基于PLSR-BP复合模型的红壤有机质含量反演研究

对红壤地区土壤有机质进行快速预测,以满足智慧农业与精准施肥的需要。以江西省奉新县北部为研究区域,采用1 km×1 km标准格网划分研究区进行采样,共得到红壤样本248个。对土壤光谱进行了包含分数阶导数在内的3种数学变换方法,将经过P=0.01显著性检验的波段用于模型的构建,选用偏最小二乘回归(PLSR)和BP神经网络建立土壤有机质含量预测模型。结果表明:当对红壤光谱数据进行1.5阶导数变换后再使用PLSR-BP复合模型对土壤有机质含量进行预测时的结果为最优,训练集R~2=0.89,RMSE=4.68g·kg~(-1),验证集R~2=0.87,RMSE=5.55g·kg~(-1),RPD=2.75。1.5阶导数对红壤光谱数据的变换能够更好地突出与有机质相关的特征信息,有助于其含量预测。PLSR-BP复合模型预测精度优于单一模型,能够较好地预测红壤有机质含量,为精准农业快速监测红壤有机质含量提供了新的途径。     

油茶叶片叶绿素含量高光谱估测的偏最小二乘模型参数选择

[目的]利用高光谱技术估测植物叶片叶绿素含量时,如何在高维的光谱数据中选择有效的高光谱参数作为估测模型的输入矢量是估测叶绿素含量精度的关键.[方法]以南方丘陵地区油茶为试验材料,收集了182份油茶叶片光谱反射率及叶绿素含量样本,综合分析了敏感波段、光谱指数、高光谱特征参数和全波段(400～1350 nm)4个不同高光谱...     

基于数据挖掘技术的高光谱土壤质地分类研究

【目的】 寻找红壤地区不同土壤质地类型的Vis-NIR光谱反射规律,通过光谱对土壤质地类别进行快速、准确的预测。【方法】 以江西省奉新县北部为研究区,245个土壤样本为研究对象,在国际制土壤质地4组和12级两种分类标准下,首先分析不同土壤质地类型的光谱反射率,然后采用9种数学变换方法和5种机器学习算法相互组合的数据挖掘模型,进行土壤质地的分类研究,最后对建模准确度最高的混淆矩阵和预测结果三角坐标分布图进行分析。【结果】 （1）不同土壤质地之间的光谱反射率存在较多的交叉重叠现象,土壤质地与光谱反射率之间的规律较为复杂;（2）分数阶导数变换是整数阶导数的扩展,有助于土壤质地的分类,但原始光谱数据具有更加丰富的特征信息,更适合进行土壤质地分类建模;（3）在对非均衡数据集建模时,集成学习方法和神经网络方法都是不错的选择;（4）较难通过模型去区分土壤质地分界线附近的类别,其中在4组分类标准下最容易被预测错误成黏壤土组,在12级分类标准下最容易被预测错误成黏壤土和壤质黏土这两种土壤质地类型;（5）在4组分类标准中,进行归一化处理和MLP模型组合取得了0.68的最高预测准确度,其中黏壤土组的预测准确度能达到0.84;再细分到12级分类后,分类效果最佳的组合来自于原始数据和MLP模型,其中壤质黏土分类准确度达到了0.89。【结论】 本研究结果可为南方红壤地区通过高光谱数据进行土壤质地分类提供参考依据。     

基于不同卷积神经网络模型的红壤有机质高光谱估算

以卷积神经网络(Convolutional Neural Network,CNN)为代表的深度学习方法因具有强大的特征学习能力已被广泛应用于计算机视觉、自然语言处理等领域,但在土壤高光谱遥感领域研究较少。为探究其在小样本数据集下,通过高光谱数据估算土壤有机质(SoilOrganicMatter,SOM)的可行性,以江西省奉新县北部为研究区,248个红壤样本为研究对象。对比分析深度学习方法 CNN、多层感知器(Multilayer Perceptron,MLP)、常用的机器学习方法随机森林(Random Forest,RF)和支持向量机(SupportVectorMachine,SVM)在不同光谱预处理下的建模效果,在此基础上分别建立5种各具特点的CNN结构模型,以探讨不同网络结构的建模效果,包括最早提出的LeNet-5、具有大卷积核的AlexNet-8、采用小卷积核的VGGNet-7、含有Inception结构的GoogLeNet-7以及使用残差学习的ResNet-13。此外,还探讨了VGGNet模型在5种不同网络深度下的模型效果。结果表明:在使用原始光谱的情况下,CNN模型依然能够取得较好的建模效果(相对分析误差2.5);浅层CNN结构优于深层建模效果,超参数较小的卷积核、步长和池化范围有助于提取更多的特征数量,提高建模精度;VGGNet-7网络结构在所有模型中表现最为突出,在训练集上决定系数为0.895,均方根误差为4.145 g/kg,相对分析误差为3.447,在验证集上决定系数为0.901,均方根误差为4.647 g/kg,相对分析误差为3.291,具有极好的模型估测能力;680、1 360、1 390、1 920、2 310 nm及其附近是VGGNet-7建模过程中所提取的SOM重要特征波长。因此,CNN能够简化光谱预处理过程,在土壤高光谱遥感小样本建模中具备可行性,具有非常广阔的应用前景,VGGNet-7可以应用于红壤地区通过高光谱数据快速、准确的估算SOM含量。     

基于CARS-BPNN的江西省土壤有机碳含量高光谱预测

【目的】探讨光谱变量选择及依据土壤类型进行分层校准两种方法对高光谱预测土壤有机碳（SOC）精度的影响。【方法】以江西省为研究区,490个土壤样本为研究对象,对研究区内的所有样本以及不同土壤类型样本分别通过竞争性自适应重加权采样（CARS）算法筛选特征波段,并采用偏最小二乘回归（PLSR）、支持向量机（SVM）、随机森林（RF）、反向传播神经网络（BPNN）4种模型,对比不同土壤类型下SOC在全波段以及CARS算法筛选后特征波段的预测精度。进而,还对比了全局校准和分层校准下SOC在全波段以及CARS算法筛选后特征波段的预测精度。【结果】（1）红壤筛选的特征波段为484、683—714和2 219—2 227 nm,水稻土筛选的特征波段为484、689—702和2 146—2 156 nm。红壤采用CARS-BPNN模型预测效果最佳（R ²=0.82）,较全波段建模验证集R ²提升0.07。水稻土采用CARS-RF模型预测效果最佳（R ²=0.83）,较全波段建模验证集R ²提升0.13。（2）在总体样本上,分层校准相比全局校准精度有所提升。采用CARS-BPNN进行分层校准预测效果最佳（R ²=0.82）,较全局校准验证集R ²提升0.06。【结论】采用CARS-BPNN进行分层校准能够较好地预测江西省土壤有机碳含量,本研究可为其他类似地区预测土壤属性提供科学依据。     

江西省1988-2017年新型城镇化水平与不透水面的相关关系

[目的] 结合不透水面对新型城镇化水平进行分析，探究江西省各市新型城镇化发展的规律及趋势，为江西省新型城镇化的发展提供科学参考。[方法] 从人口、经济、社会、空间4个方面构建新型城镇化的指标体系，在分析江西省1988-2017年各市新型城镇化水平的同时，基于不透水面数据，研究城镇化水平与不透水面不同阶段的相关性变化，构建二者的线性关系模型。[结果] ①30 a间江西省城镇不透水面扩张明显，整体呈现高-较高-中-较低-低密度圈层分布的空间格局。②江西省城镇化发展水平呈现出"北高南低"的空间分布特征，区域间发展不均衡；③2006年为该区城镇化水平增长的突变点，前后城镇化水平与不透水面相关性存在差异；④各市不透水面与新型城镇化水平线性拟合决定系数R²均大于0.9，拟合效果较好。[结论] 不透水面与新型城镇化水平存在较强相关性，利用不透水面数据能较好地反映各市新型城镇化水平，这有助于分析城镇化发展趋势，促进区域城镇化研究。     

基于随机森林算法的土壤侵蚀影响因子研究——以赣江上游流域为例

[目的]分析影响赣江上游流域土壤侵蚀的主要因素,为该区水土流失治理与科学管理提供科学依据。[方法]基于2015年Landsat 8遥感影像、MODIS NDVI数据、数字高程模型(DEM)、土壤类型和降雨数据,采用RUSLE模型和随机森林算法对赣江上游流域土壤侵蚀及其影响因子进行定量化分析。[结果] 2015年赣江上游流域土壤侵蚀强度由东南向西北逐渐加剧,总体上处于轻度侵蚀水平,土壤侵蚀总量为3.45×10~7 t/a,平均土壤侵蚀模数为1 046.38 t/(km~2·a),比南方红壤丘陵区土壤允许流失量[500 t/(km~2·a)]高出2倍之多;子流域9,11,15平均土壤侵蚀模数分别为1 672.66,1 715.83和1 565.36 t/(km~2·a),处于中度侵蚀级别,为研究区重点防治区域;其余子流域均为轻度侵蚀级别。[结论]各子流域的土壤侵蚀受植被覆盖与管理因子(C)和坡长坡度因子(LS)影响较大,两者重要程度分别在30%和20%以上,土壤可蚀性因子(K)和降雨侵蚀力因子(R)的重要程度偏低,均未超过10%。其中子流域9,11,21主要受LS因子影响,其余子流域均受C因子主控。     

基于结构方程模型的高安市耕地产能影响因素研究

以高安市为研究区域,基于147个产能监测点,以耕地产能、土壤养分、农田水利、地学特征与土壤性质为潜变量,运用结构方程构建耕地产能影响因素模型,探讨影响高安市耕地产能的主要因素。结果显示,土壤养分、农田水利与土壤性质是影响耕地产能的主要因素,对耕地产能存在直接或间接的正向影响,直接影响程度从高到低依次为土壤养分(0.55)>土壤性质(0.26)>农田水利(0.23)。地学特征对耕地产能无直接影响,而是通过影响土壤养分(路径系数为0.51)间接影响耕地产能。坡度对耕地产能有负向作用。高安市耕地产能受多方面因素的影响,综合各影响因素间的相互作用与影响效应,建议通过完善水利设施、加强农田质量建设、提高农产品品质、建设耕地健康产能,实现区域粮食生产的协调可持续。     

基于Meta分析评价东北黑土地保护性耕作与深耕的区域适宜性：以作物产量为例

为防治黑土退化、保护好利用好黑土地,本研究基于东北黑土区已发表61篇文献543组研究数据,利用Meta分析和随机森林模型等方法,分析黑土地保护性耕作与深耕对作物产量的影响及其驱动因素,耦合东北黑土地区气候、地形和土壤等信息,评价保护性耕作与深耕的适宜性。结果表明：与传统耕作相比,东北黑土地区整体而言保护性耕作增产不明显（1.21%）,而深耕增产显著（12.3%）,区域分析表明前者仅在辽河平原显著增产14.6%,而后者在三江、松嫩和辽河平原均增产10%以上。因素分析表明黑土区保护性耕作产量效应主要受多年平均气温（20%）、积温（19%）和干燥指数（16%）的影响,深耕产量效果则受坡度影响最大（14%）,平坦区域适宜深耕,陡坡耕地适宜保护性耕作。综合上述因子评价区域适宜性程度,东北地区的西南部,包括辽宁省西部、吉林省西部以及内蒙古自治区东部（赤峰市、通辽）等严重风蚀区域实行保护性耕作效果更佳;典型黑土带以及三江平原等湿润、冷凉、低洼区域深耕的效果较好。本研究成果可为保护性耕作与深耕技术在东北黑土区的推广应用提供参考。     

基于MCR-InVEST模型的城郊耕地多功能评价及功能分区

城郊地区作为城乡融合区域，展现出既不同于城市建成区又异于传统乡村的特征，显化城郊地区耕地资源多功能的空间分异特征对于提高城郊地区耕地资源价值，推动耕地的保护与发展具有重要意义。该研究以南昌市城郊作为研究区，全国第三次国土调查耕地图斑及乡镇为基本研究单元，进行实地土壤采样与调研，基于多源数据使用综合指数法、MCR模型、InVEST模型量化耕地的多功能，分析耕地多功能空间差异并根据区域差异进行耕地多功能分区。结果表明：1）南昌市城郊耕地生产功能等级较高，中高等级耕地面积为16 358.31 hm2，占比78%，主要位于东湖区、青山湖区、湾里管理局；文化景观功能等级高，耕地处于中高等的面积为15 295.73 hm2，面积占比为73%，高等级区域位于东湖区以及高新区麻丘镇；大部分耕地的生态功能处于中等，为11 010.19 hm2，占比52%，高等级区域主要位于湾里管理局。2） 根据耕地多功能分区理论框架和乡镇耕地多功能结果识别出6个功能一级分区，11个二级分区。南昌市城郊不同区域耕地的多功能具有不同的差异与特征，要根据区域耕地功能特色采取差异化的耕地利用、发展与保护策略。研究结果可为科学规划城郊耕地功能、优化空间布局促进耕地多功能综合发展提供依据。