基于高光谱特征的盐渍化土壤不同土层盐分离子含量预测

为了利用高光谱技术准确预测不同土层土壤盐渍化程度,该研究以宁夏银北地区不同层次土壤为研究对象,以土壤实测光谱数据和室内盐渍化指标测定数据为基本信息源,系统分析不同类型盐渍化土壤光谱特征,确定与土壤pH值、电导率(electricconductivity,EC)和可溶性盐分离子相关性最强的反射率转换方式,筛选0～5 cm和0～20 cm土层盐分指标敏感波段,然后建立并验证不同土层不同土壤盐分指标的预测模型。结果表明:研究区不同类型、不同盐渍化程度土壤光谱特征曲线变化趋势相似,盐土光谱反射率最高,轻度硫酸盐型土壤反射率最低。在所有盐分指标中,单波段反射率与0～5 cm土壤SO42-的相关性最强(相关系数为0.910 4);反射率与CO32-、HCO3-、Cl-含量相关性不显著。土壤单波段反射率与0～20 cm土层SO42-的平均相关系数比0～5 cm土层降低了0.232 2,但Cl-、K+、HCO3-和EC的相关系数都有所增大。反射率通过不同方式转换后,敏感波段与各盐分的相关性有不同程度的增强,尤其是一阶微分和连续统去除后一阶微分转换。在0～5 cm土层反射率经过平滑后一阶微分转换后与土壤pH值、SO42-、K+、Mg2+相关性最强;反射率经平滑后连续统去除一阶微分转换与土壤EC、CO32-、HCO3-、Cl-、Na+、Ca2+的相关性最强。0～20 cm土层中,平滑后连续统去除一阶微分与土壤pH值、Cl-相关性最强,平滑后倒数对数一阶微分与EC、HCO3-、SO42-、Na+、Ca2+的相关性最强,而平滑后一阶微分与CO32-、K+、Mg2+相关性最强。不同土层相同盐分指标敏感波段不同。利用偏最小二乘回归建立的预测模型中,0～5 cm和0～20 cm敏感波段对10个盐分指标预测平均决定系数分别为0.820 8和0.890 7,其中0～5 cm敏感波段对SO42-的预测模型决定系数达0.967 6。采用逐步回归与偏最小二乘回归相比模型引入敏感波段减少,但R2降低。验证结果表明模型对0～20 cm土层SO42-和CO32-的预测能力不及0～5 cm;但对其他8个盐分离子的预测能力明显高于0～5 cm。研究结果可以为该地区土壤的盐渍化信息预测及植物格局配置提供科学依据。     

基于电磁感应协同野外原位光谱的土壤盐分反演研究

快速准确监测土壤盐渍化可为土地资源合理开发利用与改良提供科学依据。利用 EM38-MK2大地电导仪和野外光谱仪测定的土壤表观电导率和光谱数据，构建表观电导率与土壤电导率的反演模型，依据相关性分析结果进行土壤盐渍化特征波段的提取，并采用反射率、反射率倒数和反射率一阶微分 3种数据变换形式构建土壤电导率的全波段与特征波段的偏最小二乘回归与主成分回归土壤盐分监测模型。研究结果表明，EM38-MK2测定的土壤表观水平电导率和表观垂直电导率相结合建立的电导率解译模型的拟合优度达到 0.89，在土壤盐渍化光谱建模中可快速提供电导率数据。全波段建模精度高于特征波段建模精度，偏最小二乘回归建模精度高于主成分回归建模精度，反射率一阶微分变换后建立的模型精度优于反射率倒数变换与反射率。研究区土壤电导率的预测模型选取经一阶微分变换后的全波段偏最小二乘回归建模方法为最佳模型，精度指标可达到 0.85，相对分析误差可达到2.56。     

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。     

基于野外实测光谱的潍北地区土壤全盐量监测研究

为提高潍坊北部地区土壤全盐量监测精度,研究利用光谱测量技术,采集80个土壤样本的光谱数据,其中41个土样测定化学成分。对光谱进行一阶微分(FDR)、二阶微分(SDR)、倒数对数变换(Log(1/R)),将三种指标与土壤全盐量建立逐步多元回归模型和主成分回归模型,并分析在不同指标下所建模型的精度,旨在实现研究区土壤全盐量的定量反演。结果表明:利用光谱变换的一阶微分(FDR)、二阶微分(SDR)所建立的逐步多元回归模型和主成分回归模型的建模系数R~2均大于0.80,说明建模精度较高。在进行检测样本精度检验比较后,其中利用一阶微分(FDR)变换建立的主成分回归模型最稳定,检验精度最高,土壤全盐量建模决定系数R~2为0.931,均方根误差RMSE为0.188,其次为一阶微分逐步多元回归模型。     

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。     

新疆艾比湖湿地土壤有机碳含量的光谱测定方法对比

干旱半干旱地区湿地土壤中的有机碳是影响土壤质量,制约植物生长的重要因素之一,其含量的变化会影响生态系统的安全和稳定。为快速估测湿地土壤有机碳含量,在新疆艾比湖湿地保护区采集140个荒漠土壤样品,利用土壤可见/近红外光谱数据以及化学分析获取的土壤有机碳数据,在对土壤原始光谱反射率进行卷积平滑的基础上,获取了一阶微分、倒数对数一阶微分2种光谱预处理指标,采用蚁群-区间偏最小二乘法、基于支持向量机的回归特征消去法,选择土壤有机碳含量近红外光谱特征波长,在此基础上构建土壤有机碳含量偏最小二乘回归、支持向量回归模型。结果表明:1)利用原始一阶微分建立的模型,预测能力优于倒数对数一阶微分建立的模型。2)4种建模结果比较显示,利用原始一阶微分经基于支持向量机的回归特征消去法进行特征变量选择后建立的土壤有机碳含量模型,预测精度最高。训练集的相关系数以及均方根误差分别为0.9687、0.158%;测试集的相关系数和均方根误差分别为0.9091以及0.268%。因此,经过卷积平滑以及一阶微分预处理、并利用基于支持向量机的回归特征消去法建立的模型具有较高的预测精度和较好的稳健性,可以作为有效手段估算荒漠湿地土壤有机碳含量。     

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。     

基于多光谱影像反演土壤盐分的建模方法研究

土壤盐分的定量遥感反演,为快速、准确、全面地监测盐渍化状况提供了可能。本文以黄河三角洲地区垦利县为例,实地调查采集土壤样本,并获取同时相Landsat 8影像,建立土壤盐分遥感反演的BP神经网络、偏最小二乘回归、主成分分析、多元线性回归多种模型,进而进行精度对比分析,评价、优选最佳建模方法,最后,基于最佳模型进行研究区土壤盐分的空间分布反演分析。结果显示:遥感影像的反射率与土壤盐分含量并不是单纯的线性关系,构建的盐分估测模型BP神经网络预测决定系数为0.8467,均方根误差为0.071,明显高于传统线性统计模型,能较好地模拟土壤盐分与光谱数据的关系。该研究既能为盐渍土的治理、利用提供数据支持,又能推动盐渍化区域遥感研究的定量发展。     

土壤盐渍化高光谱特征分析与建模

基于高光谱遥感技术快速、无损的检测优势,以新疆渭干河-库车河三角洲绿洲为例,探讨利用反射光谱来预测土壤含盐量的可行性。利用野外采集的土壤样本,在实验室内测得了土壤含盐量及原始光谱反射率。利用光谱分析技术计算高光谱指数,与土壤样本含盐量进行相关性分析,筛选出土壤含盐量的光谱特征波段,基于逐步多元线性回归和偏最小二乘回归建立土壤盐分动态监测模型。通过精度检验,结果表明:基于偏最小二乘回归方法,以对数二阶微分光谱特征波段所构建的盐渍化遥感监测模型最优,模型的稳定性和预测精度最高。利用反射光谱来预测土壤含盐量可实现区域尺度上的土壤盐渍化实时监测和评价。     

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。     

利用多源光谱信息反演宁夏银北地区干湿季土壤含盐量

土壤盐渍化是导致全球荒漠化和土壤退化的主要诱因之一。为确定高光谱和多光谱遥感反演干湿季土壤含盐量的最优模型,该研究以宁夏银北平罗县为例,以干季(4月)和湿季(10月)实测高光谱和Landsat 8 OLI多光谱以及干湿两季实测土壤含盐量为基础数据源,利用相关系数法、灰度关联法和逐步回归法筛选敏感光谱数据,分别采用偏最小二乘、支持向量机、岭回归、BP神经网络和地理加权回归建立干湿两季土壤含盐量反演模型。结果表明:1)银北地区土壤盐渍化较为严重,干湿季含盐量均表现为强度变异,且干季变异程度大于湿季;2)在不同土壤含盐量条件下,重采样后的高光谱波段反射率和影像波段反射率具有显著相关性;3)对比相关性分析、灰度关联和逐步回归三组变量筛选方法下各模型R2和RMSE,逐步回归组模型整体效果较好;4)5种土壤含盐量反演模型中地理加权回归模型精度较高,支持向量机算法和BP神经网络算法在基于不同变量组的模型中表现较为接近,岭回归表现最差,偏最小二乘回归模型出现了较严重的"过拟合"现象。局部模型在土壤含盐量反演方面更具优越性。干季以实测灰度关联组-地理加权回归模型效果最佳,其验证决定系数Rp2和相对分析误差RPD分别为0.94和4.49;湿季以影像相关系数组-地理加权回归模型反演效果最好,其验证决定系数Rp2和相对分析误差RPD分别为0.96和4.83。研究结果可为当地及同类地区土壤盐渍化的识别、防治提供理论依据。     

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。     

基于连续统去除法的土壤盐分含量反演研究

通过对新疆维吾尔自治区温宿县、和田县、拜城县191个土样的原始反射率进行连续统去除及连续统去除的一阶微分处理,分析了盐分的高光谱吸收特征及敏感波段,并建立了盐分含量的多种高光谱定量反演模型。结果表明,在400~2 400 nm波段,土壤反射率与盐分含量之间无明显规律。640~700 nm波段的连续统去除数据与含盐量呈极显著负相关,而710~780 nm波段呈极显著正相关。原始反射率经连续统去除处理后,可明显提高反演模型的预测性能。基于盐分光谱指数和吸收特征参数构建的反演模型的稳定性及预测能力不如连续统去除、连续统去除一阶微分的400~2 400 nm或敏感波段的偏最小二乘回归(PLSR)模型。所有模型中,仅有以400~2 400 nm和640~700 nm连续统去除数据所建模型的相对分析误差(RPD)达2.5以上,分别为2.62和2.52,且二者其余各项评价指标差异不大。以640~700 nm波段连续统去除数据构建的PLSR模型对南疆水稻土盐分含量具有很好的反演效果。     

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。     

基于改进植被指数的黄河口区盐渍土盐分遥感反演

快速获取土壤盐分的含量、特征及空间分布信息是盐渍土治理、利用的客观需求。该文针对黄河三角洲盐渍土,以垦利县为例,基于Landsat 8 OLI多光谱影像,在传统植被指数的基础上引入短波红外波段进行扩展,提出了改进植被指数;然后基于改进前后对应的植被指数,分别采用多元逐步回归(multivariable linear regression,MLR)、反向传播神经网络(back propagation neural networks,BPNN)和支持向量机(support vector machine,SVM)方法构建土壤盐分含量的遥感反演模型,并进行模型验证、对比和优选;最后基于最佳模型进行研究区土壤盐分含量的空间分布反演和分析。结果显示:相对传统植被指数,扩展后植被指数可增强与土壤盐分的相关性,大幅降低指数间的多重共线性;采用上述3种方法建模,改进后模型的精度比改进前都有提高,验证集决定系数R2提高0.04~0.10,均方根误差RMSE降低0.13~0.73,相对分析误差RPD提高0.25~0.34,改进后模型RPD均大于2.0,普遍达到性能良好;对比3种建模方法,SVM建模精度最高,BPNN模型次之,MLR分析精度最低,最佳模型为基于改进植被指数的土壤盐分含量支持向量机反演模型,建模集R2和RMSE为0.75、3.48,验证集R2、RMSE和RPD为0.78、3.02和2.56,模型较为准确、可靠;基于该模型反演的研究区土壤盐分含量整体较高,盐渍化程度空间分布表现为自西南部农业生产区至东北沿海区域逐渐加重,与实地调查一致。研究表明基于Landsat 8 OLI多光谱影像,引入第7波段对植被指数进行改进,从而构建土壤盐分含量的支持向量机模型,可获得较好的土壤盐分空间分布反演结果。     

河北铅锌尾矿库区土壤重金属含量高光谱反演方法对比

为更好地研究利用光谱反映的土壤重金属信息，实现具有多重金属复合污染问题的铅锌矿区土壤重金属含量高光谱快速估测，该研究以河北省某铅锌矿区为例，首先对研究区土壤的Cu、Cr、Ni、Zn、Cd、Pb污染状况进行了评价分析，其次基于实验室高光谱数据，组合变换光谱、特征变量和反演算法形成不同反演策略，通过各反演策略下的重金属反演精度比较，定量分析不同光谱预处理、特征选择和建模算法的优劣与适应性，构建最优反演模型。研究结果表明：1）研究区土壤Cr、Ni清洁程度较好，其余Cu、Zn、Cd、Pb均有不同程度污染；参比当地土壤背景值，区域内梅罗综合污染指数均值29.7，为重度污染，潜在生态风险因子均值1330.3，处于高生态风险状态；2）光谱预处理可以增强土壤重金属信息表达。其中，光谱微分效果较好，但易受噪声影响，而多元散射校正、标准正态变量、倒数对数变换可以进行光谱去噪，提升处理效果；3）特征选择方法中，相关系数法选择特征波段数目多，不同重金属反演R² 差异较大；Boruta法选择特征波段数目少，不同重金属反演R² 差异较小；4）BPNN、XGBoost可以较好描述重金属含量与光谱的非线性关系，相较于其他算法具有更好表现，分别实现了Cr、Ni、Zn和Pb、Cd的最优反演，SVMR实现了Cu的最优反演。研究表明，不同的光谱预处理、特征选择与建模算法对于土壤重金属含量的反演均具有较大影响，选择合适的处理、建模算法可以有效提升反演精度。该研究为进一步实现高效、准确、大范围遥感监测铅锌矿区土壤重金属污染状况提供参考依据。     

Transferability and scalability of soil total carbon prediction models in Florida, USA

The applicability, transferability, and scalability of visible/near-infrared (VNIR)-derived soil total carbon (TC) models are still poorly understood. The objectives of this study were to: i) compare models of three multivariate statistical methods, partial least squares regression (PLSR), support vector machine (SVM), and random forest methods, to predict soil logarithm-transformed TC (logTC) using five fields (local scale) and a pooled (regional-scale) VNIR spectral dataset (a total of 560 TC spectral datasets), ii) assess the model transferability among fields, and iii) evaluate their up- and downscaling behaviors in Florida, USA. The transferability and up- and downscaling of the models were limited by the following factors: i) the spectral data domain, ii) soil attribute domain, iii) methods that describe the internal model structure of VNIR-TC relationships, and iv) environmental domain space of attributes that control soil carbon dynamics. All soil logTC models showed excellent performance based on all three methods with R² > 0.86, bias < 0.01%, root mean squared error (RMSE) = 0.09%, residual predication deviation (RPD) > 2.70%, and ratio of prediction error to interquartile range (RPIQ) > 4.54. The PLSR method performed substantially better than the SVM method to scale and transfer the TC models. This could be attributed to the tendency of SVM to overfit models, while the asset of the PLSR method was its robustness when the models were validated with independent datasets, transferred, and/or scaled. The upscaled soil TC models performed somewhat better in terms of model fit (R²), RPD, and RPIQ, whereas the downscaled models showed less bias and smaller RMSE based on PLSR. We found no universal trend indicating which of the four limiting factors mentioned above had the most impact that constrained the transferability and scalability of the models. Given that several factors can impinge on the empirically derived soil spectral prediction models, as demonstrated by this study, more focus on their applicability and scalability is needed.