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...     

融合光谱和空间特征的土壤重金属含量极端随机树估算

针对高光谱遥感土壤重金属含量估算研究中光谱特征信息弱、模型反演鲁棒性差的问题,提出构建污染源-汇空间特征量化污染物扩散与汇聚空间影响因子,融合光谱特征建立基于极端随机树（Extremely randomized trees,ERT）的土壤重金属含量估算模型。以济源市耕地土壤为研究区,布设采集土壤样本249个,分析了光谱特征、地形特征和污染源空间特征在土壤重金属铅（Pb）、铬（Cd）含量反演中的有效性及影响机理,采用置换重要性指数优选多源特征,通过与多种回归模型对比,评价ERT模型的预测精度。研究表明,变换后的土壤光谱特征构建ERT模型引入地形特征和污染源空间特征后精度提升显著,尤其是污染源空间特征优势更为明显,Pb的ERT模型均方根误差由43.185mg/kg下降到22.301mg/kg,下降了48.36%。Cd的ERT模型均方根误差由0.738mg/kg下降到0.371mg/kg,下降了49.73%,充分说明引入污染扩散空间特征的有效性。与其他回归模型对比,ERT估算模型在各项指标评价中优势明显,其中Pb的ERT模型的测试集R2达0.964,Cd的ERT模型R2为0.923。     

竹叶片氮含量高光谱估测方法对比研究

为实现快速无损检测竹叶片氮含量,采用波长范围为350~2500nm的地物光谱仪获取竹叶片光谱数据,以金镶玉竹叶片为样本,对其进行高光谱分析。将高光谱原始反射率及其一阶微分、对数一阶微分和二阶微分值,与化学法测量的竹叶片氮含量值进行了相关性分析,分别获得了不同微分变化下的特征波段;基于微分变换后的高光谱反射率数据,分别采用二元线性回归、多元逐步回归、偏最小二乘回归和基于主成分分析的BP神经网络方法,建立了4种金镶玉竹叶片的氮含量高光谱估测模型。对比4种估测模型的校验结果表明,在光谱反射率的对数一阶微分变换下,采用拓扑结构为6-10-1的基于主成分分析的BP神经网络估测模型,校验环节决定系数为0.838,均方根误差RMSE为0.0452,具备较好的竹叶片氮含量估测效果。     

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。     

生菜叶片镉含量高光谱预测模型

为了实现无损检测生菜叶片中重金属镉的含量,以高光谱技术为研究手段,研究一种基于高光谱技术的精确、快速和有效检测生菜中重金属镉含量的方法。首先,使用高光谱图像采集系统获取生菜高光谱图像,并提取光谱数据,对提取出的光谱数据采用连续投影算法（SPA）和基于权重回归系数的特征选择算法进行特征提取,建立预测生菜叶片中镉含量的最小二乘支持向量回归（LSSVR）模型。结果表明:SPA-LSSVR模型性能最佳,其中预测集决定系数为0.927 3,均方根误差为0.093 mg/kg。因此,利用高光谱技术结合SPA-LSSVR模型对生菜叶片中重金属镉含量进行预测是可行的,可为实际应用提供技术支持和参考。      

基于太赫兹光谱的土壤重金属铅含量检测初步研究

探索应用太赫兹时域光谱用于农田土壤重金属含量检测的机理和可行性,尝试发展一种新的检测方法和手段。研究了样品制备测量方法,确定了最佳的制备参数为：聚乙烯样品盒尺寸为35mm×3.5mm×35mm,中间空隙1.5mm;压片法样品质量220mg,2.5t压力;分别制作一定浓度梯度（30~900mg/kg）的含铅土壤样品30组,使用Z-2型太赫兹时域光谱仪采集相应的土壤样品太赫兹透射光谱数据,对光谱数据进行预处理,包括平滑处理、多元散射校正、基线校正,采用全谱-偏最小二乘法、区间-偏最小二乘法和遗传算法-偏最小二乘法建立土壤样品中重金属元素铅含量的定标模型并对预测集样本进行预测。实验结果表明,采用样品盒法制作土壤样品并且基于遗传算法进行特征波段选择、结合偏最小二乘法的建模效果最佳,含重金属铅的土壤样本模型的标定集和预测集的相关系数分别为0.86和0.81,标定均方根误差和预测均方根误差分别为23.55mg/kg和39.52mg/kg。本研究通过分析土壤样品的太赫兹透射光谱吸收系数与重金属元素铅含量的相关关系,建立了较好的预测模型。     

近红外漫反射光谱检测土壤有机质和速效N的研究

利用近红外漫反射光谱检测技术对土壤有机质和速效N含量进行了相关研究。通过自行设计的NIR光谱系统测定了150个土壤样品有机质和速效N。126个土壤样品用来建立校正集模型,其余24个用来验证模型的性能。采集完整土壤样品的近红外漫反射光谱,原始光谱经移动窗口平滑处理、SNV和一阶微分预处理后,分别采用最小二乘支持向量机(LS-SVM)和偏最小二乘法(PLS),建立土壤有机质和速效N含量的定量预测数学模型。结果表明采用一阶微分结合最小二乘支持向量机(LS-SVM)所建模型的预测效果较好,土壤有机质和速效N含量定量预测数学模型的决定系数分别为0.8255和0.8015,均方根误差分别为2.84和16.80。近红外漫反射光谱作为一种检测方法,可用于评价土壤有机质和速效N含量。     

猪肉肌内脂肪含量的可见/近红外光谱在线检测

研究基于可见/近红外光谱分析技术的新鲜猪肉肌内脂肪含量在线检测。实验样本为208份背最长肌,实验时样品以0.25m/s的速度运动,采集可见/近红外漫反射光谱,进行小波消噪处理后,结合不同的光谱预处理方法建立肌内脂肪含量的偏最小二乘回归模型。研究发现采用db6小波在6层分解后以极大极小原理选择阈值进行消噪效果较好;消噪的光谱直接建立的PLSR模型预测性能较差,经过多元散射校正、变量标准化及微分等预处理均能提高模型的预测性能;变量标准化结合一阶微分预处理后建立的模型性能最佳,校正集相关系数为0.892、验证集相关系数为0.834、校正集均方根误差为0.090、预测集均方根误差为0.080。结果表明可见/近红外光谱可用于肌内脂肪含量的在线检测,但模型相对分析误差最高为1.738,模型的精度和稳定性仍需进一步提高。     

基于Vis-NIR光谱的果园土壤有机质便携式检测仪研究

以赣南脐橙果园土壤为研究对象,对采集到的56个土样风干、过筛,然后进行化学分析,同时使用傅里叶近红外和自主设计的便携式仪器光谱采集。采集到的光谱数据经过一阶微分、平滑、多元散射校正、归一化四种常用的预处理方法,分别应用偏最小二乘法(partial least square regress PLS)进行建立脐橙果园土壤有机质的模型。研究表明,两仪器需要不同的预处理,傅里叶仪器原始光谱建模效果较好,而便携式仪器则需要平滑预处理。傅里叶仪器建立模型的预测相关系数(RP)为0.893,预测均方根误差(RMSEP)为0.474;自行设计的仪器在1 000~1 700nm范围建立赣南脐橙果园土壤有机质含量模型的预测模型的相关系数(RP)为0.801,预测均方根误差(RMSEP)为0.779。研究表明自行设计的便携式仪器可快速用于赣南脐橙果园的土壤中有机质含量的检测。     

不同预处理方法对PLS模型检测哈密瓜糖度的影响

为寻找适合可见近红外光谱检测哈密瓜糖度含量的最佳光谱预处理方法,进行哈密瓜样品可见近红外光谱数据的预处理方法比较与研究。研究比较了4种光谱数据预处理方法对哈密瓜糖度偏最小二乘法建模精度的影响。研究结果表明:标准正态变量变换与二阶导数相结合是哈密瓜糖度含量可见近红外光谱检测的有效光谱预处理方法,其相关系数和内部交叉验证均方差分别为0.6893和0.666,并且利用该方法建立的哈密瓜糖度预测模型的相关系数、预测集均方根误差和校正集的相关系数、校正集均方根误差分别为0.7342、0.573、0.7605、0.588,最佳因子数为11。     

基于分数阶微分和最优光谱指数的大豆叶面积指数估算

高光谱遥感技术可对作物生长状况进行无损、高效地监测，是推动现代精准农业发展的必要手段。以不同施氮水平与覆膜处理下的开花期大豆叶面积指数(Leaf area index, LAI)为研究对象，对原始开花期大豆高光谱反射率数据进行0～2阶微分变换处理(步长0.5),并筛选出各阶光谱指数中与开花期大豆LAI相关性最高的指数作为最优光谱指数进行输入，采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)、遗传算法优化的BP神经网络(BP neural network optimized by genetic algorithm, GA-BP)3种机器学习方法构建大豆LAI预测模型。结果表明：0～2阶光谱指数与大豆LAI相关系数平均值分别为0.616、0.657、0.666、0.669、0.658,相比于原始与整数阶高光谱反射率，分数阶微分变换处理后的高光谱反射率构建的光谱指数与开花期大豆LAI具有更强的相关性；相关系数平均值最高的1.5阶微分处理最优光谱指数波长组合分别为：TVI(687 nm, 754 nm)、DI(687 n...     

基于高光谱的黑土区土壤重金属含量估测

以黑龙江省讷河市采集的80份黑土样品和高光谱实测数据为数据源,对黑土中铜(Cu)、锌(Zn)、锰(Mn)重金属元素的光谱反射率及其特征变化进行研究,分析了光谱反射率、光谱反射率一阶微分变换、光谱反射率连续统去除变换、光谱反射率连续统去除一阶微分变换与元素铜、锌、锰含量的相关性,并利用相关系数法提取敏感波段.利用核主成分...     

基于有机质特征谱段的土壤Cd含量高光谱遥感反演

针对土壤Cd高光谱遥感定量反演中的机理性不足及数据冗余问题,提出一种基于有机质特征谱段的反演方法。该方法首先提取土壤光谱中对重金属Cd具有吸附作用的有机质特征谱段,进而通过竞争性自适应重加权采样法（Competitive adaptive reweighted sampling,CARS）优选特征谱段,采用偏最小二乘回归法（Partial least squares regression,PLSR）建立重金属Cd的反演模型,并利用郴州矿区土壤实验室光谱数据和哈密黄山南矿区野外光谱数据进行方法验证。研究表明：有机质特征谱段提取在降低数据冗余的同时提高了重金属Cd的反演精度,CARS算法相对于相关系数法（Correlation coefficient,CC）和遗传算法(Genetic algorithm,GA)特征选择具有更高的反演精度,基于有机质特征谱段的CARS-PLSR算法在土壤实验室光谱和野外实测光谱所得验证精度R2分别为0.94和0.80,表明该算法对于实验室和野外光谱均具有一定适用性。研究可为土壤重金属含量高光谱反演的特征波段选择和算法优选提供参考。     

玉米生长铜铅污染信息光谱辨别研究

为辨别农作物所受重金属胁迫种类,以受重金属铜(Cu)、铅(Pb)胁迫的玉米叶片为研究对象,利用ASD地物光谱仪获得叶片高光谱数据,通过分数阶微分(FD)对原始光谱数据进行处理,采用竞争性自适应重加权采样法(CARS)提取特征波段,最后通过多层感知机(MLP)、K-最近邻(KNN)、支持向量机(SVM) 3种模型对受胁迫的叶片光谱进行辨别,选择最优的MLP构建的FD-CARS-MLP模型,进行玉米生长铜铅污染信息光谱辨别。结果表明,FD-CARS-MLP模型对于受胁迫叶片光谱辨别的能力相较于传统方式有所提高,试验集辨别精度均可达到98%以上,0.1、0.2阶分数阶微分辨别精度可达到99%以上。选取苗期与抽穗期的玉米叶片,对其进行FD-CARS-MLP模型的可行性测试,经验证可得,FD-CARS-MLP模型辨别受重金属胁迫玉米叶片光谱数据的精度更高且更稳定,可为监测谷类作物不同重金属胁迫提供技术与方法。     

土壤性质对小白菜吸收铬（Cr）的影响及预测模型研究

采集我国15个省份理化性质差异很大的耕作土壤,利用温室试验,以小白菜为研究对象,通过外源添加铬(Cr),研究Cr从土壤向植物的运移,探索影响Cr生物有效性的主要土壤因素,并建立预测模型。结果表明,土壤总Cr含量、pH值和有机碳(OC)含量对小白菜吸收Cr有显著影响。小白菜Cr含量与土壤Cr含量呈正相关,而与土壤pH值、OC含量呈负相关。相比于土壤总Cr含量的单因素回归分析,将土壤总Cr含量、pH值和有机碳(OC)含量纳入逐步多元线性回归(SMLR)后评价Cr生物有效性时,相关性更高,决定系数由0.861提高到0.927。Cr在酸性土壤中生物富集系数(BCF)较碱性土壤中更大。利用合并CK、Cr1、Cr2处理3个处理的数据(n=45)得到Freundlich预测方程(R2=0.927,RMSE为0.12),较单独使用CK处理数据(R2=0.572,RMSE为0.25,n=15)和使用Cr1和Cr2处理结合的数据(R2=0.745,RMSE为0.17,n=30)得出的方程,能更准确地评估Cr在土壤中生物有效性,试验结果可用于预测Cr从土壤到小白菜的转移。     

巢湖流域典型农田土壤重金属污染评价与地理探测分析

为了分析巢湖流域农田土壤重金属污染特点,选择位于巢湖西部的A村进行了实地土壤样品采集,利用XRay荧光光谱仪对Zn、Cr、Cd、Hg、Pb、As、Cu、Ni 8种重金属元素进行测定,利用污染指数法和潜在生态风险指数法,对土壤重金属污染程度、空间分布和潜在生态风险进行评价。为了进一步分析土壤重金属污染的来源,采用主成分分析和聚类分析对重金属来源进行分类;利用地理探测器,选择高程、距铁路距离、距村庄距离、距公路距离、距水库距离和农用地分类作为变量因子,分析其与重金属污染分布的空间相关关系。研究结果表明,A村主要受到Hg(P_i17.2)、Cd(Pi10.3)污染;Pb、Cu、Zn、Ni主要来自成土母质源,Hg、Cr、Cd、As主要来自人为污染源;农用地类型(PD,H=0.405)和铁路分布(PD,H=0.362)对污染分布的解释力最强,Hg、Cd污染可能来自耕地、畜禽饲养和铁路运输污染,污水灌溉也会一定程度影响重金属污染空间分布。     

基于地统计学的土壤重金属分布与污染风险评价

在野外调查取样和室内分析获得大量土壤重金属含量数据和空间数据的基础上,利用经典统计学和普通克里格法(OK)对采样区域土壤重金属含量的空间变异性进行了分析,并利用指示克里格法(IK)和多变量指示克里格法(MVIK)绘制了各项重金属元素污染风险和土壤污染综合风险概率图。结果表明:岩溶地貌区土壤重金属As、Cd、Cr、Cu、Pb、Hg、Ni和Zn的含量显著高于非岩溶地貌区,各项重金属元素之间具有显著的相关性,说明它们存在很大的同源性和复合关系;受岩性、成土母质等内在因素的影响,各项重金属元素(除Cu元素外)都具有强烈的空间变异性,重金属元素含量高值主要分布在东南部和北部的岩溶地貌区,低值主要分布在西南部的非岩溶地貌区;采样区域存在As、Cd、Cu、Hg、Ni和Zn等重金属污染风险,其风险概率分别为0.326、0.805、0.185、0.192、0.267和0.270,土壤重金属污染综合风险概率为0.335。