基于多光谱数据的荒漠矿区土壤有机质估算模型

目前运用高光谱数据估算土壤有机质的模型精度已经可以达到精准农业的要求,但其数据的整理和运算过程较为复杂且观测尺度较小.为节省资源,提高效率并为多光谱遥感估算土壤有机质积累经验,该文将Landsat8_OLI多光谱遥感影像各波段的反射率数据与地面土壤有机质SOM(soil organic matter)实测数据相结合,利用SPSS软件及多元线性回归分析方法建立基于反射率R、反射率倒数1/R、反射率倒数对数LN(1/R)、反射率一阶导数FDR(first derivative reflectance)的土壤有机质定量估算模型,精度检验后择取最优模型通过多光谱遥感波段运算的方式推广至整个研究区.结果表明:FDR模型的精度更高,RMSE为0.215,F检验结果为4.072,预测值与实际值之间的决定系数R2为0.963.基于该模型估算研究区空间范围的土壤有机质含量,得出土壤有机质含量在0～5 g/kg之间的面积占总研究区的84.065％,＞10 g/kg的面积仅仅为0.001 5％.在4种土地类型中工矿用地SOM平均含量为最高的7.35 g/kg,受开采的煤炭中有机质影响较大.裸地面积2 674.44 km2,占研究区面积的63％,SOM平均含量6.12 g/kg;盐渍地和荒漠林地SOM含量偏低.总之,运用多光谱遥感数据估算干旱区土壤有机质的方法可行,也为遥感估算其他地表参数提供参考.     

基于Landsat 8 OLI影像的延河流域土壤线提取及其应用研究

[目的]以延河流域为研究区,利用自动提取算法建立典型黄土的土壤线方程,为土壤调节植被指数的计算提供基本参数。[方法]基于Landsat 8OLI遥感影像,采用自动提取算法获取土壤线参数;分析归一化植被指数NDVI,土壤调节植被指数PVI,TSAVI,ATSAVI与实测盖度的相关性,探讨所构建的土壤线方程在黄土高原地区植被指数提取中的适用性。[结果]通过自动算法与常规方法对比发现两者偏差较小,且自动提取算法具有较高的精度和稳定性;各植被指数与实测盖度的相关性大小为:PVINDVITSAVIATSAVI,PVI为延河流域植被盖度反演的最优植被指数,NDVI次之,TSAVI与ATSAVI较差;与NDVI指数相比,PVI指数能够较好地抵抗土壤噪声的影响,对不同植被类型的敏感性较高,更适用于植被覆盖度较低的黄土高原。[结论]自动提取算法对延河流域土壤线的提取较为适用,所得参数适合于计算土壤调节植被指数。     

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。     

利用可见光近红外的尾矿区农田土壤Cu含量反演

矿山开采普遍存在土壤重金属污染问题,有效的进行尾矿区农田土壤重金属含量估算迫在眉睫。以陕西金堆城矿区尾矿为研究区,采集土壤样本,测量土壤可见光近红外光谱,测试分析土壤铜元素含量。将Isomap（Isometrio mapping）和LLE（locally linear embedding）流形学习方法应用于土壤高光谱降维,基于随机森林构建估算模型,反演土壤铜含量。结果表明：降维后的高光谱数据反演精度更高,Isomap降维后模型预测结果均方根误差为30.50,R2=0.76,优于LLE降维结果。研究为尾矿区土壤Cu元素含量的快速反演估算提供了理论依据。     

基于HJ-CCD数据和决策树法的干旱半干旱灌区土地利用分类

为了实现干旱半干旱灌区地表信息低成本、高效率的动态监测,利用HJ-CCD数据的多时相和多光谱信息,探讨了平罗县土地利用遥感分类方法。首先建立研究区内典型地物的NDVI时间序列曲线,提取反映该区物候模式的时序特征参数;然后对土壤信息丰富的3月份多光谱影像进行主成分变换,选取第1主成分(PC1)作为光谱特征参数,最后基于分类回归树(classification and regression tree,CART)算法进行决策树监督分类。总体分类精度达到92.26%,Kappa系数为0.91,比最大似然法分类结果精度提高了2.58%。研究表明:构建的NDVI时间序列曲线对研究区内的地类具有较强的代表性,提取的时间维和光谱维的分类参数对各地类均有很好地区分性,CART决策树算法分类结果清晰准确且精度较高。该方法为HJ小卫星在干旱半干旱区等区域的深入应用提供科学依据和实证基础。     

荒漠土壤有机质含量高光谱估算模型

为解决荒漠土壤有机质含量高光谱估算存在的困难,提高土壤有机质含量估算的精准性,该文对准噶尔盆地东部荒漠土壤进行采样、化验分析和光谱测量、处理,分析土壤光谱与有机质含量的相关性,确定敏感光谱波段,建立荒漠土壤有机质含量多种高光谱估算模型,旨在通过模型精度的比较,确定最优模型。结果表明：反射率、倒数对数光谱与荒漠土壤有机质含量相关性低,而经过一阶微分、二阶微分变换后,相关系数有所提高,部分波段的相关系数通过0.01显著水平的检验,可以用来荒漠土壤有机质含量的估算;一元线性回归建立的估算模型的精度低,不适用荒漠土壤有机质含量高光谱的估算。荒漠土壤有机质多元逐步回归模型的二阶微分、倒数对数二阶微分修正决定系数得到了较大提高,分别提高了0.22和0.31,均方根误差下降了0.66和0.80,建模精度高于一元线性回归模型。荒漠土壤有机质一阶微分、二阶微分光谱的最小偏二乘回归模型的决定系数比其多元逐步回归模型提高了0.07、0.04,一阶微分、二阶微分均方根误差都下降了0.11,二阶微分偏最小二乘法回归模型是该研究所建12个模型的最优估算模型。在多元逐步、偏最小二乘回归模型中,最优估算模型是二阶微分模型,因而用偏最小二乘法回归估算荒漠土壤有机质含量是个可行的方法。该研究的成果为荒漠土壤有机质高光谱遥感分析提供了支撑,实现荒漠土壤有机质监测的时效性、准确性,为区域生态环境的修复提供依据。     

基于WorldView-3多光谱和关键环境变量的土壤镉含量反演

快速准确获取农田土壤重金属含量对区域土地质量评估和粮食安全至关重要。该研究以江西省仙槎河流域小龙钨矿周边农田土壤为研究对象,采用WorldView-3多光谱影像提取光谱反射率并进行光谱变换处理,同时考虑了地形、人类活动和土壤属性等影响农田土壤镉（Cd）含量空间分布的关键环境因子,将光谱、环境变量、光谱与环境变量分别作为模型的自变量,选取了偏最小二乘（Partial Least Squares Regression,PLSR）、支持向量机（Support Vector Machines,SVM）、BP神经网络（Back Propagation Neural Network,BPNN）和随机森林（Random Forest,RF）4种回归算法构建土壤Cd含量预测模型,并利用精度评价指标优选出最佳反演模型。结果表明：仅输入多光谱特征进行Cd含量反演的模型精度总体偏低,R2低于0.2。相比之下,单独输入环境变量的模型精度结果最为理想,最优模型（RF）精度R2可达0.782。然而,融合光谱信息与环境变量共同建模后并未显著提高模型精度,反而导致较优模型（RF）精度略微降低,R2为0.693。研究结果表明,关键环境协变量是决定研究区农田土壤重金属Cd空间分布反演的重要变量,而利用多光谱信息进行土壤重金属反演的能力有限。此外,随机森林模型是预测土壤重金属空间分布的有效手段。     

支持向量机在土壤镁含量高光谱估算中的应用

研究利用土壤样本实验反射光谱,分析了土壤镁(Mg)含量与土壤反射光谱的关系,比较了主成分回归分析(PCR)、偏最小二乘回归分析(PLSR)和支持向量机回归分析(SVMR)等方法,以及土壤反射光谱及其变换光谱与土壤Mg含量之间的估算模型,为土壤Mg含量高光谱估算提供依据。结果表明:PCR、PLSR、SVMR 3种建模方法在Mg含量的估算中,SVMR的估算精度相对较高,估算精度平均达到80.96%,分别比PCR和PLSR提高了6.16%、4.20%;对于不同的数学变换处理方法,一阶微分变换相对较好,估算精度平均为80.76%,分别比反射率、倒数对数变换提高了4.95%、4.61%。因此,运用土壤反射光谱一阶微分变换的SVMR进行建模,可以相对较好地估算全Mg含量,精度达84.04%。     

基于EPO算法去除水分影响的土壤有机质高光谱估算

野外进行土壤有机质的光谱快速预测时需考虑土壤含水量的影响。在室内设计人工加湿实验分别获取9个土壤含水量梯度(0~32%,间隔4%)的土壤光谱数据,分析土壤含水量变化对光谱的影响,再利用外部参数正交化法(external parameter orthogonalization,EPO)进行湿土光谱校正,并结合偏最小二乘回归和支持向量机回归分别建立土壤有机质预测模型。结果表明,土壤光谱反射率随着土壤含水量的增加呈非线性降低趋势,偏最小二乘回归模型的预测偏差比为1.16,模型不可用;经EPO算法校正后,各土壤含水量梯度之间的光谱差异性降低,能实现土壤有机质在不同土壤含水量梯度的有效估算,偏最小二乘回归和支持向量机回归模型的预测偏差比分别提高至1.76和2.15。研究结果可为田间快速预测土壤有机质提供必要参考。     

基于机器学习算法的湖滨绿洲土壤电导率高光谱估算模型

  目的  为湖滨绿洲土壤高光谱估算土壤电导率值提供方法支持,实现区域土壤盐分快速估测。  方法  利用实测的土壤电导率值与土壤高光谱数据联合分析,采用竞争自适应重加权采样（CARS）、连续投影算法（SPA）、遗传算法（GA）筛选土壤电导率的特征波段,并基于全波段及特征波段构建BP神经网络（BPNN）、支持向量机（SVM）、极限学习机（ELM）三种机器学习算法模型,引入偏最小二乘模型（PLSR）进行对照,比较其模型精度。  结果  研究区土壤电导率值变化范围0.02～17.22 mS cm?1,平均值为2.61 mS cm?1,变异系数为134.87%,呈现强变异性;CARS、SPA、GA算法筛选的特征波段将建模输入量分别压缩至全波段数量的0.87%、1.68%、0.70%,减少建模输入量,提升建模速率,变量方法的选择CARS > SPA > GA;三种机器学习算法模型均优于PLSR模型,决定系数（R2）平均增加20.57%,相对分析误差（RPD）平均增加17.84%,土壤电导率高光谱估算模型以CARS-SVM最优,训练集与验证集R2分别为0.76和0.75,RMSE分别为1.79 和1.68 mS cm?1,RPD分别为2.04和2.00。土层深度20 ~ 30 cm的土壤电导率高光谱估算模型精度最高,训练集与验证集R2分别为0.83和0.84,RMSE分别1.37和1.77 mS cm?1,RPD分别为2.41和2.50。  结论  基于CARS-SVM的土壤电导率高光谱估算模型精度高,估算能力最优,可以为湖滨绿洲土壤电导率估算提供科学参考。     

基于无人机低空遥感的农作物快速分类方法

无人机以其高时效、高分辨率、低成本、低风险及可重复使用的优势,给遥感技术在各领域的应用提供了新的平台。为了提高无人机遥感中农田信息获取的时效性和精度,该文分析了无人机低空航飞获得的高空间分辨率农作物遥感影像特征,以冬小麦为研究对象,基于农作物波谱特征和NDVI变化阈值,提出了一种农作物快速分类提取方法,并与其他几种常用的遥感分类方法进行比较,探讨了其普适性。结果表明,该方法从无人机高分辨率影像中提取不同种类的农作物分类信息具有较高的正确率和普适性,兼具快速和低成本的特点,在海量农作物无人机航拍数据的信息提取上具有较广的应用。     

基于光谱特征空间的农田植被区土壤湿度遥感监测

土壤湿度遥感动态监测在农业生产中具有重要作用。近年来,多种基于光谱特征空间的土壤水分监测指数被陆续提出,并得到广泛关注和应用,但当前多数监测指数未考虑混合像元的影响。该文针对垂直干旱指数(perpendicular drought index,PDI)在农田植被覆盖区监测精度降低问题,分析了植被覆盖下的PDI误差分布规律,引入垂直植被指数(perpendicular vegetation index,PVI)作为植被覆盖表征量,在PVI-PDI二维空间对PDI模型进行调整,提出了适于植被覆盖的植被调整垂直干旱指数(vegetation adjusted perpendicular drought index,VAPDI),并利用内蒙古明安镇研究区实测土壤湿度数据,对PDI与VAPDI进行了比较和验证。结果表明,在裸土、麦茬、土豆、豇豆4种植被覆盖类型中,PDI与土壤实测含水率的决定系数分别为0.630、0.504、0.571、0.543,VAPDI与土壤实测含水率的决定系数分别为0.599、0.523、0.602、0.585。VAPDI在植被区的误差略小于PDI,一定程度上克服了植被覆盖对监测精度的影响。通过PDI和VAPDI空间分布图的比较也说明,VAPDI对土壤湿度的差别有更好的区分能力,在中尺度土壤表层水分遥感反演方面具有一定的优势。该研究可为农田土壤湿度遥感监测方法选择及监测误差分析提供参考依据。     

Soil surface infiltration capacity classification based on the bi-directional reflectance distribution function sampled by aerial photographs. The case of vineyards in a Mediterranean area

Spatially distributed hydrological modelling is required to understand and predict erosion, flooding and pollution risks that affect the vine cultivated Mediterranean environment. Previous field studies have demonstrated the dominant influence of soil surface features on overland flow and they therefore constitute an essential input to the hydrological model. In this paper we propose a remote sensing based method to map vineyard soil surface features with a spatial and temporal resolution appropriate for integration into the model. Our goal was to classify each soil surface portion in accordance with a pre-established, field measured infiltration capacity based typology. The radiometric characteristics of the classes of this typology were measured in the field and their Bi-directional Reflectance Distribution Function (BRDF) was modelled. Vineyard sunlit soil surface pixels were automatically extracted from high spatial resolution scanned aerial colour photographs Wassenaar et al., 2001 and Wassenaar et al., 2002. These pixels are radiometrically classified by comparison of their reflectance with BRDF-based reflectance predictions of each soil surface type for the specific illumination and viewing geometry of the pixel.The results show that most hydrological soil surface classes have distinct bi-directional radiometric properties. For one given geometric configuration however, the predicted reflectance ranges of some classes can considerably overlap (tilled soils and stone layers for example), while others can always unambiguously be identified (bare soil crusts, surfaces covered for more than 50% by weed or litter).We conclude that our fuzzy classification approach and the simple radiometric information used, allow us to identify the majority of the hydrological surface types. The method can easily be transposed in time and space. Its performance quite strongly depends on the radiometric and geometric accuracy of the input data. Significant improvements in soil surface classification precision are expected from considering spatial context information and monitoring the soil surface evolution.     

基于光谱变换的高光谱指数土壤盐分反演模型优选

该文探索基于光谱变换建立光谱指数,进而建立土壤盐分反演模型的可行性。运用倒数、导数、对数等15种光谱变换对土壤含盐量进行反演,并利用原始光谱的波段反射率构造光谱指数对土壤盐分进行建模。在15种高光谱变换中,一阶微分R'和一阶对倒数(log1/R')变换下土壤盐分估算模型的精度较高。但总体而言,基于单一光谱变换和光谱指数的模型模拟精度均较低。采用光谱变换建立光谱指数,并进一步建立土壤盐分反演模型,结果表明,基于(log1/R')光谱变换构建归一化植被指数,然后建立的土壤盐分精度最高,经验证,其R2为0.89,均方根误差为3.34 g/kg,高于单一方法构建的模型,可为半干旱地区土壤盐分反演提供参考。     

一种提取不透水面的可见光波段遥感指数

为了从高分辨率无人机影像中获取准确的城市不透水面信息,在可见光波段范围内建立绿-蓝光谱特征空间,综合土壤线及不透水面线,构造了能够将土壤、植被像元与不透水面像元有效分离的绿-蓝不透水面指数。以广州市局部地区的GF-2号影像为验证数据对比及分析垂直不透水层指数、比值居民地指数以及绿-蓝不透水面指数的提取结果,以验证绿-蓝不透水面指数的可行性与提取精度。同时,将眉山市洪雅县部分地区的无人机正射影像作为试验数据进行不透水面提取。结果表明,在3个不透水面提取指数的横向对比中,绿-蓝不透水面指数和垂直不透水层指数的提取结果总体精度相同,验证了绿-蓝不透水面指数的有效性。在对无人机正射影像的不透水面提取中,得益于无人机低空摄影技术能够获取地形特征的特点,解决了建筑物屋顶因植被覆盖导致的错分问题,提取结果总体精度达到了96.95%,Kappa系数为0.936 1。试验证明了绿-蓝不透水面指数能够代替归一化差值不透水面指数、垂直不透水层指数、比值居民地指数等,应用于无人机遥感影像的不透水面信息提取中。     

基于空间特征谱聚类算法的含噪苹果图像优化分割

为了减少噪声对苹果采摘机器人的目标识别所带来的影响,对含噪苹果图像的分割方法进行了研究。该研究设计一种针对噪声具有鲁棒性的苹果图像分割方法,首先计算苹果图像的三维空间特征点的紧致性函数,用以构造邻近点的相似矩阵实现苹果图像的去噪效果;再利用离群点矩阵拆分并由其他剩余列向量线性表示,对相似矩阵进行离群点调优实现聚类优化,进而提出基于空间特征的谱聚类含噪苹果图像分割的优化算法,旨在提高分割算法的效率和识别准确率。通过对两幅苹果图像添加不同程度的高斯和椒盐噪声（方差分别为0.01、0.05和0.1的高斯噪声和概率为0.01、0.05和0.1的椒盐噪声）进行试验,分别求出谱聚类方法、基于空间特征的谱聚类方法和该文优化方法的苹果目标图像的分割图,并计算三类方法的分割准确率。该文优化方法对于单个苹果受不同噪声影响下的分割准确率均在99%以上,对于重叠苹果的分割准确率均在98%以上,对于所选取的30幅苹果图在方差为0.05的高斯噪声和概率为0.01的椒盐噪声影响下的平均分割准确率为99.014%。结果表明：谱聚类方法受噪声的影响较大;基于空间特征的谱聚类方法的分割效果受噪声的影响较小,但在边界区域仍然有很多错分的像素;优化方法在边界区域的分割要优于基于空间特征的谱聚类方法;在设定的试验条件下,其分割结果准确率相对于基于空间特征的谱聚类方法和传统的谱聚类方法可分别提高5%～6%和9%～25%。在分割效率方面,该文优化方法的分割时间低于传统的谱聚类算法,且与基于空间特征谱聚类方法接近。研究结果为苹果采摘机器人的快速目标识别提供参考。     

基于光谱吸收特征的土壤含水量预测模型研究

为了定量分析土壤含水量与反射光谱特征之间关系,并为土壤含水量速测提供理论依据。以黑土作为研究对象,测定实验室光谱反射率,利用去包络线方法提取反射光谱特征指标,建立土壤水分含量高光谱预测模型。结果表明:黑土含水量与1 420 nm、1 920 nm附近吸收谷的主要光谱特征(吸收谷深度、宽度、面积)呈显著正相关;1 920 nm附近吸收谷可作为黑土土壤水分的特征吸收谷,由其光谱特征参数预测黑土含水量;以1 920 nm附近吸收谷面积为自变量建立的一元线性回归模型预测精度高,输入量少,可以作为土壤含水量速测仪器研制的理论依据。     

基于连续统去除法的南疆水稻土有机质含量预测

监测土壤有机质含量状况,可为土壤肥力诊断及土壤资源的合理开发利用提供科学依据。本研究通过对南疆191个水稻土样品的反射率数据进行连续统去除处理后,构建了有机质连续统去除光谱指数并提取了850~1 380、1 380~1 550、1 730~2 150、2 150~2 380 nm 4个波段的吸收特征参数,据此建立了多种定量反演模型。结果表明:经连续统去除后,有机质的吸收特征得到了有效放大,不同有机质含量的连续统去除曲线在850~1 380 nm,其有机质含量与连续统去除值呈正相关,与吸收面积呈负相关,而在1 730~2 150 nm波段则呈现相反的规律。反射率连续统去除值与有机质含量的相关性要优于反射率与之的相关性,而反射率一阶微分与连续统去除一阶微分与有机质的相关性差异不明显。不同有机质光谱指数模型之间的建模参数与预测能力差异不大,但均只具备初略估测有机质的能力。吸收特征参数模型中,仅有850~1 380 nm波段的面积归一化最大吸收深度(NMAD850~1380nm)所建模型具有较好的定量预测能力。以反射率、反射率连续统去除、反射率一阶微分、反射率连续统去除一阶微分所建的PLSR模型均具有较好的预测能力,相对分析误差均大于2.00。所有模型中,连续统去除一阶微分(CR′)模型的决定系数与相对分析误差最高,分别为0.91、2.58,均方根误差最低,其值为5.62,具有最好的预测能力。     

综合季相节律和特征光谱的冬小麦种植面积遥感估算

及时准确地获取区域和国家尺度的作物种植面积和空间分布具有重要意义。针对目前中低分辨率遥感数据相结合方法的局限,提出一种新的作物类型识别方法。首先基于MODIS NDVI数据的时间优势,提取研究区各类植被的NDVI时间序列曲线,从而分析冬小麦在季相节律上的识别特征,构建冬小麦识别模型。再将MODIS像元分类处理,纯耕地像元利用冬小麦的季相节律特征识别;耕地与其他植被的混合像元利用混合像元分解的思想提取耕地组分的NDVI时间序列,从而进行识别,进一步根据空间关系将识别结果重新定位到中分辨率尺度上;冬小麦与其他作物的混合像元覆盖区则利用TM遥感影像的光谱差异加以区分。在伊洛河流域主要农业区,以冬小麦为识别对象,结果表明识别精度达到96.3%。该方法为作物种植信息的提取提供了新的解决问题的途径,也对其他类型作物的识别也具有重要的参考价值。     

Modelling moisture‐induced soil reflectance changes in cultivated sandy soils: a case study in citrus orchards

The value of hyperspectral imagery in agricultural management has been amply demonstrated. Despite this, image interpretation is often drastically impeded by changes in soil moisture content (SMC). Soil moisture variations dominate the spectral reflectance in the 350–2500‐nm wavelength domain and affect the effectiveness of spectral indices used to monitor variations in soil and vegetation properties. Consequently, removing soil moisture effects in spectral images is critical and would provide a significant breakthrough for agricultural remote sensing. Yet, current available soil moisture reflectance models fail to properly address the moisture‐induced reflectance changes occurring within soils of the same texture class. This very much limits the operational implementation of these models, particularly in agricultural fields where within‐field variations in soil characteristics such as organic matter and clay content prevail. In this study, the effect of SMC on the reflectance in the 400–2500‐nm spectral domain was studied for six sandy soils located in citrus orchards in the Western Cape Province, South Africa. In a series of experiments, novel insights into soil moisture reflectance modelling of sandy cultivated soils are provided. The wavelength and soil‐specific variations in model parameters are mechanistically modelled and a general model for moist reflectance of cultivated sand soils is presented and successfully tested. Model comparison and validation demonstrate that the model fit of soil‐type‐specific models can be approximated (R² = 0.82; RRMSE = 0.14) while a significant increase in model fit compared with the traditional general models (R² = 0.59; RRMSE = 0.28) was achieved.