基于集成学习的砂姜黑土含水量高光谱反演研究

为提高砂姜黑土土壤水分的估测精度,本研究以河南省西平县砂姜黑土为研究对象,通过配制不同含水率土壤样本并在室内进行高光谱测量,对土壤样本高光谱数据平滑(SR)、倒对数[LOG(1/R)]、一阶微分(FD)、多元散射校正(MSC)、去包络线(CR)光谱变换后,结合连续投影算法(SPA)识别最佳特征波段,采用偏最小二乘回归(PLSR)、支持向量机回归(SVR)的机器学习方法和堆叠(Stacking)集成学习方法分别构建土壤含水率反演模型。结果表明：经MSC变换后光谱中土壤含水率相关信息增强最多;SPA算法能对砂姜黑土含水率光谱数据进行降维和特征信息提取;经反射光谱MSC变换后由PLSR和SVR集成的Stacking集成模型决定系数最高(R²=0.963)、均方根误差最小(RMSE=1.7)。研究表明,Stacking集成学习模型有效提升了模型的精度和泛化能力,是砂姜黑土含水率最佳反演模型。     

基于一阶微分变换方法的南方丘陵稻田土壤电阻率高光谱特性研究

通过对土壤电导率和光谱测定,分析了南方丘陵稻田土壤电阻率特征、原始光谱数据及重采样光谱数据特征。在光谱重采样基础上进一步构建光谱包络线去除变换、光谱反射率倒数(1/R)、对数[ln(1/R)]、平方根(R0.5)、一阶微分等单一或复合变换模型。通过横向、纵向综合比较分析不同模型的反射率与电阻率相关性分析的曲线差异,着重探讨了基于一阶微分的数据变换模型间土壤电阻率与光谱反射率间相关性强弱,结果表明:(1)基于一阶微分变换的模型可以对重叠混合光谱进行分解以便识别,扩大样品之间的光谱特征差异,发掘敏感波段的光谱吸收、反射特征;(2)综合反射率的平方根的一阶微分变换、反射率的倒数的对数及反射率对数的一阶微分等模型得出,在波段为382 nm处,土壤电阻率与光谱反射率间相关系数最高达0.788,在波段为555~560 nm,多个微分变换模型相关性系数在0.7以上,可为后续反演因子的确定及土壤电阻率高光谱估测回归模型的建立提供参考。     

博斯腾湖西岸湖滨带土壤盐分高光谱反演

选取博斯腾湖西岸湖滨带为研究区,沿垂直湖岸线方向采集14个土壤剖面70个样本,利用ASD FieldSpec3地物光谱仪获取高光谱数据,基于Q型聚类分析研究不同含盐量土壤光谱特征,对土壤光谱反射率与含盐量做逐波段相关分析和显著性检验,筛选不同光谱变换下的敏感波段,通过多元逐步回归和偏最小二乘回归方法,分别以敏感波段和全波段光谱构建12个土壤含盐量反演模型,优选最佳反演模型。结果表明:17种高光谱变换中, 4种最优光谱变换使土壤含盐量与Savitzky-Golay平滑后的反射率极显著相关波段数明显增多,分别是反射率的一阶微分、平方根一阶微分、对数倒数一阶微分、倒数对数一阶微分,综合确定盐分敏感波段聚集在749、1 024、1 083、1 230、1 677和2 387 nm处;以对数倒数一阶微分光谱全波段建立的偏最小二乘回归模型更适合该区0～50 cm土壤含盐量的高光谱反演,其建模和验证决定系数R~2分别为0.93和0.85,均方根误差RMSE分别为0.37和0.42,相对预测偏差RPD为3.57。     

典型龟裂碱土光谱特征分析及碱化程度预测

以宁夏银北地区典型龟裂碱土为研究对象，表层土壤光谱反射率选择平滑、倒数等7种数据处理方式，采用全回归、逐步回归和偏最小二乘三种回归方法，分析龟裂碱土光谱特征，筛选对土壤pH值和ESP的敏感波段，建立龟裂碱土碱化信息的预测模型。结果表明：龟裂碱土的光谱反射曲线属于缓斜型；土壤表层反射率与土壤pH值和ESP在研究波段内均呈极显著正相关关系；反射率倒数对数的一阶微分和反射率的一阶微分在特征波段范围表现较好；反射率与土壤pH值的相关性优于与土壤ESP的相关性。从拟合度和选用敏感波段的多少整体考虑，采用偏最小二乘回归来拟合土壤pH值和ESP的方程最佳，拟合度分别达到0.93和0.8367。     

基于机载高光谱影像的南方水稻土有机质含量估算

水稻土中有机质光谱常常受到水分、秸秆等土壤背景的影响，为了减弱或去除非有机质组分对有机质光谱的影响，构建南方水稻土有机质估算模型。利用机载高光谱（GaiaSky Mini2 VN）作为数据源，对原始反射率进行单一和组合变换（去除包络线、倒数、对数、一阶微分、二阶微分单一变换和倒数一阶微分、对数一阶微分、倒数对数组合变换）提取一维特征光谱；通过对变化后光谱进行比值和归一化处理，提取二维特征光谱；构建基于特征光谱的线性（多元回归、偏最小二乘）和非线性（反向传播神经网络、支持向量机）有机质预测模型，监测南方水稻土有机质含量。结果表明：一维光谱变换能显著增强光谱对有机质响应的敏感度，二维光谱变换能充分挖掘光谱信息，增强有机质与光谱之间的内在联系，提高建模精度。非线性模型（BPNN、SVM）尤其是BPNN对土壤有机质拟合性好，建模精度高。基于原始反射率比值指数建立的BPNN模型建模精度达到0952，检验精度达到0889，建模效果最优。该结果适用于南方水稻土有机质监测，对机载高光谱在土壤有机质监测中的特征波段提取和建模方法选择具有重要借鉴意义，对现代农业发展管理提供新的思路。     

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。     

基于高光谱数据的北疆绿洲农田灰漠土有机质反演

为了探寻快速、准确估测土壤有机质含量的方法以推动精准农业化进程,以北疆绿洲农田灰漠土为研究对象,通过野外实地调查收集土壤样品,室内化学分析测得土壤样品有机质含量,暗室内利用SVC HR-768高光谱仪测定土壤样品光谱反射率。通过对土壤光谱反射率进行倒数、对数、一阶微分、倒数的一阶微分、对数的一阶微分变换,运用单相关分析法提取土壤光谱特征波段,采用多元逐步方法对土壤有机质含量定量反演,分析研究土壤有机质含量和室内土壤光谱的特征关系。结果表明,在波长567、1 697 nm和2 221 nm处,采用反射率对数的一阶微分建立的土壤有机质含量反演模型预测精度最高,模型决定系数达到0.82。北疆绿洲农田灰漠土土壤有机质含量高光谱反演模型的建立为土壤有机质的快速测定提供了新的途径。     

基于土壤光谱特性的土壤类型区分研究

选取云南农业大学某试验地为研究区域,一方面利用无人机挂载多光谱相机获取研究区域的多光谱遥感影像,通过对比多光谱单波段反射率以及多光谱影像发现,绿光和红光波段对3类土壤较为敏感,且反射率具有明显差异,对多光谱数据进行8种合成指数计算后发现,红绿比值指数(RG)对3种土壤的区分效果最优;另一方面利用美国ASD公司的FS4 NG地物光谱仪对获取的土壤样本进行多光谱测定,通过主成分分析对土壤样本进行区分,一阶微分变换后主成分分析前5个主成分提供了85％的光谱信息,而二阶微分变换后主成分分析前5个主成分提供了95％的光谱信息,且后者区分效果优于前者.     

基于高光谱的山区耕地土壤有机质含量估测

以贵州省典型山区耕地土壤高光谱数据为研究对象,基于光谱变换法和机器学习原理构建贵州省山区耕地土壤有机质(SOM)含量估算模型。于2020年8月至2021年3月在贵州省13个县(区、市)采集了120个土壤样品,检测土壤可见光-近红外波段光谱信息,利用5种光谱数据变换(原始光谱、一阶微分、二阶微分、倒数对数的一阶微分、连续统去除)和4类模型(偏最小二乘回归、支持向量机、随机森林和BP神经网络)组合出不同土壤有机质含量的预测模型,按照3∶1选择训练样本和测试样本以估算山区SOM含量。结果表明,一阶微分数据变换与山区SOM含量的相关性较高,相关系数最高达到-0.635;反演模型中,基于一阶微分光谱变换构建的BP神经网络模型精度最高,训练集、测试集的决定系数(R²)分别为0.845、0.838,测试集均方根误差(RMSE)为3.452,相对分析误差(RPD)达到2.470,其次是RF、PLSR模型的RPD较高,SVM模型的RPD最低。光谱数据变换中一阶微分法能极大程度提取出山区耕地的SOM含量信息,BP神经网络模型是估算山区SOM含量的最优模型,本研究结果可为贵州省山区耕地...     

基于BP神经网络的高光谱果树树种识别研究

高光谱具有波段窄、波段多的特点,能够提供比多光谱遥感更精细的地物光谱信息,为识别光谱性质相似的森林树种提供了有效途径。对南疆盆地4种主栽果树树种(苹果、香梨、核桃、红枣)的冠层光谱数据进行测量,用BP神经网络对原始光谱数据及其经一阶微分、对数一阶微分、归一化一阶微分变换后的光谱数据进行分类识别,结果表明:对数一阶微分和归一化一阶微分变换后树种识别精度分别为94%和88%以上;红边区的光谱波段包含了大量树种识别的信息;采用BP神经网络能够对南疆盆地主栽果树进行基于冠层光谱的分类,而且分类精度相对较高。     

干旱区土壤含水量光谱特征分析与反演

[目的]建立土壤含水量遥感监测模型。[方法]选取陕西省横山县作为研究区,以野外原位光谱测量数据和实验室内测得的土壤含水量为基础,进行高光谱数据处理,分析土壤含水量的光谱特征;对实测土壤光谱反射率进行倒数、对数、均方根及其一阶导数微分等光谱变化换,计算高光谱指数,并与土壤样本含水量进行相关性分析,筛选对土壤含水量敏感的光谱特征波段,利用多元线性回归分析建立土壤含水量监测模型。[结果]随着土壤含水量的增加,土壤光谱反射率呈减小趋势。土壤含水量与光谱指数的特征波段呈良好的线性关系,所有模型均通过了0.01水平的显著性检验。模型精度验证表明,预测值与实测含水量相关系数较高,特别是反射率倒数一阶微分模型,在0.01显著性水平下,相关系数为0.886。[结论]该研究建立的土壤含水量遥感反演模型可行有效,通过了有效性检验,在一定程度上可以用来反演研究区土壤含水量。     

砂姜黑土土壤有机碳高光谱特征与定量估算模型的研究

有机碳作为衡量土壤肥力的重要指标,其定量化快速监测成为精确农业研究的热点。以安徽淮北平原区宿州市采集的砂姜黑土为研究对象,进行室内理化分析、预处理与室外光谱测量等一系列工作,在土壤原始光谱反射率的基础上,采用去包络线和波段深度提取突出吸收特征,剖析土壤光谱响应特征。基于原始光谱和8种变换形式,分析不同变换光谱形式与有机碳含量的相关性,结合有机碳光谱响应特征分析和光谱特征参量挑选,确定诊断土壤有机碳含量的最佳敏感波段,利用逐步回归方法建立了土壤有机碳高光谱的预测模型。结果表明,550~750nm波段范围是典型砂姜黑土有机碳的主要光谱响应区域。去包络线和波段深度处理突出了土壤有机碳光谱吸收特征,随着有机碳含量的降低,吸收值呈现下降趋势。在不同光谱转换形式中,归一化比值指数(R/R_(M(450-750)))的转换形式与土壤有机碳相关性最强,最敏感波段分别出现在451 nm和644 nm处,相关系数分别达0.80和–0.90。相关性最好的波段范围主要集中在600~700 nm波段附近。基于相关分析与逐步回归分析方法,确定了606、637和644 nm波段处的归一化比值指数为诊断土壤有机碳含量的最佳敏感波段,基于最佳敏感波段的归一化比值指数(R_(606)/R_(M(450-750)),R_(637)/R_(M(450-750))和R_(644)/R_(M(450-750)))建立的高光谱预测土壤有机碳模型具有良好的预测效果,模型的决定系数(R~2)为0.81,均方根误差(RMSE)为0.14,展现了较好的稳定性和预测精度。     

土壤游离氧化铁高光谱特征与定量反演

【目的】建立基于可见-近红外光谱的土壤游离铁精确预测模型,简单、快速、经济地预测土壤游离铁,有助于研究土壤发生和分类。【方法】采集广西壮族自治区的铁铝土、富铁土、淋溶土和雏形土等82个旱地土壤剖面的B层土壤,进行室内土壤化学分析、光谱测定,分析不同光谱变换后的光谱反射率与土壤游离铁含量的相关性。基于特征波段利用偏最小二乘回归(PLSR)和逐步多元线性回归(SMLR)法建立土壤游离铁含量光谱预测模型,通过决定系数(R2)、均方根误差(RMSE)和相对预测偏差(PRD)确定最优模型。【结果】土壤光谱曲线分别在457、800和900 nm波段附近有明显的游离铁吸收和反射峰特征;土壤游离铁含量与原始光谱反射率呈负相关;原始光谱经过微分变换后,游离铁含量与光谱反射率相关性显著提高;基于400～580和760～1 300 nm特征波段和一阶微分光谱变换的SMLR模型预测精度最高,其验证集的R2和RPD分别为0.85和2.62,RMSE为8.41 g·kg~(-1)。【结论】将可见近红外光谱技术应用于土壤游离铁含量高效快速地预测具有良好的可行性。广西旱地土壤光谱反射率与土壤游离铁含量具有高度的相关性,应用逐步多元线性回归方法可以很好地建立土壤游离铁含量反演模型。     

河南省主要土类耕层中几种微量元素全量分析

对河南省潮土、褐土、黄褐土、砂姜黑土、黄棕壤、红粘土6种土类耕层的100个土壤样品进行了Fe、Mn、Cu、Zn全量分析,结果表明:在所测的各类土壤中,全Fe含量最高,其次是全Mn含量。进一步研究发现:所测土壤中,Cu和Zn含量与土壤pH值之间存在一定的关系,pH值高的土壤中全Cu含量高于全Zn;pH值低的土壤则相反。     

利用高光谱技术估测小麦叶片氮量和土壤供氮水平

有效的监测作物氮素营养水平及土壤供氮能力可以为合理施用氮肥提供重要依据。本文以2 年3 点不同氮素水平下不同小麦品种的田间试验数据为基础,运用植被指数和偏最小二乘回归法,比较和分析小麦冠层光谱与叶片氮含量及土壤氮含量的关系。结果表明：小麦冠层光谱与叶片氮含量的相关性分析在可见光波段存在显著负相关,在近红外波段呈显著正相关,而与土壤氮含量的相关性呈相反趋势。基于光谱参数ND705 和GNDVI所建叶片氮含量估算模型的决定系数分别达到0.827 和0.826。基于光谱参数VOG2 所建土壤氮含量估算模型的决定系数达到0.646;与植被指数所建模型相比,综合350~1350 nm光谱波段反射率分别与小麦叶片氮含量、土壤氮含量建立偏最小二乘回归模型的预测精 度均有所提高,决定系数分别达到0.842 和0.654。本研究结果可为小麦氮素营养及土壤供氮水平的诊断监测与合理施肥管理提供了理论依据和技术支持。     

土壤水与有机质对高光谱的作用及交互作用规律

【目的】定量揭示土壤水分与有机质对高光谱的作用规律,为提高土壤水分、有机质的光谱估测精度提供基础。【方法】以山东省泰安市岱岳区90个棕壤土样为研究对象,进行室外光谱采集、室内土壤水分和有机质测定,运用Savitzky-Golay filter对光谱曲线进行平滑去噪预处理。根据含水量、有机质含量的高低将土壤样本分为9组,运用比较法对9组原始光谱数据进行分析,初步探究土壤水、有机质对光谱的作用规律。然后采用相关分析法,分析水、有机质与土壤原始光谱反射率(raw spectral reflectance,R)、光谱一阶微分变换(first order differential reflectance,D(R))以及分组光谱的相关性。在假定其他影响因素基本相同的条件下,利用有交互作用的双因素方差分析法,定量分析水、有机质对土壤光谱反射率、光谱一阶微分的作用程度及其交互作用。根据土壤水与有机质的交互作用规律,按相关系数较大而交互作用小的原则选取特征因子,采取偏最小二乘回归模型建立土壤有机质含量的高光谱估测模型,分析依据两者交互作用规律选取的因子对提高光谱估测模型精度的有效性。【结果】在田间持水量范围内,水对土壤光谱反射率影响起主要作用;水与有机质对土壤光谱客观存在交互作用,当土壤含水量小于10%时,600—1 800 nm的原始光谱能较好反映有机质的作用,而当土壤含水量大于15%时,有机质的作用几乎被水的作用所掩盖。水、有机质对土壤原始光谱的作用及其交互作用分别在360—1 800,410—1 800,509—1 800 nm达到显著水平,且三者均在1 951—2 450 nm达到显著水平(α=0.05);对土壤光谱的作用程度由大到小依次为:水、有机质、交互作用;在425—1 800 nm水对土壤光谱的作用大约是有机质的5—8倍,在1 950—2 300 nm为8—12倍;在350—2 500 nm有机质对土壤光谱的作用大约是水与有机质交互作用的2倍。光谱经一阶微分变换之后,在450—530、600—790、1 019—1 027、2 000—2 020以及2 045—2 075 nm土壤水的作用增强,而在其他波段处减弱;土壤有机质的作用在471—824、851—949、967—1 140、1 172—1 340、1 379—1 428、1 450—1 770、1 953—2 122、2 174—2 199以及2 271—2 342 nm处得到增强,而在其他波段处减弱。水与有机质的交互作用也在不同波段处有所变化,但相对于土壤水与有机质的作用变化幅度而言是相对减弱的。基于土壤水与有机质的交互作用规律选取的特征因子,所建立的土壤有机质高光谱估测模型精度有所提高,其中16个检验样本的决定系数R2由不考虑交互作用的0.6764提高到0.7934。【结论】研究表明,在反演土壤含水量时,可以不考虑有机质对光谱的影响;而在反演有机质含量时,必须要剔除水对反射率的影响,还要考虑水与有机质对光谱的交互作用。考虑水与有机质对土壤光谱的交互作用,可有效提高土壤有机质的光谱估测精度。     

农田不同粒级土壤含水量光谱特征及定量预测

【目的】土壤含水量是土壤属性的关键参数。摸清不同机械组成条件下土壤水分的光谱变化并实现土壤含水量的定量预测,为农田水分的快速监测及土壤其他属性的定量获取提供依据。【方法】通过人为控制获得不同粒级和不同含水量的土壤样品,确定室内土壤光谱测定的几何条件,采集不同土样的光谱特征并进行比较,按粒径等级利用最小二乘法（PLSR）建立农田土壤含水量的光谱定量预测模型。【结果】土壤光谱反射率总体趋势是随含水量增加而降低,其差异随着波长的增加和含水量的降低而增加,在1 400 nm和1 900 nm的水分敏感波段随含水量增加光谱吸收深度也增加。但当含水量大于40%时,通过孔径为0.15 mm 筛子的土壤样品（处理D-1）,在350-1 240 nm光谱反射率随含水量增加而升高,而1 240 nm以后随含水量增加而降低。相对于将所有样本数据混合建立模型,分粒级建立的模型在细颗粒土壤中预测效果得到了明显改善,并且样品越细模型在预测效果和稳定性也越好：最优模型均方根误差RMSE=4.13%,决定系数R2=0.90。同时,数据归一化处理后所建立的模型在一定程度上降低了噪声的影响,从而在预测效果和稳定性上也有所改善。【结论】土壤光谱随含水量的变化而变化,但并不都表现随含水量增加光谱反射率降低的特点,当含水量大于40%时,细颗粒土壤样本表现为在350-1 240 nm波段光谱反射率随含水量增加而升高;土壤含水量预测模型的精度和稳定性随着土壤粒径变小、样本量增大以及光谱数据归一化预处理而得到改善。     

土壤含水率对近红外传感器标定模型的响应研究

为提高近红外传感器测量的准确度,进一步理解不同标定模型对土壤含水率测量精度的影响。利用土壤表面的近红外反射光强来预测土壤含水率,通过归一化处理将反射光强转化为相对吸收深度和相对反射率,采用2种标定方法,分别建立土壤含水率与相对吸收深度之间及土壤含水率与相对反射率之间的线性模型与非线性模型。选取我国东北地区的黑土进行标定,并用独立的试验数据对模型进行检验。结果表明,吸收深度法的线性和非线性模型的预测值和实测值符合度较好。反射率法的线性模型和非线性模型对土壤的含水率预测均方根误差(RMSE)分别为2.89%和2.95%,相对吸收深度法非线性模型的RMSE值明显大于其他3种模型,预测准确度最低。说明不同标定方法会影响土壤含水率的预测结果。4种模型的预测精度能够满足测量要求。