热红外发射率光谱在盐渍化土壤含盐量估算中的应用研究

利用傅里叶变换红外光谱仪对绿洲盐渍化土壤进行野外测量,采用光谱平滑迭代法对温度和发射率进行分离,得到了盐渍化土壤的热红外发射率数据。通过对盐渍化土壤发射率光谱的特征分析,得出8～13 μm土壤发射率随盐分含量的增加而减小,发射率光谱对盐分因子的响应在8～9.5 μm较敏感。分析了原始发射率光谱、一阶导数、二阶导数和标准化比值与含盐量之间的相关性,表明土壤发射率与含盐量呈负相关关系,发射率一阶导数与含盐量的相关性最高,相关系数最大为0.724 2,对应波段为8.370 745～8.390 880 μm。建立了土壤发射率一阶导数与盐分含量的二次函数回归模型,模型拟合的决定系数为0.741 4,验证结果的均方根误差为0.235 5,说明利用热红外发射率光谱反演土壤盐分含量的方法可行。     

热红外光谱的干旱区土壤含盐量遥感反演

干旱区土壤盐渍化已对生态环境构成严重威胁,通过遥感技术对土壤盐分含量进行定量反演具有重要意义。通过采集艾比湖流域的农田土壤和盐壳结晶,在室内配制成不同含盐量梯度（盐分占盐土比重：0.3%～30%）的土壤样品,利用102F FTIR光谱仪测量土壤样品的热红外光谱,并通过普朗克函数拟合得到土壤发射率数据。土壤发射率光谱曲线特征：不同含盐量土壤的发射率光谱曲线在形态和变化趋势上基本一致,发射率随含盐量增加而增大;盐分因子对Reststrahlen吸收特征有抑制作用,随着含盐量的增加,Reststrahlen吸收特征会减弱。通过发射率与含盐量相关性分析：土壤热红外发射率与盐分含量呈正相关关系,最大相关系数达到0.899,对应的波段为9.21 μm;8.2～10.5 μm是土壤盐分因子的最敏感波段。通过一元线性回归、多元逐步回归和偏最小二乘法建模分析比较,偏最小二乘法效果最佳,模型预测的R2达到0.958,RMSE为1.911%。选择ASTER,Landsat8和HJ-1B卫星传感器的热红外波段,进行发射率光谱模拟,通过相关性分析：ASTER的B10,B11和B12波段属于热红外光谱对盐分因子的敏感波段,与土壤含盐量相关性较高,相关系数分别为0.706,0.786和0.872。采用多元线性回归法建立基于ASTER热红外波段的土壤含盐量预测模型,模型预测的R2为0.833,RMSE为3.895%。结果表明,遥感传感器对土壤含盐量的预测能力,取决于传感器的光谱波段对盐分因子的敏感程度,通过卫星热红外遥感定量反演土壤含盐量是可行的,为干旱区土壤盐渍化遥感监测提供了新的途径和参考。     

土壤发射率光谱与土壤元素含量的关系研究

通过对全国十几个地区共26个土壤样品进行元素含量和红外光谱测定,分析了土壤中红外发射率光谱特征,研究了土壤发射率光谱与土壤的硝态氮(NO₃-N)、磷(P)、钾(K)、钙(Ca)、镁(Mg)、铜(Cu)、铁(Fe)、锰(Mn)、锌(Zn)等元素以及pH值和有机质(OM)含量的相关性,并利用偏最小二乘回归和多元逐步回归建立了利用发射率光谱估算土壤各种元素含量的回归模型。由此找到了土壤元素含量与土壤发射率相关性最大的特征波段,并遴选出了不同波段哪些土壤元素与发射率的相关性最紧密,为开展土壤发射率的影响因素研究和由土壤中红外光谱预测土壤元素含量奠定了理论基础。研究结果显示：(1)在8～10 μm波段范围内,土壤发射率与土壤元素相关性从高到低依次为Ca,Mg,Mn和Fe ,相关系数最高为0.85,最低为-0.5;另外K,Fe,NO₃-N和Zn与发射率的相关性在6～8 μm波段范围内依次减小,相关系数最高为0.75,最低为0.48;而在10～14 μm波段内,Mn和K与发射率有较强的相关性,相关系数约为0.5;(2)土壤发射率与土壤pH值之间大致呈抛物线关系,在土壤的pH值为7时,发射率最高,随着土壤越酸或越碱,发射率逐渐降低;(3)在建立土壤各元素含量的预测模型时发现,偏最小二乘回归估算土壤各元素含量的精度要高于多元逐步回归,尤其是Ca,Cu和Fe这些元素,建模和交叉验证的R2分别能达到0.9、0.8以上;利用观测的土壤发射率光谱根据传感器波谱响应函数模拟得到的MODIS和ASTER传感器红外波段的发射率数据,通过多元逐步回归模型对土壤各元素含量进行估算发现,利用ASTER的热红外波段发射率估算土壤Ca含量时建模和验证的决定系数为0.774和0.892;用MODIS的红外波段发射率估算土壤Ca和Fe含量的建模和验证的决定系数都在0.85以上,估算Mg和K的建模和验证的决定系数都在0.5以上;并且ASTER的第10和11波段和MODIS的第28,29和30波段对土壤各元素有较高的敏感性,更适合用于土壤各元素的估算。     

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。     

土壤的中红外光声光谱研究

红外光声光谱是基于光声理论的新型数据采集方式,与传统红外光谱相比,其吸收系数大,适合高吸收和高散射的土壤分析。以中国三种典型土壤为试验材料,研究了这三种土壤(红壤,潮土和水稻土)的中红外光声光谱特征。结果表明,土壤的中红外光声光谱的测定快速方便,土壤样品不需前处理,光谱吸收值适中,具有更丰富的吸收,且土壤主要组成成分的中红外光声光谱也具有明显不同的吸收特征,因此中红外光声光谱能更好地适用于土壤分析;利用主成分分析处理土壤中红外光声光谱时,第1和第2主成分包含了光谱98.17%的信息;利用这两个主成分作二维散点分布图,结果表明该分布能对这三种土壤进行有效分类,这为土壤鉴定提供了快捷的新手段,并使中红外光声光谱在进一步的土壤定量分析中将具有潜在的应用前景。     

基于PCA的土壤Cd含量高光谱反演模型对比研究

土壤重金属污染对人类健康造成了极大的威胁,如何快速摸清土壤污染情况尤为重要。高光谱遥感具备光谱分辨率高,快速无损等优势,使其在土壤组分反演方面具有巨大的潜力。针对高光谱信息冗余及光谱变换对土壤镉（Cd）含量估算的影响进行分析,并利用变换前后的高光谱数据对比研究了不同高光谱模型对土壤Cd含量反演的性能。首先利用等离子体质谱法和FieldSpec4地物光谱仪收集了56组土壤样品的Cd含量和对应的高光谱曲线（350～2 500 nm）;为了弱化光谱测定中光亮变化和土壤表面凹凸对实验结果的影响,研究对高光谱数据进行倒数对数预处理;考虑到高光谱数据中存在大量的信息冗余,研究采用了主成分分析（PCA）对高光谱数据进行降维处理并最终保留了前12个主成分量作为特征变量。针对高光谱反演模型,研究选择了偏最小二乘（PLSR）、支持向量机（SVM）、人工神经网络（ANN）和随机森林（RF）四种回归模型建立PCA主成分与Cd含量之间的关系;最后,研究选取了决定系数（R2）、均方根误差（RMSE）和RPD三种精度评估指标评估回归模型的拟合精度,结果表明针对光谱采用PCA波段降维的方法处理后,选取的12个主成分对变化前后的光谱累计贡献率均达到99.99%,作为模型的输入变量,四种模型均具有一定的预测能力。无论光谱变换与否,PCA-RF反演模型的预测能力均为最好（R2分别为0.856和0.855,RPD均高达3.39）。利用PCA对高光谱数据降维处理可以有效降低高光谱数据冗余,有力的保证模型的预测能力。以PCA筛选出的主成分量可以作为模型极好的输入变量,以RF为基础的高光谱反演模型在反演土壤Cd含量时具有最佳效果,可为该区域及类似地区的土壤重金属污染物反演提供新的方法支撑。     

基于高光谱热红外发射率光谱的地表岩石CaO含量定量估计

通过对西藏冈底斯山东段23种岩石固体样本的野外发射率光谱测量,分别分析了这些样本的CaO含量与热红外发射率原始光谱和一阶微分光谱的相关关系。在此基础上,建立了几种典型的回归模型,并对各种建模结果进行了比较。结果表明,利用高光谱热红外发射率光谱反演地表岩石CaO的含量是可行的;地表岩石CaO含量与热红外发射率光谱特征之间有较好的对应关系;在10.3～13μm波长范围内,岩石的发射率随CaO的含量增加而降低;相比原始发射率光谱,一阶微分光谱具有更好的预测效果。结果为遥感岩矿识别提供了一种新的思路。     

高光谱小波能量特征估测土壤有机质含量

土壤高光谱在采集过程中难以避免噪声干扰,造成高光谱数据信噪比较低,影响土壤有机质含量估测精度。尝试探究小波能量特征方法,降低高光谱噪声,提升土壤有机质含量高光谱估测模型性能。选取湖北省潜江市运粮湖管理区为试验区,于2016年9月采集80份深度为0~20 cm的水稻土样本;土壤样本经风干、碾磨、过筛等一系列处理后,在实验室内采集样本光谱,并通过重铬酸钾-外加热法测定土壤有机质含量;利用浓度梯度法,将总体样本集（80个样本）划分为建模集（54个样本）和验证集（26个样本）;以mexh为小波基函数进行连续小波变换（continuous wavelet transformation）,将土壤高光谱转换为10个分解尺度的小波系数（wavelet coefficients）;逐尺度计算小波系数的均方根作为小波能量特征（energy features）,将10个尺度的小波能量特征组成小波能量特征向量（energy features vector）;逐尺度逐波长计算小波系数与有机质含量的相关系数,将达到极显著水平（p<0.01）的小波系数作为敏感小波系数（sensitive wavelet coefficients）;利用主成分分析法（principal component analysis）分别计算土壤高光谱和小波能量特征向量的各主成分载荷,通过比较两者第一主成分贡献率的高低和两者前三个主成分得分的空间离散程度,判断小波能量特征转换前后建模自变量的主成分信息变化趋势;基于小波能量特征向量和敏感小波系数分别建立多元线性回归和偏最小二乘回归土壤有机质含量估测模型。结果表明,土壤有机质含量越高,全波段反射率越低,但不同土样的光谱反射率曲线特征相似,近红外部分的反射率（780~2 400 nm）高于可见光部分（400~780 nm）;敏感小波系数对应的波长为494,508,672,752,1 838和2 302 nm;土壤高光谱与小波能量特征向量的第一主成分贡献率分别为96.28%和99.13%,小波能量特征向量的前三个主成分散点较土壤高光谱的主成分散点在空间上更为聚集,表明小波能量特征方法有效减少了噪声影响;比较全部土壤有机质含量估测模型,以小波能量特征向量为自变量的多元线性回归模型具有最佳估测精度,其验证集决定系数（R2）、相对估测误差（RPD）和均方根误差（RMSE）分别为0.77,1.82和0.82。因此,小波能量特征方法既能够提高数据的信噪比,提升土壤有机质含量的估测精度,又实现了土壤高光谱数据降维,降低了模型复杂度,可用于土壤有机质含量快速测定和土壤肥力动态监测等研究。     

荒漠土壤全磷含量热红外发射率光谱估算研究

土壤磷素为植物提供营养元素,是评价土壤质量的重要参数之一。传统的土壤全磷含量的测定方法不能实现对荒漠土壤养分有效监测,而运用遥感手段能够弥补传统手段的不足。有学者开展了通过近红外光谱来估算土壤全磷含量的研究,但由于土壤磷素近红外吸收系数小、吸收峰不明显等原因,使得土壤磷素估算的模型精度欠佳。为解决荒漠土壤全磷含量近红外光谱估算存在的不足,提高荒漠土壤全磷含量估算的精度,对准噶尔盆地东部荒漠土壤进行采样、化验分析和发射率光谱测量、处理,分析土壤热红外发射率特征,建立多种荒漠土壤全磷含量热红外发射率估算模型。结果表明:在土壤全磷含量高于0.200g·kg-1的条件下,在8.00~13μm波长范围内,热红外发射率随全磷含量的增加而增加,9.00~9.60μm波段范围内土壤热红外发射率对全磷含量最敏感;多元逐步回归建立的估算模型的估算效果差,不能用于荒漠土壤全磷含量热红外发射率的估算,经过偏最小二乘回归建立的估算模型效果优于多元逐步回归建立的模型;偏最小二乘回归建立的连续去除一阶导数模型最优,校正和验证的R2分别达到了0.97和0.82,校正和验证的RMSE仅有0.010 6和0.015 7,RPD为2.62,模型能够极好的对土壤全磷含量进行估算。该研究的成果为荒漠土壤全磷含量定量遥感估算提供有效支撑,通过有效监测荒漠土壤全磷含量的时空动态变化,为区域生态环境的修复提供依据。     

基于DPLS特征提取的LDA方法在玉米近红外光谱定性分析中的应用

提出了一种基于DPLS+LDA的玉米近红外光谱定性分析新方法.该方法在训练时,首先用包含30个玉米品种每个品种20个近红外光谱样本的训练集进行DPLS回归,确定最佳DPLS主成分数为28;然后对训练集光谱进行DPLS特征提取后再进行LDA分析,确定最佳LDA主成分数为26,并提取LDA特征.识别时,测试样本经过DPLS...     

近红外光谱定量分析技术在枇杷可溶性固形物无损检测中的应用

应用近红外漫反射光谱定量分析技术对两个产地三个品种枇杷的可溶性固形物进行无损检测试验研究。通过分析,发现在波长1 400～1 500 nm和1 900～2 000 nm两段范围,样品的可溶性固形物与光谱吸光度之间的相关系数较高;用偏最小二乘回归PLSR、逐步多元线性回归SMLR和主成分回归PCR三种方法分别建立这两个波段和全波段范围的模型,全波段的PLSR模型的效果较优。研究发现一阶和二阶微分光谱建立的模型均不如原始光谱建立的模型效果好。最终建立三个品种枇杷样品的原始光谱在全波段范围经17点平滑后的PLSR模型,模型的校正集和预测集的相关系数分别为0.96和0.95。研究表明近红外光谱检测技术可用于枇杷可溶性固形物含量的定量分析。     

土壤碳酸钙中红外光声光谱特征及其应用

测定并分析了碳酸钙(CaCO3)的中红外光声光谱及光谱特征,利用中红外光声光谱并结合主成分回归(PCR)、偏最小二乘回归(PLSR)和人工神经网络(GRNN)三种分析方法建立回归模型,分析了土壤CaCO3的含量。结果表明CaCO3具有丰富的中红外吸收,最强吸收峰波数在1 450cm-1,且干扰少,可以作为土壤CaCO3的特征吸收峰;三种回归建模方法所建模型线性都很好,PLSR和GRNN最好,相关系数(R2)均大于0.9,PCR次之,为0.847;验证样本预测能力PLSR和PCR最佳,R2大于0.9;GRNN次之,为0.882。偏最小二乘回归在校正和预测过程中的结果都非常好,RPD值均大于3.0,具有较强的适用性。     

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。     

基于近红外漫反射光谱无损检测梨可溶性固形物的光强影响探究

通过设置四种不同的光源强度研究光强对近红外漫反射无损检测梨可溶性固形物的影响,对四种类别光强的光谱定性分析显示四类光谱差异微小,肉眼几乎无法辨别。在进一步的定量分析中,通过主成分分析、逐步线性回归分析以及偏最小二乘法分析的比较,主成分分析(r值跨度：0.253～0.606;RMSEC值跨度：0.549～0.614;RMSEP值跨度：0.455～0.752)与逐步线性回归分析(r值跨度：0.249～0.551;RMSEC值跨度：0.536～0.624;RMSEP值跨度：0.646～0.734)得到的模型较差。通过对光谱进行一阶求导和二阶求导预处理,主成分分析与逐步线性回归分析建模结果仍不理想。通过二阶求导预处理,偏最小二乘法所建的模型得到优化,其中相关系数r值跨度为0.947～0.970,混合模型的相关系数r值达到了0.95 7,分析结果表明光强对梨的近红外漫反射光谱无损检测可溶性固形物的影响差异不大,为光谱仪的田间作业奠定了基础。     

矿区土壤Cu含量高光谱反演建模

为探究高光谱遥感手段反演土壤Cu含量方法的可行性,以湖南省某矿区为例,利用ASD地物光谱仪和实验室电感耦合等离子发射光谱法测定83个土壤样品350～2 500 nm光谱信号和Cu含量。在光谱重采样、一阶/二阶微分、标准正态变换预处理对比分析基础上,分别采用主成分分析与相关分析对潜在建模变量进行初步筛选,运用逐步回归方法确定最终模型变量,建立土壤Cu含量反演模型,基于最优模型识别Cu含量光谱指示特征波段。结果表明,相对于传统主成分分析方法,标准正态变换后的光谱全要素主成分分析逐步回归建模方法因保留土壤样品弱光谱信号能有效提升土壤Cu含量估算能力,R2达0.86,模型对于预测样本的估计效果较好,建模样本和预测样本的残差分别为0.76和1.29,且通过F检验;360～400,922～1 009,1 833～1 890与2 200～2 500 nm波段对研究区土壤Cu含量有较好指示性。研究结果将丰富南方矿区土壤Cu含量估算典型案例,同时为发展基于高光谱遥感的土壤环境监测手段提供理论支撑。     

应用多种近红外建模方法分析梨的坚实度

近红外光谱(near infrared spectroscopy,NIRS)技术是一种快速、无损的仪器分析方法,在农产品品质检测方面引起了广泛的关注,在近红外光谱信息和品质指标之间建立一个稳健的模型是近红外光谱分析中十分重要且有一定难度的过程,常见的多元校正方法有偏最小二乘回归(PLSR)、主成分回归(PCR)和逐步多元线性回归(SMLR)等,该研究中除了常用的线性方法外,还采用了一种结合非线性方法的组合算法[结合了SMLR和径向基神经网络(RBFN)]用于梨坚实度的近红外光谱检测。比较常用的线性建模方法,原始光谱的PLSR模型的得到了较好的结果：校正集相关系数r=0.87, 校正均方根误差RMSEC=3.88 N,预测集r=0.84, 预测均方根误差RMSEP=4.26 N;组合算法的建模结果比SMLR和PCR的结果好,但比PLSR的结果稍差：校正集r=0.85, RMSEC=4.15 N,预测集r=0.82, RMSEP=4.67 N。结果表明：NIRS可用于梨的坚实度检测,但是建模方法的选择值得进一步研究以提高预测的精度。     

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。