基于光谱指数与机器学习算法的土壤电导率估算研究

土壤盐分是干旱区土壤盐渍化评价的重要指标。以新疆维吾尔自治区渭干河-库车河三角洲绿洲为例,基于土壤电导率(Electrical conductivity,EC)及可见光-近红外(Visible and near infrared,VIS-NIR)光谱数据,通过蒙特卡洛交叉验证(Monte Carlo cross validation,MCCV)确定364个有效样本。采用原始光谱(Raw reflectance,R)及其经过微分、吸光度(Absorbance,Abs)、连续统去除(Continuum removal,CR)等6种预处理后的数据构建光谱指数。基于遴选出的21个最优指数,采用BP神经网络(Back propagation neural network,BPNN)、支持向量机(Support vector machine,SVM)、极限学习机(Extreme learning machine,ELM)三种算法对EC进行估算,并引入偏最小二乘回归(Partial least squares regression,PLSR)进行比较。结果表明:在基于R与6种光谱预处理数据构建的21个最优光谱指数之中,R_FD_RSI(R_(1913),R_(2142))表现最佳(r=0.649);与PLSR相比,机器学习算法能够显著提高模型的估算精度,R~2提高了34.55%。三种机器学习算法模型中,ELM表现最优(R~2=0.884,RMSE=3.071 mS·cm~(–1),RPIQ=2.535)。本研究中所构建的光谱指数在兼顾遥感机理的同时能深度挖掘更多的隐含信息,并且基于机器学习算法的土壤EC估算模型精度显著提高,为干旱区土壤盐分定量估算提供了科学参考。     

烤烟成熟鲜烟叶生化组分高光谱估算方法筛选

为实现实时无损快速预测鲜烟叶的品质生化组分、筛选估算生化组分最佳的方法，使用ASD Fieldspec FR2500对烤烟成熟鲜烟叶进行了反射率、透射率光谱测定和常规生化组分分析。对可见近红外波段(350～1650 nm)单波段光谱和选用已有100种光谱指数共两类光谱参量进行了与生化组分之间线性函数、幂函数、指数函数共3种形式相关分析和基于决定系数的筛选。结果表明，对于叶绿素a、叶绿素b、类胡萝卜素、钾估算方法分别是Gitelson and Merzlyak2(GM₂) (R²=0.81)、光化学指数2(PRI₂) (R²=0.80)、Gitelson and Merzlyak2(GM₂) (R²=0.83)、1420 nm吸收峰开始位置(λs₁₄₂₀) (R²=0.67)的线性拟合最优。对于总糖、比叶重、氮、烟碱最优方法分别是在532 nm反射率一阶微分线性拟合(R²=0.54)、在1423 nm透射率线性拟合(R²=0.45)、在666 nm反射率倒数对数一阶微分的幂函数拟合(R²=0.44)，在1135 nm反射率倒数对数二阶微分的线性拟合(R²=0.20)。通过筛选的光谱方法可以评估烟叶的品质状况。     

基于光谱变换的滨海湿地土壤全氮含量建模预测

基于133个滨海湿地土样的全氮（TN）含量和光谱反射率（R）及其对数（lgR）、对数的一阶微分（（lgR）''）、倒数（1/R）、倒数的一阶微分（（1/R）''）、一阶微分（R''）、平方根（√R）、一阶微分的倒数（1/（R）''）变换，采用偏最小二乘回归（PLSR）、随机森林回归（RFR）和支持向量机回归（SVR）3种算法分别建立土壤TN含量估测模型。结果表明：①土壤TN含量与光谱变换形式相关性由高到低为：（1/R）''> R''> （lgR）''> 1/R > lgR > 1/（R）''> √R > > R，经光谱变换，土壤TN含量与变换光谱的相关性均高于R，其中与（1/R）''的Pearson相关系数最大为0.746。②PLSR和SVR基于R''、（1/R）''、（lgR）''和1/（R）''变换构建的模型、RFR方法构建的所有模型R²均大于0.732，均可用于滨海湿地土壤TN含量的估算。③基于1/（R）''建立的SVR模型预测精度最高，其R²为0.987，RMSE为0.057 g/kg，MAE为0.050 g/kg，是预测滨海湿地土壤TN含量的最优模型，可为准确获取滨海湿地土壤TN含量提供稳定方法。     

机器学习结合高光谱植被指数与SPAD值估算冬小麦氮含量

冬小麦叶片氮含量与叶片光合作用和营养状况密切相关，直接影响植株生长发育，而茎秆中的氮含量与茎秆中纤维素、半纤维素和木质素的比例和含量密切相关，直接影响茎秆质量及植株的抗倒伏能力。然而，有关对冬小麦茎秆氮含量估算研究较为有限，限制了从氮含量角度判断茎秆质量及对倒伏的预测能力。为精准估算冬小麦不同器官（叶片、茎秆）氮含量，该研究通过2年田间试验，获取冬小麦4个关键生育期（拔节期、抽穗期、开花期、灌浆期）和3种施氮水平条件下（N1、N2和N3）的冠层光谱反射率、叶片、茎秆氮含量及叶片SPAD (soil and plant analyzer development， SPAD)值。分析了不同生育期和施氮水平条件下高光谱植被指数对叶片和茎秆氮含量的敏感性，并结合5种常用的机器学习算法：随机森林回归（random forest regression，RFR）、支持向量回归（support vector regression，SVR）、偏最小二乘回归（partial least squares regression，PLSR）、高斯过程回归（gaussian process regression，GPR）、深度神经网络回归（deep neural networks，DNN）构建冬小麦叶片和茎秆氮含量估算模型。结果表明：高光谱植被指数对叶片和茎秆氮含量的敏感性受到生育期和施氮水平的影响。在灌浆期，最佳植被指数双峰冠层植被指数 DCNI（double-peak canopy nitrogen index）对叶片氮含量的敏感性最高，R²为0.866。对茎秆氮含量，在抽穗期的敏感性最高，最佳植被指数归一化叶绿素比值指数 NPQI（normalized phaeophytinization index）与氮含量相关系数R²＝0.677。施氮水平的提升增加了光谱植被指数对茎秆氮含量的敏感性。结合SPAD值的机器学习算法提升了氮含量的估算精度，对叶片氮含量，在不同生育期和施氮水平条件下估算精度提升了1%～7%，其中在全生育期的归一化均方根误差NRMSE从0.254提升到0.214，抽穗期的NRMSE提升最大，从0.201提升到0.128。对茎秆氮含量，全生育期的NRMSE从0.443提升到0.400，抽穗期的NRMSE提升最大，从0.323提升到0.268。在全生育期，结合SPAD值的DNN模型对叶片（R²=0.782、NRMSE=0.214）和茎秆（R²=0.802、NRMSE=0.400）氮含量的估算精度最佳。研究说明，SPAD值与光谱植被指数结合有利于提升冬小麦不同生育期和施氮水平条件下叶片和茎秆氮含量的估算精度。     

覆膜对无人机多光谱遥感反演土壤含盐量精度的影响

快速、准确地获取农田土壤盐分含量对指导合理灌溉及盐渍土的治理有重要意义。该文以内蒙古河套灌区沙壕渠灌域内的覆膜耕地为研究对象,利用无人机多光谱相机获取研究区内5月和6月的多光谱遥感数据,并同步采集区域内表层土壤含盐量数据,研究覆膜对无人机多光谱遥感图像反演农田土壤盐分含量精度的影响。利用支持向量机(support vector machine,SVM)、反向传播神经网络(back propagation neural network,BPNN)和极限学习机(extreme learning machine,ELM)3种机器学习方法,分别构建去膜前后基于原始光谱反射率和优选光谱指数的土壤含盐量估算模型。结果表明,去膜前后的各模型均可有效估测土壤盐分含量,但基于去膜处理后的数据构建的盐分含量估算模型精度较不去膜处理的有所提升,同时,基于光谱指数构建的盐分含量估算模型精度比基于光谱反射率构建的模型精度高;利用ELM构建的盐分含量估算模型在6月份预测效果最佳,其中基于光谱反射率和光谱指数的建模R2和RMSE分别为0.695、0.663和0.182、0.191,验证R2和RMSE分别为0.717、0.716和0.171、0.169。研究结果可为无人机多光谱遥感估算覆膜状态下的农田土壤盐分含量提供参考。     

基于Sentinel-2卫星数据的灌区农田土壤水盐协同反演

土壤含水量（soil water content, SWC）和土壤含盐量（soil salt content, SSC）是影响作物生长和农业生产力的重要因素。光学卫星图像已成为SWC和SSC估计的主要数据源。然而,在SWC或SSC变化较大地区,土壤水分和盐分会影响对方对光谱反射率的响应,使得SSC和SWC的反演精度较差。对此,该研究提出了一个半解析性的反射率模型—RVS模型,来模拟植被光谱反射率（R_v）对作物根区土壤含水量和含盐量的响应;并通过构建的RVS模型,对植被覆盖区域的土壤含水量和土壤含盐量进行同步监测。研究表明：RVS模型在反演研究区土壤含盐量和含水量时,精度较为可靠(水分：决定系数R²为0.63～0.74,均方根误差为0.017～0.028;盐分：决定系数R²为0.68～0.75,均方根误差为0.0525～0.0617)。在作物生长过程中,植被光谱反射率对深层土壤的含水量和含盐量的响应比对浅层土壤的含水量和含盐量的响应更加明显,而且随着作物的生长,影响光谱反射率的主导因素从土壤水分慢慢转向土壤盐分和水盐相互作用。该研究在一定程度上揭示了土壤水分、盐分、水盐交互作用对作物光谱反射率的干扰过程,实现土壤水分和盐分的同步监测,对实现区域尺度上土壤含盐量和含水量的精准监测具有一定的意义。     

基于三维光谱特征空间的干旱区土壤盐渍化遥感定量研究

土壤盐渍化是干旱半干旱区农业发展的重要制约因素,同时也是干旱区所面临的最主要的生态环境问题之一,因而准确获取土壤的盐渍化信息对于实时掌握其分布范围以及合理地开展盐渍化治理工作具有重要意义。选取渭干河--库车河流域绿洲典型盐渍地作为研究区,以Landsat-TM多光谱遥感影像为基础数据源,首先对影像进行最小噪声分离处理（MNF变换）并计算其像元纯度指数（Pixel Purity Index, PPI）,选取能表征区域特征信息的前三个波段构建MNF三维光谱特征空间,然后在向量空间和单行体理论的指导下,结合实地调查,提出“植被亮点区”概念,并定义“盐渍化距离指数（Soil Salinization Distance Index, SDI）”为多维向量空间中包含于单行体中的盐渍化像元到“植被亮点区”的归一化距离。最后利用不同盐分环境下的实测数据对SDI进行精度验证。结果显示：在低植被覆盖区,即中度、重度盐渍化区,SDI与0~10cm内土壤盐分含量相关性要高于0~20cm,R²＞0.83。在相对高覆盖区,即农田和轻度盐渍化区,SDI与0~20cm内平均盐分含量相关性要高于0~10cm,R²＞0.81。0~10cm层二者总体精度R²=0.81,0~20cm层二者相关性总体精度R²=0.72。研究表明,SDI指数模型简单、易于构建,精度较高,具有一定的应用价值,有利于干旱区区域大尺度盐渍化的定量分析和监测工作。*     

光谱技术结合水分校正与样本增广的棉田土壤盐分精准反演

棉田土壤盐分的精准反演对于棉花的种植管理具有重要意义。水分和盐分作为主要环境因素，共同影响棉田土壤的波谱特征，两者之间的耦合关系直接影响土壤盐分的检测分析。为了提高基于光谱技术构建的模型对棉田土壤盐分信息解析的准确性与可靠性，该研究联用可见/短波近红外（400～1 000 nm）和长波近红外（960～1 693 nm）技术，采集不同含水率与含盐量的新疆地区土壤样本的光谱；结合外部参数正交法（external parameter orthogonalization，EPO），校正不同标样集与不同波段光谱中的土壤含水率干扰信息；引入基于不同卷积步幅的深度卷积对抗网络（deep convolutional generative adversarial networks，DCGAN），进行样本增广与质量评估；参考三层残差神经网络设计一维卷积神经网络RNet，最终构建基于EPO-DCGAN-RNet的优化模型，用于棉田土壤盐分的反演。结果表明，与传统机器学习方法和基于VGG或EfficientNet结构一维卷积神经网络相比，该研究提出的EPO-DCGAN-RNet方法能够有效地滤除水分对盐分反演的影响、提高模型对特征波段的挖掘能力、降低深度学习算法对样本量的依赖性，并能得到更优的模型预测性能。EPO-DCGAN-RNet的建模集R²和均方根误差分别为0.942、115.420 μS/cm，验证集R²和均方根误差分别为0.910和136.472 μS/cm。研究结果可为新疆棉田土壤盐分快速精准检测提供理论指导和技术支持，有助于促进盐碱地区棉花种植的水肥科学管理。     

利用正交信号校正消除水分影响的银川平原土壤盐分高光谱反演

高光谱遥感是监测土壤盐渍化的重要手段之一，但野外光谱反射率易受土壤水分的影响，导致盐分监测精度难以保证。为有效消除水分因素，提高土壤含盐量反演精度，该研究以银川平原盐渍化土壤为研究对象，以野外土壤光谱反射率（reflectance，Ref）和实测土壤含盐量为数据源，分析不同含水率的土壤光谱特征，将反射率经过一阶微分（first derivative of reflectance，FDR）、正交信号校正（orthogonal signal correction，OSC）和一阶微分-正交信号校正（first derivative of reflectance - orthogonal signal correction，FDR-OSC）变换，分析各光谱数据与含盐量、含水率的相关性，确定最佳“除水”方法，然后基于支持向量机（support vector machine，SVM）建立土壤含盐量反演模型。结果表明：1）含水率与土壤光谱反射率呈反比，光谱在1 430、1 950、2 200 nm附近存在吸收带，1 950 nm附近为最主要吸收波段，且存在向长波漂移的现象。2）光谱数据与含水率相关性由强到弱的顺序为：Ref、OSC、FDR、FDR-OSC；与含盐量相关性由强到弱的顺序为：FDR-OSC、FDR、OSC、Ref。3）基于FDR-OSC“除水”的SVM含盐量模型决定系数R_c²、R_p²和相对分析误差（relative prediction deviation，RPD）分别达到0.952、0.960和5.04，具有极强的拟合和反演能力。研究结果可为银川平原及同类地区土壤含盐量的精准监测提供科学依据。     

基于土壤光谱特征的宁夏银北地区盐碱地盐分预测研究

对宁夏回族自治区银北地区盐碱地野外土壤表层光谱反射率和土壤全盐及盐分进行定量分析,筛选出各土壤盐分指标的敏感波段,然后采用全回归和逐步回归的方法建立各盐分的预测模型。结果表明：表层土壤高光谱反射率r,及其平滑去嗓处理后的值R,lg(R)与全盐含量呈极显著正相关关系,1/R,lg(1/R)与全盐呈极显著负相关关系,(R)'和〔lg(1/R)〕'在特定单波段处表现较佳;土壤表层光谱反射率与CO₃^2-的相关性最强,其次是SO₄^2-;土壤光谱反射率与Na⁺的相关性在各种变换方法下均较强,其次为Mg²⁺,与Ca²⁺的相关性最弱。基于R的逐步回归方程为全盐含量预测的最佳模型;基于土壤光谱反射率拟合土壤CO₃^2-的准确度略高于对土壤HCO₃^-;敏感波段估测土壤SO₄^2-含量的决定系数明显高于其他阴离子;采用〔lg(1/R)〕'逐步回归得到的方程拟合土壤Na⁺,K⁺和Mg²⁺含量相对于其他变换方式效果更理想。预测模型中对土壤全盐和Na+的模型精度较高,预测能力强;光谱对土壤SO₄^2-和Mg²⁺的预测能力也较强;对土壤Cl^-和Ca²⁺的预测稳定性、预测能力和精度都较差。     

基于光谱相似性匹配的土壤有机碳估算

全球土壤光谱库的建立,为利用可见-近红外光谱预测土壤属性提供了参考集,如何从光谱库中挑选合适的建模集以实现对局部地区土壤有机碳的高精度预测,是一个值得研究的问题。本研究基于欧氏距离、马氏距离和光谱角三种光谱相似性指数,探索利用全球光谱库预测局部地区土壤有机碳的有效策略,并比较了不同光谱相似性指数、不同建模集数量及不同建模方法对预测精度的影响。研究表明:(1)三种相似性算法较全局模型均极大提升了预测精度,其中光谱角预测精度稍高,最佳预测精度为R~2=0.75,RPD=1.73;(2)建模数量对建模精度有较大影响,三种算法的最佳建模集数量范围在本研究中约为400～500(0.71R~20.75,1.56RPD1.73);(3)针对光谱角算法,建模集数量较少(50)时,赋值预测精度较高(R~20.6,RPD1.4);建模集数量较多(50)时,PLSR建模预测精度较高(R~20.6,RPD1.4)。     

基于高光谱特征指数的土壤有机质含量建模

以江苏中部的水稻土和潮土为研究对象,采集178个表层土壤(0~20 cm)样品,并测定了土壤有机质含量(Soil Organic Matter,SOM)。运用ASD FieldSpec 3光谱仪测量了土壤的高光谱曲线,首先对原始光谱进行倒数对数和去包络线变换,分析了不同SOM含量梯度和土壤类型的高光谱特征。其次,基于原始光谱、倒数对数变换和去包络线变换等三种光谱数据,分别计算弓曲差、差值指数、比值指数和归一化指数等光谱特征指数,并分析其与SOM含量的相关性。最后,筛选光谱特征指数建立SOM的回归预测模型,并比较模型精度。结果表明:(1)SOM含量与原始光谱呈极显著负相关,与倒数对数光谱呈极显著正相关,且在400~900 nm波段相关性最强,相关系数绝对值在0.6以上。去除包络线处理后,土壤光谱曲线特征差异明显,在420 nm、480 nm、660 nm和900 nm附近出现了明显吸收谷。(2)原始光谱、倒数对数变换和去包络线变换光谱在600 nm处的弓曲差与SOM含量极显著相关(P<0.01),相关系数分别为–0.66,0.61和–0.33。(3)利用3种光谱数据的差值指数、比值指数和归一化指数分别结合弓曲差,建立的SOM预测模型效果较好,建模的R2和RMSE分别介于0.56~0.64和4.98~5.50 g·kg^–1,验证的R2和RMSE介于0.67~0.73和3.21~3.51 g·kg^-1。为快速有效测定苏中平原SOM含量提供技术支持。     

白术叶片对干旱胁迫的光谱特征响应

白术根茎膨大初期对轻度的土壤水分缺失具有一定的耐受性,但是过度干旱会抑制其根茎膨大及成分积累,因此,无损伤诊断该时期白术是否受到干旱胁迫至关重要。本文以2年生白术为试验材料,在根茎膨大初期控制土壤水分,形成不同程度的干旱胁迫,利用Uni Spec-SC光谱分析仪测定其光谱反射率,并结合光合色素含量,探讨白术叶片光谱特征对干旱胁迫的响应规律,为利用光谱参数监测白术生长状况提供技术依据。结果显示,随着干旱胁迫程度增加,可见光区域(400~750 nm)白术叶片光谱反射率升高,说明其光能吸收利用能力下降;但在750~1 000 nm的近红外波段,光谱反射率则逐渐平稳,在1 000 nm处,干旱胁迫下的全部叶片反射率均低于对照。微分光谱在680~750 nm间差异明显,并与叶绿素含量在700~750 nm间呈显著相关。同时,大多数光谱参数与色素含量呈显著相关(P0.05),尤其类胡萝卜指数(mCRI)、色素归一化指数(PSNDb)、红边位置(λ_(red))、红边幅值(D_(λ_(red)))、红边面积(S_(red))与之呈极显著相关(P0.01)。从上述结果可知,微分光谱680~750 nm可作为检测白术是否受到干旱影响的主要监测波段,红边参数、类胡萝卜指数及色素归一化指数可以作为重要指标,快速、准确、无伤害诊断白术受干旱胁迫程度。本研究结果可为应用反射光谱进行白术干旱胁迫程度诊断提供理论依据和技术支持。     

地面覆盖材料的光谱透射率及其对土壤温度的影响

从理论上分析了地面覆盖材料对土壤温度进行调节作用的机制及地面覆盖材料光谱透射率对土壤温度影响的机理，通过试验确定了农业生产上常用的地面覆盖材料透明聚乙烯薄膜，黑色聚乙烯薄膜和黑色地面覆盖纸在３００至８００ｎｍ波长范围内的光谱透射率。在田间试验的基础上，确定了三种地面覆盖材料对土壤表层温度影响的定量值     

去除有机质对土壤光谱特性的影响

通过野外调查取样和室内理化分析,研究了去除有机质对湖南省几种耕作土壤高光谱特性的影响。结果表明,去除土壤有机质以后,供试土壤的光谱反射曲线形态均有一定的变化,土壤的光谱反射率不管在全波段还是在分波段都有明显的增加;此外,由于有机质是影响和干扰氧化铁光谱特性的一个重要因子,去除土壤有机质以后,几个研究波段的光谱反射率与游离氧化铁、全Fe、无定形氧化铁的相关系数都有显著的提高。     

利用光谱技术监测土壤主要养分含量潜力分析

土壤有机质、氮、磷、钾等养分信息是土壤肥力高低的主要体现者,传统的化学测定方法繁琐、费时费力,并且结果滞后不能满足生产管理的需要。光谱技术的发展为方便、快速、无污染地监测土壤中的主要养分含量提供了有力工具。本文首先介绍了土壤光谱特征及主要影响因子,然后分别针对土壤有机质、氮、磷和钾的光谱的研究现状进行了综述和分析,并提出了目前土壤养分定量光谱预测面临的主要问题,最后对基于光谱技术的土壤养分定量化预测的潜力和应用前景进行了分析并提出了今后的研究方向。     

褐潮土的光谱特性及用土壤反射率估算有机质含量的研究

本文通过ASDFR便携式光谱仪对132个风干土壤样品的光谱反射率进行了实验室测定。根据土样光谱反射率变化,获得了褐潮土土壤剖面的不同诊断层反射光谱特征。结果表明,在400～1200nm范围之间,土壤有机质含量与土壤光谱反射率有较好的相关性。利用导数光谱方法建立了预测土壤有机质含量的方程,提出了预测北京地区褐潮土有机质光谱的最佳波段。在波长447nm处采用反射率和A值(反射率倒数的对数)所建立的预测方程的预测精度较高。采用反射率的一阶微分建立的预测方程的最佳波段在516nm处。而A值一阶微分光谱在615nm处相关性最好。作为一项参考指标用光谱分析法评价土壤中有机质含量,以期对精准农业中土壤养分或肥力的预测具有一定的指导作用。     

夏玉米叶片光谱吸收率初探

对不同株型、不同发育期、不同部位的夏玉米叶片光谱吸收率及冠层中的光谱分布状况作了初步分析,发现各绿色叶片对各波段光的吸收率随波长的变化趋势基本相同,但对不同叶龄、不同部位的叶片,不同品种同一部位的叶片而言,在吸收率的高低上有差异。     

农产品分光反射特性及近红外图像处理在农业中的应用

简要介绍了农产品分光反射特性的测定原理及方法；分析了桃、梨、黄瓜及西瓜等果实的近红外分光反射特性；阐述了近红外图像处理系统硬件的基本要求；介绍了近红外图像处理在果实损伤检测、颜色和叶子相近果实的识别及植物生长信息测定中的应用     

有机质对土壤光谱特性的影响研究

为了探明土壤有机质的光谱特征及其影响作用,从而为有机质土壤铁氧化物的定量反演提供理论依据。利用去有机质前后土壤的光谱数据,研究了有机质对土壤反射率、土壤线参数、土壤铁氧化物定量反演的影响。研究结果表明,去除有机质后,能明显提高土壤反射率,变化最明显的为可见光橙黄光波段,即570～630 nm。相关性分析也显示橙黄光波段反射率的相对变化量或差值与有机质去除量之间的相关系数要比其他波段高,相关系数最大值在600 nm。因此,建议采用570～630 nm的光谱数据进行有机质的反演;土壤线斜率在去有机质后明显降低,截距显著增大,二者变化量与有机质去除量呈极显著相关关系,可用土壤线参数预测有机质含量。有机质对铁氧化物的反演具有明显影响,特别是有机质大于20 g kg-1的土壤,在进行反演时应考虑有机质对反演精度的影响,需采取有效地技术手段消减其影响作用,才能达到较好的效果。