基于多光谱影像和机器学习算法的红树林树种LAI估算

针对红树林叶面积指数（Leaf Area Index,LAI）实地测量难度大、无法快速大范围LAI估算的问题。该研究以广西北部湾红树林为研究对象,以无人机（Unmanned Aerial Vehicle,UAV）和哨兵二号（Sentinel-2A,S2）多光谱影像为数据源,整合原始光谱波段、植被指数和组合植被指数构建高维数据集,并进行数据降维和特征优选。定量评估6种机器学习算法（XGBoost、前馈反向传播神经网络（Back Propagation,BP）、支持向量机（SVM）、岭回归（Ridge）、Lasso和弹性网络（ElasticNet））对不同红树林树种LAI的估算能力;探究UAV和Sentinel-2A影像对红树林树种LAI估算的精度差异。研究结果表明：1）基于XGBoost算法构建的模型实现了红树林LAI高精度估算,R2均高于0.70,RMSE均低于0.349;2）在UAV和Sentinel-2A影像下,XGBoost模型对不同红树林树种LAI的估算精度（R2）比其他5种模型分别提高了0.105～0.365和0.283～0.540,RMSE降低了0.100～0.392和0.102～0.518;3）UAV影像数据与XGBoost算法构建的模型对海榄雌LAI的估算精度优于其他组合（R2=0.821、RMSE=0.288）,Sentinel-2A影像数据与XGBoost算法构建的模型对秋茄和桐花树LAI的估算精度优于其他组合（R2=0.940～0.979、RMSE=0.142～0.104）,不同红树林树种LAI的估算精度依次为桐花树>秋茄>海榄雌;4）SNAP-SL2P算法整体性低估红树林LAI值,UAV影像红树林树种LAI的平均估算精度（R2=0.677～0.713）均优于Sentinel-2A影像,实现了不同红树林树种LAI的高精度估算。     

基于小麦冠层无人机高光谱影像的农田土壤含水率估算

精准监测农田土壤含水率（soil moisture content,SMC）有助于提高中国水资源利用率以及农业可持续发展水平,为实现国家农业经济的稳定发展及可持续发展目标打下坚实的基础。为了探索基于无人机遥感数据进行准确、快速的土壤含水率监测的方法,该研究选取新疆阜康绿洲田块为研究区,使用无人机（unmanned aerial vehicle,UAV）高光谱传感器采集田块尺度小麦冠层光谱信息,进行SMC定量估算和制图。对小麦冠层光谱进行savitzky-golay（SG）平滑,利用7种不同的小波基函数（bior4.4、coif4、db4、fk14、haar、rbio3.9、sym4）对光谱信息进行连续小波变换（continuous wavelet transform,CWT）处理,并采用遗传算法（genetic algorithm, GA）对小波系数进行特征提取,最后结合偏最小二乘回归（partial least square regress,PLSR）、支持向量机（support vector machine,SVM）、人工神经网络（artificial neural network,ANN）、随机森林（radom forest,RF）以及极端梯度提升（extreme gradient boosting,XGBoost）估算SMC并实现其空间制图。结果表明：基于GA的特征波段选择方法可有效提高SMC的估算精度。使用全波段小波系数构建模型的精度R2在0.20～0.44之间,而使用特征小波系数的R2为0.25～0.82。与其他小波基函数相比,采用db4特征小波系数的估算精度最优,PLSR、SVM、ANN、RF和XGBoost模型估算SMC的R2分别为0.82、0.72、0.79、0.76和0.45。基于PLSR和ANN最优模型进行SMC空间制图,结果表明基于CWT和机器学习结合模型能够有效估算小田块尺度SMC。该研究基于无人机高光谱数据实现了SMC精确估算,为农田尺度SMC监测提供了有效手段。     

基于RF和连续小波变换的露天煤矿土壤锌含量高光谱遥感反演

露天煤矿周边存在潜在重金属污染隐患,快速获取土壤重金属空间分布是土壤污染评价、土地复垦与修复的前提。传统调查方法费时费力且易造成对环境的二次污染,高光谱遥感为土壤重金属反演提供了新的视角。该研究以某露天煤矿土壤锌（Zn）含量为研究对象,采集了111个原位表层（0～20 cm）土壤样品及反射光谱;对样品反射光谱进行Savitsky-Golay（SG）平滑、连续统去除（Continuum Removal,CR）和连续小波变换（Continuous Wavelet Transform,CWT）以降噪和增强;利用Boruta算法确定特征波段;采用偏最小二乘回归（Partial Least Squares Regression,PLSR）和随机森林（Random Forest,RF）构建土壤Zn含量反演模型,使用留一交叉验证评估反演模型精度以确定最优反演模型;基于最优反演模型,利用空间插值方法绘制土壤Zn含量空间分布图。结果表明：1）CWT可有效降低光谱噪声,增强光谱响应。2）Boruta算法能消除光谱信息冗余,并能有效提取特征波段;特征波段的数目随CWT分解尺度和光谱测量条件变化。3）RF估算土壤Zn含量性能优于PLSR,且RF结合CWT具有较好的土壤Zn反演能力;最优野外原位光谱反演模型精度（建模集R2=0.92,验证集R2=0.54）低于实验室光谱反演模型（建模集R2=0.95,验证集R2=0.72）。4） 土壤Zn空间分布表现出显著的异质性,呈现高值集中于研究区西南部和东北部的特征。研究结果可为利用高光谱遥感开展露天矿区土壤重金属反演提供借鉴,为其他类似区域土壤污染评价、土地复垦与整治、土壤修复提供前提与依据。     

苏北沿海滩涂地区土壤有机质含量的高光谱预测

基于反射高光谱快速、无损的检测优势,以苏北沿海滩涂地区不同成陆年代土壤作为光谱信息源,应用偏最小二乘回归（PLSR）方法,研究了原始反射光谱（REF）、微分光谱（FDR）、反射率倒数的对数（lg(1/R)）和波段深度（BD）对不同成陆年代土壤有机质含量的预测精度。结果表明,不同成陆年代土壤有机质含量预测的最佳光谱指标存在差异。REF是构建总体样本有机质含量PLSR预测模型的最佳光谱指标,均方根误差（RMSE）和相关系数（r）分别为2.7231和0.8701;FDR是预测成陆千年土壤样本有机质含量的最佳光谱指标,RMSE和r分别为2.0110和0.9436;BD所构建的成陆百年土壤有机质含量的PLSR预测模型为最优,RMSE和r分别为2.7051和0.8770。相关分析表明,可见光波段、以1 400 nm为中心及1 900～2 450 nm的红外波段是估算土壤有机质含量的最佳波段。     

基于可见近红外和中红外近地面光谱数据融合的土壤有机碳含量反演

  目的  以传统的实验室分析方法进行大规模土壤有机碳（SOC）含量调查耗时、费力、成本高昂,以土壤可见近红外（VNIR）、中红外（MIR）光谱或两光谱数据融合手段能够快速预测SOC含量,但预测精度不一、特别是光谱数据融合技术应用于土柱样本的效果尚待考察。  方法  从全球土壤光谱库筛选出同时具有VNIR光谱、MIR光谱和SOC含量的677个土柱共计3755个土样。光谱数据经Savitzky–Golay平滑和一阶微分预处理后,用Kennard–Stone算法进行建模和验证的集合划分,使用偏最小二乘回归与随机森林方法分别建立以VNIR、MIR以及两者融合的VNMIR光谱为自变量的SOC含量预测模型,并对模型精度进行评估。  结果  MIR光谱模型的SOC预测精度优于VNIR光谱模型,VNMIR光谱模型预测精度低于MIR光谱模型但优于VNIR光谱模型。  结论  使用光谱数据融合技术预测SOC含量并非一定比使用单一光谱数据的精度高,就本例而言使用MIR光谱数据构建预测模型的方法是快速、准确预测大尺度时空范围SOC含量的最 佳手段。     

辽宁省黄土状母质发育土壤有机质含量高光谱预测模型的构建

  目的  建立辽宁省黄土状母质发育土壤有机质含量的高光谱预测模型,以便快速获取土壤样品的有机质含量。  方法  对省域内黄土状母质发育土壤进行了样品采集,获取样品有机质含量和高光谱数据;选择原始光谱及其一阶微分、二阶微分、倒数对数、倒数对数一阶微分、倒数对数二阶微分6种光谱变换数据作为自变量,与土壤有机质含量进行相关分析,选取特征波段,分别建立多元逐步线性回归（SMLR）、偏最小二乘回归（PLSR）和主成分回归（PCR）3种土壤有机质高光谱线性预测模型,并进行了支持向量机（SVM）方法的非线性模型拟合。  结果  土壤有机质含量与其光谱反射率呈负相关关系,对光谱进行不同的数学变换,可以提高土壤有机质含量与光谱反射率的相关性,其中一阶微分和二阶微分的提升效果最佳;相同光谱数据在不同模型中建模精度存在显著差异,以原始光谱反射率一阶微分为自变量的PLSR模型精度最高,建模集和验证集的决定系数（R2）分别为0.958和0.976;3种线性方法建立的最佳预测模型的检验精度为:PLSR > SMLR > PCR。  结论  PLSR模型是辽宁省黄土状母质发育土壤有机质含量的最佳高光谱预测模型,且基于特征波段的建模效果优于全波段;SVM非线性模型的预测精度较低。     

基于CWT的黑土有机质含量野外高光谱反演模型

为解决黑土有机质含量野外高光谱反演存在的困难,提高反演模型精准性,对吉林省黑土进行了采样、野外光谱测量和室内化验分析,剔除噪声波段,将测得的光谱数据(R)进行倒数的对数[lg(1/R)]及一阶微分(R′)变换,经连续小波变换(CWT)得到了R,lg(1/R)、R′不同分解尺度下对应的小波系数;通过分析R,lg(1/R)、R′及对应小波系数与土壤有机质含量的相关性,得到了显著性强相关的敏感波段;采用多元逐步回归(MSR)及偏最小二乘回归(PLSR)方法建立了黑土土壤有机质含量多种高光谱反演模型。结果表明:常用光谱分析方法中,R′与土壤有机质含量的R2高于R,lg(1/R);经CWT变换后得到的小波系数与土壤有机质含量的R2则提高显著,提高了0.3左右;R-CWT,lg(1/R)-CWT,R′-CWT的两种模型建模集的效果均较显著(R2≥0.75,RMSE≤0.25),且均优于对应的常规变换下的效果;建模集中PLSR比MSR模型更佳;验证集中结果相似,但精度稍低;总体上,经过CWT处理后的模型均具有较高的估测精度,以R′-CWT的PLSR模型最佳,能够较为全面稳定地反演土壤有机质含量。     

采用RNCA-PSO-ELM的水稻叶绿素光谱特征分析与反演

为探索有效的水稻叶绿素光谱特征选择方法与含量反演建模,解决东北粳稻叶绿素含量无人机遥感监测等问题,该研究利用沈阳农业大学卡力玛水稻实验站2018-2020年无人机（Unmanned Aerial Vehicle,UAV）水稻冠层高光谱数据及地面样本数据,设计了基于正则近邻成分分析的光谱特征选择方法,优化了其损失函数与正则化参数,获得水稻叶绿素不同含量的特征波段,并以此为输入,构建粒子群优化极限学习机叶绿素含量反演模型。结果表明：正则近邻成分分析算法具有较好的特征选择能力,其损失函数为均方误差损失函数、正则化参数值为0.306时,特征选择效果最佳,初选出权重非零的16个特征波段;进一步以叶绿素极限学习机反演精度为判据,优选出权重最高的6个特征波段：710、716、508、798、532和708 nm;应用粒子群优化算法优化了极限学习机模型的输入权值和阈值偏差,粒子群算法正交试验种群规模（POP）、惯性权重（IW）、学习因子（C1,C2）和速度位置相关系数（MC）的优选结果分别为50、1.5、1.3、3.5和0.6;基于正则近邻成分分析-粒子群优化极限学习机叶绿素含量反演结果的RMSE和R2分别为9.549 mg/L、0.891。研究结果可为基于无人机平台的高通量作物监测提供理论依据,并为筛选无人机高光谱波段实现作物长势参数快速估测提供参考。     

基于高光谱的北京铁矿区土壤重金属镍元素含量反演研究

运用高光谱数据对北京典型铁矿区土壤重金属镍含量进行建模反演,探索高光谱遥感技术在土壤重金属污染快速监测上应用的可行性。使用便携式地物光谱仪采集研究区土壤样本光谱反射率数据,光谱反射率数据经多种数学变换后,经逐步回归方法筛选最佳特征波段,利用多元线性回归（SLR）和偏最小二乘回归（PLSR）方法建立模型以光谱反射数据对土壤重金属镍元素含量进行反演。基于光谱二阶微分的多元线性回归模型（SD-MLR）的稳定性和精度最高（R2 = 0.842,RMSE = 4.474）,能够良好地预测研究区土壤镍元素含量。光谱数据数学变换能够有效提高其与土壤镍元素含量间的相关性。不同的光谱变换形式建立模型的预测能力和精度有如下关系,光谱二阶微分 > 光谱倒数对数一阶微分 > 光谱一阶微分 > 光谱倒数对数 > 光谱连续统去除 > 原始光谱。采用光谱二阶微分建立多元线性回归模型为研究区土壤镍元素含量反演的最佳模型,可为土壤重金属污染快速监测提供技术参考。     

覆膜对无人机多光谱遥感反演土壤含盐量精度的影响

快速、准确地获取农田土壤盐分含量对指导合理灌溉及盐渍土的治理有重要意义。该文以内蒙古河套灌区沙壕渠灌域内的覆膜耕地为研究对象,利用无人机多光谱相机获取研究区内5月和6月的多光谱遥感数据,并同步采集区域内表层土壤含盐量数据,研究覆膜对无人机多光谱遥感图像反演农田土壤盐分含量精度的影响。利用支持向量机(support vector machine,SVM)、反向传播神经网络(back propagation neural network,BPNN)和极限学习机(extreme learning machine,ELM)3种机器学习方法,分别构建去膜前后基于原始光谱反射率和优选光谱指数的土壤含盐量估算模型。结果表明,去膜前后的各模型均可有效估测土壤盐分含量,但基于去膜处理后的数据构建的盐分含量估算模型精度较不去膜处理的有所提升,同时,基于光谱指数构建的盐分含量估算模型精度比基于光谱反射率构建的模型精度高;利用ELM构建的盐分含量估算模型在6月份预测效果最佳,其中基于光谱反射率和光谱指数的建模R2和RMSE分别为0.695、0.663和0.182、0.191,验证R2和RMSE分别为0.717、0.716和0.171、0.169。研究结果可为无人机多光谱遥感估算覆膜状态下的农田土壤盐分含量提供参考。     

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。     

基于分数阶微分预处理高光谱数据的荒漠土壤有机碳含量估算

对光谱数据进行预处理是提升高光谱建模精度十分必要和有效的途径。为了研究分数阶微分预处理方法在高光谱数据估算荒漠土壤有机碳含量中的应用,该研究以艾比湖流域为研究靶区,利用2015年5月采集的103个表层土壤样本的实测有机碳数据和室内测定的高光谱数据,以0.2阶为步长对原始光谱反射率及对应的倒数变换、对数变换、对数倒数变换、均方根变换的0-2阶微分进行分数阶运算预处理并研究其与土壤有机碳含量相关性,基于通过0.01显著性检验的特征波段对土壤有机碳含量进行偏最小二乘回归建模并进行精度分析。结果表明：1）分数阶微分预处理可以细化土壤有机碳及其光谱反射率相关性的变化趋势;2）各阶微分预处理后的相关系数通过显著性检验波段的数量均呈现先增后减的趋势,但波段数量最多的对应阶数并不统一;3）对数变换的1.6阶微分所建立的模型为最优模型,该模型的RMSEC=2.433 g/kg,R2c=0.786,RMSEP=2.263 g/kg,R2p=0.825,RPD=2.392。说明了分数阶预处理过后的模型精度和稳健性较整数阶微分有了大幅提升,并且运用在高光谱反演土壤有机碳含量上是可行的。     

小波包-局部最相关算法提高土壤有机碳含量高光谱预测精度

高光谱遥感可以实现水稻土排水期有机碳含量的快速预测,但土壤反射率受多种噪声的影响,有机碳光谱信号探测受阻,预测模型性能低下,如何在去除噪声的同时最大限度地保持有机碳光谱信号十分重要。以原状新鲜水稻土为研究对象,采用Bior1.3小波系对反射光谱进行1~7层小波包变换,通过相关分析确定最大分解层;将原始反射率至最大分解层以内的各层光谱相关系数组成相关系数集,采用局部最相关算法(local correlation maximization,LCM)构造土壤有机碳最优光谱;最后基于最优光谱建立有机碳含量偏最小二乘预测模型并进行分析。结果显示:1)随着小波包分解层数的增加,土壤反射率与有机碳含量的相关性不断增强,到第6层达到最高,确定为小波包最大分解层;2)基于LCM构造的最优光谱比未去噪光谱平滑,比小波包去噪光谱保留了更多光谱细节;3)未去噪光谱、小波包去噪光谱和LCM最优光谱有机碳预测模型的验证决定系数分别为0.693、0.727和0.781,均方根误差为1.952、1.840和1.679 g/kg,残留预测偏差为1.85、1.97和2.17。小波包-局部最相关算法在去噪同时有效保持了土壤有机碳光谱信号,可提高水稻土有机碳含量高光谱预测精度。     

基于灰度关联-岭回归的荒漠土壤有机质含量高光谱估算

为改善高光谱技术对荒漠土壤有机质的估测效果,该文采集了以色列Seder Boker地区的荒漠土壤,经预处理、理化分析后将土样分为砂质土和黏壤土2类,再通过光谱采集、处理得到6种光谱指标:反射率(reflectivity,REF)、倒数之对数变换(inverse-log reflectance,LR)、去包络线处理(continuum removal,CR)、标准正态变量变换(standard normal variable reflectance,SNV)、一阶微分变换(first order differential reflectance,FDR)和二阶微分变换(second order differential reflectance,SDR)。通过灰度关联(gray correlation,GC)法确定SNV、FDR、SDR为敏感光谱指标,采用偏最小二乘回归(partial least squares regression,PLSR)法和岭回归(ridge regression,RR)法,构建基于敏感光谱指标的土壤有机质高光谱反演模型,并对模型精度进行比较。结果表明:砂质土有机质含量的反演效果要优于黏壤土;基于SNV指标建立的模型决定系数R~2和相对分析误差RPD均为最高、均方根误差RMSE最低,所以SNV是土壤有机质的最佳光谱反演指标;对SNV-PLSR模型和SNV-RR模型综合比较得出,SNV-RR模型仅用全谱4%左右的波段建模,实现了更为理想的反演效果:其中,对砂质土有机质的预测能力极强(R_p~2为0.866,RMSE为0.610 g/kg、RPD为2.72),对黏壤土有机质的预测能力很好(Rp2为0.863,RMSE为0.898 g/kg、RPD为2.37)。荒漠土壤有机质GC-SNV-RR反演模型的建立为高光谱模型的优化、土壤有机质的快速测定提供了一种新的途径。     

含水率对土壤有机质含量高光谱估算的影响

土壤含水率对有机质(soil organic matter,SOM)含量高光谱估算精度有很大的影响。为了探讨SOM高光谱估算中土壤含水率的影响,该文对烘干土、风干土和质量含水率为5%~40%(按5%递增)的土壤样本进行了室内高光谱测量,对光谱数据进行了反射率、反射率一阶导数和反射率倒数对数3种光谱数据变换,运用偏最小二乘回归法(partial least squares regression,PLSR)建立了相应的SOM估算模型。结果表明,风干土的SOM高光谱估算精度较好;当含水率水平小于25%时,SOM估算模型精度受含水率的影响较大,光谱数据进行反射率倒数对数变换后的模型精度最高;当含水率水平大于等于25%时,水分对土壤光谱反射率的影响要大于SOM,不适宜利用土壤光谱数据进行SOM含量高光谱估算。该研究可为大田环境不同含水率情况下光谱估算SOM提供参考。     

基于偏最小二乘回归的土壤有机质含量高光谱估算

为实现基于光谱分析土壤有机质含量的快速测定,该文以江汉平原公安县的土壤为研究对象,进行室内理化分析、光谱测量与处理等一系列工作,在土壤原始光谱反射率(raw spectral reflectance,R)的基础上,提取了其倒数之对数(inverse-log reflectance,LR)、一阶微分(first order differential reflectance,FDR)和连续统去除(continuum removal,CR)3种光谱指标,分析4种不同形式的光谱指标与有机质含量的相关性,对相关系数进行P=0.01水平上的显著性检验来确定显著性波段的范围,并基于全波段(400~2 400 nm)和显著性波段运用偏最小二乘回归(partial least squares regression,PLSR)建立了该区域土壤有机质高光谱的预测模型,通过模型精度的比较确定最优模型。结果表明,进行CR变换后,光谱曲线的特征吸收带更加明显,相关系数在可见光波段范围内有所提高;基于全波段的PLSR建模效果要优于显著性波段,其中以CR的预测精度最为突出,其模型的决定系数R2和相对分析误差RPD分别为0.84、2.58;显著性波段的PLSR模型与全波段对比在模型精度方面虽有一定差距,但从模型的复杂程度来比较,具有模型简单、运算量小、变量更少的特点;最后,综合比较了全波段和显著性波段4种光谱指标的反演精度,发现CR-PLSR模型的建模和预测的效果比R-PLSR、LR-PLSR、FDR-PLSR模型都要显著。该研究可为将CR-PLSR高光谱反演模型用于该区域土肥信息的遥感监测提供参考。     

基于高光谱数据的土壤全氮含量估测模型对比研究

构建基于高光谱数据的土壤全氮含量估测模型,为快速、准确监测农田土壤全氮含量,判断作物生长发育情况和评价土地质量提供新的技术和方法.以新疆南疆地区主要类型土壤为研究对象,于室内测定土壤全氮含量和光谱反射率数据,利用偏最小二乘回归(PLSR)、支持向量机回归(SVM)、随机森林回归(RF)与光谱反射率(R)及其4种数学变换...     

基于相似光谱匹配预测土壤有机质和阳离子交换量

土壤可见光-近红外波段光谱(350~2 500 nm)包含了大量的土壤属性信息,相同类型的土壤具有相似的光谱曲线特征,但相似光谱曲线是否具有相似的属性含量?探讨此问题可为土壤光谱库的应用提供依据,从而最终服务于快速获取土壤信息技术体系的构建。该研究以安徽宣城为研究区,根据母质、地形特征和土地利用等信息,采集91个典型土壤剖面,共含400个土壤发生层样品,测定了有机质(soil organic matter,SOM)和阳离子交换量(cation exchange capacity,CEC)含量,同时采用VARIAN公司的Cary 5000分光光度计测定了土壤光谱,并将光谱数据变换为反射率(R)、反射率一阶导数(FDR)和吸收度(Log(1/R))3种形式。该文采用光谱角(spectral angle mapper,SAM)、偏最小二乘回归(partial least square regression,PLSR)和SAM-PLSR(spectral angle mapper-partial least square regression,SAM-PLSR)3种方法预测土壤SOM和CEC。SAM方法是通过对测试集104个光谱曲线与参考集的296个光谱曲线进行相似性计算,并以此实现土壤SOM和CEC含量的预测。SAM-PLSR方法以SAM算法下的匹配结果作为建模样本建立PLSR模型和进行预测分析。结果表明,具有相似光谱曲线的土壤具有相似的SOM和CEC含量,SAM算法下相似光谱匹配可直接预测SOM(R2=0.78,RPD=2.17)和CEC(R2=0.82,RPD=2.41)。PLSR方法可很好地预测SOM(R2=0.87,RPD=2.77)和CEC(R2=0.87,RPD=2.59);相较之下,SAM-PLSR方法不仅可以更加准确预测SOM(R2=0.89,RPD=3.00)和CEC(R2=0.91,RPD=3.06),而且大大减少了建模样本的数量。该研究使可见光-近红外光谱可更加高效地用于土壤属性分析,并为土壤光谱数据库的建设及应用提供技术参考。     

利用多源光谱信息反演宁夏银北地区干湿季土壤含盐量

土壤盐渍化是导致全球荒漠化和土壤退化的主要诱因之一。为确定高光谱和多光谱遥感反演干湿季土壤含盐量的最优模型,该研究以宁夏银北平罗县为例,以干季(4月)和湿季(10月)实测高光谱和Landsat 8 OLI多光谱以及干湿两季实测土壤含盐量为基础数据源,利用相关系数法、灰度关联法和逐步回归法筛选敏感光谱数据,分别采用偏最小二乘、支持向量机、岭回归、BP神经网络和地理加权回归建立干湿两季土壤含盐量反演模型。结果表明:1)银北地区土壤盐渍化较为严重,干湿季含盐量均表现为强度变异,且干季变异程度大于湿季;2)在不同土壤含盐量条件下,重采样后的高光谱波段反射率和影像波段反射率具有显著相关性;3)对比相关性分析、灰度关联和逐步回归三组变量筛选方法下各模型R2和RMSE,逐步回归组模型整体效果较好;4)5种土壤含盐量反演模型中地理加权回归模型精度较高,支持向量机算法和BP神经网络算法在基于不同变量组的模型中表现较为接近,岭回归表现最差,偏最小二乘回归模型出现了较严重的"过拟合"现象。局部模型在土壤含盐量反演方面更具优越性。干季以实测灰度关联组-地理加权回归模型效果最佳,其验证决定系数Rp2和相对分析误差RPD分别为0.94和4.49;湿季以影像相关系数组-地理加权回归模型反演效果最好,其验证决定系数Rp2和相对分析误差RPD分别为0.96和4.83。研究结果可为当地及同类地区土壤盐渍化的识别、防治提供理论依据。     

盐渍化土壤光谱特征的区域异质性及盐分反演

该文通过分析中国新疆、浙江、吉林3个不同地区盐渍化土壤的高光谱特征,研究了盐渍化土壤高光谱特征的区域异质性,并对构建高精度的跨区域土壤盐分高光谱定量反演模型,应用25种数据处理方式来提高全局建模的精度,旨在提高具有光谱异质性土壤的盐分反演精度。结果表明:不同地区的盐渍化土壤,无论是反射率还是光谱曲线形态方面,均存在较明显的差异,但经过一阶微分处理后,光谱差异有所降低;对3个地区土壤盐分含量局部建模与全局建模的精度进行比较,在所选用的直线回归、主成分回归、多元线性回归、偏最小二乘回归4种建模方法中,全局建模精度均低于局部建模精度;不同地区盐渍化土壤的盐分敏感波段不一致,在所采用的25种数据处理方式中,SG3点一阶微分(savitzky golay)、SG5点一阶微分、SG7点一阶微分、线性基线校正+SG3点一阶微分、SG平滑+SG3点一阶微分、SG平滑+线性基线校正+SG3点一阶微分这6种数据处理方式对全局建模的建模精度有明显改善作用,模型的相对分析误差均达到2.0以上,其中以SG平滑+SG3点一阶微分为最佳,其决定系数、均方根误差、相对分析误差分别为0.80、0.43、2.23。研究结果为跨区域土壤盐渍化的航天高光谱遥感监测提供了一定的参考依据。