东北典型黑土区表层土壤有机质含量高光谱反演研究

选择东北典型黑土区——德惠市、扶余市和双城市为研究区,利用便携式地物光谱仪获取土壤光谱数据,基于原始光谱值及一阶微分、倒数的对数、连续统去除变换,分别建立了黑土有机质含量的多元线性逐步回归模型、偏最小二乘回归模型和BP神经网络模型。结果表明:高光谱与土壤有机质含量在多个波段相关性较好,其中有机质与反射率一阶微分处理的相关性最好,在光谱584 nm处其相关性最强(r=-0.60,n=81)。光谱一阶微分处理数据在三种建模方法中的预测及验证精度均高于原始光谱值、倒数的对数和连续统去除变换,因此一阶微分为最佳光谱变换形式。偏最小二乘回归分析的预测效果整体优于多元线性逐步回归分析和BP神经网络分析,光谱一阶微分处理的偏最小二乘回归模型呈现出最佳预测效果,决定系数为0.71、均方根误差为2.29 g kg~(-1)(n=53)。     

辽宁省黄土状母质发育土壤有机质含量高光谱预测模型的构建

  目的  建立辽宁省黄土状母质发育土壤有机质含量的高光谱预测模型,以便快速获取土壤样品的有机质含量。  方法  对省域内黄土状母质发育土壤进行了样品采集,获取样品有机质含量和高光谱数据;选择原始光谱及其一阶微分、二阶微分、倒数对数、倒数对数一阶微分、倒数对数二阶微分6种光谱变换数据作为自变量,与土壤有机质含量进行相关分析,选取特征波段,分别建立多元逐步线性回归（SMLR）、偏最小二乘回归（PLSR）和主成分回归（PCR）3种土壤有机质高光谱线性预测模型,并进行了支持向量机（SVM）方法的非线性模型拟合。  结果  土壤有机质含量与其光谱反射率呈负相关关系,对光谱进行不同的数学变换,可以提高土壤有机质含量与光谱反射率的相关性,其中一阶微分和二阶微分的提升效果最佳;相同光谱数据在不同模型中建模精度存在显著差异,以原始光谱反射率一阶微分为自变量的PLSR模型精度最高,建模集和验证集的决定系数（R2）分别为0.958和0.976;3种线性方法建立的最佳预测模型的检验精度为:PLSR > SMLR > PCR。  结论  PLSR模型是辽宁省黄土状母质发育土壤有机质含量的最佳高光谱预测模型,且基于特征波段的建模效果优于全波段;SVM非线性模型的预测精度较低。     

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。     

新疆艾比湖湿地土壤有机碳含量的光谱测定方法对比

干旱半干旱地区湿地土壤中的有机碳是影响土壤质量,制约植物生长的重要因素之一,其含量的变化会影响生态系统的安全和稳定。为快速估测湿地土壤有机碳含量,在新疆艾比湖湿地保护区采集140个荒漠土壤样品,利用土壤可见/近红外光谱数据以及化学分析获取的土壤有机碳数据,在对土壤原始光谱反射率进行卷积平滑的基础上,获取了一阶微分、倒数对数一阶微分2种光谱预处理指标,采用蚁群-区间偏最小二乘法、基于支持向量机的回归特征消去法,选择土壤有机碳含量近红外光谱特征波长,在此基础上构建土壤有机碳含量偏最小二乘回归、支持向量回归模型。结果表明:1)利用原始一阶微分建立的模型,预测能力优于倒数对数一阶微分建立的模型。2)4种建模结果比较显示,利用原始一阶微分经基于支持向量机的回归特征消去法进行特征变量选择后建立的土壤有机碳含量模型,预测精度最高。训练集的相关系数以及均方根误差分别为0.9687、0.158%;测试集的相关系数和均方根误差分别为0.9091以及0.268%。因此,经过卷积平滑以及一阶微分预处理、并利用基于支持向量机的回归特征消去法建立的模型具有较高的预测精度和较好的稳健性,可以作为有效手段估算荒漠湿地土壤有机碳含量。     

基于高光谱的复垦农田土壤有机质含量估测

为了快速准确估算矿区复垦土地土壤有机质含量,以永城矿区复垦农田为例,在土样有机质含量测定和高光谱数据测量的基础上,对土壤高光谱数据进行多种预处理并与有机质实测含量进行相关性分析,利用相关系数进行P=0.01水平显著检验,确定敏感波段,建立一元线性回归、多元逐步回归和偏最小二乘回归等多种有机质含量与高光谱估测模型。结果表明:经过数学变换的土壤光谱反射率与土壤有机质含量相关性显著提高,复垦区土壤光谱经过多元散射校正和一元微分处理并利用偏最小二乘回归模型建模预测效果最好。当前较少有研究对矿区复垦农田土壤有机质进行高光谱估测,本研究成果可为有效利用高光谱遥感技术,快速、有效地测定复垦农田土壤有机质含量提供技术支撑。     

塔里木盆地北缘荒漠土壤有机质含量的高光谱估测

土壤有机质含量的多少是衡量土壤肥力的重要指标,了解土壤有机质的状况及动态变化,为指导干旱区绿洲农业生产及生态环境保护提供科学依据。基于在塔里木盆地北缘绿洲-荒漠过渡带采集的80个土壤样品,测定有机质含量和光谱反射率。在原始反射率R的基础上,进行光谱反射率的一阶微分R′、倒数对数lg(1/R)、倒数对数的一阶微分[lg(1/R)]′以及去除包络线C(R)处理,并将处理后的光谱数据与土壤有机质进行相关性分析,从而选取568、578、803、806、845、955 nm等敏感波段构建土壤有机质含量的估测模型。结果表明:(1)土壤有机质与土壤反射率呈负相关,有机质含量越高反射率越低。(2)光谱变换处理可有效提升光谱对土壤有机质含量的敏感性,其相关系数最高可达0.654(P<0.001)。(3)比较多元线性逐步回归、偏最小二乘回归和反向传播神经网络(BPNN)3种建模方法发现,反向传播神经网络模型精度较高,稳定性更好,且以倒数对数的一阶微分[lg(1/R)]′为自变量的模型最优,决定系数为0.864,均方根误差为1.86,这表明[lg(1/R)]′-BPNN模型相较于其它模型可以更为准确地预测荒漠区土壤有机质含量。     

基于分数阶微分预处理高光谱数据的荒漠土壤有机碳含量估算

对光谱数据进行预处理是提升高光谱建模精度十分必要和有效的途径。为了研究分数阶微分预处理方法在高光谱数据估算荒漠土壤有机碳含量中的应用,该研究以艾比湖流域为研究靶区,利用2015年5月采集的103个表层土壤样本的实测有机碳数据和室内测定的高光谱数据,以0.2阶为步长对原始光谱反射率及对应的倒数变换、对数变换、对数倒数变换、均方根变换的0-2阶微分进行分数阶运算预处理并研究其与土壤有机碳含量相关性,基于通过0.01显著性检验的特征波段对土壤有机碳含量进行偏最小二乘回归建模并进行精度分析。结果表明：1）分数阶微分预处理可以细化土壤有机碳及其光谱反射率相关性的变化趋势;2）各阶微分预处理后的相关系数通过显著性检验波段的数量均呈现先增后减的趋势,但波段数量最多的对应阶数并不统一;3）对数变换的1.6阶微分所建立的模型为最优模型,该模型的RMSEC=2.433 g/kg,R2c=0.786,RMSEP=2.263 g/kg,R2p=0.825,RPD=2.392。说明了分数阶预处理过后的模型精度和稳健性较整数阶微分有了大幅提升,并且运用在高光谱反演土壤有机碳含量上是可行的。     

粗面岩质火山碎屑物发育土壤有机质含量的高光谱特征与建模

利用ASD Field Spec 4便携式快速扫描分光辐射光谱仪,对采自吉林省长白山地区粗面岩质火山碎屑物发育的土壤进行光谱反射率测定,分析其光谱特征;对土壤原始光谱反射率进行一阶微分、二阶微分、倒数的微分、倒数的对数的一阶微分和倒数的对数的二阶微分等五种数学处理,并应用多元逐步回归分析建立土壤有机质含量的高光谱预测模型。研究表明:土壤有机质含量与原始光谱反射率在565~675 nm波段内呈显著负相关;一阶微分光谱在415 nm、445~605 nm波段内与土壤有机质含量呈极显著负相关,在705~985 nm、1015~1265 nm波段内呈极显著正相关,在865 nm波段处相关系数达到极大值0.87;建立的土壤有机质多元逐步线性回归预测模型中,以一阶微分模型为最优,R2为0.954,可用于粗面岩质火山碎屑物发育土壤有机质含量的快速测定。     

准东煤田土壤铅含量高光谱估算

以新疆准东露天煤矿为研究靶区,对矿区周围不同程度铅污染土壤进行采集与光谱测定,分析不同铅含量土壤高光谱反射率特征,运用多元线性回归和偏最小二乘回归建立土壤铅含量估算模型并进行精度检验。结果表明:在土壤铅含量与近红外和中红外波段部分光谱反射率之间的相关性较高,二阶微分处理之后的光谱数据建模精度高于其他处理方法。偏最小二乘回归建立模型估算效果优于多元线性回归建立的模型精度,其最优的偏最小二乘回归模型校正和验证的决定系数(R~2)分别达到了0.71和0.69,其校正和验证的均方根误差(RMSE)值分别为4.42 mg kg~(-1)和2.69 mg kg~(-1),以及相对分析误差(RPD)值为2.36,该模型能够较好地估算土壤铅含量,从而为土壤重金属污染快速监测提供技术方法和理论依据。     

基于近红外光声光谱的土壤有机质含量定量建模方法

该研究的目的在于应用近红外光声光谱技术结合不同的定量分析方法实现5种不同类型土壤有机质含量的快速估测。对中国中、东部地区5种不同类型土壤风干样本进行光谱扫描,经过多元散射校正、一阶导数、二阶导数及平滑等预处理后,应用逐步多元回归(SMLR)、主成分分析(PCR)、偏最小二乘法(PLS)和偏最小二乘法-反向传播神经网络(PLS-BPNN)等方法建立土壤有机质含量的定量估测模型。结果显示,不同预处理方法对所建土壤有机质含量估测模型的预测精度有较大影响,总体表现为多元散射校正+Norris一阶导数>多元散射校正>Norris一阶导数>标准正态化>Norris二阶导数>吸光度>Savitzky-Golay平滑后一阶导数>Savitzky-Golay平滑后二阶导数。对于4种不同建模方法,均以多元散射校正+Norris一阶导数滤波平滑后的光谱建模精度最高,其中采用PLS-BPNN方法建模效果最好,其次是PLS、SMLR和PCR。采用PLS-BPNN建立有机质校正模型具有极高的预测精度,建模决定系数和均方根偏差分别为0.97和1.88,模型测试决定系数和均方根偏差分别为0.97和1.72。因此,基于多元散射校正+Norris一阶导数光谱建立的PLS-BPNN模型可能是土壤有机质含量估测建模的最优方法。     

基于偏最小二乘回归的土壤有机质含量高光谱估算

为实现基于光谱分析土壤有机质含量的快速测定,该文以江汉平原公安县的土壤为研究对象,进行室内理化分析、光谱测量与处理等一系列工作,在土壤原始光谱反射率(raw spectral reflectance,R)的基础上,提取了其倒数之对数(inverse-log reflectance,LR)、一阶微分(first order differential reflectance,FDR)和连续统去除(continuum removal,CR)3种光谱指标,分析4种不同形式的光谱指标与有机质含量的相关性,对相关系数进行P=0.01水平上的显著性检验来确定显著性波段的范围,并基于全波段(400~2 400 nm)和显著性波段运用偏最小二乘回归(partial least squares regression,PLSR)建立了该区域土壤有机质高光谱的预测模型,通过模型精度的比较确定最优模型。结果表明,进行CR变换后,光谱曲线的特征吸收带更加明显,相关系数在可见光波段范围内有所提高;基于全波段的PLSR建模效果要优于显著性波段,其中以CR的预测精度最为突出,其模型的决定系数R2和相对分析误差RPD分别为0.84、2.58;显著性波段的PLSR模型与全波段对比在模型精度方面虽有一定差距,但从模型的复杂程度来比较,具有模型简单、运算量小、变量更少的特点;最后,综合比较了全波段和显著性波段4种光谱指标的反演精度,发现CR-PLSR模型的建模和预测的效果比R-PLSR、LR-PLSR、FDR-PLSR模型都要显著。该研究可为将CR-PLSR高光谱反演模型用于该区域土肥信息的遥感监测提供参考。     

艾比湖流域不同土地覆盖类型土壤养分 高光谱反演模型研究

土壤养分影响着土壤的质量,也影响着植被、农作物等的生长。为快速准确地估测艾比湖流域土壤养分状况,选择艾比湖流域精河县作为研究区,以精河县内不同地表覆盖类型土壤为研究对象,基于实地采集的75个土壤样品的室内ASD Field Spec3实测光谱数据和3种光谱变换形式,利用10 nm间隔重采样进行去噪处理,再结合多元逐步回归法(SMLR)、偏最小二乘法回归法(PLSR)、人工神经网络法(ANN)分别建立土壤养分预测模型,以探索最优模型。结果表明:土壤实测光谱的一阶微分、二阶微分变换形式能显著提高光谱与土壤养分之间的相关性,尤其是一阶微分变换与土壤有机质和全氮的相关性最高分别达0.87和0.91,光谱变换技术能显著增强土壤养分与高光谱之间的敏感度,达到更好的建模效果;SMLR、PLSR和ANN这3种模型都具有良好的预测能力,其中,ANN建立的模型预测效果最好,二阶微分变换的ANN模型对有机质、全氮的预测决定系数(R2)分别为0.886和0.984,均方根误差(RMSE)分别为2.614和0.147,PLSR次之;全氮的预测效果明显优于有机质的预测效果,说明高光谱和全氮之间的敏感性更高。总体来说,光谱二阶微分变换形式的人工神经网络模型可以最精确稳定地完成土壤养分含量的快速预测,能够实现艾比湖流域的土壤养分空间分布状况和动态变化特征的动态监测。     

基于灰度关联-岭回归的荒漠土壤有机质含量高光谱估算

为改善高光谱技术对荒漠土壤有机质的估测效果,该文采集了以色列Seder Boker地区的荒漠土壤,经预处理、理化分析后将土样分为砂质土和黏壤土2类,再通过光谱采集、处理得到6种光谱指标:反射率(reflectivity,REF)、倒数之对数变换(inverse-log reflectance,LR)、去包络线处理(continuum removal,CR)、标准正态变量变换(standard normal variable reflectance,SNV)、一阶微分变换(first order differential reflectance,FDR)和二阶微分变换(second order differential reflectance,SDR)。通过灰度关联(gray correlation,GC)法确定SNV、FDR、SDR为敏感光谱指标,采用偏最小二乘回归(partial least squares regression,PLSR)法和岭回归(ridge regression,RR)法,构建基于敏感光谱指标的土壤有机质高光谱反演模型,并对模型精度进行比较。结果表明:砂质土有机质含量的反演效果要优于黏壤土;基于SNV指标建立的模型决定系数R~2和相对分析误差RPD均为最高、均方根误差RMSE最低,所以SNV是土壤有机质的最佳光谱反演指标;对SNV-PLSR模型和SNV-RR模型综合比较得出,SNV-RR模型仅用全谱4%左右的波段建模,实现了更为理想的反演效果:其中,对砂质土有机质的预测能力极强(R_p~2为0.866,RMSE为0.610 g/kg、RPD为2.72),对黏壤土有机质的预测能力很好(Rp2为0.863,RMSE为0.898 g/kg、RPD为2.37)。荒漠土壤有机质GC-SNV-RR反演模型的建立为高光谱模型的优化、土壤有机质的快速测定提供了一种新的途径。     

苏北沿海滩涂地区土壤有机质含量的高光谱预测

基于反射高光谱快速、无损的检测优势,以苏北沿海滩涂地区不同成陆年代土壤作为光谱信息源,应用偏最小二乘回归（PLSR）方法,研究了原始反射光谱（REF）、微分光谱（FDR）、反射率倒数的对数（lg(1/R)）和波段深度（BD）对不同成陆年代土壤有机质含量的预测精度。结果表明,不同成陆年代土壤有机质含量预测的最佳光谱指标存在差异。REF是构建总体样本有机质含量PLSR预测模型的最佳光谱指标,均方根误差（RMSE）和相关系数（r）分别为2.7231和0.8701;FDR是预测成陆千年土壤样本有机质含量的最佳光谱指标,RMSE和r分别为2.0110和0.9436;BD所构建的成陆百年土壤有机质含量的PLSR预测模型为最优,RMSE和r分别为2.7051和0.8770。相关分析表明,可见光波段、以1 400 nm为中心及1 900～2 450 nm的红外波段是估算土壤有机质含量的最佳波段。     

利用高光谱估算博斯腾湖西岸湖滨绿洲土壤有机质含量

以新疆博斯腾湖西岸湖滨绿洲为研究区,利用实测的土壤有机质含量与高光谱数据,通过多元逐步回归与偏最小二乘回归法分别构建反演土壤有机质含量估算模型。结果表明:(1)研究区土壤有机质含量变化范围为5.09~44.00 g·kg^-1,均值为16.87 g·kg^-1,变异系数为44.69%,呈中等变异;土壤有机质含量与土壤光谱反射率呈极显著负相关(P<0.01),相关系数为0.09<|r|<0.42;(2)通过显著性检验(P<0.01)的波段主要集中在590~687、758~892、1003~1092和1171~1297 nm 4个波段,反射率(1/R)′变换下相关性最高,相关系数|r|为0.50(P<0.01);(3)研究区的土壤有机质含量高光谱估算模型为Y=30428.37X677+12738.78X775+2894.02X865+11589.35X885+5.56,建模集和验证集的决定系数(R2)分别为0.83和0.82,均方根误差(RMSE)分别为4.01和2.64 g·kg^-1,验证集统计量F=116.41(P<0.01),相对分析误差(RPD)=2.30,预测能力较好。     

基于EPO算法去除水分影响的土壤有机质高光谱估算

野外进行土壤有机质的光谱快速预测时需考虑土壤含水量的影响。在室内设计人工加湿实验分别获取9个土壤含水量梯度(0~32%,间隔4%)的土壤光谱数据,分析土壤含水量变化对光谱的影响,再利用外部参数正交化法(external parameter orthogonalization,EPO)进行湿土光谱校正,并结合偏最小二乘回归和支持向量机回归分别建立土壤有机质预测模型。结果表明,土壤光谱反射率随着土壤含水量的增加呈非线性降低趋势,偏最小二乘回归模型的预测偏差比为1.16,模型不可用;经EPO算法校正后,各土壤含水量梯度之间的光谱差异性降低,能实现土壤有机质在不同土壤含水量梯度的有效估算,偏最小二乘回归和支持向量机回归模型的预测偏差比分别提高至1.76和2.15。研究结果可为田间快速预测土壤有机质提供必要参考。     

煤炭矿区耕地土壤有机质无人机高光谱遥感估测

为监测煤炭矿区不同沉陷阶段耕地土壤质量状况,实现矿区土地复垦和耕地质量保护,以山西省长治王庄煤矿周边3种处于不同沉陷阶段的耕地为例,使用无人机搭载高光谱相机进行影像获取,并在研究区内进行土壤样品采集及室内光谱测定。通过对光谱反射率进行倒数、一阶微分、二阶微分、多元散射校正4种不同形式的变换,分析转换后的光谱反射率和实测有机质含量的相关性,筛选出相关系数较高的敏感波段。利用多元线性回归（Multiple Linear Regression,MLR）、偏最小二乘回归（Partial Least Squares Regression,PLSR）和BP神经网络（BP Neural Network,BPNN）3种模型对有机质含量建立预测模型,并对模型预测结果进行精度评价,选用较优模型代入无人机高光谱影像进行有机质含量填图,得到耕地范围内的土壤有机质分布情况,并对处于不同沉陷阶段的耕地土壤有机质空间分布差异及其驱动因子进行分析讨论。结果表明：1）采煤沉陷区耕地土壤有机质含量与经过多元散射校正变换的光谱曲线相关性最高,敏感波段为463.75～492.45 nm,870.79～932.58 nm处,最大相关系数为0.63。2）经过多元散射校正处理的光谱曲线运用偏最小二乘回归模型和BP神经网络模型预测有机质含量精度要明显高于多元线性回归模型,预测精度分别达到0.863和0.884,可以用于有机质含量的估测。3）采煤沉陷区耕地土壤有机质分布情况表现为煤炭开采未扰动区耕地土壤有机质分布较为均一,均值为26.94 g/kg,总体上处于中上等水平;煤炭开采扰动稳沉区耕地土壤有机质高低值分化明显,整体分布呈现较大空间分异性;煤炭开采扰动区介于二者之间。矿区有机质含量大小关系为煤炭开采未扰动区耕地>煤炭开采扰动区耕地>煤炭开采扰动稳沉区耕地。     

高光谱土壤多元信息提取模型综述

高光谱土壤多元信息提取模型的精度与光谱学在这一领域未来能够发挥的作用直接相关。在列举土壤样品制备、理化成分测定和土壤光谱数据获取标准技术的基础上,总结了目前适用于土壤光谱处理的异常筛选、平滑去噪、重采样、变换和定量化方法。对偏最小二乘法、主成分分析和多元逐步回归法等8种建模方法进行了对比,分析了各类方法的建模针对性。按照有机质、水分、盐渍化、重金属和其它成分分类归纳了目前取得良好应用效果的多种光谱信息提取模型,并对比了每个模型的信息提取精度。光谱所指示的信息,不仅能够为土壤成分提供快速指示信息,而且在实测数据基础上所建立的信息提取模型,是软件研发、仪器研发和土质评价等工作的理论基础。