土壤有机质高光谱估算模型研究进展

土壤有机质高光谱估算较传统土壤农化分析方法表现出极大优势,顺应了现代农业发展的迫切需要。国内外众多学者先后对土壤有机质高光谱估算模型进行了大量研究,估算模型由简单的一元线性模型逐渐发展为多元线性及非线性模型,常用的建模方法分为线性方法和非线性方法,重点分析了各种方法的适用性。通过总结分析前人研究,发现土壤有机质高光谱估算模型研究存在以下发展趋势:多种建模方法耦合使用增多;建模方法的复杂度逐渐增强;尝试消减外部环境因素对建模的影响;尝试将室内土壤有机质估算模型应用于野外实地研究。     

基于小波变换的近红外光谱预测土壤有机质

为了探索快速检测土壤有机质含量的方法,试验采用不同分解水平的Coiflet函数的小波(wavelet)分析方法,对山西关帝山土壤样品的近红外光谱信号进行了消噪处理,来快速获取土壤中有机质含量。结果表明:对有机质敏感波段的为450~600 nm,810~935 nm,1 030~1 315 nm,1 380~1 400 nm;有机质NIRS法与实验室标准法测定值之间的相关系数R2为0.9818;说明通过小波变换滤波,选择敏感波段,用偏最小二乘回归方法预测土壤有机质含量是可行的。     

黄土高原煤矿区复垦农田土壤有机质含量的高光谱预测

【目的】针对黄土高原丘陵地多、地形复杂、有机质含量低、采样困难以及因采煤活动引起大面积土地损毁等问题,在土地复垦与综合整治过程中,为快速定量监测与评估复垦农田土壤质量提供一种新的方法。【方法】以山西省襄垣县复垦农田土壤为研究对象,选取由北向南土地损毁中间条带状区域采集样品152个,进行室内土壤农化分析、光谱测定,运用ParLes 3.1软件对光谱曲线进行多元散射校正（multipication scatter correction,MSC）、基线偏移（baseline offset correction,BOC）和Savitzky-Golay filter平滑去噪预处理。对土壤原始光谱反射率（raw spectral reflectance,R）作一阶微分（first order differential reflectance,D（R））和倒数的对数变换（inverse-lg reflectance ,lg（1/R））,分析3种不同变换形式的光谱数据与土壤有机质含量的相关性,相关系数通过P=0.01水平显著性检验来确定显著性波段的范围。基于全波段（400-2400 nm）和显著性波段利用偏最小二乘回归（partial least squares regression,PLSR）分析方法建立该区域土壤有机质含量高光谱预测模型,通过模型精度评价指标：决定系数（coefficient of determination,R²）、均方根误差（root mean square error,RMSE）和相对预测偏差（residual prediction deviation,PRD）确定最优模型。【结果】通过P=0.01水平显著性检验的波段范围为：R的400-1 800、1880-2 400 nm;D（R）的420-790、1 020-1 040、2 150-2 200 nm;lg（1/R）的400-1 830、1 860-2 400 nm。光谱与有机质含量的相关系数绝对值最大的波段是R的800 nm;D（R）的600 nm;lg（1/R）的760 nm。进行D（R）变换,光谱曲线的吸收特征更加明显,相关系数在可见光（400-800 nm）波段范围内有所增加,其最大值由0.72提高到了0.82;基于显著性波段的PLSR建模效果优于全波段,其中lg（1/R）变换的预测精度为最佳,具有很好的预测能力,其校正模型的R²和RMSE分别为0.95、7.64,预测模型的R²、RMSE和RPD分别为0.85、3.00、2.56;基于全波段的R-PLSR和lg（1/R）-PLSR模型具有较好的预测能力,其预测模型的R²、RMSE和RPD分别为0.79、3.64、2.10和0.79、3.53、2.17,而D（R）-PLSR模型只能进行粗略估测,其预测模型的R²、RMSE和RPD分别为0.61、5.43、1.41。综合分析全波段和显著性波段3种光谱数据的预测精度,发现基于显著性波段的R-PLSR、D（R）-PLSR、lg（1/R）-PLSR模型均取得了显著的预测效果。【结论】研究区土壤光谱反射率与土壤有机质含量具有高度的相关性,应用偏最小二乘回归分析方法可以很好地建立土壤有机质含量反演模型。     

基于高光谱成像的烟田土壤pH估测

【目的】为实现区域尺度上烟田土壤pH的快速估测。【方法】以四川省296份烟田土壤为研究对象,利用高光谱成像获取土壤390～2500 nm波段的光谱反射率,系统研究12种光谱预处理方法、2种特征波段选择方法和4种建模方法对烟田土壤pH高光谱估测模型精度的影响。【结果】在600～2500 nm范围内,不同pH的光谱反射率曲线差异明显;原始光谱经单一预处理或组合预处理方法处理后,建立的估测模型精度均有所提高;其中一阶导数(First derivative, D1)组合标准正态分布(Standard normal variate, SNV)为最佳光谱预处理方法。竞争自适应重加权采样算法(Competitive adaptive reweighted sampling, CARS)筛选出93个土壤pH特征波段,主要集中在近红外波段800～2500 nm。无论使用光谱全波段还是主成分分析降维得到的光谱特征,核岭回归(Kernel ridge regression, KRR)和支持向量机(Support vector machine, SVM)两种建模方法都取得了比偏最小二乘回归(Partial l...     

哈尔滨市土壤有机质高光谱模型

通过对哈尔滨市土壤样品实测和室内高光谱测定,以土壤光谱反射率(反射率倒数、反射率对数、反射率一阶微分等)的数学变换数据作为自变量,土壤有机质质量分数的对数作为因变量,利用Matlab7.1软件,多元统计分析方法,建立了哈尔滨市土壤有机质质量分数高光谱多元逐步回归分析模型,实现了对哈尔滨地区土壤有机质的快速预测。     

基于可见/近红外漫反射光谱的土壤有机质含量估算方法研究

为研究不同土壤颗粒粒径对可见/近红外光谱分析技术在土壤有机质含量快速检测应用中的影响,获取粒径为0.169～2 mm和＜0.169 mm的2种土壤样本(各53个)的可见/近红外光谱(325～1075 nm),分别建立各自的主成分-反向传播神经网络(PCA-BPNN)、最小二乘-支持向量机(LS-SVM)和偏最小二乘法(PLS)土壤有机质含量检测模型.结果表明:当土壤粒径为0.169～2 mm时,所建立模型的土壤有机质含量预测相关系数r均在0.84以上,且预测均方根误差(RMSEP)都在0.20以下;而当土壤粒径＜0.169 mm时,所建立模型的预测相关系数r均不超过0.71.而RMSEP都在0.23以上;对于相同粒径的土壤,PLS模型对土壤有机质含量的预测效果优于LS-SVM和PCA-BPNN模型.说明不同土壤颗粒粒径会显著影响可见/近红外光谱对于土壤有机质含量的预测结果.     

基于小波变换与LS-SVR 的柑橘叶片磷含量高光谱监测模型

快捷、准确、无损地监测柑橘磷(P)含量,对柑橘树磷肥的精准喷施及动态管理有重大意义。高光谱技术的快速发展使柑橘磷含量的快速无损监测成为可能。以117株园栽萝岗橙为试验对象,分别在壮果促梢期和采果期两个不同发育阶段采集234个样本数据,高光谱反射数据构成描述样本的多元矢量,硫酸-双氧水消煮-钼锑抗比色法测得的磷含量值作为样本标签值。在对高光谱反射数据小波去噪的基础上,用LS-SVR算法建立柑橘叶片磷含量监测模型。模型分别在验证集和校正集上进行评估,分别取得模型决定系数0.907和0.953,均方误差0.004和0.002,平均相对误差2.76%和1.77%。结果表明:用高光谱技术进行柑橘叶片磷含量监测是可行的。     

基于CNN-FCM与光谱数据的土壤有机质高光谱估测

为克服卷积神经网络（CNN）拟合和估测精度不一定成正比的不足,提高土壤有机质估测精度,本文基于山东省济南市章丘区和济阳区的121个土壤样本的数据,首先对光谱数据进行预处理,然后建立土壤有机质高光谱CNN-FCM估测模型。结果表明：当CNN模型结构为一个3×3的卷积核,一个2×2的平均池化层,一个完全连接和输出层,FCM模型的模糊分类数为10,且使用线性函数建立融合模型时,模型估测精度最高,其中检验样本的决定系数R2为0.895,平均相对误差MRE为5.042%,均优于传统的BP、SVM和随机森林模型。研究表明,土壤有机质高光谱CNN-FCM估测模型是可行有效的。     

丘陵区耕地土壤有机质含量高光谱估测研究

本文以钢城区2个丘陵村耕地土壤为研究对象,通过野外采样、自然风干、化验分析、高光谱测定及数据处理等,确定最佳高光谱变换方式并筛选显著性波段,建立随机森林(RF)、支持向量机(SVM)、偏最小二乘回归(PLSR)和多元逐步回归(SMLR)4种估测模型,对比分析确定最佳估测模型.结果表明:高光谱变换处理可以扩大光谱曲线特征...     

基于集成学习的砂姜黑土含水量高光谱反演研究

为提高砂姜黑土土壤水分的估测精度,本研究以河南省西平县砂姜黑土为研究对象,通过配制不同含水率土壤样本并在室内进行高光谱测量,对土壤样本高光谱数据平滑(SR)、倒对数[LOG(1/R)]、一阶微分(FD)、多元散射校正(MSC)、去包络线(CR)光谱变换后,结合连续投影算法(SPA)识别最佳特征波段,采用偏最小二乘回归(PLSR)、支持向量机回归(SVR)的机器学习方法和堆叠(Stacking)集成学习方法分别构建土壤含水率反演模型。结果表明：经MSC变换后光谱中土壤含水率相关信息增强最多;SPA算法能对砂姜黑土含水率光谱数据进行降维和特征信息提取;经反射光谱MSC变换后由PLSR和SVR集成的Stacking集成模型决定系数最高(R²=0.963)、均方根误差最小(RMSE=1.7)。研究表明,Stacking集成学习模型有效提升了模型的精度和泛化能力,是砂姜黑土含水率最佳反演模型。     

基于组合模型的黑土区土壤有机质含量预测分析

为提高典型黑土区土壤有机质含量的预测精度,结合田间实测数据与遥感影像反射率数学变换数据筛选出最佳特征波段,并建立多种回归模型,对研究区土壤有机质含量预测模型进行优选。结果表明:对影像反射率进行不同的数学变换处理能够扩大数据中对有机质含量变化敏感的细微吸收特征,突出敏感光谱信息。利用标准化模型对处理后的光谱数据贡献率进行量化,结合相关系数筛选最佳特征波段。建模结果显示,支持向量机模型在检验集上的决定系数为0.89,均方根误差为2.81 g·kg^-1,模型整体的相对分析误差为2.14,对土壤有机质含量的预测能力极好。研究结果可为黑土区土壤有机质含量的预测模型优选提供参考,也可为中国北部地区耕地的有机质含量监测和有效开发提供基础理论依据。     

基于CWT-RF模型估算博斯腾湖湖滨绿洲土壤有机碳含量

为实现博斯腾湖湖滨绿洲土壤有机碳含量的快速估算,结合实测的土壤高光谱数据与土壤有机碳数据,通过连续小波变换(CWT)进行土壤光谱数据预处理,利用相关系数法(CC)、连续投影算法(SPA)、竞争自适应重加权采样(CARS)、遗传算法(GA)筛选的特征波段作为建模输入量,构建随机森林(RF)模型。结果表明：研究区土壤有机碳含量平均值随土层深度增加由12.36 g/kg降低至10.49 g/kg,变异系数平均值为69.62%,空间异质性较强;CWT变换可以有效提高不同土层深度土壤有机碳含量与光谱反射率间的相关性,不同土层深度相关系数均值平均提升约22.41%;光谱数据经过CWT变换构建的模型精度明显提升,RF模型验证集R²与RPD分别平均提高7.09%、10.06%。CC、CARS、SPA、GA方法能消除光谱信息冗余,有效降低CWT-RF模型的输入量与RMSE值,土层深度0～20、20～40、40～60和60～80 cm筛选的特征波段平均压缩至全波段数目分别为8.51%、5.38%、2.21%和3.67%;RMSE值分别平均降低111.67%、135.61%、12.25...     

基于随机森林的农耕区土壤有机质空间分布预测

以陕西省周至县农耕区为研究区,采集192个土壤样品,通过随机森林模型(random forest, RF)对土壤有机质含量进行回归预测,通过29个(15%)独立验证点对预测结果进行精度验证,并与普通克里格(ordinary kriging,OK)和协同克里格(cokriging,COK)插值结果进行对比分析。结果表明,研究区土壤有机质含量在训练集和验证集中均属于中等变异性,含量处于中等偏低水平,大致表现为中、南部黑河东岸土壤有机质含量相对较高,东北部渭河沿岸含量较低。对变量重要性进行排序,影响研究区土壤有机质的主要因素为数字高程(DEM)和降水量。与OK、COK相比, RF对土壤有机质的预测值和实测值的相关系数(0.782)更高,而平均绝对误差(0.618 g·kg^-1)和均方根误差(2.062 g·kg^-1)更低,说明RF能够更精确地反映局部土壤有机质含量的空间变化信息。     

基于Matlab和地统计学的土壤有机质空间变异研究

以黑龙江省齐齐哈尔市甘南县东兴村为试验点,对土壤有机质进行常规统计及半方差分析。结果表明,球形模型为最佳拟合模型,该区有机质具有中等程度的空间相关性,并探讨了其空间变异特征,为该地精准农业的研究提供了一定的理论参考。     

基于非线性PLSR模型的地下水水质预测

【目的】针对地下水水质预测中影响因素的非线性关系,采用非线性偏最小二乘回归技术(PLSR)模型进行地下水水质预测研究,为地下水水质的准确预测提供支持。【方法】运用拟线性方法建立非线性PLSR模型,选用核函数对原自变量进行非线性变换,以陕西咸阳市某观测井2001-2009年地下水资料为研究对象,进行地下水硬度预测,并将其与BP网络模型的预测结果进行比较。【结果】利用咸阳市地下水前8年(2001-2008)的水质资料建立非线性PLSR模型,采用该模型对咸阳市地下水2009年硬度进行预测,与实测值相比,非线性PLSR模型、BP网络模型预测结果的平均相对误差分别为0.944%和1.354%,可知非线性PLSR模型具有更高的预测精度和实用性。【结论】基于核函数变化的非线性PLSR模型,将复杂的非线性问题转化为简单的线性问题,简化了计算过程,提高了预测精度,为地下水水质的预测提供了一种新思路。     

Estimation of surface soil organic matter using a ground-based active sensor and aerial imagery

Active canopy sensors are currently being studied as a tool to assess crop N status and direct in-season N applications. The objective of this study was to use a variety of strategies to evaluate the capability of an active sensor and a wide-band aerial image to estimate surface soil organic matter (OM). Grid soil samples, active sensor reflectance and bare soil aerial images were obtained from six fields in central Nebraska before the 2007 and 2008 growing seasons. Six different strategies to predict OM were developed and tested by dividing samples randomly into calibration and validation datasets. Strategies included uniform, interpolation, universal, field-specific, intercept-adjusted and multiple-layer prediction models. By adjusting regression intercept values for each field, OM was predicted using a single sensor or image data layer. Across all fields, the uniform and universal prediction models resulted in less accurate predictions of OM than any of the other methods tested. The most accurate predictions of OM were obtained using interpolation, field-specific and intercept-adjusted strategies. Increased accuracy in mapping soil OM using an active sensor or aerial image may be achieved by acquiring the data when there is minimal surface residue or where it has been excluded from the sensor’s field-of-view. Alternatively, accuracy could be increased by accounting for soil moisture content with supplementary sensors at the time of data collection, by focusing on the relationship between soil reflectance and soil OM content in the 0–1 cm soil depth or through the use of a subsurface active optical sensor.     

基于耕地图斑数据的土壤有机质估测方法研究——以大兴区南部耕地为例

基于测土配方采样点调查数据和土地利用现状数据,构建常规耕地质量评价中的土壤有机质含量的面状数据;基于此,采用面克里格法和序贯高斯条件模拟法估测北京大兴区南部耕地土壤有机质含量,并采用验证图斑的点数据和面数据形式进行精度评价,进而探寻基于面数据的土壤有机质含量最优估测方法。结果表明,面克里格法和序贯高斯条件模拟法对研究区耕地土壤有机质空间分布的估测效果具有一致性,但序贯高斯条件模拟法的平滑作用较弱,且单次随机模拟的局部特征变化更突出;点验证和面验证的相关系数与一致性系数表明,面克里格法和序贯高斯条件模拟法可以用来估测耕地土壤有机质含量;在多次随机模拟和变异函数拟合准确性的综合作用下,序贯高斯条件模拟估测精度更高。     

土壤有机质遥感制图研究进展与展望

【目的】土壤有机质是衡量土壤肥力高低的重要指标,土壤有机质制图对了解土壤肥力空间分布格局,开展培肥地力、耕地质量评价、土壤碳循环研究、土壤污染治理等具有重要意义。基于遥感技术的土壤有机质制图是土壤学科新兴的研究方向和热点问题。文章全面总结土壤有机质遥感制图方法的发展和应用,展望未来土壤有机质遥感制图研究趋势,为土壤有机质制图工作提供参考。【方法】该文采用文献综述的方法,回顾和总结了近年来国内外土壤有机质遥感制图研究进展,对比分析了多光谱遥感法、结合遥感数据的土壤有机质预测性制图法、高光谱遥感影像直接法等3类土壤有机质遥感制图方法的优势和局限性;重点分析了影响成像高光谱土壤有机质制图精度的因素,阐述了土壤有机质光谱敏感波段、建模方法选择的研究进展、存在的问题及发展趋势。【结果 /结论】(1)多光谱遥感数据为土壤有机质制图提供了丰富的植被覆盖、土地利用、气候等土壤成土环境因素信息,广泛应用于大尺度范围或复杂地形区域的土壤有机质制图,但表达土壤有机质空间分布细微差异不够精细化;(2)高光谱遥感数据参与土壤有机质制图,提高了土壤有机质制图精细度,但需要加强土壤有机质光谱敏感波段优选以及适宜的土壤有机质高光谱建模方法研究;(3)中红外高光谱遥感具有土壤有机质预测和制图的潜力,该领域的发展值得期待。     

基于辅助变量和回归径向基函数神经网络(R-RBFNN)的土壤有机质空间分布模拟

为快速准确地获取土壤有机质的空间分布状况,以江西省万年县齐埠镇为例,运用四方位搜索法、地统计学和遥感影像分析技术提取环境因子和邻近信息,构建基于环境因子和邻近信息的回归克里金法(RK)和回归径向基函数神经网络法(R-RBFNN),对齐埠镇耕地表层(0~20 cm)土壤有机质空间分布进行模拟,并与普通克里金法(OK)相比较。结果显示:齐埠镇耕地表层土壤有机质含量在17.30~53.58 g·kg^-1,平均值为35.03 g·kg^-1,变异系数为23.61%,呈中等变异性。半变异函数分析显示,土壤有机质的块金效应值为0.59,表现为中等空间相关性,自相关范围较大。利用62个采样点进行建模、16个采样点进行独立验证,误差分析表明,应用环境因子和邻近信息作为辅助变量的RK和R-RBFNN预测结果的均方根误差、平均绝对误差、平均相对误均差较OK降低,测试集中的相对提高度分别为66.67%和71.79%,显示出较高精度。但R-RBFNN无须计算半方差函数,使用简单,因此更具优势。     

Composition of soil organic matter lipids

It is shown that the lipid fraction of soil organic matter consists of molecular fragments of aliphatic, O,N-alkyl, aromatic, and carboxyl groups, chlorophyll and/or chlorophyll-like pigments. The ¹³C-NMR data show that an increase in the degree of hydromorphism leads to an increase in the proportion of unsaturated components (-C=C-; -Ar). The paramagnetic activity of lipids is assessed. It is established that unpaired electrons are present only in the structure of the lipid fraction of organogenic horizons.