不同利用方式下土壤有机质和全磷的可见近红外高光谱反演

以太湖流域直湖港小流域稻田、桃园和菜地的土壤样本为研究对象,研究了不同光谱建模方法和土地利用方式对土壤有机质和全磷高光谱反演的影响。结果表明:(1)偏最小二乘回归分析(Partial least squarer egression,PLSR)模型的建模和预测精度较高且稳定;人工神经网络中广义回归神经网络(Generalized regression neural network,GRNN)网络预测精度较高但易出现过拟合现象,反向传播神经网络(Back propagation neural network,BPNN)网络比较稳健但精度略低;偏最小二乘与人工神经网络相结合则可综合两者优点,改善复杂样本下的预测精度。(2)土壤有机质的光谱反演结果优于全磷。3种土地利用方式中,稻田的预测效果总体优于桃园和菜地。在当前研究区域内土地利用方式对土壤有机质光谱反演影响不大,但对全磷反演影响较大。今后利用光谱对土壤全磷反演时需分土地利用方式对模型进行校准。     

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。     

基于组合模型的庐山森林土壤有效铁光谱间接反演研究

铁是植物生长的重要微量营养元素之一,土壤有效铁含量对林地环境起着重要的影响,利用土壤光谱预测技术获取土壤有效铁含量信息具有重要意义。而要通过土壤光谱直接预测土壤有效铁含量是难以实现的,因此提出利用土壤有机质含量与有效铁含量之间的相关性,探讨间接估算土壤有效铁含量的可行性。以庐山森林土壤样本为研究对象,研究基于偏最小二乘回归(PLSR)和径向基函数(RBF)神经网络的组合模型预测土壤有机质含量的适用性,并且通过构建有机质含量与有效铁含量的二项式线性模型,对土壤有效铁含量进行间接反演,探讨不同权重下的最优组合模型。结果表明,组合模型的预测效果优于偏最小二乘回归和RBF神经网络单个模型,并且熵值组合为最优组合模型,其中,土壤有机质的反演模型验证的决定系数(R~2)为0.81,均方根误差(RMSE_p)为11.54 g kg~(-1),测定值标准差与标准预测误差的比值(RPD)为2.18;有效铁的间接反演模型R~2为0.70,RMSE_p为21.60 mg kg~(-1),RPD为1.77。通过土壤有机质构建土壤有效铁含量的光谱反演间接模型,在光谱反演模型中,组合模型能较大限度地利用各种预测样本信息,能有效减少单个预测模型中随机因素的影响,增强预测稳定性,提高模型的预测能力。因此,组合模型可对土壤有机质含量的光谱预测及土壤有效铁的间接预测发挥更好的作用。     

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。     

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。     

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。     

基于HJ卫星的棉田土壤有机质空间分布格局反演

以北疆绿洲区棉田表层土壤为研究对象,利用国产HJ-1A/1B卫星CCD多光谱数据对裸土有机质空间分布格局进行研究。通过分析多光谱数据不同波段的光谱反射率及其变换形式与实地采样得到的土壤有机质含量的相关性,探寻适合绿洲区棉田表层土壤有机质含量快速反演的敏感波段及参数,并针对不同参数分别建立一元线性、二次、三次、对数、倒数、幂函数、生长型、S型回归模型,以及多元回归模型;对生成的模型进行综合对比分析,获取北疆绿洲区棉田表层土壤有机质含量的最佳反演模型,从而实现整个研究区土壤有机质空间格局的遥感反演。结果表明:HJ卫星多光谱数据4个波段的反射率均与土壤有机质含量存在显著的相关性,第3波段的倒数与土壤有机质含量相关性最为显著;且以第3波段光谱反射率作为因变量得到的三次线性回归模型对土壤有机质含量进行反演的效果最佳;通过空间布局反演得到研究区土壤有机质空间分布整体呈现南北两端有机质含量较高,中部有机质含量较低的格局。该研究表明虽然与黑土有机质含量具有差别,但是遥感技术仍能够作为绿洲区土壤有机质含量空间布局反演的方法,为遥感技术在土壤参数监测中更好的发挥作用提供理论支持,同时也为新疆棉田生产管理和农田可持续利用提供科学依据。     

土壤有机质含量可见-近红外光谱反演模型校正集优选方法

土壤有机质含量可见-近红外光谱反演过程中校正集的构建策略对模型的预测精度有重要影响。以江汉平原洪湖地区水稻土为研究对象,采用Kennard-Stone(KS)法,Rank-KS(RKS)和Sample set Partitioning based on joint X-Y distance(SPXY)法,构建样本数占总校正集不同比例的子校正集,通过偏最小二乘回归,建立土壤有机质含量的可见—近红外光谱反演模型。结果表明:KS法无法提高模型预测精度,但可以在保证标准差与预测均方根误差比(ratio of performance to standard deviation,RPD)2.0的前提下减少30%的校正样本;基于SPXY法的模型,当子校正集样本比例为总校正集的50%时达到最佳的模型预测精度,RPD为2.557;RKS法能够在保证预测精度的情况下(RPD2.0),最多减少总校正集70%的样本,对应模型RPD为2.212。当校正集与验证集的有机质含量分布相近时,能够以较少的建模样本达到与总校正集相近甚至更高的模型预测精度,提升土壤有机质光谱反演模型的实用性。     

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。     

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。     

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。     

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。     

Comparing multivariate regression and artificial neural network to predict barley production from soil characteristics in northern Iran

In this study artificial neural network (ANN) models were designed to predict the biomass and grain yield of barley from soil properties; and the performance of ANN models was compared with earlier tested statistical models based on multivariate regression. Barley yield data and surface soil samples (0–30 cm depth) were collected from 1 m² plots at 112 selected points in the arid region of northern Iran. ANN yield models gave higher coefficient of determination and lower root mean square error compared to the multivariate regression, indicating that ANN is a more powerful tool than multivariate regression. Sensitivity analysis showed that soil electrical conductivity, sodium absorption ratio, pH, total nitrogen, available phosphorus, and organic matter consistently influenced barley biomass and grain yield. A comparison of the two methods to identify the most important factors indicated that while in the ANN analysis, soil organic matter (SOM) was included among the most important factors; SOM was excluded from the most important factors in the multivariate analysis. This significant discrepancy between the two methods was apparently a consequence ofthe non-linear relationships of SOM with other soil properties. Overall, our results indicated that the ANN models could explain 93 and 89% of the total variability in barley biomass and grain yield, respectively. The performance of the ANN models as compared to multivariate regression has better chance for predicting yield, especially when complex non-linear relationships exist among thefactors. We suggest that for further potential improvement in predicting thebarley yield, factors other than the soil properties considered such as soil micronutrient status and soil and crop management practices followed during the growing season, need to be included in the models.     

滩涂土壤有机质含量的反射光谱估算

Rapid determination of soil organic matter (SOM) using regression models based on soil reflectance spectral data serves an important function in precision agriculture. “deviation of arch”(DOA)-based regression and partial least squares regression (PLSR) are two popular modeling approaches to predict SOM. However, few studies have explored the accuracy of the DOA-based regression and PLSR models. Therefore, the DOA-based regression and PLSR were applied to the visible near-infrared (VNIR) spectra to estimate SOM content in the case of various dataset divisions. A two-fold cross-validation scheme was adopted and repeated 10 000 times for rigorous evaluation of the DOA-based models in comparison with the widely used PLSR model. Soil samples were collected for SOM analysis in the coastal area of northern Jiangsu Province, China. The results indicated that both modelling methods provided reasonable estimates of SOM, with PLSR outperforming DOA-based regression in general. However, the performance of PLSR for the validation dataset decreased more noticeably. Among the four DOA-based models, the linear model of the DOA provided the best estimation of SOM and a cutoff of SOM content (19.76 g kg^-1), and the performance for calibration and validation datasets was consistent. As the SOM content exceeded 19.76 g kg^-1, SOM became more effective in masking the spectral features of other soil properties to a certain extent. This work confirmed that reflectance spectroscopy combined with PLSR could serve as a non-destructive and cost-efficient way for rapid determination of SOM when hyperspectral data were available. The DOA-based model, which requires only 3 bands in the visible spectra, also provided SOM estimation with acceptable accuracy.     

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。     

基于可见光光谱分析的土壤参数分析

利用光谱分析技术，进行了农田原始状态土壤样品的可见光光谱与土壤参数之间的相关、回归分析。土壤样品采集于一块水分较低的玉米地和一块水分较高的牧草地，所分析的土壤参数有土壤水分、土壤有机质含量、土壤硝态氮含量、土壤电导率以及土壤pH值，土样的可见光光谱由精密分光光度计测量。分析结果显示，有效的光谱特性值为反射光谱的一次微分，所有5个土壤参数都可以利用土样的可见光光谱特性进行分析和检测。对于土壤水分、土壤有机质含量、土壤电导率以及土壤pH值，线性模型是有效的；而对于土壤硝态氮含量，则需要利用多元指数模型进行分析或检测。     

Soil Particulate Organic Matter (POM) Prediction in a Mountainous Watershed using Artificial Neural Networks

Soil organic matter is a very important component of soil that supports the sustainability and quality in all ecosystems, especially in arid and semi-arid regions. A comparison study was carried out to verify when the artificial neural network (ANN) and multiple linear regression (MLR) models are appropriate for the prediction of soil organic matter (SOM) and particulate organic matter (POM). Discussions of advantages and disadvantages are given for both methods. Three different sets of easily available properties (soil properties alone, topographic and vegetation index, a combination of soil and topographic data) were used as inputs and the one affecting the model the most was determined. The smallest prediction errors were obtained by the ANN method; however, the prediction accuracies of the constructed MLR models using different data sets were closed to the ANN models in many cases.     

引入时相信息的耕地土壤有机质遥感反演模型

土壤有机质(soil organic matter,SOM)是土壤质量评价的重要指标。监测SOM含量及其空间分布对土壤利用与保护、土壤有机碳库估算等具有重要意义。该文以松嫩平原典型区为研究区,采集4种主要土壤类型样本共147个,获取裸土期多时相MODIS地表反射率8 d合成产品,以单期、多期影像所构建光谱指数作为输入量,构建包含含水量变化与有机质含量信息的多光谱指数,建立SOM线性回归遥感反演模型,揭示SOM空间分布规律。结果表明:由于土壤含水量空间差异随时间变化,基于单期影像构建的模型主要输入量发生规律性改变,其中年积日137 d裸土条件最好,反演模型最优;比值光谱指数R61与SOM显著相关,而和含水量相关性极小,适于作为反演模型输入量;基于多期影像构建的模型引入时相信息后,精度与稳定性较单期影像模型显著提高,其中基于年积日137、105 d两期影像光谱指数所建立的多元线性模型最优;松嫩平原SOM呈现由东北向西南递减趋势。