土壤水溶性盐基离子的高光谱反演模型及验证

土壤水溶性盐基离子是诊断土壤盐渍化类型与盐渍化程度的重要依据,利用光谱技术快速获取土壤水溶性盐基离子含量数据,可为土壤盐渍化类型与盐渍化程度的诊断提供新的技术和手段。该研究通过采集新疆5个不同地区399个土样的反射率与水溶性盐基离子数据并进行31种光谱预处理方法,分析了不同水溶性盐基离子(HCO3-、Cl-、SO42-、K+、Na+、Ca2+、Mg2+)与高光谱反射率之间的相关性;采用K-S(Kennard-Stone)方法挑选出299个样品,针对每种离子使用偏最小二乘回归(partial least squares regression,PLSR)分别建立32个高光谱定量反演模型,优选最佳反演模型,并单独使用100个样品对估测模型进行检验。结果表明:不同离子的最佳反演模型所使用的预处理方法存在差异,其中仅有Cl-和Ca2+、SO42-和Mg2+所使用的预处理方法相同,其他离子则不同;不同离子的反演精度也不同,HCO3-和Ca2+构建的模型相对分析误差(relative percent deviation,RPD)分别为2.67、2.57,模型具有很好的预测能力。Cl-、SO42-和Mg2+所构建的模型RPD分别为2.05、2.10和2.14,表明这三者建立的模型具有较好的预测能力。K+建立的模型RPD仅为1.11,不能对样品进行预测。Na+构建的模型RPD为1.83,表明该离子所建模型只能对样品进行粗略估测。研究结果为探究水溶性盐基离子的高光谱反演增添了新的内容,为土壤盐渍化监测的深入和推进提供了新的思路和方法。     

基于光谱分类的土壤盐分含量预测

基于相似土壤组分和光谱特征,利用土壤光谱反射率数据和曲线特征来进行土壤光谱分类,同时充分挖掘有效信息是光谱分析的重要应用方向之一。借助模糊k-均值聚类方法将土壤光谱数据分成四个类别(分类前先将原始光谱进行范围归一化处理),比较分析了不同类型土壤在光谱分类前后的高光谱特征,然后利用Kennard-Stone法将各类别样本划分为建模集和预测集,将预处理后的建模集光谱数据作为输入量,采用偏最小二乘回归法(PLSR)方法建立全局和各自类别的盐分预测模型。结果表明:光谱分类建模较按土壤系统分类建模和全局建模的精度有明显提高,其预测模型总体的预测决定系数RP2、预测均方根误差RMSEP、相对分析误差RPD和RPIQ(样本观测值三四分位数Q3与一四分位数Q1之差与RMSEP的比值)四个指标分别从0.664、1.219、1.733和1.461提高至0.818、1.132、2.356和2.422,其中RPD提高幅度达23.13%,四个类别所建模型RPD均大于2.0,可以对土壤含盐量进行较为精确的定量研究。研究结果为利用大样本光谱数据建立大尺度区域的盐分等土壤属性预测模型提供一种新的思路和方法。     

基于MATLAB的红枣图像处理研究

本实验应用MatLab7.0数字图像处理工具箱对红枣图像信息进行处理。从红枣的形状、大小、颜色入手,选出符合红枣外观品质检测的3个特征参数,分别是红枣果形指数、色泽、有无缺陷。大小特征提取中,红枣的果形指数采用最小外接矩形法获得;对于颜色特征,将RGB模型转化成HSI模型,然后进行提取颜色特征参数;缺陷特征的提取,先进行缺陷部位轮廓的提取,然后填充求缺陷部分的面积,根据该面积在图片中大小比例作为判断的依据。