现对土壤有机质含量的快速监测,在对土壤有机质含量作倒数变换的同时将土壤高光谱数据进行多种数据变换处理,筛选出与土壤有机质含量倒数变换后相关性最高的光谱指标,最后构建了土壤有机质含量高光谱反演的最佳模型,实现对土壤有机质含量的反演。结果表明:估算土壤有机质含量的最佳光谱指标为反射率一阶微分波段组合R_((587,126)*R_((734,049))*R_((1 095,892)),相关系数为0.769;在此基础上构建的土壤有机质含量高光谱反演模型最佳(Y=5×10~(16)x~3-5×10~(10)x~2+59 471.000 0x+0.101 1),其决定系数R~2为0.65,均方根误差(RMSE)为0.040 mg/kg。将其验证样本预测值与实测值进行比较,平均相对误差为27.00%,RMSE为4.19 mg/kg。该验证结果证明利用该模型进行华南地区土壤有机质含量的快速监测是可行的。     

土壤有机质高光谱特征与波长变量优选方法

【目的】探究土壤有机质的高光谱特征及响应规律,优选土壤有机质的敏感波长,降低土壤有机质高光谱估测模型复杂度,提高模型稳健性,为利用高光谱技术对农田土壤肥力的定量监测提供理论支撑。【方法】采集江汉平原潮土土样130个,将其中40个样本作为训练集,测量其去有机质前、后的土壤有机质含量及光谱数据,计算差值及变化率,分析土壤有机质含量变化对光谱特征的影响,结合无信息变量消除(uninformative variables elimination,UVE)、竞争适应重加权采样(competitive adaptive reweighted sampling,CARS)变量优选方法确定土壤有机质敏感波长;采用45个建模集样本,基于偏最小二乘回归(partial Least Squares Regression,PLSR)和反向传播神经网络(back propagation neural network,BPNN)建立土壤有机质含量的估算模型;利用45个验证集样本检验敏感波长对同类土壤的适用性。【结果】通过有机质去除试验,供试土壤的平均光谱反射率在全波段均有所增加,在可见光波段变化率高于近红外波段;比较UVE、CARS、UVE-CARS、CARS-UVE这4种变量优选方法,得到最佳变量优选方法为UVE-CARS,该方法从2001个波长变量中优选得到84个变量作为土壤有机质的敏感波长,分布于561—721、1 920—2 280 nm波段覆盖范围;基于敏感波长的PLSR、BPNN模型性能均优于全波段模型,其中,基于敏感波长的BPNN模型的估测能力高于PLSR,模型验证集R~2、RMSE、RPD、MAE、MRE值分别为0.74、1.33 g·kg~(-1)、2.02、1.04 g·kg~(-1)、6.2%,可实现土壤有机质含量的有效估测。【结论】通过训练集获得的土壤有机质敏感波长,能够实现对该试验区同种土壤类型样本土壤有机质含量的有效估测;利用去有机质试验结合变量优选方法确定的敏感波长建模,不仅将输入波长压缩至全波段波长数目的 4.2%,而且提升了模型估测精度,降低了变量维度和模型复杂度,为快速准确评估农田土壤有机质含量提供了新途径。     

基于高光谱遥感的土壤氯化钠含量监测

为提高潍坊北部地区土壤氯化钠含量的监测精度,研究土壤氯化钠含量的高光谱估算方法,本研究利用光谱测量技术,以潍坊市北部海咸水入侵典型区域作为研究区,野外采集41个土壤光谱样本,并测定理化性质,对实测光谱反射率进行数学变换,与土壤样本氯化钠含量进行相关性分析,利用偏最小二乘回归分析法建立土壤氯化钠含量监测模型。研究结果表明:反射率一阶微分、二阶微分土壤氯化钠含量监测模型的决定系数均高于0.8,建模精度较高。经检验,反射率二阶微分是预测土壤氯化钠含量的最佳光谱指标,所建模型为Y=-828.278x6-635.832x7-348.817x2-583.591x9+360.329x4+1 044.751,建模决定系数为0.859,总均方根误差为0.274。说明将实测反射率光谱变换后利用偏最小二乘回归法建立的潍坊北部地区土壤氯化钠含量估算模型具有较高的可行性,能够较好地反演研究区土壤氯化钠含量,可为潍坊北部地区土壤盐渍化监测和评价提供参考。     

基于高光谱的喀斯特地区典型农田土壤有机质含量反演

【目的】利用高光谱数据定量反演喀斯特地区土壤有机质含量,为喀斯特地区快速、大范围、实时地监测土壤有机质含量提供更多的技术手段。【方法】利用机载高光谱成像系统和便携式地物光谱仪分别获取土壤光谱数据,基于原始光谱反射率和不同光谱变换数据,分析其与土壤有机质含量的相关性,以偏最小二乘法建立模型预测土壤有机质含量。【结果】2种数据源都可以用于土壤有机质含量预测,其中,基于ASD光谱一阶微分变换建立的模型预测精度较高,验证集决定系数(Rv~2)为0.910,相对分析误差(RPD)为2.68;基于GS光谱二阶微分变换建立的模型预测效果较好,验证集Rv~2为0.772,RPD为1.49。【结论】ASD光谱与GS光谱建模预测精度相差较大,ASD光谱客观条件影响较小、光谱波段更宽、光谱分辨率更高,具有更好的预测能力;低空无人机获取的GS光谱也具有一定的预测能力。     

基于高光谱和BP神经网络的双子叶植物叶片叶绿素遥感估算

针对传统叶绿素分析方法具有破坏性且耗费人力、时间长、成本高的弊端,依据LOPEX’93数据集中双子叶植物的高光谱数据和叶绿素值,构建了双子叶植物基于高光谱的叶绿素含量最佳估算模型,利用Pearson相关性分析一阶微分光谱、高光谱特征参数与叶绿素的相关关系,发现724nm波段处一阶导数与双子叶植物叶绿素值的相关性最大,其相关性为0.509;高光谱特征参数RVI、NDVI、TCAR与叶绿素的相关性达到0.7以上,构建基于一阶微分光谱、高光谱特征参数和BP神经网络的叶绿素估算模型,并对模型进行验证;再结合一元线性模型、指数模型、对数模型和幂函数模型与BP神经网络模型进行比较。结果表明:叶绿素值与一阶微分光谱在724nm处的光谱数据作为自变量建立的传统回归模型可用于双子叶植物叶绿素的估算,最优建模样本R~2和最优验证样本R_V~2分别为0.541和0.745,RMSE为6.16;基于高光谱特征参数RVI、NDVI、TCAR建立的叶绿素估算回归模型,最优建模样本R~2和最优验证样本R_V~2分别为0.618,0.708;0.632,0.866;0.594,0.654,RMSE分别为6.65,5.61,7.07,将基于高光谱特征参数变量构建传统回归模型时筛选到的光谱参数作为输入,实测叶绿素值作为输出,构建BP神经网络模型,其最优建模R2与最优验模R_V~2分别为0.692和0.874,最优验证样本RMSE为5.23,与其他回归模型相比,BP神经网络模型预测精度最高。研究表明基于高光谱数据的模型具有较好的预测能力,是估算双子叶植物叶绿素值的一种高效的方法。     

基于Hyperion数据的耕地土壤有机质含量遥感反演

为了探究耕地土壤有机质含量与卫星影像光谱间的关系,确定土壤有机质的光谱特征,构建土壤有机质含量反演模型.利用Hyperion高光谱卫星影像和福建省三明市80个土壤调查样点分析数据,对土壤有机质与光谱指数相关性进行了分析;在提取特征光谱指数的基础上,分别基于敏感波段和特征指数建立线性模型和多元逐步回归模型.结果表明:土壤有机质含量在Hyperion高光谱782.95~813.48 nm波段具有良好的响应能力;反射率的一阶导数所建立的模型拟合效果最优,其R2为0.777,RMSE为5.31,验证模型有机质实测值与预测值的R2为0.809,表明它能够用于区域有机质含量的快速测定.     

不同土地利用方式下有机质含量的高光谱反演

【目的】在三峡库区王家沟小流域,研究不同土地利用方式对SOM含量反演精度的影响。【方法】利用来自园地、旱地、水田3种土地利用类型土壤样本的有机质含量及高光谱数据,构建了不同土地利用方式下的土壤有机质含量反演模型。【结果】不同土地利用方式下的土壤有机质反演模型精度并不相同:水田土壤有机质含量反演模型精度最高(总相关系数为0.838,标定集和验证集的相关系数分别为0.865和0.776);旱地有机质含量反演精度居中,总相关系数为0.781;园地土壤标定集和验证集中土壤有机质预测值和实测值之间也具有显著的相关性,但其精度最低(总相关系数为0.700)。混合来自园地和旱地两种土地利用方式的土壤样本建立的紫色土土壤有机质含量反演模型精度(总相关系数为0.528)低于单一土地利用方式的土壤有机质含量反演精度。【结论】与土壤类型相比,有机质含量的反演精度对土地利用方式更为敏感。考虑土地利用方式的影响,有助于提高土壤有机质含量反演精度。     

基于地理加权回归模型的绿洲土壤表层有机质含量高光谱估算

【目的】研究利用高光谱数据估算土壤表层有机质含量,为绿洲区大范围,快速,低成本,监测土壤表层有机质含量提供技术参考。【方法】以新疆博斯腾湖湖滨绿洲为研究区,采用地理加权回归模型,优选高光谱数据与土壤有机质含量的特征波段,构建研究区表层土壤有机质含量的高光谱估算模型。【结果】研究区表层土壤有机质含量变化不大,变化系数为55%,最小值为2.37 g/kg,最大值为51.47 g/kg,平均值为21.20 g/kg。土壤有机质特征波段主要集中在645~1 958 nm,其中1/R二阶的相关系数值最大为0.73,且在P=0.05水平下,通过显著性检验的波段数为83。构建的地理加权回归模型中,二维土壤指数1/R RSI建模效果最优,建模集R²=0.91,RMSE=2.56,验证集R²=0.95,RMSE=1.10。【结论】利用地理加权回归模型估算土壤有机质估算,建模效果可以达到一定的精度要求。     

污染水稻土中砷及其与土壤基本理化性质关系的研究

[目的]研究污染水稻土中砷及其与土壤基本理化性质的关系。[方法]在泉州和漳州污灌地区取水稻样品,同时采集对应的土壤耕层样品,研究污染水稻土中砷的形态及其与土壤基本理化性质的关系。[结果]土壤全砷含量与土壤游离氧化铁含量呈极显著线性正相关(R2=0.3777**,n=39),与土壤有机质、粘粒含量、CEC等理化性质的相关性不明显。而漳州采样区土壤全砷含量与土壤有效磷含量呈极显著线性正相关(R2=0.308 1**,n=19)。土壤全砷与土壤有效砷呈极显著性线性正相关(R2=0.544 0**,n=39)。土壤有效砷与土壤CEC呈极显著线性正相关(R2=0.5440**,n=39),与土壤游离氧化铁也呈极显著线性正相关(R2=0.7546**,n=39)。[结论]该研究为田间水稻生产砷污染的控制提供了指导。     

基于灰数灰度的土壤有机质高光谱估测

为克服光谱估测中的不确定性,利用统计回归与灰色系统理论建立土壤有机质高光谱估测模型。以山东省济南市章丘区采集的76个土壤样本为研究对象,首先对土壤光谱数据进行变换处理,根据极大相关性原则选取特征波段的估测因子,建立各特征波段的一元线性回归预测模型;其次,对各估测因子进行由小到大排序,计算估测因子排序后的土壤有机质含量的滑动方差,将滑动方差转化为灰数的灰度值,并将其用于修正估测因子,然后再建立各特征波段的一元线性回归修正模型;最后采用平均法与加权法融合各个单波段的预测值。结果表明,所建估测模型精度和检验精度均显著提高,13个检验样本的R²=0.911,MRE=7.764%。研究表明,本文建立的基于灰数灰度的土壤有机质含量高光谱估测模型是可行有效的。     

基于可见/近红外光谱的土壤有机质快速测定方法的研究

[目的]研究在野外直接测定土壤有机质含量的方法。[方法]以重铬酸钾容量法(外加热法)测定土壤样本有机质含量作为真实值,在不进行土壤样本预处理的前提下,利用近红外光谱直接扫描未作处理的土壤样本,测定土壤有机质含量,以其作为土壤有机质含量的预测值。[结果]利用620和1 900 nm的波长组合,可以较好地预测土壤有机质含量,预测模型(定标模型)的相关系数为0.9,极为显著。[结论]该模型对同类土壤有机质含量的预测效果很好,预测值与实测值的相关系数达到0.95。     

基于高光谱的土壤有机质含量预测模型的建立与评价

 【目的】土壤有机质含量是反映土壤肥力的重要特征，利用高光谱技术对有机质（OM）含量进行定量化反演为土壤信息化管理和资源评价提供了重要的依据。【方法】利用ASD2500高光谱仪在室内条件下测定了风干土壤样品的可见—近红外光谱，分析了不同区域范围土壤光谱反射率曲线形状变化和土壤有机质含量的变化特点，并针对东北地区以黑土为主的土样光谱反射率不同变换形式与有机质含量进行了相关性分析。【结果】结果表明，有机质含量较高的黑土的光谱曲线与其它土壤类型的光谱曲线在形状上有很大差异，即在600～900 nm附近，以黑龙江土样为代表的东北黑土表现为直缓上升，而河南和山东的潮土则表现为曲陡上升。相关分析结果表明，土壤有机质含量与原始光谱反射率在545～830 nm呈显著负相关，其中在580～738 nm波段范围内达到极显著负相关。与一阶导数光谱相关性进一步增强，在481～598 nm呈现极显著负相关，而在816～932 nm和1 039～1 415 nm波段范围内具有极显著的正相关性。土壤有机质含量与部分波段处的吸收深度和反射峰高度也表现为不同程度的相关性。【结论】利用570～590 nm波段的一阶导数光谱和1 280 nm处反射峰高度P_Depth1280可以较好地预测东北主要土壤类型有机质含量。在此基础上建立了土壤有机质含量的高光谱反演模型并进行了验证。     

淮北矿区有机质含量反演

高光谱遥感能提供精细的光谱,具有弱信息诊断能力,在土壤微量成分反演表现出巨大的潜力。本文以安徽省淮北某矿为例,采集不同深度土壤样本,在实验室测定了样本有机质含量及光谱,并对土壤样本光谱进行预处理;在对光谱进行一阶微分、二阶微分和吸光率等变换后,用交换检验法在87个样本中,58个样品做训练集,27个做验证集,确定了用于矿区土壤有机质反演的敏感波段,即531nm、581nm、1399nm、1432nm波段,运用偏最小二乘法建立了反演模型,并分析了建模及预测精度。实验结果表明,文中方法可行,可为矿区土壤有机质反演提供参考。     

基于表层土壤光谱的耕层土壤有机质间接估测

为解决遥感技术在监测耕层土壤有机质方面的应用问题,利用表层土壤光谱对耕层土壤有机质含量进行估测。以山东省济南市章丘区的表层、耕层各76个土壤样本为研究对象,首先对表层光谱数据进行小波变换去噪、剔除异常样本等处理,然后对处理后的光谱反射率进行一阶微分等10种数学变换,在对数倒数一阶微分和对数一阶微分变换后的反射率数据中选取43个与土壤有机质含量相关系数较高的波段,通过主成分分析以累计贡献率大于90%的标准选取5个主成分作为反演因子,利用BP神经网络(BPNN)、支持向量机回归(SVR)和多元线性回归(MLR)方法建立耕层土壤有机质含量间接估测模型。结果表明,耕层土壤与表层土壤有机质含量之间决定系数R~2达到0.839,显著性P0.01,存在着较强的相关性BPN估测模型的精度最优,决定系数R~2为0.845,平均相对误差为7.642%,RMSE分别为1.622g·kg~(-1)。研究表明,利用表层土壤光谱信息间接估测耕层有机质含量是可行有效的,为耕层土壤有机质的估测问题提供了一种新思路。     

丘陵区耕地土壤有机质含量高光谱估测研究

本文以钢城区2个丘陵村耕地土壤为研究对象,通过野外采样、自然风干、化验分析、高光谱测定及数据处理等,确定最佳高光谱变换方式并筛选显著性波段,建立随机森林(RF)、支持向量机(SVM)、偏最小二乘回归(PLSR)和多元逐步回归(SMLR)4种估测模型,对比分析确定最佳估测模型。结果表明:高光谱变换处理可以扩大光谱曲线特征,提高与机质含量的相关性;一阶微分R’为最佳高光谱变换方式,筛选出706、1002、1359、1415、1886、1914和2221 nm 7个波段作为估测土壤有机质含量的显著性波段;建立的4种估测模型中,RF模型精度最高,其训练样本集R~2和RPD分别达到0.93、3.13,验证样本集R~2和RPD为0.73、1.87。因此,研究构建的R’-RF土壤有机质含量高光谱估测模型可为该丘陵区有机质含量的快速监测提供参考。     

结合分数阶微分和异常值识别的土壤有机质高光谱反演研究

【目的 】结合分数阶微分和异常值识别,提高土壤有机质模型反演精度,实现土壤有机质含量的快速、准确估计。【方法 】文章以吉林省伊通县黑土区为研究区,基于实地采集的213个土壤样本和HyMap-C机载高光谱传感器获取高光谱影像,选择S-G函数和分数阶微分进行光谱预处理,竞争性自适应重加权采样（Competitive Adaptive Reweighted Sampling,CARS）提取特征波段建立土壤有机质含量偏最小二乘回归（Partial Least Squares Regression,PLSR）反演模型,并使用蒙特卡洛交叉验证（Monte Carlo Cross-Validation,MCCV）进行异常值识别。【结果 】（1）将分数阶微分用于机载高光谱可以放大光谱特征,阶数越高、特征越明显,低阶分数微分对噪音不敏感;（2） CARS方法能有效压缩光谱信息;全样本建模中0.4阶分数阶微分CARS-PLSR建模表现较优,但总体精度仍然不高;（3）使用MCCV剔除异常值后,0.6阶分数阶微分CARS-PLSR建立的土壤有机质含量反演模型精度最高,训练集和测试集的均方误差分别为0.219%...     

黑垆土与栗钙土光谱特征研究

针对西北地区典型土壤类型黑垆土和栗钙土光谱特征的分析,利用ASD手扶式光谱辐射仪对21个不同环境条件下形成的土壤样本剖面的各个土层进行光谱测量,得到各土层的反射光谱曲线,并结合各层的有机质含量、氧化铁含量进行相关性分析与回归分析。发现在可见光和近红外波段,有机质对土壤反射率影响最大,呈负相关。氧化铁在900 nm左右处与反射率负相关性最强。黑垆土和栗钙土的有机质和氧化铁含量差异较大,导致其光谱特征差异明显,但在特征波段具有一致趋势。     

基于Vis-NIR光谱的不同水分状态下土壤有机质预测

以河南省封丘县的86个土壤样本为研究对象,测定9种不同含水量状态下的土壤光谱反射率,运用偏最小二乘回归(PLSR)建立不同含水量状态下的土壤有机质预测模型;运用0~50 g·kg-1,200~250 g·kg-1,400~450 g·kg-1水分状态下3组模型进行交互预测,以研究含水量状态差异较大情况下,土壤含水量对有机质预测精度的影响。结果显示,建模样本与预测样本处于同一含水量状态下,土壤含水量对土壤有机质含量预测精度的影响不显著;当验证集样本与建模集样本间水分状态差异较大时,预测结果会出现较大误差。当土壤处于同一湿度状态时,可直接应用Vis-NIR光谱预测湿土的有机质;当土壤样本间水分差异较大时,可依据含水量状态建立分组模型,以提高Vis-NIR光谱预测有机质的精度。