基于地理加权回归模型的博斯腾湖湖滨绿洲土壤盐分离子含量高光谱估算

以博斯腾湖湖滨绿洲为研究区,分析HCO_3~–、Cl~–、SO_4~(2–)、Ca~(2+)、Mg~(2+)、Na~++K~+等主要土壤盐分离子含量与土壤高光谱反射率的分数阶微分光谱变换与RSI、DSI、NDSI等二维土壤指数的相关性优选特征波段,构建基于地理加权回归模型的土壤盐分离子含量估算模型。研究结果表明:Na~++K~+的微分变换特征波段集中在468～724 nm与1 182～1 539 nm,二维土壤指数的特征波段集中在1 742～2 395 nm,基于RSI的特征波段优选下地理加权回归模型对Na~++K~+含量的估算效果较好,建模集R~2=0.94,RMSE=0.22,验证集R~2=0.74,RMSE=0.19;SO_4~(2–)含量在1.2阶优选的位于469～636 nm波段估算效果较佳,建模集R~2=0.91,RMSE=0.02,验证集R~2=0.75,RMSE=0.33;Ca~(2+)、Mg~(2+)优选的特征波段主要集中在912～2 340 nm的近红外波段;Cl~–含量在1阶的近红外波段建模效果较好,建模集R~2=0.74,RMSE=0.03,验证集R~2=0.93,RMSE=0.11;含量相对较高的Na~++K~+、SO_4~(2–)、Cl~–的地理加权回归模型精度高于含量较低的Ca~(2+)、Mg~(2+)。     

基于RF和连续小波变换的露天煤矿土壤锌含量高光谱遥感反演

露天煤矿周边存在潜在重金属污染隐患,快速获取土壤重金属空间分布是土壤污染评价、土地复垦与修复的前提。传统调查方法费时费力且易造成对环境的二次污染,高光谱遥感为土壤重金属反演提供了新的视角。该研究以某露天煤矿土壤锌（Zn）含量为研究对象,采集了111个原位表层（0～20 cm）土壤样品及反射光谱;对样品反射光谱进行Savitsky-Golay（SG）平滑、连续统去除（Continuum Removal,CR）和连续小波变换（Continuous Wavelet Transform,CWT）以降噪和增强;利用Boruta算法确定特征波段;采用偏最小二乘回归（Partial Least Squares Regression,PLSR）和随机森林（Random Forest,RF）构建土壤Zn含量反演模型,使用留一交叉验证评估反演模型精度以确定最优反演模型;基于最优反演模型,利用空间插值方法绘制土壤Zn含量空间分布图。结果表明：1）CWT可有效降低光谱噪声,增强光谱响应。2）Boruta算法能消除光谱信息冗余,并能有效提取特征波段;特征波段的数目随CWT分解尺度和光谱测量条件变化。3）RF估算土壤Zn含量性能优于PLSR,且RF结合CWT具有较好的土壤Zn反演能力;最优野外原位光谱反演模型精度（建模集R2=0.92,验证集R2=0.54）低于实验室光谱反演模型（建模集R2=0.95,验证集R2=0.72）。4） 土壤Zn空间分布表现出显著的异质性,呈现高值集中于研究区西南部和东北部的特征。研究结果可为利用高光谱遥感开展露天矿区土壤重金属反演提供借鉴,为其他类似区域土壤污染评价、土地复垦与整治、土壤修复提供前提与依据。     

基于CWT的黑土有机质含量野外高光谱反演模型

为解决黑土有机质含量野外高光谱反演存在的困难,提高反演模型精准性,对吉林省黑土进行了采样、野外光谱测量和室内化验分析,剔除噪声波段,将测得的光谱数据(R)进行倒数的对数[lg(1/R)]及一阶微分(R′)变换,经连续小波变换(CWT)得到了R,lg(1/R)、R′不同分解尺度下对应的小波系数;通过分析R,lg(1/R)、R′及对应小波系数与土壤有机质含量的相关性,得到了显著性强相关的敏感波段;采用多元逐步回归(MSR)及偏最小二乘回归(PLSR)方法建立了黑土土壤有机质含量多种高光谱反演模型。结果表明:常用光谱分析方法中,R′与土壤有机质含量的R2高于R,lg(1/R);经CWT变换后得到的小波系数与土壤有机质含量的R2则提高显著,提高了0.3左右;R-CWT,lg(1/R)-CWT,R′-CWT的两种模型建模集的效果均较显著(R2≥0.75,RMSE≤0.25),且均优于对应的常规变换下的效果;建模集中PLSR比MSR模型更佳;验证集中结果相似,但精度稍低;总体上,经过CWT处理后的模型均具有较高的估测精度,以R′-CWT的PLSR模型最佳,能够较为全面稳定地反演土壤有机质含量。     

小波法反演条锈病胁迫下冬小麦冠层叶片全氮含量

为监测条锈病胁迫下冬小麦的氮素营养状况,该文通过野外试验测量了感染条锈病的冬小麦冠层光谱数据和相应叶片全氮(leaf total nitrogen,LTN)含量,分析了冬小麦条锈病病情指数(disease index,DI)与LTN之间的关系,对冠层光谱进行了连续小波变换(continuous wavelet transform,CWT)处理得到小波系数,并选择一些高光谱指数,分别利用支持向量机(support vector machine,SVM)回归方法构建了小波系数、高光谱指数与冬小麦LTN含量之间的反演模型。研究表明,随着冬小麦DI增大,LTN含量逐渐减小,相关系数为-0.784;CWT处理得到的小波系数为自变量构建的反演冬小麦LTN含量的模型精度普遍高于高光谱指数为自变量的模型精度,其中以Mexican Hat小波函数处理得到的小波系数423(4)建立的反演模型为最优模型,RMSE为0.315,RE为7.62%。因此,该研究表明可以联合应用CWT与SVM方法对条锈病胁迫下冬小麦LTN含量进行反演,且具有较高的估测精度。该研究成果对小麦作物病害预防、指导作物施肥具有重要现实应用意义。     

高标准基本农田建设区域土壤重金属含量的高光谱反演

为快速高效的获取高标准基本农田建设区域土壤重金属信息,以新郑市高标准基本农田建设区域为研究对象,共采集154个土壤样品,在室内利用ASD Field Spec3型地物光谱仪获得土壤高光谱数据,对土壤样品在400~2 400 nm的光谱反射率进行多元散射校正(multiplicative scatter correction,MSC)和Savitzky-Golay(SG)平滑后,进行一阶微分(first order differential reflectance,FDR)和二阶微分(second order differential reflectance,SDR)变换,并与Cr、Cd、Zn、Cu、Pb 5种重金属含量进行相关性分析,遴选出通过P=0.01显著性检验的高光谱特征波段作为反演模型的自变量,采用116个建模集样本构建偏最小二乘模型(partial least square regress,PLSR),通过精度检验筛选每个土壤重金属的最佳反演模型,并采用最佳地统计插值方法对高标准基本农田建设区域土壤重金属进行空间插值。结果表明:Cr的SDR-PLSR模型为最佳反演模型(R~2=0.88,RPD=1.68),Cd的R-PLSR模型为最佳反演模型(R~2=0.70,RPD=1.50),Zn的R-PLSR模型为最佳反演模型(R~2=0.88,RPD=2.05),Cu的R-PLSR模型为最佳反演模型(R~2=0.99,RPD=3.36),Pb的SDR-PLSR模型为最佳反演模型(R~2=0.93,RPD=3.16);采用构建的土壤重金属的最佳模型,对土壤重金属含量进行空间插值,结合高标准农田建设标准可知Zn含量符合土壤环境质量Ⅱ类标准且均低于土壤背景值,Cr、Cd、Cu和Pb符合土壤环境质量Ⅱ类标准,但是部分区域超过了土壤背景值。该研究为高光谱反演模型用于高标准基本农田建设区域土壤基础信息的实时监测提供了参考。     

实测高光谱和HSI影像的区域土壤含水量遥感监测研究

基于典型研究区植被冠层实测高光谱数据和HSI高光谱影像数据,通过相关分析选择与不同深度土壤含水量响应敏感波段,建立两者的土壤含水量反演模型,并用实测高光谱土壤含水量反演模型校正HSI影像土壤含水量反演的模型。结果表明:土壤含水量响应敏感波段区域为450~650 nm和850~920 nm;两种土壤含水量反演模型对土壤深度为0~10 cm的土壤含水量估算效果最好,其中实测冠层高光谱土壤含水量反演模型精度高于HSI影像土壤含水量反演模型,判定系数(R~2)分别为0.659和0.557;经过校正的HSI影像土壤含水量反演模型精度有了较大的提高,判定系数(R~2)从0.557提升到0.719,均方根误差(RMSE)为0.043 5,较好地提高了区域尺度条件下土壤含水量监测精度,因此运用该方法进行土壤含水量遥感监测是可行的,为进一步提高区域尺度下土壤含水量定量遥感监测提供参考借鉴。     

基于高光谱的北京铁矿区土壤重金属镍元素含量反演研究

运用高光谱数据对北京典型铁矿区土壤重金属镍含量进行建模反演,探索高光谱遥感技术在土壤重金属污染快速监测上应用的可行性。使用便携式地物光谱仪采集研究区土壤样本光谱反射率数据,光谱反射率数据经多种数学变换后,经逐步回归方法筛选最佳特征波段,利用多元线性回归（SLR）和偏最小二乘回归（PLSR）方法建立模型以光谱反射数据对土壤重金属镍元素含量进行反演。基于光谱二阶微分的多元线性回归模型（SD-MLR）的稳定性和精度最高（R2 = 0.842,RMSE = 4.474）,能够良好地预测研究区土壤镍元素含量。光谱数据数学变换能够有效提高其与土壤镍元素含量间的相关性。不同的光谱变换形式建立模型的预测能力和精度有如下关系,光谱二阶微分 > 光谱倒数对数一阶微分 > 光谱一阶微分 > 光谱倒数对数 > 光谱连续统去除 > 原始光谱。采用光谱二阶微分建立多元线性回归模型为研究区土壤镍元素含量反演的最佳模型,可为土壤重金属污染快速监测提供技术参考。     

基于可见光近红外光谱的南疆荒漠土壤有机质反演研究

有机质含量是土壤肥力评价的重要依据,快速监测南疆大面积分布的荒漠土壤有机质含量,可为后备耕地资源的合理开发与利用提供重要数字依据。通过野外采样与室内光谱及有机质含量测定,获取了240个荒漠土样的有机质含量与可见光近红外光谱数据。在此基础上,分析了不同有机质含量土样的光谱特征、有机质与光谱数据的相关性,并采用多种数据处理方式构建了反演模型。研究结果表明,不同有机质含量的土样在反射率和曲线形态上均存在一定的差异,土壤有机质在400~842 nm波段与反射率具有较高的相关性,相关系数最大值-0.32位于588 nm波段,反射率经连续统去除处理后相关性得到了明显提升,达极显著相关水平波段数量明显增加,尤其在797~1330 nm、1852~1872 nm、2155~2338 nm波段的改善效果显著,连续统去除的最大相关系数0.55位于86 4 nm波段。不同建模方法的精度对比结果表明偏最小二乘法(PLSR)具有最高的建模精度,在7种不同数据处理方式的PLSR模型中,以SG平滑+峰值归一化+正交信号校正(SGS+MAN+OSC)处理模式下的建模集的决定系数(R~2)最高、均方根误差(RMSE)最低,分别为0.81和0.98;该模型预测集的R~2、RMSE、残余预测偏差(RPD)分别为0.76、0.99和2.01,表明该模型具有较好的预测能力,可推荐为南疆荒漠土壤有机质的光谱定量反演模型。     

基于波段深度分析和BP神经网络的水稻色素含量高光谱估算

该文以水稻田间氮肥水平试验为基础,采用单变量的线性和非线性回归方法,建立基于植被指数的水稻色素含量高光谱估算模型。各植被指数对色素含量的估计能力分析结果显示,植被指数在色素含量较大时存在饱和问题,为此尝试将波段深度分析(BDA)与BP神经网络结合,以提高利用高光谱技术对水稻叶片色素含量的估算精度。基于连续统去除处理的水稻冠层高光谱数据(400~750 nm),选取波段深度(BD)、波段深度比(BDR)、归一化波段深度(NBDI)和归一化面积波段指数(BNA)4种波段指数,在此基础上进行主成分分析(PCA)实现降维,然后采用反向传播(BP)神经网络方法对水稻叶片色素含量进行高光谱反演,探讨BDA与BP神经网络结合解决植被指数饱和问题的可能性和有效性。结果表明,波段深度分析突出了光谱吸收特征差异,挖掘了更多的潜在信息,使得光谱曲线的差异性得到增强。BD与BP结合的估算模型对水稻叶片中的类胡萝卜素含量估算精度最高(R~2=0.61,RMSEP=0.128 mg?g~(-1)),BNA与BP结合的估算模型对水稻叶片中的叶绿素含量估算精度最高(R~2=0.73,RMSEP=0.343 mg?g~(-1))。对比分析BDA与BP结合的模型和植被指数最佳回归模型的精度,发现波段深度分析建立的BP神经网络模型能较好地解决饱和问题,提高水稻叶片色素含量的估算精度。     

基于土壤优化光谱参数估测太湖地区土壤全氮含量

为明确太湖地区土壤全氮的高光谱特征,构建定量分析模型,以江苏省无锡市滨湖区为研究区域,选取地理位置跨度大、土壤质地相似的93个样品,进行土壤风干样品全氮含量测定和光谱数据采集,对光谱反射率进行一阶微分,运用相关系数峰谷值法筛选敏感波长,将敏感波长两两结合进行土壤调节光谱指数(MSASI)运算。将两两结合后敏感波段分别采用多元线性回归分析、人工神经网络分析和偏最小二乘法构建土壤全氮含量的定量高光谱分析模型。结果表明,研究区内土壤全氮含量与光谱反射率呈正相关,敏感波段包括420～444 nm和480～537 nm。基于土壤调节光谱指数的多元线性回归分析对敏感波段诊断的效果最佳(R~2=0.98、RMSE=0.04),其精度高、可靠性强,是筛选出的最佳土壤全氮含量估测模型。偏最小二乘法模型(R~2=0.70、RMSE=0.13)次之,而人工神经网络模型(R~2=0.69、RMSE=0.15)精度最低。该研究结果为太湖地区土壤全氮水平的高光谱快速估测提供了方法借鉴,可为土壤养分精准管理提供技术参考。     

河北铅锌尾矿库区土壤重金属含量高光谱反演方法对比

为更好地研究利用光谱反映的土壤重金属信息，实现具有多重金属复合污染问题的铅锌矿区土壤重金属含量高光谱快速估测，该研究以河北省某铅锌矿区为例，首先对研究区土壤的Cu、Cr、Ni、Zn、Cd、Pb污染状况进行了评价分析，其次基于实验室高光谱数据，组合变换光谱、特征变量和反演算法形成不同反演策略，通过各反演策略下的重金属反演精度比较，定量分析不同光谱预处理、特征选择和建模算法的优劣与适应性，构建最优反演模型。研究结果表明：1）研究区土壤Cr、Ni清洁程度较好，其余Cu、Zn、Cd、Pb均有不同程度污染；参比当地土壤背景值，区域内梅罗综合污染指数均值29.7，为重度污染，潜在生态风险因子均值1330.3，处于高生态风险状态；2）光谱预处理可以增强土壤重金属信息表达。其中，光谱微分效果较好，但易受噪声影响，而多元散射校正、标准正态变量、倒数对数变换可以进行光谱去噪，提升处理效果；3）特征选择方法中，相关系数法选择特征波段数目多，不同重金属反演R² 差异较大；Boruta法选择特征波段数目少，不同重金属反演R² 差异较小；4）BPNN、XGBoost可以较好描述重金属含量与光谱的非线性关系，相较于其他算法具有更好表现，分别实现了Cr、Ni、Zn和Pb、Cd的最优反演，SVMR实现了Cu的最优反演。研究表明，不同的光谱预处理、特征选择与建模算法对于土壤重金属含量的反演均具有较大影响，选择合适的处理、建模算法可以有效提升反演精度。该研究为进一步实现高效、准确、大范围遥感监测铅锌矿区土壤重金属污染状况提供参考依据。     

基于连续小波变换的潮土有机质含量高光谱估算

土壤有机质含量快速估算对于土壤肥力评价、土壤信息化管理和精准施肥具有重要意义。该文通过对北京顺义地区64个土壤样品高光谱曲线进行连续小波变换,估算了该地区潮土有机质质量分数,并与4种常用光谱变换方法进行了比较。结果表明,潮土具有与其他类型土壤类似的光谱曲线,经过去包络线处理后,在可见与近红波段都出现了明显吸收峰;采用连续小波变换方法所确定的潮土有机质估算的敏感波段为1194、486和866nm,对应小波分解尺度为2,3和4;利用小波能量系数与有机质质量分数所构建的多元线性回归模型的决定系数R2为0.67,模型实测值与预测值的检验精度R2为0.75,RMSE为0.21;而采用4种常用光谱变换方法建立的潮土有机质估测模型的R2最高只有0.09,说明连续小波变换方法更适合于潮土有机质质量分数估测。Kringing插值分析表明,应在顺义地区东南部增加取样点,以提高模型估算精度。该研究可为潮土土壤肥力的快速测定提供参考。     

东北农牧交错带耕地土壤有机质遥感反演研究

农牧交错带是农耕区与草原牧区的过渡带，土壤有机质(SOM)的精确估算与变化监测对碳库估算与农业生产具有重要研究意义。以东北典型农牧交错带为研究区，Landsat 8 OLI影像和ALOS 12.5m DEM为数据源，基于波段反射率、反射率对数、亮度指数与相关地形因子，分别利用多元线性逐步回归(MLSR)模型、随机森林(RF)模型和BP神经网络(BPNN)模型，构建农牧交错带SOM多光谱反演模型。结果表明：(1)根据重要性排序，选择Landsat8OLI第4波段的对数、第5波段、第6波段和亮度指数作为输入量，RF和BPNN模型的精度优于MLSR模型。(2)引入高程(E)与坡向变率(SOA)后，3种模型的预测精度提高，BPNN模型精度提高最多，R2提高了0.22,RMSE降低了0.40 g/kg。3种模型最优反演精度由高到低为：BPNN模型(R2=0.82,RMSE=1.4 g/kg)>RF模型(R2=0.71,RMSE=1.9 g/kg)>MLSR模型(R2=0.66,RMSE=8.8 g/kg)。研究结果可为农牧交错带SOM时空变化研究提供方法支撑。     

基于耦合算法的花生叶片光合色素含量反演模型

准确获取及预测光合色素含量可为精细化种植管理提供数据依据,为探究花生冠层叶片色素吸收特征,该研究以开花下针期的花生冠层叶片为研究对象,以ASD Field Spec4野外便携式高光谱仪采集的光谱数据为数据源,进行花生叶片叶绿素含量和类胡萝卜素含量反演。通过对比7种单一筛选特征波长变量算法及结合4种模型(PLSR、SVR、GBDT和XGBoost)的结果,优选出3种算法进行两两耦合。结果表明:1)在单一算法试验中IRIV、UVE和GA算法结果较优;2)在耦合算法试验中UVE-IRIV、GA-IRIV和GA-UVE方法都能有效降维,且模型稳定性提升。在叶绿素含量反演模型中,GA-IRIV-XGBoost模型精度最高,R²=0.622,RMSE=0.235 mg/g;在类胡萝卜素含量反演模型中,UVE-IRIV-XGBoost模型精度最高,R²=0.575,RMSE=0.056 mg/g;3)比较两种色素反演模型的预测精度,表明叶绿素的预测精度优于类胡萝卜素。该结果可为快速、准确预测花生叶片光合色素含量提供一种方法。     

Spectroscopic Determination of Soil Organic Carbon and Total Nitrogen Content in Pasture Soils

To explore a convenient and efficient approach for determining the content of soil organic carbon (SOC) and total nitrogen (TN), this study focused on capturing the features value of SOC and TN by applying the method of wavelet analysis and wavelet transformation. The soil used in the study was sampled from the pastures in Fukang City of Xinjiang Uygur Autonomous Region, China. The soil samples were tested by using a combined approach of chemical analysis and spectroscopy measurements. It was found that reflectance at 400–2500 nm was more strongly correlated to SOC than to TN. The maximum negative r values between reflectance and SOC + TN at 2309 nm was –0.81 (P < 0.01), and SOC/TN at 1693 was –0.48 (P < 0.05). The maximum correlation coefficient between SOC, TN, and wavelet coefficient was more than 0.96 compared to the relationship among SOC, TN, and spectral reflectance. By using continuous wavelet transformation (CWT), it was found that the maximum correlation coefficients were 0.981 at 2328 nm of scale 13 for SOC and 0.968 at 1741 nm of scale 6 for TN. These results also suggested that wavelet analysis was a better method for capturing the absorption features of soil properties and determining SOC and TN content.     

基于WorldView-3多光谱和关键环境变量的土壤镉含量反演

快速准确获取农田土壤重金属含量对区域土地质量评估和粮食安全至关重要。该研究以江西省仙槎河流域小龙钨矿周边农田土壤为研究对象,采用WorldView-3多光谱影像提取光谱反射率并进行光谱变换处理,同时考虑了地形、人类活动和土壤属性等影响农田土壤镉（Cd）含量空间分布的关键环境因子,将光谱、环境变量、光谱与环境变量分别作为模型的自变量,选取了偏最小二乘（Partial Least Squares Regression,PLSR）、支持向量机（Support Vector Machines,SVM）、BP神经网络（Back Propagation Neural Network,BPNN）和随机森林（Random Forest,RF）4种回归算法构建土壤Cd含量预测模型,并利用精度评价指标优选出最佳反演模型。结果表明：仅输入多光谱特征进行Cd含量反演的模型精度总体偏低,R2低于0.2。相比之下,单独输入环境变量的模型精度结果最为理想,最优模型（RF）精度R2可达0.782。然而,融合光谱信息与环境变量共同建模后并未显著提高模型精度,反而导致较优模型（RF）精度略微降低,R2为0.693。研究结果表明,关键环境协变量是决定研究区农田土壤重金属Cd空间分布反演的重要变量,而利用多光谱信息进行土壤重金属反演的能力有限。此外,随机森林模型是预测土壤重金属空间分布的有效手段。     

利用高光谱遥感技术监测小麦土壤重金属污染

为了探讨基于小麦叶片高光谱间接估测土壤重金属含量的潜力,该研究以江苏省宜兴市徐舍镇为研究区域,于2019－2020年采集农田土壤样品和小麦叶片光谱,经7种不同的光谱变换预处理后,以遗传算法（genetic algorithm,GA）优化的偏最小二乘回归算法（partial least squares regression,PLSR）对预处理后的光谱建立土壤重金属镉（Cd）和砷（As）含量的估测模型,并对模型结果进行精度评价。研究结果表明：1）光谱预处理技术能够突出光谱中的一些隐藏信息,对小麦叶片光谱进行微分变换、多元散射校正、标准正态变换等数学变换后更加有利于提取光谱敏感信息。2）GA-PLSR相较于一般的PLSR方法提高了模型精度,将GA用于光谱波段选择可以优化模型精度和提高稳定性。3）土壤Cd含量的最佳估测模型为标准正态变换预处理光谱与GA-PLSR结合,其外部验证的决定系数为0.87、均方根误差为0.04 mg/kg、相对分析误差为2.72;土壤As含量的最佳估测模型为多元散射校正预处理光谱与GA-PLSR结合,其外部验证的决定系数为0.91、均方根误差为0.32 mg/kg,相对分析误差为3.25。因此,能够利用小麦叶片高光谱间接估测土壤重金属Cd和As含量,该研究为将来实现定量、动态、无损遥感监测大面积农田土壤重金属污染状况提供参考依据。     

基于GA-SVM的耕地土壤重金属含量高光谱反演方法的研究

为提高耕地土壤重金属含量高光谱反演模型精度,以岳阳县某地区耕地土壤重金属铁（Fe）、砷（As）、铬（Cr）为例,提出了一种遗传算法（GA）优化支持向量机（SVM）的重金属含量反演模型。在对光谱进行SG平滑和10 nm重采样后,利用一阶/二阶微分、倒数对数和连续统去除光谱变换方法增强光谱特征,通过相关性分析筛选最优变换光谱,使用皮尔森相关系数与主成分分析提取各重金属光谱特征变量,分别建立SVM和GA-SVM土壤重金属高光谱反演模型并进行精度验证。结果表明,二阶微分变换光谱与各重金属含量相关性整体最突出;三种重金属在可见光波段490 nm、500 nm、510 nm和530 nm具有共同敏感特征;经GA算法优化SVM参数后,对比SVM回归模型,预测精度有明显提高,其重金属Fe、As和Cr的验证集R2分别为0.968、0.821和0.976;研究结果可为应用遥感技术反演耕地土壤重金属含量提供新的参考。     

基于分数阶微分光谱指数的冬小麦根域土壤含水率估算模型

为探讨分数阶微分（fractional-order differentiation,FOD）技术联合光谱指数改善高光谱反演冬小麦根域土壤含水率（soil moisture content,SMC）的效果,该研究以冬小麦为研究对象,测取高光谱反射率和土壤含水率数据,将高光谱反射率经Savitzky-Golay(SG)平滑处理后计算典型光谱指数以此构建偏最小二乘回归（partial least squares regression,PLSR）、随机森林（random forest,RF）和BP神经网络（back propagation neural network,BPNN）3种土壤含水率反演模型;将高光谱反射率进行0～2.0阶（步长为0.2）的分数阶微分处理后计算比值指数（ratio index,RI）和归一化指数（normalized difference index,NDI）,分析不同阶的RI、NDI与SMC之间的二维相关性,筛选得出敏感光谱指数并分组,以此构建3种反演模型（PLSR、RF和BPNN）。结果表明：不同典型光谱指数与土壤含水率的相关性存在很大差异,相关系数波动范围在0....