基于表层土壤光谱的耕层土壤有机质间接估测

为解决遥感技术在监测耕层土壤有机质方面的应用问题,利用表层土壤光谱对耕层土壤有机质含量进行估测。以山东省济南市章丘区的表层、耕层各76个土壤样本为研究对象,首先对表层光谱数据进行小波变换去噪、剔除异常样本等处理,然后对处理后的光谱反射率进行一阶微分等10种数学变换,在对数倒数一阶微分和对数一阶微分变换后的反射率数据中选取43个与土壤有机质含量相关系数较高的波段,通过主成分分析以累计贡献率大于90%的标准选取5个主成分作为反演因子,利用BP神经网络(BPNN)、支持向量机回归(SVR)和多元线性回归(MLR)方法建立耕层土壤有机质含量间接估测模型。结果表明,耕层土壤与表层土壤有机质含量之间决定系数R~2达到0.839,显著性P0.01,存在着较强的相关性BPN估测模型的精度最优,决定系数R~2为0.845,平均相对误差为7.642%,RMSE分别为1.622g·kg~(-1)。研究表明,利用表层土壤光谱信息间接估测耕层有机质含量是可行有效的,为耕层土壤有机质的估测问题提供了一种新思路。     

烟台地区土壤重金属镍高光谱估测模型

快速监测土壤重金属污染程度,对发展精细农业、保障食品安全和社会经济可持续发展具有重要意义。本文基于山东省烟台市的70个土壤样本数据,首先分析了土壤重金属镍的分组光谱特性;对土壤光谱反射率进行一阶微分、倒数的一阶微分、对数的一阶微分等六种变换并计算出光谱反射率变换值与土壤镍含量的相关系数,根据极大相关性原则选取光谱特征;然后建立基于BP神经网络的土壤重金属镍含量光谱估侧模型;并利用其它2种建模方法对镍含量进行建模,验证BP神经网络模型的有效性。结果表明,土壤光谱反射率随镍含量的升高而降低,呈现负相关性;以(1/R1015)′、(1/R2286)′、(1/ln(R925))′和(1/ln(R1911))′为估测因子,所建镍含量估侧模型的决定系数为R2=0.912,平均相对误差为14.279%。研究表明,利用高光谱技术定量估测土壤镍含量是可行的。     

基于高光谱的山区耕地土壤有机质含量估测

以贵州省典型山区耕地土壤高光谱数据为研究对象,基于光谱变换法和机器学习原理构建贵州省山区耕地土壤有机质(SOM)含量估算模型。于2020年8月至2021年3月在贵州省13个县(区、市)采集了120个土壤样品,检测土壤可见光-近红外波段光谱信息,利用5种光谱数据变换(原始光谱、一阶微分、二阶微分、倒数对数的一阶微分、连续统去除)和4类模型(偏最小二乘回归、支持向量机、随机森林和BP神经网络)组合出不同土壤有机质含量的预测模型,按照3∶1选择训练样本和测试样本以估算山区SOM含量。结果表明,一阶微分数据变换与山区SOM含量的相关性较高,相关系数最高达到-0.635;反演模型中,基于一阶微分光谱变换构建的BP神经网络模型精度最高,训练集、测试集的决定系数(R²)分别为0.845、0.838,测试集均方根误差(RMSE)为3.452,相对分析误差(RPD)达到2.470,其次是RF、PLSR模型的RPD较高,SVM模型的RPD最低。光谱数据变换中一阶微分法能极大程度提取出山区耕地的SOM含量信息,BP神经网络模型是估算山区SOM含量的最优模型,本研究结果可为贵州省山区耕地...     

基于高光谱数据的北疆绿洲农田灰漠土有机质反演

为了探寻快速、准确估测土壤有机质含量的方法以推动精准农业化进程,以北疆绿洲农田灰漠土为研究对象,通过野外实地调查收集土壤样品,室内化学分析测得土壤样品有机质含量,暗室内利用SVC HR-768高光谱仪测定土壤样品光谱反射率。通过对土壤光谱反射率进行倒数、对数、一阶微分、倒数的一阶微分、对数的一阶微分变换,运用单相关分析法提取土壤光谱特征波段,采用多元逐步方法对土壤有机质含量定量反演,分析研究土壤有机质含量和室内土壤光谱的特征关系。结果表明,在波长567、1 697 nm和2 221 nm处,采用反射率对数的一阶微分建立的土壤有机质含量反演模型预测精度最高,模型决定系数达到0.82。北疆绿洲农田灰漠土土壤有机质含量高光谱反演模型的建立为土壤有机质的快速测定提供了新的途径。     

西双版纳普洱茶叶片生化参数高光谱估测模型研究

以西双版纳普洱茶为研究对象,利用ASD Field Spec 3地物光谱仪采集叶片高光谱数据,采用导数光谱分析技术对光谱数据进行处理,在实验室测定相应的茶氨酸和氮素含量,分析普洱茶叶片生化参数与原始光谱、光谱一阶微分、光谱对数一阶微分以及高光谱特征变量间的相关性,并利用遗传算法优化的BP神经网络建立了茶氨酸含量和氮素含量的高光谱估测模型。结果表明:普洱茶叶片生化参数含量与高光谱原始反射率间相关性弱,但与光谱一阶微分、光谱对数一阶微分和高光谱特征变量在可见光、近红外波段范围内相关性较强;遗传算法优化下的BP神经网络模型对普洱茶叶片生化参数的估测精度优于普通BP神经网络模型,茶氨酸含量估测精度RMSE为0.21 mg/g,R~2为0.73,氮素含量估测精度RMSE为0.36 g/kg,R~2等于0.88。     

基于一阶微分变换方法的南方丘陵稻田土壤电阻率高光谱特性研究

通过对土壤电导率和光谱测定,分析了南方丘陵稻田土壤电阻率特征、原始光谱数据及重采样光谱数据特征。在光谱重采样基础上进一步构建光谱包络线去除变换、光谱反射率倒数(1/R)、对数[ln(1/R)]、平方根(R0.5)、一阶微分等单一或复合变换模型。通过横向、纵向综合比较分析不同模型的反射率与电阻率相关性分析的曲线差异,着重探讨了基于一阶微分的数据变换模型间土壤电阻率与光谱反射率间相关性强弱,结果表明:(1)基于一阶微分变换的模型可以对重叠混合光谱进行分解以便识别,扩大样品之间的光谱特征差异,发掘敏感波段的光谱吸收、反射特征;(2)综合反射率的平方根的一阶微分变换、反射率的倒数的对数及反射率对数的一阶微分等模型得出,在波段为382 nm处,土壤电阻率与光谱反射率间相关系数最高达0.788,在波段为555~560 nm,多个微分变换模型相关性系数在0.7以上,可为后续反演因子的确定及土壤电阻率高光谱估测回归模型的建立提供参考。     

博斯腾湖西岸湖滨带土壤盐分高光谱反演

选取博斯腾湖西岸湖滨带为研究区,沿垂直湖岸线方向采集14个土壤剖面70个样本,利用ASD FieldSpec3地物光谱仪获取高光谱数据,基于Q型聚类分析研究不同含盐量土壤光谱特征,对土壤光谱反射率与含盐量做逐波段相关分析和显著性检验,筛选不同光谱变换下的敏感波段,通过多元逐步回归和偏最小二乘回归方法,分别以敏感波段和全波段光谱构建12个土壤含盐量反演模型,优选最佳反演模型。结果表明:17种高光谱变换中, 4种最优光谱变换使土壤含盐量与Savitzky-Golay平滑后的反射率极显著相关波段数明显增多,分别是反射率的一阶微分、平方根一阶微分、对数倒数一阶微分、倒数对数一阶微分,综合确定盐分敏感波段聚集在749、1 024、1 083、1 230、1 677和2 387 nm处;以对数倒数一阶微分光谱全波段建立的偏最小二乘回归模型更适合该区0～50 cm土壤含盐量的高光谱反演,其建模和验证决定系数R~2分别为0.93和0.85,均方根误差RMSE分别为0.37和0.42,相对预测偏差RPD为3.57。     

基于高光谱的阿克苏市枣叶面积指数估算模型

[目的]通过将原始光谱数据经过不同的数据变换方式,分析其与枣冠层LAI的相关关系,建立基于高光谱的阿克苏市枣冠层LAI的估测模型,为快速、精确、无损伤、大范围的适时、动态监测植被LAI提供有效途径.[方法]基于原始光谱数据的不同数据变换方式,采用相关性分析和逐步回归分析方法.[结果]不同数据变换后的冠层光谱反射率与枣LAI具有较好的相关性,微分变换后的相关性较原始相关性有所提升.所建模型经过精度评价发现,原始光谱数据经倒数一阶微分变换后估测模型拟合度和预测精度都最高,一阶微分、对数一阶微分、归一化一阶微分次之.[结论]不同数据变换方式后的光谱数据与塔里木盆地枣LAI有显著的相关性,可以用微分、对数微分、归一化微分、倒数微分变换后的数据建立较理想的塔里木盆地枣LAI的估测模型.     

基于SVR 和PLSR 的土壤有机质高光谱估测模型研究

【目的】探讨高光谱遥感数据不同预处理及不同估测算法下土壤有机质估测模型的优劣,为提高土壤有机质估测精度奠定基础。【方法】使用高光谱仪在室内条件下对土壤样品进行光谱测量,对光谱数据进行4种去噪处理(无去噪处理、Savitzky-Golay(S-G)平滑滤波去噪、小波包去噪以及S-G平滑与小波包结合去噪),然后对去噪后的光谱数据进行8种数据变换(原始光谱数据R、倒数1/R、对数log(R)、倒数对数log(1/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))′),接着对变化后的光谱数据进行3种降维处理(无降维处理、敏感波段降维和主成分分析降维),最后运用支持向量回归法和偏最小二乘回归法分别建立SOM含量估测模型。【结果】研究中所涉及的各种数据预处理和估测算法中,小波包去噪、PCA降维、反射率倒数一阶导数(1/R)′光谱数据变换处理条件下,使用PLSR方法的估测模型精度最高、模型最稳定,可以较精确地估测吉林省伊通县SOM含量。【结论】合适的数据预处理,尤其是小波包去噪和PCA降维相结合,可有效改善光谱数据质量,提高SOM含量估测模型精度及稳定性。     

基于高光谱的南疆盆地苹果光合有效辐射估算模型

【目的】通过将原始光谱数据经过不同的数据变换方式,分析其与苹果冠层PAR的相关关系,建立基于高光谱的南疆盆地苹果冠层PAR的估测模型,旨在为快速、精确、无损伤、大范围的适时、动态监测植被PAR提供有效途径。【方法】基于原始光谱数据的不同数据变换方式,采用相关性分析和逐步回归分析方法。【结果】不同数据变换后的冠层光谱反射率与苹果冠层PAR具有较好的相关性,微分变换后的相关性较原始相关性有所提升。所建模型经过精度评价发现,原始光谱数据经倒数一阶微分变换后估测模型拟合度最高,一阶微分、对数一阶微分次之。【结论】不同数据变换方式后的光谱数据与塔里木盆地苹果冠层PAR有一定的相关性,可以用微分、对数微分、倒数微分变换后的数据建立较理想的塔里木盆地苹果冠层PAR的估测模型。     

华南地区土壤有机质含量高光谱反演

为实现对土壤有机质含量的快速监测,在对土壤有机质含量作倒数变换的同时将土壤高光谱数据进行多种数据变换处理,筛选出与土壤有机质含量倒数变换后相关性最高的光谱指标,最后构建了土壤有机质含量高光谱反演的最佳模型,实现对土壤有机质含量的反演。结果表明:估算土壤有机质含量的最佳光谱指标为反射率一阶微分波段组合R_((587,126)*R_((734,049))*R_((1 095,892)),相关系数为0.769;在此基础上构建的土壤有机质含量高光谱反演模型最佳(Y=5×10~(16)x~3-5×10~(10)x~2+59 471.000 0x+0.101 1),其决定系数R~2为0.65,均方根误差(RMSE)为0.040 mg/kg。将其验证样本预测值与实测值进行比较,平均相对误差为27.00%,RMSE为4.19 mg/kg。该验证结果证明利用该模型进行华南地区土壤有机质含量的快速监测是可行的。     

基于不同光谱变换的剑湖茭草鲜生物量估测研究

通过实地采集剑湖湿地茭草反射光谱和现场测量鲜生物量,基于24种光谱变换对茭草反射光谱特征进行分析,选取16种光谱变换筛选全波段(350～2 350 nm)中对茭草鲜生物量敏感的特征波段,构建其鲜生物量估测模型。结果表明:不同形式的光谱变换更容易分析光谱特征,对数倒数和倒数的变换增强了可见光波段的特征。对数倒数一阶微分变换增强了近红外波段的特征,倒数二阶微分和对数倒数二阶微分增强了短波红外的特征,4～5尺度的连续小波变换适合分析原始光谱特征。连续小波变换后最大相关系数为0.734;其次为二阶微分变换,最大相关系数为-0.730。基于立方根二阶微分变换构建的多元回归模型对茭草鲜生物量估测效果最佳,R2、RMSE、P和RPD分别为0.88、1 044.90 g/m2、83.95%、2.64。     

哈尔滨市土壤有机质高光谱模型

通过对哈尔滨市土壤样品实测和室内高光谱测定,以土壤光谱反射率(反射率倒数、反射率对数、反射率一阶微分等)的数学变换数据作为自变量,土壤有机质质量分数的对数作为因变量,利用Matlab7.1软件,多元统计分析方法,建立了哈尔滨市土壤有机质质量分数高光谱多元逐步回归分析模型,实现了对哈尔滨地区土壤有机质的快速预测。     

华南地区土壤全钾含量高光谱反演模型研究

【目的】为更快速准确地估算土壤全钾含量。【方法】本文以土壤高光谱数据和实验室分析所得的土壤全钾含量数据为数据源,研究土壤光谱与土壤全钾含量的关系。在土壤原始光谱预处理的基础上,对其进行光谱平滑、一阶微分、二阶微分和倒数对数等光谱变换处理,筛选出与对土壤全钾含量相关性最高的光谱指标,最终建立模型预测土壤全钾含量。【结果】基于一阶微分变换的光谱变量是估算土壤全钾含量的最佳光谱指标,其构建的土壤全钾高光谱反演模型(y=2E+06x~2+11328x+16.372)效果最佳,决定系数R~2为0.64,均方根误差RMSE为4.850 g/kg。【结论】利用该模型快速估算广东省土壤全钾含量是可行的。     

基于偏最小二乘与随机森林的土壤盐含量反演研究

针对土默川平原地区的土壤盐分含量提出了偏最小二乘与随机森林相结合(RF-PLSR、PLSR-RF)对土壤盐分含量进行预测的回归反演模型.该研究共采集45份土壤样本,随机选取35份为建模集,10份为验证集.试验首先对采集到的高光谱土壤图像进行分割处理提取出土壤在400～1000 nm的原始反射光谱,其次对原始反射光谱进行4种光谱变换(一阶微分、多元散射校正的一阶微分、SG平滑去噪的一阶微分、对数的一阶微分),并与土壤的实测盐分量进行相关性分析(CA),利用相关系数选取敏感波段,最后建立偏最小二乘与随机森林结合的回归反演模型.结果表明,与偏最小二乘回归、随机森林回归单独建模相比,2种模型结合后的预测精度有明显的改善.光谱经过对数的一阶微分变换建立的PLSR-RF反演模型更为明显,其建模集决定系数Rc 2为0.852,均方根误差RMSEc为0.102 g/kg,相对分析误差RPDc为2.600,验证集决定系数Rv 2为0.941,均方根误差RMSEv为0.049 g/kg,相对分析误差RPDv为4.117.     

基于机载高光谱影像的南方水稻土有机质含量估算

水稻土中有机质光谱常常受到水分、秸秆等土壤背景的影响,为了减弱或去除非有机质组分对有机质光谱的影响,构建南方水稻土有机质估算模型。利用机载高光谱（GaiaSky Mini2 VN）作为数据源,对原始反射率进行单一和组合变换（去除包络线、倒数、对数、一阶微分、二阶微分单一变换和倒数一阶微分、对数一阶微分、倒数对数组合变换）提取一维特征光谱;通过对变化后光谱进行比值和归一化处理,提取二维特征光谱;构建基于特征光谱的线性（多元回归、偏最小二乘）和非线性（反向传播神经网络、支持向量机）有机质预测模型,监测南方水稻土有机质含量。结果表明：一维光谱变换能显著增强光谱对有机质响应的敏感度,二维光谱变换能充分挖掘光谱信息,增强有机质与光谱之间的内在联系,提高建模精度。非线性模型（BPNN、SVM）尤其是BPNN对土壤有机质拟合性好,建模精度高。基于原始反射率比值指数建立的BPNN模型建模精度达到0952,检验精度达到0889,建模效果最优。该结果适用于南方水稻土有机质监测,对机载高光谱在土壤有机质监测中的特征波段提取和建模方法选择具有重要借鉴意义,对现代农业发展管理提供新的思路。     

丘陵区耕地土壤有机质含量高光谱估测研究

本文以钢城区2个丘陵村耕地土壤为研究对象,通过野外采样、自然风干、化验分析、高光谱测定及数据处理等,确定最佳高光谱变换方式并筛选显著性波段,建立随机森林(RF)、支持向量机(SVM)、偏最小二乘回归(PLSR)和多元逐步回归(SMLR)4种估测模型,对比分析确定最佳估测模型。结果表明:高光谱变换处理可以扩大光谱曲线特征,提高与机质含量的相关性;一阶微分R’为最佳高光谱变换方式,筛选出706、1002、1359、1415、1886、1914和2221 nm 7个波段作为估测土壤有机质含量的显著性波段;建立的4种估测模型中,RF模型精度最高,其训练样本集R~2和RPD分别达到0.93、3.13,验证样本集R~2和RPD为0.73、1.87。因此,研究构建的R’-RF土壤有机质含量高光谱估测模型可为该丘陵区有机质含量的快速监测提供参考。     

不同类型土壤的光谱特征及其有机质含量预测

 【目的】构建适合土壤有机质含量估测的高光谱参数及定量反演模型。【方法】系统分析中国中、东部地区5种不同类型土壤风干样本有机质含量与350～2 500 nm波段范围高光谱反射率之间的关系,利用特征光谱参数和BP神经网络建立土壤有机质的定量估测模型。【结果】光谱一阶导数构成的两波段光谱参数与土壤有机质含量的相关性明显优于原始光谱,尤其采用Norris平滑滤波后导数光谱效果更好。光谱参数构成形式以差值指数最好,其次为比值和归一化指数。与土壤有机质含量相关程度最高的光谱参数是由可见光区554 nm和近红外区1 398 nm两个波段的一阶导数组合而成的差值指数DI(D554,D1398),两者呈显著指数曲线关系,拟合方程为y= 184.2 ×exp[-1297×DI(D554,D1398)],决定系数为0.90。经不同类型土壤的观测资料检验,模型预测决定系数为0.84,均方根误差RMSE为3.64,相对分析误差RPD为2.98,显示估测模型具有较好的预测精度。另外,利用BP神经网络结合偏最小二乘法(PLS)对导数光谱进行分析,提取贡献率达到99.56 %的前6个主成分建立了三层BP 神经网络模型,模型决定系数为0.98,经不同类型土壤的观测资料检验,模型预测决定系数为0.96,RMSE为2.24,相对偏差RPD为4.83。比较利用DI(D554,D1398)和BP网络进行土壤有机质含量的预测结果,前者精度低于后者,但可以满足土壤有机质监测的需要。【结论】利用差值光谱指数DI(D554,D1398)和BP神经网络模型均可实现对土壤有机质的精确估测。     

玉米叶片叶绿素含量的高光谱反演模型探究

叶绿素含量是绿色植物生长状态的一个重要指标。首先在实验室采集玉米叶片高光谱数据和测定叶绿素含量,并对光谱数据进行对数一阶微分变换,对比选取建模反演因子。根据选定的反演因子采用线性回归、模糊识别和BP神经网络方法建立了玉米叶片叶绿素含量高光谱反演模型,并计算出模型的精度。结果表明,有较好非线性映射能力的BP神经网络反演模型能够高精度地反演出玉米叶片中的叶绿素含量。BP神经网络模型叶绿素含量预测和实测叶绿素含量的平均绝对误差(e)为1.126,决定系数(R2)为0.902,均方根误差(RMSE)为1.375。玉米叶片叶绿素含量与高光谱数据并非线性关系,BP神经网络反演模型能够较好地运用到叶片叶绿素含量反演中。     

基于高光谱的春小麦抽穗期叶绿素含量估算方法

对高光谱数据进行预处理是提升高光谱建模精度十分必要且有效的途径。利用高光谱技术分析春小麦作物光谱及其叶绿素含量的变化,对原始光谱反射率及对应的对数、倒数、平方根、对数倒数等4种数学变换及其一阶、二阶微分进行预处理运算,分析春小麦叶片叶绿素含量与预处理后的光谱数据相关性,基于选取的敏感波段对春小麦抽穗期叶绿素含量进行偏最小二乘回归法、BP神经网络2种方法建模并进行模型验证及比较。结果表明:对原始光谱数据数学变换的微分预处理可以明显提高春小麦叶片叶绿素含量与光谱反射率的相关性;通过显著性检验的敏感波段数量经一阶、二阶微分预处理呈现明显增加趋势,对应数学变换的波段数量有所不同;对数变换的二阶微分处理所建立的PLSR模型为最优模型,该模型精度参数为决定系数R■=0.93,校正均方根误差RMSE_c=2.53,预测决定系数R~2_p=0.91,预测均方根误差RMSE_p=2.41,相对分析误差RPD=3.20。说明数学变换的微分预处理过后的模型精度和稳健性有了大幅度的提升,并且运用在高光谱遥感反演春小麦抽穗期叶片叶绿素含量上是可行的。