土壤有机质含量的高光谱特性及其反演

【目的】应用高光谱技术阐释土壤有机质光谱规律及对有机质在土壤中的含量进行定量分析，为土壤肥力测定和评价提供指导。【方法】利用ASD FieldSpec Pro地物光谱仪在自然环境条件下对不同有机质含量的土壤样本进行光谱测量。通过对获取的土壤样品高光谱反射率进行倒数、导数、对数和标准化比值变换，运用统计单相关方法进行分析。【结果】确定了511 nm波长为诊断土壤有机质含量的敏感波段，采用450～750 nm可见光波段反射率均值对507～516 nm敏感范围反射率均值进行标准化比值处理后获得的有机质诊断指数（OII）对土壤有机质含量的估算精度较高，它们存在着简单的线性相关关系。【结论】土壤有机质诊断指数（OII）反演模型为土壤肥力的快速测定提供了新的途径。     

土壤有机质高光谱特征与波长变量优选方法

【目的】探究土壤有机质的高光谱特征及响应规律,优选土壤有机质的敏感波长,降低土壤有机质高光谱估测模型复杂度,提高模型稳健性,为利用高光谱技术对农田土壤肥力的定量监测提供理论支撑。【方法】采集江汉平原潮土土样130个,将其中40个样本作为训练集,测量其去有机质前、后的土壤有机质含量及光谱数据,计算差值及变化率,分析土壤有机质含量变化对光谱特征的影响,结合无信息变量消除(uninformative variables elimination,UVE)、竞争适应重加权采样(competitive adaptive reweighted sampling,CARS)变量优选方法确定土壤有机质敏感波长;采用45个建模集样本,基于偏最小二乘回归(partial Least Squares Regression,PLSR)和反向传播神经网络(back propagation neural network,BPNN)建立土壤有机质含量的估算模型;利用45个验证集样本检验敏感波长对同类土壤的适用性。【结果】通过有机质去除试验,供试土壤的平均光谱反射率在全波段均有所增加,在可见光波段变化率高于近红外波段;比较UVE、CARS、UVE-CARS、CARS-UVE这4种变量优选方法,得到最佳变量优选方法为UVE-CARS,该方法从2001个波长变量中优选得到84个变量作为土壤有机质的敏感波长,分布于561—721、1 920—2 280 nm波段覆盖范围;基于敏感波长的PLSR、BPNN模型性能均优于全波段模型,其中,基于敏感波长的BPNN模型的估测能力高于PLSR,模型验证集R~2、RMSE、RPD、MAE、MRE值分别为0.74、1.33 g·kg~(-1)、2.02、1.04 g·kg~(-1)、6.2%,可实现土壤有机质含量的有效估测。【结论】通过训练集获得的土壤有机质敏感波长,能够实现对该试验区同种土壤类型样本土壤有机质含量的有效估测;利用去有机质试验结合变量优选方法确定的敏感波长建模,不仅将输入波长压缩至全波段波长数目的 4.2%,而且提升了模型估测精度,降低了变量维度和模型复杂度,为快速准确评估农田土壤有机质含量提供了新途径。     

基于星载高光谱数据的南京新济洲湿地土壤有机质估测研究

在高光谱数据预处理、土壤有机质高光谱敏感波段提取基础上,建立多元线性回归、最邻近法、装袋算法、多元感知器、随机森林5种遥感估测模型。用10折交叉验证方法,借助相关系数、绝对误差、均方根误差、相对误差、相对均方根误差5个指标,对遥感估测模型结果进行精度评价,选择精度最高的模型进行湿地土壤有机质遥感估测和空间分析。结果表明:土壤有机质高光谱敏感波段主要集中在925、1 144、1 477、1 780 nm 4个波段;在预测土壤有机质的5种模型中,多元线性回归模型预测精度最高,随机森林次之;土壤有机质空间分布呈现由洲滩中间向四周逐渐增加的带状分布格局;新济洲沼泽地土壤有机质含量最高,为2.22%;靠近沼泽的林地次之;植被覆盖度较低的农地和裸地的土壤有机质最低,为0.43%;这种土壤有机质空间分布格局与研究区土壤类型的带状分布存在密切联系。     

基于遥感影像数据的土壤制图研究进展

【目的】 数字土壤制图成本低、精度高,是刻画土壤环境变量的新技术和新工具,遥感技术在数字土壤制图业务化应用中发挥了重要作用,但是还存在诸多问题和不确定性。文章总结相关研究进展,以期为基于遥感影像数据的土壤数字制图提供有益参考。【方法】 梳理遥感技术在土壤类型与属性制图研究中的进展情况并进行总结展望,以期更好地发挥高空间、时间、光谱分辨率遥感数据在土壤数字制图方面的作用,为研发新模型、提高土壤制图模型精度提供信息支撑,为第三次全国土壤普查数字土壤制图提供有益参考。【结果】 遥感数据的特征与土壤发生学理论契合并推动了土壤制图的发展,但是,基于遥感的土壤制图技术在快速土壤环境变量因子提取、自适应制图指标筛选、满足多层级制图需求的土壤推测制图模型构建等方面还需要进一步深入探讨。【结论】 为了实现土壤类型与属性制图的业务化、流程化和自动化,未来的研究应该着眼于从“环境变量分析—评价指标体系筛选—预测模型构建”一体化解决方案入手,探讨如何融合多种遥感载荷、综合运用新型模型,以提高数字土壤制图的精度,为农业生产和土地资源管理提供更为精准的信息支撑。     

基于地理加权回归模型的绿洲土壤表层有机质含量高光谱估算

【目的】研究利用高光谱数据估算土壤表层有机质含量,为绿洲区大范围,快速,低成本,监测土壤表层有机质含量提供技术参考。【方法】以新疆博斯腾湖湖滨绿洲为研究区,采用地理加权回归模型,优选高光谱数据与土壤有机质含量的特征波段,构建研究区表层土壤有机质含量的高光谱估算模型。【结果】研究区表层土壤有机质含量变化不大,变化系数为55%,最小值为2.37 g/kg,最大值为51.47 g/kg,平均值为21.20 g/kg。土壤有机质特征波段主要集中在645~1 958 nm,其中1/R二阶的相关系数值最大为0.73,且在P=0.05水平下,通过显著性检验的波段数为83。构建的地理加权回归模型中,二维土壤指数1/R RSI建模效果最优,建模集R²=0.91,RMSE=2.56,验证集R²=0.95,RMSE=1.10。【结论】利用地理加权回归模型估算土壤有机质估算,建模效果可以达到一定的精度要求。     

利用模拟宽波段数据定量反演关中平原土壤有机质含量研究

[目的]以陕西杨凌示范区耕层土壤为对象,通过采集、测定耕层土壤的有机质含量,并结合野外相应高光谱数据和光谱响应函数,利用模拟宽波段数据估测土壤有机质含量。[方法]通过分析土壤有机质含量与光谱间的内在关系,筛选敏感波段,构建估测土壤有机质含量模型;以宽波段波段响应函数、土壤高光谱数据为基础,通过模拟宽波段数据,构建估测土壤有机质含量模型;通过高光谱与模拟宽波段数据的对比分析,研究基于宽波段遥感数据定量估测土壤有机质含量的可行性。[结果]基于宽波段数据估测土壤有机质的精度相对较高。[结论]利用宽波段数据估测土壤土壤有机质含量具有可行性,2%并非利用光谱数据估测土壤有机质含量的下限。     

基于高光谱遥感的农作物分类研究进展

【目的】农作物类型识别是农作物面积、长势监测与产量预测的重要前提。及时、准确地获取农作物类型、空间分布以及种植面积对制定农业政策、促进社会经济发展和保障国家粮食安全具有重要意义。近年来,高光谱遥感凭借光谱分辨率高、光谱信息丰富等优点,已广泛应用于农作物制图中。【方法】文章归纳了高光谱遥感应用于农作物分类的研究进展,总结了国内外农作物分类常用的高光谱数据源,并分析了各种数据源的适用范围。梳理了农作物高光谱遥感分类方法,讨论了各种分类方法的优缺点。【结果】现有农作物高光谱遥感分类研究存在一些不足:(1)机载高光谱影像光谱分辨率高,但影像监测面积小,不适合大区域农作物面积提取研究;(2)星载高光谱影像监测面积较大,但空间分辨率较低,某些农作物面积提取实际应用中精度较低;(3)由于缺乏对农作物高光谱特征的研究,导致分类算法机理性不足,普适性较差。【结论】农作物高光谱遥感分类未来研究方向是:(1)丰富高光谱遥感监测的农作物类型;(2)提高高光谱影像的空间分辨率,实现农作物种植结构复杂、地块破碎地区的农作物分类研究;(3)进一步研究利用高光谱遥感进行农作物分类的机理和多源数据融合的方法。     

基于Sentinel-2遥感影像的黑土区土壤有效磷反演

【目的】土壤养分含量的整体状况对供给作物的生长有着重要意义,对农田土壤速效养分含量的估算是作物生长发育状况评价过程中的关键环节,高光谱遥感技术的发展为区域有机质和土壤养分的动态监测提供了有效的手段。相比传统方法耗时、耗力及测量复杂等缺点,该文提出了基于遥感影像的大面积土壤速效养分含量的精准估算方法,对促进玉米作物的精准施肥和黑土地肥力保护具有重大理论意义。【方法】文章以东北黑土区的吉林省农安县玉米农田为研究区,基于Sentinel-2遥感影像和土壤有效磷含量实测数据,利用偏最小二乘回归方法构建土壤有效磷含量的反演模型,最终获取土壤有效磷含量的空间分布图,实现了黑土区土壤有效磷含量的大面积、快速、精准估算。【结果】Coastal aerosol波段(海岸/气溶胶波段)、可见光波段及红边波段与土壤有效磷含量的相关性较强,模型的决定系数R²为0.649、均方根误差为2.44 mg/kg。【结论】利用偏最小二乘回归模型估算所得土壤有效磷含量空间分布情况与其空间插值结果相一致,从空间分布情况上看,农安县西北部的土壤有效磷含量最高,东北部的土壤有效磷含量高于中部与南部地区;模...     

基于高光谱的喀斯特地区典型农田土壤有机质含量反演

【目的】利用高光谱数据定量反演喀斯特地区土壤有机质含量,为喀斯特地区快速、大范围、实时地监测土壤有机质含量提供更多的技术手段。【方法】利用机载高光谱成像系统和便携式地物光谱仪分别获取土壤光谱数据,基于原始光谱反射率和不同光谱变换数据,分析其与土壤有机质含量的相关性,以偏最小二乘法建立模型预测土壤有机质含量。【结果】2种数据源都可以用于土壤有机质含量预测,其中,基于ASD光谱一阶微分变换建立的模型预测精度较高,验证集决定系数(Rv~2)为0.910,相对分析误差(RPD)为2.68;基于GS光谱二阶微分变换建立的模型预测效果较好,验证集Rv~2为0.772,RPD为1.49。【结论】ASD光谱与GS光谱建模预测精度相差较大,ASD光谱客观条件影响较小、光谱波段更宽、光谱分辨率更高,具有更好的预测能力;低空无人机获取的GS光谱也具有一定的预测能力。     

基于宽波段数据定量反演土壤有机质含量的研究

定量分析了北京顺义、通州区土壤高光谱反射特征,利用资源三号、高分一号、高分二号传感器的光谱响应函数,结合高光谱数据生成相应宽波段模拟数据;将土壤光谱数据、拟合宽波段数据分别与实测土壤有机质含量开展相关性分析,提取并筛选敏感波段,利用偏最小二乘法建立基于高光谱数据的土壤有机质含量预测模型;依据宽波段模拟数据和实测土壤有机质含量的相关性,提取并筛选敏感波段,建立土壤有机质含量预测模型。结果表明,在基于土壤高光谱数据建立的土壤有机质含量预测模型中,以对数的一阶微分为最优,其R和RMSE分别为0.697和0.195,偏最小二乘法得到的反演土壤有机质含量的模型是可靠的;在基于模拟宽波段构建的土壤有机质含量估测模型中,以高分一号的拟合精度最高,R和RMSE分别为0.334和0.240;受室外不可控因素的影响,模拟宽波段数据在估测北方地区土壤有机质含量方面仍需进一步研究。