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 (R₁₉₁₃，R₂₁₄₂) 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，R²提高了34.55%。三种机器学习算法模型中，ELM表现最优 (R² = 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。     

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。     

基于反射光谱与Landsat 8 OLI多光谱数据的艾比湖湿地土壤盐分估算

土壤盐渍化是农业生产中最关键的生态问题之一,是一种降低土壤质量,严重影响作物产出的缓慢土壤退化过程。因此,土壤盐分的监测及评估对干旱区的土地管理与恢复至关重要。选取艾比湖湿地为研究区,基于2016年干湿两季(5月/9月)的Landsat8 OLI遥感影像,147个土壤实测样点的电导率(Electrical Conductivity, EC)数据及其对应的室内反射光谱数据,通过光谱重采样技术,建立该研究区土壤EC的偏最小二乘(partial least-squares regression, PLSR)定量估算模型,并尝试对干湿两季的土壤盐渍化状况进行对比分析。结果表明:(1)艾比湖湿地土壤盐渍化较为严重,湿季土壤EC(23.90 mS·cm~(-1))高于干季(11.62 mS·cm~(-1));(2)基于重采样处理后的光谱数据及13个光谱指数所建立的PLSR模型具有较好的精度(R2=0.91,RMSE=6.48mS·cm~(-1),RPD=2.45),说明该模型可以有效地对区域尺度的土壤EC进行定量估算。(3)从2016年5月至9月,艾比湖湿地的中度和重度盐渍土面积增加,轻度盐渍土和盐土面积减少。本研究将两种不同分辨率的数据进行联合建模,既提升了传统光学遥感影像模型的精度,又将高光谱数据扩展至像元尺度上,为土壤盐分信息的遥感提取提供了科学参考。     

基于变量优选与机器学习的干旱区湿地土壤盐渍化数字制图

土壤盐渍化是导致土壤退化和生态系统恶化的主要原因之一，对干旱区的可持续发展构成主要威胁。为了尽可能精确地监测土壤盐渍化的空间变异性，该研究收集新疆艾比湖湿地78个典型样点，其中选取54个样本作为训练集，24个样本作为独立验证集。基于Sientinel-2 多光谱传感器（Multi-Spectral Instrument，MSI）、数字高程模型（Digital Elevation Model，DEM）数据提取3类指数（红边光谱指数、植被指数和地形指数），经过极端梯度提升（Extreme Gradient Boosting，XGBoost）算法筛选有效特征变量，构建了关于土壤电导率（Electrical Conductivity，EC）的随机森林（Random Forest，RF）、极限学习机（Extra Learning Machine，ELM）和偏最小二乘回归（Partial Least Squares Regression，PLSR）预测模型，并选择最优模型绘制了艾比湖湿地盐渍化分布图。结果表明：优选的红边光谱指数基本能够预测EC的空间变化；红边光谱指数与植被指数组合建模效果总体上优于其与地形指数的组合，3类指数组合的建模取得了较为理想的预测精度，其中RF模型表现最优（验证集R2=0.83，RMSE=4.81 dS/m，RPD=3.11）；在整个研究区内，中部和东部地区土壤盐渍化程度尤为严重。因此，XGBoost所筛选出的环境因子结合机器学习算法可以实现干旱区土壤盐渍化的监测。     

基于PLSR方法的青海茶卡-共和盆地土壤盐分高光谱遥感反演

摘要：对青海省茶卡地区盐渍土实地调查、采集土壤样品及土壤理化分析的基础上,于实验室测量土样光谱数据,通过PLSR(Partial Least Squares Regression)方法,充分地利用多个与土壤盐分相关的波段组合,综合所有波段信息来定量地估算土壤盐分含量,建立了PLSR土壤盐分反演模型。利用25个土壤样品建模的均方根误差RMSEC = 4.74 mg kg−1(R2 = 0.97),17个独立的检验样本的均方根误差RMSEV=5.72g kg-1(R2 = 0.92)。将模型用于Hyperion星载髙光谱数据进行土壤盐分含量空间分布估算研究,并综合地形及地下水的因素对土壤盐分含量空间分布信息的估算结果进行了评价,结果与实地调查及前人的文献较为一致。揭示了PLSR方法的有效性及Hyperion星载髙光谱数据进行土壤盐渍化探测、土壤盐分定量估算的潜力。     

基于机器学习算法的湖滨绿洲土壤电导率高光谱估算模型

  目的  为湖滨绿洲土壤高光谱估算土壤电导率值提供方法支持,实现区域土壤盐分快速估测。  方法  利用实测的土壤电导率值与土壤高光谱数据联合分析,采用竞争自适应重加权采样（CARS）、连续投影算法（SPA）、遗传算法（GA）筛选土壤电导率的特征波段,并基于全波段及特征波段构建BP神经网络（BPNN）、支持向量机（SVM）、极限学习机（ELM）三种机器学习算法模型,引入偏最小二乘模型（PLSR）进行对照,比较其模型精度。  结果  研究区土壤电导率值变化范围0.02～17.22 mS cm?1,平均值为2.61 mS cm?1,变异系数为134.87%,呈现强变异性;CARS、SPA、GA算法筛选的特征波段将建模输入量分别压缩至全波段数量的0.87%、1.68%、0.70%,减少建模输入量,提升建模速率,变量方法的选择CARS > SPA > GA;三种机器学习算法模型均优于PLSR模型,决定系数（R2）平均增加20.57%,相对分析误差（RPD）平均增加17.84%,土壤电导率高光谱估算模型以CARS-SVM最优,训练集与验证集R2分别为0.76和0.75,RMSE分别为1.79 和1.68 mS cm?1,RPD分别为2.04和2.00。土层深度20 ~ 30 cm的土壤电导率高光谱估算模型精度最高,训练集与验证集R2分别为0.83和0.84,RMSE分别1.37和1.77 mS cm?1,RPD分别为2.41和2.50。  结论  基于CARS-SVM的土壤电导率高光谱估算模型精度高,估算能力最优,可以为湖滨绿洲土壤电导率估算提供科学参考。     

博斯腾湖湖滨绿洲土壤电导率高光谱估算模型

以博斯腾湖湖滨绿洲为研究区，采用分数阶微分对光谱指数进行波段优化，筛选高光谱数据的特征波段，利用偏最小二乘回归(PLSR)和支持向量机(SVM)构建土壤电导率高光谱数据的估算模型。研究结果表明:(1)分数阶微分的高光谱数据与土壤电导率的相关性:随着分数阶微分阶数的增加，特征波段数呈现逐渐增加的趋势，2 阶是特征波段数量最多的阶数，特征波段数量为335(P=0.01)，相关系数绝对值最大为0.64。(2)分数阶微分优化光谱指数的高光谱数据:随着分数阶微分阶数的增加，光谱矩阵图表现为相关系数在正负值之间波动较大，0.8 阶在光谱指数DSI 的相关系数绝对值最大为0.75；平方根、对数、倒数的相关系数绝对值最大为0.64。(3)基于PLSR 和SVM 构建土壤电导率估算模型:基于0.8 阶微分和光谱指数DSI 筛选的特征波段建立的估算模型估算效果较好，其中SVM 构建的估算模型最优，模型精度为RSVMc2=0.89，RMSESVMc=0.03，RSVMv2=0.80，RMSESVMv=1.12。利用SVM 估算模型可以有效地对研究区土壤电导率进行定量估算。     

无人机多光谱遥感反演不同深度土壤盐分

快速、精准获取作物覆盖下的土壤盐分信息，可以提高区域土壤盐渍化治理的有效性。该研究在内蒙古河套灌区沙壕渠灌域内试验地获取无人机多光谱遥感图像数据，并同步采集不同深度的土壤盐分数据。通过遥感图像数据提取光谱反射率并计算传统光谱指数，在此基础上引入红边波段建立新的光谱指数，同时使用Elastic-net算法（ENET）对光谱变量进行筛选，并将筛选后的光谱变量分为原始光谱变量组和改进光谱变量组；运用BP神经网络（Back Propagation Neural Networks，BPNN）、支持向量机（Support Vector Machine，SVM）和极限学习机（Extreme Learning Machine，ELM）3种机器学习方法，构建作物覆盖下不同土壤深度的土壤盐分反演模型，并基于最佳反演模型绘制试验区不同深度土壤盐分反演图。结果表明，使用ENET变量选择方法可以有效筛选出最优光谱变量，且基于改进光谱变量组构建的反演模型精度均高于原始光谱变量组；ELM模型反演效果优于SVM模型和BPNN模型，其验证集的决定系数为0.783，均方根误差为0.141，一致性相关系数为0.875；研究区域内，作物覆盖下的土壤盐分最佳反演深度为10～20 cm；在不同土壤深度下，基于改进光谱变量组构建的最佳反演模型绘制的土壤盐分反演图可以较为真实的反映试验区内的盐渍化程度，这说明引入红边波段构建光谱指数可以用于土壤盐分的反演。该研究为无人机多光谱遥感监测农田土壤盐渍化以及农田盐渍化治理提供了一种新途径。     

基于无人机多光谱影像的土壤盐分反演模型

为探究不同作物覆盖下不同深度的土壤盐分快速反演模型,该研究采集苜蓿、玉米覆盖下0～15、15～30、30～50 cm层深度的土壤盐分含量,基于无人机多光谱影像数据,提取各地块采样点的光谱反射率,在此基础上引入红边波段计算光谱指数作为特征变量,采用支持向量机递归特征消除算法（Support vector machine-Recursive feature elimination,SVM-RFE）以筛选光谱指数及未经过筛选的全指数组作为模型输入组,共构建出36个基于随机森林（Random Forest,RF）、极限学习机（Extreme Learning Machine,ELM）、BP神经网络（Back-Propagation neural network）等机器学习模型,确定出不同作物覆盖下的最佳土壤盐分反演模型。结果表明：SVM-RFE算法筛选光谱指数构建模型精度优于未进行筛选构建的模型。对于苜蓿和玉米覆盖土壤,整体上,RF反演效果优于ELM模型和BPNN模型,反演结果能体现真实土壤盐分含量,在0～15和30～50 cm土层上,RF模型反演效果优于其他模型,苜蓿样地Rp2分别为0.71、0.58,RMSEp分别为0.026、0.033,玉米样地Rp2分别为0.67、0.64,RMSEp分别为0.111、0.094,在15～30 cm土层上ELM反演效果较好,苜蓿样地Rp2为0.58,RMSEp为0.039,玉米样地Rp2为0.68,RMSEp为0.059。0～15 cm是作物覆盖下的土壤含盐量最佳反演深度,验证集平均决定系数R2为0.65,均方根误差RMSE为0.084。研究结果可为土壤盐分的快速反演提供理论依据。     

基于光谱变换的高光谱指数土壤盐分反演模型优选

该文探索基于光谱变换建立光谱指数,进而建立土壤盐分反演模型的可行性。运用倒数、导数、对数等15种光谱变换对土壤含盐量进行反演,并利用原始光谱的波段反射率构造光谱指数对土壤盐分进行建模。在15种高光谱变换中,一阶微分R'和一阶对倒数(log1/R')变换下土壤盐分估算模型的精度较高。但总体而言,基于单一光谱变换和光谱指数的模型模拟精度均较低。采用光谱变换建立光谱指数,并进一步建立土壤盐分反演模型,结果表明,基于(log1/R')光谱变换构建归一化植被指数,然后建立的土壤盐分精度最高,经验证,其R2为0.89,均方根误差为3.34 g/kg,高于单一方法构建的模型,可为半干旱地区土壤盐分反演提供参考。     

基于中红外漫反射光谱法预测黄土碳酸钙含量

以黄土高原侵蚀严重的丘陵沟壑区7个小流域126个土壤样品和108个沉积泥沙样品为对象,分析了土壤的基本属性及其中红外漫反射光谱特征,将中红外漫反射光谱技术与化学计量法相结合,采用不同的光谱预处理方法,分别利用偏最小二乘回归法、主成分回归法和支持向量机回归法建立土壤碳酸钙的光谱估算模型,并对模型进行验证。结果显示:土壤光谱变量与碳酸钙含量的关系更接近线性相关,偏最小二乘回归法和主成分回归法要优于支持向量机回归法,其中PLSR(SG-Der1st)模型为最优,对土壤(决定系数R~2=0.948,相对分析误差RPD=4.426)和沉积泥沙(决定系数R~2=0.875,相对分析误差RPD=2.841)均能准确预测其碳酸钙含量。研究结果表明,基于中红外漫反射光谱的碳酸钙含量估算模型能准确定量土壤及沉积泥沙碳酸钙含量,实现了对黄土高原小流域土壤碳酸钙的快速无损测量。     

博斯腾湖湖滨绿洲土壤表层含盐量高光谱估算模型

以博斯腾湖湖滨绿洲为研究区,对土壤高光谱反射率R进行数学光谱变换,并计算其差值型、比值型、归一化型3种盐分指数,通过显著性检验优选特征波段,结合土壤表层盐分实验数据,构建基于地理加权回归模型的土壤表层盐分含量估算模型。研究结果表明:1)土壤表层盐分含量平均值为7.535 g·kg^-1,其光谱变换建模选取的特征波段集中在466~482、1669~1728、1979~2371 nm,其中对数倒数的一阶微分(1/lg R)′相关性较好,相关系数绝对值为0.672;2)构建3种盐分指数优选的特征波段集中在1700~1728、1992~2014、2375~2405 nm,建立的模型决定系数均大于0.870,光谱反射率R的决定系数仅为0.621;3)差值型盐分指数优选特征波段建立的地理加权回归模型为最优模型,建模集与检验集的决定系数R2分别为0.934和0.915,RMSE分别为1.186和0.917。     

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。     

基于地理加权回归模型的博斯腾湖湖滨绿洲土壤盐分离子含量高光谱估算

以博斯腾湖湖滨绿洲为研究区,分析HCO_3~–、Cl~–、SO_4~(2–)、Ca~(2+)、Mg~(2+)、Na~++K~+等主要土壤盐分离子含量与土壤高光谱反射率的分数阶微分光谱变换与RSI、DSI、NDSI等二维土壤指数的相关性优选特征波段,构建基于地理加权回归模型的土壤盐分离子含量估算模型。研究结果表明:Na~++K~+的微分变换特征波段集中在468～724 nm与1 182～1 539 nm,二维土壤指数的特征波段集中在1 742～2 395 nm,基于RSI的特征波段优选下地理加权回归模型对Na~++K~+含量的估算效果较好,建模集R~2=0.94,RMSE=0.22,验证集R~2=0.74,RMSE=0.19;SO_4~(2–)含量在1.2阶优选的位于469～636 nm波段估算效果较佳,建模集R~2=0.91,RMSE=0.02,验证集R~2=0.75,RMSE=0.33;Ca~(2+)、Mg~(2+)优选的特征波段主要集中在912～2 340 nm的近红外波段;Cl~–含量在1阶的近红外波段建模效果较好,建模集R~2=0.74,RMSE=0.03,验证集R~2=0.93,RMSE=0.11;含量相对较高的Na~++K~+、SO_4~(2–)、Cl~–的地理加权回归模型精度高于含量较低的Ca~(2+)、Mg~(2+)。     

采用无人机载高分辨率光谱仪反演土壤有机碳含量

小型无人机(Unmanned Aerial Vehicle,UAV)平台与土壤高光谱技术的有机结合可作为一种快速、准确获取高分辨率土壤有机碳(Soil Organic Carbon,SOC)空间信息的手段,适用于精准农业管理和土地监测,但目前该方面应用不多。该研究选取中国东北黑土和比利时黄土研究区,通过构建与UAV兼容的土壤高光谱数据获取平台,研究其在暗室和野外自然光条件下快速反演SOC含量的能力;进行多源光谱数据修正,探索暗室SOC模型直接应用到野外条件的可行性。结果表明:1)暗室条件下构建的基于UAV兼容光谱数据(FX)的偏最小二乘回归(Partial Least Squares Regression,PLSR)模型能准确预测2个研究区的SOC含量(相对分析误差大于1.6,R~2≥0.65);2)野外自然光条件下构建的SOC预测模型精度略有下降(R~2=0.58),但SOC含量估算值与实测值的值域相近,说明仍能捕捉SOC含量在其值域的变化;3)利用校准标样对不同光照条件下的FX数据进行修正,将基于实验室光谱数据的PLSR模型应用于野外光谱数据,为实现无需实地采样即可利用无人机载高光谱数据进行SOC快速调查奠定了基础。     

基于光谱预处理和机器学习算法的烤烟叶绿素含量预测

叶绿素是作物进行光合作用合成有机物的主要色素,实时监测烤烟叶片叶绿素含量对跟踪烟株氮素营养状况和判别烟叶成熟度具有重要的指导作用。基于对烤烟叶片光谱特征的分析,以不同供氮水平下实测的烟叶高光谱数据及叶绿素相对含量(SPAD)为数据源,采用一阶导数(1st Der)、多元散射校正(MSC)、标准正态变量(SNV)和SG平滑(SG)对原始光谱数据进行预处理,先采用连续投影法(SPA)挑选出每个预处理条件下的特征波长,后将各特征波段下的光谱反射率作为模型的输入变量,利用反向传播神经网络(BPNN)、随机森林(RF)和支持向量机(SVM)3种机器学习的方法分别构建烤烟叶片叶绿素含量估测模型。使用决定系数(R2)、均方根误差(RMSE)和平均绝对值误差(MAE)对每个机器学习模型的性能进行了评估和比较。结果表明:3种机器学习方法训练出的模型相比较,RF模型的预测准确率最高;烤烟叶片原始光谱经MSC和SNV预处理后的光谱信息作为输入变量,经RF算法建模具有较高的精度和良好的预测能力,模型为MSC-SPA-RF(R2=0.96,RMSE=1.15,MAE=0.94)和SNV-SPA-RF(R2=0.96,RMSE=1.14,MAE=0.94)。说明基于机器学习利用高光谱数据估算烤烟叶片叶绿素含量具有可行性,这为实时、精确地监控烤烟生长过程中叶片叶绿素含量变化状况以及合理科学的进行田间管理提供了一定的理论基础。     

利用高光谱和GF-1模拟多光谱进行土壤有机质预测和制图研究

利用土壤有机质(SOM)高光谱数据和模拟GF-1多光谱影像的波段响应函数生成的宽波段多光谱模拟数据,对比高光谱预处理和构建土壤植被指数,探索模拟GF-1光谱预测SOM的潜力。研究表明,SOM的一阶微分高光谱和模拟GF-1光谱数据构建的土壤指数与SOM的相关性最好。PLSR建模分析表明采用一阶微分高光谱数据可以很好的对SOM进行预,而且模型稳健(R2=0.962,RPD=4.87);模拟GF-1光谱也可以较好的进行SOM的预测,但是模型的稳定性相对较差R2=0.557,RPD=1.43。同时,SOM制图的空间分布表明,采用一阶微分光谱数据和模拟GF-1数据预测得到的SOM含量与实测的SOM表现出相似的空间分布特征。这为采用多光谱数据进行大尺度、大范围的SOM预测提供了基础。     

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。     

基于高光谱的ASTER影像土壤盐分模型校正及验证

快速准确地获取土壤盐分信息是监测和治理土壤盐渍化现象的重要前提.该文以新疆维吾尔自治区典型盐渍化区域——艾比湖流域为研究区,analytical spectral devices(ASD)光谱仪采集的土壤高光谱数据和advanced space borne thermal emission and reflection radiometer(ASTER)影像为数据源,结合实测土壤盐分含量信息,对遥感定量反演土壤盐渍化现象进行研究.再经过光谱反射率数学变换后,结合相关性分析,利用多元回归方法分别建立基于重采样后的高光谱和影像光谱的土壤含盐量估算模型,对遥感影像光谱盐分估算模型进行校正,以提高遥感定量监测盐渍化土壤的精度.结果表明:ASTER影像光谱反射率二阶导数变换和ASD重采样光谱的对数的二阶导数变换所建立的盐分估算模型最佳,决定系数R2分别为0.59和0.82.经ASD重采样光谱模型校正后的ASTER影像光谱的盐分估算模型精度R2为0.91,有效地提高大尺度条件下土壤盐渍化反演精度.研究为大尺度土壤盐分定量遥感监测提供了一种有效方法.     

BPNN对不同人为活动区域的盐渍土Na~+高光谱估测

土壤盐分阳离子Na~+在盐渍土的形成过程中起着重要作用,以新疆无人为活动(A区)和有人为活动(B区)区域的土壤为研究对象,采集野外高光谱和土壤0—20 cm样本,化验Na~+含量,利用BP神经网络(BPNN)、偏最小二乘(PLSR)和逐步多元回归(SMLR)模型对比分析Na~+的高光谱估测,并力图解释Na~+在不同人为活动区域的估算精度机理。结果表明:Na~+在A区和B区的4种阳离子(Ca~(2+),Mg~(2+),K~+,Na~+)中,所占比例最高分别为48.4%和62.3%,均值最大分别为1.590,2.148。对原始(R)和倒数(1/R)两种光谱变换进行一阶与二阶微分预处理,提取出相关系数通过0.05检验的波段为特征波段,3种建模方法在两个研究区域中共有24种模型,且1/R在二阶微分处的BPNN模型均是A区和B区的最佳预测模型,分别迭代19次和9次时精度满足要求。相对分析误差RPD、决定系数R~2和均方根误差RMSE在A区分别为2.461 6,0.860 9,0.350 1,在B区分别为2.169 8,0.800 6,0.803 5。BPNN对Na~+离子的预测能力很好,PLSR的预测能力一般,SMLR的预测能力很差。研究成果可为改良干旱区的盐渍化土壤提供科学依据。