连续小波变换定量反演土壤有机质含量

以北京市东部地区96个潮土土样的土壤参数及对应光谱数据为数据源,采用连续小波多尺度分析处理与分析。首先将土壤光谱进行初步处理,生成小波系数,其次将土样的有机质含量与小波分解系数开展相关性分析,提取特征波段,最后采用特征波段建立预测耕层有机质含量的模型。结果表明：经连续小波处理后,光谱对耕层有机质含量的预测能力明显优于传统光谱变换技术;经连续小波分解后,对土壤有机质含量的预测能力随光谱分辨率降低呈先降后升再降的趋势;连续小波分析算法可提升土壤光谱对有机质含量的估测能力,与土壤高光谱反射率相比,基于连续小波变换的土壤有机含量最佳的精度提高19%;由于光谱分辨率为80 nm建立的模型精度较高,其R2达到0.632,这表明在连续小波算法下,光谱分辨率较低的宽波段数据可用于土壤有机质含量的监测。     

连续小波变换的土壤有机质含量高光谱估测

土壤有机质含量的高光谱估测可快速、准确监测土壤肥力,对现代化农业生产进行精准施肥提供科学依据。以新疆渭干河-库车河三角洲绿洲耕层土壤为研究对象,对采集的98个土壤样品的原始光谱反射率R分别进行传统倒数对数lg(1/R)、一阶微分R′和倒数对数一阶微分[lg(1/R)]′数学变换,以及基于小波母函数Bior1.3不同尺度分解的连续小波变换（CWT）,并与实测土壤有机质含量进行相关分析,从而筛选出各类变换下与土壤有机质含量密切相关的特征波段和小波系数（p<0.01）。分别以原始光谱反射率（R）以及不同变换处理下的特征波段反射率和敏感小波系数作为自变量,土壤有机质含量作为因变量,采用偏最小二乘回归和支持向量机回归方法构建土壤有机质含量的估测模型。结果表明：（1）各类光谱变换方法有效提升光谱与土壤有机质含量之间的敏感性,其中经CWT变换后的土壤光谱反射率与有机质含量的相关性得到显著提高,相关系数由0.39提高到0.54（p<0.01）。（2）传统的[lg(1/R)]′变换构建的支持向量机回归模型,其决定系数（R2）高于lg(1/R)和R′变换构建的模型,说明倒数对数一阶微分变换可有助于提高估测模型的精度,且支持向量机回归模型的精度和稳定性高于偏最小二乘回归模型。（3）经过CWT分解后,以原始光谱反射率在不同尺度上的敏感小波系数作为自变量建立的模型,估测精度和稳定性均有明显的提高,构建的R-CWT-23-SVMR模型的决定系数（R2）为0.84,均方根误差（RMSE）为1.48,相对分析误差（RPD）等于2.11,模型精度达到最高并拥有极好的预测能力。高光谱数据经多种变换处理后可有效去除白噪声,而连续小波变换处理比传统的数学变换方法更适合于挖掘土壤有效信息,实现光谱信号的近似特征和细节特征的有效分离,建立的反演模型可更加精准估测土壤有机质含量。     

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。     

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。     

基于连续小波变换下的土壤有害元素砷含量估测

与传统检测方法相比,利用高光谱技术进行土壤有害元素砷含量的估算,具有快速、准确,成本低的特点,可对干旱区绿洲土壤有害元素砷污染进行动态监测。基于新疆渭干河-库车河三角洲绿洲耕层土壤样品的采集,获取土壤光谱数据和有害元素砷含量。通过bior1.3,db4,gaus4和mexh这4种小波基函数对土壤原始光谱反射率进行连续小波变换,并将变换后光谱数据与有害元素砷进行相关分析,以筛选出的敏感小波系数为自变量,采用偏最小二乘回归、支持向量机回归、BP神经网络和随机森林回归方法对有害元素砷含量进行高光谱反演。研究结果显示：（1）4种小波基函数在3~8尺度的光谱分解效果明显优于其他尺度,特别是4~6尺度的连续小波变换有效提升了光谱反射率与土壤有害元素砷之间的相关性,通过显著性检验的小波系数数量有了明显增多（p<0.01）,在可见光的400~700 nm以及近红外的1 100~1 700和2 200~2 400 nm附近具有较强的相关性;（2）通过比较4种小波基函数对光谱数据中有效信息的辨识能力,认为小波基函数bior1.3和mexh要优于db4和gaus4,其中bior1.3的光谱分解效果最好,gaus4相对最弱;通过bior1.3第5尺度的光谱变换,与土壤有害元素砷显著相关的波段数量最多,为507个（p<0.01）;（3）比较4种建模方法的反演结果发现,SVMR,BPNN和RFR模型相较于PLSR模型具有更强的估测能力,模型的估测精度更高。综合分析各模型的稳定性及估测精度后,认为bior1.3-25-RFR模型可作为研究区土壤有害元素砷的最佳估测模型。该模型的训练集和验证集的R2分别为0.893和0.639,RMSE为1.075和1.651 mg·kg-1,RPD分别为2.89和1.64,表明模型估测效果较好,稳定性较强。采用合适的小波基函数进行连续小波变换可减少土壤高光谱数据中的白噪声,挖掘出土壤光谱数据中的有效信息,对土壤有害元素砷含量的准确估测提供有力的技术保障。     

基于光谱-空间特征的黄茶多酚含量估算模型

茶多酚是黄茶中的重要成分之一,具有保健和药用功效。准确估测茶多酚含量对茶叶品质鉴定和定量分析具有重要的意义。学者们已经利用电子鼻、电子舌、高光谱和近红外技术开展了茶多酚的估测研究,取得了良好的效果。然而,由于缺乏空间特征,难以满足黄茶内外品质综合判断的要求。随着高光谱成像系统的发展,尽管基于灰度共生矩阵的茶叶成分估测已经被证实取得较好的效果,但在实际应用中仍然存在一些障碍。一方面,分辨率较低时,图像的纹理特征不会有显著差异,并且少数特征无法充分地解译高光谱图像,从而导致模型估测效果较差。另一方面,分辨率较高时,特征的增加会导致模型更复杂。因此,在保留高光谱图像原始信息的前提下,有必要进一步挖掘高光谱图像的潜在特征,尤其是纹理的细节部分。因此,提出了一种融合光谱和空间特征的模型来提高茶多酚估测的准确性。首先,利用连续小波变换提取光谱信息的小波系数;其次,根据不同尺度的小波系数能量优选小波系数特征,分别是第4尺度的959和1 561 nm,第5尺度的1 321,1 520和1 540 nm,以及第6尺度的1 202和1 228 nm;再者,基于小波系数能量之和优选2个特征波长,分别是1 102和1 309 nm;然后,根据特征波长对应的高光谱图像分别提取灰度共生矩阵和小波纹理。最后,分别利用小波系数特征、灰度共生矩阵、小波纹理和他们的组合构建黄茶多酚含量的估测模型。通过对五种黄茶的分析和验证,比较基于不同特征的不同模型估测效果,包括偏最小二乘回归、支持向量回归和随机森林方法。结果表明,融合小波系数特征,共生矩阵和小波纹理的支持向量回归模型效果最佳,校正集的R2为0.933 0,验证集的R2为0.823 8。因此,所提出的模型能有效的提高茶多酚含量的预测精度,为预测茶叶的其他成分提供了技术基础。     

二进制小波技术定量反演北方潮土土壤有机质含量

为从土壤光谱中提取土壤有机质的光谱响应信息，提升土壤有机质含量诊断精度与可靠性，以潮土有机质含量为研究对象，以北京市区域的96个耕层土壤参数与高光谱数据为数据源开展研究分析；先采用二进制小波技术将土壤光谱数据分离为5个尺度的高频数据与低频数据，再将低频数据、高频数据分别与土壤有机质实测数据进行相关性分析，提取最佳波段组合，构建有机质含量诊断模型。结果表明：（1）二进制小波技术可抑制噪声对高频信息的干扰，能有效提升光谱对土壤有机质含量的敏感性，进而提升有机质含量的诊断精度与可靠性；（2）在二进制小波技术下，高频信息对有机质含量的诊断能力明显优于低频信息，低频信息对土壤有机质含量的诊断能力随尺度增加而降低，高频信息随尺度增加呈先提升而后降低的趋势；（3）与数学方法相比，基于二进制小波变换算法构建的模型精度较高，稳定性较好，其最优模型的预测精度提高了31.5%，可靠性增加了10.5%。     

基于多尺度SNV-CWT特征的黑土有机质、水分、总铁及pH值估测

田间土壤属性复杂且随时间变化,快速精准地获得多种土壤理化指标数据对指导精细农业操作具有重要意义。为避免土壤水分带来的干扰,基于光谱技术的土壤成分含量预测需在土壤样本干燥的情况下进行光谱测量,然而土壤水分同样是指导农业生产的重要指标。为同时预测黑土区土壤有机质（SOM）、水分（SMC）、总铁（Fe）和pH值,提出测量湿土土壤样本的可见-近红外光谱,并采用标准正态变量变换（SNV）-连续小波变换（CWT）法分解光谱反射率,逐样本进行SNV后,以Mexh为小波基函数进行10个尺度（21,22,…,210）的分解,并与常用光谱处理方法进行对比,包括高斯滤波（GS）、一阶导数（FD）、连续统去除（CR）,数学变换等7种方法。将74个样本数据划分为两组,其中50个作为建模集,24个作为验证集。经SNV-CWT变换后,每个尺度的小波系数与每个目标变量间置信度小于0.05的波段作为随机森林（RF）预测模型的输入变量,以各尺度验证模型精度为标准确定每个预测目标的最佳分解尺度;通过计算最佳尺度小波系数与土壤成分间的皮尔森相关系数（PCC）,基于模型的相关系数（MBC）和灰色关联度（GRD）,判断各属性的特征波段,且分别以三种相关系数作为指标,以过滤式筛选法建立不同属性的RF估测模型。结果表明：与7种常用的处理方法相比,SNV-CWT分解后四种土壤成分的预测精度均有提高,SOM,SMC,Fe和pH对应的最佳分解尺度分别为7,8,1和10。在以多维特征作为输入变量的情况下,SOM与SMC的验证模型决定系数（R2）即可达到0.90和0.93。三种分析方法中以MBC计算的相关系数为波段筛选指标建立的模型精度最佳,其中SOM与SMC的R2均为0.94,且Fe（R2=0.67,Mse=0.01%,RPD=1.76）与pH（R2=0.80,Mse=0.1,RPD=2.24）的模型精度具有大幅度提高,可应用于多种土壤理化指标数据的提取与监测。     

传统光谱变换与连续小波耦合定量反演潮土有机质含量

以北京地区的96个潮土土样的有机质含量为研究对象,以传统光谱变换为参照,研究分析传统光谱变换与连续小波的耦合在估测土壤有机质含量的可行性;首先采用传统光谱变换与连续小波处理土壤光谱数据,然后将处理后的光谱数据与土壤有机质含量进行相关性分析,提取敏感波段,并采用偏最小二乘法构建土壤有机质含量估测模型。结果表明：耦合传统光谱变换技术与连续小波技术可大幅提升光谱对有机质含量的敏感性,其相关系数R2最高可达0.714,这表明耦合传统光谱变换技术与连续小波技术可深入挖掘光谱内的有益信息;与传统光谱变换技术相比,基于耦合传统光谱变换技术与连续小波技术构建的模型精度更高,稳定性更好,其中以微分变换构建的模型最优,其R2=0.772,RMSE=0.223,这表明耦合传统光谱变换技术与连续小波技术可有效压制噪声的负面影响,提升光谱的稳定性。     

近红外光谱小波分析在土壤参数预测中的应用

从田间采集了150个田间土壤样本,在分析了所有样本的土壤参数统计特征之后,对原始近红外光谱数据进行了聚类分析,分别得到了50个土壤全氮和50个土壤有机质的等价样本及其对应光谱。对样本光谱曲线进行8层Biorthogonal小波包分解,分解得到的最低低频[80]结点对应着土壤水分以及土壤质地的光谱变化趋势,最高高频[8 255]结点对应着土壤粒度、光谱仪精度等引起的高频震荡。对以上两个结点进行重构并从样本光谱曲线中剔除以上影响成分,得到了对应的土壤参数特征光谱。基于特征光谱建立了土壤参数偏最小二乘回归模型：全氮偏最小二乘预测模型的预测系数r_c达到了0.960,验证系数r_v达到了0.920;有机质偏最小二乘预测模型的预测系数r_c达到0.922,验证系数r_v达到0.883。模型精度明显提高,满足实际生产的需要。     

土壤导数光谱小波去噪与有机质吸收特征提取

使用高光谱仪ASDFieldSpec在波长范围400～1000nm内,采集有机质含量水平不同的土壤反射光谱数据,之后求取一阶导数(一阶导数光谱)并进行小波去噪;通过数值积分计算、相关分析,从去噪后的一阶导数光谱中提取吸收面积表征有机质含量变化。结果显示:(1)土壤一阶导数光谱中含有大量噪声,致使光谱曲线轮廓和有机质的吸收特征难以识别。(2)当小波分解层数J=3时,小波去噪在平滑土壤一阶导数光谱曲线的同时,较好的保持了曲线上多个敏感波段的光谱响应特征。(3)从去噪后的一阶导数光谱中提取的吸收面积S(538,586)与有机质含量的相关系数为-0.8763,较好的反映了土壤有机质含量的变化情况,可以用于土壤有机质含量测算。     

基于PCA-MLR和PCA-BPN的莱州湾南岸滨海平原土壤有机质高光谱预测研究

土壤有机质(SOM)含量是衡量土壤质量高低的重要指标,可以用高光谱快速测定。在以往研究中,估算模型多以特征波段与线性经验模型为基础进行构建,较少考虑波段间信息冗余和共线性,预测效果不很理想并难以进行推广。为最大化消除波段信息噪声,提高模型预测精度,选取莱州湾南岸滨海平原为研究区,系统采集了111个土壤样本和实测高光谱数据(325～1 075 nm),并测试了土壤样本的有机质含量作为因变量;通过主成分分析(PCA)将实测光谱信息降维为6个主成分,并提取水分、植被光谱特征指数(DI),以此作为自变量;最后建立多元逐步线性回归(MLR)和BP神经网络(BPN)预测模型,分析不同模型对土壤有机质预测的效果。结果表明：①经过主成分的波段信息分析判别提取出6个主成分,可以表征叶绿素残留物、盐分、腐殖酸、物化矿渣和微地貌的光谱特征。②基于6个主成分作为自变量所建立的BPN模型预测精度优于MLR模型,他们的R2分别为0.704和0.643。将水分和植被光谱特征指数作为自变量增加到预测模型后,MLR和BPN的预测精度分别提高了6.1%和5.2%,R2达到0.712和0.764;③将光谱主成分和光谱特征指数作为自变量的BPN模型进行土壤有机质预测可得到精度较高的预测结果,在土壤有机质的预测与制图中具有一定的应用潜力。     

光谱分辨率对黑土有机质预测模型的影响

高光谱遥感以其高光谱分辨率适于反射光谱特征复杂的地物识别与参数反演,但对于反射光谱特征平滑的地物,高光谱数据可能存在数据冗余问题。本研究对实验室测定的黑土高光谱反射率进行重采样,基于统计分析方法研究了光谱分辨率对黑土有机质预测模型精度的影响,结果表明:黑土有机质含量高,土壤有机质的光谱作用范围宽(445～1 380nm);黑土有机质光谱预测模型精度随光谱分辨率降低,呈现先增后减的趋势,最优模型的光谱分辨率为50nm,低于高光谱遥感波段设置,略高于多光谱传感器波段设置;黑土有机质光谱预测最优模型以倒数对数微分为自变量,模型决定系数R2=0.799,RMSE=0.439,研究成果为土壤有机质遥感反演、光谱速测仪器的研制,以及传感器波段设置提供理论基础与技术支持。