黄河三角洲土壤含水量状况的高光谱估测与遥感反演

为探讨利用近地高光谱和遥感影像数据结合预测土壤含水量的可行方法,以黄河三角洲垦利县为研究区,采用中心波长反射率和波段平均反射率两种拟合方法,利用室外实测高光谱窄波段反射率数据模拟Land Sat8卫星宽波段反射率,进而通过组合,选取敏感光谱参量,应用多元逐步线性回归方法分别建立土壤含水量高光谱单一形式波段组合与多形式波段组合估测模型,并选取最优估测模型。采用线性混合像元分解处理遥感影像,同时采用比值均值订正方法对遥感影像反射率进行订正,在此基础上,将模型应用到经过订正的Land Sat8卫星影像,实现了对研究区土壤含水量的遥感反演。结果表明,最佳模型是基于波段平均反射率拟合方法建立的多形式波段组合估测模型。从反演结果看较为符合研究区土壤含水量的实际状况。     

基于野外高光谱的黄河三角洲滨海盐渍土盐分含量估测研究

为探索适合黄河三角洲滨海地区土壤盐分含量的快速准确估测方法,以黄河三角洲垦利县为研究区,采用野外原位土壤高光谱数据与室内实测土样盐分数据相结合的分析方法,进行土壤盐分估测研究。通过对土壤盐分高光谱反射率、一阶微分反射率与盐分含量进行相关性分析,筛选出土壤盐分敏感波段;通过波段组合构建并筛选出土壤盐分敏感光谱参量;通过对敏感波段进行主成分回归建模、多元逐步线性回归建模和运用光谱参量建模,筛选出最佳的估测模型。结果显示:一阶微分可放大样品间的光谱特征差异,提高了相关性;波段组合可消除部分背景因素影响,与盐分的相关性明显提高;利用敏感光谱参量构建的估测模型优于直接用敏感波段构建的模型,土壤盐分最佳估测模型为y=0.623-2003920.934*X507*X772+0.259*(X512+X1093)-469.717*X772/X512,R2为0.591,验证R2为0.556,RPD为1.624,RMSE为0.116,拟合度较好,稳定性较高。该研究为滨海区土壤盐分含量的野外高光谱估测提供了新的方法,同时为土壤盐分含量的高光谱定量研究提供理论和技术参考。     

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。     

塔里木盆地北缘荒漠土壤有机质含量的高光谱估测

土壤有机质含量的多少是衡量土壤肥力的重要指标,了解土壤有机质的状况及动态变化,为指导干旱区绿洲农业生产及生态环境保护提供科学依据。基于在塔里木盆地北缘绿洲-荒漠过渡带采集的80个土壤样品,测定有机质含量和光谱反射率。在原始反射率R的基础上,进行光谱反射率的一阶微分R′、倒数对数lg(1/R)、倒数对数的一阶微分[lg(1/R)]′以及去除包络线C(R)处理,并将处理后的光谱数据与土壤有机质进行相关性分析,从而选取568、578、803、806、845、955 nm等敏感波段构建土壤有机质含量的估测模型。结果表明:(1)土壤有机质与土壤反射率呈负相关,有机质含量越高反射率越低。(2)光谱变换处理可有效提升光谱对土壤有机质含量的敏感性,其相关系数最高可达0.654(P<0.001)。(3)比较多元线性逐步回归、偏最小二乘回归和反向传播神经网络(BPNN)3种建模方法发现,反向传播神经网络模型精度较高,稳定性更好,且以倒数对数的一阶微分[lg(1/R)]′为自变量的模型最优,决定系数为0.864,均方根误差为1.86,这表明[lg(1/R)]′-BPNN模型相较于其它模型可以更为准确地预测荒漠区土壤有机质含量。     

东北典型黑土区表层土壤有机质含量高光谱反演研究

选择东北典型黑土区——德惠市、扶余市和双城市为研究区,利用便携式地物光谱仪获取土壤光谱数据,基于原始光谱值及一阶微分、倒数的对数、连续统去除变换,分别建立了黑土有机质含量的多元线性逐步回归模型、偏最小二乘回归模型和BP神经网络模型。结果表明:高光谱与土壤有机质含量在多个波段相关性较好,其中有机质与反射率一阶微分处理的相关性最好,在光谱584 nm处其相关性最强(r=-0.60,n=81)。光谱一阶微分处理数据在三种建模方法中的预测及验证精度均高于原始光谱值、倒数的对数和连续统去除变换,因此一阶微分为最佳光谱变换形式。偏最小二乘回归分析的预测效果整体优于多元线性逐步回归分析和BP神经网络分析,光谱一阶微分处理的偏最小二乘回归模型呈现出最佳预测效果,决定系数为0.71、均方根误差为2.29 g kg~(-1)(n=53)。     

基于高光谱的砂姜黑土含水量反演研究

在实验室条件下,以地物光谱仪(350~2 500 nm)为工具,利用光谱反射率(R)、反射率的一阶微分(R′)、反射率的对数(log R)、反射率的倒数(1/R)、反射率对数的一阶微分(log R)′和去包络线(Rc)6种处理方法,研究了4种不同土种的砂姜黑土含水量与光谱反射率的定量关系。结果表明:砂姜黑土不同土种间光谱特征存在一定差异,且4种土的光谱反射率都随土壤含水量升高而下降。在可见-近红外波段,以R′提取的敏感波长与含水量的相关系数最高,敏感波长集中分布在712、807、1 142、1 570、1 850、2 221 nm等。基于上述波长反射率所建立的土壤含水量预测模型的决定系数达到了0.89,且其模型检验的均方根误差仅为4.6 g/kg,实现了对砂姜黑土含水量较为准确的预测。本研究为非接触、快速地测定砂姜黑土含水量提供了数据基础。     

基于高光谱的北京铁矿区土壤重金属镍元素含量反演研究

运用高光谱数据对北京典型铁矿区土壤重金属镍含量进行建模反演,探索高光谱遥感技术在土壤重金属污染快速监测上应用的可行性。使用便携式地物光谱仪采集研究区土壤样本光谱反射率数据,光谱反射率数据经多种数学变换后,经逐步回归方法筛选最佳特征波段,利用多元线性回归（SLR）和偏最小二乘回归（PLSR）方法建立模型以光谱反射数据对土壤重金属镍元素含量进行反演。基于光谱二阶微分的多元线性回归模型（SD-MLR）的稳定性和精度最高（R2 = 0.842,RMSE = 4.474）,能够良好地预测研究区土壤镍元素含量。光谱数据数学变换能够有效提高其与土壤镍元素含量间的相关性。不同的光谱变换形式建立模型的预测能力和精度有如下关系,光谱二阶微分 > 光谱倒数对数一阶微分 > 光谱一阶微分 > 光谱倒数对数 > 光谱连续统去除 > 原始光谱。采用光谱二阶微分建立多元线性回归模型为研究区土壤镍元素含量反演的最佳模型,可为土壤重金属污染快速监测提供技术参考。     

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。     

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。     

基于可见-近红外反射光谱的油区农田土壤石油烃含量估测研究

利用可见-近红外光谱技术,研究油区农田土壤在颗粒为2mm、0.25 mm和0.15 mm时的光谱(原始、一阶微分、连续统去除、多次散射校正)反射率与石油烃含量变化的关系,建立并利用偏最小二乘回归模型估测了石油烃含量.结果表明:原始、连续统去除、多次散射校正光谱的反射率对石油烃含量变化的响应在350 ～ 600 nm最敏感(P＜0.05),一阶微分光谱的敏感波段为2 280 nm(|r|=0.81,P＜0.01);光谱预处理能明显提高石油烃含量的估测精度,但土壤研磨对估测精度的影响因光谱预处理方法而异.基于可见-近红外光谱技术,本研究确立了估测油区农田土壤石油烃含量的颗粒粒径(2 mm)和光谱预处理方法(一阶微分),实现了石油烃含量的快速、有效估测,探索了一种可替代传统分析技术的新方法.     

基于实测高光谱指数与HSI影像指数的土壤含水量监测

为了探索土壤含水量与高光谱植被指数的内在关系,实现土壤含水量的快速且准确监测,以ASD光谱仪测定的研究区植被高光谱数据和环境卫星HSI高光谱影像数据为基础数据计算得到26种光谱植被指数,通过灰度关联分析法(grey relational analysis)对不同深度(0~10,10~30,30~50 cm)土壤含水量与实测光谱指数和影像光谱指数进行分析和筛选,确定了与土壤含水量相关性较高的5个光谱植被指数,采用多元线性回归法(multiple linear regression)分别构建了基于实测数据和影像数据的高光谱植被指数土壤含水量反演模型,并用实测高光谱植被指数模型对HSI影像植被指数模型进行校正。结果表明:2种土壤含水量反演模型对0~10 cm层的土壤含水量均有较高的拟合度,判定系数(R2)均高于0.589,并具有较好的稳定性;实测高光谱植被指数模型精度优于HSI影像植被指数模型,判定系数(R2)分别为0.668和0.589;经过校正的HSI影像土壤含水量反演模型精度有了较大的提高,判定系数(R2)从0.589提升到0.711,均方根误差(RMSE)为0.0014。该研究方法进行土壤含水量监测是可行的,为进一步提高土壤含水量定量遥感监测提供一定参考。     

荒漠土壤有机质含量高光谱估算模型

为解决荒漠土壤有机质含量高光谱估算存在的困难,提高土壤有机质含量估算的精准性,该文对准噶尔盆地东部荒漠土壤进行采样、化验分析和光谱测量、处理,分析土壤光谱与有机质含量的相关性,确定敏感光谱波段,建立荒漠土壤有机质含量多种高光谱估算模型,旨在通过模型精度的比较,确定最优模型。结果表明：反射率、倒数对数光谱与荒漠土壤有机质含量相关性低,而经过一阶微分、二阶微分变换后,相关系数有所提高,部分波段的相关系数通过0.01显著水平的检验,可以用来荒漠土壤有机质含量的估算;一元线性回归建立的估算模型的精度低,不适用荒漠土壤有机质含量高光谱的估算。荒漠土壤有机质多元逐步回归模型的二阶微分、倒数对数二阶微分修正决定系数得到了较大提高,分别提高了0.22和0.31,均方根误差下降了0.66和0.80,建模精度高于一元线性回归模型。荒漠土壤有机质一阶微分、二阶微分光谱的最小偏二乘回归模型的决定系数比其多元逐步回归模型提高了0.07、0.04,一阶微分、二阶微分均方根误差都下降了0.11,二阶微分偏最小二乘法回归模型是该研究所建12个模型的最优估算模型。在多元逐步、偏最小二乘回归模型中,最优估算模型是二阶微分模型,因而用偏最小二乘法回归估算荒漠土壤有机质含量是个可行的方法。该研究的成果为荒漠土壤有机质高光谱遥感分析提供了支撑,实现荒漠土壤有机质监测的时效性、准确性,为区域生态环境的修复提供依据。     

实测高光谱和HSI影像的区域土壤含水量遥感监测研究

基于典型研究区植被冠层实测高光谱数据和HSI高光谱影像数据,通过相关分析选择与不同深度土壤含水量响应敏感波段,建立两者的土壤含水量反演模型,并用实测高光谱土壤含水量反演模型校正HSI影像土壤含水量反演的模型。结果表明:土壤含水量响应敏感波段区域为450~650 nm和850~920 nm;两种土壤含水量反演模型对土壤深度为0~10 cm的土壤含水量估算效果最好,其中实测冠层高光谱土壤含水量反演模型精度高于HSI影像土壤含水量反演模型,判定系数(R~2)分别为0.659和0.557;经过校正的HSI影像土壤含水量反演模型精度有了较大的提高,判定系数(R~2)从0.557提升到0.719,均方根误差(RMSE)为0.043 5,较好地提高了区域尺度条件下土壤含水量监测精度,因此运用该方法进行土壤含水量遥感监测是可行的,为进一步提高区域尺度下土壤含水量定量遥感监测提供参考借鉴。     

艾比湖流域盐渍土含水量光谱特征分析与建模

盐渍土表层盐分累积与土壤含水量有着直接的关系.为了建立干旱区盐渍土含水量高光谱遥感监测模型,本文以艾比湖流域不同含水量的盐渍土为研究对象,采用光谱反射率变换和多元统计分析(MSAM)方法,对土壤含水量的光谱特征进行分析和建模.结果表明:随着土壤含水量的增加,土壤反射率呈下降趋势;在一定范围内,波长越长,土壤光谱反射率与含水量的相关性越高,其中1 937 nm处的土壤光谱反射率与含水量具有最高的相关性(r=-0.636).对土壤光谱反射率进行8种光谱反射率变换后,在此基础上利用多元统计方法分析盐渍土的不同含水量与光谱之间的相关性,筛选敏感波段,建立关系模型.得出对数一阶微分(Logarithm First Order Differential)在波长2024和2 357nm建立的模型以及均方根一阶微分(Root Mean Square First Order Differential)在波长1 972和2 357nm建立的模型最优,相关系数r分别为0.894和0.865.基于上述模型作者构建了一种耦合模型,其相关性r=0.926比对数一阶微分模型提高了0.032,比均方根一阶模型提高了0.061;因此,所构建的盐渍土含水量估算模型是可行的,可以为遥感反演提供理论参考,对高光谱遥感反演具有一定意义.     

植被参数高光谱遥感反演最佳波段提取算法的改进

高光谱信息量巨大,如何选取最佳组合波段构建高精度光谱模型,是植被参数遥感反演模型研究的重要工作基础。该研究将最佳指数与相关系数通过熵权评价值进行融合,提出最佳指数-相关系数法(optimum index factor and correlation coefficient,OIFC)。基于OIFC法选取了小麦叶片叶绿素含量的最佳组合波段,并利用最佳组合波段的高光谱数据建立小麦叶片叶绿素含量预测模型。结果表明:利用OIFC法所提取的小麦叶绿素最佳组合波段是760、1 860、1 970 nm;对比最佳指数法(optimum index factor,OIF)、最大相关系数法(maximum correlation coefficient,MCC)提取波段以及归一化植被指数(normalized difference vegetation index,NDVI)、土壤调和植被指数(soil-adjusted vegetation index,SAVI)所建立的叶片叶绿素含量高光谱模型,基于OIFC法构建的模型预测值与实测值具有显著的线性关系,决定系数达0.827,且均方根误差最小(RMSE=5.44)。可见,基于OIFC法构建的小麦叶绿素含量模型具有更高的精度,该结果验证了利用OIFC法提取高光谱特征波段的可行性,并且能够获得更高建模精度的特征波段。     

库尔勒香梨叶片全钾含量高光谱估算模型研究

为实现库尔勒香梨养分状况的无损、实时、快速监测,利用便携式光谱仪(SVC HR-768)测定不同钾肥施用量的20年树龄库尔勒香梨叶片光谱反射率,并结合叶片全钾含量的室内分析,对叶片全钾含量与原始光谱、一阶导数光谱、高光谱参数之间相关性进行分析。结果表明:在425 nm处原始光谱与叶片全钾含量构建的线性模型,调整决定系数R2值达到0.913;在630 nm处一阶微分光谱与全钾含量构建的线性模型,调整决定系数R2值为0.986。叶片全钾含量与高光谱特征变量中绿峰位置变量(Rg)和红谷位置变量(Ro)的相关性极显著,由此构建的线性模型调整决定系数R2值均达到0.96以上。通过模型检验,确定基于630 nm的光谱一阶微分(X630)模型Y=1 136.835X630+50.709为库尔勒香梨叶片全钾含量(Y)的最优估测模型。     

基于高光谱数据的水体叶绿素a指数反演模型的建立

水体叶绿素a含量是反映水体质量的重要指标之一,利用遥感技术监测其含量具有众多优势。该研究利用2012年7月在广西壮族自治区桂林市漓江流域实地采集的水体高光谱数据和实验室化验分析数据,借鉴陆表植被叶绿素a的遥感反演模型,发展了一种新的水体叶绿素a提取指数(water chlorophyll-a index,WCI)。通过与反射率敏感波段法、波段比值法和半分析方法对比分析发现,新提出的WCI指数使用650、685、696 nm波段,波段稳定,决定系数R2可达0.58,均方根误差最小为0.24,受水体悬浮物影响小,在天津海河区域的验证效果也表明了该模型可以有效地提取水体叶绿素a含量。该方法扩展了水体叶绿素a监测的建模思路,对水体叶绿素a监测建模有一定的指导作用。     

黑龙江省西部防护林地土壤水分动态及其预报

[目的]研究黑龙江省西部地区"三北"工程区不同类型土壤的水分动态特征及其与气象因子的相关性,为该地区土壤墒情预测提供科学参考。[方法]通过建立小型基准气象观测站定点观测土壤水分含量及气象因子,并利用回归分析建立了无降雨条件下土壤水分的预测模型。[结果](1)生长季土壤水分变化均呈现消退期的现象,其中以黑土和黑钙土表现最为显著。3种土壤类型水分含量的变异系数都随土壤深度增大呈递减趋势。(2)相关分析结果表明,土壤水分含量与光照强度和大气温度均表现为负相关,与空气湿度表现为正相关,与降雨量和风速相关系数较小。(3)黑土和黑钙土的土壤水分日消耗量可由光照强度(X1)、湿度(X2)、风速(X3)和大气温度(X4)的变化来解释。[结论]土壤水分受气象因子综合调控,根据气象因子建立的模型可以用来预测无降雨条件下土壤水分的变化。     

基于透射光谱的玉米叶片水分含量快速检测

为实现玉米叶片水分含量快速检测,利用近红外光谱仪在300~1 700 nm采用透射法对玉米叶片水分含量进行快速检测。试验利用烘干法对叶片水分梯度进行控制,并测量玉米叶片的透射光谱曲线和含水率。对透射光谱数据采用Savitzky-Golay方法进行平滑预处理,滤除光谱波动噪声干扰。分析了叶片透射光谱与含水率之间的相关关系,通过相关性分析提取敏感波长800、932、1 423 nm;利用主成分分析法提取敏感波长478、748、1058和1 323 nm。综合二者敏感波长最终筛选出水分敏感波长800、1 323、1 058和1 423 nm。利用这4个波长的组合得到比值植被指数、差值植被指数和归一化植被指数等12种植被指数,选取了最优差值植被指数DVI(1423、800)与透射率T1 323和T1 058建立了玉米叶片含水率多元线性回归诊断模型,建模集决定系数Rc2=0.968 8,验证集决定系数Rv2=0.951 9,预测结果方根误差为0.061。结果表明,利用透射光谱技术检测的玉米叶片水分含量具有较高的精度,可为植物叶片水分快速检测仪器开发提供指导。