黑土土壤中全氮含量的高光谱预测分析

为实现快速、准确估测土壤氮素含量水平,推动土壤信息化管理进程,该研究利用ASD2500高光谱仪在室内条件下测定了风干土壤样品的可见—近红外光谱。结果表明,通过不同的变换,光谱反射率对数的一阶导数与土壤全氮含量相关性得到增强,以400～600 nm波段范围内相关性最好。该文确定了以反射率对数的一阶导数光谱预测黑土全氮（TN）含量的最佳回归模型,模型所用的波段为可见光波段的556 nm、近红外的1 642和2 491 nm。同时,也确定了利用由可见光波段550和450 nm组成的归一化光谱指数预测黑土TN含量的最佳预测模型。模型通过验证达到较好的效果：利用反射率对数的一阶导数、归一化光谱指数对土壤TN的预测R2分别为0.863、0.829,均方根误差RMSE分别为0.122、0.152。     

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。     

星载高分五号高光谱耕地主要土壤类型土壤有机质含量 估测——以黑龙江省建三江农垦区为例

为了评价国产星载高分五号(GF-5)高光谱影像估测土壤有机质(SOM)含量的潜力,以及不同土壤类型对SOM含量光谱估测精度的影响,本研究以黑龙江省建三江农垦区为研究对象,获取了覆盖研究区域的GF-5高光谱影像和188个土壤样本。对提取的样点GF-5光谱反射率数据进行了反射率倒数、对数、一阶微分等9种光谱数学变换,并采用相关系数法确定了SOM含量的光谱敏感波段。采用偏最小二乘回归(PLSR)线性统计建模方法,对研究区域全部土壤类型以及草甸土、沼泽土、黑土等主要土壤类型,分别构建了光谱全波段和敏感波段的SOM含量估测模型,并进行了精度评价。结果表明,基于GF-5光谱数据的研究区域全部土壤类型的SOM含量估测精度不理想,最优模型精度决定系数(R2)为0.265,均方根误差(RMSE)为4.647%,相对分析误差(RPD)为1.135;不同类型土壤在SOM含量光谱估测精度差异较大,草甸土和沼泽土的SOM含量估测精度不高,但黑土的SOM含量估测精度较高,其中全波段光谱反射率对数一阶微分(LnR)′的SOM含量估测精度最高,R~2=0.729,RMSE=1.065%,RPD=1.850,SOM含量估测模型可用。按照不同土壤类型构建SOM含量估测模型可以进一步挖掘GF-5高光谱遥感估测SOM含量的潜力。     

黄河三角洲土壤有机质含量的高光谱反演

【目的】土壤有机质(SOM)具有改良土壤结构、 促进团粒结构形成、 增加土壤疏松性、 改善土壤通气性和透水性以及促进植物生长发育的作用。传统测定土壤有机质的方法,虽然精度高,但是实时性差。本文通过对土壤高光谱数据进行变换和分析,筛选出与土壤有机质含量相关性高的敏感波长,构建能够实时、 快速反演黄河三角洲土壤有机质含量的数学统计模型。【方法】60个土壤样品采于黄河三角州。利用ASD Fieldspec3光谱仪,在室内环境下对黄河三角洲不同有机质含量的风干土壤样本进行了光谱测量,利用化学方法测定了土壤的有机质含量。在对土壤样品高光谱反射率进行去包络线处理的基础上,与土壤有机质含量进行相关分析,筛选敏感波长;运用主成分回归分析、 多元线性回归分析、 二次多项式逐步回归分析和支持向量机回归分析方法,分别建立了有机质含量的反演模型。【结果】确定了估测土壤有机质含量的敏感波长,建立了能够快速反演黄河三角洲土壤有机质含量的数学统计模型。从土壤光谱反射率曲线可以看出在1400 nm、 1900 nm和2200 nm等波段附近有十分明显的水分吸收谷。经对比相关性可以看出,去包络线的数据处理方法明显提高了光谱反射率与土壤有机质之间的相关性。1278 nm、 1307 nm、 1314 nm、 1322 nm、 1328 nm、 1334 nm、 1343 nm 7个相关性较高的波长作为估测土壤有机质含量的敏感波长。基于主成分回归分析、 多元线性回归分析、 二次多项式逐步回归分析和支持向量机回归分析方法,分别构建了反演有机质含量的模型。其中,二次多项式逐步回归模型校正集的决定系数达到了0.865,验证集的决定系数最大,达到了0.837,为黄河三角洲土壤有机质含量的最佳反演模型。【结论】去包络线的数据处理方法可提高光谱反射率与土壤有机质之间的相关性,确定的1278 nm、 1307 nm、 1314 nm、 1322 nm、 1328 nm、 1334 nm、 1343 nm 7个波长是估测黄河三角洲土壤有机质含量的敏感波长。由于二次多项式逐步回归模型校证集的决定系数最高、 均方根误差最小,其拟合效果最好。因此二次多项式逐步回归模型对反演黄河三角洲土壤有机质含量是最佳的。     

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。     

滨海盐土盐分含量与其光谱特征的关系研究

以连云港典型滨海盐土盐分含量和室内高光谱反射率为研究对象,分析了盐土的光谱特征和盐分含量的分布特点,研究了土壤盐分含量与光谱反射率及其变换形式之间的相关性。运用多元逐步线性回归和曲线模拟构建土壤盐分含量的高光谱预测模型。结果表明,盐土在400～900nm范围内整体呈现先下降后缓慢上升的规律,在600～625nm范围内不同土样的反射率存在较大差异。土壤盐分含量与光谱反射率的一阶导数以及反射率倒数的一阶导数存在显著相关性,与615nm波段的反射率一阶导数相关性最大,相关系数达-0.739。运用S函数构建土壤盐分含量的预测模型精度最高,R2为0.555。该研究可为深入探讨典型滨海盐土盐分含量的快速检测提供一种新的途径和方法。     

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。     

基于高光谱的小麦旗叶净光合速率的遥感反演模型的比较研究

植物净光合速率是植物生产的基础,是体现植物生长状况的重要生理指标。本文将小麦旗叶高光谱波段反射率进行一阶导数变换后与净光合速率(Pn)进行相关性分析确定敏感波段,分别采用二次多项式逐步回归(QPSR)、偏最小二乘法(PLSR)、BP神经网络法(BPNN)3种方法构建小麦旗叶的净光合速率反演模型,并对3种模型的预测精度进行比较分析。结果表明:(1)将小麦旗叶的原始光谱进行一阶导数变换后与Pn进行相关性分析确定的敏感谱区集中在750~925 nm之间,确定的6个敏感波段分别是:760、761、767、814、815、889 nm;(2)基于QPSR、PLSR、BPNN3种方法以及敏感波段的反射率一阶导数构建的Pn估测模型预测精度都较高,说明用这3种方法以及敏感波段对Pn的估测是可行的,其中模型估算能力顺序为QPSRBPNNPLSR,说明小麦旗叶Pn的最佳高光谱分析模型为小麦叶片750~925 nm反射率一阶导数变化后的QPSR模型。     

光谱变换和光谱分辨率对土壤有机质含量估测精度的影响

利用高光谱遥感数据结合统计建模是当前土壤有机质(SOM)含量高光谱估测的主要方法。为了探讨SOM含量高光谱估测适宜的光谱变换方法和光谱分辨率,以黑龙江省建三江黑土区土壤样本为研究对象,采用SR-6500便携式光谱仪在实验室测量土样的光谱反射率。对土壤光谱数据重采样为1、5、10、20、30、40、50、60、70、80、90、100 nm共12种光谱分辨率,经过Savitzky-Golay光谱曲线平滑处理后,将光谱反射率R进行反射率倒数1/R、对数logR、倒数对数log(1/R)、对数倒数1/logR、一阶导数R′、倒数一阶导数(1/R)′、对数一阶导数(logR)′、倒数对数一阶导数[log(1/R)]′和对数倒数一阶导数(1/logR)′共10种光谱变换;利用多元线性逐步回归(MLSR)和偏最小二乘回归(PLSR)的方法建立SOM含量估测模型。结果表明:(1)1/R和(1/R)′光谱变换对于提高SOM含量估测精度的效果较好,其中1/R光谱变换的SOM含量估测精度R2val均高于0.87,(1/R)光谱变换的SOM含量估测精度R2val均高于0.90;(2)5、10 nm光谱分辨率对于1/R和(1/R)′光谱变换下的MLSR与PLSR估测SOM含量的精度都较高,为较适宜的光谱分辨率;(3)SOM含量估测的光谱分辨率并非越高越好,适度的降低光谱分辨率以及选择合适的光谱变换方法,不仅可以减少数据处理的工作量,也可以提高SOM含量的估测精度。     

土壤全氮的无人机高光谱响应特征及估测模型构建

为更好地体现出光谱与土壤全氮（soil totalnitrogen,STN）含量之间的响应关系,实现以高光谱快速估测土壤全氮含量,该研究以无人机搭载高光谱传感器获取农田土壤高光谱影像,提取光谱反射率并进行数学变换,基于灰色关联度和皮尔逊相关系数提取各光谱中土壤全氮含量的敏感波段,基于敏感波段采用偏最小二乘回归（partialleastsquares regression,PLSR）、岭回归（ridge regression,RR）和随机森林（random forest,RF）构建土壤全氮的高光谱反演模型,筛选出最优模型并对研究区土壤全氮含量进行反演制图。结果表明：1）反射率的倒数光谱中的敏感波段（996～1 003 nm）集中在近红外长波范围内,反射率的一阶微分（first derivative of reflectance,FDR）光谱中的敏感波段（398～459、469和472～1 003 nm）和反射率对数的一阶微分光谱中的敏感波段（398～459、463～973和978～1 003 nm）在可见光和近红外范围内都有分布,反射率的一阶微分光谱中的敏感波段（615～625、632和...     

含水率对土壤有机质含量高光谱估算的影响

土壤含水率对有机质(soil organic matter,SOM)含量高光谱估算精度有很大的影响。为了探讨SOM高光谱估算中土壤含水率的影响,该文对烘干土、风干土和质量含水率为5%~40%(按5%递增)的土壤样本进行了室内高光谱测量,对光谱数据进行了反射率、反射率一阶导数和反射率倒数对数3种光谱数据变换,运用偏最小二乘回归法(partial least squares regression,PLSR)建立了相应的SOM估算模型。结果表明,风干土的SOM高光谱估算精度较好;当含水率水平小于25%时,SOM估算模型精度受含水率的影响较大,光谱数据进行反射率倒数对数变换后的模型精度最高;当含水率水平大于等于25%时,水分对土壤光谱反射率的影响要大于SOM,不适宜利用土壤光谱数据进行SOM含量高光谱估算。该研究可为大田环境不同含水率情况下光谱估算SOM提供参考。     

同时估测土壤全氮、有机质和速效氮含量的光谱指数研究

通过系统分析我国中、东部地区5种不同类型土壤风干样本的有机质、全氮及速效氮含量与近红外(1 000～2 500 nm)光谱反射率之间的关系,进而构建了适合同时估测这3种养分含量的光谱参数及定量估算模型。结果表明,同时与3种养分指标相关较高的波段范围为1 879～1 890与2 050～2 100 nm,其中1 881和2 070 nm两个波段的反射率经多元散射校正及Savitzky-Golay平滑处理并构建而成的差值指数DI(CR1 881,CR2 070)与土壤有机质、全氮及速效氮含量具有良好的线性相关性。独立的观测资料检验显示,基于DI(CR1 881,CR2 070)的估测模型对全氮、有机质和速效氮的预测决定系数R2分别为0.83、0.79和0.72,均方根误差(RMSE)分别为0.20 g kg-1、4.71 g kg-1和23.96 mg kg-1,相对分析误差(RPD)分别为2.56、2.30和2.93。表明DI(CR1 881,CR2 070)是一种可同时估测土壤中3种养分含量的良好光谱指数。     

东北平原不同类型土壤有机质含量高光谱反演模型同质性研究

土壤有机质含量是反映土壤肥力的重要特征,利用高光谱技术对耕层土壤有机质（OM）含量进行定量化反演可为土壤信息化管理和精准施肥提供重要的依据。本文利用ASD FR 2500高光谱仪在室内条件下测定了风干土壤样品的可见近红外光谱,分析了东北平原不同土壤类型土壤光谱反射率曲线形状变化及土壤有机质含量的光谱反演模型,结果表明,根据土壤光谱反射率曲线变化特点可以初步将东北平原的几种土壤类型划分为三类,其主要区别在于460～1350nm范围内曲线斜率变化的差异。通过相关分析进一步确定了土壤有机质敏感波段为650～750nm,建立了不同土壤类型的有机质含量回归预测模型,并且对不同模型的回归系数和截距进行了方差同质性检验。结果显示,黑土和黑钙土、黑土和暗棕壤的模型没有显著差异,即可以分别构建同质性模型来简化有机质的预测,但是预测精度有所降低。     

基于连续统去除法的南疆水稻土有机质含量预测

监测土壤有机质含量状况,可为土壤肥力诊断及土壤资源的合理开发利用提供科学依据。本研究通过对南疆191个水稻土样品的反射率数据进行连续统去除处理后,构建了有机质连续统去除光谱指数并提取了850~1 380、1 380~1 550、1 730~2 150、2 150~2 380 nm 4个波段的吸收特征参数,据此建立了多种定量反演模型。结果表明:经连续统去除后,有机质的吸收特征得到了有效放大,不同有机质含量的连续统去除曲线在850~1 380 nm,其有机质含量与连续统去除值呈正相关,与吸收面积呈负相关,而在1 730~2 150 nm波段则呈现相反的规律。反射率连续统去除值与有机质含量的相关性要优于反射率与之的相关性,而反射率一阶微分与连续统去除一阶微分与有机质的相关性差异不明显。不同有机质光谱指数模型之间的建模参数与预测能力差异不大,但均只具备初略估测有机质的能力。吸收特征参数模型中,仅有850~1 380 nm波段的面积归一化最大吸收深度(NMAD850~1380nm)所建模型具有较好的定量预测能力。以反射率、反射率连续统去除、反射率一阶微分、反射率连续统去除一阶微分所建的PLSR模型均具有较好的预测能力,相对分析误差均大于2.00。所有模型中,连续统去除一阶微分(CR′)模型的决定系数与相对分析误差最高,分别为0.91、2.58,均方根误差最低,其值为5.62,具有最好的预测能力。     

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。     

土壤含水量对反射光谱法预测红壤土壤有机质的影响研究

研究土壤含水量对有机质预测的影响,可为野外红壤有机质快速测定提供理论依据。本文在实验室条件下测量了不同含水量红壤的可见光-近红外光谱反射率,运用偏最小二乘回归(PLSR)建立不同含水量的土壤有机质预测模型。结果显示,随土壤含水量的增加,有机质与一阶微分光谱的相关性先增加后下降,含水量为100～150 g/kg时相关系数最大。分380～2 400、380～1 300、1 300～2 400 nm三个波段建立不同含水量的有机质预测模型,模型预测精度均随土壤含水量增加而呈现先增加后下降的趋势。利用1 300～2 400 nm建立有机质预测模型可以有效避开氧化铁影响,建立的模型预测精度最高。本研究认为,当土壤含水量小于200 g/kg时,可以利用在室内控制条件下测定的土壤反射率,建立1 300～2 400 nm波段的PLSR模型,进行红壤土壤有机质含量预测。     

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。