基于高光谱数据的土壤有机质含量预测研究

[目的]快速、有效、非接触、非破坏性地提取土壤有机质含量信息.探索新疆绿洲农区如何应用高光谱遥感技术分析、模拟、评价、预测土壤有机质含量,促进高光谱分辨率遥感技术在农田土壤遥感诊断、作物科学种植、水肥分区管理、田间农情监测中的应用,为新疆实施精准农业提供科学理论参考.[方法]利用高光谱遥感技术提取土壤有机质含量信息的研究,采用美国ASD Field Spec Pro VNIR 2500型光谱辐射仪获取田间土壤不同有机质含量信息的高光谱反射率;通过光谱分析技术,运用各种土壤反射率数学变换形式,找出最具代表性的敏感波段,揭示土壤有机质含量与其光谱成因机理之间的内在联系.[结果]基于NDI预测土壤有机质含量的估算模型中以一元三次函数模型(YSOM=-4E+ 07XNDI3+ 2E+ 06XNDI2-21 338XNDI+ 110.44,R2=0.713 2)为最优,指数函数模型次之.[结论]基于归一化光谱指数NDI可以较好的估算土壤有机质含量,利用统计方法建立的经验模型,简单实用,将对特定区域、特定土壤的预测有较好的效果.     

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。     

利用可见光/近红外-短波红外光谱预测土壤总氮含量的研究

利用航天遥感影像,分析了影像光谱值与土壤总氮含量之间的关系.利用多元统计方法,建立了总氮含量预测模型,并制作了总氮含量分布图.     

基于高光谱成像技术的油菜叶片叶绿素含量预测

叶绿素是作物生长中的重要因素,可用于实时监测作物的生长状况。以常规高油酸油菜品种为材料,采用大田试验研究油菜叶片在不同栽培措施下幼苗期、蕾薹期叶片的光谱响应,通过计算反射光谱及其反射光谱的一阶导数与SPAD值的相关性,结合逐步回归挑选出油菜叶片敏感波段,并计算光谱指数。采用一元线性回归和神经网络建立叶绿素含量估算模型。结果表明,由光谱指数所构建的神经网络叶绿素估算模型,精度评价结果均显示比较高的水平,幼苗期反射率光谱指数构建的模型精度最高,决定系数R2为0807 0,均方根误差（RMSE）为1131 5,蕾薹期一阶导数光谱指数构建的模型精度最高,决定系数R2为 0873 2, 均方根误差（RMSE）为1322 3,在蕾薹期和幼苗期通过构建BP神经网络模型能够较好的对油菜叶绿素进行反演。为利用高光谱技术大范围监测油菜叶绿素含量提供了一定的理论依据。     

基于高光谱遥感的土壤氯化钠含量监测

为提高潍坊北部地区土壤氯化钠含量的监测精度,研究土壤氯化钠含量的高光谱估算方法,本研究利用光谱测量技术,以潍坊市北部海咸水入侵典型区域作为研究区,野外采集41个土壤光谱样本,并测定理化性质,对实测光谱反射率进行数学变换,与土壤样本氯化钠含量进行相关性分析,利用偏最小二乘回归分析法建立土壤氯化钠含量监测模型。研究结果表明:反射率一阶微分、二阶微分土壤氯化钠含量监测模型的决定系数均高于0.8,建模精度较高。经检验,反射率二阶微分是预测土壤氯化钠含量的最佳光谱指标,所建模型为Y=-828.278x6-635.832x7-348.817x2-583.591x9+360.329x4+1 044.751,建模决定系数为0.859,总均方根误差为0.274。说明将实测反射率光谱变换后利用偏最小二乘回归法建立的潍坊北部地区土壤氯化钠含量估算模型具有较高的可行性,能够较好地反演研究区土壤氯化钠含量,可为潍坊北部地区土壤盐渍化监测和评价提供参考。     

基于高光谱的土壤全氮含量估测

针对不同土壤特性的光谱相关分析,研究其与土壤全氮含量之间的关系,筛选出可以预测土壤全氮含量的最佳光谱特征参量,并构建相关估算模型。研究表明,土壤光谱反射率与土壤全氮含量之间呈较好的相关性。其中,全氮含量与土壤原始光谱反射率在1 867 nm处呈极显著负相关,相关系数达到-0.939 2;基于NDI预测土壤全氮含量的估算模型中,以指数函数关系模型(yTN=0.000 5e~(4.700 3)xNDI,R~2=0.798 2)为预测土壤全氮含量的最优模型,基于归一化光谱指数NDI在预测土壤全氮含量时表现出较好的效果。     

基于CARS-SAA的土壤铵态氮含量高光谱反演

利用高光谱技术对河套灌区土壤铵态氮含量检测过程中,为降低高光谱数据中存在的冗余变量信息对模型预测精度的影响。本文针对河套灌区土壤铵态氮含量提出了一种竞争性自适应重加权算法(CARS)和模拟退火算法(SAA)相结合的特征变量筛选方法,并建立偏最小二乘回归(PLSR)和随机森林回归(RF)相结合的预测模型(PLSR-RF、RF-PLSR)。结果表明,CARS-SAA能有效筛选变量个数和减小计算量,并稳定模型预测精度。其中,CARS-SAA-PLSR-RF模型的预测精度最佳,验证集的决定系数R²为0.902、均方根误差RMSE为1.583mg·kg^-1、相对分析误差RPD为3.198。具有很好的预测效果,可知CARS-SAA是一种有效的高光谱特征变量筛选方法,在提高预测精度的同时简化了模型的运算。该模型结合高光谱技术可以对河套灌区土壤铵态氮含量进行快速有效的无损检测。     

基于高光谱的土壤有机碳含量预测研究

[目的]对土壤有机碳含量进行预测研究。[方法]利用高光谱仪对表层土壤进行光谱测定并且进行光谱数据的预处理,通过多元线性逐步回归(SMLR)和偏最小二乘回归(PLSR)方法对土壤有机碳含量进行预测,并对2种模型的精度进行比较。[结果]LSR模型的精度高于SMLR模型。[结论]偏最小二乘回归法优于多元逐步回归法,对有机碳的预测具有更好的效果。     

基于高光谱的山区耕地土壤有机质含量估测

以贵州省典型山区耕地土壤高光谱数据为研究对象,基于光谱变换法和机器学习原理构建贵州省山区耕地土壤有机质(SOM)含量估算模型。于2020年8月至2021年3月在贵州省13个县(区、市)采集了120个土壤样品,检测土壤可见光-近红外波段光谱信息,利用5种光谱数据变换(原始光谱、一阶微分、二阶微分、倒数对数的一阶微分、连续统去除)和4类模型(偏最小二乘回归、支持向量机、随机森林和BP神经网络)组合出不同土壤有机质含量的预测模型,按照3∶1选择训练样本和测试样本以估算山区SOM含量。结果表明,一阶微分数据变换与山区SOM含量的相关性较高,相关系数最高达到-0.635;反演模型中,基于一阶微分光谱变换构建的BP神经网络模型精度最高,训练集、测试集的决定系数(R²)分别为0.845、0.838,测试集均方根误差(RMSE)为3.452,相对分析误差(RPD)达到2.470,其次是RF、PLSR模型的RPD较高,SVM模型的RPD最低。光谱数据变换中一阶微分法能极大程度提取出山区耕地的SOM含量信息,BP神经网络模型是估算山区SOM含量的最优模型,本研究结果可为贵州省山区耕地...     

黄土高原煤矿区复垦农田土壤有机质含量的高光谱预测

【目的】针对黄土高原丘陵地多、地形复杂、有机质含量低、采样困难以及因采煤活动引起大面积土地损毁等问题,在土地复垦与综合整治过程中,为快速定量监测与评估复垦农田土壤质量提供一种新的方法。【方法】以山西省襄垣县复垦农田土壤为研究对象,选取由北向南土地损毁中间条带状区域采集样品152个,进行室内土壤农化分析、光谱测定,运用ParLes 3.1软件对光谱曲线进行多元散射校正（multipication scatter correction,MSC）、基线偏移（baseline offset correction,BOC）和Savitzky-Golay filter平滑去噪预处理。对土壤原始光谱反射率（raw spectral reflectance,R）作一阶微分（first order differential reflectance,D（R））和倒数的对数变换（inverse-lg reflectance ,lg（1/R））,分析3种不同变换形式的光谱数据与土壤有机质含量的相关性,相关系数通过P=0.01水平显著性检验来确定显著性波段的范围。基于全波段（400-2400 nm）和显著性波段利用偏最小二乘回归（partial least squares regression,PLSR）分析方法建立该区域土壤有机质含量高光谱预测模型,通过模型精度评价指标：决定系数（coefficient of determination,R²）、均方根误差（root mean square error,RMSE）和相对预测偏差（residual prediction deviation,PRD）确定最优模型。【结果】通过P=0.01水平显著性检验的波段范围为：R的400-1 800、1880-2 400 nm;D（R）的420-790、1 020-1 040、2 150-2 200 nm;lg（1/R）的400-1 830、1 860-2 400 nm。光谱与有机质含量的相关系数绝对值最大的波段是R的800 nm;D（R）的600 nm;lg（1/R）的760 nm。进行D（R）变换,光谱曲线的吸收特征更加明显,相关系数在可见光（400-800 nm）波段范围内有所增加,其最大值由0.72提高到了0.82;基于显著性波段的PLSR建模效果优于全波段,其中lg（1/R）变换的预测精度为最佳,具有很好的预测能力,其校正模型的R²和RMSE分别为0.95、7.64,预测模型的R²、RMSE和RPD分别为0.85、3.00、2.56;基于全波段的R-PLSR和lg（1/R）-PLSR模型具有较好的预测能力,其预测模型的R²、RMSE和RPD分别为0.79、3.64、2.10和0.79、3.53、2.17,而D（R）-PLSR模型只能进行粗略估测,其预测模型的R²、RMSE和RPD分别为0.61、5.43、1.41。综合分析全波段和显著性波段3种光谱数据的预测精度,发现基于显著性波段的R-PLSR、D（R）-PLSR、lg（1/R）-PLSR模型均取得了显著的预测效果。【结论】研究区土壤光谱反射率与土壤有机质含量具有高度的相关性,应用偏最小二乘回归分析方法可以很好地建立土壤有机质含量反演模型。     

基于高光谱的干旱区盐渍化土壤盐分含量估算

针对目前干旱半干旱区存在的土壤盐渍化问题,以新疆维吾尔自治区渭干河-库车河三角洲绿洲为研究区,对土壤样品总盐含量及其光谱反射率进行测量。经过15种数学变换,遴选出达到0.01显著性检验的变换形式,利用偏最小二乘回归、主成分回归和多元逐步线性回归方法建立土壤盐分的估算模型。结果表明,(1)多种光谱数据变换形式中,以微分为基础的变换方法具有很好的效果;(2)基于多元逐步线性回归的立方根一阶微分光谱特征波段所构建的模型最优,模型的稳定性和预测精度最高,R2=0.85,RMSEc=1.8 g/kg,RPD=2.36。本研究所建立的模型将为估算土壤盐渍化提供理论依据。     

基于CARS-BPNN的江西省土壤有机碳含量高光谱预测

【目的】探讨光谱变量选择及依据土壤类型进行分层校准两种方法对高光谱预测土壤有机碳（SOC）精度的影响。【方法】以江西省为研究区,490个土壤样本为研究对象,对研究区内的所有样本以及不同土壤类型样本分别通过竞争性自适应重加权采样（CARS）算法筛选特征波段,并采用偏最小二乘回归（PLSR）、支持向量机（SVM）、随机森林（RF）、反向传播神经网络（BPNN）4种模型,对比不同土壤类型下SOC在全波段以及CARS算法筛选后特征波段的预测精度。进而,还对比了全局校准和分层校准下SOC在全波段以及CARS算法筛选后特征波段的预测精度。【结果】（1）红壤筛选的特征波段为484、683—714和2 219—2 227 nm,水稻土筛选的特征波段为484、689—702和2 146—2 156 nm。红壤采用CARS-BPNN模型预测效果最佳（R ²=0.82）,较全波段建模验证集R ²提升0.07。水稻土采用CARS-RF模型预测效果最佳（R ²=0.83）,较全波段建模验证集R ²提升0.13。（2）在总体样本上,分层校准相比全局校准精度有所提升。采用CARS-BPNN进行分层校准预测效果最佳（R ²=0.82）,较全局校准验证集R ²提升0.06。【结论】采用CARS-BPNN进行分层校准能够较好地预测江西省土壤有机碳含量,本研究可为其他类似地区预测土壤属性提供科学依据。     

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。     

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。     

基于高光谱成像技术的羊肉新鲜度预测

为实现羊肉新鲜度的快速、无损检测,应用高光谱成像技术对不同存储天数的羊肉建立挥发性盐基氮TVB-N(Total volatile basic nitrogen,TVB-N)含量预测模型。通过高光谱成像系统获取羊肉样本935～2 539nm的高光谱图像,选取样本左上、左下、右上、右下和中间5个位置20×20像素的方形作为感兴趣区域(Region of interesting,ROI),提取ROI并计算区域内样本平均光谱。利用二进制粒子群优化算法(Binary particle swarm optimization,BPSO)和相关系数分析法(Correlation coefficient,CC)提取羊肉TVB-N高光谱特征变量,结合偏最小二乘回归(Partial least squares regression,PLSR)和随机森林回归(Random forest regression,RFR)建模算法,分别建立表征羊肉TVB-N含量的BPSO-PLSR、BPSO-RFR、CC-PLSR、CC-RFR预测模型。依据袋外均方根误差RMSEOOB最小原则,对最佳回归子树和分裂特征2个主要参数进行寻优以提高RFR建模算法的预测精度。比较4个模型的预测效果发现,BPSO-RFR模型的预测精度最高,其校正集决定系数R_c~2和均方根误差RMSEC分别为0.87和2.99,预测集决定系数R_p~2和均方根误差RMSEP分别为0.86和3.36。综上,高光谱成像技术和机器学习算法的有机结合为快速有效检测肉品新鲜度提供了理论依据。     

基于SAGA-SVR预测模型的水稻种子 水分含量高光谱检测

[目的]利用高光谱技术测定水稻种子的水分含量,为其品质监测和筛选提供参考依据,从而提高水稻良种筛选率.[方法]通过电烘箱恒重法制备120份不同水分含量的水稻种子样本作为研究对象,利用多项式平滑(Savitz-ky-Golay,S-G)算法对原始光谱数据进行降噪平滑处理,采用连续投影算法(Successive projections algorithm,SPA)对预处理后的数据进行特征波长的优选.为提高建模效率,提高各水分含量区间光谱特征值的区分度,使用模糊C-均值聚类(Fuzzy C-means clustering,FCM)算法对各区间的样本数据进行聚类处理,最后利用支持向量回归机(Sup-port vector regression,SVR)定量检测模型建立特征光谱数据与水稻种子水分含量的映射关系.[结果]由于FCM未达到预期的聚类效果,而引入遗传模拟退火算法(Simulated annealing genetic algorithm,SAGA)进行聚类,分别对基于原始特征值、FCM及SAGA聚类的SVR训练结果进行比较,发现基于SAGA聚类的光谱样本数据训练效果更好,预测集决定系数可达0.8956,均方根误差3.75%.由于决定系数不够理想,引入松弛变量降低间隔阈值,最终模型预测集决定系数为0.9286,均方根误差为3.42%,此时模型达最佳性能,能满足实际应用需求.[建议]基于聚类算法,提高光谱数据的准确性;通过合理调整模型参数,提高预测模型性能;推动高光谱农产品检测相关装备的研制.     

基于多元统计分析的土壤铬含量高光谱估测模型

快速测定土壤重金属的含量,对防治土壤环境污染具有重要意义。本文以山东省烟台市的70个棕壤样本为研究对象,对室外光谱数据进行多种数学变换,根据极大相关性原则从光谱的一阶微分、对数倒数的一阶微分和倒数的一阶微分三种变换中选取5个波段作为反演因子,即:R_(1910.5)(一阶微分)、R_(674.1)(对数倒数的一阶微分)、R_(1609.4)、R_(1231.3)、R_(1127.3)(倒数的一阶微分),然后利用多元统计分析方法和BP神经网络方法分别建立土壤金属铬含量高光谱估测模型。实验结果表明,当利用多元统计分析方法建立估测模型时,14个检验样本的平均相对误差为4.906%,模型的决定系数R~2=0.971,其效果优于BP神经网络模型。研究表明,利用多元统计分析法建立土壤金属铬含量高光谱估测模型是有效的。     

星载GF-5 AHSI 高光谱影像不同光谱波段土壤有机质 含量预测精度比较

【目的】探讨星载高分五号（GF-5）高光谱影像不同光谱波段对SOM 含量预测精度差 异,明确有效光谱波段范围,以便提高SOM 含量高光谱预测精度。【方法】该研究以黑龙江 省建三江农垦区为研究区域,将GF-5 可见短波红外高光谱相机（AHSI）获取的高光谱数据 划分为可见光- 近红外（VNIR）、短波红外（SWIR）和VNIR-SWIR 3 种不同光谱波段,并 将光谱反射率进行了9 种光谱数学变换;分别采用多元逐步回归（MLSR）和偏最小二乘回 归（PLSR）构建SOM 含量预测模型,评价分析了3 种不同光谱波段预测SOM 含量的精度差 异。【结果】在MLSR 模型中,VNIR-SWIR 的对数倒数一阶微分SOM 含量预测精度相对较 高,验证精度决定系数R2 val 为0.383,均方根误差RMSEP 为5.009;在PLSR 模型中,VNIR 反射率的SOM 含量预测精度较高,验证精度R2 val 为0.359,RMSEP 为4.170。【结论】GF-5 AHSI SOM 含量预测精度较高的光谱波段为VNIR 和VNIR-SWIR。卫星数据质量、研究区域 自然条件、数据预处理过程、建模方法选择等因素共同影响SOM 含量预测模型精度,通过 技术和方法改进,GF-5 数据预测SOM 含量的潜力更大。     

基于高光谱的土壤有机质含量预测模型的建立与评价

 【目的】土壤有机质含量是反映土壤肥力的重要特征，利用高光谱技术对有机质（OM）含量进行定量化反演为土壤信息化管理和资源评价提供了重要的依据。【方法】利用ASD2500高光谱仪在室内条件下测定了风干土壤样品的可见—近红外光谱，分析了不同区域范围土壤光谱反射率曲线形状变化和土壤有机质含量的变化特点，并针对东北地区以黑土为主的土样光谱反射率不同变换形式与有机质含量进行了相关性分析。【结果】结果表明，有机质含量较高的黑土的光谱曲线与其它土壤类型的光谱曲线在形状上有很大差异，即在600～900 nm附近，以黑龙江土样为代表的东北黑土表现为直缓上升，而河南和山东的潮土则表现为曲陡上升。相关分析结果表明，土壤有机质含量与原始光谱反射率在545～830 nm呈显著负相关，其中在580～738 nm波段范围内达到极显著负相关。与一阶导数光谱相关性进一步增强，在481～598 nm呈现极显著负相关，而在816～932 nm和1 039～1 415 nm波段范围内具有极显著的正相关性。土壤有机质含量与部分波段处的吸收深度和反射峰高度也表现为不同程度的相关性。【结论】利用570～590 nm波段的一阶导数光谱和1 280 nm处反射峰高度P_Depth1280可以较好地预测东北主要土壤类型有机质含量。在此基础上建立了土壤有机质含量的高光谱反演模型并进行了验证。     

基于高光谱技术的一种TPC-TELM模型应用于土壤重金属含量反演研究

随着工业化的不断推进,土壤重金属污染情况十分严重。重金属污染对于环境保护,人类安全都有很大的影响。砷作为一种毒性很强的重金属元素,对其进行反演研究,这对环境保护有着重要意义。传统的土壤重金属含量检测方法多为繁杂的实验室化学处理方法,耗费大量时间且成本高昂。为研发一种快速、准确检测土壤砷含量的方法,首先在可见光-近红外光波段获得原始反射光谱,使用三波段光谱指数分析波段间的相互作用,利用相关系数法获得最优的光谱参数组合,从而提取优质光谱特征。双隐含层极限学习机（TELM）是一种前馈神经网络模型。TELM在单隐含层极限学习机的基础上引入了新的隐含层和学习机制,有较高的性能。但是由于TELM第一隐含层参数是随机获得的,容易导致模型的不稳定,利用粒子群优化（PSO）算法对该层参数进行寻优。PSO是一种经典的智能优化算法,具有很强的全局搜索能力。针对PSO容易陷入局部最优点的缺点,引入新的交叉策略,通过该交叉策略,可以帮助其摆脱局部最优,并提出基于三波段光谱指数和交叉粒子群算法的双隐含层极限学习机混合模型（TPC-TELM）。为验证模型的有效性,将其与多个机器学习模型（如单层极限学习机和TELM等...