连续小波变换高光谱数据的土壤有机质含量反演模型构建

土壤有机质含量是反映土壤肥力的重要指标,对其进行动态监测是实施精准农业的重要措施。近年来,众多学者尝试采用土壤近地传感(proximal soil sensing),尤其是近地高光谱技术,在田间和实验室获取不同形态土壤的高光谱数据,不断引入新方法建立适用于不同地域和不同土壤类型的有机质含量的反演模型。该研究在实验室内利用ASD FS3采集了土壤高光谱数据,采用“重铬酸钾-外加热法”测得了土壤有机质含量;分析了土壤原始光谱反射率(R)与有机质含量的相关性,选取R2>0.15的敏感波段的反射率;利用CWT对土壤原始光谱反射率(R)、光谱反射率的连续统去除(CR)进行不同尺度的分解,分析小波系数与土壤有机质含量的相关性,选取R2>0.3的敏感波段的小波系数;利用R选取的波段信息和R-CWT,CR-CWT的选取的小波系数,分别建立偏最小二乘回归(PLSR)、BP神经网络(BPNN)、支持向量机回归(SVMR)三种不同的土壤有机质含量反演模型。结果表明：相比R与土壤有机质含量的决定系数R2,R-CWT,CR-CWT变换后得到的小波系数与土壤有机质含量的决定系数R2分别提高了0.15和0.2左右;CR-CWT-SVMR的模型效果最为显著,预测集的R2和RMSE分别为0.83,4.02,RPD值为2.48,具有较高的估测精度,能够全面稳定地估算土壤有机质含量;CR-CWT-PLSR的模型精度与CR-CWT-BPNN,CR-CWT-SVMR相比虽有一定差距,但是其计算量要明显小于非线性的BPNN和SVMR方法,具有模型简单、运算速度快等特点,对开发与设计田间传感器具有较大的应用价值。     

典型半干旱区土壤盐分高光谱特征反演

选取陕北典型半干旱区为研究对象,利用土壤高光谱特征对盐分进行反演研究。在研究区域选取样点,采集土壤样品测定土壤光谱特征,以土壤反射率(R)、反射率对倒数(Log(1/R))及去包络线的反射率(R_cr)三个光谱特征进行土壤盐分反演研究,分析其与土壤盐分的相关性,遴选特征波段,并通过Matlab编程利用最小偏二乘回归方法(partial least squares regression,PLSR)建立土壤盐分定量反演模型,然后利用检验样点进行精度检验和比较。结果表明,利用经包络线去除后光谱反射率进行定量反演的均方根预测误差最小(1.253<1.367<1.575),其预测精度最高;利用土壤高光谱特征进行盐分反演的预测值与实测值相关性良好(r2=0.761),趋势线接近于y=x。总之,研究发现,土壤反射率经过包络线去除后,利用偏最小二乘回归方法建立的反演模型具有良好的精度,这将有利于提高土壤盐渍化的监测效率。     

土壤有机质和母质特征对典型水稻土时间序列VNIR漫反射光谱的影响与解析

为研究水稻土的光谱特征及其对不同土壤组分的响应规律,研究采集江西省发育于红粘土(RC)和红砂岩(RS)的两个水稻土时间序列为研究对象。以水稻土时间序列为研究对象的优势在于,样本有相同的土地管理背景,母质和种稻时间成为土壤发育过程中的两个主导差异因素,进而能够对土壤有机质(SOM)和母质特征在光谱上的响应特征进行研究。使用Cary 5000分光光度计采集样品在350～2 500 nm波段的漫反射光谱信息,并从土壤层次、成土时间和成土母质三个方面,论述了在VNIR波段水稻土中的主要有机质和无机矿物组成的光谱响应特征和规律。实验结果表明：对于单一母质的时间序列土壤样品而言,SOM增加是人为水耕条件下土壤演变的重要趋势之一,用PC_1 Score表征的整体反射率与SOM含量间可建立精度较高的模型(R2_RC=0.91,R2_RS=0.79),且在SOM含量低值区也能保证较高精度;1 400,1 900和2 200 nm三个波段处的吸收强度主要与母质中的矿物有关,在土壤剖面中下层土壤受人为作用较弱、土层吸收强度较大,且相同母质的土壤光谱,在这三个波段有相同的吸收峰强度比值,可作为判断母质同质的依据;母质成分的差异会显著影响土壤光谱的波形以及吸收强度,在建模中充分考虑母质因素将使模型更具解释性。     

基于高光谱反射、透射和交互作用成像模式的蓝莓硬度和弹性模量预测的比较

构建了高光谱反射、透射和交互作用成像系统对蓝莓的硬度和弹性模量进行无损检测,并对比不同成像模式的预测准确率。反射高光谱图像采用以大津法为核心的算法进行分割,而透射和交互作用高光谱图像利用基于区域增长的算法进行分割。对提取平均光谱分别进行标准正态变量变换(SNV)和一阶SG卷积平滑(Der),并构建相应光谱的最小二乘支持向量机模型。在全波段模型中,基于SNV预处理反射光(Reflectance-SNV)模型对蓝莓硬度的预测相关系数(R_p)=0.80,相对预测误差(RPD)=1.76;基于SNV预处理透射光(Transmittance-SNV)模型对蓝莓弹性模量的R_p(RPD)=0.78 (1.74)。随机蛙跳算法(Random Frog)可以有效地减少了建模所需的波段数,同时还提高了大部分模型的预测准确率。基于随机蛙跳选择的Der交互作用光(Random Frog-interactance-Der)模型对蓝莓硬度的R_p(RPD)=0.80(1.83),但该模型建模所需的波段数为140;基于随机蛙跳算法的SNV透射光(Random Frog-Transmittance-SNV)模型对蓝莓弹性模量的R_p(RPD)=0.82(1.83),同时该模型建模所需的波段数为20。     

基于小波变换与偏最小二乘耦合模型估测北方潮土有机质含量

基于北京市通州、顺义两区52个潮土样品高光谱数据,利用离散小波多尺度分析技术对其进行处理分析。首先将光谱按六种尺度进行分解,然后将各尺度分解数据与土壤有机质含量进行相关性分析,并筛选敏感波段,最后利用偏最小二乘法构建土壤有机质含量估测模型。结果表明：土壤光谱反射率经小波变换后,在参与建模的特征波段中,近红外波段居多,即近红外波段估测有机质含量的贡献高于可见光波段;低频信息对有机质含量的估测能力优于高频信息;高频信息对土壤有机质含量的估测精度随光谱分辨率降低而降低;与常用光谱变换算法相比,小波变换分析法在一定程度上提高了土壤光谱对有机质含量的估测能力,其低频信息与高频信息构建的最优模型预测精度均较高,低频信息的R2=0.722,RMSE=0.221,高频信息的R2=0.670,RMSE=0.255。     

高光谱技术联合归一化光谱指数估算土壤有机质含量

随着近地高光谱遥感技术的发展,为快速、有效、非破坏性地获取土壤有机质(SOM)信息提供了可能。土壤高光谱波段数据众多,光谱数据变量之间存在较为严重的多重共线性,影响模型复杂结构,而构建归一化光谱指数(NDSI)可以有效去除冗余信息变量,放大光谱特征信息。以江汉平原公安县为研究区,采集56份耕层土样,在室内获取土壤光谱数据,采用“重铬酸钾-外加热法”测定SOM含量,对实测土壤光谱数据(Raw)进行倒数之对数(LR)、一阶微分(FDR)和连续统去除(CR)三种变换,计算四种变换的NDSI数值,分析SOM与NDSI的二维相关性,并对一维、二维相关系数进行全波段范围内的p=0.001水平上显著性检验,提取敏感波段和敏感光谱指数,结合偏最小二乘回归(PLSR)建立SOM的估算模型,探讨二维光谱指数用于建模的可行性。研究表明,二维相关系数相比一维相关系数有不同程度的提升,以LR最为显著,相关系数数值提升约0.26;基于二维相关性分析提取的敏感光谱指数的PLSR建模效果整体优于一维相关性分析提取的敏感波段,其中,NDSI_LR-PLSR模型的稳健性最优,验证集R2为0.82,模型验证RPD值为2.46,模型稳定可靠,可以满足SOM的精确监测需要,适合推广到区域范围内低分辨率的航空航天遥感(如ASTER,Landsat TM等),应用潜力较大。     

西北盐碱土理化性质的高光谱建模及预测

高光谱数据具有光谱分辨率高、波段连续性强、信息丰富等特点,在土壤信息的监测中得到广泛应用。利用高光谱遥感技术测定盐渍化土壤属性对灌区农作物的生长和农业可持续发展具有重要意义。采集玛纳斯河流域221个土壤样品,分别测定土壤电导率(EC)、有机质(SOM)和Na+, Ca2+, Mg2+三种离子浓度含量等土壤理化性质和光谱反射率曲线,并由三种离子含量得出钠吸附比值(SAR),采用逐步线性回归方法建立EC,SOM和SAR与原始光谱反射率(R)、标准正态变量(SNV)、归一化差异植被指数(NDVI)、倒数的对数(LR)、一阶微分(FDR)和去包络线(CR)等六种指标的模型。模型验证结果表明,相较其他五种变量的模型,以R为自变量的EC对数模型精度最高,相关系数为0.782,均方根误差为0.256。以NDVI为自变量的土SOM预测模型精度最高,相关系数为0.670,均方根误差为5.352。以FDR为自变量的SAR预测模型精度最高,相关系数为0.647,均方根误差为1.932。EC预测模型效果最好,SOM预测模型次之,SAR预测模型精度最低。最优模型中EC,SOM和SAR的敏感波长分别分布于395~1 801,352~1 144和394~1 011 nm波段。由于土壤中各属性的差异和不同成分空间分布的变异性,对于不同土壤性质的建模和验证结果差异较大。本研究可为盐渍化土壤的高光谱遥感监测提供依据。     

基于GA和CARS的真空包装冷却羊肉细菌菌落总数高光谱检测

在光谱建模过程中,采用不同的变量筛选算法进行光谱特征波段的提取已成为提高模型效果的重要方法。以真空包装的冷却羊肉细菌菌落总数作为研究指标,比较了两种变量筛选算法对其高光谱偏最小二乘(partial least squares, PLS)模型效果的影响。研究提取了样品肌肉感兴趣区域(ROIs)的羊肉光谱并进行预处理,进而采用遗传算法(genetic algorithm, GA)和竞争性自适应重加权法(competitive adaptive reweighted sampling, CARS)分别对预处理后的473～1 000 nm范围光谱进行特征波段的提取,对比分析了不同波段下羊肉细菌菌落总数的GA-PLS, CARS-PLS和全波段PLS(W-PLS)模型效果。结果表明,GA-PLS和CARS-PLS的模型效果均优于W-PLS,且CARS-PLS模型效果最好,其校正集的决定系数(R2_c)和均方根误差(root mean square error, RMSEC)分别为0.96和0.29,交互验证的决定系数(R2_cv)和均方根误差(root mean square errorof cross validation, RMSECV)分别为0.92和0.46,预测集的决定系数(R2_p)和均方根误差(root mean square error of prediction, RMSEP)分别为0.92和0.47,预测相对分析误差(relative prediction deviation, RPD)为3.58。因此利用高光谱图像技术结合CARS-PLS可以实现羊肉细菌菌落总数快速无损准确检测。     

基于实测高光谱和电磁感应数据的区域土壤盐渍化遥感监测研究

以新疆渭干河—库车河三角洲绿洲为例,利用实测得到的不同盐渍化程度的盐渍土高光谱数据和电磁感应数据(EM38)协同构建土壤高光谱盐分指数遥感监测模型,将该模型通过尺度效应转换用于校正传统的Landsat-TM多光谱遥感影像的土壤盐分光谱指数,用校正过的TM影像进行区域土壤盐分的反演,并利用实测土壤盐分数据对反演结果进行分析与验证。结果表明：将高光谱和电磁感应数据与多光谱遥感技术相结合进行区域土壤盐渍化信息的提取,其精度和反演效果(R2=0.799 3,p<0.01)明显优于传统多光谱遥感方法中单纯利用土壤盐分指数所建立的监测模型(R2=0.587 4,p<0.01),为今后更好地实现土壤盐渍化的高精度遥感动态监测研究提供了科学依据。     

基于多角度成像数据的新型植被指数构建与叶绿素含量估算

叶绿素含量的快速估算对于及时了解作物的长势、病虫害监测以及产量的评估都具有重要意义。利用自主研发的多角度成像观测系统获取了不同生育期玉米的高光谱影像,精确地提取出主平面内各个观测角度下玉米冠层的反射率。通过对ACRM模型模拟值和实测值的分析,计算出玉米冠层红波段下的热点-暗点指数(HDS),并利用该指数对TCARI进行改进,提出一个基于多角度观测的新型植被指数HD-TCARI,最后使用多角度高光谱成像数据对其进行了地面验证。结果表明,HD-TCARI能够减小LAI对叶绿素估算的影响,当叶绿素浓度大于30 μg·cm-2,HD-TCARI与LAI的相关性R2仅为26.88%～28.72%;当叶绿素浓度较高时,HD-TCARI具有抗“饱和”的特性在LAI在1～6之间变化时,HD-TCARI与叶绿素浓度的线性关系R2较TCARI提高了约9%左右。利用多角度高光谱成像数据对HD-TCARI进行地面验证,其与叶绿素浓度的线性关系(R2=66.74%)明显优于TCARI所建立的估算模型(R2=39.92%),证明了HD-TCARI指数具有更好地估算叶绿素浓度的潜力。     

土壤水分对近红外光谱实时检测土壤全氮的影响研究

利用近红外光谱技术实时预测土壤全氮含量是精细农业的研究热点之一,但是由于土壤水分在近红外波段的吸收系数较高,影响了土壤全氮含量的实时预测精度。使用布鲁克MATRIX_I傅里叶近红外光谱分析仪对不同土壤水分的土壤样本进行了近红外光谱扫描,定性和定量的分析了土壤水分对近红外光谱的影响,并提出了一种消除土壤水分对土壤全氮含量预测影响的方法。近红外光谱扫描结果显示在同一全氮含量水平下,随着土壤水分含量的增加,光谱吸光度呈逐渐上升的趋势,且变化趋势为非线性。通过对1 450和1 940 nm两个水分吸收波段的差分处理,设计了水分吸收指数MAI（moisture absorbance index）,再对土壤按照水分含量梯度进行分类,提出了相应的修正系数。修正后的6个土壤全氮特征波段处(940,1 050,1 100,1 200,1 300和1 550 nm)的土壤吸光度值作为建模自变量,使用BP神经网络建立了土壤全氮预测模型,模型的R_C,R_V,RMSEC,RMSEP和RPD分别达到了0.86,0.81,0.06,0.05和2.75;与原始吸光度所建模型相比较模型精度得到了显著提高。实验结果表明本方法可以有效地消除土壤水分对近红外光谱检测土壤全氮含量预测的影响,为土壤全氮含量实时预测提供了理论和技术支持。     

基于光谱技术的农林生物质原料组分和热值的快速测定

快速检测生物质原料特性对生产高品质压缩成型燃料具有重要意义。利用光谱技术建立松木、杉木和棉杆三类农林生物质组分(水分、灰分、挥发分和固定碳)和热值预测模型。相比原始光谱,基于一阶导数光谱的偏最小二乘回归(PLS)模型预测精度较高。灰分、挥发分和水分PLS模型交叉校验决定系数(R2)分别为0.97,0.94和0.90,预测偏差比率(RPD)分别为6.57,4.00和3.01。固定碳和热值PLS模型精度一般,R2分别为0.85和0.87,RPD分别为2.55和2.73。实验结果表明,利用可见-近红外光谱技术完全可以替代传统工业分析方法,从而实现农林生物质原料组分和热值的快速测定。     

基于近红外漫反射光谱的农田原位表层土壤含水量定量建模方法比较

在农田尺度下,土壤表层因理化性状、粗糙度、作物根系和秸秆残茬等引起的空间异质性较为明显,样点间含水量差别相对较小,这对基于近红外漫反射光谱技术的表层土壤含水量原位测定带来极大的挑战。本研究分别利用基于单一波长(1 200,1 400,1 450,1 820,1 940,2 000和2 250 nm)反射率构建的指数衰减模型、基于归一化土壤湿度指数(NSMI)和相对吸收深度(RAD)构建的线性模型、基于土壤含水量高斯模型(SMGM)所得的拐点宽度(σ)、函数中心振幅(R_d)和高斯曲线面积(A)三个参数构建的线性或二次模型,以及基于波长区间反射率构建的偏最小二乘模型(PLS),对土壤体积含水量(VMC)进行定量分析。结果表明：(1)在单一波长反射率构建的所有指数衰减模型中,2 000 nm波长显示出最佳验证效果,RMSEp最低(2.463),RPD最大(1.06);(2)与RAD相比,NSMI的验证精度更令人满意,R2(0.312)和RPD(1.224)更高,RMSEp(2.133)更低;(3)在SMGM模型参数以及PLS模型拟合VMC的验证结果中,R_d具有最佳拟合精度,其R2(0.253)和RPD(1.175)最高,RMSEp(2.222)最低;(4)总的来看,NSMI指标构建的线性模型是所有方法中精度最高的,而且计算过程简单,易于操作,可作为表层土壤含水量原位测定的首选方法。     

亚热带土壤铬元素的高光谱响应和反演模型

高光谱遥感技术已成为当前遥感领域的前沿技术,因其高分辨率的特点,可利用地物反射光谱特征定量反演地物的物理化学性质。目前土壤环境质量愈来愈受到关注,土壤重金属含量与土壤环境质量安全密切相关,以往土壤高光谱遥感技术研究多注重于土壤有机成分如土壤碳氮的光谱反演模型,对土壤重金属含量的高光谱反演研究普遍较少。土壤重金属污染已经成为影响土壤质量安全的关键因素,对土壤重金属尤其是污染元素普查是当务之急。传统土壤重金属的测试方法要求条件较高,测试周期较长,试图建立土壤高光谱与土壤铬元素(ICP-MS测定)含量之间的定量预测模型,以实现土壤铬元素的快速准确预测。采集福州市土壤样品135个,对土壤样品在350～2 500 nm的光谱反射率进行倒数、对数、微分等六种变换,筛选出对土壤总铬含量敏感的光谱波段,最后获得福州土壤铬元素高光谱反演优化模型。研究结果表明：亚热带红壤总铬的敏感光谱波段为：可见光520～530 nm和近红外1 440～1 450,2 010～2 020,2 230～2 240 nm;亚热带地区土壤总铬—高光谱反演的优化模型为: y=120.768e-7.037x(相关系数R为0.568,均方根误差为0.619 μg·g-1,检验相关系数R为0.484,均方根误差为1.426 μg·g-1),该模型可以用于福州地区土壤全铬的光谱快速监测。     

亚热带红壤全氮的高光谱响应和反演特征研究

利用高光谱遥感技术反演土壤性质已经成为土壤学和遥感科学研究领域的新手段,特别对土壤化学元素含量的高光谱反演,已成为土壤元素快速监测方法的的研究热点。以往研究往往关注不同类型土壤的化学元素光谱响应特征模型,以试图找到普适性的元素-光谱反演模型。由于成土因素的复杂性,土壤类型及其化学元素分布具有明显的空间异质性特征,宏观尺度上的土壤-光谱统计反演模型客观上具有较大的不确定性。若范围缩小到同一个气候带,土壤生物地球化学反应过程较相似,土壤化学元素-光谱反演模型的不确定性相对较小。以福州市为研究区,采集福州市典型红壤样品135个,研究土壤全氮含量的高光谱响应特征,对土壤样品在350～2 500 nm的光谱反射率分别进行倒数对数、微分等五种变换,分析变换后的光谱信息与土壤总氮含量的相关性,筛选出强相关敏感波段,通过设计不同的建模和验证样品比例,用逐步多元线性回归获得福州土壤的氮元素高光谱反演优化模型。结果表明：亚热带红壤全氮的敏感光谱波段为：可见光634～688 nm和红外872,873,1 414和1 415 nm;亚热带沿海地区土壤全氮—高光谱反演的优化模型为: Y=5.384X664-1.039(决定系数R2为0.616,均方根误差为0.422 mg·g-1,检验R2为0.608,均方根误差为0.546 mg·g-1),该模型可以用于福州地区土壤全氮的光谱快速监测。     

光谱测定黑河上游土壤有机质的预测模型

地面高光谱遥感光谱分辨率高,能详细地反映地物波谱特征;多光谱遥感时域宽,覆盖范围广,对较大时空区域的地物特征反演具有更大的优势。探求以不同反射率指标的土壤有机质含量预测模型,及其敏感波段,可以结合两种光谱数据的优点,为研究土壤有机质含量的时空变化规律提供新途径。本研究选取黑河上游223个土壤样品测定其有机质含量和高光谱曲线,应用原始光谱曲线反射率(λ)、倒数(REC)、倒数之对数(LR)、归一化(CR)和一阶微分(FRD)五种指标,采用逐步线性回归分析方法建立预测模型。通过统计检验,结果表明,以反射率指标为自变量的模型预测效果最佳,其相关系数(r)和均方根误差(RMSE)分别为：0.863和4.79。最优模型中得出的敏感波段有TM1内的474 nm、TM3内的636 nm和TM5内的1 632 nm。研究结果可为使用TM遥感数据反演黑河上游土壤有机质含量提供参考。     

冬枣光谱数据的灰色关联分析及叶片氮素含量预测

采用灰色理论对冬枣叶片氮素含量和光谱反射率之间进行了灰度关联分析,分析结果显示波长560,678以及786 nm处的光谱反射率(G560,R678,NIR786)与冬枣叶片氮素含量之间的灰色关联度最高。利用上述三个特征波段光谱反射率计算得到的植被指数共计9个。进一步运用灰色系统理论分析了九种植被指数与叶片氮素含量的灰色关联度,结果显示：归一化植被指数(NDVI)、绿色比值植被指数(GRVI)、归一化差异绿度植被指数(NDGI)、绿色归一化植被指数(GNDVI)和组合归一化植被指数(CNDVI)等5个指数与叶片氮素含量的灰色关联度较高。利用3个特征波段的光谱反射率和5个关联度较高的植被指数,分别采用最小二乘支持向量机(LS-SVM)以及GM(1,N)模型建立了冬枣叶片氮素含量预测模型。结果表明,采用特征波段光谱反射率(G560,R678,NIR786)建立的冬枣叶片氮素含量GM(1,N)模型的精度最高,预测R2达0.928,验证R2达0.896。     

利用光谱指数反演植被叶绿素含量的精度及稳定性研究

农业遥感中,利用光谱指数方法反演作物叶绿素含量一直得到广泛地应用。利用PSR-3500光谱仪及SPAD-502叶绿素仪同步获取了冬小麦冠层光谱数据及对应叶片的叶绿素相对含量(SPAD值),并利用高斯光谱响应模型将PSR获取的地面连续光谱数据重采样为多光谱Landsat-TM7及高光谱Hyperion光谱数据,然后分别计算基于两种传感器的归一化差值植被指数(normalized difference vegetation index, NDVI)、综合叶绿素光谱指数(MCARI/OSAVI,the ratio of the modified transformed chlorophyll absorption ratio index (MCARI) to optimized soil adjusted vegetation index(OSAVI))、三角形植被指数(triangle vegetation index, TVI)及通用植被指数(vegetation index based on universal pattern decomposition method, VIUPD),再将四种光谱指数与叶绿素含量进行回归分析。结果表明,针对重采样后的TM和Hyperion两种传感器数据,VIUPD反演叶绿素含量精度(决定系数R2)最高,反演能力最稳定,这与其“不受传感器影响”的特性密不可分;MCARI/OSAVI反演精度和稳定性次之,是因为引入的OSAVI削弱了土壤背景的影响;宽波段指数NDVI和TVI对模拟TM数据有较好的反演精度,对Hyperion数据反演精度却很低,可能是因为两种指数的构成形式简单,考虑的影响因素较少。以冬小麦为例,对利用光谱指数反演植被叶绿素含量的精度和稳定性进行了研究并分析了其影响因素,经比较发现利用植被指数VIUPD进行植被叶绿素含量反演时,其精度和稳定性最好。