湿地土壤硝化微生物群落的高光谱研究

氮循环是土壤生态系统元素循环的重要过程,其中硝化作用对于土壤氮循环有重要影响。硝化作用的主要完成者是硝化微生物群落,土壤微生物是湿地生态系统的重要组成部分,其可以指示湿地生态环境变化,对正确认识湿地生态系统氮循环和湿地污染净化功能具有重要意义。尝试从高光谱遥感技术角度,基于土壤氮素光谱监测机理,探索湿地土壤硝化微生物群落高光谱估算技术,进而为估测其时空分布状况提供新技术途径。研究对硝化作用中两个独立阶段的主要完成者氨氧化细菌和亚硝酸氧化细菌,采用最大可能数法分别计数,并以两者计数测量结果的合计,作为各采样区域土壤硝化微生物的数量值。采用光谱倒数的对数(LR)、光谱一阶微分(FD)、光谱二阶微分(SD)、包络线去除(CR)和光谱波段深度(BD)光谱变换技术,以及基于再抽样(bootstrap)技术的多元逐步回归(SMLR)和偏最小二乘回归(PLSR)建模方法,构建湿地土壤硝化微生物数量和全氮含量估算模型。研究结果表明：在采用bootstrap SMLR建模方法时,湿地土壤硝化微生物数量和全氮含量的估算波段位置存在一定的相似性(尤其对于原光谱实测数据R和SD光谱);对于湿地土壤硝化微生物数量和全氮含量的估算,bootstrap PLSR相比于bootstrap SMLR建模方法,具有较高的估算精度;对湿地土壤硝化微生物数量的估算,最高估算精度产生于SD光谱变换技术结合bootstrap PLSR建模;对湿地土壤全氮含量的估算,最高估算精度产生于CR光谱变换技术结合bootstrap PLSR建模。     

基于高光谱的土壤有机质含量估算研究

高光谱遥感技术以其光谱分辨率高、波段连续性强、数据丰富的特点,因而在土壤养分研究中得到广泛应用.通过土壤钉机质的高光谱遥感分析,可以充分了解土壤养分的状况及动态变化,为指导农业生产及保护农业生态环境提供科学依据.本文基于江西省余江县和泰和县采集的34个红壤土样350～2 500 nm波段的光谱曲线,研究了土壤光谱与土壤有机质含量之间的关系.先对土壤反射率光谱进行两种变换:一阶微分(R')、倒数的对数log(1/R),然后在提取特征吸收波段的基础上,运用多元逐步线性回归法和偏最小二乘回归法建立相应的估算模型,并对模型进行检验.结果表明,偏最小二乘回归法优于多元逐步线性回归法,其建立的高光谱估算模型具有快速估算土壤中有机质含量的潜力.     

基于叶冠尺度高光谱的冬小麦叶片含水量估算

叶片含水量(leaf water content,LWC)的快速监测对于作物的干旱诊断和灌溉决策至关重要。以叶片、冠层两个尺度,原始、一阶导数两种光谱处理形式的高光谱数据为基础,采用两波段植被指数如归一化差分(normalized difference spectral index,NDSI)和比值光谱指数(ratio spectral index,RSI),偏最小二乘回归(partial least squares regression,PLSR)和竞争自适应重加权采样-偏最小二乘回归(competitive adaptive reweighted sampling-partial least squares regression,CARS-PLSR)三种方法对叶片含水量进行建模分析,以确定最佳冬小麦叶片含水量预测模型。结果表明:三种方法中,基于叶片一阶导数光谱的CARS-PLSR模型对LWC的预测效果最好, LWC的预测值与实测值高度重合(R~2=0.969, RMSE=0.164, RRMSE=6.00%)。相同条件下,三种方法的叶片光谱模型对LWC的预测效果均优于冠层光谱模型。在两波段指数模型以及PLSR模型中,原始光谱模型对LWC的预测效果优于一阶导数光谱模型,而在CARS-PLSR模型中结果相反。在两波段指数模型中, RSI比NDSI具有更高的估算精度。研究表明,通过竞争自适应重加权采样方法提取敏感波段后所建立的偏最小二乘回归预测模型,无论是预测精度还是建模精度,与两波段指数和偏最小二乘回归模型相比都有了显著提高,该方法可为精准快速地监测冬小麦旱情以及灌溉决策提供参考。     

煤矸石充填复垦重构土壤重金属含量高光谱反演

为研究煤矸石充填复垦土壤重金属含量快速有效的监测方法,以淮南创大生态园煤矸石充填复垦田间试验小区为研究区域,首先采用化学方法监测土壤(0～20 cm)重金属(Cu, Cr, As)含量,然后采用ASD(analytical spectral devices) FiSpec4型高光谱仪测量土壤样品的反射光谱,提取光谱特征,并对光谱进行一阶微分变换、二阶微分变换及倒数对数变换;将变换后的各光谱特征参数与监测的土壤重金属含量进行相关性分析,并依据相关性分析结果选择显著相关的波段作为相关因子供建模使用。采用多元逐步回归(stepwise multiple liner regression,SMLR)分析、偏最小二乘回归(partial least squares regression, PLSR)及人工神经网络(artificial neural network, ANN)三种方法分别建立基于光谱反射率估算土壤重金属含量的预测模型,并采用回归模型进行精度评定,然后确定各重金属含量的最佳预测模型。实验结果表明,经过微分变换的光谱波段与土壤重金属含量达到了显著相关;重金属Cu和Cr的一阶微分光谱的人工神经网络模型为最佳预测模型,重金属元素As的二阶微分光谱的偏最小二乘回归模型为最佳预测模型。     

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。     

特征变量选择和回归方法相结合的土壤有机质含量估算

针对高光谱数据量大、信息冗余严重的现象,应用稳定竞争性自适应重加权采样(sCARS)、连续投影算法(SPA)、遗传算法(GA)、迭代保留有效信息变量(IRIV)和稳定竞争性自适应重加权采样结合连续投影算法(sCARS-SPA),从全波段光谱数据中筛选特征变量,并利用全波段和特征波段建立偏最小二乘回归(PLSR)、支持向量机(SVM)和随机森林(RF)模型预测土壤有机质含量。结果表明, PLSR和SVM模型结合特征变量选择,不仅提高了模型运算效率,而且模型预测能力较全波段均有一定提高;RF模型采用特征变量建模,对模型精度的提高不是十分明显,但其构建模型的变量数量却显著减少,大大提高建模效率。RF模型精度优于SVM和PLSR模型,IRIV结合RF建立的土壤有机质含量预测模型,变量数仅63个,校准集和验证集模型决定系数(R~2)分别为0.941和0.96,验证集相对分析误差(R_(PD))为4.8。与全波段建模相比,特征变量选择和回归方法相结合,在保证模型精度的同时,可有效提高建模效率。     

基于大样本土壤光谱数据库的氮含量反演

充分挖掘大样本土壤光谱库中有效信息,建立普适性强的土壤全氮(TN)含量反演模型,是高光谱分析的重要应用方向之一。研究采用偏最小二乘回归(PLSR)全局建模、局部加权回归(LWR)和模糊K均值聚类结合PLSR(FKMC-PLSR)局部建模三种方法,分别建立了来自中国西藏、新疆、黑龙江、海南等13个省采集的17种土类1661个土壤样本TN值的高光谱反演模型,并对浙江省104个水稻土样本进行模型验证。结果表明,在大样本下PLSR全局模型对高TN值待预测样本存在低估现象,导致整体预测精度偏低;LWR和FKMC-PLSR局部模型比PLSR全局模型能够更为准确地反演TN含量。研究结果可为利用大样本光谱数据库建立稳定性和普适性较高的土壤TN含量预测模型提供参考。     

基于可见-近红外光谱比较主成分回归、偏最小二乘回归和反向传播神经网络对土壤氮的预测研究

建模方法是影响可见-近红外光谱定量结果的主要因素之一。在470～1000nm波段的12个土壤剖面对48个剖面样经过风干、研磨、过筛后进行光谱采集。经一阶微分变换及Savizky-Golay平滑处理后,分别应用主成分回归(PCR)、偏最小二乘回归(PLSR)和反向传播神经网络(BPNN)3种方法建立土壤全氮(TN)的定量模型。PCR与PLSR两线性模型的决定系数(R2)分别为0.74和0.8,其剩余预测偏差(RPD)分别为2.23和2.22,但两模型仅能用于TN的粗略估计。由PCR提供主成分数,PLSR提供潜变量(LV)数分别作为BPNN的输入所构建的两个非线性模型均明显优于线性模型PCR和PLSR。其中以4个LV作为输入的BPNN-LV模型预测性能最优,R2以及RPD分别达到0.9和3.11。实验结果表明,提取可见-近红外光谱的PLSR LV因子作为BPNN的输入,所建定量模型可用于土壤氮纵向时空分布的快速准确预测。     

矿区复垦农田土壤重金属含量的高光谱反演分析

以矿区复垦农田土壤为研究对象,利用实验室获取的土壤重金属元素砷(As)、锌(Zn)、铜(Cu)、铬(Cr)和铅(Pb)的含量与土壤可见近红外高光谱数据建立重金属元素含量的定量估算模型。为了保证模型预测的精度和稳定性,首先,对原始光谱数据进行平滑处理,并进行光谱变换,即：一阶导数,标准正态变量变换及连续统去除变换;然后,通过相关性分析提取不同变换光谱的特征波段;最后,将最小二乘支持向量机与传统的多元线性回归和偏最小二乘回归方法的结果相比较。研究表明：(1)以不同变换光谱数据建立反演模型均有较好的稳定性并达到一定精度,其中以最小二乘支持向量机方法优于偏最小二乘回归优于多元线性回归模型(除少数几个情况外);(2)从不同光谱变换数据中提取的光谱特征对反演模型结果有一定影响,其中以连续统去除和标准正态变量变换建模结果较好,一阶导数变换稍差。因此,利用高光谱遥感技术来定量估算土壤重金属含量是可行的,而且,必要的光谱预处理对提高估算模型的精度很有帮助。     

应用波段深度分析和偏最小二乘回归的冬小麦生物量高光谱估算

当作物生物量较大时,现有植被指数由于受饱和问题限制,不能较好的估算作物生物量。针对此问题,尝试将波段深度分析与偏最小二乘回归(partial least square regression,PLSR)结合,提高对大田冬小麦生物量的估算精度,并将两者结合建立的模型与应用代表性植被指数建立的模型进行生物量估算精度比较。波段深度分析主要对冬小麦冠层光谱550～750nm范围进行,采用波段深度、波段深度比(band depth ratio,BDR)、归一化波段深度指数和归一化面积波段深度对波段深度信息进行表征。在建立的模型中,波段深度分析和PLSR结合的估算精度比应用植被指数模型的精度高,其中BDR与PLSR结合的估算精度最高(R2=0.792,RMSE=0.164kg.m-2)。研究结果表明波段深度分析与PLSR结合能较好的克服生物量较大时存在的饱和问题,提高冬小麦生物量的估算精度。     

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。     

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。     

Detection of Apple Marssonina Blotch with PLSR,PCA, and LDA Using Outdoor Hyperspectral Imaging

In this study, hyperspectral images were used to detect a fungal disease in apple leaves called Marssonina blotch(AMB). Estimation models were built to classify healthy, asymptomatic and symptomatic classes using partial least squares regression(PLSR), principal component analysis(PCA), and linear discriminant analysis(LDA) multivariate methods. In general, the LDA estimation model performed the best among the three models in detecting AMB asymptomatic pixels, while all the models were able to detect the symptomatic class. LDA correctly classified asymptomatic pixels and LDA model predicted them with an accuracy of 88.0%. An accuracy of 91.4% was achieved as the total classification accuracy. The results from this work indicate the potential of using the LDA estimation model to identify asymptomatic pixels on leaves infected by AMB.     

内蒙古河套灌区土壤盐分光谱定量分析研究

研究盐碱化土壤的光谱特性是利用遥感技术实现在区域尺度上进行土壤盐碱化监测和评价的工作基础。为了实现对内蒙古河套灌区土壤盐分的定量反演,于2007年7～8月间采集了河套灌区土壤样品,进行土壤化学成分及其光谱反射特性的测量。基于统计分析的方法,建立了土壤盐分与高光谱数据的偏最小二乘回归(PLSR)模型,对土壤中主要盐分参数进行了反演实验。独立验证结果表明,对全盐(S%)、硫酸根离子(SO2-₄)、pH值以及钾、钠总含量(Ka++Na+)有较好的反演精度,验证数据的决定系数R2分别是0.728,0.801,0.715和0.734,预测方差比(RDP)分别是1.79,1.87,1.64,1.63。将以上参数的PLSR模型回归系数聚合在TM的可见光(蓝色、绿色、红色)和近红外波段时,回归系数在数值上均有显著反应。研究结果为在航空航天遥感尺度上实现土壤盐分的定量反演提供了理论基础和实验依据。     

南疆农田土壤全氮含量的中红外光谱反演模型

快速准确监测农田土壤全氮含量,可显著提高土壤肥力诊断与评价工作的效率。传统测定土壤全氮的方法存在耗时费力、成本高、环境污染等缺点,而基于光谱学原理的土壤全氮定量方法克服了传统测量的劣势。中红外(MIR)光谱相较于可见光-近红外(VNIR)光谱而言,具有更多的波段数和信息量,如何利用中红外光谱监测土壤全氮含量是具有重要应用前景的研究课题。为了探索中红外光谱对土壤全氮监测的可行性,以新疆南疆地区采集的246个农田土样为研究对象,以室内测定的全氮含量和中红外光谱反射率数据为数据源,分析了不同全氮含量土样的中红外光谱特征差异,以主成分分析法(PCA)和连续投影算法(SPA)对光谱数据进行降维,然后采用偏最小二乘回归(PLSR)、支持向量机(SVM)、随机森林(RF)和反向传播神经网络(BPNN)四种建模方法分别构建基于全波段和降维数据的土壤全氮含量定量反演模型。研究结果表明：(1)土壤在中红外波段光谱反射率随全氮含量的增加而增加,在3 620,2 520,1 620和1 420 cm-1附近存在明显的吸收谷;将中红外光谱数据进行最大值归一化处理后,可明显提高土壤光谱反射率与全氮含量的相关性。(2)对比两种数据降维方法,PCA和SPA分别使模型变量数减少了99.8%和97.5%,但以PCA提取的8个主成分为自变量建立的模型预测精度总体要高于SPA对应的模型,因此以PCA提取的主成分建模更适于土壤全氮模型的构建。(3)在建模集中,PLSR和SVM模型以全波段建模精度最高,但建模变量数多,建模效率较低,而RF和BPNN模型分别以PCA和SPA降维后的数据建立的模型在保持精度相当的前提下,可显著提高建模效率;在预测集中,基于PCA降维数据的BPNN模型预测能力最高,R2和RMSE分别为0.78和0.12 g·kg-1,RPD和RPIQ值分别为2.33和3.54,模型具备较好的预测能力。研究结果可为农田土壤全氮含量快速估测提供一定的参考价值。     

去除土壤水分对高光谱估算土壤有机质含量的影响

土壤高光谱技术具有方便快捷、无破坏、成本低等优点,已被广泛应用于估算土壤有机质含量(SOMC)。然而,野外测量的土壤高光谱数据因受外部环境因素(土壤湿度、温度、表面粗糙度等)干扰,导致SOMC估算模型适用性有待提升。土壤含水率(SMC)是影响野外测量高光谱的最主要的障碍因素之一,它的变化严重影响可见-近红外(Vis-NIR)光谱反射率的观测结果。因此,消除SMC对高光谱数据的干扰是提高土壤高光谱估算SOMC模型预测精度的关键环节。以江汉平原潜江市潮土样本为研究对象,在室内人工加湿土样,分别获取6个SMC水平的土壤高光谱数据,采用标准正态变换(SNV)对光谱数据进行预处理,基于外部参数正交化法(EPO)去除土壤水分对高光谱的影响,利用偏最小二乘方法(PLSR)建立并对比EPO处理前、后不同SMC水平SOMC反演模型。结果表明,土壤水分对Vis-NIR光谱反射率有显著的影响,掩盖了SOMC的光谱吸收特征;EPO处理前不同SMC水平的光谱曲线之间的差异较为明显,而EPO处理后的各SMC水平的光谱曲线形态基本相似;采用EPO处理后的土壤高光谱数据建立SOMC估算模型,预测集的R2_p,RPD分别为0.84和2.50,其精度与EPO处理前所建模型相比有较大提升,表明EPO算法可以有效去除土壤水分的影响,从而提升SOMC的估算精度。对定向去除外部环境参数对土壤高光谱影响进行了实证,为完善野外原位获取SOMC信息技术提供理论基础。