基于FOD和SVMDA-RF的土壤有机质含量高光谱预测

为探讨分数阶微分(FOD)联合支持向量机分类-随机森林模型改善高光谱监测荒漠土壤有机质含量(SOM)的效果,对以色列Sde Boker荒漠地区采集的砂质土(SS)和黏壤土(CLS)样品进行理化分析和室内光谱测定,依据光谱的平均反射率建立支持向量机分类模型(SVMAD),并对不同土质高光谱原始反射率分别经0～2阶(间隔0. 2)的分数阶微分处理,构建归一化光谱指数(NDI),分析NDI和SOM之间的二维相关性,并筛选敏感的NDI指数,以此建立不同FOD的随机森林(RF)模型,并以不同土质中的最佳模型进行组合,构建新的SVMDA-RF模型。结果表明:基于光谱平均反射率的SVMDA对土壤质地的分类正确率可达100%;分数阶微分耦合光谱指数具有放大波长间与SOM有关隐含信息的能力,经FOD提升敏感指数的数量在0. 6阶时达到峰值,但黏壤土的敏感指数数量远大于沙质土;由不同FOD敏感指数建立的RF模型中,砂质土在1. 2阶的模型最佳(R_C~2=0. 962,R_P~2=0. 920,RMSEP为0. 435 g/kg,RPD为3. 658),黏壤土在0. 6阶的模型最佳(R_C~2=0. 942,R_P~2=0. 944,RMSEP为0. 554 g/kg,RPD为4. 316);经最佳模型组合后的SVMDA-RF模型,砂质土和黏壤土的模型精度都有所提高,其中R_C~2=0. 980,R_P~2=0. 979,RMSEP为0. 481 g/kg,RPD为7. 004。研究成果可为快速评估荒漠土壤有机质含量提供依据。     

基于FOD-ML的干旱区土壤有机质含量估算

为探究基于分数阶微分(fractional order derivative, FOD)预处理的光谱反射率与土壤表层有机质含量之间的响应机制,以新疆乌鲁木齐县安宁渠镇土壤冠层光谱为数据源,采用G-L分数阶微分方法对高光谱数据进行0～2.0阶次(间隔0.2)预处理,并利用任意波段组合算法,计算基于分数阶微分预处理光谱的比值光谱指数、归一化光谱指数和差值光谱指数,通过竞争性自适应重加权(CARS)算法筛选土壤有机质含量的敏感波段及光谱指数等,与3种机器学习(machine learning, ML)算法(ANN、KNN和SVM)相结合,构建基于分数阶微分和机器学习方法的土壤有机质含量估算模型,并进行模型验证。结果表明：基于0～2.0阶次的两波段光谱指数与土壤有机质含量之间均呈现极显著相关,基于原数据和0.2阶预处理的NDVI和RVI相关性系数r超过0.80。该研究基于0.2阶NDVI指数的K近邻算法模拟土壤有机质含量能力表现最佳,估算模型精度分别为决定系数(R²)为0.73,均方根误差(RMSE)为2.11 g/kg,相对分析误差(RPD)为2.23。为遥感技术提供理...     

黄绵土风干过程中土壤含水率的光谱预测

以2014年两次在陕西省乾县田间采集的129个黄绵土土壤样本为研究对象,建立土壤含水率定量反演模型。在土壤风干过程中测量光谱反射率及含水率,分析土壤含水率与光谱反射率之间的关系,并利用一元线性及指数回归建立土壤含水率光谱预测模型。结果表明在400~1 340、1 460~1 790、1 960~2 390 nm波长范围内,与含水率相关性最大的反射率对应的波长分别为570、1 460、1 960 nm;吸收深度最大的波长位于490、1 460、1 960 nm。土壤光谱特征指标与含水率之间的线性相关关系优于指数相关关系。以特征波长1 980 nm(C1980)、1 980 nm的吸收深度(D1980)和1 480 nm的吸收深度(D1480)为自变量建立的线性模型为土壤含水率预测的最优模型,校正和验证的决定系数R2大于0.92,相对预测偏差(RPD)大于2.5,均方根误差(RMSE)小于2.5%。研究表明利用自然土样,在风干过程中进行土壤含水率光谱快速预测是完全可行的,从而为遥感实时、快速监测土壤水分含量及大面积土壤水分反演提供了参考。     

北京地区粘壤土全氮含量的光谱预测模型

为实现快速准确地测量土壤的全氮含量,以北京地区粘壤土为样本,对其进行化学测量和光谱分析。利用波长为350~2 500 nm的光谱数据与实际测得的全氮含量进行相关性分析,选取相关性最大的特征波段构建土壤全氮含量的估算模型。将原光谱反射率和吸光度分别进行一阶微分、二阶微分变换,力求建立精准优化的土壤全氮含量预测模型。结果表明:反射率和吸光度与土壤全氮含量的相关性低,无法用于构建土壤全氮含量预测模型。在其他变换形式中,反射率二阶微分和吸光度二阶微分与土壤全氮含量的相关性最显著,相关系数的绝对值最大分别为0.868和0.846。相关性最大的特征波段为425~527 nm、819 nm、1 390~1 391 nm和2 200~2 219 nm。采用一元线性回归和多元逐步回归建立预测模型,最终得到土壤全氮含量最优估算模型以吸光度二阶微分为自变量的多元逐步回归模型,说明光谱结合多元逐步回归法预测土壤全氮含量的方法是可行的。最优模型决定系数R2为0.829,统计量F为86.377,均方根误差RMSE为0.104。该模型可用于预测北京地区粘壤土的土壤全氮含量。     

基于红边优化植被指数的寒地水稻叶片叶绿素含量遥感反演研究

水稻叶片叶绿素含量遥感诊断是实现水稻精准施肥的核心要素。本研究通过分析寒地水稻关键生育期叶片高光谱反射率信息,同时结合PROSPECT模型叶绿素含量吸收系数,参考借鉴现有高光谱植被指数的构造方法和形式,利用相关性分析、连续投影法、遗传算法优化的粗糙集属性简约法进行高光谱特征选择,提出了仅含有695、507和465nm 3个高光谱特征波段的红边优化指数（ORVI）。与Index Data Base数据库中其他用于叶绿素含量反演植被指数,包括ND_528,587、SR_440,690、CARI、MCARI的反演结果进行了对比分析,结果表明：IDB数据库中的已有4种植被指数叶绿素含量反演模型的决定系数R₂分别为0.672、0.630、0.595和0.574;ORVI植被所建立的叶绿素含量反演模型的决定系数R₂为0.726,均方根误差RMSE为2.68,精度高于其他植被指数,说明了ORVI在实际的应用中,能够作为快速反演水稻叶绿素含量的高光谱植被指数。本研究能够为寒地水稻叶绿素含量高光谱遥感诊断及管理决策提供一定的客观数据支撑和模型参考。     

土壤有机质含量高光谱估测模型构建及精度对比

土壤有机质含量对作物的生长发育有着显著影响。为实现对苹果果园土壤有机质含量快速、实时估测,本研究以山东省烟台市栖霞市苹果园为研究区,采集100个土壤样本,利用ASD FieldSpec3便携式地物光谱仪获取其高光谱反射率,利用定量化学方法测定土壤有机质含量。采用移动平均法对高光谱数据进行预处理,分析果园土壤的反射光谱特征,研究光谱反射率与其有机质含量的相关关系,筛选土壤有机质含量的敏感波长并构建光谱指数后,分别建立多元线性回归模型（MLR）、支持向量机（SVM）和随机森林（RF）模型,并对模型精度进行验证比较。结果表明,筛选出的土壤有机质含量的敏感波长为678、709、1931、1939、1996和2201 nm。用筛选出的波长构建光谱参数,最终构建的光谱指数分别为NDSI_{（678,709）}、NDSI_{（678,1931）}、NDSI_{（678,2201）}、NDSI_{（709,1939）}和NDSI_{（1939,2201）}。建立的MLR、SVM和RF回归模型中,以RF模型精度最优,其校正样本集R²为0.8804,RMSE为0.1423,RPD达到2.25;验证模型的R²为0.7466,RMSE为0.1266,RPD为1.79,建立的RF定量模型反演苹果果园土壤有机质含量效果较好。因此,可以利用RF方法快速预测苹果果园土壤有机质含量,了解土壤养分分布状况,指导农民合理施肥,从而提高果园生产管理效率。     

基于高光谱数据的土壤有机质含量反演模型比较

以土壤多样化的陕西省横山县为研究区域,比较了3种基于高光谱数据的土壤有机质含量反演模型,在实验室利用ASD Field Spec FR地物光谱仪对横山县野外采集的土壤样品进行光谱测定,并通过重铬酸钾氧化容量法测定土壤有机质含量。然后对原始光谱反射率的倒数进行微分运算获得其一阶导数光谱,将原始光谱反射率、一阶导数光谱分别与土壤有机质含量进行相关性分析,得到相关性系数r较高的特征波段的一阶导数光谱,直接建立基于一阶导数光谱的多元线性逐步回归分析(MLSR)模型。同时针对这些相关性系数较高的特征波段的一阶导数光谱进行主成分分析(Principal component analysis,PCA),利用主成分分析得到的结果分别建立BP神经网络反演模型(PCA-BP)和多元线性逐步回归分析模型(PCA-MLSR)。用上述3种方法进行土壤有机质含量反演,并对3种反演结果进行精度验证与比较。实验分析结果表明:在3种模型中,基于主成分分析结果构建的PCA-BP模型在土壤有机质含量反演中决定系数(R2)最高,为0.893 0,均方根误差(RMSE)为0.118 5%;其次为运用全部主成分PCA分析结果构建的多元线性逐步回归模型,R2为0.740 7,RMSE为0.161 3%;而采用一阶导数光谱反射率构建的多元线性逐步回归模型中,最佳反演模型R2仅为0.689 9,RMSE为0.171 0%。由此说明,PCA-BP模型有机质含量反演精度明显高于多元线性逐步回归模型,利用全部主成分进行多元逐步回归,其有机质含量反演精度优于仅用累计方差贡献率大于90%的主成分进行多元逐步回归的精度,可以更好地反演土壤有机质的含量。     

基于Sentinel-2影像的黄河南岸典型改良示范区土壤含盐量反演模型

土壤盐渍化严重制约农田土壤环境的循环发展,高效准确地监测土壤盐分动态变化对盐碱地改良利用具有重要意义。为及时、有效地监测盐渍化土壤含盐量,以内蒙古黄河南岸灌区的4个典型盐碱化耕地改良示范区为例,利用Sentinel-2多光谱遥感影像,同步采集示范区内表层土壤的含盐量数据,通过相关性分析筛选敏感光谱指标,基于偏最小二乘回归（PLSR）、逐步回归（SR）、岭回归（RR）3种简单机器学习模型和深度学习Transformer模型建模,最后进行精度评价并优选出最佳含盐量反演模型。结果表明：示范区土壤反射率的可见光、红边、近红外波段反射率均与土壤含盐量呈正相关,短波红外波段反射率与土壤含盐量呈负相关,引入光谱指数能够有效提升Sentinel-2遥感影像与示范区表层土壤含盐量的相关性（相关系数绝对值不小于0.32）;对比不同模型发现深度学习Transformer模型优于简单机器学习模型,验证集决定系数R2和均方根误差（RMSE）分别为0.546和 2.687g/kg;含盐量反演结果与实地结果相吻合,为更精准反演内蒙古黄河南岸灌区盐渍化程度提供了参考。     

不同盐结皮光谱特征及其盐渍化信息预测研究

盐碱地是我国重要的后备耕地资源,为及时、准确获取土壤盐渍化信息,以宁夏银北地区不同盐结皮土壤为研究对象,运用土壤学和地统计学方法,以土壤野外原位光谱数据和室内盐分指标测定数据为基本信息源,系统分析不同盐结皮光谱特征,确定对结皮层pH值、电导率（EC）和盐分离子含量最敏感的土壤光谱反射率转换形式、波段和光谱盐分指数,进而建立并验证基于敏感盐分指数的盐分指标预测模型。结果表明：研究区白碱结皮光谱反射率在450～1050nm波段最高,马尿碱结皮次之,黑油碱结皮最低。通过野外光谱反射率可以将研究区主要盐结皮类型进行分类。反射率平滑后再经过一阶微分、倒数对数一阶微分、连续统去除和连续统去除一阶微分转换后,最大相关系数比只作平滑处理的反射率显著增大。与pH值、EC和CO2-3、Mg2+含量相关性最强的转换方式是连续统去除一阶微分,与SO2-4、Ca2+、K+含量相关性最强的转换方式是倒数对数一阶微分,与HCO-3、Cl-、Na+含量相关性最强的转换方式是一阶微分。整体上连续统去除一阶微分与各盐分指标的相关性最强。整体来看,盐分敏感区域在蓝光450、470、485nm附近,绿光501、575nm附近,红光680nm附近和近红外多个波段。与各盐分指标相关性最强的盐分指数分别为：pH值为盐分指数S1,Cl-、K+含量为盐分指数SI3,SO2-4、Mg2+量为盐分指数S2,EC和HCO-3、Na+含量为盐分指数S3,CO2-3、Ca2+含量为盐结皮指数SCI。除CO2-3含量外,利用敏感盐分指数可以准确预测土壤结皮层pH值、EC和其他盐分离子含量,其中对Na+含量的拟合度最大。该研究可为银北地区不同盐结皮土壤分类及盐渍化信息的准确预测提供科学依据。     

基于SVM的加工番茄早疫病叶氮素含量光谱反演

采用支持向量机(SVM)模型,对新疆加工番茄早疫病病害植株的叶片氮素含量进行光谱反演。分析不同病害严重度的病叶氮素含量的光谱特征,发现在218~357 nm、384~587 nm、1 033~1 141 nm、1 499~2 500 nm,氮素含量与光谱反射率的相关系数的绝对值大于0.7,在227~353 nm的相关系数大于0.8,表明不同病害严重度的病叶氮素含量与光谱反射率呈强相关。利用K层交叉检验(K-CV)方法验证、优选出SR705、ND705、GMI-2、RI-half、PTEBc等5种光谱指数,作为SVM模型的输入变量;同时,分别建立线性核、多项式核、径向基核和Sigmoid核的SVM模型,通过模型拟合比较,得出最佳模型为径向基核的SVM模型。采用径向基核的SVM模型对病叶氮素含量进行光谱反演,结果表明:径向基核的SVM模型氮素含量反演的真实值与预测值的MSE为0.012 4,相关系数R为85.916%,平均相对误差为0.175,结合多光谱指数的SVM模型提高了加工番茄早疫病病害叶片氮素含量的反演精度。     

基于粒子群聚类的牛肉含水率光谱检测技术

采用市场当日上架的生鲜牛肉外侧最长肌制作样本,在波长900~2300 nm内进行光谱检测和分析。利用基于粒子群算法(PSO)的聚类分析方法,对光谱信息进行优化以减少计算量,提高回归模型精度。该算法以经过多元散射校正(MSC)、变量标准化(SNV)等方法预处理后的光谱信息作为目标矩阵,以波长为目标进行聚类,根据聚类结果对不同波段进行重新组合,并建立偏最小二乘回归(PLSR)模型。结果表明,利用PSO聚类分析方法在900~1 400 nm波段内获得的生鲜牛肉含水率预测模型最优,Rc=0.920 5,Rv=0.919 1。该方法能够有效减少光谱的数量,提升回归模型的预测结果。     

生菜叶中磷含量的光谱定量分析

为快速、准确检测生菜叶内的磷含量,提出了应用光谱技术结合化学计量法无损检测生菜叶内磷含量的方法。通过获取不同施磷量下生菜叶片于波长350~2500nm处的反射光谱,对光谱数据进行5点平滑和一阶导数变换后,利用联合区间偏最小二乘算法（siPLS）提取了与生菜叶磷元素相关的4个特征波段,即950~1070nm, 1430~1549nm,1906~2025nm和2144~2263nm。进一步利用连续投影算法（SPA）对全光谱波段和4个特征波段进行特征波长提取,分别筛选出变量63个和25个。分别对4个特征波段、63个和25个特征波长进行主成分降〖JP2〗维,当主成分数分别为7、5和4时,隐含层神经元数分别为7、5和3时,建立了siPLS+BPANN,SPA+BPANN,siPLS+〖JP〗SPA+BPANN生菜叶磷含量检测模型。研究结果表明：siPLS+SPA+BPANN模型的预测结果优于其他模型,验证集相关系数为0.911,验证均方根误差为479mg/kg。     

基于反射光谱的苹果叶片叶绿素和含水率预测模型

为探索苹果叶片叶绿素含量(质量比)、叶片含水率与反射光谱之间的关系,以华北地区苹果树为研究对象,分别测定了各个关键生长期苹果叶片的光谱反射率、叶绿素含量和叶片含水率。分析光谱反射率与叶绿素含量以及叶片含水率之间相关性发现,在不同生长时期,苹果叶片叶绿素a含量与反射光谱在515~590 nm和688~715 nm两组波段内具有较高的相关性,且果实成熟期数据显示相关度最高(R2=0.6)。在420~500 nm、640~680 nm、740~860 nm 3个波段叶片含水率与反射光谱有较高的相关性,且果实膨大期的叶片含水率在可见光波段的相关系数最大。根据所选敏感波段,分别利用多元线性回归、主成分分析和人工神经元网络建立基于反射光谱的苹果叶片不同生长时期叶绿素和含水率的预测模型。通过对所建立的预测模型进行校验,结果显示,利用主成分分析方法所建立的苹果叶片叶绿素含量预测模型的决定系数最高(R2=0.885 2),校验系数为0.828 9。该模型可以较为准确地预测苹果叶片叶绿素含量。而采用神经元网络所建立苹果叶片含水率预测模型的决定系数R2=0.862,校验系数为0.8375,预测效果最好。     

基于特征波长优化的便携式作物叶绿素检测仪研究

为了满足田间作物长势快速检测与指导变量管理的需求,基于作物叶绿素光谱响应特征波长筛选与优化,开发了一款便携式作物叶绿素检测仪。首先,采用高光谱仪采集玉米冠层325～1 075 nm反射光谱,并采样萃取叶片叶绿素含量真值,开展叶绿素敏感响应波长筛选。经蒙特卡洛无信息变量消除(MC-UVE)算法在10～100个特征波长范围内进行变量筛选,表明采用50个特征波长时具有最优的叶绿素含量检测能力。其次,选择AS7265x型光谱传感器,以半峰宽20 nm的12个区间覆盖筛选的50个波长,设计的叶绿素检测仪包括传感器、主控制器、显示和控制等模块,实现作物冠层反射光数据采集、处理、显示和存储功能。开展传感器反射率标定与田间应用测试,基于传感器获取的反射率构建叶绿素含量偏最小二乘检测模型验证集决定系数为0.628;进一步组合归一化红边植被指数(NDRE:730、900 nm)和绿光归一化差值植被指数(GNDVI:535、900 nm),检测模型精度提高到0.69,模型嵌入系统最终实现了田间叶绿素含量快速检测,为作物长势高效分析提供了技术支持。     

基于多光谱遥感的耕地土壤有机质定量反演

以重庆市江津区LandSat 8（L8）多光谱遥感影像和地面样点测土配方数据,开展了研究区L8地表反射率与土壤有机质的相关性分析,然后采用逐步回归分析的方法建立了研究区土壤有机质含量的遥感反演模型,最后利用模型计算了研究区土壤有机质含量分布。结果表明:研究区L8各波段地表反射率与土壤有机质含量均呈负相关,双侧显著性检验均＜0.01,其中,第6波段相关系数达到最大值为-0.840;以第4、5、6和7波段地表反射率建立的土壤有机质含量多元回归反演模型结果较好,模型判定系数R2=0.741;研究区土壤有机质含量遥感反演结果表明,研究区南部和北部边缘的土壤有机质含量较高,沿江浅丘阶地和中部深丘谷地的土壤有机质主要为10～30 g/kg,呈现不规律分布。      

玉米叶片铜铅胁迫高光谱识别研究

为了区分玉米叶片重金属胁迫种类,提出一种基于高光谱的铜铅胁迫识别方法.分别以叶片0.1～2.0阶分数阶导数(FOD)光谱中红边位置与任意两波长处的光谱值构建玉米叶片的红边铜铅敏感指数(RECLSI)集群,计算各集群中指数与胁迫类型的相关系数,以相关系数最大值、最小值对应的RECLSI构建铜铅识别特征(CLIF),在CL...     

基于近红外光谱信息的土壤电导率预测模型研究

利用土壤含水率与近红外光谱土壤反射率和土壤电导率三者之间的关系,以土壤含水率为中间变量,间接表达土壤光谱反射率和土壤电导率之间的关系。土壤含水率与土壤光谱反射率存在指数关系,土壤含水率与土壤电导率存在线性关系,消除中间变量（土壤含水率）,得到土壤光谱反射率和土壤电导率之间的关系。以土壤水分敏感波段1450nm作为研究对象,研究土壤电导率的预测模型,分别建立指数预测模型和对数预测模型,并分别对两种模型进行验证。本文实验建模集样本72个,验证集样本48个,土壤电导率对数预测模型R2达0.80,土壤电导率指数预测模型R2达0.85,预测效果均可满足农田电导率估算,但对数模型在土壤电导率较低区间预测效果不理想,因此土壤电导率指数预测模型预测效果优于对数模型的预测效果。研究结果表明,土壤光谱反射率预测土壤电导率的方案可行,并为光谱信息预测土壤电导率提供了新思路。