基于综合光谱指数的不同程度人类干扰下土壤有机质含量预测

为寻求同一背景不同人类干扰程度下的土壤有机质含量的最佳预测模型,本研究以天山北麓的土壤为研究对象,运用Landsat8遥感影像以及实测光谱2种方式进行对比,结合不同的综合光谱指数,对无人干扰区、人为干扰区的影像反射率和实测光谱反射率进行光谱变换,分析反射率及其变换形式与有机质含量的相关性,以相关系数通过0. 01和0. 05显著性水平检验的波段作为自变量,运用多元线性回归方程分别建立了无人干扰区、人为干扰区土壤有机质含量高光谱预测模型,精度最高的为最优模型。结果表明:(1) Landsat8影像中B1～B5波段与有机质含量的相关系数通过了0. 01与0. 05显著性水平检验,作为自变量建立有机质含量预测模型。同时,为了能与影像反射率有个良好的对比,实测光谱反射率及其变换形式同样也选择5个相关系数最大的波段作为敏感波段用以建立模型。在影像与实测光谱中,土壤盐分指数结合植被指数与有机质含量相关性最好的分别是无人干扰区的SI_3、DVI和SI_3、RVI;人为干扰区的SI_2、RVI和SI_1、RVI。在结合光谱综合指数的模型中,无论是影像还是实测光谱,都是以反射率与植被指数、盐分指数相结合作为自变量建立的模型精度最好。对比2种预测方式,预测效果最好的是利用实测光谱与盐分指数、植被指数建立的无人干扰区一阶微分的多元线性回归模型以及人为干扰区的倒数之对数一阶微分的多元线性回归模型,R~2分别为0. 93和0. 89。     

基于最优模型的荒地土壤有机质含量空间反演

本研究采用Landsat OLI多光谱遥感影像数据,结合实测土壤有机质含量,利用原始影像反射率(A)、反射率一阶微分(A')、反射率二阶微分(A″)建立单波段和多波段回归模型,估算研究区土壤有机质含量,反演其空间格局。结果显示,经微分处理后的影像反射率,与土壤有机质含量相关系数增大。其中A'处理后的遥感影像反射率与土壤有机质含量的相关系数达到-0.850,比原始的提高了0.401,增强了有机质的光谱信息。多波段回归建模效果优于单波段建模。且A'的多波段回归模型预测精度最好,其建模集R~2为0.80,RMSE为3.66,预测集R~2为0.79,RMSE为3.65,RPD为1.96,表明该模型精度高,误差最小,预测效果最优,可以很好地估算该区域的土壤有机质含量。基于一阶微分的多波段回归模型:SOM=23.12-470.94B3-24.35B4-43.06B6,对研究区的SOM含量空间分布格局进行反演,发现反演结果与实际情况吻合,因此,利用多波段回归模型能很好反演研究区SOM含量空间分布格局,表达其不同有机质含量的土壤空间分布与其对应的空间位置,这为土壤有机质面状参数的获取提供了快速而有效的方法。     

基于GF-1土壤有机质含量估测的研究

【目的】本试验利用GF-1遥感影像估测土壤有机质含量。【方法】该文对扶余市耕作区土壤进行采样,在实验室化验土壤样品的有机质含量,分析GF-1各波段反射率及其变换形式与土壤有机质含量的相关性,确定有机质的敏感波段,建立土壤有机质含量的单波段与多波段估测模型,旨在通过比较估测模型的精度和稳定性,确定研究区土壤有机质含量的最优估测模型。【结果】F-1各波段反射率与有机质含量均呈显著负相关,且在第3波段达到最大值,其相关系数为-0.805,均方根误差为0.362;将反射率进行幂、指数变换以后可以有效提高与有机质含量的相关性,相关系数分别提高至-0.886和-0.872,均方根误差下降至0.283和0.342;利用前3个波段反射率指数变换建立起的多元估测模型,模型判定系数R~2达到0.851,检验样本的均方根误差降低至0.172,表明此模型的估测精度较高、稳定性较好。【结论】GF-1遥感影像可以作为估测土壤有机质含量的遥感数据源,并为使用GF-1遥感影像估测土壤成分等方面的研究提供参考。     

基于宽波段数据定量反演土壤有机质含量的研究

定量分析了北京顺义、通州区土壤高光谱反射特征,利用资源三号、高分一号、高分二号传感器的光谱响应函数,结合高光谱数据生成相应宽波段模拟数据;将土壤光谱数据、拟合宽波段数据分别与实测土壤有机质含量开展相关性分析,提取并筛选敏感波段,利用偏最小二乘法建立基于高光谱数据的土壤有机质含量预测模型;依据宽波段模拟数据和实测土壤有机质含量的相关性,提取并筛选敏感波段,建立土壤有机质含量预测模型。结果表明,在基于土壤高光谱数据建立的土壤有机质含量预测模型中,以对数的一阶微分为最优,其R和RMSE分别为0.697和0.195,偏最小二乘法得到的反演土壤有机质含量的模型是可靠的;在基于模拟宽波段构建的土壤有机质含量估测模型中,以高分一号的拟合精度最高,R和RMSE分别为0.334和0.240;受室外不可控因素的影响,模拟宽波段数据在估测北方地区土壤有机质含量方面仍需进一步研究。     

基于灰度关联-极限学习机的土壤有机质含量高光谱多尺度反演

为了提高干旱区土壤有机质含量的预测精度,以新疆阜康人类不同干扰程度下的土壤有机质含量为研究对象,先利用小波变换对其原始光谱进行1～8层的离散小波分解,然后通过相关性分析确定最大分解层数,并进行5种常规数学变换以筛选敏感波段,最后引入灰色关联分析(GRA)筛选出具有较好预测能力的波段,结合极限学习机算法(ELM)分别建立不同分解层的土壤有机质含量高光谱预测模型。作为对照,同时采用传统相关分析方法选择的敏感波段构建偏最小二乘模型。研究结果表明:(1)小波变换获得的各层重构光谱中,随着分解层数增加,土壤光谱反射率与有机质含量的相关性降低,在L6之后二者相关性变化幅度不大且敏感波段数下降较多,即重构光谱对原始光谱信息的反映能力减弱,因此L6为本研究的最大分解层;(2)通过对比各分解层有机质含量模型,Ⅰ区(轻度干扰区)、Ⅱ区(中度干扰区)、Ⅲ区(重度干扰区)均是L3、L4建模效果最好;(3)无论是哪一个区,灰度关联-极限学习机所建模型均为最优,Ⅰ、Ⅱ、Ⅲ区验证集R~2和RMSE(均方根误差)分别为0.825、0.787、0.729和0.980、1.387、1.982,RPD(相对分析误差)分别达到2.382、2.204、2.139,均优于传统的建模方法,且能对土壤有机质含量进行很好的预测。特别在有机质含量较低的情况下,灰度关联-极限学习机方法优势更加明显,表明该方法适用于干旱区有机质含量的预测。     

土壤有机质高光谱特征与波长变量优选方法

【目的】探究土壤有机质的高光谱特征及响应规律,优选土壤有机质的敏感波长,降低土壤有机质高光谱估测模型复杂度,提高模型稳健性,为利用高光谱技术对农田土壤肥力的定量监测提供理论支撑。【方法】采集江汉平原潮土土样130个,将其中40个样本作为训练集,测量其去有机质前、后的土壤有机质含量及光谱数据,计算差值及变化率,分析土壤有机质含量变化对光谱特征的影响,结合无信息变量消除(uninformative variables elimination,UVE)、竞争适应重加权采样(competitive adaptive reweighted sampling,CARS)变量优选方法确定土壤有机质敏感波长;采用45个建模集样本,基于偏最小二乘回归(partial Least Squares Regression,PLSR)和反向传播神经网络(back propagation neural network,BPNN)建立土壤有机质含量的估算模型;利用45个验证集样本检验敏感波长对同类土壤的适用性。【结果】通过有机质去除试验,供试土壤的平均光谱反射率在全波段均有所增加,在可见光波段变化率高于近红外波段;比较UVE、CARS、UVE-CARS、CARS-UVE这4种变量优选方法,得到最佳变量优选方法为UVE-CARS,该方法从2001个波长变量中优选得到84个变量作为土壤有机质的敏感波长,分布于561—721、1 920—2 280 nm波段覆盖范围;基于敏感波长的PLSR、BPNN模型性能均优于全波段模型,其中,基于敏感波长的BPNN模型的估测能力高于PLSR,模型验证集R~2、RMSE、RPD、MAE、MRE值分别为0.74、1.33 g·kg~(-1)、2.02、1.04 g·kg~(-1)、6.2%,可实现土壤有机质含量的有效估测。【结论】通过训练集获得的土壤有机质敏感波长,能够实现对该试验区同种土壤类型样本土壤有机质含量的有效估测;利用去有机质试验结合变量优选方法确定的敏感波长建模,不仅将输入波长压缩至全波段波长数目的 4.2%,而且提升了模型估测精度,降低了变量维度和模型复杂度,为快速准确评估农田土壤有机质含量提供了新途径。     

基于GF-1与Landsat 8遥感数据的耕地表层土壤有机质含量反演精度对比研究

以GF-1和Landsat 8遥感影像为数据源,以依安县、拜泉县为研究对象,结合研究区土壤采样的化验数据,比较2种遥感影像在反演土壤有机质含量方面的能力与差异。结果表明,2种遥感影像在可见光与近红外波段的反射率与土壤有机质含量显著相关,且在近红外波段相关性最大,利用GF-1近红外波段建立的指数模型比利用Landsat 8近红外波段建立的幂模型估测效果略好。引入蓝波段(深蓝波段)、红波段建立起来的多元回归模型比单波段模型具有更高的反演精度,尤以对Landsat 8遥感影像的改善效果更明显。与Landsat 8相比,GF-1遥感影像具有更高的空间分辨率和更短的重访周期,在土壤有机质含量的探测方面具有相近的预测能力,可以替代Landsat 8遥感影像。     

基于Hyperion数据的耕地土壤有机质含量遥感反演

为了探究耕地土壤有机质含量与卫星影像光谱间的关系,确定土壤有机质的光谱特征,构建土壤有机质含量反演模型.利用Hyperion高光谱卫星影像和福建省三明市80个土壤调查样点分析数据,对土壤有机质与光谱指数相关性进行了分析;在提取特征光谱指数的基础上,分别基于敏感波段和特征指数建立线性模型和多元逐步回归模型.结果表明:土壤有机质含量在Hyperion高光谱782.95~813.48 nm波段具有良好的响应能力;反射率的一阶导数所建立的模型拟合效果最优,其R2为0.777,RMSE为5.31,验证模型有机质实测值与预测值的R2为0.809,表明它能够用于区域有机质含量的快速测定.     

基于高光谱的土壤含水率预测模型

为定量分析土壤含水率与反射光谱特征之间关系,以便为土壤含水率速测提供理论依据。以安徽省阜阳市临泉县为研究区,以区域典型土壤类型—砂姜黑土为研究对象,将土壤样本分别过10和20目的尼龙筛,并设置土壤含水率梯度实验。采用9点移动平滑法结合一阶微分、反射率对数及其一阶微分三种数学变换方法对光谱曲线进行预处理,分析不同目数、不同含水率下的光谱特性差异;拟合分析变换后的样本光谱数据与含水率相关性,提取特征波段,建立土壤含水率多元线性回归预测模型。结果表明：对4种不同土地利用类型的砂姜黑土样本的反射率数据进行对数一阶微分变换后,土壤含水率和光谱数据的相关性明显提升,根据数学变换后提取的特征波段建立的多元线性回归预测模型的预测精度最好;光谱反射率与水分含量呈负相关关系;土壤光谱法反演水分含量时,基于过10目筛的土壤样本建立的预测模型拟合精度要优于过20目筛的土壤样本,R²最高为0.928。研究结果可以为精准农业管理提供极为关键的参数支撑。     

基于Landsat 8遥感图像的长春中北部地区土壤有机质含量反演

以Landsat 8遥感图像为数据源,利用FLAASH大气校正模型对遥感图像进行大气校正,结合野外土壤采样的有机质含量化验数据,采用逐步回归分析的方法,对研究区土壤有机质含量进行定量反演。结果表明,土壤有机质含量与Landsat 8遥感图像反射率在近红外波段具有较强的负相关性,对反射率进行适当的数学变换可以有效提高与有机质的相关性,由此而建立起来的逐步回归反演模型,其决定系数r2=0.925,总均根方差RMSE=0.171,说明该反演模型有较高的精度与稳定性。根据上述反演模型,结合遥感影像分类结果,对研究区土壤有机质含量进行反演,结果显示,研究区内土壤有机质含量呈东高西低之势,东部、南部地区土壤有机质含量普遍高于3%,而西部、北部地区土壤有机质含量普遍低于2%。     

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。     

基于特征波长选择和建模的高光谱土壤总氮含量估测方法研究

以皖北地区采集的115个砂姜黑土样本为研究对象,获取土壤样本光谱数据,采用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)、随机森林特征选择算法(RFFS)对土壤总氮含量特征波长进行选择,并分别应用偏最小二乘回归(PLSR)、支持向量机回归(SVR)、最小绝对值收缩和选择算子回归(LASSO)建立土壤总氮含量估算模型。结果表明,除CARS-PLSR方法模型精度低于相应的全波长模型外,其他基于选定的特征波长进行建模的效果都优于全波长。综合比较各变量筛选与回归建模组合发现,RFFS方法从全波长(224个波长)中筛选出20个特征波长建立土壤总氮含量的LASSO模型效果最好,该模型在预测集上的决定系数(R²)和相对分析误差(RPD)值分别为0.787 1和2.130 1。RFFS-LASSO模型简单,预测效果好,对土壤总氮含量近地传感器设备开发具有一定的指导意义。     

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RF-VR的紫丁香叶片叶绿素含量高光谱反演

利用高光谱技术精确估测植物叶片叶绿素含量,对植物生长趋势和营养状况的监测和管理具有重要意义。本文以紫丁香为研究对象,针对高光谱所含波段数量大、波段间相关性强导致数据中冗余信息增多的现象,通过卷积平滑和二阶微分(SG-SD)处理光谱数据,应用随机蛙跳(RF)算法筛选特征波段,最后结合偏最小二乘(PLSR)和投票回归器(VR)建立了植物叶片叶绿素含量反演模型,并与全波段光谱法和5种经典变量提取方法进行了比较。结果显示,相比于原始光谱数据,SG-SD是一种有效的提高建模精度的光谱预处理方法;相比于全波段光谱和经典变量提取方法,RF算法筛选出的敏感波段建模效果最佳;相比于PLSR模型,VR模型的预测精度和预测稳定性能更优。本文对原始光谱数据进行SG-SD预处理后,对经RF算法筛选出的特征波段建立VR模型,变量数由全波段数204个减少为35个,建模集决定系数0.944 2,验证集决定系数0.951 4,最后利用RF-VR模型结合伪彩图技术得到紫丁香叶片叶绿素分布反演图,为紫丁香叶片养分分布提供更直观的信息表达。结果表明,该方法可为紫丁香叶片营养含量诊断和长势监测提供技术支持。     

不同波长选择方法在土壤有机质含量检测中对比研究

由于近红外光谱数据的多重共线性,特征波长选择一直是近红外光谱分析技术的重要研究内容。以108个土壤样本光谱数据和土壤有机质(SOM)含量为研究对象,以连续投影算法（SPA）、间隔偏最小二乘法（IPLS）、竞争自适应重加权采样法（CARS）三种典型的特征波长选择算法进行近红外光谱波长选择和土壤有机质含量建模。研究结果表明,基于上述三种方法提取的特征波长所建立的模型预测能力均优于全谱模型。其中,基于SPA算法的MLR预测模型精度最优,预测集相关系数（Rp）和均方根误差（RMSEP）分别为0970 2和1.214 4,模型参数只有6个。因此,SPA-MLR可以有效地应用近红外光谱的建模,并且简化模型的复杂度,提高模型的计算效率。     

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。     

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。