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。     

Using Short Wave Visible–Near Infrared Reflectance Spectroscopy to Predict Soil Properties and Content

In this study, short wave visible–near infrared reflectance spectroscopy was evaluated for prediction of diverse soil properties related to four different soil series of several regions in Jiangxi, China. A total of 240 soil samples were collected for the calibration (n = 168) and prediction (n = 72) sets. The used wavelength range of short wave visible–near infrared reflectance spectroscopy is 325–1075 nm. Partial least squares regression and back propagation neural network were used to develop models for soil properties such as organic matter and extractable forms of calcium, magnesium, and potassium. Performance of these models was also compared and analyzed. The input of back propagation neural network was the first six principal components resulted from the principal component analysis and the optimal number of latent variables obtained from partial least squares regression. The overall results showed that the performance of partial least squares regression model was inferior to all back propagation neural network models. The best prediction was obtained with latent variables as input of back propagation neural network model for organic matter (determination coefficient = 0.84 and relative predictive determinant = 2.38), which was classified as very good model predictions. The prediction of calcium, magnesium, and potassium was classified as fair (determination coefficient = 0.56–0.68 and relative predictive determinant = 1.51–1.61), where quantitative predictions were considered possible. It is recommended to adopt latent variables as input for back propagation neural network model predicting soil properties with short wave visible–near infrared reflectance spectroscopy. In conclusion, short wave visible–near infrared reflectance spectroscopy was variably successful in estimating soil properties and showed potential for substituting laboratory analyses.     

可见光-近红外、中红外光谱的土壤有机质组分反演

土壤有机质是土壤肥力的物质基础,其含量的高低是评价土壤肥力的重要标志。土壤有机质组分根据其溶解性可分为胡敏素(HM)、胡敏酸(HA)、富里酸(FA),不同组分的肥力特性差异显著,因此,土壤有机质组分数据可更加全面、客观的反映土壤肥力状况。传统土壤土壤有机质及组分的测定工序繁杂,效率低下且时效性差,大量研究表明高光谱技术能有效提高土壤属性的检测效率并降低测试成本,但关于可见光-近红外、中红外光谱检测土壤有机质组分的报道鲜见。为了探索中红外光谱及可见光-近红外-中红外组合光谱对土壤有机质组分检测的可行性,并对比有机质单一光谱模型与有机质不同组分的组合光谱模型的预测精度,以南疆地区农田土壤为例,在阿克苏及和田地区共采集93个土样,进行有机质、胡敏素、胡敏酸、富里酸含量及光谱数据的测定。其次,利用可见-近红外(VNIR)、中红外(MIR)及其组合光谱(VNIR-MIR)三种光谱数据集,采用偏最小二乘(PLSR)、支持向量机(SVM)、随机森林(RF)三种建模方式对土壤有机质、胡敏素、胡敏酸、富里酸含量进行组合模型分析预测。结果表明：(1)土壤有机质及各组分均与光谱反射率有较好的相关性,土壤有机质及组分在MIR谱段的特征波段数量明显多于VNIR谱段。(2)有机质最优预测模型的模式为VNIR-MIR-RF,该模型的决定系数R2为0.90;胡敏素与胡敏酸最优预测模型的模式均为VNIR-RF模型,R2均为0.92;富里酸最优预测模型的模式为MIR-RF模型,R2为0.94。(3) 基于胡敏素、胡敏酸和富里酸的有机质组合光谱模型的预测精度明显高于有机质单一光谱模型,两种模型的R2分别为0.93和0.90。实现了土壤有机质组分的高效快速反演,且基于有机质组分的组合模型提高了土壤有机质预测精度,为南疆地区大尺度土壤肥力的鉴定与精准施肥提供重要的参考价值。     

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。     

基于野外Vis-NIR光谱的土壤有机质预测与制图

利用野外实时快速获取的土壤光谱进行土壤有机质(SOM)预测与制图是精确农业与土壤遥感制图的必然需要,利用ASD FieldSpec Pro FR野外型光谱仪实时快速获取的光谱数据,去除噪声较大的边缘波段后,进行倒数的对数转换(Log(1/R))为吸收光谱。在分析吸收光谱和光谱指数与SOM关系的基础上,采用偏最小二乘回归法进行SOM的建模预测并借助地统计学方法进行SOM空间变异制图研究。结果表明,建模效果好的指标分别为特征波段(R2=0.91,RPD=3.28),归一化光谱指数(R2=0.90,RPD=3.08),特征波段与3个光谱指数组合(R2=0.87,RPD=2.67),全波段(R2=0.95,RPD=4.36)。光谱指标的克里格制图与实测SOM制图表现出相同的空间变异趋势,不同的指标均达到了较好的预测效果。     

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。     

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。     

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。     

基于反射率模拟模型的黑土有机质含量估测

定量分析了黑龙江省黑土室内高光谱反射率曲线特征,确定了影响反射光谱曲线的主要特征控制点,建立了黑土光谱反射率模拟模型并对其进行评价,分析比较反射率数据、模拟后的光谱数据与土壤有机质含量的关系,建立了土壤有机质含量光谱预测模型。结果如下：有机质是小于1 000 nm范围黑土反射光谱特征的决定因素,随有机质含量变化,黑土光谱反射率在该范围呈现单/双吸收谷特征;黑土反射光谱曲线在450～930 nm范围内有５个主要特征控制点;黑土反射率模拟模型能较准确地描述黑土反射光谱曲线,直线模型的模拟效果更好;以反射率模拟模型系数为自变量的有机质含量预测模型优于基于反射率及其一阶微分的模型,说明反射率模拟模型的曲线控制点选择合理且有代表性,反射率曲线模拟方法能够准确描述黑土的实际光谱反射率。     

基于RF-GABPSO混合选择算法的黑土有机质含量估测研究

针对土壤有机质含量高光谱估测研究中变量维数过高与特征谱段筛选问题,提出了一种结合随机森林和自适应搜索算法的混合特征选择方法。首先依据随机森林变量重要性原理获取初始优化集,然后利用遗传二进制粒子群封装算法对初始优化集进一步自适应筛选。对于土壤有机质含量估测建模问题,选择稳健性强且能有效处理高维变量的随机森林算法。以典型黑土区采集的土壤样品为研究对象,将ASD光谱仪获取的可见光-近红外区间光谱数据和经化学分析得到的土壤有机质含量为数据源,对原始光谱进行光谱变换和重采样处理后,采用随机森林-遗传二进制粒子群混合选择方法提取特征光谱区间,构建有机质含量随机森林估测模型。与利用全光谱、随机森林方法筛选的光谱和自适应搜索算法筛选的光谱构建随机森林模型得到的预测精度进行比较。结果表明,利用随机森林-遗传二进制粒子群混合特征选择算法筛选的波谱变量参与随机森林建模,预测决定系数,均方根误差和相对分析误差分别为0.838,0.54%,2.534。该方案应用最少的变量个数获得最高的预测精度,能够较高效地估测黑土有机质含量,也能为其他类型土壤在有机质含量估测研究的变量筛选与建模问题上提供参考。     

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。     

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。     

光谱重构油菜叶绿素含量快速检测方法及设备研制

为了实现油菜叶片中叶绿素含量的快速无损检测,开发了手持式多光谱成像系统用于采集油菜叶片在460,520,660,740,840和940 nm 六个波段的光谱图像。将一台能够采集可见光/近红外（380～1 023 nm）512个波段光谱图像但是价格高昂且体积大的室内高光谱成像系统作为参考仪器,将手持式多光谱成像系统作为目标仪器后,采用伪逆法（pseudo-inverse method）求得高光谱成像系统和多光谱成像系统两台仪器之间的转换矩阵F,从而实现6个波段的多光谱图像向512个波段的高光谱图像的重构,提高了手持式设备的光谱分辨率。运用偏最小二乘回归算法（PLSR）建立了重构的光谱与油菜叶片的叶绿素含量之间的关系模型。结果表明,重构的可见光范围内的光谱反射率与叶绿素浓度之间具有很强的相关性,PLSR回归模型建模集的决定系数R2_c为0.82,建模集均方根误差RMESC为1.98,预测集的决定系数R2_p为0.78,预测集均方根误差RMESP为1.50,RPD为2.14。虽然应用本文开发的手持式成像系统结合PLSR模型实现油菜叶绿素含量快速无损预测的精度低于基于室内高光谱成像系统获得的高光谱图像建立的PLSR模型（R2_c,RMESC,R2_p,RMESP和RPD分别为0.90,1.41,0.82,1.36和2.37）,但是明显优于基于原始多光谱成像系统4个波段（460,520,660和740 nm）反射率建立的PLSR模型得到的结果（R2_c,RMESC,R2_p,RMESP和RPD分别为0.78,2.06,0.72,1.85和1.88）。表明光谱重构技术可提高多光谱成像预测油菜叶绿素含量的精度,并且与室内高光谱成像系统相比,开发的手持式设备具有体积小、成本低廉和操作简便等优点,可为田间油菜叶片的生理状态和养分检测及可视化表达提供技术支持。     

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。     

不同粒径对土壤有机质含量可见-近红外光谱预测的影响

土壤有机质（SOM）是表征土壤肥力的重要指标,实现其快速准确检测可为精准农业区域管理提供有效的数据支撑。土壤粒径对SOM的光谱预测及仪器开发有很大的影响,为了明确不同粒径对SOM预测的影响,分别制备了1~2,0.5~1,0.25~0.5,0.1~0.25和<0.1 mm五种均匀粒径及<1 mm混合粒径共计6种粒径土样并进行了可见-近红外（300~2 500 nm）光谱数据采集。采用蒙特卡罗交叉验证分别剔除了不同粒径的异常样本,结合Savitzky-Golay卷积平滑法对光谱数据进行平滑去噪处理,比较了不同粒径样品的光谱反射率差异,并对平滑后的原始光谱R进行倒数IR、对数LR、一阶导数FDR等3种光谱变换并分析与SOM含量的相关性,基于竞争性自适应重加权算法（CARS）对光谱数据进行了特征波长提取,并结合偏最小二乘回归（PLSR）分别建立了相应的SOM含量预测模型。结果表明,不同粒径土样的平均光谱反射率与变异系数随着粒径的减小逐渐增加,且在大于540 nm波长范围内,差异明显。随着粒径的减小,SOM含量与光谱反射率在全波段范围的相关性变化幅度愈加明显,FDR变换可明显改变全波段范围与SOM含量的相关性。通过CARS算法对FDR变换后的光谱数据进行特征波长提取,筛选出特征波长数为全波段数量的13.1%,降低了光谱数据重叠及无效信息干扰。对比不同SOM预测模型的结果,FDR变换光谱的建模精度较好,且粒径越小其模型的效果越好,特别在粒径<0.1 mm时,模型的R2_p达到0.91,RMSEP为2.20 g·kg-1,RPD为3.33。基于CARS特征变量构建的SOM含量预测模型中,粒径<0.1 mm预测模型的效果最好,R2_p为0.78,RMSEP为3.00 g·kg-1,RPD为2.00,可以实现SOM含量的可靠预测,且其他粒径下的模型仍有可优化的空间。该研究可以为实现SOM田间动态预测及仪器设计提供理论及模型参考。     

Rapid evaluation of soil fertility in tea plantation based on near-infrared spectroscopy

Abstract

An efficient soil analysis technique was developed to monitor soil fertility and perform precise soil management in tea plantations. In this study, near-infrared spectroscopy combined with chemometric methods was utilized to determine the organic matter and total nitrogen content and evaluate fertility of tea plantation soils. First, photometric precision and subtractive spectroscopy were used as indicators in identifying optimal sample preparation condition. Spectral reproducibility reached an optimum with powder particle size of 100 mesh (0.149?mm). Second, after comparing the combinations of the partial least squares method with three different characteristic wavelength extraction methods, the genetic algorithm and competitive adaptive reweighted sampling quantitative discrimination models were determined to be optimal for organic matter and total nitrogen contents, with prediction correlation coefficients of 0.9102 and 0.8763, respectively. Third, classification models for soil fertility level using linear discriminant analysis, support vector machine, and extreme learning machine were established based on a full spectrum and successive projections algorithm separately. The successive projections algorithm-extreme learning machine model was deemed superior with a correct classification rate of 84.38%. Our findings demonstrate that the proposed near-infrared spectroscopy calibration models successfully achieve the nondestructive and rapid evaluation of organic matter and total nitrogen contents, as well as the classification of soil fertility levels, in tea plantation soils. The results provide a basis for the development of internet-of-things sensors in the construction of a high-yield and high-quality tea plantation.     

基于反射光谱特性的土壤分类研究

选取中国松嫩平原吉林省农安县主要土壤(黑土、黑钙土、草甸土、风砂土、冲积土)室内光谱反射率作为研究对象,利用去包络线方法提取反射光谱特征指标,作为输入变量建立BP神经网络模型,进行土壤分类研究,探索利用表层土壤反射光谱特性进行土壤分类的可行性。结果表明:(1)包络线去除后的曲线使土壤可见光近红外波段的吸收特征显著增强;农安县不同土壤在400～2500nm范围内主要有5个光谱吸收谷,前2个吸收谷主要是由于土壤有机质、铁及土壤机械组成引起的,后3个是土壤水分吸收光谱能量引起的;不同土壤类型反射光谱的差异主要表现在前2个吸收谷。(2)由于输入变量的选取客观准确,基于前2个吸收谷形状特征的BP神经网络模型的土壤分类精度显著优于以反射率或5个吸收谷形状特征为输入变量的模型,可以用于土壤分类。     

黑土有机质含量野外高光谱预测模型

以田间原状黑土野外实测高光谱反射率为研究对象,分析黑土有机质的光谱响应波段,运用光谱分析方法提取光谱指数,建立基于反射光谱特征的黑土有机质高光谱预测模型。得出如下结论:(1)黑土反射光谱特征差异主要在小于1 250 nm的光谱范围,尤其是在小于1 100 nm的范围,随着有机质含量的变化,该波谱范围内黑土反射光谱特征呈现单/双谷现象,有机质是影响黑土反射光谱特征的决定因素。(2)有机质与黑土反射率倒数对数微分的相关系数最高,最高值在1 260 nm,达到-0.77(R2),相关系数高的波谱范围为750~1 260 nm。(3)基于黑土野外光谱反射率的有机质含量高光谱预测模型稳定性强,预测能力较好,能够用于黑土有机质含量野外速测。     

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NMF-PLS对含水量影响下土壤重金属含量反演模型研究

土壤中过高的重金属含量危害巨大,不仅造成了严重的环境污染,而且通过食物链进入人体对人体健康造成严重威胁,所以对重金属检测十分重要。X射线荧光光谱法具有检测时间短、无损检测、检测成本低等特点被广泛使用,然而检测的光谱数据因受到土壤含水量因素的严重干扰,导致直接对土壤重金属含量估算精度较低。以河北省保定市满城区土样为研究对象,对采集的土样进行除杂、过筛、烘干后加入一定量重金属溶液制备不同含水量不同重金属的样本进行检测。对实验中异常数据计算了马氏距离和进行NJW聚类予以剔除,分析了土壤含水量对土壤重金属光谱的影响,结果表明不同含水量间光谱重复性差,随着土壤含水量的增加光谱强度呈非线性降低。采用Savitzky-Golay卷积平滑去噪法和线性本底法对光谱进行预处理,以解决因环境、仪器本身带来的噪声和基线漂移等问题。然后针对于土壤含水量这一主要干扰,采用非负矩阵分解算法进行处理,并使用峰值信噪比这一评价模型确定端元数目,结果表明当端元数目增至10时峰值信噪比趋于稳定波动很小,非负矩阵分解处理后相同重金属含量不同含水量间光谱重复性好、相似性好,并计算了光谱间的相关系数进一步证明了光谱间的相似性。去除含水量对于光谱干扰后建立了偏最小二乘法预测模型,为了验证预测模型的精度,建立了未去除含水量的偏最小二乘法预测模型和使用外部参数正交化法去除含水量建立的偏最小二乘法预测模型,并使用评价参数决定系数(R2)、交叉验证均方根误差(RMSECV)、平均绝对误差(MAE)和相对分析误差(RPD)进行评价。验证结果表明,相比较未去除含水量建立的模型,使用非负矩阵分解去除含水量建立的偏最小二乘法模型R2和RPD分别提高了0.019 7和1.029 2,RMSECV和MAE分别降低了2.386 3和1.439 6;相对于外部参数正交化法建立的偏最小二乘法模型,R2和RPD分别提高了0.009 9和0.108 1,RMSECV和MAE分别降低了0.244 7和0.356 6,说明了经过非负矩阵分解去噪后建立的模型有效提高了预测的精度和鲁棒性。非负矩阵分解可以有效消除土壤含水量对光谱的影响,在此基础上建立的偏最小二乘法模型实现了土壤重金属含量的反演,为重金属定量检测提供了一定的技术支持。