黑土养分含量的航空高光谱遥感预测

为监测黑龙江省黑土典型区土壤的养分元素含量,综合利用统计理论与光谱分析方法,研究建三江农场黑土土壤的3类养分含量与土壤光谱之间的关系,建立土壤全氮、有效磷、速效钾含量高光谱反演模型,实现土壤养分元素含量定量预测。对黑土土壤航空高光谱数据进行处理,应用偏最小二乘回归（PLSR）和BP神经网络方法分别建立土壤养分元素含量的高光谱定量反演模型,结果表明：全氮PLSR和BP神经网络预测模型的RPIQ值（样本观测值第三和第一四分位数之差与均方根误差的比值）分别为2.42和2.80;有效磷PLSR和BP神经网络模预测型的RPIQ值分别为0.83和1.67;速效钾PLSR和BP神经网络模型的RPIQ值分别为2.00和2.33。试验证明土壤全氮和速效钾的光谱定量预测模型具备较好的精度和预测能力。但有效磷的预测效果不是特别理想,仅可达到近似定量预测的要求;全氮、有效磷和速效钾的预测精度,BP神经网络建模相比偏最小二乘建模有更好的精度和预测能力,预测精度分别提高6.5%、10.1%和6.6%。     

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。     

灌溉水中悬浮固体对土壤水分入渗性能的影响

为监测黑龙江省黑土典型区土壤的养分元素含量,综合利用统计理论与光谱分析方法,研究建三江农场黑土土壤的3类养分含量与土壤光谱之间的关系,建立土壤全氮、有效磷、速效钾含量高光谱反演模型,实现土壤养分元素含量定量预测。对黑土土壤航空高光谱数据进行处理,应用偏最小二乘回归（PLSR）和BP神经网络方法分别建立土壤养分元素含量的高光谱定量反演模型,结果表明：全氮PLSR和BP神经网络预测模型的RPIQ值（样本观测值第三和第一四分位数之差与均方根误差的比值）分别为2.42和2.80;有效磷PLSR和BP神经网络模预测型的RPIQ值分别为0.83和1.67;速效钾PLSR和BP神经网络模型的RPIQ值分别为2.00和2.33。试验证明土壤全氮和速效钾的光谱定量预测模型具备较好的精度和预测能力。但有效磷的预测效果不是特别理想,仅可达到近似定量预测的要求;BP神经网络建模相比偏最小二乘建模有更好的精度和预测能力,预测精度分别提高6.5%、10.1%和6.6%。     

黄绵土钾含量高光谱估算模型研究

为了研究可见/近红外光谱法估算渭北旱塬区黄绵土钾含量的可行性,以陕西省乾县试验田采集的120个土壤样品为研究对象,在室内进行土壤全钾、速效钾含量及反射光谱数据测量的基础上,应用多元线性回归(MLR)和偏最小二乘回归(PLSR)方法建立土壤钾含量的估算模型,并用独立样本进行验证。结果表明,以土壤光谱反射率一阶微分(DSSR)为自变量建立的多元线性回归模型(MLR)能进行土壤全钾含量准确估算。以波段深度一阶微分(DBD)为自变量建立的PLSR模型,验证集的决定系数(R2pre)大于0.90,预测均方根误差(RMSEpre)等于0.054,预测相对分析误差(RPDpre)等于3.310,是估算土壤全钾含量的最优模型;而以DSSR为自变量建立的PLSR模型,RPDpre值为1.619和1.572,是估算土壤速效钾含量的最优模型。本研究表明可见/近红外光谱结合多元线性回归和偏最小二乘回归方法能对渭北旱塬区黄绵土全钾含量进行快速、准确估算,但对速效钾含量仅能进行粗略估算。     

基于野外实测Vis-NIR光谱的土壤肥力估算研究——以湟水流域为例

为探讨野外实测光谱数据对土壤肥力的估算能力,采集青海省湟水流域表层0～20 cm土壤样品220份,同步测量其采样位置的野外实测光谱数据,实验室对土壤养分、机械组成含量以及pH值进行分析。基于上述数据,对野外实测光谱反射率进行多元散射校正(Multiplicative scatter correction,MSC)、SG-一阶导数变换(SG-First Derivative,SG-1st)预处理,采用稳定性竞争自适应重加权采样法(stability competitive adaptive reweighted sampling,SCARS)提取不同土壤养分、机械组成含量以及pH值的特征波段,以偏最小二乘回归(partial least squares regression,PLSR)模型对土壤全碳(TC)、有机质(OM)、全氮(TN)、碱解氮(AN)、pH、黏粒(clay)、粉粒(silt)、砂粒(sand)含量进行估算并对比分析,构建土壤养分含量、p H值以及机械组成含量的最优野外实测光谱估算模型。结果表明:通过MSC校正和SG-1st变换能够有效增强野外光谱特征;经SCARS选取的...     

基于组合模型的庐山森林土壤有效铁光谱间接反演研究

铁是植物生长的重要微量营养元素之一,土壤有效铁含量对林地环境起着重要的影响,利用土壤光谱预测技术获取土壤有效铁含量信息具有重要意义。而要通过土壤光谱直接预测土壤有效铁含量是难以实现的,因此提出利用土壤有机质含量与有效铁含量之间的相关性,探讨间接估算土壤有效铁含量的可行性。以庐山森林土壤样本为研究对象,研究基于偏最小二乘回归(PLSR)和径向基函数(RBF)神经网络的组合模型预测土壤有机质含量的适用性,并且通过构建有机质含量与有效铁含量的二项式线性模型,对土壤有效铁含量进行间接反演,探讨不同权重下的最优组合模型。结果表明,组合模型的预测效果优于偏最小二乘回归和RBF神经网络单个模型,并且熵值组合为最优组合模型,其中,土壤有机质的反演模型验证的决定系数(R~2)为0.81,均方根误差(RMSE_p)为11.54 g kg~(-1),测定值标准差与标准预测误差的比值(RPD)为2.18;有效铁的间接反演模型R~2为0.70,RMSE_p为21.60 mg kg~(-1),RPD为1.77。通过土壤有机质构建土壤有效铁含量的光谱反演间接模型,在光谱反演模型中,组合模型能较大限度地利用各种预测样本信息,能有效减少单个预测模型中随机因素的影响,增强预测稳定性,提高模型的预测能力。因此,组合模型可对土壤有机质含量的光谱预测及土壤有效铁的间接预测发挥更好的作用。     

基于1D-CNN的土壤全氮近红外光谱预测模型

摘要：【目的】传统的基于近红外光谱数据预测土壤全氮的方法需要对原始光谱数据做复杂的预处理，筛选出与土壤全氮含量相关性高的敏感波长之后进行模型的回归拟合。本文提出一种一维卷积神经网络（1D-CNN）模型，可以在对数据进行简单预处理甚至无处理的情况下达到非常理想的结果，实现用近红外光谱技术对土壤全氮含量的预测。【方法】于江苏无锡采集410个土壤样品，利用半微量开氏法(NY/T 53-1987)测定土壤的全氮含量，并利用NIR Quest 512光谱仪，在室内环境下对每份土壤样品做光谱检测，并用均值中心化(CT)、标准正态变换(SNV)、趋势校正(DT)对光谱进行预处理，运用偏最小二乘回归（PLS）、BP神经网络、1D-CNN方法建立土壤全氮含量的回归预测模型。每种模型在采用不同预处理方法的数据集上做十折交叉验证，记录预测模型的决定系数(R2)和均方根误差(RMSE)的平均值，并对比三种预处理方法对模型精度的影响。【结果】证明了本文提出的1D-CNN模型基于土壤近红外光谱数据预测土壤全氮含量的可靠性。使用原始数据与经均值中心化、标准正态变换、趋势校正预处理的数据训练得到的1D-CNN模型的决定系数分别为0.907、0.931、0.922、0.964，构建的PLS回归模型决定系数为0.856、0.863、0.861、0.880，训练的BP神经网络的决定系数为0.874、0.907、0.901、0.911。【结论】本文提出的1D-CNN模型在原始数据和经预处理的光谱数据上的表现都优于PLS和BP神经网络，且可以证明，对光谱数据进行预处理能够有效提高1D-CNN模型的性能，尤其是趋势校正对模型的提升效果最明显。研究表明，1D-CNN能更好地提取光谱特征并建立其与含氮量的映射关系，有效地避免过拟合，在未经过预处理的光谱数据上依然能够达到一定的精度。     

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。     

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)。     

基于高光谱数据的土壤全氮含量估测模型对比研究

构建基于高光谱数据的土壤全氮含量估测模型,为快速、准确监测农田土壤全氮含量,判断作物生长发育情况和评价土地质量提供新的技术和方法.以新疆南疆地区主要类型土壤为研究对象,于室内测定土壤全氮含量和光谱反射率数据,利用偏最小二乘回归(PLSR)、支持向量机回归(SVM)、随机森林回归(RF)与光谱反射率(R)及其4种数学变换...     

光谱变换方法对黑土养分含量高光谱遥感反演精度的影响

高光谱遥感反演黑土养分含量时,光谱变换方法对提取精度具有显著影响,为明确二者响应关系,提高反演精度和稳定度,该文以黑龙江建三江地区为研究区,引入航空高光谱成像系统CASI-1500,获取380～1 050 nm数据进行分析。均匀采样60个样品,化验获得其有机质、全氮、全磷和全钾含量数据,利用神经网络方法对有机质含量、支持向量机对氮、磷、钾含量进行建模。对比研究了重采样（RE）、对数倒数（LR）、一阶微分（FD）、包络线去除（CR）和多元散射校正（MSC）变换5种光谱变换后的提取精度。结果表明：MSC、MSC、LR和RE光谱变换方法分别应用到有机质、氮、磷和钾特征波段的组合运算中,得出黑土养分含量的空间分布精度相对最高,预测样本的决定系数分别为0.748、0.673、0.631和0.420。     

Prediction of atrazine sorption coefficients in soils using mid-infrared spectroscopy and partial least-squares analysis

This study explored the potential of mid-infrared spectroscopy (MIR) with partial least-squares (PLS) analysis to predict sorption coefficients (Kd) of pesticides in soil. The MIR technique has the advantage of being sensitive to both the content and the chemistry of soil organic matter and mineralogy, the important factors in the sorption of nonionic pesticides. MIR spectra and batch Kd values of atrazine were determined on a set of 31 soil samples as reference data for PLS calibration. The samples, with high variability in soil organic carbon content (SOC), were chosen from 10 southern Australian soil profiles (A1, A2, B, and C in one case). PLS calibrations, developed for the prediction of Kd from the MIR spectra and reference Kd data, were compared with predictions from Koc-based indirect estimation using SOC content. The reference Kd data for the 31 samples ranged from 0.31 to 5.48 L/kg, whereas Koc ranged from 30 to 680 L/kg. Both coefficients generally increased with total SOC content but showed a relatively poor coefficient of determination (R2 = 0.53; P > 0.0001) and a high standard error of prediction (SEP =1.22) for the prediction of Kd from Koc. This poor prediction suggested that total SOC content alone could explain only half of the variation in Kd. In contrast, the regression plot of PLS predicted versus measured Kd resulted in an improved correlation, with R2 = 0.72 ( P > 0.0001) and standard error of cross-validation (SECV) = 0.63 for three PLS factors. With the advantages of MIR-PLS in mind, (i) more accurate prediction of Kd, (ii) an ability to reflect the nature and content of SOC as well as mineralogy, and (iii) high repeatability and throughput, it is proposed that MIR-PLS has the potential for an improved and rapid assessment of pesticide sorption in soils.     

基于光谱分析的土壤重金属含量估算研究——以三江源区玉树县和玛多县为例

以三江源区玉树县和玛多县为研究区,利用实验室测定的As、Cu、Pb、Zn、Cr、Cd、Hg元素含量和室内采集的土壤原始光谱及其4种转换形式,建立了光谱指标与重金属含量的多元回归模型,利用决定系数(R2)、相对分析误差(RPD)及均方根误差(RMSE)评价模型的精度。研究结果表明,土壤As、Cu、Pb、Zn、Cr、Cd含量与SOM、Fe、Mn、Al、Mg等元素具有显著相关关系,Hg元素则未达到显著性水平。As、Cu、Pb、Zn、Cr和Cd元素估算模型回归方程R2达到了0.5以上,均通过了显著性检验,其中Pb、Zn和Cr元素验证样本RPD均达到了1.4以上,模型具备粗略估算能力;As、Cu和Cd元素验证样本RPD均低于1.4,模型不具备粗略估算能力。Hg元素估算模型回归方程的R2为0.28,未能通过显著性检验,无法用于对Hg含量的估算。     

Prediction of soil properties using a hyperspectral remote sensing method

Quickly and accurately mapping soil properties is critical for agricultural, forestry and environmental management. In this study, a new hyperspectral remote sensing method of soil property prediction was developed and validated in Stipa purpurea dominated alpine grasslands located in Shenzha County of the Qiangtang Plateau, northwestern Qinghai-Tibet Plateau. Hyperspectral data were collected in a total of 67 sample points. At the same time, soil samples were obtained at the locations and soil properties including organic carbon, total nitrogen, total potassium and total phosphorus were measured. The correlations of the soil properties with original bands and enhanced spectral variables derived from both field and satellite hyperspectral data were analyzed. Regression models that explained the relationships were further developed to map the soil properties. The results showed that the stepwise regression models based on the satellite hyperspectral image derived enhanced spectral variables produced reasonable spatial distributions of the soil properties and the relative RMSE values of 68.9, 46.3, 31.4 and 45.5% for soil organic carbon, total nitrogen, total phosphorus and total potassium, respectively. Thus, this study implied that the hyperspectral data based method provided great potential to predict the soil properties.     

利用可见光-近红外漫反射光谱技术预测铜冶炼厂周边区域土壤属性

Spatial and temporal monitoring of soil properties in smelting regions requires collection of a large number of sam-ples followed by laboratory cumbersome and time-consuming measurements.Visible and near-infrared diffuse reflectance spectroscopy (VNIR-DRS) provides a rapid and inexpensive tool to predict various soil properties simultaneously.This study evaluated the suitability of VNIR-DRS for predicting soil properties,including organic matter (OM),pH,and heavy metals (Cu,Pb,Zn,Cd,and Fe),using a total of 254 samples collected in soil profiles near a large copper smelter in China.Partial least square regression (PLSR) with cross-validation was used to relate soil property data to the reflectance spectral data by applying different preprocessing strategies.The performance of VNIR-DRS calibration models was evaluated using the coefficient of determination in cross-validation (R 2 cv) and the ratio of standard deviation to the root mean standard error of cross-validation (SD/RMSE cv).The models provided fairly accurate predictions for OM and Fe (R 2 cv > 0.80,SD/RMSE cv > 2.00),less accurate but acceptable for screening purposes for pH,Cu,Pb,and Cd (0.50 < R 2 cv < 0.80,1.40 < SD/RMSE cv < 2.00),and poor accuracy for Zn (R 2 cv < 0.50,SD/RMSE cv < 1.40).Because soil properties in conta-minated areas generally show large variation,a comparative large number of calibrating samples,which are variable enough and uniformly distributed,are necessary to create more accurate and robust VNIR-DRS calibration models.This study indicated that VNIR-DRS technique combined with continuously enriched soil spectral library could be a nondestructive alternative for soil environment monitoring.     

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。     

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。     

In Situ Measurement of Soil Chemical Composition by Near-Infrared Spectroscopy: A Tool Toward Sustainable Vineyard Management

This study evaluated an in-field near-infrared (NIR) instrument to predict the contents of total nitrogen (TN), organic carbon (OC), potassium (K), sulfur (S), phosphorus (P), pH, and electric conductivity (EC) in soil vineyard samples (n = 70) sourced from three wine regions of Australia. Samples were analyzed using a portable NIR spectrophotometer (ASD FieldSpec III, 350–1800 nm). Partial least squares (PLS) regressions yield a coefficient of determination in calibration (R2) and a standard error in cross validation (SECV) of 0.74 (0.03) for TN, 0.92 (2.19) for S, 0.81 (0.42) for OC, 0.70 (109.2) for K, 0.84 (0.03) for EC, 0.83 (0.44) for pH, and 0.69 (24.6) for P, respectively. This study showed that it is possible to measure soil chemical properties in the vineyard, and the main advantages of this approach will be the speed, low cost, and ability to better manage and monitor soil fertility.