基于野外可见近红外光谱和水分影响校正算法的土壤剖面有机碳预测

土壤是陆地碳循环的中枢,充分发挥土壤固碳潜力有助于减缓全球气候变化。土壤有机碳 (SOC) 的高度分异性同时体现在空间和垂直分布上,但是许多前期研究往往只考虑了空间分异,而忽略了垂直分异。尤其在青藏高原这种高寒山区,土壤样品采集难度较大且费用昂贵。可见近红外 (Vis-NIR) 光谱作为传统土壤实验室化学分析的辅助手段,能够较为快速和精准地估测SOC含量。但是土壤水分等环境因素会掩盖或改变SOC的Vis-NIR光谱吸收特征进而削弱模型预测精度。外部参数正交化 (EPO) 和分段直接标准化 (PDS) 算法可以有效校正水分对光谱的影响,但其在野外新鲜土柱上的表现还不得而知。本研究旨在探索不同水分影响校正算法对野外剖面土壤光谱的校正能力,对采自中国青藏高原海拔2 900～4 500 m色季拉山的共26个1 m深土柱。沿深度以5 cm×5 cm为测量单元,从各单元中心采集共计386个野外原状湿样Vis-NIR光谱,并在实验室内测得相应386个研磨干样的Vis-NIR光谱以及SOC含量。经EPO和PDS算法校正土壤水分对光谱的影响后,通过随机森林建立土壤光谱和SOC含量的定量预测模型,并使用靴襻法评估不同校正处理下预测模型的不确定。土柱整体及垂直分布的精度结果表明,经PDS法转换的农田和草地土柱湿样光谱均表现出良好的水分校正效果,而EPO法仅对农田土柱有效。水分影响校正算法在不同土壤深度上也存在显著差异,EPO和PDS对农田和草地表层样本的水分校正均效果明显。两种校正方法的效果显示出地类和土层深度的依赖性。本研究为利用Vis-NIR光谱技术在高寒山区野外快速准确估算土壤碳含量的垂直分异提供了必要参考。     

土壤水分去除算法的田间原位光谱反演棉田有机质

田间原位可见-近红外光谱(VIS-NIR)能够有效的提高土壤属性的检测效率,但由于原位土壤中水分因素的影响,土壤属性的预测精度很难达到预期。如何有效去除土壤中的水分对土壤其他属性光谱预测的影响,是利用田间原位光谱高精度预测土壤属性所面临的难题,也是土壤光谱技术由室内转向田间的突破口。该问题的有效解决,可减除土壤样品的采集与室内预处理等过程,实现土壤属性的田间原位光谱测定。以新疆南部地区阿拉尔垦区十二团棉田为研究区,采用网格采样法共采集了116个0～20 cm深度的表层土壤样品,剔除1个异常值样品,得到115个有用样品,利用SR-3500型便携式地物光谱仪采集了231个样点的田间原位光谱数据,土样经风干、研磨和过筛等处理后测定其室内光谱和有机质含量。利用Kennard-Stone算法将115个土样分为69个转换子集及46个预测集,采用外部参数正交化法(EPO)、光谱直接转换法(DS)及光谱间接转换法(PDS)三种去除水分算法结合原位光谱反射率(R)、反射率一阶微分(R′)、反射率对数(LOG(R))以及反射率倒数(1/R)四种数学变换方式,运用随机森林(RF)模型进行不同组合模型的构建及精度评价。结果表明：(1)土壤有机质含量越高,土壤光谱反射率越低。土壤田间原位光谱反射率低于土壤室内光谱反射率;(2)室内光谱反射率与土壤有机质含量之间的相关性大于田间原位光谱,室内光谱经一阶微分变换后与土壤有机质含量之间的相关性显著提升。(3)土壤室内光谱反射率模型预测精度(R2=0.86, RPD=2.08, RMSE=1.55 g·kg-1, MAPE= 0.14)高于田间原位光谱反射率模型(R2=0.71, RPD=1.49, RMSE=2.17 g·kg-1, MAPE=0.20)。在去除水分算法模型中,以EPO一阶微分模型去除水分效果最好,决定系数R2由0.71提高到0.83,RPD由1.49提高到2.04,RMSE由2.17 g·kg-1降低至1.58 g·kg-1,MAPE由0.20降低至0.14。本研究实现了去除土壤水分因素的影响,提高了田间原位光谱预测土壤有机质的精度,为南疆棉田大尺度土壤有机质的预测及土壤肥力的评价提供了重要的参考。     

分数阶微分技术在机载高光谱数据估算土壤含水量中的应用

无人机高光谱遥感为精准农业和农业信息化监测提供崭新视角。高光谱传感器具有厘米级空间分辨率和精细的光谱分辨率,可获取高质量的高光谱数据。然而,高光谱数据通常伴随噪声和数据冗余,高光谱信息利用效率低,常规预处理难以满足精准估算的需求。因此,为解决上述现实问题,针对机载高光谱影像的数据挖掘必不可少。利用分数阶微分(FOD)技术逐像元处理机载高光谱数据（步长为0.1）。通过对比FOD技术与整数阶技术对高光谱数据的改善能力,从光谱层面探寻最佳FOD阶数。在梯度提升回归树（GBRT）算法下构建土壤含水量（SMC）估算模型,最终在最佳模型下评估SMC的空间分布。结果表明：FOD技术提高光谱与SMC的相关系数（r_max=0.768）,与原始光谱、一阶微分和二阶微分处理后的光谱同SMC相关系数相比,分别提升0.168,0.157和0.158。FOD技术提升模型估算精度的主因是突出有效光谱信息的作用,特别是与水分胁迫密切敏感的叶绿素、植物结构和水分响应波段（430,460,640,660和970 nm）。即使FOD技术取得理想的结果,不同阶数的效果仍有差异。高阶FOD对影像增加了一定噪声,相较于高阶FOD（1＜阶数＜2）,低阶FOD（0＜阶数＜1）对相关性的改善更为明显。FOD技术对SMC估算模型的性能有很大提高,在0.4阶模型下取得最优结果（R2_p=0.874,RMSEP=1.458,RPIQ=3.029）。此外,0.1—0.9阶和1.6—1.9阶的SMC估算模型比整数阶模型更优（R2_p提升0.8%～13.8%）,但根据模的RPIQ发现,低阶FOD模型在模型的预测能力方面更强。在0.4阶模型下反演农田土壤水分的空间分布表明干旱区农田SMC具有显著的空间异质性。研究结果表明低阶FOD技术有效地实现对高光谱数据挖掘,从而实现农业SMC的精准估算。该研究提出了针对机载高光谱影像处理的新方法,为干旱区精准农业实施和管理提供新的策略。     

利用三维光谱指数定量估算土壤有机质含量:以新疆艾比湖流域为例

土壤光谱特征是土壤内在理化特性的外在表现,利用可见-近红外(Vis-NIR)的漫反射光谱估测土壤有机质含量(SOMC)可为土地资源的合理开发与利用提供重要的科学依据。土壤是由多种物质组成的混合物,其高光谱数据中存在某些成分(例如盐颗粒和矿物质)的重叠吸收,同时波段之间存在共线性问题,这些因素对光谱分析和建模带来了极大的挑战。光谱指数法通过迭代运算,不但充分考虑波段之间的协同作用,而且具有最小化无关波长影响的功能。此外该方法将光谱特征从一维扩展到多维,能容易地检测和区分出细微的吸收峰。以新疆艾比湖流域为研究区,采集了120个土壤样品,在室内进行SOMC和光谱的测定。利用一阶微分(FD)和连续统去除(CR)对高光谱数据进行预处理。在已有两波段指数的基础上,加入第三个波段,利用最优波段算法,构建了三种SOMC的三波段光谱指数(TBI),并从光谱机理上讨论了TBI的合理性。最后根据支持向量机(SVM)的建模效果,进一步比较不同维度光谱参数对SOMC估测的准确性。研究结果表明:(1)光谱预处理技术可以在一定程度上减弱反射光谱中的噪声信息,突出更多潜在的光谱信息;(2)通过对比分析得出, SOMC的相关性随着光谱信息维度的增加而增加,即, TBI二波段指数一维光谱参数;(3)新开发的TBI在SOMC的建模和验证过程中提供了比两波段指数和一维光谱参数更好的估测效果,其中TBI-1的估测效果最好,建模集的决定系数(R■)为0.88,验证集的决定系数(R■)为0.85,相对分析误差(RPD)为2.43。该研究对比了不同维度光谱参数对SOMC的响应和建模精度,发现三波段光谱指数是评价SOMC的重要参量。此外, TBI与SVM算法的结合,可以显著弱化土壤噪声信息,提高SOMC的预测精度,在土壤其他生化参数的估计中具有较强的应用潜力。     

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。     

高光谱成像的土壤剖面水分含量反演及制图

传统土壤水分的获取方法仅可获得离散的土壤水分点位数据,难以获得剖面上精细且连续的水分含量分布图。研究了野外条件下利用近红外高光谱（882～1 709 nm）成像反演剖面土壤水分含量（SMC）,并实现精细制图的可行性。研究剖面位于江苏省东台市,我们利用近红外高光谱成像仪对剖面进行了5天原位连续观测,共采集了280个土样用于烘干法测定SMC。原始高光谱图像经数字量化值（DN）校正、黑白校正、拼接、几何校正、剪切和掩膜等一系列预处理后,提取各采样点的平均光谱反射率。提取光谱（Raw）经吸光度[LOG₁₀(1/R)],Savitzky-Golay平滑（SG）、一阶微分（FD）、二阶微分（SD）、多元散射校正（MSC）和标准正态变量（SNV）转换后,采用偏最小二乘回归（PLSR）和最小二乘支持向量机（LS-SVM）方法建立SMC预测模型,并对比分析不同光谱预处理方法与建模方法组合条件下SMC的预测精度。结果表明,光谱反射率随SMC增加逐渐降低,不同光谱预处理方法的预测精度有所差异,除MSC方法外,同一光谱预处理方法的LS-SVM模型预测精度均高于PLSR模型,并且基于LOG₁₀(1/R)光谱的LS-SVM模型对SMC预测精度最高,其建模集的决定系数（R2_c）和均方根误差（RMSE_c）分别为0.96和0.65%,预测集的决定系数（R2_p）、均方根误差（RMSE_p）和相对分析误差（RPD_p）分别为0.88,1.05%和2.88。利用最优模型进行剖面SMC的高空间分辨率精细制图,通过比较SMC反演图中提取的预测值与实测值关系发现预测精度较高（R2: 0.85～0.95, RMSE: 0.94%～1.02%）,且两者在剖面中的变化趋势基本一致,说明SMC反演图不仅能很好地反映出土壤水分在整个剖面中毫米级的含量分布信息,也可反映出同一位置处不同天数间的含量差异。因此,利用近红外高光谱成像结合优化的预测模型,能够实现土壤剖面SMC的定量预测及精细制图,有助于快速、有效监测田间剖面土壤水分状况。     

不同干扰程度的盐渍土与其光谱反射特征定量分析

通过对新疆阜康500水库下游的盐渍化土壤实地定点取样和光谱测量,利用光谱变换、相关分析等方法,定量探讨了不同人为干扰程度的土壤盐分、水分与光谱反射率之间的关系,并建立了土壤反射光谱与盐分含量之间的多元线性回归预测模型。结果表明：(1)人为干扰程度与土壤盐分呈极显著正相关,而与土壤水分呈极显著负相关,相关系数分别为0.961和-0.929。(2)在不同干扰程度与土壤光谱反射率的关系中,重度干扰的土壤反射率比轻度干扰土壤的反射率高10%,比未干扰高17%。这是由于人为干扰破坏了土壤表面的少量植被及生物、物理结皮,土壤表层因缺乏保护,水分会迅速蒸发,并将土壤下部的盐分带到上部,加之降水稀少,盐分在表层聚集。干扰程度越高,结皮破坏越严重,土壤积盐越多,反射率越高。(3)随干扰程度的不断增加,土壤原始光谱反射率与盐分相关系数的两个最大值逐渐向近红外波段偏移(999,876～979,1 182～1 370和1 900 nm),这预示着,在近红外区土壤光谱反射率对盐分含量更为敏感。(4)利用反射率R、反射率一阶导数R′、反射率R+水分分别建立了不同干扰程度的三类土壤盐分含量预测模型。综合R2和RMSE判断模型精度,在不同干扰程度下,同类型的土壤含盐量预测模型中,干扰程度越小,模型精度越高;而在相同干扰程度下,不同类型的土壤含盐量预测模型中,均以一阶导数R′建立的模型预测效果最优,R2均超过0.983。总体上,模型精度提高了5%～10%,表明原始光谱经过一阶导数变换处理,可以去除部分线性背景值的干扰,提高预测土壤含盐量的精度。     

不同质量含水量的土壤反射率光谱模拟模型

土壤含水量的时空分布与变化情况对土壤温度变化、陆地—大气间热量平衡以及陆面大气环流产生显著的影响,因此,对大范围内土壤含水量进行实时动态监测,获得某段时间内土壤含水量的连续变化情况具有重要的意义。研究目的是借助高光谱遥感手段,通过构建不同质量含水量的土壤反射率光谱模拟模型,深入了解土壤质量含水量与土壤反射率光谱之间的关系,为监测土壤含水量提供有效手段。利用ASD Field Spectral FR野外光谱仪和加水称重法获得北京市8个采样点的土壤样品不同质量含水量下的土壤反射率光谱实测数据,利用其中2个土壤样品不同质量含水量下的光谱数据构建含水土壤反射率光谱模拟模型,并利用未参与建模的另外6个土壤样品数据对该模型的模拟效果进行了检验。通过数据验证发现,当土壤质量含水量小于田间持水量时,该模型的模拟精度较高;而且对于不同的土壤样品,模型的模拟效果都比较好。最后又利用北京大学校园内三个采样点的实地测量光谱数据对模型进行了验证,光谱的模拟值与实测值之间的均方根误差最小可达0.005 8。因此该模型可实现对质量含水量小于田间持水量的不同类型土壤的反射率光谱进行较高精度的模拟。     

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。     

基于高光谱特征与人工神经网络模型对土壤含水量估算

土壤含水量(θ)是影响作物生长和作物产量的主要因素之一。旨在评估基于光谱特征参数的各种回归模型估算土壤含水量的精度,并比较人工神经网络(BP-ANN)和光谱特征参数模型的性能。2014年在室内获取砂土和壤土的土壤含水量和光谱反射率数据。结果表明：(1)当砂土容重为1.40 g·cm-3时,900～970 nm最大反射率和900～970 nm反射率总和估算θ达到极显著水平(R2超过0.90);容重为1.50 g·cm-3时,用蓝边最大反射率和900～970 nm反射率总和估算θ相关性最好(超过0.70);容重为1.60 g·cm-3时,780～970 nm反射率总和与560～760 nm归一化吸收深度的R2均超过0.90,达到极显著水平;容重为1.70 g·cm-3时,900～970 nm最大反射率和900～970 nm反射率总和的R2为0.88,呈极显著水平。(2)当土壤类型为壤土时,用900～970 nm最大反射率和900～970 nm反射率总和估算θ相关性最好。(3)蓝边反射率总和(R2=0.26和RMSE=0.09 m3·m-3)和780～970 nm吸收深度(R2=0.32和RMSE=0.10 m3·m-3)估算砂土的含水量相关性最好。在估算壤土的含水量时,900～970 nm最大反射率(R2=0.92和RMSE=0.05 m3·m-3)与900～970 nm反射率总和估算模型的精度最高(R2=0. 92和RMSE=0.04 m3·m-3)。(4)用人工神经网络模型能够更好地估算两种土壤的含水量(R2=0.87和RMSE=0.05 m3·m-3)。因此,人工神经网络模型对θ估算具有巨大的潜力。     

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。     

基于变量优选和ELM算法的土壤含水量预测研究

土壤水分含量(SMC)的快速估测对干旱半干旱地区的精准农业发展具有重要的意义。以渭干河-库车河绿洲为靶区,采用小波变换(WT)对反射光谱进行1~8层小波分解,通过相关性分析确定最大分解层数,再通过竞争性自适应重加权(CRAS)、连续投影算法(SPA)和CARS-SPA耦合算法进行特征波长筛选。基于全波段构建BP神经网络模型和基于特征波长构建BP神经网络、支持向量机、随机森林和极限学习机模型,并进行对比分析。结果显示: (1)随着小波分解的进行,总体上L6在去噪的同时还尽可能的保留了光谱原始特征,为最大分解层;(2)小波变换和CARS-SPA算法的结合使其在建立模型时较为彻底的去除噪声和无信息变量,同时消除变量间的共线性; (3)在所有的SMC预测模型中,相对于BP神经网络、SVM,ELM和RF具有更好的预测能力,其中L6-CARS-SPA-ELM精度最高,其RMSEC=0.015 1,R2_c=0.916 6,RMSEP=0.014 2,R2_p=0.935 4,RPD=2.323 9。这体现出ELM预测模型对非线性问题的强解析能力和模型的稳健性,为该研究区SMC的预测提供新的思路。     

顾及粗糙度的土壤有机碳成像高光谱估测模型

可见近红外非成像光谱分析技术已被广泛用于土壤有机碳（SOC）含量估测,然而该技术的使用受土壤粗糙度的影响,对样本的前处理要求较高,导致模型的实用性受限。针对这一问题,以美国爱荷华州农田土壤为研究对象,使用成像及非成像光谱仪获取土壤样本研磨前后的可见近红外反射光谱,采用去包络线（CR）、吸光度变换（AB）、S-G平滑（SG）、标准正态变换（SNV）、多元散射校正（MSC）5种光谱预处理手段,利用偏最小二乘回归（PLSR）和支持向量回归（SVR）算法构建并对比土壤SOC光谱估算模型,探究利用成像光谱数据估测高粗糙度样本SOC含量的可行性。实验结果表明,使用成像光谱数据能够实现高粗糙度样本的SOC含量估算,而使用非成像光谱数据则无法估算高粗糙度样本的SOC含量;基于成像光谱数据建立的高粗糙度SOC最优PLSR估算模型R2能够达到0.739以及最优SVR估算模型R2为0.712,而基于非成像光谱数据建立的高粗糙度SOC最优PLSR和SVR估算模型R2仅仅分别为0.344和0.311。基于AB,SG,SNV和MSC这4种预处理手段之后的成像光谱数据建立的土壤样本研磨前的PLSR模型性能优于样本研磨之后建立的PLSR模型,而SVR模型性能正好相反。而对于非成像光谱数据来说,土壤样本研磨后建立PLSR和SVR模型精度总是强于样本研磨前建立的模型精度。对于这两种光谱数据和两个估算模型而言,不同的光谱预处理方法提高模型估算精度的能力不同。土壤样本研磨前后,基于成像光谱数据建立的PLSR和SVR模型性能均优于非成像光谱数据所构建的模型。成像光谱技术能够增强高粗糙度土壤样本可见近红外光谱与SOC的相关性,从而提高模型估算精度;能够克服土壤粗糙度的影响;为野外大尺度估测SOC含量提供了新的手段。     

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。     

基于可见近红外高光谱的东北盐渍土盐分定量模型研究

为实现东北苏打盐渍土盐分的定量反演,利用光谱测量技术,建立了土壤反射光谱与土壤盐分含量之间的偏最小二乘回归模型;探讨了利用反射光谱预测土壤盐分含量的可行性;分析了不同光谱处理方法、不同重采样间隔条件下建模的精度。结果表明：基于反射光谱进行土壤盐分的定量预测是可行的。平滑后的光谱预测精度比平滑前的预测精度明显提高。平滑后倒数对数变换能够有效去除噪声影响,所建立的模型预测精度最高(R2=0.6677, RPD=1.61)。能够满足盐分预测精度的最大的重采样间隔为8 nm。为大规模卫星遥感监测盐渍化土壤时空演变提供了科学的参考依据。     

基于高光谱技术的土壤水分无损检测

利用高光谱成像仪(光谱范围400～1 000 nm)对土壤含水率进行了无损检测。比较了208个土样不同天数下土壤含水率与光谱变化、不同质量含水量光谱的差异;对比分析了不同光谱预处理方法、不同方法提取特征波长、采用多元线性回归(multiple linear regression,MLR)、主成分回归(principal component regression,PCR)与偏最小二乘回归(partial least squares regression,PLSR)建模,优选出最佳模型。结果表明：光谱曲线的反射率随着土壤含水率的增加而减小。当超过田间持水率时,光谱曲线的反射率会随着土壤含水率的增加而增大。对比分析了不同预处理方法,近红外波段优选出单位向量归一化预处理方法。采用无信息变量消除法(UVE)、竞争自适应加权采样(CARS)、β系数法、连续投影算法(SPA)方法提取特征波长为49,30,5和7。为了减少数据冗余,对UVE与CARS提取的特征波长进一步采用SPA方法进行特征提取,UVE+SPA,CARS+SPA提取特征波长数分别为5和8个。在此基础上,利用MLR,PCR和PLSR方法对400～1 000 nm范围的特征波长建立模型,对比分析不同建模效果,优选出β系数提取的特征波长的MLR模型。最优的特征波长为411,440,622,713和790 nm,最优模型的预测相关系数R_p=0.979,预测均方根误差RMSEP为0.763。因此,今后可采用不同波段对土壤含水率进行定量分析。     

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。