黄土高原煤矿区复垦农田土壤有机质含量的高光谱预测

【目的】针对黄土高原丘陵地多、地形复杂、有机质含量低、采样困难以及因采煤活动引起大面积土地损毁等问题,在土地复垦与综合整治过程中,为快速定量监测与评估复垦农田土壤质量提供一种新的方法。【方法】以山西省襄垣县复垦农田土壤为研究对象,选取由北向南土地损毁中间条带状区域采集样品152个,进行室内土壤农化分析、光谱测定,运用ParLes 3.1软件对光谱曲线进行多元散射校正（multipication scatter correction,MSC）、基线偏移（baseline offset correction,BOC）和Savitzky-Golay filter平滑去噪预处理。对土壤原始光谱反射率（raw spectral reflectance,R）作一阶微分（first order differential reflectance,D（R））和倒数的对数变换（inverse-lg reflectance ,lg（1/R））,分析3种不同变换形式的光谱数据与土壤有机质含量的相关性,相关系数通过P=0.01水平显著性检验来确定显著性波段的范围。基于全波段（400-2400 nm）和显著性波段利用偏最小二乘回归（partial least squares regression,PLSR）分析方法建立该区域土壤有机质含量高光谱预测模型,通过模型精度评价指标：决定系数（coefficient of determination,R²）、均方根误差（root mean square error,RMSE）和相对预测偏差（residual prediction deviation,PRD）确定最优模型。【结果】通过P=0.01水平显著性检验的波段范围为：R的400-1 800、1880-2 400 nm;D（R）的420-790、1 020-1 040、2 150-2 200 nm;lg（1/R）的400-1 830、1 860-2 400 nm。光谱与有机质含量的相关系数绝对值最大的波段是R的800 nm;D（R）的600 nm;lg（1/R）的760 nm。进行D（R）变换,光谱曲线的吸收特征更加明显,相关系数在可见光（400-800 nm）波段范围内有所增加,其最大值由0.72提高到了0.82;基于显著性波段的PLSR建模效果优于全波段,其中lg（1/R）变换的预测精度为最佳,具有很好的预测能力,其校正模型的R²和RMSE分别为0.95、7.64,预测模型的R²、RMSE和RPD分别为0.85、3.00、2.56;基于全波段的R-PLSR和lg（1/R）-PLSR模型具有较好的预测能力,其预测模型的R²、RMSE和RPD分别为0.79、3.64、2.10和0.79、3.53、2.17,而D（R）-PLSR模型只能进行粗略估测,其预测模型的R²、RMSE和RPD分别为0.61、5.43、1.41。综合分析全波段和显著性波段3种光谱数据的预测精度,发现基于显著性波段的R-PLSR、D（R）-PLSR、lg（1/R）-PLSR模型均取得了显著的预测效果。【结论】研究区土壤光谱反射率与土壤有机质含量具有高度的相关性,应用偏最小二乘回归分析方法可以很好地建立土壤有机质含量反演模型。     

基于特征波长选择和建模的高光谱土壤总氮含量估测方法研究

以皖北地区采集的115个砂姜黑土样本为研究对象,获取土壤样本光谱数据,采用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)、随机森林特征选择算法(RFFS)对土壤总氮含量特征波长进行选择,并分别应用偏最小二乘回归(PLSR)、支持向量机回归(SVR)、最小绝对值收缩和选择算子回归(LASSO)建立土壤总氮含量估算模型。结果表明,除CARS-PLSR方法模型精度低于相应的全波长模型外,其他基于选定的特征波长进行建模的效果都优于全波长。综合比较各变量筛选与回归建模组合发现,RFFS方法从全波长(224个波长)中筛选出20个特征波长建立土壤总氮含量的LASSO模型效果最好,该模型在预测集上的决定系数(R²)和相对分析误差(RPD)值分别为0.787 1和2.130 1。RFFS-LASSO模型简单,预测效果好,对土壤总氮含量近地传感器设备开发具有一定的指导意义。     

Worldview-2不同波段纹理特征对森林蓄积量估算精度影响

为检测高分辨率遥感影像不同波段纹理特征对于森林蓄积量估算精度的影响,以湖北省荆门市京山县太子山林场马尾松纯林为对象,基于灰度共生矩阵的方法分别提取高分辨率遥感影像Worldview-2 红光、绿光、蓝光、近红外波段和全色波段的纹理特征,利用随机森林算法,分别建立野外样地蓄积量与纹理参数的模型。结果表明,全色波段对马尾松森林的精度最高（R²=0.86,RMSE=47.37 m³·hm^-2）,其次是绿色波段（R²=0.85,RMSE=50.82 m³·hm^-2）和近红外波段（R²=0.85,RMSE=46.85 m³·hm^-2）,蓝色波段（R²=0.68,RMSE=60.72 m³·hm^-2）和红色波段（R²=0.69,RMSE=56.27 m³·hm^-2）的精度最低;窗口大小对模型精度影响较小,全色波段的R²取值在0.82~0.86,RMSE取值在47.66~51.99 m³·hm^-2,多光谱波段的R²取值在0.88~0.89;蓝色和红色波段的非相似度（DIS）的估算模型精度相对较高,绿色波段的对比度（CON）（R²=0.87,RMSE=46.21 m³·hm^-2）估算精度最高,红色波段的非相似度（R²=0.68,RMSE=58.30 m³·hm^-2）估算精度较高,近红外波段的角二阶矩阵（ASM）（R²=0.68,RMSE=60.30 m³·hm^-2）精度最高,全色波段的对比度、相关性、熵、变化量模型精度较高,R2为0.85。利用高分辨率遥感影像纹理特征估算森林参数时需综合考虑不同波段的纹理特征对模型的贡献。     

基于高光谱的山区耕地土壤有机质含量估测

以贵州省典型山区耕地土壤高光谱数据为研究对象,基于光谱变换法和机器学习原理构建贵州省山区耕地土壤有机质(SOM)含量估算模型。于2020年8月至2021年3月在贵州省13个县(区、市)采集了120个土壤样品,检测土壤可见光-近红外波段光谱信息,利用5种光谱数据变换(原始光谱、一阶微分、二阶微分、倒数对数的一阶微分、连续统去除)和4类模型(偏最小二乘回归、支持向量机、随机森林和BP神经网络)组合出不同土壤有机质含量的预测模型,按照3∶1选择训练样本和测试样本以估算山区SOM含量。结果表明,一阶微分数据变换与山区SOM含量的相关性较高,相关系数最高达到-0.635;反演模型中,基于一阶微分光谱变换构建的BP神经网络模型精度最高,训练集、测试集的决定系数(R²)分别为0.845、0.838,测试集均方根误差(RMSE)为3.452,相对分析误差(RPD)达到2.470,其次是RF、PLSR模型的RPD较高,SVM模型的RPD最低。光谱数据变换中一阶微分法能极大程度提取出山区耕地的SOM含量信息,BP神经网络模型是估算山区SOM含量的最优模型,本研究结果可为贵州省山区耕地...     

便捷式近红外光谱仪在土壤养分中的预测研究

采集位于云南省昆明、安宁、弥勒3个地区的350份土壤样品,利用便携式近红外光谱仪进行光谱的扫描并构建全氮、全钾、全磷和有机质4项养分的近红外预测模型。结果表明,在950～1 650 nm,不同地区的土壤样品光谱的轮廓较为接近;全氮、全磷、有机质的最佳预处理方法为一阶导数,全钾的最佳预处理方法为标准正态变量变换(SNV),光谱数据经过预处理后可提高模型的预测能力,并降低模型的复杂度;在土壤养分的PLS预测模型中,全氮、全钾、全磷和有机质的决定系数(R²)分别为0.789 9、0.910 8、0.947 0和0.833 6,RPD值分别为2.108、2.903、3.938和2.238,模型的拟合效果和预测能力均较好,基于便携式近红外光谱分析技术能实现对土壤养分含量的预测。     

基于RapidEye的人工林生物量遥感反演模型性能对比

利用2012年RapidEye高空间分辨率遥感影像并结合野外样方数据,采用多种建模技术进行生物量的反演和制图。先依据RapidEye光谱数据发展出包括NDVI、RVI等多种植被指数、光谱特征图像及纹理特征,再通过相关分析筛选建模所需因变量,采用支持向量机、BP神经网络和随机森林算法建立森林生物量估测模型并进行精度验证。结果表明,基于支持向量机的建模R²为0.687,验证R²为0.641,平均相对误差为0.306;基于BP神经网的建模R²为0.552,验证R²为0.358,平均相对误差为0.525;基于随机森林的建模R²为0.850,验证R²为0.324,平均相对误差为0.468。采用支持向量机算法所制作的空间意义明确的森林生物量分布图,为制定合理的森林经营措施提供有益指导。     

海南岛橡胶林土壤真菌群落多样性的季节变化特征及其驱动因子分析

探究海南岛橡胶林土壤真菌群落多样性的季节变化特征及其环境驱动因子,为天然橡胶产业的可持续发展提供科学依据。以海南岛橡胶林旱季和雨季的土壤真菌为研究对象,使用Illumina Miseq高通量测序法,对土壤真菌的α、β多样性和群落结构组成及与环境因子的关系进行分析。结果表明,1)海南岛橡胶林共检测到真菌9门、37纲、115目、289科、818属,优势菌门依次为子囊菌门(Ascomycota)、担子菌门(Basidiomycota)和接合菌门(Zygomycota);2)橡胶林土壤真菌雨季土壤真菌丰富度和多样性均高于旱季,基于 Bray-Curtis距离的PCoA分析,不同季节土壤真菌群落β多样性差异显著(ANOSIM:R=0.051,P=0.001),PERMANOVA分析结果表明,季节变化解释了真菌群落组成差异的1.7%(R²= 0.017,P=0.001);3)真菌α多样性与pH(R²=0.19,P<0.001)、温度(R²=0.14,P<0.001)、全N(TN:R²=0.13,P<0.001)呈显著正相关。温度、全N、有机质、降雨量和pH分别解释了真菌群落组成的8.90%、5.42%、4.73%、4.32%、4.29%。橡胶林土壤真菌群落存在显著的旱雨季变化,pH、温度、全N是影响土壤真菌群落多样性的主要环境因子。     

基于光谱指数的博斯腾湖西岸湖滨绿洲土壤有机碳含量估算模型

以博斯腾湖西岸湖滨绿洲为研究区,将野外原位高光谱实测数据和土壤有机碳（SOC）含量作为基础数据,通过对原始光谱进行4种数学变换,探索不同光谱变换形式下的弓曲差（C）、差值光谱指数（DSI）、简单比值土壤指数（RSI）、亮度光谱指数（BSI）、归一化土壤指数（NDSI）与SOC含量的关系,并建立基于随机森林法（RF）的SOC含量估算模型。结果表明：（1）研究区SOC含量主要集中在5.25～78.76 g/kg,平均值为21.82 g/kg,变异系数为69.11%,呈中等变异性;（2）在光谱数据lgR下,SOC含量与DIS指数相关系数最高,相关系数为0.80,最佳组合波段为（1 758 nm, 1 752 nm）;（3）基于不同光谱指数与弓曲差（C）建立的模型验证集精度R²和RMSE分别介于0.67～0.84和5.85～8.45 g/kg,模型的RPD均在1.66以上;在基于光谱数据lg（1/R）变换下,模型的验证集R²=0.82、RMSE=3.52 g/kg、RPD=3.99,可以较好地估算研究区SOC含量,为干旱半干旱地区湖滨绿洲SOC含量反...     

基于高光谱的春小麦抽穗期叶绿素含量估算方法

对高光谱数据进行预处理是提升高光谱建模精度十分必要且有效的途径。利用高光谱技术分析春小麦作物光谱及其叶绿素含量的变化,对原始光谱反射率及对应的对数、倒数、平方根、对数倒数等4种数学变换及其一阶、二阶微分进行预处理运算,分析春小麦叶片叶绿素含量与预处理后的光谱数据相关性,基于选取的敏感波段对春小麦抽穗期叶绿素含量进行偏最小二乘回归法、BP神经网络2种方法建模并进行模型验证及比较。结果表明:对原始光谱数据数学变换的微分预处理可以明显提高春小麦叶片叶绿素含量与光谱反射率的相关性;通过显著性检验的敏感波段数量经一阶、二阶微分预处理呈现明显增加趋势,对应数学变换的波段数量有所不同;对数变换的二阶微分处理所建立的PLSR模型为最优模型,该模型精度参数为决定系数R■=0.93,校正均方根误差RMSE_c=2.53,预测决定系数R~2_p=0.91,预测均方根误差RMSE_p=2.41,相对分析误差RPD=3.20。说明数学变换的微分预处理过后的模型精度和稳健性有了大幅度的提升,并且运用在高光谱遥感反演春小麦抽穗期叶片叶绿素含量上是可行的。     

基于高光谱的石楠叶片叶绿素含量估算模型

准确估算叶绿素含量对于植物生长监测、产量预测、生境的适宜性评价具有重要作用。为寻求叶片叶绿素含量的高精度估算模型,以石楠为对象,实测叶片叶绿素含量和反射光谱反射率,对原始光谱进行变换并计算植被指数,通过相关性分析挑选特征波段,运用多元逐步线性回归和偏最小二乘回归建立叶绿素预测模型。结果表明:1）FDR的逐步线性回归模型和偏最小二乘模型优于R、1/R、LR、SDR;2）DNDVI(R₆₄₅,R_{1 370})的指数函数模型为估算叶绿素含量的最佳单变量模型;3）DRI(R₇₄₇,R_{1 464})与RI(R₇₃₃,R₉₄₄)的逐步线性回归模型精度最高,验证结果的决定系数R²为0.955,均方根误差RMSE为3.145。因此,该模型可以实现叶片叶绿素含量的准确估算,从而为实现高光谱技术监测植被叶绿素含量变化提供依据。     

基于颜色参数和BP神经网络的紫叶李叶片花青素含量估算

目前对植物叶片花青素含量的测定主要是湿化学法和高效液相色谱法(high performance liquid chromatography,HPLC),为简化测定方法,降低成本和提高精度,提出一种利用数码相机获取照片提取的颜色参数构建模型无损估测植物叶片花青素含量的方法。试验测定166份紫叶李叶片的花青素含量及其RGB特征值,对15种颜色参数进行皮尔逊相关分析,构建逐步多元线性回归（stepwise multiple linear regression,SMLR）、一元线性回归（single linear regression,SLR）和BP神经网络（BP neural network,BPNN）估算模型;同时对模型进行验证和比较。结果表明,1）BP神经网络模型建模集的R²、RMSE和MAE分别为0.883、0.412、0.323,验证集的R²、RMSE和MAE分别为0.796、0.462和0.353,相关系数均达到极显著水平;一元线性回归模型中,参数G-B与花青素含量的线性相关性最强,相关系数为-0.820,达到极显著水平;逐步多元线性回归模型的相关系数均达极显著水平,其中建模集的R²、RMSE和MAE分别为0.724、0.630、0.459,验证集的R²、RMSE和MAE分别为0.643、0.616和0.509。2）颜色参数与花青素含量之间具有明显的相关性,利用数码相机获取的颜色特征值估测紫叶李叶片花青素含量具有可行性;3）3种模型中,BP神经网络模型的估测效果最好,能有效地估测紫叶李叶片花青素含量,其次为逐步多元线性回归,一元线性回归模型的预测效果相对较差。     

广东省枫香单木干材生物量生长模型的研建

枫香（Liquidambar formosana）是我国闽北林区重要的乡土树种,生长迅速、适应性强,在观赏、药用、用材等方面都有着重要作用。单木模型是林分模型的基础,通过建立单木生物量生长模型,在时间维度上分析林木生物量生长的动态变化,以期为全面评价森林的固碳能力提供科学依据。采用典型抽样的方法,从广东省9个地区的一类样地附近抽取枫香样木40株（天然起源25株,人工起源15株）,破坏性实测各组分的生物量并进行树干解析得到样木的生物量生长数据。基于逻辑斯蒂（Logistic）、坎派兹（Gompertz）和理查德（Richards）3种基础生长方程,利用哑变量的方法,建立分起源和立地等级的枫香干材生物量生长模型,以决定系数R²、均方根误差RMSE、总相对误差TRE和平均预估误差MPE 4个指标来评价各模型,进而分析枫香干材生物量的生长过程。结果表明,Richards方程在基础模型中效果最佳（R²=0.61,RMSE=50 kg）;与Richards方程相比,哑变量模型R²提高了11%,RMSE降低了7.95 kg;起源与立地等级对枫香干材生物量均产生了较大影响,在天然起源的高立地等级条件下,枫香干材理论最大连年生长量和平均生长量分别在其生长的第23年和第38年到达。     

西瓜生长期的振动预测方法研究

通过自行设计的敲击振动检测系统对西瓜进行敲击振动检测,得到西瓜的频响函数,分别针对频响函数的第一响应频率f₁、第二响应频率f₂和第三响应频率f₃建立预测西瓜生长期的数学模型,模型的确定系数R²较高。且选取了f₁、f₂和f₃三个响应频率建立了预测西瓜生长期的多元非线性回归模型,模型的确定系数R²可达0.830,均方根误差RMSE降低到2.095。该模型的建立为在线无损检测西瓜的生长期提供了理论参考。     

Determining nitrogen status and quantifying nitrogen fertilizer requirement using a critical nitrogen dilution curve for hybrid indica rice under mechanical pot-seedling transplanting pattern

Field experiments of nitrogen(N) treatment at five different application rates(0, 75, 150, 225, and 300 kg ha~(-1)) were conducted under pot-seedling mechanical transplanting(PMT) in 2018 and 2019. Two high-quality and high-yielding hybrids of indica rice, Huiliangyou 898 and Y Liangyou 900, were used in this study. The N nutrition index(NNI) and accumulated N deficit(N_(and)), used to assess the N nutrition status in real-time, were calculated for the indica cultivars under PMT with a critical nitrogen concentration(N_c) dilution model based on shoot dry matter(DM) during the whole rice growth stage. The relationships between NNI and N_(and) with relative yield(RY) were determined, and accurate N application schemes were developed for hybrids indica rice under PMT. The results indicated that high application rate of N-fertilizer significantly increased the concentrations of shoot DM and N in aboveground organs during the observed stages in the two cultivars for two years(P0.05). The N_c dilution model of hybrid indica cultivars was N_c=4.02 DM~(-0.42)(R~2=0.97) combining the two cultivars under PMT. Root-mean-square error and normalized root-mean-square error of the curve verification were 0.23 and 10.61%, respectively. The NNI and N_(and) ranged from 0.58 to 1.31 and 109 to –55 kg ha~(-1), respectively, in the two cultivars for all N treatments. NNI showed a linear relationship with N_(and) during the entire growth stage(0.53R~20.99, P0.01). In addition, NNI showed a linear-plateau relationship with RY(0.73R~20.92, P0.01) throughout the observed stages. These results suggest that the models can accurately diagnose the N-nutrition status and support effective N-fertilizer management in real-time for hybrid indica rice under PMT.     

基于机载LiDAR和光学遥感数据的热带橡胶林叶面积指数反演

叶面积指数（LAI）作为表征植被冠层结构的重要参数，一直是气候变化和生态研究中的热点，遥感技术的发展为大范围叶面积指数的获取提供了可能。以景洪市热带橡胶林为研究对象，以机载LiDAR和Landsat8/OLI为信息源，结合44块样地实测数据，使用支持向量机回归(SVR)、BP神经网络(BPNN)和偏最小二乘回归(PLSR) 3种模型,在前期建立基于林分水平的LAI估测模型的基础上，进一步构建区域尺度的LAI反演模型，实现景洪市橡胶林LAI的反演。结果表明，基于LiDAR的林分水平模型中，SVR模型最优，决定系数（R²）为0.76，相对均方根误差（rRMSE）为17%，估测精度（P）为83%；以SVR模型估测结果作为区域尺度遥感反演模型的先验样本，结合Landsat8/OLI数据的BP神经网络模型反演效果最好，估测精度达76%。     

Cotton Nitrogen Nutrition Diagnosis Based on Spectrum and Texture Feature of Images from Low Altitude Unmanned Aerial Vehicle

【Objective】 Based on the high spatial resolution images of unmanned aerial vehicle (UAV), the effects of removing soil background information and increasing image texture information on the inversion of cotton plant nitrogen concentration were investigated, in order to provide new technology for accurate estimation of cotton nitrogen nutrition status. 【Method】 Cotton water and nitrogen coupling experiment was conducted, and UAV images and plant nitrogen concentration data were measured during different cotton growth stages. Based on the above data, the effect of soil background on cotton canopy spectrum was firstly investigated. Secondly, the correlations between image texture parameters and plant nitrogen concentration were analyzed. Finally, the obtained data was divided into calibration dataset and validation dataset. Different scenarios, including before and after removing the soil background, and adding texture features, were set. The inversion models of plant nitrogen concentration under various scenarios were designed by using the coupled method of spectral indexes and principal component regression, and the performances of the models were compared. 【Result】 The soil background had an effect on the cotton canopy spectrum, and the trends were not the same at different growth stages. There existed significant correlations between image texture parameters and plant nitrogen concentration. For the scenarios before removal soil background, the plant nitrogen concentration prediction model had determination coefficient (R ²) value of 0.33 and root mean square error (RMSE) value of 0.21% during model calibration, and R ² value of 0.19 and RMSE value of 0.23% during validation. For the scenarios after removing soil background, the plant nitrogen concentration prediction model had R ² value of 0.38 and RMSE value of 0.20% during model calibration, and R ² value of 0.30 and RMSE value of 0.21% during validation. For the scenarios adding image texture information, the plant nitrogen concentration prediction model had R ² value of 0.57 and RMSE value of 0.17% during model calibration, and R ² value of 0.42 and RMSE value of 0.19% during validation. 【Conclusion】 Based on high spatial resolution images of low-altitude UAVs, both removing soil background and adding image texture information could improve the inversion accuracy of cotton plant nitrogen concentration. Image texture could be considered as important information to support prediction of crop nitrogen nutrition status using UAV images.