黑土典型区土壤有机质遥感反演

土壤有机质（SOM）含量时空变异规律研究对于土壤肥力评价、土壤碳库估算、土壤资源利用与保护具有重要意义,而地貌、成土母质、土壤类型等差异、高光谱卫星影像较少等因素制约了区域尺度的SOM含量遥感反演方法研究的开展。该文以黑龙江省黑土带典型区为例,采集区域土壤样本,获取Landsat TM遥感影像,基于有机质含量与土壤反射率的定量关系,建立区域SOM遥感预测模型。结果表明：黑土区SOM含量高,一般大于2%,决定了有机质对土壤反射光谱特性的主要作用,而且该区SOM空间变异性显著,且耕作方式、气候等因素决定了裸土时间长,因而该区适于SOM含量遥感反演;有机质与TM各波段反射率均显著相关,最大相关系数在第3波段（0.63～0.69 μm）,为-0.710,其次为4波段（0.76～0.90 μm）,与实验室基于高光谱反射率数据分析的结果一致;基于TM影像2、3、4波段的SOM指数模型最优,预测精度高、稳定性好,可以用于揭示黑土典型区SOM含量的空间分布特征。该研究将为改进土壤理化参数遥感反演、土地质量评价、土壤碳库估算等工作方法提供理论与技术支持。     

松辽平原黑土有机质含量的遥感反演研究

通过分析遥感影像中裸露黑土的反射光谱值与土壤有机质含量之间的关系,尝试能否利用航天遥感影像进行研究区的农田土壤有机质含量的定量反演。研究将土壤有机质含量和ASTER遥感影像光谱值进行逐步回归分析,得出二者的指数关系式,并将研究区土壤有机质含量分为5个等级,表明利用遥感影像估测土壤有机质含量是可行的。     

东北典型黑土区表层土壤有机质含量高光谱反演研究

选择东北典型黑土区——德惠市、扶余市和双城市为研究区,利用便携式地物光谱仪获取土壤光谱数据,基于原始光谱值及一阶微分、倒数的对数、连续统去除变换,分别建立了黑土有机质含量的多元线性逐步回归模型、偏最小二乘回归模型和BP神经网络模型。结果表明:高光谱与土壤有机质含量在多个波段相关性较好,其中有机质与反射率一阶微分处理的相关性最好,在光谱584 nm处其相关性最强(r=-0.60,n=81)。光谱一阶微分处理数据在三种建模方法中的预测及验证精度均高于原始光谱值、倒数的对数和连续统去除变换,因此一阶微分为最佳光谱变换形式。偏最小二乘回归分析的预测效果整体优于多元线性逐步回归分析和BP神经网络分析,光谱一阶微分处理的偏最小二乘回归模型呈现出最佳预测效果,决定系数为0.71、均方根误差为2.29 g kg~(-1)(n=53)。     

采煤矿区表层土壤有机质含量遥感反演

利用LandSat ETM+影像反演煤炭开采区表层土壤有机质含量的空间格局,对采样点各波段光谱反射率进行数学变换,并将所得结果与有机质含量进行相关性分析.挑选出敏感波段,建立了表层土壤有机质含量的光谱预测模型.结果表明,研究区表层土壤有机质含量与第5波段和第7波段反射率呈极显著的负相关关系(R分别为-0.585和-0.543,P＜0.001);对反射率进行数学变换可以改善其与有机质之间的相关性;用第1波段反射率对数的倒数和第5波段反射率的倒数建立二元回归方程(R2 =0.616 2,p＜0.001)对研究区土壤有机质有很好的预测能力(R2 =0.616 2,RMSE=0.89);有机质含量在10～15g/kg范围的图斑面积最大,占研究区总面积的50.44％;表层土壤有机质随开采沉陷坡度的增加呈减少的趋势;煤炭开采沉陷对表层土壤有机质含量的扰动属于失碳效应.     

东北农牧交错带耕地土壤有机质遥感反演研究

农牧交错带是农耕区与草原牧区的过渡带，土壤有机质(SOM)的精确估算与变化监测对碳库估算与农业生产具有重要研究意义。以东北典型农牧交错带为研究区，Landsat 8 OLI影像和ALOS 12.5m DEM为数据源，基于波段反射率、反射率对数、亮度指数与相关地形因子，分别利用多元线性逐步回归(MLSR)模型、随机森林(RF)模型和BP神经网络(BPNN)模型，构建农牧交错带SOM多光谱反演模型。结果表明：(1)根据重要性排序，选择Landsat8OLI第4波段的对数、第5波段、第6波段和亮度指数作为输入量，RF和BPNN模型的精度优于MLSR模型。(2)引入高程(E)与坡向变率(SOA)后，3种模型的预测精度提高，BPNN模型精度提高最多，R2提高了0.22,RMSE降低了0.40 g/kg。3种模型最优反演精度由高到低为：BPNN模型(R2=0.82,RMSE=1.4 g/kg)>RF模型(R2=0.71,RMSE=1.9 g/kg)>MLSR模型(R2=0.66,RMSE=8.8 g/kg)。研究结果可为农牧交错带SOM时空变化研究提供方法支撑。     

田块尺度顺坡垄作改等高垄作提高黑土有机质含量

为了明晰等高垄作后对坡耕地土壤有机质的恢复作用,选取一块面积为1.4 hm2的典型黑土坡耕地,采用标准栅格法,同位大样点取样调查了改垄前和改垄10 a后土壤有机质和含水率等性状的变化。结果表明:1)与经典统计学相比,地统计学通过变程、块金值与基台值的比值以及插值绘制空间分布图,能够从全坡面更好地反映改垄前后性状的空间变化;2)等高改垄10 a后,垄台土壤含水率变程由510.7 m降低到193.2 m,块金值与基台值的比值由11.7%升至46.9%,空间相关性强度由强烈变为中等,水分再分配降低;3)耕层土壤有机质总体增加了2.61 g/kg,提升了8.4%,只在坡中上部西侧小区的部分区域降低了3.7%;4)土壤全氮含量减少了0.04 g/kg,降低了2.8%。上述结果表明,对于严重侵蚀的坡耕地,改顺坡垄为等高垄作,可弱化性状空间相关性,对土壤有机质具有恢复作用,但应适当增加化肥氮素的施用量,对东北黑土区坡耕地水土流失治理具有指导意义。     

引入地形因子的黑土区大豆干生物量遥感反演模型及验证

为了对田块尺度农作物地上干生物量进行估测,提高大豆地上干生物量反演模型的精度和稳定性,该文获取了研究区地块2016年7、8月份的SPOT-6多光谱数据,并测定不同地形坡位的大豆地上干生物量,以归一化植被指数(normalized difference vegetation index,NDVI)和增强型植被指数(enhanced vegetation index,EVI)为输入量,建立田块尺度大豆地上干生物量一元线性回归模型;加入与地上干生物量相关的地形因子,建立逐步多元回归和神经网络多层感知反演模型.结果表明:1)使用传统的单一植被指数模型预测大豆地上干生物量有可行性,但模型精度和稳定性不高.2)加入地形因子(海拔、坡度、坡向)的神经网络多层感知器模型,有较高的精度和可靠性,模型准确度达到90.4％,验证结果显示预估精度为96.2％.反演结果与地块的地形、地貌、气温和降水特征基本吻合,反映了作物长势的空间分布特征,可以为田块尺度大豆地上干生物量动态监测和精准管理,提供借科学依据.     

土壤有机质含量与其有效含水量的关系

以前,人们一致认为土壤有机质含量(OM)对土壤有效含水量(AWC)无影响或影响不大。本研究经过3种质地土壤OM对其AWC的影响效果进行试验和评价,证实上述观点是错误的。随着OM的增加,土壤田间含水量增加的速度大于永久凋萎点含水量增加的速度;OM与AWC之间存在着重要的正相关关系。     

引入时相信息的耕地土壤有机质遥感反演模型

土壤有机质(soil organic matter,SOM)是土壤质量评价的重要指标。监测SOM含量及其空间分布对土壤利用与保护、土壤有机碳库估算等具有重要意义。该文以松嫩平原典型区为研究区,采集4种主要土壤类型样本共147个,获取裸土期多时相MODIS地表反射率8 d合成产品,以单期、多期影像所构建光谱指数作为输入量,构建包含含水量变化与有机质含量信息的多光谱指数,建立SOM线性回归遥感反演模型,揭示SOM空间分布规律。结果表明:由于土壤含水量空间差异随时间变化,基于单期影像构建的模型主要输入量发生规律性改变,其中年积日137 d裸土条件最好,反演模型最优;比值光谱指数R61与SOM显著相关,而和含水量相关性极小,适于作为反演模型输入量;基于多期影像构建的模型引入时相信息后,精度与稳定性较单期影像模型显著提高,其中基于年积日137、105 d两期影像光谱指数所建立的多元线性模型最优;松嫩平原SOM呈现由东北向西南递减趋势。     

基于双时相卫星遥感光谱指数估算土壤有机质含量

以黄淮海平原典型县——封丘县为研究区，探讨了在一年两熟、裸土时间窗口较短的区域中，基于两景影像波段组合构建的双时相光谱指数在有机质含量预测中的表现。研究共计采集117个代表性土样，以分析筛选出的裸土期(10月)内双时相(获取时间：2014年10月6日和2017年10月30日)高质量Landsat 8卫星影像作为数据源，构建了4种类型的光谱指数：比值光谱指数、差值光谱指数、归一化光谱指数以及优化光谱指数，并结合最小绝对收缩和选择算子变量筛选方法和支持向量机算法建立了有机质预测模型。留一交叉验证结果表明，与直接使用影像波段反射率或者基于单景影像构建的光谱指数(单时相光谱指数)相比，利用双时相光谱指数可以更好地利用时相信息优势，其有机质预测精度更高(R2=0.53,RMSE=2.01 g/kg)。而且，基于双时相光谱指数所构建的预测模型得到的有机质空间分布格局与真实值较为吻合。可见，本文提出的在黄淮海平原典型县域利用双时相光谱指数预测土壤有机质的方法，可以促进具有短裸土期特点区域的高分辨率土壤属性遥感预测与制图研究。     

土壤有机质高光谱遥感和地统计定量预测

通过两种不同的尺度进行了土壤有机质含量的预测,在全县范围（大尺度）内运用地统计方法进行最优无偏内插估计,得到全县土壤有机质含量的空间分布格局。在小尺度高光谱Hyperion影像范围内,确定623.6 nm处反射率倒数之对数的一阶微分与564.4 nm处反射率倒数之对数的一阶微分的比值为土壤有机质的敏感变量,运用多元统计分析方法,确立各土壤有机质高光谱定量最佳反演模型,并把该模型应用于高光谱影像进行有机质含量定量填图,取得了很好的预测效果（R2=0.8684）。同时为了进行客观比较,基于同一尺度,利用30个样点进行地统计空间插值定量预测,比较两种预测结果,通过分析得出由于地统计学受到样点的数目、分布和间距情况以及内蕴假设的影响,其预测效果不如高光谱遥感反演模型。     

无人机多光谱遥感反演各生育期玉米根域土壤含水率

为准确及时地获取植被覆盖条件下农田土壤水分信息,该文以不同水分处理的大田玉米为研究对象,利用无人机遥感平台对夏玉米进行多期遥感监测,并同步采集玉米根域不同深度土壤含水率(Soil Water Content,SWC)。基于2018年夏玉米拔节期、抽雄-吐丝期和乳熟-成熟期的无人机多光谱遥感影像数据集,通过支持向量机(Support Vector Machine,SVM)分类剔除土壤背景,提取玉米冠层光谱反射率并计算10种植被指数(VegetationIndex,VI),然后利用全子集筛选(FullSubsetSelection)法对不同波段和植被指数进行不同深度土壤含水率的敏感性分析,并分别采用岭回归(Ridge Regression,RR)和极限学习机(ExtremeLearningMachine,ELM)2种方法构建全子集筛选后0～20、20～45和45～60cm不同深度下的土壤含水率定量估算模型。结果表明:基于贝叶斯信息准则(BayesianInformationCriterion,BIC)的全子集筛选法可以有效筛选最优光谱子集,筛选变量基本都通过了显著性检验,自变量个数较少;在同一生育期、同一深度条件下,ELM模型效果均优于RR模型;玉米在拔节期、抽雄-吐丝期的最佳监测深度为0～20cm,在乳熟-成熟期的最佳监测深度为20～45cm;乳熟-成熟期的20～45cm深度下的ELM反演模型效果最优,其建模集和验证集的决定系数Rc2和Rv2分别为0.825和0.750,均方根误差RMSEc和RMSEv分别为1.00%和1.32%,标准均方根误差NRMSEc和NRMSEv分别为10.85%和13.55%。利用全子集筛选法与机器学习相结合的方法可以提高土壤含水率的反演精度和鲁棒性,本研究为快速、准确地监测农田土壤墒情、实施精准灌溉提供了一种新的途径。     

基于HJ-1卫星的农田土壤有机质含量监测

土壤状况是决定农田潜在生产力的主要因素,土壤性状及肥力状况信息可以为精准农田管理提供响应依据。利用遥感技术监测土壤养分含量是一种快速、准确、高效、经济的方法。以农田土壤有机质为研究对象,以HJ-1卫星数据为数据源,采用多元线性回归分析方法,构建有机质含量地面监测模型,通过直方图匹配方法求地面监测模型与HJ-1卫星监测模型之间的傅里叶转换函数,将地面监测模型应用到HJ-1卫星数据,并构建有机质含量遥感监测模型。实现了利用HJ-1卫星遥感数据对试验区土壤有机质含量进行监测。该模型监测结果与地面实际养分具有良好的线性关系,其决定系数0.93,标准差0.57%。在保持了较高精度的同时,避免了其他高光谱模型数据过于昂贵的问题,实现了有机质含量快速、经济监测,易于在农业中应用。     

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。     

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。     

基于HJ卫星的棉田土壤有机质空间分布格局反演

以北疆绿洲区棉田表层土壤为研究对象,利用国产HJ-1A/1B卫星CCD多光谱数据对裸土有机质空间分布格局进行研究。通过分析多光谱数据不同波段的光谱反射率及其变换形式与实地采样得到的土壤有机质含量的相关性,探寻适合绿洲区棉田表层土壤有机质含量快速反演的敏感波段及参数,并针对不同参数分别建立一元线性、二次、三次、对数、倒数、幂函数、生长型、S型回归模型,以及多元回归模型;对生成的模型进行综合对比分析,获取北疆绿洲区棉田表层土壤有机质含量的最佳反演模型,从而实现整个研究区土壤有机质空间格局的遥感反演。结果表明:HJ卫星多光谱数据4个波段的反射率均与土壤有机质含量存在显著的相关性,第3波段的倒数与土壤有机质含量相关性最为显著;且以第3波段光谱反射率作为因变量得到的三次线性回归模型对土壤有机质含量进行反演的效果最佳;通过空间布局反演得到研究区土壤有机质空间分布整体呈现南北两端有机质含量较高,中部有机质含量较低的格局。该研究表明虽然与黑土有机质含量具有差别,但是遥感技术仍能够作为绿洲区土壤有机质含量空间布局反演的方法,为遥感技术在土壤参数监测中更好的发挥作用提供理论支持,同时也为新疆棉田生产管理和农田可持续利用提供科学依据。     

土壤有机质含量对土壤入渗能力及参数影响的试验研究

基于土壤质地为壤土的大田水分入渗试验,分析了有机质含量对大田土壤水分入渗能力和考斯加科夫入渗模型参数的影响。研究表明：土壤有机质对大田土壤入渗能力和入渗模型参数的影响都比较明显,土壤累积入渗量随着土壤有机质含量的增加而增大;入渗模型参数k和α值随土壤有机质含量的增加而减小。研究结果对于土壤入渗能力预测模型的建立和地面灌水技术参数的优化具有一定价值。