农田不同粒级土壤含水量光谱特征及定量预测

【目的】土壤含水量是土壤属性的关键参数。摸清不同机械组成条件下土壤水分的光谱变化并实现土壤含水量的定量预测,为农田水分的快速监测及土壤其他属性的定量获取提供依据。【方法】通过人为控制获得不同粒级和不同含水量的土壤样品,确定室内土壤光谱测定的几何条件,采集不同土样的光谱特征并进行比较,按粒径等级利用最小二乘法（PLSR）建立农田土壤含水量的光谱定量预测模型。【结果】土壤光谱反射率总体趋势是随含水量增加而降低,其差异随着波长的增加和含水量的降低而增加,在1 400 nm和1 900 nm的水分敏感波段随含水量增加光谱吸收深度也增加。但当含水量大于40%时,通过孔径为0.15 mm 筛子的土壤样品（处理D-1）,在350-1 240 nm光谱反射率随含水量增加而升高,而1 240 nm以后随含水量增加而降低。相对于将所有样本数据混合建立模型,分粒级建立的模型在细颗粒土壤中预测效果得到了明显改善,并且样品越细模型在预测效果和稳定性也越好：最优模型均方根误差RMSE=4.13%,决定系数R2=0.90。同时,数据归一化处理后所建立的模型在一定程度上降低了噪声的影响,从而在预测效果和稳定性上也有所改善。【结论】土壤光谱随含水量的变化而变化,但并不都表现随含水量增加光谱反射率降低的特点,当含水量大于40%时,细颗粒土壤样本表现为在350-1 240 nm波段光谱反射率随含水量增加而升高;土壤含水量预测模型的精度和稳定性随着土壤粒径变小、样本量增大以及光谱数据归一化预处理而得到改善。     

引入时相信息的耕地土壤有机质遥感反演模型

土壤有机质(soil organic matter,SOM)是土壤质量评价的重要指标。监测SOM含量及其空间分布对土壤利用与保护、土壤有机碳库估算等具有重要意义。该文以松嫩平原典型区为研究区,采集4种主要土壤类型样本共147个,获取裸土期多时相MODIS地表反射率8 d合成产品,以单期、多期影像所构建光谱指数作为输入量,构建包含含水量变化与有机质含量信息的多光谱指数,建立SOM线性回归遥感反演模型,揭示SOM空间分布规律。结果表明:由于土壤含水量空间差异随时间变化,基于单期影像构建的模型主要输入量发生规律性改变,其中年积日137 d裸土条件最好,反演模型最优;比值光谱指数R61与SOM显著相关,而和含水量相关性极小,适于作为反演模型输入量;基于多期影像构建的模型引入时相信息后,精度与稳定性较单期影像模型显著提高,其中基于年积日137、105 d两期影像光谱指数所建立的多元线性模型最优;松嫩平原SOM呈现由东北向西南递减趋势。     

煤矿区土壤有机碳含量的高光谱预测模型

可见—近红外光谱已被证明是一种快速、及时、有效的土壤有机碳含量预测工具。利用Field Spec4对济宁鲍店矿区的104个土壤样品进行光谱测量,采用Savitzky-Golay卷积平滑(SG)、多元散射校正(MSC)及数学变换等多种方式组合对光谱预处理,并运用偏最小二乘回归分析建立土壤有机碳含量预测模型,进而探讨煤矿区土壤有机碳含量的高精度预测方法。结果表明:(1)不同的光谱预处理方法对建模结果影响差异较大,建模结果以SG加MSC预处理再结合光谱反射率的一阶微分变换最优,建模R~2=0.86,RMSE=2.0g/kg,验证R~2=0.78,RMSE=1.81g/kg,RPD=2.69。(2)倒数和倒数的对数与土壤有机碳含量的相关性曲线接近重合,与反射率曲线成反比,但是建模效果远低于反射率;光谱反射率的一阶微分能明显提高500~600nm波段相关性。(3)光谱反射率随土壤有机碳的含量减少而增大,当有机碳含量较低时,其波谱的近红外波段反射率响应能力也随之降低,反射率直接建模难度加大。     

基于非线性降维时序遥感影像的作物分类

当前基于时序遥感数据的作物分类方法大都需要较多专家知识及人工干预,难以自动化,也难以移植到其他地区。将光谱降维技术用于时序遥感影像分析可以很好地解决这一问题。其中,非线性降维方法已经成功应用于高光谱数据,并且获得了比线性降维方法更好的结果。但是,直接将非线性降维方法用于时序遥感影像无法充分利用其时相维度的信息。该文改进了一种非线性降维算法——Laplacian Eigenmaps(LE)用于时序遥感影像的作物分类,该方法更加关注相同时相下不同作物生长季的物候特征差异,而不再仅依赖于整个生长季的物候曲线轮廓。改进的LE算法被应用于美国伊利诺伊州覆盖作物全生长季的Landsat 8时间序列影像。降维后保留的波段结合随机森林分类器基于美国农业部Cropland Data Layer(CDL)提供的训练数据完成了一系列的分类试验,并与传统插值未降维的方法进行对比。试验结果表明,改进的LE降维方法完成了更高的整体及各个类别的分类精度,其中整体分类精度达到85.37%,该方法作为一种自动化的方法,不需要人工干预,可直接移植到其他研究区,并且只需要较少的训练样本就可以完成一个较高的分类精度,为日后不同尺度的作物识别和提取研究提供了有效的方法。     

基于音频技术的肉鸡采食量检测方法研究

【目的】通过研究肉鸡采食音频提出一种基于音频技术的肉鸡采食量检测方法,以摆脱目前我国肉鸡采食量数据主要是人工测量群体采食量的现状,为准确获取肉鸡采食量信息提供技术支持。【方法】录音笔采集到的采食音频经分帧加窗、端点检测等预处理后,将有效声音片段提取出来,依托不同声音的功率谱密度曲线差异,使用单分类支持向量机(OC-SVM)对提取出的有效声音片段进行分类识别。利用音频技术检测肉鸡进食时的啄食次数,分析确定啄食次数与采食量的关系,利用啄食次数与采食量的高相关性计算肉鸡采食量。【结果】利用音频技术检测的肉鸡啄食次数与采食量高度相关,决定系数(R~2)=0.982 5。啄食次数计算正确率为94.58%,采食量计算正确率为91.37%。【结论】该方法可用于肉鸡采食量测定。     

基于高光谱苹果品种叶片铁含量估测模型

【目的】 在叶片水平上构建基于高光谱的苹果品种叶片铁素含量估测模型,为探寻实时、高效、无损的果树树体营养诊断提供技术途径。【方法】以苹果品种岩富10号为材料,测定岩富10号叶片光谱数据和铁素含量,采用光谱分析和相关分析法,筛选与叶片铁素含量相关性较强的光谱组合,利用偏最小二乘法构建苹果叶片铁素含量光谱估测模型。【结果】岩富10号苹果叶片一阶微分光谱与铁素含量的敏感波段为R′₉₉₀、R′_{1 113}、R′_{1 360}、R′_{1 408},相关系数最高为-0.698 9。对敏感波段两两进行加、减、乘、除运算,最优波段组合形式R′₉₉₀×R′_{1 048}与铁素含量相关系数为0.846 2。估测模型拟合度(R²)最高为0.827 5。【结论】苹果叶片一阶微分光谱组合与铁素含量显著相关(P<0.05),光谱组合能够明显提高其相关性,偏最小二乘法与逐步回归建模相比估算模型的精度更佳,可以用于苹果叶片铁素含量的光谱估算。     

羊肉近红外光谱采集质量的影响因素

【目的】研究羊肉近红外光谱采集质量影响因素。【方法】以新疆羊肉为研究对象,研究不同光源、光纤参数、仪器检测时间、采集距离、采集参数等对光谱采集质量的影响。【结果】VIVO光源性能优于HL-2000光源,功率较大,温控好的光源能提高光谱重复性、减小光谱噪声;增加接收光纤芯径或数目,光谱反射率增大;随着仪器检测时间增长,光谱基线漂移越严重且各波长点向短波方向移动;随着采集距离的增加,光谱反射率先增大再减小;积分时间变长,光谱质量变好;适当增加平滑度和平均次数光谱质量较好。【结论】分析了各因素对光谱的影响,为改进仪器和检测条件提供了一定的参考依据。     

甜玉米葡萄糖、果糖和蔗糖含量近红外反射光谱模型构建

甜玉米是世界上重要的果蔬两用型作物之一。建立快速、无损检测甜玉米糖分含量的方法,对于甜玉米品质育种工作中的材料鉴定、筛选具有重要意义。选取了104份糖分含量变幅较大的甜玉米材料进行了近红外光谱分析,结合酶法测量的化学值,利用偏最小二乘法以及不同光谱处理和数学处理相结合,对全光谱波段进行了化学计量学的分析统计,构建了葡萄糖、果糖和蔗糖含量的近红外光谱定标模型。用外部验证样品集进行验证,对所建模型的实际预测能力进行检验。结果表明：最优光谱处理方式葡萄糖为加权多元散射校正,果糖和蔗糖的为标准正常化加去散射处理;最优的导数处理葡萄糖为2阶导数,果糖和蔗糖的为1阶和3阶导数。葡萄糖、果糖和蔗糖定标模型的交叉验证相关系数分别为0.646、0.645、0.820,交叉验证标准偏差分别为0.321、0.275、1.508;外部验证集葡萄糖、果糖和蔗糖的预测相关系数分别为0.593、0.780、0.891,表明所建立的果糖和蔗糖预测模型具有较好的预测性,可应用于甜玉米种质资源筛选,而葡萄糖模型的预测性较差,需继续完善。     

基于近红外预测羊草水分含量的特征光谱模型研究

水分是牧草最为重要的品质属性,水分含量的多少直接影响牧草品质的变化。羊草（Leymus chinensis）因富含重要的维生素、蛋白质、中性洗涤纤维、酸性洗涤纤维、脂肪等家畜必需营养成分,在收获和储藏过程中极易受到生长地的水、土、气等的影响而发生营养成分损失或变质,因此为了有效降低冗余无信息变量,提高羊草水分含量近红外模型的预测精度和稳定性,本研究采用4种光谱特征区间选择方法,包括间隔偏二乘法（Interval partial least-squares regression,iPLS）、向后区间偏最小二乘法（Backward interval PLS,BiPLS）、联合区间偏最小二乘法（Synergy interval PLS,SiPLS）、和连续投影算（Successive projections algorithm,SPA）建立羊草水分含量的预测模型。结果表明：SiPLS方法最适合用于羊草水分含量特征波长的筛选,其次为BiPLS方法,最差的方法为iPLS,同时,相对分析误差（Residual predictive deviation,RPD）=2.648>2.50。这表明SiPLS的近红外光谱模型在预测羊草水分含量的应用上完全可行,预测精度在96.13%以上。     

Estimation of rock Fe content based on hyperspectral indices

Information on the Fe content of bare rocks is needed for implementing geochemical processes and identifying mines. However, the influence of Fe content on the spectra of bare rocks has not been thoroughly analyzed in previous studies. The Saur Mountain region within the Hoboksar of the Russell Hill depression was selected as the study area. Specifically, we analyzed six hyperspectral indices related to rock Fe content based on laboratory measurements (Dataset I) and field measurements (Dataset II). In situ field measurements were acquired to verify the laboratory measurements. Fe content of the rock samples collected from different fresh and weathered rock surfaces were divided into six levels to reveal the spatial distributions of Fe content of these samples. In addition, we clearly displayed wavelengths with obvious characteristics by analyzing the spectra of these samples. The results of this work indicated that Fe content estimation models based on the fresh rock surface measurements in the laboratory can be applied to in situ field or satellite-based measurements of Fe content of the weathered rock surfaces. It is not the best way to use only the single wavelengths reflectance at all absorption wavelengths or the depth of these absorption features to estimate Fe content. Based on sample data analysis, the comparison with other indices revealed that the performance of the modified normalized difference index is the best indicator for estimating rock Fe content, with R² values of 0.45 and 0.40 corresponding to datasets I and II, respectively. Hence, the modified normalized difference index (the wavelengths of 2220, 2290, and 2370 nm) identified in this study could contribute considerably to improve the identification accuracy of rock Fe content in the bare rock areas. The method proposed in this study can obviously provide an efficient solution for large-scale rock Fe content measurements in the field.