基于高光谱数据的土壤全氮含量估测模型对比研究

构建基于高光谱数据的土壤全氮含量估测模型,为快速、准确监测农田土壤全氮含量,判断作物生长发育情况和评价土地质量提供新的技术和方法.以新疆南疆地区主要类型土壤为研究对象,于室内测定土壤全氮含量和光谱反射率数据,利用偏最小二乘回归(PLSR)、支持向量机回归(SVM)、随机森林回归(RF)与光谱反射率(R)及其4种数学变换...     

基于无人机高光谱影像的引黄灌区水稻叶片全氮含量估测

实时监测水稻氮素状况对于评估水稻长势及精准田间管理意义重大。为确定宁夏引黄灌区水稻叶片全氮含量的最优高光谱估测方法,该文依托不同氮素水平水稻试验,基于成像高光谱数据和无人机高光谱影像,综合运用统计分析及遥感参数成图技术,对比分析光谱指数与偏最小二乘回归方法预测水稻叶片全氮含量的精确度和稳健性。结果表明,以组合波段738和522 nm光谱反射率的一阶导数构成的比值光谱指数(ratio spectral index,RSI)构建的线性模型为水稻叶片全氮含量的最优估测模型(检验R2为0.673,均方根误差为0.329,相对分析误差为2.02);无人机高光谱影像反演的水稻叶片全氮含量分布范围(1.28%~2.56%)与地面实际情况较相符(1.34%~2.49%)。研究结果可为区域尺度水稻氮素含量的空间反演及精准农业的高效实施提供科学和技术依据。     

基于无人机多光谱影像的土壤盐分反演模型

为探究不同作物覆盖下不同深度的土壤盐分快速反演模型,该研究采集苜蓿、玉米覆盖下0～15、>15～30、>30～50 cm层深度的土壤盐分含量,基于无人机多光谱影像数据,提取各地块采样点的光谱反射率,在此基础上引入红边波段计算光谱指数作为特征变量,采用支持向量机递归特征消除算法（Support Vector Machine-Recursive Feature Elimination,SVM-RFE）以筛选光谱指数及未经过筛选的全指数组作为模型输入组,共构建出36个基于随机森林（Random Forest,RF）、极限学习机（Extreme Learning Machine,ELM）、BP神经网络（Back Propagation Neural Network）等机器学习模型,确定不同作物覆盖下的最佳土壤盐分反演模型。结果表明：SVM-RFE算法筛选光谱指数构建模型精度优于未进行筛选构建的模型。对于苜蓿和玉米覆盖土壤,整体上,RF反演效果优于ELM模型和BPNN模型,反演结果能体现真实土壤盐分含量,在0～15和>30～50 cm土层上,RF模型反演效果优于其他模型,苜蓿样地验证集决定系数Rp2分别为0.71、0.58,验证集均方根误差RMSEp分别为0.026、0.033,玉米样地Rp2分别为0.67、0.64,RMSEp分别为0.111、0.094,在>15～30 cm土层上ELM反演效果较好,苜蓿样地Rp2为0.58,RMSEp为0.039,玉米样地Rp2为0.68,RMSEp为0.059。0～15 cm是作物覆盖下的土壤含盐量最佳反演深度,验证集平均决定系数R2为0.65,均方根误差RMSE为0.084。研究结果可为土壤盐分的快速反演提供理论依据。     

煤炭矿区耕地土壤有机质无人机高光谱遥感估测

为监测煤炭矿区不同沉陷阶段耕地土壤质量状况,实现矿区土地复垦和耕地质量保护,以山西省长治王庄煤矿周边3种处于不同沉陷阶段的耕地为例,使用无人机搭载高光谱相机进行影像获取,并在研究区内进行土壤样品采集及室内光谱测定。通过对光谱反射率进行倒数、一阶微分、二阶微分、多元散射校正4种不同形式的变换,分析转换后的光谱反射率和实测有机质含量的相关性,筛选出相关系数较高的敏感波段。利用多元线性回归（Multiple Linear Regression,MLR）、偏最小二乘回归（Partial Least Squares Regression,PLSR）和BP神经网络（BP Neural Network,BPNN）3种模型对有机质含量建立预测模型,并对模型预测结果进行精度评价,选用较优模型代入无人机高光谱影像进行有机质含量填图,得到耕地范围内的土壤有机质分布情况,并对处于不同沉陷阶段的耕地土壤有机质空间分布差异及其驱动因子进行分析讨论。结果表明：1）采煤沉陷区耕地土壤有机质含量与经过多元散射校正变换的光谱曲线相关性最高,敏感波段为463.75～492.45 nm,870.79～932.58 nm处,最大相关系数为0.63。2）经过多元散射校正处理的光谱曲线运用偏最小二乘回归模型和BP神经网络模型预测有机质含量精度要明显高于多元线性回归模型,预测精度分别达到0.863和0.884,可以用于有机质含量的估测。3）采煤沉陷区耕地土壤有机质分布情况表现为煤炭开采未扰动区耕地土壤有机质分布较为均一,均值为26.94 g/kg,总体上处于中上等水平;煤炭开采扰动稳沉区耕地土壤有机质高低值分化明显,整体分布呈现较大空间分异性;煤炭开采扰动区介于二者之间。矿区有机质含量大小关系为煤炭开采未扰动区耕地>煤炭开采扰动区耕地>煤炭开采扰动稳沉区耕地。     

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。     

高光谱土壤多元信息提取模型综述

高光谱土壤多元信息提取模型的精度与光谱学在这一领域未来能够发挥的作用直接相关。在列举土壤样品制备、理化成分测定和土壤光谱数据获取标准技术的基础上,总结了目前适用于土壤光谱处理的异常筛选、平滑去噪、重采样、变换和定量化方法。对偏最小二乘法、主成分分析和多元逐步回归法等8种建模方法进行了对比,分析了各类方法的建模针对性。按照有机质、水分、盐渍化、重金属和其它成分分类归纳了目前取得良好应用效果的多种光谱信息提取模型,并对比了每个模型的信息提取精度。光谱所指示的信息,不仅能够为土壤成分提供快速指示信息,而且在实测数据基础上所建立的信息提取模型,是软件研发、仪器研发和土质评价等工作的理论基础。     

基于无人机高光谱影像的马铃薯叶绿素含量估测

[目的]叶绿素含量高低反映植被的健康状况与光合能力.研究准确、有效地将冠层影像反演为叶绿素含量的技术参数,以便经济快速、实时地监测作物生长状况.[方法]田间试验于2018-2020年在内蒙古阴山北麓马铃薯主产区进行,设置氮肥梯度处理,在马铃薯块茎膨大期和淀粉积累期,测定试验地马铃薯植株SPAD值,通过线性关系将其转化成...     

基于近红外光谱的土壤全氮含量估算模型

土壤全氮是诊断土壤肥力水平和指导作物精确施肥所需的重要信息,建立土壤全氮的近红外光谱估测模型并对建模波段进行优化选择对于土壤养分信息快速获取和精确农业发展具有重要意义。该研究以中国中、东部地区5种主要类型土壤为研究对象,利用近红外光谱仪采集土壤样品的光谱信息,结合近红外区域分子振动特点选取全谱、合频、一倍频、二倍频和N-H基团及其组合的8个波段,采用多元散射校正等多种预处理方法组合进行处理,结合偏最小二乘法(PLS)对每个波谱区域进行定标建模。结果表明,利用4000～5500cm-1波谱区域结合附加散射校正处理过的原始光谱建立的模型精度表现最好,其内部互验证决定系数达到0.90,均方根误差为0.16。经不同类型土壤的观测资料检验,模型验证决定系数为0.91,均方根误差为0.15,相对分析误差RPD为3.40,表明模型具有极好的预测能力。因此,利用近红外光谱可以实现土壤全氮的快速估测,且以合频波段(4000～5500cm-1)为建模区域可以得到更好的预测效果。     

基于高光谱的复垦农田土壤有机质含量估测

为了快速准确估算矿区复垦土地土壤有机质含量,以永城矿区复垦农田为例,在土样有机质含量测定和高光谱数据测量的基础上,对土壤高光谱数据进行多种预处理并与有机质实测含量进行相关性分析,利用相关系数进行P=0.01水平显著检验,确定敏感波段,建立一元线性回归、多元逐步回归和偏最小二乘回归等多种有机质含量与高光谱估测模型。结果表明:经过数学变换的土壤光谱反射率与土壤有机质含量相关性显著提高,复垦区土壤光谱经过多元散射校正和一元微分处理并利用偏最小二乘回归模型建模预测效果最好。当前较少有研究对矿区复垦农田土壤有机质进行高光谱估测,本研究成果可为有效利用高光谱遥感技术,快速、有效地测定复垦农田土壤有机质含量提供技术支撑。     

黑土土壤水分高光谱特征及反演模型

应用高光谱技术阐释土壤含水率光谱规律及对土壤含水率进行定量分析,为精准农业地表土壤水分的快速测定提供参考。该文以吉林省黑土土类中的黑土亚类土壤为研究对象,利用ASD FieldSpec FR便携式光谱仪在室内环境下对不同含水率的土壤样本进行光谱反射率测量和特征分析;通过对土壤样品高光谱反射率进行对数、倒数、一阶微分以及反射率倒数的一阶微分、反射率对数的一阶微分变换,运用统计分析中的相关系数计算进行了光谱反射率与土壤水分的相关分析,并提取了土壤光谱特征波段;采用逐步多元线性回归方法和指数模式分析法,进行了高光谱土壤含水率定量反演。研究结果表明,在低于田间持水率状况下,黑土土壤光谱反射率及其反射率一阶微分和反射率对数一阶微分变换的敏感波段主要集中在400～410、1 400～1 850和2 050～2 200 nm范围内,其中2 156 nm处与土壤水分相关系数最高,达0.89;在波长1 328、1 439、1 742和2 156 nm处,采用反射率对数一阶微分所建立的黑土土壤含水率预测方程的预测精度最好,决定系数为0.931。黑土土壤含水率高光谱反演模型的建立为土壤水分的快速测定提供了新的途径。     

基于无人机多光谱影像的夏玉米叶片氮含量遥感估测

利用无人机平台搭载多光谱相机组成的遥感监测系统在农业上已取得了一些成果,但利用无人机多光谱影像开展作物氮素估测研究少有尝试。基于此,该文利用国家精准农业基地2017年夏玉米3个关键生育期无人机多光谱影像和田间实测叶片氮含量数据,开展夏玉米叶片氮素含量的无人机遥感估测研究。对该研究选用的15个光谱变量,通过相关性分析解析光谱变量与LNC的相关关系,筛选出对玉米叶片氮素含量敏感的光谱变量;应用后向逐步回归方法分析不同变量指数下估测精度变化,最终确定不同生育期夏玉米LNC估测的光谱变量,实现对夏玉米叶片氮含量的较高精度监测。研究发现:1)在3个生育时期,GRE和GNDVI与LNC都有很强的相关性,表明绿波段可以很好地进行夏玉米生物理化参数的反演;2)在喇叭口期和灌浆期,OSAVI、SAVI与LNC具有高度相关性,证明在夏玉米生长前期和后期选择控制土壤因素的光谱变量可以提高对氮素估测的能力。在筛选最优光谱变量建模过程中发现,喇叭口期选取5个光谱变量(GNDVI、GRE、OSAVI、REG、SAVI)建模效果最好,估测模型的R~2、RMSE和nRMSE分别为0.63、27.63%、11.62%;抽雄吐丝期选取6个光谱变量(REG、GRE、GNDVI、MNLI、RED、NDVI)建模效果最好,估测模型的R~2、RMSE和n RMSE分别为0.64、20.50%、7.80%;灌浆期选取5个光谱变量(GRE、GNDVI、RED、NDVI、OSAVI)建模效果最好,估测模型的R~2、RMSE和n RMSE分别为0.56、31.12%、12.71%;在不同生育期选取最优光谱变量进行夏玉米LNC估测具有很好的效果。应用无人机多光谱遥感影像数据可以很好地监测田块尺度夏玉米LNC的空间分布,可为玉米田间氮素精准管理提供空间决策服务信息支持。     

基于小麦冠层无人机高光谱影像的农田土壤含水率估算

精准监测农田土壤含水率（soil moisture content,SMC）有助于提高中国水资源利用率以及农业可持续发展水平,为实现国家农业经济的稳定发展及可持续发展目标打下坚实的基础。为了探索基于无人机遥感数据进行准确、快速的土壤含水率监测的方法,该研究选取新疆阜康绿洲田块为研究区,使用无人机（unmanned aerial vehicle,UAV）高光谱传感器采集田块尺度小麦冠层光谱信息,进行SMC定量估算和制图。对小麦冠层光谱进行savitzky-golay（SG）平滑,利用7种不同的小波基函数（bior4.4、coif4、db4、fk14、haar、rbio3.9、sym4）对光谱信息进行连续小波变换（continuous wavelet transform,CWT）处理,并采用遗传算法（genetic algorithm, GA）对小波系数进行特征提取,最后结合偏最小二乘回归（partial least square regress,PLSR）、支持向量机（support vector machine,SVM）、人工神经网络（artificial neural network,ANN）、随机森林（radom forest,RF）以及极端梯度提升（extreme gradient boosting,XGBoost）估算SMC并实现其空间制图。结果表明：基于GA的特征波段选择方法可有效提高SMC的估算精度。使用全波段小波系数构建模型的精度R2在0.20～0.44之间,而使用特征小波系数的R2为0.25～0.82。与其他小波基函数相比,采用db4特征小波系数的估算精度最优,PLSR、SVM、ANN、RF和XGBoost模型估算SMC的R2分别为0.82、0.72、0.79、0.76和0.45。基于PLSR和ANN最优模型进行SMC空间制图,结果表明基于CWT和机器学习结合模型能够有效估算小田块尺度SMC。该研究基于无人机高光谱数据实现了SMC精确估算,为农田尺度SMC监测提供了有效手段。     

基于无人机高光谱的冬小麦氮素营养监测

为了实现小区域尺度上的作物氮素营养状况遥感监测,该研究利用无人机搭载Cubert UHD185成像光谱仪对2016 -2017年关中地区的冬小麦进行遥感监测,通过分析冠层光谱参数与植株氮含量、地上部生物量和氮素营养指数的相关性,筛选出对三者均敏感的光谱参数,结合多元线性逐步回归、偏最小二乘回归和随机森林回归建立抽穗期冬小麦氮素营养指数（Nitrogen Nutrition Index,NNI）估测模型,并与单个光谱参数建立的冬小麦氮素营养指数模型进行比较。结果表明,任意两波段光谱指数对氮素营养指数更为敏感,与氮素营养指数均达到了极显著性相关;基于差值光谱指数和红边归一化指数的单个光谱参数构建的模型具有粗略估算氮素营养指数的能力,相对预测偏差分别为1.53和1.56;基于随机森林回归构建的多变量冬小麦氮素营养指数估算模型具有极好的预测能力,模型决定系数为0.79,均方根误差为0.13,相对预测偏差为2.25,可以用来进行小区域范围内的冬小麦氮素营养指数遥感填图,为冬小麦氮素营养诊断、产量和品质监测及后期田间管理提供科学依据。     

基于无人机高光谱遥感的柑橘黄龙病植株的监测与分类

柑橘黄龙病(Huanglongbing,HLB)是柑橘产业的毁灭性病害,及早发现并挖除病株是防治HLB的有效手段。通过无人机低空遥感监测大面积果园,可大大减少HLB排查工作量和劳动力。该文获取了无人机低空柑橘果园的高光谱影像,分别提取并计算健康和感染HLB植株冠层的感兴趣区域的平均光谱,并对初始光谱进行Savitzky-Golay平滑、异常数据剔除和光谱变换,得到原始光谱、一阶导数光谱和反对数光谱3种光谱,对这3种光谱采用主成分分析法进行降维,与全波段信息比较,分别采用k近邻(kNN)和支持向量机(SVM)进行建模和分类。结果表明,以二次核SVM判别模型对全波段一阶导数光谱的分类准确率达到94.7%,对测试集的误判率为3.36%。表明低空高光谱遥感监测HLB的手段具有可行性,可大大提高果园管理效率和政府防控病情力度。     

基于Labview的无人机飞行状态实时监测评估系统设计

为了实现无人机飞行状态信息的自动化采集和性能评估,该文设计了基于 Labview 的无人机飞行状态实时监测评估系统,该系统利用传感器采集无人机的飞行状态信息：包括三轴姿态角、三轴角速度、三轴速度、三轴加速度、GPS经纬度及海拔高度、环境温度和气压等。无线传输模块将经过简单处理之后的信息传输至PC机,基于Labview建立的监测评估软件对这些数据进一步处理之后,实时图形化显示三轴姿态、飞行高度、二维轨迹、三维轨迹和航迹偏差;根据三轴姿态信息实时模拟无人机姿态,自动计算飞行里程,并自动保存所有数据。飞控手目视操控无人机的试验结果表明：平均航迹偏差高达5.2 m,定高飞行的平均高度偏差为0.9 m,横滚角和俯仰角波动幅度均在8°以内,整个测试过程中传感器温度下降了2℃。数据分析结果与系统输出结果一致,该系统运行稳定,输出结果可靠,能够用于实时监测、图形化显示、评估和记录无人机飞行状态信息,为无人机飞行性能的评估及飞控手的训练提供参考。     

玉米作物系数无人机遥感协同地面水分监测估算方法研究

该文研究不同水分胁迫条件下无人机遥感与地面传感器协同估算玉米作物系数的可行性。利用自主研发的六旋翼无人机遥感平台搭载多光谱传感器获取内蒙古达拉特旗昭君镇试验站不同水分胁迫下大田玉米冠层光谱影像,计算植被指数,采用经气象因子和作物覆盖度校正后的FAO-56双作物系数法计算玉米的作物系数,研究作物系数与简单比值植被指数(simple ratio index,SR)、叶面积指数(leaf area index,LAI)和表层土壤含水率(surface soil moisture,SM)的相关关系,结果表明,作物系数与SR、LAI和SM的相关程度与水分胁迫程度有关,但均呈现出显著或极显著的线性关系,说明了基于这些指标建立作物系数估算模型的可能性。利用逐步回归分析方法建立了作物系数的估算模型,其估算模型,修正的决定系数、均方根误差和归一化的均方根误差分别为0.63、0.21、25.16%。经验证,模型决定系数、均方根误差和归一化的均方根误差分别为0.60、0.21、23.35%。研究结果可为利用无人机多光谱遥感平台进行作物系数估算提供技术参考。     

基于低空无人机成像光谱仪影像估算棉花叶面积指数

农作物叶面积指数(leaf area index,LAI)遥感监测具有快速、无损的优势。该文以低空无人机作为遥感平台,使用新型成像光谱仪获取的农田高光谱影像数据对棉花LAI进行反演。利用影像高光谱分辨率的特点,针对传统固定波段植被指数(fixed-bandvegetation index,F_VI)进行改进,通过动态搜索相应植被指数定义所使用波段范围内的反射率极值的方法,计算与各类植被指数对应的极值植被指数(extremum vegetation index,E_VI)。分别以原始全波段光谱反射率、连续投影算法(successive projections algorithm,SPA)提取的有效波段反射率以及各类F_VI和E_VI作为自变量,使用最小二乘和偏最小二乘(partial least squares,PLS)回归等方法构建LAI遥感估算模型。结果显示:1)以植被指数为自变量的模型估算效果(验证R2最高为0.85)优于以光谱反射率作为自变量的模型(验证R2最高为0.59);2)使用E_VI作为自变量能够显著提高LAI的估测精度(验证R2最大提高了0.11);3)使用PLS回归算法结合多个E_VI建立的LAI-E_VIs-PLS模型精度最高。使用LAI-E_VIs-PLS模型对棉花地块高光谱影像进行反演,制作棉花LAI空间分布图,取得良好的估算结果(验证R2=0.88,RMSE=0.29),为农作物LAI遥感监测提供了新的技术手段。     

基于高光谱的ASTER影像土壤盐分模型校正及验证

快速准确地获取土壤盐分信息是监测和治理土壤盐渍化现象的重要前提。该文以新疆维吾尔自治区典型盐渍化区域--艾比湖流域为研究区,analytical spectral devices（ASD）光谱仪采集的土壤高光谱数据和advanced space borne thermal emission and reflection radiometer（ASTER）影像为数据源,结合实测土壤盐分含量信息,对遥感定量反演土壤盐渍化现象进行研究。再经过光谱反射率数学变换后,结合相关性分析,利用多元回归方法分别建立基于重采样后的高光谱和影像光谱的土壤含盐量估算模型,对遥感影像光谱盐分估算模型进行校正,以提高遥感定量监测盐渍化土壤的精度。结果表明：ASTER影像光谱反射率二阶导数变换和ASD重采样光谱的对数的二阶导数变换所建立的盐分估算模型最佳,决定系数R2分别为0.59和0.82。经ASD重采样光谱模型校正后的ASTER影像光谱的盐分估算模型精度R2为0.91,有效地提高大尺度条件下土壤盐渍化反演精度。研究为大尺度土壤盐分定量遥感监测提供了一种有效方法。