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。     

基于高光谱特征和偏最小二乘法的春小麦叶绿素含量估算

叶绿素含量是影响作物生长及产量的主要因素。该研究以2017年6月小型试验田获取的抽穗期春小麦叶绿素含量及其对应的光谱反射率为数据源,对红边(627~780 nm)、黄边(566~589 nm)、蓝边(436~495 nm)、绿边(495~566 nm)、吸收谷和反射峰的最大反射率及反射率总和等16个高光谱特征参数与叶绿素含量之间的相关性进行了分析,并结合偏最小二乘回归法(partial least-squares regression,PLSR)对叶绿素含量进行高光谱建模及验证。结果表明:1)对特定的16个光谱特征参数而言,光谱特征参数绿边最大反射率与春小麦叶绿素质量分数之间的决定系数最低(R~20.5);决定系数较高(R~2≥0.5)的光谱特征参数包括蓝边最大反射率、蓝边反射率总和、黄边最大反射率、黄边反射率总和、红边最大反射率、红边反射率总和、绿边反射率总和、820~940 nm反射率总和及最大反射率、500~670 nm归一化吸收深度和560~760 nm归一化吸收深度,其中820~940 nm反射率总和决定系数达到最高(R~2为0.8);2)利用16个特征参量进行PLSR建模后,发现波段范围在820~940 nm的最大反射率及反射率总和所建立的PLSR估算模型为最优模型,其精度参数R~2p=0.8、RMSEp=2.0 mg/g、RPD=3.2。因此,该模型具有极好的预测能力。该研究为相关研究及当地精准农业提供科学支持和应用参考。     

基于核偏最小二乘的矿区土壤Cu含量高光谱反演

本文探究应用高光谱遥感手段反演铜锌矿区土壤Cu含量的可行性,以湖南省某矿区土壤为例。在对原始高光谱重采样、一阶微分、对数、连续统预处理后,分别进行与Cu含量的相关性分析,最终选用一阶微分变换光谱数据进行建模。在建模反演时,针对多元线性回归(MFL)和传统偏最小二乘(PLS)在应用过程中没有考虑变量间的非线性关系的缺点,提出了基于核偏最小二乘(KPLS)回归的土壤Cu含量预测模型。研究结果表明,相对于PLS和MFL,KPLS能较好的提升土壤Cu含量估算能力,预测样本的平均相对误差为13.25%,明显高于MFL的32.22%和PLS的14.18%。研究结果也表明了高光谱遥感手段可以反演矿区土壤Cu含量,且核偏最小二乘模型也可为其它土壤重金属的反演提供参考。     

利用高光谱估算博斯腾湖西岸湖滨绿洲土壤有机质含量

以新疆博斯腾湖西岸湖滨绿洲为研究区,利用实测的土壤有机质含量与高光谱数据,通过多元逐步回归与偏最小二乘回归法分别构建反演土壤有机质含量估算模型.结果表明:(1)研究区土壤有机质含量变化范围为5.09～44.00 g·kg-1,均值为16.87 g·kg-1,变异系数为44.69％,呈中等变异;土壤有机质含量与土壤光谱反...     

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。     

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。     

高光谱估算土壤有机质含量的波长变量筛选方法

土壤高光谱数据量大、波段维数高,存在光谱信息无效、冗余和重叠现象,导致基于全波段构建的土壤有机质含量反演模型不稳定、精度难以提升。因此,探寻筛选关键波长变量的方法,通过滤除干扰、冗余、共线信息,提高模型预测性能,是目前土壤高光谱研究的热点之一。该文对江汉平原公安县的土壤样本进行室内理化分析、光谱测量与处理等工作获取了实证数据,采用无信息变量消除法(uninformative variables elimination,UVE)剔除无效变量,利用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)滤除冗余变量,运用连续投影算法(successive projections algorithm,SPA)消除共线变量,并尝试将不同类型的筛选方法进行耦合筛选关键波长变量,应用偏最小二乘回归(partial least squares regression,PLSR)分别建立土壤有机质含量估算模型,对比各种变量筛选方法的优缺点,最终,构建筛选土壤高光谱数据关键变量的方法体系。研究结果表明,除SPA方法的模型精度低于全波段外,其他6种变量筛选方法的建模效果均优于全波段;在3种单个变量筛选方法中,CARS方法优于UVE、SPA变量筛选方法,能有效地筛选出重要波长变量,其预测集相对分析误差RPD值为2.84;综合比较各种变量筛选方法,发现CARS-SPA方法从全波段2 001个波长中筛选出37个特征波长建立的土壤有机质含量的PLSR模型效果最好,其模型预测集的决定系数R2和相对分析误差RPD值分别为0.92、3.60,所选波段仅为全波段的1.85%。CARS-SPA-PLSR模型简单、预测效果好,可作为该区域土壤有机质含量估测的重要方法,对今后土壤近地传感器设备的开发具有一定的指导作用。     

淮北平原土壤高光谱特征及有机质含量预测

以安徽省淮北平原的蒙城县为研究区,采集131个表层土壤(0～20 cm)样品。采用Cary 5000分光光度计测定土壤光谱反射率,分析该地区典型土壤类型的光谱特征,利用偏最小二乘回归方法建立土壤有机质光谱预测模型。首先比较不同光谱变换对土壤有机质含量光谱预测建模的影响;其次根据光谱相似性对土壤样品进行分类,比较不同土壤类型和不同光谱分类的有机质光谱预测精度。结果表明:①不同土壤有机质含量和不同土壤类型光谱曲线在整体波段范围内趋势基本一致;有机质含量与光谱反射率呈显著负相关;有机质含量越低,曲线特征差异明显,可能是受其他因素的影响;②土壤光谱反射率经倒数的对数处理后,有机质光谱建模的决定系数和相对分析误差均有所提高,均方根误差降低,模型预测效果较优;③按照光谱相似性分类后建立的有机质光谱预测模型,比按土壤类型建立的光谱预测模型精度明显提高。     

基于高光谱的三江源区土壤有机质含量反演

土壤有机质(SOM)是指土壤中各种含碳有机化合物的总称,其动态变化不仅影响农业生态系统的稳定,而且与大气圈和生物圈的碳循环密切相关,对土壤有机碳的大规模快速监测和碳储量核算具有重要意义。本研究于2017年、2018年7月在三江源区野外采集了145个土壤样品,检测了土壤光谱信息。然后将原始光谱反射率数据及其不同数据变换形式下的光谱分别与土壤有机质(SOM)含量进行相关分析,并选取了特征波段,此外利用偏最小二乘回归(PLSR)、支持向量机(SVM)和随机森林(RF)模型对三江源区SOM含量进行建模估算。结果表明,不同深度土壤有机质含量差异明显,且呈逐层下降趋势。而三种建模方法的检验精度分别为:RF> SVM> PLSR,其中RF和一阶微分(FD)组合模拟最好(建模集和验证集的R²、RMSE分别为0.9678、8.9132和0.7841、20.9787)。对于三江源土壤有机质含量反演,不同模型的最佳数据变换方法不同。本研究成果能为后续的高光谱遥感反演提供理论支撑,从而实现三江源区土壤有机质含量的快速检测和实时动态监测。     

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。     

基于多元地统计的土壤有机质含量空间格局反演

为了提高土壤有机质含量的空间预测精度,该文采用了一种多元地统计方法来构建遥感定量反演模型。考虑到回归误差在空间上具有一定程度的聚类,该文提出了基于局部变化均值的普通克里金方法,然后用其构建土壤有机质含量遥感定量反演模型。对四川省西南部土壤有机质含量进行空间预测试验,并与普通克里金、普通遥感定量反演、基于回归克里金的遥感定量反演等方法相比较。结果表明:该文提出方法的空间预测结果最优,其原因为该方法通过空间统计来建立采样数据与地表反射率间的联系,充分考虑了数据间的空间相关性,因此可以更精确地获得土壤有机质含量的遥感反演模型;相比基于回归克里金的遥感定量反演方法,基于局部变化均值的普通克里金假设回归误差在局部邻域内的均值也不一定为零,更符合实际情况。该方法为农田养分管理及区域农业的可持续发展提供科学依据。     

滩涂土壤有机质含量的反射光谱估算

Rapid determination of soil organic matter (SOM) using regression models based on soil reflectance spectral data serves an important function in precision agriculture. “deviation of arch”(DOA)-based regression and partial least squares regression (PLSR) are two popular modeling approaches to predict SOM. However, few studies have explored the accuracy of the DOA-based regression and PLSR models. Therefore, the DOA-based regression and PLSR were applied to the visible near-infrared (VNIR) spectra to estimate SOM content in the case of various dataset divisions. A two-fold cross-validation scheme was adopted and repeated 10 000 times for rigorous evaluation of the DOA-based models in comparison with the widely used PLSR model. Soil samples were collected for SOM analysis in the coastal area of northern Jiangsu Province, China. The results indicated that both modelling methods provided reasonable estimates of SOM, with PLSR outperforming DOA-based regression in general. However, the performance of PLSR for the validation dataset decreased more noticeably. Among the four DOA-based models, the linear model of the DOA provided the best estimation of SOM and a cutoff of SOM content (19.76 g kg^-1), and the performance for calibration and validation datasets was consistent. As the SOM content exceeded 19.76 g kg^-1, SOM became more effective in masking the spectral features of other soil properties to a certain extent. This work confirmed that reflectance spectroscopy combined with PLSR could serve as a non-destructive and cost-efficient way for rapid determination of SOM when hyperspectral data were available. The DOA-based model, which requires only 3 bands in the visible spectra, also provided SOM estimation with acceptable accuracy.     

运用PLS算法由HJ-1A/1B遥感影像估测区域小麦实际单产

为进一步提高遥感估产精度,显示国产影像在农业估产中的应用效果。该研究以2010-2013年HJ-1A/1B影像为遥感数据,分析了卫星遥感变量与小麦实际单产的定量关系,运用偏最小二乘回归算法构建及验证了以实际单产为目标的多变量遥感估产模型,并制作了小麦实际单产空间等级分布图。研究表明:实际单产与所选用的大多数遥感变量间关系密切,且多数遥感变量两两间具有严重的多重相关关系;实际单产偏最小二乘回归模型的最佳主成分为5,且植被衰减指数、绿色归一化植被指数、调整土壤亮度的植被指数、比值植被指数和归一化植被指数为实际单产遥感估测的敏感变量;建模集和验证集实际单产估测模型的决定系数分别为0.74和0.70,均方根误差分别为754.05和748.20 kg/hm2,相对误差分别为11.5%和8.88%,且估测精度比线性回归算法分别提高20%以上和40%以上,比主成分分析算法分别提高18%以上和30%以上,说明偏最小二乘回归算法模型估测区域实际单产的效果要明显好于线性回归和主成分分析算法,该模型应用结果与小麦实际单产区域分布情况相符合,为提高区域小麦实际单产的遥感估测精度提供了一种途径。     

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。     

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。