土壤全氮的无人机高光谱响应特征及估测模型构建

为更好地体现出光谱与土壤全氮（soil totalnitrogen,STN）含量之间的响应关系,实现以高光谱快速估测土壤全氮含量,该研究以无人机搭载高光谱传感器获取农田土壤高光谱影像,提取光谱反射率并进行数学变换,基于灰色关联度和皮尔逊相关系数提取各光谱中土壤全氮含量的敏感波段,基于敏感波段采用偏最小二乘回归（partialleastsquares regression,PLSR）、岭回归（ridge regression,RR）和随机森林（random forest,RF）构建土壤全氮的高光谱反演模型,筛选出最优模型并对研究区土壤全氮含量进行反演制图。结果表明：1）反射率的倒数光谱中的敏感波段（996～1 003 nm）集中在近红外长波范围内,反射率的一阶微分（first derivative of reflectance,FDR）光谱中的敏感波段（398～459、469和472～1 003 nm）和反射率对数的一阶微分光谱中的敏感波段（398～459、463～973和978～1 003 nm）在可见光和近红外范围内都有分布,反射率的一阶微分光谱中的敏感波段（615～625、632和...     

黑土有机质含量高光谱模型研究

通过对黑龙江省典型黑土区土壤样品高光谱反射率的室内测定,研究了典型黑土可见光/近红外波段光谱反射特性;利用多元统计分析方法,以土壤光谱反射数据及其数学变换数据作为自变量,以黑土有机质含量对数变换数据作为因变量,建立黑土有机质含量高光谱预测模型,并对模型的稳定性和预测能力进行检验。结果表明:(1)620~810nm波段范围是黑土有机质的主要光谱响应区域,最大响应值在710nm附近;(2)对光谱数据进行归一化处理可以部分消除不同土样测试过程中存在的噪声;(3)模型及其检验的决定系数R2都在0.9以上,模型的总均方根差RMSE均小于2.1,模型具有很好的稳定性和预测能力,可以用于黑土有机质含量的快速测定;(4)归一化一阶微分模型为最优预测模型。     

不同生育期冬小麦光谱特征对叶绿素和氮素的响应研究

研究测定了不同施氮水平条件下冬小麦冠层在七个典型生育期叶片叶绿素、地上部分全氮含量以及冠层光谱,分析了单波段反射率、可见光和近红外波段组合而成的归一化植被指数(NDVI)、比值植被指数(RVI)与相应时期叶片叶绿素和地上部分全氮含量的相关性。结果表明,施氮量增加,两个农学参量、冠层近红外波段反射率都随之增加,但当施氮量增加到300kg hm-(2一次性施入)时,上述各项指标均降低;整个生长期中孕穗期在近红外区域反射率最高,与可见光波段反射率相差最大;除分蘖期外,其它时期单波段510nm～1100nm反射率、NDVI、RVI与叶绿素和全氮含量显著相关,植被指数的相关性较单波段高,且从分蘖期到乳熟期,相关性逐渐增强;整体来讲,可见光中560nm、660nm和近红外760nm、1100nm和1200nm组合的NDVI在各生育期与两个农学指标的相关性较好,选择NDVI(560,760)可以准确拟合叶片叶绿素和地上部分全氮含量。     

黑土土壤水分高光谱特征及反演模型

应用高光谱技术阐释土壤含水率光谱规律及对土壤含水率进行定量分析,为精准农业地表土壤水分的快速测定提供参考。该文以吉林省黑土土类中的黑土亚类土壤为研究对象,利用ASD FieldSpec FR便携式光谱仪在室内环境下对不同含水率的土壤样本进行光谱反射率测量和特征分析;通过对土壤样品高光谱反射率进行对数、倒数、一阶微分以及反射率倒数的一阶微分、反射率对数的一阶微分变换,运用统计分析中的相关系数计算进行了光谱反射率与土壤水分的相关分析,并提取了土壤光谱特征波段;采用逐步多元线性回归方法和指数模式分析法,进行了高光谱土壤含水率定量反演。研究结果表明,在低于田间持水率状况下,黑土土壤光谱反射率及其反射率一阶微分和反射率对数一阶微分变换的敏感波段主要集中在400～410、1 400～1 850和2 050～2 200 nm范围内,其中2 156 nm处与土壤水分相关系数最高,达0.89;在波长1 328、1 439、1 742和2 156 nm处,采用反射率对数一阶微分所建立的黑土土壤含水率预测方程的预测精度最好,决定系数为0.931。黑土土壤含水率高光谱反演模型的建立为土壤水分的快速测定提供了新的途径。     

褐潮土的光谱特性及用土壤反射率估算有机质含量的研究

本文通过ASDFR便携式光谱仪对132个风干土壤样品的光谱反射率进行了实验室测定。根据土样光谱反射率变化,获得了褐潮土土壤剖面的不同诊断层反射光谱特征。结果表明,在400～1200nm范围之间,土壤有机质含量与土壤光谱反射率有较好的相关性。利用导数光谱方法建立了预测土壤有机质含量的方程,提出了预测北京地区褐潮土有机质光谱的最佳波段。在波长447nm处采用反射率和A值(反射率倒数的对数)所建立的预测方程的预测精度较高。采用反射率的一阶微分建立的预测方程的最佳波段在516nm处。而A值一阶微分光谱在615nm处相关性最好。作为一项参考指标用光谱分析法评价土壤中有机质含量,以期对精准农业中土壤养分或肥力的预测具有一定的指导作用。     

基于高分辨率反射光谱的土壤营养元素估算模型

研究了土壤中营养元素含量（N、P、K）与土壤可见光／近红外光谱之间的关系。在对原始光谱进行预处理分析后，计算出了4种光谱指标：反射率Reflectance、一阶导数FDR、倒数之对数log（1／R）和波段深度Depth。通过偏最小二乘回归分析建立了营养元素与4种光谱指标的经验模型，并且利用验证样本集对回归模型进行了验证。结果表明，可见光／近红外反射光谱具有快速估算土壤中营养元素含量的潜力。     

荔枝花芽分化期叶片的光谱特征及其养分预测

为实现荔枝营养状况的快速监测,提高荔枝的精细施肥管理水平,服务华南荔枝的高产优质安全生产,研究了广州白云区荔枝花芽分化期冠层高光谱4 种变化形式的特性,结果表明荔枝秋梢冠层叶片光谱具有植物光谱共性。结合试验测得的冠层叶片生化养分数据（全氮、全磷、叶绿素、有机碳）分别与光谱反射率这4种形式作相关性分析。选择最显著相关的波段进行曲线拟合,结果表明：叶绿素、有机碳含量的最佳光谱诊断敏感波段分别是反射率一阶导数的 1 562 nm (r=0.8944)、1 720 nm (r=0.7827),全氮、全磷的最佳光谱诊断敏感波段分别是倒数对数一阶导数的2 059 nm (r=0.8073),1 347 nm (r=0.7575);全氮、叶绿素、有机碳指数函数拟合最优（RMSE分别为0.002730, 0.008138和0.000416）,全磷线性模型最优（RMSE=0.000336）。研究结果对华南精细荔枝果业的实施和果业环境保护都具有一定的指导意义。     

氮磷互作水稻冠层氮素敏感光谱筛选研究

基于连续两年的水稻氮磷互作盆栽试验,于水稻拔节、抽穗、灌浆等主要生育时期同步测定了冠层反射光谱和水稻植株总氮含量,系统分析了350~1 330 nm波段范围内任意两波段组合而成的差值(DVI)、比值(RVI)及归一化(NDVI)光谱指数与植株总氮含量的关系,筛选了可用于氮磷互作环境下的最佳光谱指数,建立了估算模型,并与已有的水稻氮光谱反演指数进行了比较。结果表明:氮磷交互下水稻冠层光谱受氮素的影响明显高于磷素,呈现随施氮量的增加可见光区反射率下降,近红外区上升的规律;但对磷肥的响应受施氮水平的影响,施磷在缺氮情况下提高了可见光区和近红外区的反射率,不缺氮情况下却使可见光区反射率降低。与植株总氮含量相关性较好的波段组合基本不受植被指数构造形式的影响,表现较为稳定,主要分布在近红外(780~1 330 nm)/可见光(750~770 nm)区域、红边(640~700 nm)区域和可见光(450~500 nm)区域。但施磷与不施磷处理的总氮光谱指数敏感波段组合区域有所变化,施磷处理的敏感区域要小于不施磷处理,且相关性决定系数有所降低。存在对施磷不施磷处理都比较敏感的光谱指数区域,拔节、抽穗和灌浆期分别以RVI(FD719,FD740),NDVI(FD419,FD552),DVI(FD707,FD713)表现最佳,建模决定系数分别为0.87、0.80、0.87,几乎不受氮磷交互作用的影响,验证模型均方根误差分别为1.98、3.68、3.47。已有的氮光谱反演参数中则以m ND705、PRI、NDVI705表现最好,但其预测精度明显受磷肥作用的影响,尤其是在拔节期,不施磷处理下的精度要远低于施磷处理,且整体精度均低于本研究新选的氮光谱指数。因此,氮磷互作对水稻氮光谱反演指数的波段组合及预测精度产生影响,要提高氮素光谱诊断精度,需要根据情况选择适宜的光谱指数。     

基于高光谱特征的土壤有机质含量估测研究

在室内条件下,利用ASD2500高光谱仪测定了潮土和水稻土自然风干土壤样品的光谱。通过系统分析两种不同类型土壤的高光谱特征差异及其有机质含量的敏感波段区位,建立了土壤有机质含量的光谱估测模型。结果表明,具有相同有机质含量的两种类型土壤整体光谱变化趋势无明显差别,但反射率表现出明显差异,一阶导数变换能较好地显现谱图中的肩峰。潮土和水稻土有机质的敏感波段集中在相同区域,原始反射率在685 nm处相关性最高,而一阶导数光谱在554 nm处相关性最高。通过对整体样本的多元逐步回归分析,筛选出两种土壤有机质相同的敏感波段为800 nm、1 398 nm和546 nm。进一步以一阶导数为自变量,基于1 400nm和554 nm两个波段构建了土壤有机质差值指数SOMDI及估测模型,即Y=4.19 12.85×(R_FD554 R_FD1 400)。利用独立的样本对建立的光谱模型进行了检验,预测决定系数均达0.79以上。上述结果表明,利用高光谱技术可实现土壤有机质的快速监测与诊断。     

基于夏玉米光谱特征的叶绿素和氮素水平及氮肥吸收利用研究

本文首先分析不同施 N 水平条件下夏玉米冠层在6个典型生育期的光谱特征曲线,然后计算了可见光和近红外波段光谱反射率组成的归一化植被指数(NDvI)及相应时期叶片叶绿素含量和地上部分全N含量2个重要指标以及孕穗期冠层NDVI和几个N肥吸收利用效率的相关性.结果表明,孕穗期冠层光谱反射率在近红外区域反射率最大,且其可见光和近红外区域反射率差异最大:从苗期到孕穗期,NDVI和叶绿素、全N含量的相关性逐渐增强,到抽雄期减弱,灌浆期又有所增强;整体来讲绿色归一化植被指数 GNDNI(560,760)在各生育期与不同农学参量的相关性比其他波段组合的指数好,其次为NDVI(660,760)波段组合.随着施N量的增加,N肥利用效率、收获指数和N肥收获指数、N素农艺效率以及N肥回收效率均逐渐降低,对各N肥吸收利用指数的预测以NDVI(660,760)、NDVI(660,1100)和GNDVI(560,760)较理想.     

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。     

基于高光谱的砂姜黑土含水量反演研究

在实验室条件下,以地物光谱仪(350~2 500 nm)为工具,利用光谱反射率(R)、反射率的一阶微分(R′)、反射率的对数(log R)、反射率的倒数(1/R)、反射率对数的一阶微分(log R)′和去包络线(Rc)6种处理方法,研究了4种不同土种的砂姜黑土含水量与光谱反射率的定量关系。结果表明:砂姜黑土不同土种间光谱特征存在一定差异,且4种土的光谱反射率都随土壤含水量升高而下降。在可见-近红外波段,以R′提取的敏感波长与含水量的相关系数最高,敏感波长集中分布在712、807、1 142、1 570、1 850、2 221 nm等。基于上述波长反射率所建立的土壤含水量预测模型的决定系数达到了0.89,且其模型检验的均方根误差仅为4.6 g/kg,实现了对砂姜黑土含水量较为准确的预测。本研究为非接触、快速地测定砂姜黑土含水量提供了数据基础。     

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。     

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。     

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。     

基于连续统去除法的土壤盐分含量反演研究

通过对新疆维吾尔自治区温宿县、和田县、拜城县191个土样的原始反射率进行连续统去除及连续统去除的一阶微分处理,分析了盐分的高光谱吸收特征及敏感波段,并建立了盐分含量的多种高光谱定量反演模型。结果表明,在400~2 400 nm波段,土壤反射率与盐分含量之间无明显规律。640~700 nm波段的连续统去除数据与含盐量呈极显著负相关,而710~780 nm波段呈极显著正相关。原始反射率经连续统去除处理后,可明显提高反演模型的预测性能。基于盐分光谱指数和吸收特征参数构建的反演模型的稳定性及预测能力不如连续统去除、连续统去除一阶微分的400~2 400 nm或敏感波段的偏最小二乘回归(PLSR)模型。所有模型中,仅有以400~2 400 nm和640~700 nm连续统去除数据所建模型的相对分析误差(RPD)达2.5以上,分别为2.62和2.52,且二者其余各项评价指标差异不大。以640~700 nm波段连续统去除数据构建的PLSR模型对南疆水稻土盐分含量具有很好的反演效果。     

基于局部加权回归的土壤全氮含量可见-近红外光谱反演

全氮是土壤肥力的重要指标,对作物产量具有决定性作用,采用土壤可见-近红外(Vis-NIR)光谱预测技术及时获取土壤全氮含量信息具有重要意义。采用来自5省的450个土壤样本来验证局部加权回归方法(LWR)结合Vis-NIR光谱技术预测大面积土壤全氮含量的适用性。结果表明,LWR模型的预测效果优于偏最小二乘回归(PLSR)、人工神经网络(ANN)和支持向量机(SVM),选取主成分数为5,相似样本为40时,模型验证的决定系数(RP2)为0.83,均方根误差(RMSEP)为0.25 g kg-1,测定值标准偏差与标准预测误差的比值(RPD)达到2.41。LWR从建模集中选取与验证样本相似的土样作为局部建模样本,降低了差别大的样本对模型的干扰,从而提高了模型的预测能力。因此,LWR建模方法通过大范围、大样本土壤光谱数据进行大尺度区域的全氮等土壤属性预测时能够发挥更好的作用。     

黑土区田块尺度土壤有机质含量遥感反演模型

为了对田块尺度土壤有机质进行空间反演并提高模型精度和稳定性,该文以黑龙江省黑土带41.3 hm~2田块为例,获取2016年5月中下旬两期(受限于拍摄周期和天气原因而选择不同卫星影像,2016年5月17日Landsat 8影像和5月25日Sentinel-2A影像)裸土时期遥感影像和4 m分辨率DEM数据;分析单期影像与土壤有机质(soil organic matter,SOM)的关系,两期影像所包含的土壤含水量变化信息与地形因素对SOM预测模型精度的影响,建立基于BP神经网络的SOM遥感反演模型。结果表明:该田块内SOM含量差异较大;利用单期影像预测SOM时,基于红波段和785~899 nm波段建立的预测模型精度(建模均方根误差RMSE 1.033,检验RMSE 1.079)和稳定性(建模决定系数R2 0.677,检验R20.644)较高;两期影像时,基于红波段和1 570~1 650 nm波段建立的预测模型精度(建模RMSE 0.855,检验RMSE 0.898)和稳定性(建模R2 0.792,检验R2 0.797)显著提高;在两期影像模型基础上,加入地形因子作为输入量,模型精度(建模RMSE 0.492,检验RMSE 0.499)和稳定性(建模R2 0.917,检验R2 0.928)进一步提高。研究成果可为土壤碳库估算和农田精准施肥提供理论与技术支持。     

基于主成分回归分析的土壤有机质高光谱预测与模型验证

在室内条件下,利用ASD2500高光谱仪测定了风干土壤样品的光谱。通过相关分析对土壤有机质（SOM）光谱敏感波段进行了初步筛选;利用逐步回归分析和主成分回归(PCR)分析等统计方法进行了显著性变量筛选、共线性诊断、数据转换等处理;最终建立了东北黑土SOM回归预测模型。模型所选的波段为均位于近红外波段。经验证,模型预测值与实测值的决定系数R2=0.840,总均方根差RSME=0.226。