基于人工神经网络的土壤有机质含量高光谱反演

研究了土壤有机质含量与土壤高光谱之间的关系,在对原始光谱进行了预处理分析后,运用多元线性逐步回归法(MLSR)和人工神经网络法(ANN)建立了土壤有机质含量的反演模型,并对模型进行了验证。结果表明:人工神经网络所建立的反演模型普遍优于回归模型,网络集成模型优于单个BP网络模型,网络集成是提高反演模型准确性与稳定性的有效途径。网络集成模型为最优模型,总均方根误差为1.31,可以用于土壤有机质含量的快速测算。     

东北典型黑土区表层土壤有机质含量高光谱反演研究

选择东北典型黑土区——德惠市、扶余市和双城市为研究区,利用便携式地物光谱仪获取土壤光谱数据,基于原始光谱值及一阶微分、倒数的对数、连续统去除变换,分别建立了黑土有机质含量的多元线性逐步回归模型、偏最小二乘回归模型和BP神经网络模型。结果表明:高光谱与土壤有机质含量在多个波段相关性较好,其中有机质与反射率一阶微分处理的相关性最好,在光谱584 nm处其相关性最强(r=-0.60,n=81)。光谱一阶微分处理数据在三种建模方法中的预测及验证精度均高于原始光谱值、倒数的对数和连续统去除变换,因此一阶微分为最佳光谱变换形式。偏最小二乘回归分析的预测效果整体优于多元线性逐步回归分析和BP神经网络分析,光谱一阶微分处理的偏最小二乘回归模型呈现出最佳预测效果,决定系数为0.71、均方根误差为2.29 g kg~(-1)(n=53)。     

基于高光谱的三江源区土壤有机质含量反演

土壤有机质(SOM)是指土壤中各种含碳有机化合物的总称,其动态变化不仅影响农业生态系统的稳定,而且与大气圈和生物圈的碳循环密切相关,对土壤有机碳的大规模快速监测和碳储量核算具有重要意义。本研究于2017年、2018年7月在三江源区野外采集了145个土壤样品,检测了土壤光谱信息。然后将原始光谱反射率数据及其不同数据变换形式下的光谱分别与土壤有机质(SOM)含量进行相关分析,并选取了特征波段,此外利用偏最小二乘回归(PLSR)、支持向量机(SVM)和随机森林(RF)模型对三江源区SOM含量进行建模估算。结果表明,不同深度土壤有机质含量差异明显,且呈逐层下降趋势。而三种建模方法的检验精度分别为:RF> SVM> PLSR,其中RF和一阶微分(FD)组合模拟最好(建模集和验证集的R²、RMSE分别为0.9678、8.9132和0.7841、20.9787)。对于三江源土壤有机质含量反演,不同模型的最佳数据变换方法不同。本研究成果能为后续的高光谱遥感反演提供理论支撑,从而实现三江源区土壤有机质含量的快速检测和实时动态监测。     

黄河三角洲土壤含水量状况的高光谱估测与遥感反演

为探讨利用近地高光谱和遥感影像数据结合预测土壤含水量的可行方法,以黄河三角洲垦利县为研究区,采用中心波长反射率和波段平均反射率两种拟合方法,利用室外实测高光谱窄波段反射率数据模拟Land Sat8卫星宽波段反射率,进而通过组合,选取敏感光谱参量,应用多元逐步线性回归方法分别建立土壤含水量高光谱单一形式波段组合与多形式波段组合估测模型,并选取最优估测模型。采用线性混合像元分解处理遥感影像,同时采用比值均值订正方法对遥感影像反射率进行订正,在此基础上,将模型应用到经过订正的Land Sat8卫星影像,实现了对研究区土壤含水量的遥感反演。结果表明,最佳模型是基于波段平均反射率拟合方法建立的多形式波段组合估测模型。从反演结果看较为符合研究区土壤含水量的实际状况。     

东北平原不同类型土壤有机质含量高光谱反演模型同质性研究

土壤有机质含量是反映土壤肥力的重要特征,利用高光谱技术对耕层土壤有机质（OM）含量进行定量化反演可为土壤信息化管理和精准施肥提供重要的依据。本文利用ASD FR 2500高光谱仪在室内条件下测定了风干土壤样品的可见近红外光谱,分析了东北平原不同土壤类型土壤光谱反射率曲线形状变化及土壤有机质含量的光谱反演模型,结果表明,根据土壤光谱反射率曲线变化特点可以初步将东北平原的几种土壤类型划分为三类,其主要区别在于460～1350nm范围内曲线斜率变化的差异。通过相关分析进一步确定了土壤有机质敏感波段为650～750nm,建立了不同土壤类型的有机质含量回归预测模型,并且对不同模型的回归系数和截距进行了方差同质性检验。结果显示,黑土和黑钙土、黑土和暗棕壤的模型没有显著差异,即可以分别构建同质性模型来简化有机质的预测,但是预测精度有所降低。     

黑土有机质含量高光谱模型研究

通过对黑龙江省典型黑土区土壤样品高光谱反射率的室内测定,研究了典型黑土可见光/近红外波段光谱反射特性;利用多元统计分析方法,以土壤光谱反射数据及其数学变换数据作为自变量,以黑土有机质含量对数变换数据作为因变量,建立黑土有机质含量高光谱预测模型,并对模型的稳定性和预测能力进行检验。结果表明:(1)620~810nm波段范围是黑土有机质的主要光谱响应区域,最大响应值在710nm附近;(2)对光谱数据进行归一化处理可以部分消除不同土样测试过程中存在的噪声;(3)模型及其检验的决定系数R2都在0.9以上,模型的总均方根差RMSE均小于2.1,模型具有很好的稳定性和预测能力,可以用于黑土有机质含量的快速测定;(4)归一化一阶微分模型为最优预测模型。     

不同测试条件对土壤有机质光谱预测模型精度的影响

利用高光谱遥感方法对土壤有机质含量进行预测具有快速、无损、低成本等优势,但由于测试条件不同,会对预测精度产生影响。自松嫩平原采集当地代表性土壤,在野外和实验室使用不同的光谱仪分别进行光谱测量,在比较同一土样室内、野外光谱异同的基础上,将测得的原始反射率数据经过重采样、数学变换和去包络线处理后作为输入量,用偏最小二乘法和多元线性逐步回归分析法建立了有机质预测模型。结果表明:(1)由于光源与传感器不同,不同光谱仪测得的光谱曲线存在差异。(2)用野外数据建立的有机质预测模型的精度要低于室内模型,这是由于野外光谱受大气中水分的影响明显、野外空气湿度、温度、密度不均且多变造成的。(3)相比于微分处理技术,去包络线在偏最小二乘法和多元逐步回归分析技术中的应用,不仅可以提高模型预测精度,还能减少因测试条件和仪器的不同所造成的精度差异。本成果为利用光谱数据源预测土壤理化性质提供支持。     

基于高光谱的复垦农田土壤有机质含量估测

为了快速准确估算矿区复垦土地土壤有机质含量,以永城矿区复垦农田为例,在土样有机质含量测定和高光谱数据测量的基础上,对土壤高光谱数据进行多种预处理并与有机质实测含量进行相关性分析,利用相关系数进行P=0.01水平显著检验,确定敏感波段,建立一元线性回归、多元逐步回归和偏最小二乘回归等多种有机质含量与高光谱估测模型。结果表明:经过数学变换的土壤光谱反射率与土壤有机质含量相关性显著提高,复垦区土壤光谱经过多元散射校正和一元微分处理并利用偏最小二乘回归模型建模预测效果最好。当前较少有研究对矿区复垦农田土壤有机质进行高光谱估测,本研究成果可为有效利用高光谱遥感技术,快速、有效地测定复垦农田土壤有机质含量提供技术支撑。     

基于高光谱遥感土壤有机质含量预测研究

高光谱遥感技术是土壤养分含量监测的一种先进手段,能及时、准确地监测滨海滩涂土壤养分的动态变化,对滨海湿地生态环境保护具有重要意义。以辽河三角洲滨海湿地滩涂为研究对象,在对地面高光谱数据与实验室样本理化性质分析的基础上,经过微分以及连续统去除法相关分析,分别建立了多元线性回归模型和偏最小二乘法(PLSR)模型,并对模型结果进行分析、比较。结果显示,连续统去除法能有效的提高有机质含量与光谱反射率之间相关性,基于此变换所建立的多元线性回归模型R2达到了0.7545,RMSE为1.2216;偏最小二乘模型R2达到了0.8792,RMSE为1.2299。所建模型具有预测土壤有机质含量的潜力,其中偏最小二乘法优于多元线性回归法。     

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。     

塔里木盆地北缘荒漠土壤有机质含量的高光谱估测

土壤有机质含量的多少是衡量土壤肥力的重要指标,了解土壤有机质的状况及动态变化,为指导干旱区绿洲农业生产及生态环境保护提供科学依据.基于在塔里木盆地北缘绿洲-荒漠过渡带采集的80个土壤样品,测定有机质含量和光谱反射率.在原始反射率R的基础上,进行光谱反射率的一阶微分R′、倒数对数lg(1/R)、倒数对数的一阶微分[lg(...     

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（Soil Organic Matter,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（Support Vector Machine,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。     

黄河三角洲典型生态脆弱区土壤退化遥感反演

黄河三角洲是典型的生态环境脆弱区,土壤质量不高,盐渍化状况普遍,快速准确掌握该区土壤退化状况,对退化土壤恢复重建、可持续利用具有重要意义。该研究选择黄河三角洲垦利县为研究区,以2008年实测数据为依据,通过建立土壤退化评价指标体系,以参评因素权重与隶属度值加权组合构建土壤退化综合指数,在GIS支持下对土壤退化进行了综合评价;采用与实测同时相的TM影像数据,结合不同程度退化土壤光谱特征、土壤退化综合指数与波段灰度值的相关性分析,筛选土壤退化敏感波段,进而构建土壤退化敏感光谱指数,并建立基于敏感光谱指数的土壤退化综合指数反演模型,最终筛选出拟合程度最高的指数模型作为研究区土壤退化的反演模型,对模型进行精度分析,并利用2008年遥感影像验证反演结果;将该反演模型应用于2011年和2013年的遥感影像,并对研究区2008-2013年的土壤退化状况及动态变化进行了分析。结果显示:基于土壤退化综合指数评价结果,研究区土壤退化程度从沿海到内陆呈现由高到低过渡的趋势;TM1、TM2、TM3波段为土壤退化敏感波段,基于此3个波段组合的土壤退化光谱指数构建的土壤退化遥感反演模型有较高的精度,R2为0.7182,其验证均方根误差、相对误差和决定系数分别为0.0241、3.66%和0.6724,反演结果与同年基于实测数据的综合评价结果相一致;研究区2008-2013年土壤退化状况总体变化不大,有逐渐改善趋势。     

土壤有机质含量可见-近红外光谱反演模型校正集优选方法

土壤有机质含量可见-近红外光谱反演过程中校正集的构建策略对模型的预测精度有重要影响。以江汉平原洪湖地区水稻土为研究对象,采用Kennard-Stone(KS)法,Rank-KS(RKS)和Sample set Partitioning based on joint X-Y distance(SPXY)法,构建样本数占总校正集不同比例的子校正集,通过偏最小二乘回归,建立土壤有机质含量的可见—近红外光谱反演模型。结果表明:KS法无法提高模型预测精度,但可以在保证标准差与预测均方根误差比(ratio of performance to standard deviation,RPD)2.0的前提下减少30%的校正样本;基于SPXY法的模型,当子校正集样本比例为总校正集的50%时达到最佳的模型预测精度,RPD为2.557;RKS法能够在保证预测精度的情况下(RPD2.0),最多减少总校正集70%的样本,对应模型RPD为2.212。当校正集与验证集的有机质含量分布相近时,能够以较少的建模样本达到与总校正集相近甚至更高的模型预测精度,提升土壤有机质光谱反演模型的实用性。     

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。     

黄河三角洲土壤质量自动化评价及指标体系研究

采用4种评价方案,利用相关系数法确定指标权重,利用隶属度函数计算指标隶属度,采用综合指数法,在Arcgis中进行黄河三角洲土壤质量的自动化评价和比较。结果表明:利用GIS自动化评价土壤质量快速准确;基于土壤全量养分和速效养分的评价差异较小,两者可选其一;基于土壤有机质和土壤含盐量指标的评价与土壤质量的全面评价(基于土壤全量、速效养分、有机质、含盐量、地下水埋深及矿化度)之间差异较小,在其他数据有限的前提下,土壤质量可以用土壤有机质和盐分含量指标评价。