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。     

基于光谱分类的土壤盐分含量预测

基于相似土壤组分和光谱特征,利用土壤光谱反射率数据和曲线特征来进行土壤光谱分类,同时充分挖掘有效信息是光谱分析的重要应用方向之一。借助模糊k-均值聚类方法将土壤光谱数据分成四个类别(分类前先将原始光谱进行范围归一化处理),比较分析了不同类型土壤在光谱分类前后的高光谱特征,然后利用Kennard-Stone法将各类别样本划分为建模集和预测集,将预处理后的建模集光谱数据作为输入量,采用偏最小二乘回归法(PLSR)方法建立全局和各自类别的盐分预测模型。结果表明:光谱分类建模较按土壤系统分类建模和全局建模的精度有明显提高,其预测模型总体的预测决定系数RP2、预测均方根误差RMSEP、相对分析误差RPD和RPIQ(样本观测值三四分位数Q3与一四分位数Q1之差与RMSEP的比值)四个指标分别从0.664、1.219、1.733和1.461提高至0.818、1.132、2.356和2.422,其中RPD提高幅度达23.13%,四个类别所建模型RPD均大于2.0,可以对土壤含盐量进行较为精确的定量研究。研究结果为利用大样本光谱数据建立大尺度区域的盐分等土壤属性预测模型提供一种新的思路和方法。     

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。     

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。     

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。     

松嫩平原主要土壤类型含水量高光谱预测模型

为了消除土壤类型的影响,提高土壤含水量高光谱预测精度,以松嫩平原四种典型土壤(黑土、黑钙土、草甸土、风砂土)实验室高光谱反射率为研究对象,对反射光谱曲线进行去包络线处理,提取光谱特征参数;并对反射率进行多种数学变换,分析不同土壤类型、含水量水平的反射光谱特征差异,建立考虑土壤类型差异的含水量高光谱预测模型。研究结果表明:1)混合土壤类型难以提取有效的光谱特征参数进行土壤含水量预测;2)将风砂土与其他土类分开,其他土类利用光谱特征参数建模的精度高;3)基于光谱特征参数的一元线性回归精度高,输入量少。研究成果为多个土壤类型含水量高光谱预测提供了科学依据。     

优化光谱输入量的土壤有机质随机森林预测模型

以往的土壤有机质预测研究往往只提取一种光谱输入量,忽略了不同光谱输入量之间的互补性。为探究光谱输入量在预测土壤有机质时的最佳组合,以及不同光谱输入量在离散小波变换不同分解尺度下的变化趋势,该研究以宝清县土壤有机质为研究对象,对光谱反射率进行离散小波变换,对各个分解尺度下的特征光谱提取光谱特征参数、光谱指数以及主成分并分别组合,基于8种光谱输入量建立随机森林模型进行土壤有机质预测。结果表明：1)利用不同光谱输入量预测有机质的精度均高于直接使用光谱反射率建模的精度,将不同光谱输入量组合可以提升预测效果,单个光谱输入量中主成分的预测效果最好,组合中光谱特征参数和主成分的组合预测效果最好;2)随着分解尺度的变化,不同光谱输入量的预测精度的变化趋势也不同,并且单个光谱输入量的变化趋势也会影响该光谱输入量组合的变化趋势;3)所有预测结果中,精度最高的是分解尺度为6时光谱特征参数与主成分的组合,R²达到0.78,均方根误差达到1.32%,可以较好地预测土壤有机质。研究结果说明光谱输入量结合离散小波变换预测土壤有机质是可行的,可以为土壤有机质的预测提供可靠思路。     

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。     

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。     

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。     

基于高光谱特征的土壤有机质含量估测研究

在室内条件下,利用ASD2500高光谱仪测定了潮土和水稻土自然风干土壤样品的光谱。通过系统分析两种不同类型土壤的高光谱特征差异及其有机质含量的敏感波段区位,建立了土壤有机质含量的光谱估测模型。结果表明,具有相同有机质含量的两种类型土壤整体光谱变化趋势无明显差别,但反射率表现出明显差异,一阶导数变换能较好地显现谱图中的肩峰。潮土和水稻土有机质的敏感波段集中在相同区域,原始反射率在685 nm处相关性最高,而一阶导数光谱在554 nm处相关性最高。通过对整体样本的多元逐步回归分析,筛选出两种土壤有机质相同的敏感波段为800 nm、1 398 nm和546 nm。进一步以一阶导数为自变量,基于1 400nm和554 nm两个波段构建了土壤有机质差值指数SOMDI及估测模型,即Y=4.19 12.85×(R_FD554 R_FD1 400)。利用独立的样本对建立的光谱模型进行了检验,预测决定系数均达0.79以上。上述结果表明,利用高光谱技术可实现土壤有机质的快速监测与诊断。     

基于相似光谱匹配预测土壤有机质和阳离子交换量

土壤可见光-近红外波段光谱(350~2 500 nm)包含了大量的土壤属性信息,相同类型的土壤具有相似的光谱曲线特征,但相似光谱曲线是否具有相似的属性含量?探讨此问题可为土壤光谱库的应用提供依据,从而最终服务于快速获取土壤信息技术体系的构建。该研究以安徽宣城为研究区,根据母质、地形特征和土地利用等信息,采集91个典型土壤剖面,共含400个土壤发生层样品,测定了有机质(soil organic matter,SOM)和阳离子交换量(cation exchange capacity,CEC)含量,同时采用VARIAN公司的Cary 5000分光光度计测定了土壤光谱,并将光谱数据变换为反射率(R)、反射率一阶导数(FDR)和吸收度(Log(1/R))3种形式。该文采用光谱角(spectral angle mapper,SAM)、偏最小二乘回归(partial least square regression,PLSR)和SAM-PLSR(spectral angle mapper-partial least square regression,SAM-PLSR)3种方法预测土壤SOM和CEC。SAM方法是通过对测试集104个光谱曲线与参考集的296个光谱曲线进行相似性计算,并以此实现土壤SOM和CEC含量的预测。SAM-PLSR方法以SAM算法下的匹配结果作为建模样本建立PLSR模型和进行预测分析。结果表明,具有相似光谱曲线的土壤具有相似的SOM和CEC含量,SAM算法下相似光谱匹配可直接预测SOM(R2=0.78,RPD=2.17)和CEC(R2=0.82,RPD=2.41)。PLSR方法可很好地预测SOM(R2=0.87,RPD=2.77)和CEC(R2=0.87,RPD=2.59);相较之下,SAM-PLSR方法不仅可以更加准确预测SOM(R2=0.89,RPD=3.00)和CEC(R2=0.91,RPD=3.06),而且大大减少了建模样本的数量。该研究使可见光-近红外光谱可更加高效地用于土壤属性分析,并为土壤光谱数据库的建设及应用提供技术参考。     

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。     

基于光谱吸收特征的土壤含水量预测模型研究

为了定量分析土壤含水量与反射光谱特征之间关系,并为土壤含水量速测提供理论依据。以黑土作为研究对象,测定实验室光谱反射率,利用去包络线方法提取反射光谱特征指标,建立土壤水分含量高光谱预测模型。结果表明:黑土含水量与1 420 nm、1 920 nm附近吸收谷的主要光谱特征(吸收谷深度、宽度、面积)呈显著正相关;1 920 nm附近吸收谷可作为黑土土壤水分的特征吸收谷,由其光谱特征参数预测黑土含水量;以1 920 nm附近吸收谷面积为自变量建立的一元线性回归模型预测精度高,输入量少,可以作为土壤含水量速测仪器研制的理论依据。     

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.     

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。     

基于偏最小二乘回归的土壤有机质含量高光谱估算

为实现基于光谱分析土壤有机质含量的快速测定,该文以江汉平原公安县的土壤为研究对象,进行室内理化分析、光谱测量与处理等一系列工作,在土壤原始光谱反射率(raw spectral reflectance,R)的基础上,提取了其倒数之对数(inverse-log reflectance,LR)、一阶微分(first order differential reflectance,FDR)和连续统去除(continuum removal,CR)3种光谱指标,分析4种不同形式的光谱指标与有机质含量的相关性,对相关系数进行P=0.01水平上的显著性检验来确定显著性波段的范围,并基于全波段(400~2 400 nm)和显著性波段运用偏最小二乘回归(partial least squares regression,PLSR)建立了该区域土壤有机质高光谱的预测模型,通过模型精度的比较确定最优模型。结果表明,进行CR变换后,光谱曲线的特征吸收带更加明显,相关系数在可见光波段范围内有所提高;基于全波段的PLSR建模效果要优于显著性波段,其中以CR的预测精度最为突出,其模型的决定系数R2和相对分析误差RPD分别为0.84、2.58;显著性波段的PLSR模型与全波段对比在模型精度方面虽有一定差距,但从模型的复杂程度来比较,具有模型简单、运算量小、变量更少的特点;最后,综合比较了全波段和显著性波段4种光谱指标的反演精度,发现CR-PLSR模型的建模和预测的效果比R-PLSR、LR-PLSR、FDR-PLSR模型都要显著。该研究可为将CR-PLSR高光谱反演模型用于该区域土肥信息的遥感监测提供参考。