基于野外实测Vis-NIR光谱的土壤肥力估算研究

为探讨野外实测光谱数据对土壤肥力的估算能力,采集青海省湟水流域表层0 ~ 20 cm土壤样品220份,同步测量其采样位置的野外实测光谱数据,实验室对土壤养分、机械组成含量以及pH值进行分析。基于上述数据,对野外实测光谱反射率进行多元散射校正（Multiplicative scatter correction,MSC）、SG-一阶导数变换（SG - First Derivative,SG-1st）预处理,采用稳定性竞争自适应重加权采样法（stability competitive adaptive reweighted sampling,SCARS）提取不同土壤养分、机械组成含量以及pH值的特征波段,以偏最小二乘回归（partial least squares regression,PLSR）模型对土壤全碳（TC）、有机质（OM）、全氮（TN）、碱解氮（AN）、pH、黏粒（clay）、粉粒（silt）、砂粒（sand）含量进行估算并对比分析,构建土壤养分含量、pH值以及机械组成含量的最优野外实测光谱估算模型。结果表明:通过MSC校正和SG-1st变换能够有效增强野外光谱特征;经SCARS选取的特征波段主要集中于近红外波段。基于野外实测光谱数据建立的PLSR模型能够对研究区土壤TC、OM、TN、AN含量以及pH值进行粗略估算;其中,对于TC、OM、TN含量及pH值而言,最佳估算模型为经SG-1st处理后的SCARS-PLSR模型,RPD值均达到1.70以上（RPD_TC = 1.76; RPD_OM = 1.82;RPD_TN = 2.04;RPD_pH = 1.89）,RPIQ值均达到1.90以上（RPIQ_TC = 1.91;RPIQ_OM = 2.53;RPIQ_TN = 2.98;RPIQ_pH = 2.03）;对于土壤AN含量而言,经MSC处理后的SCARS-PLSR模型最佳,其RPD_AN值高达1.91,RPIQ值高达2.39。对土壤clay、silt以及sand含量野外光谱均无法估算,RPD值均在1.00左右,RPIQ值在1.20左右。     

滨湖城市典型公园化河口岸带土壤理化性状研究

为摸清五里湖公园化河口岸带土壤理化性质,探明土壤质量状况,本研究于2017年10月对五里湖3个典型公园化河口区域(陆典桥浜L、梁塘河C、圩田里河W)的24个点位进行岸带土壤采集,分析土壤颗粒组成、容重(BD)和孔隙度(Pt)等物理性状和pH、有机质(OM)、全氮(TN)、碱解氮(AN)、全磷(TP)和有效磷(AP)等化学性状,并利用与植物生长相关的土壤指标(石砾、砂粒、黏粒、BD、pH、OM、TN、AN、TP、AP)进行土壤质量指数(SQI)评价。结果表明:①3个河口岸带土壤均存在结构退化的情况,土壤主要以石块和石砾为主(700g/kg),砂粒、粉粒和黏粒含量较低,土壤容重偏大(1.35 g/cm3),孔隙度偏低(50%);②3个河口岸带土壤pH均呈碱性(平均8.30),且陆典桥浜河口圩田里河河口梁塘河河口,AP含量趋势相反;除梁塘河河口TP含量差异不大外,陆典桥浜和梁塘河河口的OM、TN、AN、AP、TP均呈现近岸大于远岸的趋势。③3个河口岸带土壤质量状况均较差(SQI0.5),AN、BD、OM、AP和pH是影响研究区域岸带土壤质量的5个主因子。     

可见-近红外与中红外光谱预测土壤养分的比较研究

对土壤养分的快速和准确测定有助于适时指导施肥。为进一步研究可见-近红外（350～2500 nm）与中红外光谱（4000～650 cm-1）对土壤养分的预测能力,以贵州省500个土样为例,对光谱进行Savitzky-Golay（SG）平滑去噪处理,再用标准正态化（SNV）方法进行基线校正,然后分别应用偏最小二乘回归（PLSR）和支持向量机（SVM）两种方法进行建模,探讨了可见-近红外和中红外光谱对土壤全氮（TN）、全磷（TP）、全钾（TK）和碱解氮（AN）、有效磷（AP）、速效钾（AK）共六种土壤养分的预测效果。结果表明：（1）无论基于可见-近红外光谱还是中红外光谱,PLSR模型的预测精度整体均优于SVM模型。（2）中红外光谱对TN、TK和AN的预测精度均显著高于可见-近红外光谱,可见-近红外和中红外光谱均可以可靠地预测TN和TK（性能与四分位间隔距离的比率（RPIQ）大于2.10）,中红外光谱可相对较可靠地预测AN（RPIQ=1.87）;但两类光谱对TP、AP和AK的预测效果均较差（RPIQ<1.34）。（3）当变量投影重要性得分（VIP）大于1.5时,PLSR模型在中红外光谱区域预测TN和TK的重要波段多于可见-近红外光谱区域,TN的重要波段主要集中于可见-近红外光谱区域的1910和2207 nm附近,中红外光谱区域的1 120、1 000、960、910、770和668 cm-1附近;TK的重要波段主要集中于可见-近红外光谱区域的540、2176、2225和2268 nm附近,中红外光谱区域的1 040、960、910、776、720和668 cm-1附近。因此,中红外光谱技术结合PLSR模型对土壤养分预测效果较好,可快速准确预测土壤TN和TK,可为指导适时施肥提供技术支撑。     

双江县冰岛五寨古茶园土壤养分状况及肥力质量评价

研究双江县冰岛五寨古茶园土壤养分状况及肥力质量水平,为该地古茶园土壤养分管理提供科学依据。测定了冰岛五寨古茶园 105 个土壤样本的pH、有机质(OM)、碱解氮(AN)、有效磷(AP)、速效钾(AK)、全氮(TN)、全磷(TP)以及全钾(TK)8 项土壤养分指标,以变异系数法确定权重,利用模糊数学隶属度函数模型计算土壤肥力综合指数;结合相关性分析与主成分分析,对冰岛五寨古茶园的土壤养分及肥力质量进行综合性评价。结果表明:冰岛五寨古茶园土壤 pH 值在 4.70～6.16 之间,均值为5.45;OM含量在 14.97～123.24 g/kg之间,OM含量丰富;AN含量为 78.17～327.37 mg/kg,其中冰岛老寨和糯伍两地均有4.76%的土壤处于Ⅲ级标准,存在供氮不足;AP含量储备充足,含量在 10.35～474.54 mg/kg之间,冰岛老寨处于高位水平;AK含量在 56.67～590.00 mg/kg之间,坝歪含量总体偏低,部分土壤缺乏钾素;TN、TP、TK的含量范围分别0.33～5.34、4.68～22.38、14.94～45.41 g/kg,TP、TK含量远高于优质茶园标准;相关性与主成分分析的结果表明,pH与其余7个养分间均存在相关性,土壤全量与速效氮素、磷素、钾素间均呈极显著相关;TP、AP、TN、AN、OM的含量对土壤综合肥力的影响较大。冰岛五寨古茶园土壤养分含量充足、肥力质量水平高,其中冰岛老寨的土壤肥力质量水平最优、最稳定。     

干旱区典型绿洲土壤有机质的反演及影响因素研究

为了大面积、高精度地反演土壤有机质含量,为农业可持续发展提供数据支撑。以新疆渭干河-库车河三角洲绿洲为研究区,采用波段平均法将实测高光谱窄波段拟合为Landsat 8 OLI遥感影像的宽波段,建立土壤有机质含量的估算模型,并将最优估算模型应用到经过波段校正的Landsat 8OLI遥感影像中。结果表明:(1)反射率进行倒数、对数、平方、一阶微分等数学变换后与有机质含量的相关性显著提高;(2)土壤有机质的高光谱估算模型拟合度较高,最优估算模型的决定系数R2为0.852,采用比值法对多光谱波段反射率进行校正,校正后的遥感影像反演结果得到了较大提高,检验样本的决定系数R2从0.711提升至0.849。从反演结果来看,将高光谱估算模型应用到经过订正的多光谱影像,土壤有机质反演模型的精度得到了大幅度提高,运用此方法可以实现高精度的土壤有机质区域化反演。(3)有机质的分布受土地利用类型、土壤颗粒组成、土壤质地的影响,其中土壤质地对有机质的空间分布影响最为显著。     

基于CARS算法的不同类型土壤有机质高光谱预测

不同土壤类型的理化性质和光谱性质存在差异,以往研究多以高光谱反射率或光谱吸收特征建立模型,输入变量类型结构单一,往往导致土壤有机质(Soil Organic Matter,SOM)预测模型的精度不高。为提高SOM高光谱预测模型精度,该研究以黑龙江省海伦市为研究区,将不同类型土壤分别以竞争自适应重加权采样(Competitive Adaptive Reweighted Sampling,CARS)筛选的特征波段、数字高程模型(Digital Elevation Model,DEM)数据和光谱指数作为输入变量,结合随机森林(Random Forest,RF)算法建立SOM预测模型。结果表明:1)通过CARS算法筛选后,各土壤类型特征波段压缩至全波段数目的16%以下,在很大程度上降低土壤高光谱变量维度和计算复杂程度,从而提高了模型的预测能力,说明CARS算法在提取特征关键波段变量、优化模型结构方面起到重要作用;2)不同类型土壤的SOM预测精度存在差异,沼泽土的预测精度最高为0.768,性能与四分位间隔距离的比率(Ratio of Performance to InterQuartile distance,RPIQ)为3.568;黑土次之,草甸土的预测精度最低,仅0.674,RPIQ为1.848。3类土壤的RPIQ均达到1.8以上,模型具有较好的预测能力;3)局部回归预测精度最优,验证集的调整后决定系数为0.777,均方根误差(Root Mean Square Error,RMSE)为0.581%,模型验证RPIQ为2.689,模型稳定性高。该试验筛选的预测因子通过RF模型可实现SOM含量的快速预测,简化了传统复杂的程序,可为中尺度区域不同类型土壤的SOM预测提供依据,为输入量的选择提供参考。     

不同粒径土壤有机质含量可见光-近红外光谱估算研究-以湟水流域为例

不同土壤粒径大小差异致使土壤光谱反射率不近相同,从而影响土壤有机质含量的预测精度。因此探索不同粒径下土壤有机质含量估算精度,可为有机质的精确估算以及减少样品的前期处理提供参考依据。本文将分别过10、20、60、100目筛的土样于暗室内进行350~2500 nm波段光谱反射率测量,经多元散射校正(MSC)与小波变换(WT)平滑去噪后,首先将原始光谱(R)及其数学形式包括反射率倒数(1/R)、反射率对数(lgR)、反射率根号(R~(1/2))进行一阶微分变换,然后采用遗传算法结合偏最小二乘法(GA-PLS)筛选土壤有机质含量特征波段区间,再将R、R'及特征波段(CHR)作为偏最小二乘回归(PLSR)和支持向量机(SVM)的输入波段进行有机质含量建模。结果表明:1)土壤粒径越小,光谱反射率越高,特别是当波长大于600 nm时,反射率明显增加;2)土壤有机质含量的特征波段主要位于426~447 nm,1427~1459 nm,1948~1958nm,1970~1991 nm,2012~2039 nm,2165~2186 nm谱区;3)采用GA-PLS算法挑选特征波段建立SOM估算模型,模型精度和预测能力明显高于R和R';4)利用SVM方法建模模型精度明显高于PLSR方法;5)样本容量较大时,采用1mm(20目)粒径光谱数据建模最佳。     

基于多光谱数据的荒漠矿区土壤有机质估算模型

目前运用高光谱数据估算土壤有机质的模型精度已经可以达到精准农业的要求,但其数据的整理和运算过程较为复杂且观测尺度较小.为节省资源,提高效率并为多光谱遥感估算土壤有机质积累经验,该文将Landsat8_OLI多光谱遥感影像各波段的反射率数据与地面土壤有机质SOM(soil organic matter)实测数据相结合,利用SPSS软件及多元线性回归分析方法建立基于反射率R、反射率倒数1/R、反射率倒数对数LN(1/R)、反射率一阶导数FDR(first derivative reflectance)的土壤有机质定量估算模型,精度检验后择取最优模型通过多光谱遥感波段运算的方式推广至整个研究区.结果表明:FDR模型的精度更高,RMSE为0.215,F检验结果为4.072,预测值与实际值之间的决定系数R2为0.963.基于该模型估算研究区空间范围的土壤有机质含量,得出土壤有机质含量在0～5 g/kg之间的面积占总研究区的84.065％,＞10 g/kg的面积仅仅为0.001 5％.在4种土地类型中工矿用地SOM平均含量为最高的7.35 g/kg,受开采的煤炭中有机质影响较大.裸地面积2 674.44 km2,占研究区面积的63％,SOM平均含量6.12 g/kg;盐渍地和荒漠林地SOM含量偏低.总之,运用多光谱遥感数据估算干旱区土壤有机质的方法可行,也为遥感估算其他地表参数提供参考.     

翅碱蓬野外光谱对土壤化学性质的响应

翅碱蓬(Suaeda salsa)是土壤盐渍化较为严重的地区常见的植被类型,研究翅碱蓬群落特征可以间接反映下方土壤的化学性质。通过野外采集的17个翅碱蓬野外光谱数据和相应土壤样品的理化分析数据,探讨了土壤化学性质和翅碱蓬野外光谱之间的关系。结果表明,翅碱蓬二阶导数光谱1 121nm波段可用来反映土壤有机质和全氮的含量变化,二阶导数光谱1 208nm波段可以很好地反映土壤全磷的含量变化,一阶导数光谱353nm波段可以很好地反映土壤速效钾的含量变化最好,二阶导数光谱724nm波段可以很好地反映土壤pH值的变化,而反映土壤盐分含量变化最好的为一阶导数光谱950nm,这为翅碱蓬覆盖的区域利用遥感技术进行土壤化学性质监测奠定了基础。     

碱化土壤的野外及实验室波谱响应特征及其转换

为了探讨不同测量环境下碱化土壤波谱相互转换的条件和规律,对新疆天山北坡奇台绿洲碱化土壤进行定点野外、实验室波谱测量及特征分析,并结合土壤理化性质,利用多元线性回归方法进行野外-实验室测量波谱之间的双向转换。结果表明:野外测量波谱与土壤pH值呈极显著的正相关关系,可有效监测土壤碱化程度。但实验室测量波谱与pH值之间不具有相关性。pH值对实验室测量波谱向野外测量波谱的转换影响最大,其次是实验室波谱的b3(630～690nm)和b2(521～600nm)波段反射率,而b1(450～520nm)、b4(760～900nm)波段反射率与野外测量波谱的各波段反射率之间均无明显对应关系。实验室测量波谱与有机质含量呈负相关关系,且对于土壤有机质具有良好的定量反演潜力。实验室波谱向野外波谱转换的模型涉及的因子较少,稳定性高且具有良好验证精度,转换效果较野外波谱向实验室波谱转换的模型理想。     

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。     

黄绵土钾含量高光谱估算模型研究

为了研究可见/近红外光谱法估算渭北旱塬区黄绵土钾含量的可行性,以陕西省乾县试验田采集的120个土壤样品为研究对象,在室内进行土壤全钾、速效钾含量及反射光谱数据测量的基础上,应用多元线性回归(MLR)和偏最小二乘回归(PLSR)方法建立土壤钾含量的估算模型,并用独立样本进行验证。结果表明,以土壤光谱反射率一阶微分(DSSR)为自变量建立的多元线性回归模型(MLR)能进行土壤全钾含量准确估算。以波段深度一阶微分(DBD)为自变量建立的PLSR模型,验证集的决定系数(R2pre)大于0.90,预测均方根误差(RMSEpre)等于0.054,预测相对分析误差(RPDpre)等于3.310,是估算土壤全钾含量的最优模型;而以DSSR为自变量建立的PLSR模型,RPDpre值为1.619和1.572,是估算土壤速效钾含量的最优模型。本研究表明可见/近红外光谱结合多元线性回归和偏最小二乘回归方法能对渭北旱塬区黄绵土全钾含量进行快速、准确估算,但对速效钾含量仅能进行粗略估算。     

黑土养分含量的航空高光谱遥感预测

为监测黑龙江省黑土典型区土壤的养分元素含量,综合利用统计理论与光谱分析方法,研究建三江农场黑土土壤的3类养分含量与土壤光谱之间的关系,建立土壤全氮、有效磷、速效钾含量高光谱反演模型,实现土壤养分元素含量定量预测。对黑土土壤航空高光谱数据进行处理,应用偏最小二乘回归（PLSR）和BP神经网络方法分别建立土壤养分元素含量的高光谱定量反演模型,结果表明：全氮PLSR和BP神经网络预测模型的RPIQ值（样本观测值第三和第一四分位数之差与均方根误差的比值）分别为2.42和2.80;有效磷PLSR和BP神经网络模预测型的RPIQ值分别为0.83和1.67;速效钾PLSR和BP神经网络模型的RPIQ值分别为2.00和2.33。试验证明土壤全氮和速效钾的光谱定量预测模型具备较好的精度和预测能力。但有效磷的预测效果不是特别理想,仅可达到近似定量预测的要求;全氮、有效磷和速效钾的预测精度,BP神经网络建模相比偏最小二乘建模有更好的精度和预测能力,预测精度分别提高6.5%、10.1%和6.6%。     

灌溉水中悬浮固体对土壤水分入渗性能的影响

为监测黑龙江省黑土典型区土壤的养分元素含量,综合利用统计理论与光谱分析方法,研究建三江农场黑土土壤的3类养分含量与土壤光谱之间的关系,建立土壤全氮、有效磷、速效钾含量高光谱反演模型,实现土壤养分元素含量定量预测。对黑土土壤航空高光谱数据进行处理,应用偏最小二乘回归（PLSR）和BP神经网络方法分别建立土壤养分元素含量的高光谱定量反演模型,结果表明：全氮PLSR和BP神经网络预测模型的RPIQ值（样本观测值第三和第一四分位数之差与均方根误差的比值）分别为2.42和2.80;有效磷PLSR和BP神经网络模预测型的RPIQ值分别为0.83和1.67;速效钾PLSR和BP神经网络模型的RPIQ值分别为2.00和2.33。试验证明土壤全氮和速效钾的光谱定量预测模型具备较好的精度和预测能力。但有效磷的预测效果不是特别理想,仅可达到近似定量预测的要求;BP神经网络建模相比偏最小二乘建模有更好的精度和预测能力,预测精度分别提高6.5%、10.1%和6.6%。     

基于高光谱数据预测土壤碱化程度最佳模型及其影响因素的研究

为快速准确地估测土壤碱化程度,对实测波段范围为400~900 nm的土壤光谱数据进行了波段差、波段比、波段归一化3种预处理,采用偏最小二乘法(PLSR)建立了不同波段范围的土壤pH的预测模型,并利用测试集数据对模型进行精度检验。结果表明:采用归一化、波段比2种方式对原始光谱进行预处理,可有效地增强光谱与土壤pH的相关性,并抑制干扰信息,其中归一化最优。虽然可见光波段范围(400~750 nm)所建立的预测模型与全波段(400~900 nm)预测模型R2相同,但其RMSEP比全波段减少了0.059,RPD提高了0.2,说明该波段范围包括了反映土壤pH的大部分信息,是建立其预测模型的优势波段。因此,利用可见光波段的光谱数据,采用归一化预处理可以具有较好稳定性和预测能力地预测土壤pH的最佳模型(R2=0.90,RMSECV=0.104)。     

红壤区土壤有机质光谱特征与定量估算——以江西省吉安县为例

通过对江西省吉安县不同有机质含量土壤的光谱曲线吸收特征进行分析,得到不同有机质含量土壤的光谱曲线特征响应波段,建立了县级尺度基于有机质响应波段的定量估算模型。结果表明,红壤和水稻土土壤光谱曲线特征具有明显差异,560~710 nm为吉安县土壤有机质含量的特征吸收波段;基于特征吸收波段范围的吸收面积(s)的对数和有机质含量的相关性为0.86,拟合方程为y=-20.91 ln(s)-27.26,决定系数为0.74,经不同类型土壤的有机质数据检验,预测的决定系数(R2)、均方根误差(RMSE)和预测相对分析误差(RPD)分别为0.75、0.61和1.88;包络线去除和反射率的倒数的对数处理建立的偏最小二乘回归(PLSR)模型预测效果最佳,预测决定系数均达0.83以上,相对偏差均为2.4以上,基于特征吸收波段560~710 nm建立的模型能定量估算红壤地区有机质含量,为土壤有机质估测提供参考。     

基于实测高光谱和Landsat 8 OLI影像的土壤盐化和碱化程度反演研究

针对宁夏银北地区土壤盐碱化定量监测的需要,利用实测土壤高光谱和Landsat 8 OLI多光谱影像数据采用多项式、多元线性回归等方法进行土壤含盐量和pH值反演研究,并对影像光谱反演模型进行校正,以提高遥感定量反演精度。结果表明:(1)基于实测光谱的土壤含盐量反演精度均高于基于OLI影像反演精度;基于实测光谱敏感波段反射率反演精度高于实测盐分指数反演精度,其中实测光谱经平滑后敏感波段建立的模型效果最佳(R~2=0.695)。(2)基于实测光谱平滑后敏感波段建立的pH值反演模型精度最高且最稳定(R~2=0.545),基于OLI影像光谱反演精度低于实测光谱,但也通过了显著性检验和精度验证。(3)经实测光谱模型校正后的Landsat 8 OLI影像光谱的土壤含盐量反演模型R~2从0.347提高到0.623。研究结果可以为准确、快速地定量监测当地土壤盐分含量、pH值的变化提供科学依据和技术手段。     

模拟CCS技术CO_2泄漏对C_3、C_4作物土壤化学性质的影响

为确定CCS技术中封存的CO2是否发生泄露及估算泄漏量,分别选取绿豆、荞麦(C3作物)和高粱、玉米(C4作物)作为研究材料,采用实验室CO2人工气候箱中盆栽实验的方法,模拟CCS技术中CO2泄露情况。通过测定土壤pH、无机离子(K+、Na+、Ca2+、Mg2+、Cl-、HCO3-、SO42-)及肥力指标(TN、AHN、TP、AP、AK、OM、CEC),研究不同高浓度CO2对C3和C4作物土壤化学性质及肥力的影响。研究结果表明:(1)高浓度CO2对C3、C4作物土壤pH的影响不显著,pH变化值仅在(-0.03)~0.06之间;(2)同种类型作物土壤离子浓度变化的整体趋势基本相同:CO2浓度相对较低时,土壤离子含量降低;CO2浓度升高时,土壤离子含量增加。对相同离子而言,C3作物土壤中离子含量变化幅度比C4作物大;(3)高浓度CO2对C3、C4作物土壤AHN、AK、AP、CEC指标的影响情况相异,但对TN、TP、OM含量的影响情况相同。可通过监测作物土壤中离子及肥力指标的含量变化,判断CCS项目中CO2是否发生泄露及估算泄漏量,减轻CO2泄漏带来的危害。     

基于高光谱的土壤游离铁随机森林模型估算研究

土壤游离铁反映了土壤成土过程的特点,常用作土壤风化发育程度的指标。本研究以陕西省西安市周边的21个干润淋溶土剖面的97个土壤样品为例,在测定土壤游离铁含量和采集350～2500 nm波段的反射光谱数据的基础上,对光谱数据进行反射率、反射率一阶微分和二阶微分以及连续统去除4种处理形式,分析了土壤游离铁含量与土壤光谱的关系,采用多元逐步线性回归(MLSR)和随机森林回归(RFR)算法建立了游离铁含量的估算模型,并分析不同形式光谱数据的建模估算效果。结果表明:原始光谱数据的二阶微分变化显著提高了土壤游离铁与土壤反射光谱的相关性,MLSR和RFR两种模型在游离铁含量估算中,RFR的估算精度相对较高;运用土壤反射光谱二阶微分变换的RFR模型可以较好地估算土壤游离铁含量。     

基于铁氧化物特征光谱和改进遗传算法反演土壤Pb含量

近年来,高光谱的快速发展使野外实时监测土壤重金属含量成为可能。然而高光谱分辨率数据在提高信息量的同时也造成了信息冗余,该研究针对光谱冗余问题,提出一种基于铁氧化物特征光谱和改进遗传(Improved Genetic Algorithm,IGA)特征优选算法的反演方法:依据Pb在土壤中的吸附机理,提取土壤光谱中的铁氧化物特征谱段用于Pb含量反演,减少数据冗余的同时提高方法的机理性。改进遗传算法解决传统遗传算法(Genetic Algorithm,GA)"过早收敛"的问题,增强算法的有效光谱的提取能力。使用雄安新区农田野外土壤样本构建偏最小二乘回归模型(Partial Least Square Regression,PLSR)反演土壤Pb含量,研究表明:相对于全谱段建模,基于铁氧化物特征谱段的IGA-PLSR模型的R~2和RPD分别提升了0.397、1.037,RMSE下降了1.958 mg/kg;改进后的IGA-PLSR在运行初期能够跳出局部解区域寻找更加有效的光谱波段组合,平均的R~2、RPD分别为0.822、2.377,RMSE为2.221mg/kg,相对于传统GA-PLSR算法的精度(平均R2、RPD为0.782、2.117,RMSE为2.487 mg/kg)有显著提升。该研究表明,从反演机理和波段选择算法两方面提出的反演方法有利于提高土壤Pb含量的估算精度。该研究为雄安地区农田土壤Pb含量的高光谱估算提供了参考。