基于机器学习的粳稻叶片叶绿素含量高光谱反演建模

叶绿素含量是表征粳稻生长状态的重要指标,高光谱遥感技术能够无损、快速的获取粳稻叶片叶绿素含量。本研究利用2015—2017年沈阳农业大学辽中水稻实验站粳稻叶片高光谱数据,并利用主成分分析法(PCA)、典型相关分析法(CCA)、核典型关联分析法(KCCA)3种方法对粳稻叶片高光谱信息降维,选出较优光谱参数作为叶绿素含量反演模型的输入变量。采用支持向量机回归(SVR)、神经网络(NN)、随机森林(RF)、偏最小二乘法(PLSR)四种机器学习算法建立粳稻叶片叶绿素含量反演模型。结果表明,KCCA降维方法对粳稻叶片高光谱降维效果要优于PCA和CCA两种方法。采用KCCA-SVR方法建立的粳稻叶片叶绿素含量反演模型的模型决定系数R²=0.801,RMSE=1.610,建立的粳稻叶绿素含量反演模型精度最高。该模型良好的预测能力为粳稻叶片叶绿素含量反演研究和养分诊断提供了数据支撑和模型参考。     

土壤理化性状的高光谱定量反演研究进展

传统的土壤理化性状分析方法是基于化学的分析方法,这种方法在研究大尺度空间土壤特性时要消耗大量的时间、人力、物力,具有较大的局限性.较传统的土壤分析方法而言,基于高光谱定量反演土壤性状的方法具有省时、大尺度、低成本高效率等特点,因此引起广泛地关注,在土壤快速监测、土壤质量评价及精细农业管理等方面具有广阔的应用前景.分析了近年来国内外高光谱反演土壤参数的研究情况,结果表明,当前高光谱定量反演土壤理化性状取得较大的进展,同时指出其不足并提出了进一步的研究方向.     

南方丘陵稻田土壤全钾和速效钾高光谱特征与反演模型研究

以兴国县稻田土高光谱反射率为研究对象,对比分析了同一种光谱反射率变换形式下土壤全钾、速效钾与高光谱反射率的相关性,提取了全钾和速效钾的高光谱敏感波段,建立了基于反射光谱特征的南方丘陵稻田土全钾、速效钾高光谱反演模型.经分析可知,在355～620 nm波段,土壤全钾、速效钾含量与光谱反射率相关性同增同减,而在621～2 250 nm波段内,土壤全钾含量与光谱反射率相关性要大于土壤速效钾;通过分析兴国县稻田土全钾、速效钾含量与光谱反射率18种数学变换的相关系数,提取全钾的敏感波段为602、804 nm,速效钾的敏感波段为602、1 058、1 638、2 214 nm;采用偏最小二乘回归,利用高光谱指数构建的反演模型能较好地预测全钾、速效钾含量,模型建模的相关系数和验证系数都较高,基于速效钾含量建立的南方丘陵稻田土高光谱反演模型预测能力较好.     

高光谱遥感技术在土壤研究应用中的进展

土壤反射光谱的特性和土壤物理性质之间的关系,为遥感技术在土壤中应用奠定了坚实的物理基础。此外,高光谱遥感技术的迅猛发展为快速、高效提取土壤信息提供了科学的技术手段。针对高光谱在土壤中的应用情况,首先对高光谱遥感的发展历程、特点以及优势进行总结阐述,然后分别总结高光谱遥感在土壤有机质、含水量、重金属及土壤质地等方面中的应用现状,并对其研究方法进行总结分析,最后探讨高光谱遥感技术在土壤研究应用中在研究方法和时间、空间尺度上的不足以及今后高光谱遥感在土壤研究中的发展方向。     

广西喀斯特地区土壤Ca含量高光谱反演研究

【目的】土壤是植物生长所需的必要因子,岩溶区高浓度的土壤Ca含量则影响着当地植物的生长发育。研究基于高光谱反演技术为岩溶区土壤Ca含量的快速测量提供参考。【方法】利用广西典型喀斯特区土壤为研究对象,开展土壤反射率光谱与室内理化分析同步测量。在土壤原始光谱反射率的基础上,进一步对土壤光谱进行一阶导数和包络线去除处理,并利用光谱指数法和主成分回归分析法进行土壤Ca的反演研究。【结果】岩溶区土壤钙含量与土壤光谱之间具有非常高的相关性,在600 nm和2 300 nm附近出现较高的峰值,且经过一阶导数和包络线去除处理后的土壤光谱反演效果要明显优于原始光谱。其中,一阶导数处理的指数模型RSI(607 nm,2 370 nm)的R2达到0.67,均方根误差为26.34,反演效果最好;包络线去除处理的NDSI(599 nm,601 nm)的R2为0.57,均方根误差为18.24;原始光谱的NDSI(603 nm,604 nm)的R2为0.57,均方根误差为27.94。主成分回归分析的R2为0.57,均方根误差11.92,也具备较好的反演能力。【结论】指数反演中RSI指数具有波段指示意义明确,反演精度高等优点,而主成分回归分析的精度高,分析快,但无法筛选敏感波段。该研究结果证明了高光谱手段反演岩溶区土壤Ca含量的可行性,并为快速获取岩溶区土壤Ca含量的相关研究提供了指导意义。     

土壤有机质高光谱特征及其反演研究

具有精细的光谱分辨率,可获取地物纳米级连续光谱信息的高光谱技术以其简便、快速、精度高和无损等优势成为获取土壤有机质(soil organic matter,SOM)含量的重要手段,在精确农业发展中发挥着重要作用。本文阐述了高光谱反演土壤有机质的机理,概述了土壤有机质含量的光谱反射特征,包括不同土壤类型、不同土壤有机质含量的光谱响应波段,以及土壤有机质含量的光谱反演方法和模型的研究进展。进一步分析了土壤有机质光谱特征研究中存在的问题并对发展趋势进行了展望和分析,以期为以后的研究提供一定的参考。     

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。     

砂姜黑土土壤有机碳高光谱特征与定量估算模型的研究

有机碳作为衡量土壤肥力的重要指标,其定量化快速监测成为精确农业研究的热点。以安徽淮北平原区宿州市采集的砂姜黑土为研究对象,进行室内理化分析、预处理与室外光谱测量等一系列工作,在土壤原始光谱反射率的基础上,采用去包络线和波段深度提取突出吸收特征,剖析土壤光谱响应特征。基于原始光谱和8种变换形式,分析不同变换光谱形式与有机碳含量的相关性,结合有机碳光谱响应特征分析和光谱特征参量挑选,确定诊断土壤有机碳含量的最佳敏感波段,利用逐步回归方法建立了土壤有机碳高光谱的预测模型。结果表明,550~750nm波段范围是典型砂姜黑土有机碳的主要光谱响应区域。去包络线和波段深度处理突出了土壤有机碳光谱吸收特征,随着有机碳含量的降低,吸收值呈现下降趋势。在不同光谱转换形式中,归一化比值指数(R/R_(M(450-750)))的转换形式与土壤有机碳相关性最强,最敏感波段分别出现在451 nm和644 nm处,相关系数分别达0.80和–0.90。相关性最好的波段范围主要集中在600~700 nm波段附近。基于相关分析与逐步回归分析方法,确定了606、637和644 nm波段处的归一化比值指数为诊断土壤有机碳含量的最佳敏感波段,基于最佳敏感波段的归一化比值指数(R_(606)/R_(M(450-750)),R_(637)/R_(M(450-750))和R_(644)/R_(M(450-750)))建立的高光谱预测土壤有机碳模型具有良好的预测效果,模型的决定系数(R~2)为0.81,均方根误差(RMSE)为0.14,展现了较好的稳定性和预测精度。     

高光谱遥感在土壤研究中的应用

在分析高光谱遥感发展历史、技术特点的基础上,总结了高光谱遥感技术在土壤研究中的主要应用领域,并列举了国内外代表性研究情况。同时,结合现有研究热点,对未来高光谱遥感在土壤研究中的应用进行了分析和展望。     

土壤无机碳研究进展

土壤碳库是陆地生态系统最大的碳库,在调节全球气候变化以及生态系统碳循环方面起重要的作用。土壤无机碳(Soil Inorganic Carbon,SIC)是土壤中的第二大碳库,仅次于土壤有机碳(Soil Organic Carbon,SOC),主要存在于干旱、半干旱地区。从土壤无机碳分布和影响因素、土壤固碳机理以及碳稳定同位素技术的应用等方面进行阐述,旨在强调土壤无机碳在全球气候变化和碳循环中的作用及地位。加强土壤无机碳在陆地生态系统中作用的研究,深入探究土壤无机碳循环过程,为正确判定陆地生态系统碳源汇功能提供参考。     

土壤无机碳研究进展

土壤无机碳在全球碳循环中占重要位置。相较于土壤有机碳广泛而深入的研究,无机碳的研究才开始不久。研究主要集中在全球土壤无机碳储量及分布,转移过程及影响因素,无机碳固存及土壤碳酸盐研究等方面,还未形成系统性。     

土壤有机碳和无机碳耦合关系研究进展

干旱、半干旱地区土壤碳库由土壤有机碳(SOC)和无机碳(SIC)组成。由于土壤有机碳和无机碳之间存在耦合关系,有机碳含量变化可能会导致无机碳含量变化,反之亦然。过去农田土地管理和退耕还林等措施增加碳库侧重土壤有机碳,但是由于土壤有机碳和无机碳耦合关系机理尚不清楚,土壤有机碳增加可能对土壤无机碳造成的影响了解不足,不利于精确估算土壤碳汇变化情况。总结土壤有机碳和无机碳耦合关系情况,并从土壤有机碳向无机碳转移、土壤无机碳对土壤有机碳的保护作用等方面探究土壤有机碳和无机碳耦合机理,并提出未来研究需要加强的几个方面。     

土壤有机质高光谱估算模型研究进展

土壤有机质高光谱估算较传统土壤农化分析方法表现出极大优势,顺应了现代农业发展的迫切需要。国内外众多学者先后对土壤有机质高光谱估算模型进行了大量研究,估算模型由简单的一元线性模型逐渐发展为多元线性及非线性模型,常用的建模方法分为线性方法和非线性方法,重点分析了各种方法的适用性。通过总结分析前人研究,发现土壤有机质高光谱估算模型研究存在以下发展趋势:多种建模方法耦合使用增多;建模方法的复杂度逐渐增强;尝试消减外部环境因素对建模的影响;尝试将室内土壤有机质估算模型应用于野外实地研究。     

桂北桉树人工林红壤速效钾含量高光谱反演模型研究

以桂北桉树人工林红壤为研究对象,测定了不同土壤速效钾含量样品的光谱数据,分析其光谱特征,采用PLS法建立反演模型.结果表明:该区域红壤速效钾含量的光谱敏感波段集中于400～600、1450、2200 nm等区域.经过一阶导数变换后,能显著减少原始光谱数据中的冗余信息,提高光谱指标与土壤速效钾含量之间的相关性.R、FDR 2种光谱指标的全波段建模结果均优于显著性波段的建模结果,最优模型为全波段-FDR-PLS,模型R2=0.862,RMSE=2.718.该研究结果可为广西土壤数字制图、精准变量施肥以及土壤速效钾实时监测等近地遥感推广应用服务.     

西北干旱区森林和草原SOC向SIC转移的研究进展

干旱区的土壤碳是全球碳库的重要组成部分。西北干旱区土壤无机碳比重较大,且通过"SOC-CO2-SIC"的微碳循环系统存在着土壤有机碳(SOC)向土壤无机碳(SIC)的转移,研究该迁移转化过程、估算其转移量,可揭露"遗漏"的一部分碳汇。表述了该地区SOC向SIC转移的机理,介绍了几种常用计算碳转移量的方法,并对其进行对比分析;重点阐述了应用碳稳定同位素技术的生物地球化学方法在碳转移量计算中的应用。但目前国内外对该方面的研究仍较少见,且计算碳转移量的过程以及对土壤CO2区分等还存在着许多不确定性,测定结果只为估算值。在以后的研究中,应加强SOC向SIC转移的影响因子研究,降低试验误差。     

基于航空高光谱反演的黑土地质量综合评价研究

土地质量评价能够为黑土地资源的保护和可持续开发利用提供重要参考依据。航空高光谱技术凭借光谱分辨率高、数据覆盖面广、时效性强等优势，在黑土地质量指标调查中已初步显示出应用价值，为了进一步发挥高光谱技术在黑土地质量评价中的作用，提出一种基于航空高光谱的黑土地质量综合评价方法。以黑龙江省海伦地区为例，在裸土期和农作物生长期分别获取CASI/SASI航空高光谱数据，地面同步开展样品采集，通过实验室分析获取养分指标、环境指标和农作物长势指标三大类共15项指标数据。利用偏最小二乘法反演各项评价指标的含量，利用层次分析法建立综合评价模型，并以实际地块为评价单元获得研究区黑土地质量综合评价结果。反演结果表明，有机质的建模精度最高，R2达到0.813，养分和农作物指标的建模精度均超过了0.7，重金属元素的建模精度均超过了0.6，总体上获得了较好的反演效果。评价结果显示研究区地块等级均在二等及以上，其中一等（优质）地块面积占全区的38.38%，二等（良好）地块面积占全区的61.62%，整体土壤质量较高。评价结果与地面验证结果一致率达到97.60%，表明了评价结果的可靠性。研究成果能够为田块尺度的黑土地质量快速评价提供技术支撑。     

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。     

基于连续小波变换的土壤有机质含量高光谱反演

以托克托县境内120个土壤有机质含量以及对应光谱数据为数据源,探究了不同土壤类型与土地利用类型下土壤有机质高光谱反演研究的可行性,采用连续小波变换对原始光谱（R）、光谱倒数（1/R）、光谱对数（LnR）、光谱一阶微分（R′）进行分解生成小波系数并与土壤有机质进行相关系分析,提取特征波段建立BP神经网络与支持向量机模型（SVM）。结果表明：①R、1/R、LnR、R′与土壤有机质相关系数经过连续小波变换后,较之前增加了0.204、0.090、0.199、0.252,表明连续小波变换可深度挖掘光谱潜在信息,提升与有机质含量之间的相关系数。②未经过连续小波处理前,SVM无法实现对当地土壤有机质含量的预测,经过处理后,模型SVM-CWT-R与SVM-CWT-R′的精度决定系数分别达到了050、0.56,均方根误差为0.17、0.15,相对分析误差为1.62、1.53,实现了对土壤有机质的有效估算。③经过连续小波变换后BP神经网络预测模型结果得到提升,其中BP-CWT-LnR预测模型效果最佳,精度决定系数达到0.76,较之前BP-LnR提升了0.2;均方根误差达到015,降低0.04;相对分析误差为2.12,增加了0.87。因此利用BP-CWT-LnR高光谱反演模型进行区域土壤有机质遥感监测,可为当今精准农业提供理论参考与技术支持。     

基于高光谱影像的玉米LAI反演模型研究

以吉林省长春西部地区合心与合隆镇为研究区,利用高光谱Hyperion遥感影像,结合与其同步实测LAI数据,分别建立影像波段与玉米LAI线性及非线性统计回归模型,最终选出以SAVI为自变量的指数函数模型y=1.717e1.064x为最优反演模型,其估测精度高达96.8%。经实验证实,高光谱遥感可以实现大范围、快速、较精确地获取玉米叶面积指数。