应用红外光声光谱技术及支持向量机模型测定土壤有机质含量

快速测定土壤有机质含量对作物生产和土壤肥力评价具有重要意义,红外光声光谱技术的应用为土壤有机质快速测定提供了可能。本研究以江苏省南京市溧水区水稻土土样为材料,探究了红外光声光谱技术在有机质测定中的应用。采用主成分分析、偏最小二乘和独立成分分析,分别提取了土壤光谱的主成分、偏最小二乘潜变量和独立成分,并以提取的信息输入支持向量机,从而构建了三种支持向量机校正模型。同时,偏最小二乘也被用于建立校正模型,作为支持向量机模型的对照。预测结果表明,基于独立成分的支持向量机模型效果最好,预测相关系数R2、均方根误差RMSEP和实际测量值的标准差与光谱模型预测值标准差的比值即RPD值分别为0.808、0.575和2.28。F检验表明,该模型显著优于基于主成分的支持向量机模型,但与基于偏最小二乘潜变量的支持向量机模型,以及经典偏最小二乘模型没有显著差异。t检验表明,各校正模型对有机质的预测结果与化学测定结果没有显著差异。因此,红外光声光谱技术为土壤有机质的快速测定提供了新的技术手段。     

基于LS-SVM的草莓固酸比和可滴定酸近红外光谱定量模型

为提高草莓固酸比和可滴定酸近红外光谱定量模型的性能,该文采用偏最小二乘法提取的潜在变量作为最小二乘-支持向量机模型的输入变量,建立了两指标的近红外定量模型,并与偏最小二乘模型结果进行了比较,建模所使用的光谱范围为6000～12500 cm-1。结果表明,草莓可滴定酸和固酸比偏最小二乘模型校正相关系数、校正和预测均方根误差分别为0.430、0.096%、0.096%及0.688、0.926和1.190,而两指标的前10个潜在变量得分作为输入变量的最小二乘—支持向量机模型各项性能均远优于偏最小二乘模型,其校正和预测相关系数、校正和预测均方根误差以及剩余预测偏差分别为：可滴定酸0.965、0.967、0.028%、0.027%、3.881;固酸比0.980、0.973、0.258、0.373、3.111。研究表明,潜在变量作为最小二乘支持向量机模型的输入变量可在较大程度上改善草莓可滴定酸和固酸比指标近红外定量模型的预测性能和稳定性。     

基于高光谱的柑橘叶片钾含量快速诊断模型

及时准确地监测柑橘树体钾营养状况,有助于科学施肥,提高柑橘果实的品质和产量。试验对采集的W·默科特叶片钾含量及叶片光谱信息进行相关性分析,利用主成分分析和连续投影算法进行降维处理,同时结合偏最小二乘回归和最小二乘支持向量机回归分别建立了叶片钾含量预测模型。结果显示,柑橘叶片钾含量特征波长主要集中在450～600 nm、700 nm左右、980～1030 nm区域;最小二乘支持向量机回归模型的预测效果明显优于偏最小二乘回归模型,预测集相关系数达0.91。结果表明,利用高光谱成像技术结合最小二乘支持向量机回归可实现对柑橘叶片钾含量的快速诊断。     

基于高光谱的复垦农田土壤有机质含量估测

为了快速准确估算矿区复垦土地土壤有机质含量,以永城矿区复垦农田为例,在土样有机质含量测定和高光谱数据测量的基础上,对土壤高光谱数据进行多种预处理并与有机质实测含量进行相关性分析,利用相关系数进行P=0.01水平显著检验,确定敏感波段,建立一元线性回归、多元逐步回归和偏最小二乘回归等多种有机质含量与高光谱估测模型。结果表明:经过数学变换的土壤光谱反射率与土壤有机质含量相关性显著提高,复垦区土壤光谱经过多元散射校正和一元微分处理并利用偏最小二乘回归模型建模预测效果最好。当前较少有研究对矿区复垦农田土壤有机质进行高光谱估测,本研究成果可为有效利用高光谱遥感技术,快速、有效地测定复垦农田土壤有机质含量提供技术支撑。     

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。     

柑桔黄龙病近红外光谱无损检测

为探讨快速无损检测柑桔黄龙病的可行性,应用近红外光谱技术结合机器学习方法进行研究。在4000~9000cm-1光谱范围内,采集黄龙病、缺素和健康3类叶片样本的近红外光谱。采用一阶导数、平滑和多元散色校正组合的光谱预处理方法,消除光谱的基线漂移和散射效应。分别对偏最小二乘判别模型(PLS-DA)的主成分因子数和最小二乘支持向量机(LS-SVM)的输入变量数量、核函数类型及其参数进行了优化,建立了PLS-DA和LS-SVM模型。采用预测集样本,评价模型的预测能力,经比较,采用11个主成分得分向量为输入、线性核函数和惩罚因子为2.25的LS-SVM模型预测效果最佳,模型误判率为0。结果表明采用近红外光谱技术结合最小二乘支持向量机进行柑桔黄龙病无损检测是可行的。     

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。     

近红外光谱快速检测食用油必需脂肪酸

为了建立食用油必需脂肪酸快速检测的方法,该研究提出了基于近红外光谱技术检测食用油中α-亚麻酸和亚油酸含量的快速测定方法。对光谱信息分别采用偏最小二乘回归方法(PLS)和最小二乘支持向量机(LS-SVM)建立模型。比较了多种光谱预处理方法对模型预测能力的影响。结果表明对于亚油酸含量的预测,采用Savitzky-Golay平滑法结合多元散射校正(MSC)的光谱预处理所建立的LS-SVM模型最优。预测集的决定系数(R2)、预测均方根误差(RMSEP)和剩余预测偏差(RPD)分别达到了0.989,0.0161和9.4783。对于α-亚麻酸含量的预测,采用Savitzky-Golay平滑法结合标准正态变换(SNV)的光谱预处理所建立的LS-SVM模型最优。α-亚麻酸含量预测结果的R2、RMSEP和RPD为0.972,0.0036和6.0561,据此表明,应用近红外光谱技术能够检测食用油中α-亚麻酸和亚油酸的含量,为快速检测食用油的必需脂肪酸提供了参考。     

基于环境减灾卫星高光谱数据的盐碱地等级划分

为了进行盐碱地的有效防治,以松辽盆地为例,基于环境减灾卫星(HJ-1A)高光谱数据,对比曲线回归、最小二乘支持向量机回归二种非线性回归模型在含盐率反演中的预测效果,探索该区土壤盐碱化指标定量反演的最佳模型,最终采用最小二乘支持向量机(LS-SVM)回归预测的方法,在盐碱化较严重的大庆地区进行了多种盐碱地指标反演,并采用...     

多种潮土有机质高光谱预测模型的对比分析

为了对比不同方法建模效果的差异,筛选潮土有机质高光谱最佳预测模型,该研究采集国家潮土土壤肥力与肥料效益长期监测站不同施肥处理耕层土样83份,采用25种光谱预处理方法(15种单一预处理方法,10种预处理方法相加算法)结合3种建模方法(多元线性回归、偏最小二乘回归、支持向量机回归),构建不同的潮土有机质高光谱预测模型。对比模型预测结果表明,最佳光谱建模方法是偏最小二乘回归法,该方法结合多种预处理方法均获得了较高的模型预测精度和可靠性,25个检验模型的平均决定系数、均方根误差值RMSEv和相对分析误差RPD值分别为0.913、1.264 g/kg和3.299。使用预处理方法相加算法能更好地提升模型精度,相比使用单一预处理方法,3种建模方法的检验模型平均决定系数分别提高了0.049、0.033和0.071,RMSEv分别降低了0.318、0.204和0.528 g/kg,RPD值分别提高了0.530、0.307和1.144。先用多元散射校正法再进行5个平滑点数的一阶导数预处理在3种建模方法中表现均较好(平均决定系数=0.934,平均RMSEv=1.17 g/kg,平均RPD=3.59),可作为潮土有机质预测模型的通用预处理方法。偏最小二乘回归模型结合最大值标准化预处理所建模型(决定系数=0.948,RMSEv=0.972 g/kg,RPD=4.276)精度高、可靠性强,且建模过程数据运算更为简便,是筛选出的最佳潮土有机质高光谱预测模型。该研究结果对潮土有机质高光谱预测建模有一定的指导作用,并为筛选最佳高光谱预测模型提供技术参考。     

去除水分影响提高土壤有机质含量高光谱估测精度

土壤水分的影响是当前采用光谱分析法预测土壤养分含量的关键问题,该文旨在探索去除土壤水分影响、提高有机质高光谱定量估测精度的方法。首先采用地物光谱仪进行湿土和过筛干土的高光谱测试,并进行一阶导数变换;然后,采用奇异值分解(singular value decomposition,SVD)结合相关分析筛选土壤水分特征光谱,构建去除水分因素的修正系数,形成湿土光谱的校正光谱;最后基于校正前后湿土光谱,应用偏最小二乘(partial least squares,PLS)回归构建土壤有机质含量的估测模型,并对模型进行验证和比较,分析评价校正前后光谱的预测精度。结果显示:按土壤水分含量梯度划分的2组和全部棕壤及褐土土样共4组样本校正后建模决定系数和均方根误差分别为0.85、0.82、0.74、0.76和0.19%、0.20%、0.23%、0.19%,决定系数提高了0.02~0.09,均方根误差降低了0.01~0.03百分点,验证决定系数、均方根误差和相对分析误差分别为0.78、0.77、0.72、0.76,0.21%、0.15%、0.21%、0.15%和2.03、2.02、1.86、1.98,决定系数提高了0.06~0.15,均方根误差除褐土土样提高0.02百分点外,其他样本组降低了0.01~0.08百分点,相对分析误差提高了0.17~0.43,模型决定系数和相对分析误差得到显著提升;尤其对于土壤水分含量变异系数较小的3组土样,模型从待改进级别提高到性能良好级别,对土壤有机质含量具有较好的预测准确性。说明该方法用于去除土壤水分因素影响和提高有机质含量高光谱估测精度的有效性。     

基于EPO-PLS回归模型的盐渍化土壤含水率高光谱反演

表层土壤含水率对于指导农业灌溉有重要的作用。研究表明,土壤光谱受到土壤水分和盐分的共同影响,但对于盐渍化地区的土壤含水率高光谱反演却很少涉及。该文通过对11组不同含盐量土壤室内蒸发过程连续监测,获取相关反射率光谱和水分、盐分的变化数据,利用外部参数正交化方法(external parameter orthogonalisation,EPO)预处理土壤光谱,滤除盐分(质量比0.1%~5.0%)的影响,建立经过EPO预处理后的偏最小二乘(partial least squares regression after EPO pre-processing,EPO-PLS)土壤水分预测模型。与偏最小二乘(partial least square model,PLS)模型相比,验证样本的决定系数R2和对分析误差RPD(residual predictive deviation)分别从0.722、1.976上升到0.898、3.145;均方根误差RMSE从5.087 g/(100 g)减少到3.237 g/(100 g)。通过EPO算法预处理后的模型性能提升显著,利用该方法能够有效的消除土壤盐分的影响,很好地实现盐渍化地区的水分含量估测。     

基于Landsat-8数据的土壤颜色预测方法研究

选择黑龙江省292个自然风干土壤样品,室内测定土壤高光谱反射率,然后依据三刺激值法计算土壤CIE XYZ色彩空间各颜色分量,用于土壤颜色预测和验证.同时,提取各样品采集点位的Landsat-8 OLI原始反射率数据,计算归一化差值植被指数、归一化差值水体指数、归一化差值湿度指数、归一化差值不透水面指数,并据此提出建模光...     

消除水分因素影响的野外原状土壤盐分高光谱建模估测

土壤水分被确定为土壤属性(有机碳、盐分等)光谱预测准确性下降的一个主要原因,该文通过两种方法的对比旨在探索去除土壤水分影响、提高盐分高光谱定量估测精度的方法和技术路线。首先以山东省东营市垦利区为研究区,采用地物光谱仪测定了96个样本的野外原状土和室内风干土光谱,并进行一阶导数变换;接着,对比分析盐分光谱特征及水分的影响;然后分别采用外部参数正交化(external parameter orthogonalization,EPO)和非负矩阵分解(non-negative matrix factorizing,NMF)方法校正和融合野外原状土光谱,去除土壤水分因素的影响,形成野外原状土光谱的校正和融合光谱;最后基于野外原状土光谱、校正和融合光谱,分别采用多元逐步线性回归(multiple step linear regression,MSLR)和偏最小二乘回归(partial least squares regression,PLSR)构建土壤盐分含量的估测模型,并进行验证和比较,分析预测精度变化。结果显示:土壤水分对野外原状土光谱及盐分光谱特征影响较大,需要研究去除;EPO和NMF均可提高土壤盐分野外原位光谱估测精度,比较而言,NMF效果更为显著;EPO结合PLSR或NMF结合MSLR可作为去除水分影响的土壤盐分校准模型的技术路线。     

基于差异化光谱指数的盐渍土水分含量预测——以滨海盐土为例

以滨海盐土为研究对象,通过添加不同浓度的盐溶液并模拟蒸发过程,获取不同含水、含盐量的土壤样品,并测定土壤光谱和土壤含水量,分别运用光谱指数法和偏最小二乘回归法(PLSR)对土壤含水量进行预测。结果表明：由2027 nm和1878 nm构建的土壤水分差异化光谱指数(NDMI2027,1878)是预测土壤水分的最优指数,且适用于任何等级的盐渍化土壤,其建模集和验证集的预测结果均优于PLSR方法,验证集R2达0.99,RMSE仅为21.84 g/kg,可比较准确地预测盐渍化土壤的含水量。     

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。     

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。     

高光谱技术结合CARS算法预测土壤水分含量

高光谱技术已成为预测土壤含水量(soil moisture content,SMC)的重要方法,但因土壤高光谱中包含了大量冗余信息和无效信息,不仅导致SMC的高光谱估算模型复杂度高,而且影响了模型的预测精度。因此,该研究在室内设计SMC梯度试验,测定土壤高光谱反射率,经Savitzky-Golay平滑(Savitzky-Golay smoothing,SG)和连续统去除(continuum removal,CR)预处理后,基于竞争适应重加权采样(competitive adaptive reweighted sampling,CARS)方法分别优选出土壤在全部SMC的水分敏感波长变量,确定适用于土壤在全部SMC的共性波长变量,以其为优选变量集,采用偏最小二乘(partial least squares regression,PLSR)回归方法建立模型并进行验证。结果表明,SG和CR预处理后的光谱曲线在450、1 400、1 900、2 200 nm附近吸收峰的形状特征凸显;基于CARS方法对土壤在不同SMC的光谱曲线进行变量优选后,得出优选变量集为443~449、1 408~1 456、1 916~1 943、2 209~2 225 nm;CARS-PLSR模型性能优于全波段PLSR模型,模型预测R2、均方根误差、相对分析误差分别为0.983、0.0144、8.36,不仅提升了预测精度和预测能力,而且降低了变量维度和模型复杂度。该文通过优选土壤水分的敏感波段,有效提高了SMC预测模型的鲁棒性,为快速准确评估农田墒情提供了新途径,为开发田间SMC测定传感器提供了理论依据。     

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。