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。     

去除水分影响提高土壤有机质含量高光谱估测精度

土壤水分的影响是当前采用光谱分析法预测土壤养分含量的关键问题,该文旨在探索去除土壤水分影响、提高有机质高光谱定量估测精度的方法。首先采用地物光谱仪进行湿土和过筛干土的高光谱测试,并进行一阶导数变换;然后,采用奇异值分解(singular value decomposition,SVD)结合相关分析筛选土壤水分特征光谱,构建去除水分因素的修正系数,形成湿土光谱的校正光谱;最后基于校正前后湿土光谱,应用偏最小二乘(partial least squares,PLS)回归构建土壤有机质含量的估测模型,并对模型进行验证和比较,分析评价校正前后光谱的预测精度。结果显示:按土壤水分含量梯度划分的2组和全部棕壤及褐土土样共4组样本校正后建模决定系数和均方根误差分别为0.85、0.82、0.74、0.76和0.19%、0.20%、0.23%、0.19%,决定系数提高了0.02~0.09,均方根误差降低了0.01~0.03百分点,验证决定系数、均方根误差和相对分析误差分别为0.78、0.77、0.72、0.76,0.21%、0.15%、0.21%、0.15%和2.03、2.02、1.86、1.98,决定系数提高了0.06~0.15,均方根误差除褐土土样提高0.02百分点外,其他样本组降低了0.01~0.08百分点,相对分析误差提高了0.17~0.43,模型决定系数和相对分析误差得到显著提升;尤其对于土壤水分含量变异系数较小的3组土样,模型从待改进级别提高到性能良好级别,对土壤有机质含量具有较好的预测准确性。说明该方法用于去除土壤水分因素影响和提高有机质含量高光谱估测精度的有效性。     

砂姜黑土有机质含量高光谱估测模型构建

为快速估测砂姜黑土有机质含量,该研究以河南省商水县砂姜黑土为对象,采用光谱指数和遗传算法结合支持向量机构建砂姜黑土有机质估测模型。结果表明,以Savitzky-Golay(SG)平滑后的一阶导数光谱792和1 389 nm两波段组合构建的比值指数表现最好,建模集决定系数为0.81。利用独立的样本验证,预测决定系数和均方根误差分别为0.91和1.56 g/kg。而相同样本经遗传算法筛选敏感波段结合支持向量机回归构建的模型以SG平滑的一阶导数光谱表现最好,建模集和验证集决定系数分别为0.95和0.91,均方根误差分别为1.01和1.69 g/kg。基于遗传算法结合支持向量机回归和光谱指数2种方法构建的有机质含量估测模型均表现出较高的精度,前者稍优于后者,可用于对砂姜黑土有机质含量的有效估测。该研究成果可为砂姜黑土有机质含量的快速定量估算提供依据和参考。     

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。     

光谱变换和光谱分辨率对土壤有机质含量估测精度的影响

利用高光谱遥感数据结合统计建模是当前土壤有机质（SOM）含量高光谱估测的主要方法。为了探讨SOM含量高光谱估测适宜的光谱变换方法和光谱分辨率,以黑龙江省建三江黑土区土壤样本为研究对象,采用SR-6500便携式光谱仪在实验室测量土样的光谱反射率。对土壤光谱数据重采样为1、5、10、20、30、40、50、60、70、80、90、100 nm共12种光谱分辨率,经过Savitzky-Golay光谱曲线平滑处理后,将光谱反射率R进行反射率倒数1/R、对数log R、倒数对数log(1/R)、对数倒数1/log R、一阶导数R′、倒数一阶导数（1/R）′、对数一阶导数（log R）′、倒数对数一阶导数[log(1/R)]′和对数倒数一阶导数（1/log R）′共10种光谱变换;利用多元线性逐步回归（MLSR）和偏最小二乘回归（PLSR）的方法建立SOM含量估测模型。结果表明：（1）1/R和（1/R）′光谱变换对于提高SOM含量估测精度的效果较好,其中1/R光谱变换的SOM含量估测精度R2val均高于0.87,(1/R)′光谱变换的SOM含量估测精度R2val均高于0.90;(2)5、10 nm...     

利用高光谱遥感技术监测小麦土壤重金属污染

为了探讨基于小麦叶片高光谱间接估测土壤重金属含量的潜力,该研究以江苏省宜兴市徐舍镇为研究区域,于2019－2020年采集农田土壤样品和小麦叶片光谱,经7种不同的光谱变换预处理后,以遗传算法（genetic algorithm,GA）优化的偏最小二乘回归算法（partial least squares regression,PLSR）对预处理后的光谱建立土壤重金属镉（Cd）和砷（As）含量的估测模型,并对模型结果进行精度评价。研究结果表明：1）光谱预处理技术能够突出光谱中的一些隐藏信息,对小麦叶片光谱进行微分变换、多元散射校正、标准正态变换等数学变换后更加有利于提取光谱敏感信息。2）GA-PLSR相较于一般的PLSR方法提高了模型精度,将GA用于光谱波段选择可以优化模型精度和提高稳定性。3）土壤Cd含量的最佳估测模型为标准正态变换预处理光谱与GA-PLSR结合,其外部验证的决定系数为0.87、均方根误差为0.04 mg/kg、相对分析误差为2.72;土壤As含量的最佳估测模型为多元散射校正预处理光谱与GA-PLSR结合,其外部验证的决定系数为0.91、均方根误差为0.32 mg/kg,相对分析误差为3.25。因此,能够利用小麦叶片高光谱间接估测土壤重金属Cd和As含量,该研究为将来实现定量、动态、无损遥感监测大面积农田土壤重金属污染状况提供参考依据。     

基于近红外光谱的土壤全氮含量估算模型

土壤全氮是诊断土壤肥力水平和指导作物精确施肥所需的重要信息,建立土壤全氮的近红外光谱估测模型并对建模波段进行优化选择对于土壤养分信息快速获取和精确农业发展具有重要意义。该研究以中国中、东部地区5种主要类型土壤为研究对象,利用近红外光谱仪采集土壤样品的光谱信息,结合近红外区域分子振动特点选取全谱、合频、一倍频、二倍频和N-H基团及其组合的8个波段,采用多元散射校正等多种预处理方法组合进行处理,结合偏最小二乘法(PLS)对每个波谱区域进行定标建模。结果表明,利用4000～5500cm-1波谱区域结合附加散射校正处理过的原始光谱建立的模型精度表现最好,其内部互验证决定系数达到0.90,均方根误差为0.16。经不同类型土壤的观测资料检验,模型验证决定系数为0.91,均方根误差为0.15,相对分析误差RPD为3.40,表明模型具有极好的预测能力。因此,利用近红外光谱可以实现土壤全氮的快速估测,且以合频波段(4000～5500cm-1)为建模区域可以得到更好的预测效果。     

基于高光谱的土壤不同颗粒含量预测分析

以典型黄河下游冲积平原区的土壤为研究对象,分析土壤高光谱特征,探讨土壤质地不同粒级颗粒含量的统一估测途径,为土壤质地快速监测评价提供技术支持。选择原始光谱,及其倒数、对数、标准正交变换、多元散射变化、一阶微分、二阶微分共7种光谱变换形式,首先主成分降维,然后分别建立土壤黏粒、粉粒和砂粒含量的支持向量机预测模型,采用决定系数、均值绝对误差、均方根误差3种精度指标来衡量模型的预测能力。结果表明:原始光谱的对数为最佳光谱变换形式,具有最佳的土壤不同颗粒含量估测能力,决定系数R2 ≥ 0.6853,均值绝对误差MAE ≤ 0.1193,均方根误差RMSE ≤ 0.1683;黏粒含量的变化范围相对集中,预测能力整体表现的相对较强,R2 = 0.8127,MAE = 0.0820,RMSE = 0.1248。通过筛选最佳光谱变换处理,主成分降维,支持向量机预测,建立了土壤中黏粒、粉粒和砂粒含量的统一估测途径,实现了简单快捷的高光谱估测。     

艾比湖流域不同土地覆盖类型土壤养分 高光谱反演模型研究

土壤养分影响着土壤的质量,也影响着植被、农作物等的生长。为快速准确地估测艾比湖流域土壤养分状况,选择艾比湖流域精河县作为研究区,以精河县内不同地表覆盖类型土壤为研究对象,基于实地采集的75个土壤样品的室内ASD Field Spec3实测光谱数据和3种光谱变换形式,利用10 nm间隔重采样进行去噪处理,再结合多元逐步回归法(SMLR)、偏最小二乘法回归法(PLSR)、人工神经网络法(ANN)分别建立土壤养分预测模型,以探索最优模型。结果表明:土壤实测光谱的一阶微分、二阶微分变换形式能显著提高光谱与土壤养分之间的相关性,尤其是一阶微分变换与土壤有机质和全氮的相关性最高分别达0.87和0.91,光谱变换技术能显著增强土壤养分与高光谱之间的敏感度,达到更好的建模效果;SMLR、PLSR和ANN这3种模型都具有良好的预测能力,其中,ANN建立的模型预测效果最好,二阶微分变换的ANN模型对有机质、全氮的预测决定系数(R2)分别为0.886和0.984,均方根误差(RMSE)分别为2.614和0.147,PLSR次之;全氮的预测效果明显优于有机质的预测效果,说明高光谱和全氮之间的敏感性更高。总体来说,光谱二阶微分变换形式的人工神经网络模型可以最精确稳定地完成土壤养分含量的快速预测,能够实现艾比湖流域的土壤养分空间分布状况和动态变化特征的动态监测。     

星载高分五号高光谱耕地主要土壤类型土壤有机质含量 估测——以黑龙江省建三江农垦区为例

为了评价国产星载高分五号(GF-5)高光谱影像估测土壤有机质(SOM)含量的潜力,以及不同土壤类型对SOM含量光谱估测精度的影响,本研究以黑龙江省建三江农垦区为研究对象,获取了覆盖研究区域的GF-5高光谱影像和188个土壤样本。对提取的样点GF-5光谱反射率数据进行了反射率倒数、对数、一阶微分等9种光谱数学变换,并采用相关系数法确定了SOM含量的光谱敏感波段。采用偏最小二乘回归(PLSR)线性统计建模方法,对研究区域全部土壤类型以及草甸土、沼泽土、黑土等主要土壤类型,分别构建了光谱全波段和敏感波段的SOM含量估测模型,并进行了精度评价。结果表明,基于GF-5光谱数据的研究区域全部土壤类型的SOM含量估测精度不理想,最优模型精度决定系数(R2)为0.265,均方根误差(RMSE)为4.647%,相对分析误差(RPD)为1.135;不同类型土壤在SOM含量光谱估测精度差异较大,草甸土和沼泽土的SOM含量估测精度不高,但黑土的SOM含量估测精度较高,其中全波段光谱反射率对数一阶微分(LnR)′的SOM含量估测精度最高,R~2=0.729,RMSE=1.065%,RPD=1.850,SOM含量估测模型可用。按照不同土壤类型构建SOM含量估测模型可以进一步挖掘GF-5高光谱遥感估测SOM含量的潜力。     

基于近红外光谱的大豆叶片可溶性蛋白含量快速检测

可溶性蛋白是植物生化及抗性生理研究的重要指标之一。快速、准确、无损测定可溶性蛋白含量对作物生长状况的动态监测及抗性作物品种的筛选具有重要意义。近红外光谱具有快速、简单方便、非破坏性的特点,已在农业、食品、化工等领域广泛应用,尤其是近年来基于光谱技术快速无损的获取作物生理生化信息的研究已成为当前农业领域研究的热点。本文采用近红外光谱技术结合化学计量学方法以实现大豆叶片可溶性蛋白含量的快速无损检测。首先,采用Savitzky-Golay平滑(SG)、一阶导数(1-Der)、二阶导数(2-Der)等7种光谱预处理方法分别建立大豆叶片可溶性蛋白含量的偏最小二乘(PLS)预测模型,经对比发现SG预处理方法为大豆叶片可溶性蛋白含量预测的最优光谱预处理方法。其次,分别采用连续投影算法(SPA)、随机蛙跳(RF)和遗传算法(GA)对SG预处理后的光谱数据进行特征波长提取。最后,基于提取的特征波长分别建立了大豆叶片可溶性蛋白含量的SPA-PLS、RF-PLS和GA-PLS预测模型,发现基于SPA提取的11个特征波长建立的大豆叶片可溶性蛋白含量SPA-PLS模型具有最佳的预测效果,其预测集相关系数(R2p)为0.864,预测均方根误差(RMSEP)为1.894 mg/g,预测偏差为2.061(RPD)。上述结果表明,应用近红外光谱技术检测大豆叶片中可溶性蛋白含量是可行的,可为大豆生长状况动态监测及抗性大豆品种的筛选提供新的方法。     

近红外光谱快速检测食用油必需脂肪酸

为了建立食用油必需脂肪酸快速检测的方法,该研究提出了基于近红外光谱技术检测食用油中α-亚麻酸和亚油酸含量的快速测定方法。对光谱信息分别采用偏最小二乘回归方法(PLS)和最小二乘支持向量机(LS-SVM)建立模型。比较了多种光谱预处理方法对模型预测能力的影响。结果表明对于亚油酸含量的预测,采用Savitzky-Golay平滑法结合多元散射校正(MSC)的光谱预处理所建立的LS-SVM模型最优。预测集的决定系数(R2)、预测均方根误差(RMSEP)和剩余预测偏差(RPD)分别达到了0.989,0.0161和9.4783。对于α-亚麻酸含量的预测,采用Savitzky-Golay平滑法结合标准正态变换(SNV)的光谱预处理所建立的LS-SVM模型最优。α-亚麻酸含量预测结果的R2、RMSEP和RPD为0.972,0.0036和6.0561,据此表明,应用近红外光谱技术能够检测食用油中α-亚麻酸和亚油酸的含量,为快速检测食用油的必需脂肪酸提供了参考。     

基于不同光谱变换的土壤盐含量光谱特征分析

跟踪初生盐渍土壤的微生物修复实验,采用同步实测得土壤盐含量和光谱数据,详细分析了基于34种光谱变换,修复过程中盐渍土的光谱特征。对于选取的6种光谱变换,采用全波段(400~1650 nm)和分析获得的最佳敏感波段分别建立了土壤盐含量的光谱反演PLSR(partial least squares regression)模型。研究表明,光谱变换处理使土壤盐含量与平滑后的光谱反射数据的相关性明显增强,且最佳敏感波段范围进一步聚焦。本研究得到最佳光谱变换为导数变换,基于全波段的土壤盐含量预测模型以SGSD变换效果最好,与原始光谱相比,模型的r、RMSEP分别从0.537和1.928改善到0.823和1.256。而SGSD(Log R)是基于最佳波段所建立的盐含量预测模型的有效光谱变换方法,该研究为进一步实现盐渍土中盐含量快速定量分析提供了方法和数据参考。     

基于高光谱成像技术的猪肉新鲜度评价

该文研究利用高光谱成像技术预测猪肉新鲜度参数,挥发性盐基氮(TVB-N)和pH值。在470～1000nm波长范围内,从高光谱图像中提取的反射光谱,分别经过2次Savitzky-Golay(S-G)平滑、多元散射校正(MSC)处理后,建立PLSR(偏最小二乘法)的预测模型。对TVB-N的预测,使用2次S-G平滑处理、MSC光谱建立的PLSR预测模型相关系数分别为0.90和0.89,预测模型标准差分别为7.80和8.05。对pH值的预测,经过MSC处理比2次S-G平滑处理的结果好,相关系数为0.79,预测模型标准差为0.37。同时综合2个参数利用MSC处理后的预测模型对猪肉新鲜度进行评定,准确率达91%。研究结果表明,高光谱成像技术可以用于猪肉新鲜度快速无损检测。     

结合高光谱信息的土壤有机碳密度地统计模型

传统线性回归模型在借助光谱信息进行土壤属性预测时,通常忽略了土壤自身所具有的空间异质性和依赖性,并且未考虑模型残差的空间结构。针对以上不足,该文以江汉平原232个土壤样本为研究对象,以土壤反射光谱为辅助变量,采用偏最小二乘回归、普通克里格、协同克里格以及回归克里格分别构建土壤有机碳密度预测模型,选取决定系数(R~2)、均方根误差、标准差与预测均方根误差比(ratio of performance to deviation,RPD)对模型预测精度进行对比评价。结果显示,结合高光谱信息,且同时考虑残差空间结构的回归克里格模型表现优于其他模型,预测决定系数R~2为0.617,RPD为1.614。鉴于土壤光谱信息同时还具有测定简单、省时、无损等优点,因此土壤光谱是土壤有机碳密度空间插值的理想辅助因子。     

基于近红外光谱的室温贮藏下鲜枣霉菌污染动力学模型

为了预测鲜枣常温贮藏的保鲜期,确保鲜枣的品质要求及食用安全,应用近红外光谱建立了室温贮藏下鲜枣内部霉菌菌落总数变化的动力学模型。通过对几种数据预处理方法的比较及特征波数的选择,实现了鲜枣霉菌菌落总数变化的近红外模型的优选。结果表明:经过多元散射校正处理的鲜枣近红外光谱,应用多元线性回归方法建立的霉菌菌落总数模型预测能力较好,校正集相关系数为0.920,均方根误差为1.503,预测集相关系数为0.889,均方根误差为1.514。同时,将近红外光谱模型应用于霉菌菌落总数随贮藏时间变化的零级反应动力学模型中,得到模型的相关系数为0.981。根据近红外光谱吸光度值与贮藏时间的线性关系,当霉菌菌落总数初始值小于等于10cfu/g时,预测出鲜枣在室温下的保鲜期一般为8d。研究表明,结合动力学模型的近红外光谱技术可以作为一种无损、快速检测方法来检测鲜枣霉菌菌落总数变化。     

基于地类分层的土壤有机质光谱反演校正样本集的构建

以江汉平原滨湖地区不同土地利用类型的土壤样本为例,比较了基于目标土壤理化性质的浓度梯度法、扩展的基于多种理化性质的综合法(P-KS)、基于光谱信息的KS法、最邻近样本去除法(reduce nearest neighbor samples,RNNS)法和基于浓度分层并结合光谱信息的C-KS、C-RNNS法,基于地类分层再结合上述方法,构建具有不同层次土壤信息代表性的校正集,采用偏最小二乘回归法,建立土壤有机质可见光/近红外光谱反演模型。结果表明,具有单一代表性的浓度梯度法、KS法、RNNS法难以建立适用模型;具有光谱与理化性质二元代表性的C-KS方法模型预测精度得到了明显的提升,相对分析误差(ratio of performance to standard deviation,RPD)为1.66;考虑土地利用类型后,浓度梯度法、RNNS法与C-KS法模型预测精度有明显的提升,RPD分别达到了1.84、1.51、1.75,模型具有良好的适用性。说明具有多层次土壤信息代表性的校正集构建方法对提高土壤有机质可见光/近红外光谱反演模型的适用性具有较好作用。     

精料补充料中肉骨粉含量的近红外光谱检测

为了保证饲料安全,精料补充料中肉骨粉的检测是十分必要的。该文探讨了精料补充料中肉骨粉含量的近红外光谱分析方法,123个样品作为校正集,采用偏最小二乘法(PLS),分别对光谱进行散射校正和卷积平滑、一阶微分、二阶微分预处理建立校正模型,以最大的决定系数(R²)和最小的标准差(RMSEC)为选择依据,通过比较,以多元散射校正和卷积平滑处理与二阶微分相结合的处理效果最好,其预测值与测量值的决定系数(R²)和标准差(RMSEC)分别为0.9751和0.437。34个样品作为检验集进行外部验证,决定系数(r²)和标准差(RMSEP)分别为0.9749和0.420,平均绝对误差和相对误差分别为0.326和13.89％。结果表明,利用近红外分析技术可以检测精料补充料中肉骨粉的含量。     

基于近红外光谱的脐橙产地溯源研究

为研究近红外光谱分析技术鉴别脐橙产地的可行性,该文采用江西、重庆和湖南3个产地脐橙样品1140～1170nm波段的近红外光谱经一阶导数(9点平滑)预处理,分别建立了簇类独立软模式法脐橙产地鉴别模型。在5%显著水平下,模型对3个产地训练集样品的识别率均为100%,拒绝率分别为85.7%、83.3%、100%;对验证集样品的识别率均为100%,拒绝率分别为100%、89.5%、100%,表明簇类独立软模式法模型基本能够判别脐橙产地。将江西、重庆和湖南3个产地的脐橙样品分别赋值0、1、?1,在全波段范围内建立原始光谱脐橙产地的偏最小二乘判别模型,其预测值与真实值的决定系数为0.973,校正标准差为0.110,预测标准差为0.159,模型对训练集和验证集样品的识别率达到100%。因此,应用近红外光谱分析技术可准确、快速地追溯脐橙产地来源。