可见-近红外与中红外光谱预测土壤养分的比较研究

对土壤养分的快速和准确测定有助于适时指导施肥。为进一步研究可见-近红外（350～2500 nm）与中红外光谱（4000～650 cm-1）对土壤养分的预测能力,以贵州省500个土样为例,对光谱进行Savitzky-Golay（SG）平滑去噪处理,再用标准正态化（SNV）方法进行基线校正,然后分别应用偏最小二乘回归（PLSR）和支持向量机（SVM）两种方法进行建模,探讨了可见-近红外和中红外光谱对土壤全氮（TN）、全磷（TP）、全钾（TK）和碱解氮（AN）、有效磷（AP）、速效钾（AK）共六种土壤养分的预测效果。结果表明：（1）无论基于可见-近红外光谱还是中红外光谱,PLSR模型的预测精度整体均优于SVM模型。（2）中红外光谱对TN、TK和AN的预测精度均显著高于可见-近红外光谱,可见-近红外和中红外光谱均可以可靠地预测TN和TK（性能与四分位间隔距离的比率（RPIQ）大于2.10）,中红外光谱可相对较可靠地预测AN（RPIQ=1.87）;但两类光谱对TP、AP和AK的预测效果均较差（RPIQ<1.34）。（3）当变量投影重要性得分（VIP）大于1.5时,PLSR模型在中红外光谱区域预测TN和TK的重要波段多于可见-近红外光谱区域,TN的重要波段主要集中于可见-近红外光谱区域的1910和2207 nm附近,中红外光谱区域的1 120、1 000、960、910、770和668 cm-1附近;TK的重要波段主要集中于可见-近红外光谱区域的540、2176、2225和2268 nm附近,中红外光谱区域的1 040、960、910、776、720和668 cm-1附近。因此,中红外光谱技术结合PLSR模型对土壤养分预测效果较好,可快速准确预测土壤TN和TK,可为指导适时施肥提供技术支撑。     

基于可见-近红外反射光谱的土壤碳酸钙含量与反演效果关系研究

土壤可见-近红外反射光谱中包含了大量的土壤属性信息,研究人员根据土壤属性信息在光谱上的特征,对土壤属性进行定量反演。是否属性值越高,反演精度越高?目前对于属性含量与反演效果的定量关系尚不清楚。采集了我国西北地区黑河流域69个代表性干旱土剖面(292个发生层土样),以气量法测定其碳酸钙含量,使用Cary 5000分光光度计测定其可见-近红外光谱反射率,以样本量和离散度(变异系数)作为数据集划分标准,分别建立了11个相同样本量子集(A)和5个相近离散度子集(B),应用偏最小二乘回归(PLSR)算法对各子集进行土壤碳酸钙含量反演,以此探究碳酸钙含量与反演效果的定量关系。结果表明,碳酸钙可增加可见-近红外波段的光谱反射率,但利用可见近红外光谱反演土壤碳酸钙含量,其反演效果与碳酸钙含量关系不显著。     

基于光谱相似性匹配的土壤有机碳估算

全球土壤光谱库的建立,为利用可见-近红外光谱预测土壤属性提供了参考集,如何从光谱库中挑选合适的建模集以实现对局部地区土壤有机碳的高精度预测,是一个值得研究的问题.本研究基于欧氏距离、马氏距离和光谱角三种光谱相似性指数,探索利用全球光谱库预测局部地区土壤有机碳的有效策略,并比较了不同光谱相似性指数、不同建模集数量及不同建...     

基于可见–近红外光谱的水稻土全磷反演研究

采用PLSR偏最小二乘法回归结合留一法交叉验证,利用长期定位试验田以及直湖港小流域面上的水稻土土壤样本建立最优模型,研究了不同光谱预处理方式对水稻土全磷可见-近红外高光谱反演精度的影响,探索水稻土全磷光谱反演的可行性;并结合简单相关系数法以及PLSR模型回归系数法分析了水稻土全磷光谱反演的重要波段。结果表明,光谱预处理方法对土壤全磷反演精度的影响不大;基于PLSR建立的水稻土全磷光谱反演模型的校正决定系数达0.85,交叉验证决定系数为0.70,RPD为1.8,有较好的模型精度;440~740 nm为土壤全磷光谱反演的重要波段。利用PLSR对水稻土全磷进行光谱预测是可行的。     

应用伽马射线和可见近红外光谱测定土壤容重

现有的土壤容重测定方法存在诸多不足,不能满足快速发展的精准农业、生态环境模拟、土壤碳储量估算等对大量、准确容重数据的需求。鉴于此,有研究提出γ射线衰减与可见-近红外并用测定土壤容重的方法,并成功地将该方法应用于土壤碳储量估算中,得到了较好的应用结果。为了检验该方法在我国南方丘陵区土壤容重测定上的准确性和适用性,本研究采集了广西南宁丘陵区的土壤样品,使用该方法计算出土壤容重,并与传统环刀采样烘干称重法的容重结果进行比较。结果表明,两者测定的土壤容重具有较高的回归决定系数,R~2可达0.92,且两者间的均方根误差较低,仅占土壤容重平均值的4.48%。因此,本研究认为,γ射线衰减与可见-近红外并用测定土壤容重在我国南方丘陵区有较好的准确性和适用性。     

鸭肉中谷氨酸含量的可见-近红外光谱测定研究

为实现鸭肉中谷氨酸含量的快速测定,提出了利用可见-近红外光谱结合PCA、BP神经网络来建立鸭肉中谷氨酸含量测定的定量分析模型.采集试验首先采集光谱范围在350～1800nm的鸭肉可见-近红外反射光谱,并在430～1000、1001～1400和430～1400nm 3个光谱范围内分别用一阶导数(FD)、二阶导数(SD)、...     

光谱预处理及不同光谱区对黑土有机碳近红外光谱模型的影响

在目前土壤有机碳(Soil organic carbon,SOC)的测量方法中,定量燃烧法虽具有很高的精度,但是价格比较昂贵;烧失法和湿氧化法比较费时,且测定中使用的化学药剂容易产生环境问题。化学试剂的使用和测定条件的专一也使得化学方法容易产生偏差,因此,需要一种快速、准确、低耗和环保的方法来测量土壤样品SOC含量。近红外光谱(Near infrared spectroscopy,NIRS)技术作为一种无损、快速的分析手段,在农业很多领域都有广泛的应用[1-2],但是利用NIRS对土壤成分进行定量分析最近才刚刚开始[3][5]。近红外光谱由被测样品的近红外特征光谱主导,包含了噪声、各种外界干扰     

煤矿区土壤有机碳含量的遥感反演与分布特征

高光谱数据与多光谱影像结合能实现区域高精度、大面积的土壤有机碳含量反演。以山东省鲍店矿区表层0-20cm土壤有机碳含量为研究对象,采用波段平均法把高光谱的窄波段拟合成GF-1 WFV影像的宽波段,建立土壤有机碳含量的高光谱模型,进而通过比值订正法,将最优高光谱模型校正到多光谱模型并通过决策树分类获取土壤有机碳含量空间分布状况,结合土地利用现状分析土壤有机碳含量分布特征。结果表明:(1)通过波段拟合和比值订正获得的多光谱模型,检验决定系数为0.76,可以稳定实现矿区土壤有机碳含量的反演。(2)研究区土壤有机碳含量范围为0.71~38.15g/kg,均值为14.12g/kg,总体上处于中等水平;区域内土壤有机碳含量以11.60~17.40g/kg为主,其次是5.80~11.60g/kg,分别占据48%,29%。(3)采矿区和部分道路、居民点的有机碳含量偏高,耕地处于中等水平,林地和草地含量较低;塌陷地形成的水域周围有机碳含量明显偏低。     

柿子可溶性固形物含量的可见-近红外光谱检测

为了实现柿子（Diospyros kaki thunb）可溶性固形物含量的快速无损检测,提出了一种采用可见-近红外光谱分析技术无损检测柿子可溶性固形物含量的方法。采用Field Spec 3光谱仪对3种不同品种的柿子进行光谱分析,共获取66个样本数据。利用平均平滑法对样本数据进行预处理,再采用主成分分析法,依据可信度获取光谱的6个主成分数据。将样本随机分成51个建模样本（每种各17个）和15个验证样本（每种各5个）,把6个主成分数据作为BP神经网络的输入变量,柿子的可溶性固形物含量作为输出变量,隐含层的节点数为11,建立3层BP神经网络检测模型,并用该模型对15个验证样本进行预测。结果表明,所建校正模型的校正标准差（SEC）为0.232,对预测集样本可溶性固形物含量的预测相对误差在3%以下,预测值和实测值的决定系数（R2）为0.99,预测标准差（SEP）为0.257。结果表明应用近红外光谱技术结合主成分分析和神经网络算法检测柿子的可溶性固形物含量是可行的。     

土壤有机质含量可见-近红外光谱反演模型校正集优选方法

土壤有机质含量可见-近红外光谱反演过程中校正集的构建策略对模型的预测精度有重要影响。以江汉平原洪湖地区水稻土为研究对象,采用Kennard-Stone(KS)法,Rank-KS(RKS)和Sample set Partitioning based on joint X-Y distance(SPXY)法,构建样本数占总校正集不同比例的子校正集,通过偏最小二乘回归,建立土壤有机质含量的可见—近红外光谱反演模型。结果表明:KS法无法提高模型预测精度,但可以在保证标准差与预测均方根误差比(ratio of performance to standard deviation,RPD)2.0的前提下减少30%的校正样本;基于SPXY法的模型,当子校正集样本比例为总校正集的50%时达到最佳的模型预测精度,RPD为2.557;RKS法能够在保证预测精度的情况下(RPD2.0),最多减少总校正集70%的样本,对应模型RPD为2.212。当校正集与验证集的有机质含量分布相近时,能够以较少的建模样本达到与总校正集相近甚至更高的模型预测精度,提升土壤有机质光谱反演模型的实用性。     

Prediction of Soil Properties by Visible and Near-Infrared Reflectance Spectroscopy

Eurasian Soil Science - The major goal of this research was to assess the ability of visible-near-infrared (VIS-NIR) spectroscopy combined with multivariate regressions based on four modeling...     

土壤有机质可见光-近红外光谱预测样本优化选择

土壤有机质可见光-近红外光谱预测中建模样本的优化选择对提高有机质模型估算精度具有重要作用。本文以湟水流域土壤有机质为例,采用基于土壤单一属性信息考虑的建模样本选择方法:浓度梯度法、Kennard-Stone(KS)方法,以及基于土壤多种信息考虑的建模样本选择方法:Rank-KS(RKS)法、土壤类型结合浓度梯度法以及土壤类型结合KS法。通过偏最小二乘回归建模,探索可见光–近红外光谱预测青海湟水流域有机质的最优样本集。结果表明:不同级别样本数的最佳建模样本选择方法不同,整体表现为基于土壤多种信息挑选的建模样本集的模型精度相比土壤单一信息均较高,特别是KS方法结合土壤类型后的建模样本集模型精度明显提高且在样本数较少时更为明显。土壤类型可以优化建模样本选择方法提高模型预测精度。在保证固定验证样本模型预测精度的情况下,土壤类型参与建模样本的选择可以有效减少建模样本数,进而降低了建模成本。     

外源有机碳对黑土有机碳及颗粒有机碳的影响

为了阐释外源有机碳在土壤有机碳运转中的作用机制,以黑土为供试材料,进行了5年的室外培养试验,并结合室内全土及颗粒组分单独矿化培养试验,研究了不同外源有机碳对黑土有机碳(SOC)、颗粒有机碳(POC)含量及其矿化特征的影响。试验包括单施化肥、牛粪配施化肥、鸡粪配施化肥、秸秆配施化肥和树叶配施化肥5个处理。结果表明:(1)单施化肥黑土SOC的损失主要来源于POC的损失,外源有机碳有利于SOC和POC的累积,与对照相比,禽畜粪便处理的SOC和POC平均增加幅度分别为16.6%和27.8%,植物残体处理的SOC和POC平均增加幅度分别为27.0%和46.4%;(2)一级动力学方程能较好地描述SOC和POC的矿化动态(R~20.9),且POC比SOC易矿化,POC的60d累积矿化量是SOC的3倍以上;(3)禽畜粪便处理和植物残体处理的POC平均矿化率分别为31.5%和29.8%,禽畜粪便处理的POC更易矿化;(4)外源有机碳有效降低了黑土有机碳的矿化,尤其是牛粪,其SOC矿化率为1.9%,比对照低了3.4%,其POC矿化率为24.8%,比对照低17.4%;(5)外源有机碳在黑土中的碳累积能力表现为树叶秸秆牛粪鸡粪。     

高光谱土壤多元信息提取模型综述

  目的  以长沙及周边区域水田土壤为研究对象,从特征空间和样本空间角度优化建模数据集,以提升基于土壤高光谱数据估测有机质含量模型的精度。  方法  利用马氏距离(MD)优化土壤光谱特征空间、最小生成树(MST)分割样本数据集优化建模样本空间,结合交叉验证岭回归(RidgeCV)和支持向量机回归(SVR)构建土壤高光谱有机质含量估测模型。  结果  在测试集上,光谱优化建模方法MD-RidgeCV和MD-SVR的模型决定系数(R²)分别为0.876、和0.84,样本优化建模方法MST-RidgeCV和MST-SVR 的R²指标分别为0.847和0.815,而两种优化方法相结合的MD-MST-RidgeCV和MST-MD-RidgeCV模型 R²指标均高达0.9;对比基于原始数据集和建模集优化KS和SPXY方法的土壤有机质含量估测模型,提出的方法在测试集上具有更佳的模型预测性能。  结论  利用马氏距离和最小生成树,从光谱特征空间和样本空间优化建模数据集,并结合回归算法RidgeCV和 SVR构建土壤有机质含量高光谱预测模型,能显著提高模型精度和稳定性。     

黑碳添加对土壤活性有机碳和原有机碳的影响

通过室内培养实验,向土壤(甘蔗土)中分别添加不同用量的黑碳(BC,350℃热解水稻秸秆),添加量分别为0(BC0)、1％(BC1)、2％(BC2)、3％(BC3)、4％(BC4)和5％(BC5),研究黑碳添加量对土壤活性有机碳和原有机碳的影响.结果表明,在25℃培养条件下,土壤易矿化碳(Cm)随黑碳添加量的增加而增加;土壤微生物生物量碳含量亦随添加量的增加呈增加趋势(BC3处理除外).土壤可溶性有机碳含量在BC1、BC2和BC3处理之间的差异不显著,并显著低于对照土壤(BC0);应用δ13C自然丰度方法研究发现,BC1处理抑制了土壤原有机碳分解,而BC2、BC3、BC4和BC5处理促进了土壤原有机碳的分解,但统计上未达显著水平.     

基于地形与遥感辅助信息的小流域尺度高分辨率有机碳空间分布预测研究

土壤有机碳(soil organic carbon,SOC)既是衡量土壤质量的重要指标,也是影响全球碳氮循环的关键因素之一。作为数字土壤制图(digital soil mapping,DSM)研究中起主要作用的环境变量,地形元素在SOC预测制图中也是无可替代的。应用机器学习模型,通过引入不同超参数设置下获得的高分辨率(5 m)Geomorphons(GM)地形分类图作为丘陵地形特征信息的补充,结合数字高程模型(digital elevation model,DEM)衍生变量和光学、合成孔径雷达(synthetic aperture radar,SAR)遥感数据对句容市黄梅镇北部小流域尺度(1︰25 000)丘陵地貌区地表层SOC含量进行预测制图,并评估不同GM变量在SOC含量预测中的表现。基于74个土壤样本和不同环境变量组合,分别采用袋装决策回归树(bagged classification and regression tree,bagged CART)、随机森林(random forest,RF)和立体派(cubist)三种方法构建SOC含量预测模型,并通过四个精度验证指标,采用十...     

Automated Color Classification of Single Wheat Kernels Using Visible and Near-Infrared Reflectance

Modification of an existing single kernel wheat characterization system allowed collection of visible and near-infrared (NIR) reflectance spectra (450–1,688 nm) at a rate of 1 kernel/4 sec. The spectral information was used to classify red and white wheats in an attempt to remove subjectivity from class determinations. Calibration, validation, and prediction results showed that calibrations using partial least squares regression and derived from the full wavelength profile correctly classed more kernels than either the visible region (450–700 nm) or the NIR region (700–1,688 nm). Most results showed >99% correct classification for single kernels when using the visible and NIR regions. Averaging of single kernel classifications resulted in 100% correct classification of bulk samples.     

基于多分辨率遥感数据与随机森林算法的土壤有机质预测研究

遥感数据已经在数字土壤制图中得到广泛应用,并且可以一定程度上提高土壤属性预测的精度。本文以榆阳区的黄土丘陵和风沙滩地两种地貌区为例,利用不同分辨率的专题制图仪(thematic mapper,TM)、先进宽视场传感器(advanced wide field sensor,AWIFS)和中等分辨率成像仪(Moderate resolution imaging spectroradiometer,MODIS)的遥感影像数据(分辨率分别为30 m、56 m和250 m)和基于高级热量散射和反射辐射仪全球数字高程模型(advanced spaceborne thermal emission and reflection radiometer global digital elevation model,ASTER GDEM)的地形衍生数据,结合其他影响土壤有机质分布的辅助因子,用随机森林算法(random forest,RF)对表层土壤有机质进行模拟预测,并通过实测数据的百分比抽样对预测结果进行了验证。结果表明,在榆阳区的黄土丘陵区,基于TM数据的土壤有机质预测结果较好;在风沙滩地区,基于AWIFS数据的土壤有机质预测结果较好。基于RF的土壤有机质预测在榆阳区的黄土丘陵区结果较好,三个分辨率下的平均绝对误差在1.27~1.57 g kg-1之间,在风沙滩地区预测精度较低,平均绝对误差在1.46~2.08 g kg-1之间。高程、地理位置和植被是影响黄土丘陵区土壤有机质预测的主要因素,在风沙滩地区,植被、高程和离水源地的距离是影响有机质预测的主要因素。可见,在地貌相对简单的地区进行土壤有机质含量的预测时可以使用较低分辨率的数据代替较高分辨率的数据,同时,RF算法在复杂地貌区的土壤有机质预测更有效。