长期施肥对红壤性水稻土颗粒有机质和矿物结合态有机质含量与化学组成的影响

以江西红壤地区双季稻田肥料定位试验为依托,研究了不施肥(CK)、单施化肥(NPK)及3种不同比例有机无机肥配施(LM、MM、HM)对红壤性水稻土全土、颗粒有机质(POM)和矿物结合态有机质(MinOM)组分碳、氮含量及其化学结构的影响。结果表明:施肥处理全土、POM和MinOM组分中有机碳、全氮含量均显著高于CK处理(P<0.05);与CK处理相比,施肥提高了POM组分质量分布,其中中、高量有机肥配施(MM、HM)分别显著提高POM组分质量分数15.7%和25.1%;施肥处理POM有机碳对土壤有机碳贡献率显著增加13.4%~42.6%;施肥处理未显著影响全土和MinOM组分碳氮比,但显著降低了POM组分碳氮比,降低量为16.8%~25.0%。与NPK处理相比,有机无机配施处理显著提高POM-C/MinOM-C值27.7%~70.2%,提高了土壤有机质活性。红外光谱分析显示,施肥处理较CK处理分别提高全土烷基碳和芳香碳相对含量5.4%~33.2%和0~12.2%;而施肥处理提高了POM烷基碳含量并降低了其芳香碳含量,但几乎不影响POM羧基碳含量,其中MM、HM处理POM烷基碳含量分别较CK处理显著提高12.4%和40.6%;除NPK处理降低了MinOM烷基碳含量外,施肥均提高了MinOM烷基碳和羧基碳含量并降低了其芳香碳含量,其中NPK处理较CK处理显著提高MinOM羧基碳含量70.8%。研究结果说明施肥能提高供试土壤全土及各土壤组分有机碳、全氮含量,与单施化肥相比,有机无机配施更有利于提高土壤POM数量及其结构活性,改善稻田土壤质量。     

基于高光谱数据的盐荒地和耕地土壤盐分遥感反演优化

盐荒地作为研究区的"临时盐库"，其土壤盐分远高于研究区平均水平，因此探究不同土地利用类型土壤盐分的光谱响应差异以及对盐分遥感模型的影响，是实现不同土地类型土壤盐分反演值更加接近真实值的重要途径。该研究以河套灌区永济灌域为例，针对耕地和盐荒地土壤分别进行原位高光谱测定（FieldSpec 4 Hi-Res，ASD），对光谱数据进行多种光谱变换（基础数学变换、导数变换及光谱指数）后，分别基于特征波长和特征光谱指数构建单一土地类型盐分反演模型（耕地（Agricultural Land，AL）、盐荒地（Salinized Wasteland，SW））和整体盐分反演模型（耕地+盐荒地（Agricultural Land + Salinized Wasteland，AL+SW）），对比分析2种建模方式下的模型精度，提出区域土壤盐分遥感反演的最佳建模方式。结果表明：AL、SW和AL+SW中土壤样本数据的平均含盐量分别为5.09、13.42和7.09 g/kg，且在各等级盐分区间内，SW的光谱反射率均大于AL，其中轻度盐化土、中度盐化土和重度盐化土的光谱反射率平均差值分别为0.040、0.020和0.034；光谱变换和光谱指数均能有效改善不同土地类型中土壤盐分与光谱的相关性。相比基础变换（倒数、对数、根式等），导数变换不仅增大了敏感波长的范围，还使得特定波长处相关系数得到显著提升。不同土地类型中基于特征光谱指数的模型精度均高于基于特征波长的模型；单一土地类型盐渍化反演模型明显提高了区域土壤盐分的反演精度，单一土地类型盐渍化反演模型中（AL、SW模型）各变换下光谱指数模型平均R2相比整体模型（AL+SW模型）由0.50提高到了0.61，其中基础变换、一阶导数和二阶导数模型平均R2相比整体模型分别提高了0.06、0.11和0.17，同时，基于最优光谱指数的单一土地类型盐渍化反演模型平均R2相比整体模型由0.74提高到了0.92。因此，当区域中存在盐分相差较大的多种土地利用类型时，对不同土地利用类型单独构建土壤盐分反演模型能确保反演结果更接近实际情况。     

基于高光谱参数的柑橘园土壤水分动态监测

摘要：土壤水分是提高柑橘产量和品质的关键因素，为了高效、无损、精准的获取柑橘园土壤水分动态变化，利用ASD光谱仪选取了适宜的响应波段（350~1075nm）的数据作为试验光谱反射率，采用多元线性逐步回归分析（SMLR）对提取的特征波段反射率及9种光谱的转换形式的数据进行计算和分析，并利用实测柑橘根系0~60cm的土壤含水率进行验证，建立了预测柑橘园土壤含水率的高光谱模型。结果表明：土壤含水率在0~20cm的深度条件下变化最为明显，有助于提高模型的预测精度；光谱的微分处理较非微分处理，与波长的关系曲线波动更大且反演精度显著上升；柑橘园的试验样本水分的特征波段在700~760nm以及950nm左右是进行建模优先考虑的特征波段；光谱对数（1gR）的一阶导数和倒数的对数（lgR-1）的一阶导数对土壤水分的拟合精度较高，两种拟合方式的决定系数（R2）均达到0.876以上，均方根误差（RMSE）均达2.19%，相对分析误差（RPD）均达7.107；其中光谱对数（1gR）的一阶导数为预测柑橘园土壤含水率的最优模型，在进一步验证中实测值和模型计算值拟合的相关系数高达0.992。因此，基于光谱对数（1gR）的一阶导数构建的模型可实现对柑橘园土壤水分的精确监测。     

基于多模态多目标优化的端元束提取方法研究

为解决高光谱影像受传感器及分辨率的影响所产生的光谱变化给解混造成的困扰，提出基于多模态多目标优化的端元束提取方法(MOPSOSCD)。对高光谱图像进行标号编码，采用基于索引的环形拓扑结构进行邻域的个体交互，通过邻域最优改进粒子群速度更新方式并整数化粒子位置更新。同时，根据高光谱图像空间特征，通过改进决策空间拥挤距离提高决策空间的多样性，再结合目标空间的拥挤距离进行综合排序，实现多模态多目标优化的粒子筛选。当粒子定向移动概率p_m为0.2、粒子数P为30及迭代次数M为400时，算法在MUUFL数据集上均方根误差(RMSE)及平均光谱角距离(mSAD)分别为0.008 8、0.111 2。通过对比试验，本文方法相较于VCA、DPSO等方法具有更高的提取精度和效率，为高光谱解混提供了更加准确的端元束提取方法。     

基于MESMA和RF的山丘区土地利用信息分类提取

探讨了基于多端元混合像元分解(Multiple endmember spectral mixture analysis,MESMA)和随机森林(Random forest,RF)相结合的土地利用信息分类提取方法。以Landsat-8 OLI卫星遥感影像为主要数据,基于植被-不透水面-裸土(Vegetation-impervious surface-soil,VIS)模型,利用MESMA将影像分解为植被、不透水面和裸土3类组分,将生成的3类组分变量和基于光谱、纹理信息计算选取的20个特征变量组合后开展RF分类实验,将分类结果与相同特征变量下的支持向量机(Support vector machine,SVM)、最大似然(Maximum likelihood classification,MLC)分类结果进行比较分析。结果表明:MESMA可以获得较为精确的组分丰度信息;RF分类结果优于相同特征变量下的SVM和MLC分类结果;在MESMA生成的组分信息变量参与分类后,3种方法的分类精度均有所改善,分别达90.50%、88.85%、86.35%,其中RF的分类精度改善最为显著;MESMA与线性混合分解(Linear spectral mixture analysis,LSMA)生成的组分信息变量相比,前者对于改善分类精度效果更为明显。MESMA对于提高影像分类精度起到一定积极作用,基于MESMA和RF的方法对中等空间分辨率影像山丘区土地利用信息分类提取精度较高,利用该方法开展遥感影像解译可为大尺度的土地利用监测和管理工作提供技术支持和理论参考。     

华南主要土壤类型的光谱特性与土壤分类

本文研究了华南地区主要土壤的光谱反射特性，进行了土壤光谱的主组元分析、模糊聚类及与土壤理化性状作相关性分析，土壤光谱特征分类与现行中国土壤分类系统及中国土壤系数分类进行了比较对照。其主要结果表明，华南地区主要的光谱曲线的形态特征，主要表现为平直型（玄武岩发育砖红壤类）、缓斜型（水稻土类）和陡坎型（红、黄壤类）三种类型；土壤光谱分类与按母质母岩划分高度一致；应用主组元分析对土壤光谱进行分类，结果与现     

基于CARS算法的不同类型土壤有机质高光谱预测

不同土壤类型的理化性质和光谱性质存在差异,以往研究多以高光谱反射率或光谱吸收特征建立模型,输入变量类型结构单一,往往导致土壤有机质(Soil Organic Matter,SOM)预测模型的精度不高。为提高SOM高光谱预测模型精度,该研究以黑龙江省海伦市为研究区,将不同类型土壤分别以竞争自适应重加权采样(Competitive Adaptive Reweighted Sampling,CARS)筛选的特征波段、数字高程模型(Digital Elevation Model,DEM)数据和光谱指数作为输入变量,结合随机森林(Random Forest,RF)算法建立SOM预测模型。结果表明:1)通过CARS算法筛选后,各土壤类型特征波段压缩至全波段数目的16%以下,在很大程度上降低土壤高光谱变量维度和计算复杂程度,从而提高了模型的预测能力,说明CARS算法在提取特征关键波段变量、优化模型结构方面起到重要作用;2)不同类型土壤的SOM预测精度存在差异,沼泽土的预测精度最高为0.768,性能与四分位间隔距离的比率(Ratio of Performance to InterQuartile distance,RPIQ)为3.568;黑土次之,草甸土的预测精度最低,仅0.674,RPIQ为1.848。3类土壤的RPIQ均达到1.8以上,模型具有较好的预测能力;3)局部回归预测精度最优,验证集的调整后决定系数为0.777,均方根误差(Root Mean Square Error,RMSE)为0.581%,模型验证RPIQ为2.689,模型稳定性高。该试验筛选的预测因子通过RF模型可实现SOM含量的快速预测,简化了传统复杂的程序,可为中尺度区域不同类型土壤的SOM预测提供依据,为输入量的选择提供参考。     

采用叶片光谱反射率预测寒地水稻稻米蛋白质含量

为实现利用水稻叶片光谱指数实时预测稻米蛋白质含量，该研究采集了不同年份中氮素、品种差异下寒地水稻主要生育期（T1拔节期、T2齐穗期、T3结实期）顶部3片叶（L1、L2、L3）的叶片光谱反射率，探究其变化规律以及光谱指数与稻米蛋白质含量的关系，并用P-k、均方根误差（Root Mean Square Error，RMSE）和对称平均绝对百分比误差（Symmetric Mean Absolute Percentage Error，SMAPE）对模型精度进行验证。结果显示：施氮量多则稻米蛋白质含量高，蛋白质含量高的稻米食味值评分低。提高氮肥投入量，叶片反射率在可见光区域内呈降低趋势，而在近红外平台叶片反射率上升。随着生育期的推进，可见光区域内的叶片反射率逐渐上升，叶片反射率在近红外平台表现出先增加后降低的趋势，其变化规律与蛋白质营养转运有着密切联系。对光谱指标和稻米蛋白质含量进行相关分析，T2时期的L2的光谱指数与蛋白质含量的相关性优于其他时期的叶片，其中T2时期L1叶ARI1指标（(1/R550)-(1/R700)）、L2叶CTR1指标（(R695/R420)）以及T3时期L3 叶Rg指标（绿光范围510～560 nm内的最大波段反射率）显示出与蛋白质含量良好的拟合关系，指标验证的P-k分别为0.01、0.01、0.03，RMSE分别为0.19、0.11、0.14，SMAPE分别为1.56%、1.24%、1.44%，其中以T2时期L2叶CTR1指标表现最优，蛋白质含量拟合方程R2为0.75。综上，借助CTR1指标能够实现快捷、无损和实时预测稻米蛋白质含量的目的，达到按质收获以及品质实时监测的要求，促进优质寒地水稻的可持续发展。