S/B和DS算法校正土壤水分对土壤有机质近红外光谱预测的影响（英文）

土壤水分对近红外光谱表现出强烈的吸收和对土壤有机质含量的预测造成干扰。研究选择41个样本作为校正集和9个样本作为预测集,所有样本做不同含水率(5%, 10%, 15%和17%)的处理。采用S/B和DS算法分别对预测结果和全光谱进行校正,消除土壤水分的影响。结果得出预测结果偏差减小和模型预测性能得到改善,R_p高于0.89和RMSEP低于0.885%。研究表明S/B和DS算法能有效消除土壤水分的影响和提高土壤有机质预测的准确性。     

顾及土壤湿度的土壤有机质高光谱预测模型传递研究

高光谱遥感技术作为当前遥感发展的前沿科技,通过电磁波与地物的相互作用,可以定量反演地物的物理化学性质。土壤有机质是重要的土壤养分信息参数,利用高光谱遥感技术快速获取其含量信息可以为精准农业的发展提供必要的数据支撑。然而,由于受到外部参数差异的干扰,导致建模精度降低的同时,还会造成已有模型传递性的“失效”。为了消除湿度差异的干扰,进一步拓展已有模型的适用空间,以江汉平原滨湖地区为例,通过对95个土壤样本进行加湿处理,在实验室自然风干的条件下,量测得到13套不同湿度等级土壤样本的可见—近红外反射光谱数据,建立了各湿度等级下土壤有机质的光谱反演模型,研究水分差异对建模精度的影响;在此基础上,运用Direct Standardization(DS)算法对湿土光谱进行校正,进而探讨该算法在提高模型传递性能方面的潜力。结果表明：基于风干土光谱建立的模型预测精度最高,未经校正的湿土光谱无法通过该模型进行土壤有机质含量预测,预测偏差在-8.34～3.32 g·kg-1,RPD在0.64～2.04;经过DS算法校正后的湿土光谱可以通过该模型进行土壤有机质含量预测,预测偏差降低至0,RPD值提高至7.01。研究表明DS算法能有效降低湿度差异对光谱反演土壤有机质的影响,使土壤有机质光谱反演模型适用于不同水分含量的土壤样本。     

基于特征波长积分算法的土壤有机质抗水分干扰模型研究

土壤有机质是土壤的重要成分,也是农作物生长的重要营养指标。快速、准确检测土壤有机质含量对施肥管理具有重要意义。近年来,近红外光谱被广泛应用于土壤有机质的快速检测,然而土壤有机质敏感波段易受土壤水分干扰,从而会影响到土壤有机质的预测结果。在山西省境内采集了140个土壤样本,采用ASD光谱仪分别获取了不同含水率（0%,5%,10%,15%,17%）土壤样本谱图曲线（350～2 500 nm）。为了提高土壤有机质预测模型精度,提出特征波长积分算法,即通过特征波长处吸光度的积分值作为自变量进行建模的方法,建立了土壤有机质预测模型及抗水分干扰修正系数模型。结果表明：（1）使用特征波长处吸光度的积分值作为自变量建立的土壤有机质预测模型统计参数优于传统的使用特征波长处的吸光度值作为自变量的建模方法;（2）校正后的湿土光谱更加接近干土土样,在一定程度上解决了传统水分修正系数在水分含量较高时修正效果较差的问题;（3）提高了湿土样本的预测精度,预测相关系数（R_P）提升了约0.09,预测均方根误差（RMSEP）降低了约1.72 。说明该方法可以有效降低水分对土壤有机质光谱的影响,提高不同含水率土壤有机质的预测精度,可为后续仪器开发提供理论支持。     

不同土壤类型的有机质含量的可见-近红外光谱检测模型传递方法研究

利用可见-近红外光谱分析技术可以准确快速的获取土壤养分含量,但不同类型土壤间养分含量校正模型的普适性是亟待解决的关键问题。为提高有机质含量光谱校正模型在多类型土壤之间的普适性和农田在线检测有机质含量速度,利用美国M107B区66个样品建立基于可见-近红外光谱的土壤有机质含量的粒子群-最小二乘支持向量机（PSO-LSSVM）校正模型,预测M107B区的23个验证集样品的决定系数R2=0.859,相对分析误差RPD=2.660;将M107B区89个土壤样品作为校正集建模后对N116B区20个验证集样品的有机质含量预测,预测R2=0.562,预测RPD=0.952,模型的预测R2和预测RPD分别降低34.6%和64.2%,表明M107B区土壤有机质含量的可见-近红外光谱校正模型直接用于N116B区时,预测精度显著降低;将N116B区部分土壤样品加入到M107B区样品集后重新建模,并预测N116B区20个验证集样品的有机质含量,当加入的N116B区土壤样品数量达到35以上,预测R2>0.80,预测RPD>2.0;加入到校正集的N116B区土壤样品数量从0增加到50,模型预测R2从0.562增加到0.811,预测RPD从0.952增加到2.274,精度逐渐提高。结果表明,在M107B区校正模型中加入N116B区部分土壤样品建模,能够有效提高M107B区土壤校正模型对N116B区土壤有机质含量的预测精度;加入的N116B区土壤样品数量达到50以上,模型预测性能趋于稳定,预测精度达到实用要求,成功将M107B区土壤有机质含量校正模型传递给N116B区土壤;优先选择与M107B区土壤样品的有机质含量或光谱曲线差异较大的N116B区土壤样品参与建模,可有效避免模型传递时模型性能出现突变。提出的方法能够有效提高M107B区土壤的有机质校正模型对N116B区土壤的预测精度,为基于可见-近红外光谱的农田土壤有机质含量实时检测提供一种新的经济可行的模型传递方法,为提高多类型土壤的有机质含量检测模型的普适性提供一种有效的解决方案。     

结合光谱变换和Kennard-Stone算法的水稻土全氮光谱估算模型校正集构建策略研究

土壤组分光谱估算过程中校正样本集的构建会影响模型的预测精度。当前结合反射光谱和Kennard-Stone (KS)算法的校正样本集构建策略忽视了土壤反射光谱是土壤属性的综合反映,构建的样本集通常无法很好地代表目标土壤组分的变异。光谱变换方法可以突出目标组分的光谱特征,为此,本文以湖北省江汉平原滨湖地区水稻土为研究对象,结合包括一阶微分(FD)、Savitzky-Golay(SG)、Haar小波变换、标准正态变量变换(SNV)和多元散射校正(MSC)在内的光谱变换方法和KS算法进行校正样本集建构,通过对比不同样本集构建策略对使用偏最小二乘回归(PLSR)建立的土壤全氮含量光谱估算模型预测精度的影响,研究光谱变换是否有助于提高基于KS算法构建的校正样本集的代表性。结果表明：不同光谱变换会影响校正样本集的构建。反射光谱经过SG或Haar小波变换后,再使用KS算法构建校正样本集与直接基于反射光谱使用KS算法构建的校正样本集相同,建立的估算模型精度不变,相对分析误差(RPD)分别为1.41和1.27。结合FD,SNV或MSC变换和KS算法构建的校正集与基于反射光谱使用KS算法构建的校正集不同,建立的估算模型RPD分别从0.95,1.48和1.42提高到1.13、1.78和2.20。研究表明SNV和MSC等光谱变换方法可以提高基于KS算法构建的校正样本集的代表性,并可有效提高模型预测精度。     

波长优选对土壤有机质含量可见光/近红外光谱模型的优化

可见光/近红外光谱模型是土壤属性预测的有效工具。波长优选在光谱建模过程中起着重要作用。文中首先利用从安徽省涡阳县采集的130个砂姜黑土土壤样本获得可见光/近红外光谱,然后利用平滑与多重散射校正联合的光谱预处理方式消除光谱中的无关变量和冗余信息以提高模型预测结果的相关性,再利用SPXY方法挑选建模集样本,分别利用连续投影算法和遗传算法进行波长优选,最后利用留一法进行交互验证建立有机质含量的主成分回归模型。研究结果显示：连续投影算法和遗传算法都可以有效地减少参与建模的波长数并提高模型的准确度,尤其是遗传算法能够更好地提高土壤有机质含量预测精度,其相关系数、预测均方根误差和相对分析误差分别达到0.9316,0.2142和2.3195。通过合适的特征波长选取,不仅计算量可以大大减少,预测精度也会有效提高。     

基于修正系数法的抗水分干扰土壤有机质近红外预测模型研究

土壤有机质（SOM）是植物生长必需的营养物质,也是土壤属性检测的重要参数。快速、高效地获取土壤有机质信息对精细农业的发展具有重要意义。近红外光谱技术具有快捷、低成本等优势,被广泛应用到土壤有机质的测量中,然而土壤水分在近红外光谱(780～2 500 nm)中具有很强的吸收特性,对土壤有机质的检测形成了一定的干扰。分析了50个土样在不同含水率（约17%,15%,10%,5%和干土）下的近红外吸光度谱图特性,利用水分敏感波段2 210, 1 415和1 929 nm构建了水分修正系数（MDI）,并在此基础上对不同含水率土样进行了重构,以消除水分对土壤有机质预测模型的影响。结果如下：（1）经MDI校正重构后的吸光度谱图与对应的干土土样吸光度谱图相近,能较好地反映其干土土样的吸光度谱图特性。（2）采用偏最小二乘（PLS）法建立了干土土样的有机质定量预测模型,并对重构后的不同含水率土样进行了预测,其统计参数分别为：预测相关系数（R_P）0.90,预测标准误差（SEP）0.802和预测均方根误差（RMSEP）1.09;与原始未经MDI校正的预测结果相比,相关系数上升了0.032,预测标准误差降低了0.113,预测均方根误差降低了0.25。结果表明,本研究提出的水分校正算法可以降低水分对土壤有机质预测的干扰,提高利用干土土样有机质定量预测模型预测不同含水率土样的精度,可为基于近红外光谱技术的土壤有机质实时测定技术的推广提供理论依据。     

基于CARS-MIV-SVR的库尔勒香梨可溶性固体含量预测方法

为了实现库尔勒香梨依据可溶性固体含量（SSC）分级定等和按质论价,推动采后处理向标准化、产业化方向健康发展,利用高光谱成像技术研究出了一种快速、有效、无损检测库尔勒香梨SSC的方法。以表面无损伤的157个库尔勒香梨作为研究样本,应用高光谱成像采集系统获取400~1 000 nm波长范围内高光谱图像并用ENVI5.3软件提取感兴趣区域（ROI）,获得高光谱数据。采用Kennard-Stone（KS）样本集划分方法将全部样本按照2∶1的比例划分为校正集（105）和预测集（52）。对比标准变量变换（SNV）、多元散射校正（MSC）、一阶导数（FD）和二阶导数（SD）等数据预处理方法对建模精度的影响,最终选用SNV方法对光谱曲线进行平滑去噪。该研究提出竞争性自适应重加权算法与平均影响值算法的组合算法（CARS-MIV）选择特征波长。在竞争性自适应重加权算法（CARS）方法中,建模样本由蒙特卡罗算法随机选择生成,变量回归系数会随之发生变化,因而回归系数的绝对值不能全面反映变量重要性,从而影响模型检测精度。为降低这种影响,应用平均影响值（MIV）算法对选出的自变量进行二次筛选,筛选出相关性较大的变量用以建模分析,并与CARS、连续投影算法（SPA）、蒙特卡罗无信息变量消除算法（MCUVE）等经典特征波长选择算法进行比较。最后分别以全波长（FS）光谱信息和四种特征波长选择方法得出的光谱信息作为输入矢量,应用支持向量回归（SVR）建立库尔勒香梨可溶性固体含量定量预测数学模型,以校正集相关系数（R_c）、校正集均方根误差（RMSEC）、预测集相关系数（R_p）和预测集均方根误差（RMSEP）四个参数来评估模型的预测精度。比较分析发现,CARS-MIV-SVR模型效果最佳,校正集相关系数（R_c）为0.985 94,预测集相关系数（R_p）达到0.946 31,校正集和预测集均方根误差分别为0.185 85和0.403 33。结果证明：CARS-MIV特征波长选择方法能够有效增强库尔勒香梨光谱数据特征波长选择的稳定性和精确性,提高模型的预测精度。利用高光谱技术结合CARS-MIV-SVR模型能够满足库尔勒香梨可溶性固体含量测定需求,实现库尔勒香梨的分级定等和按质论价。     

波长优选对土壤有机质含量可见光/近红外光谱模型的优化（英文）

可见光/近红外光谱模型是土壤属性预测的有效工具。波长优选在光谱建模过程中起着重要作用。文中首先利用从安徽省涡阳县采集的130个砂姜黑土土壤样本获得可见光/近红外光谱,然后利用平滑与多重散射校正联合的光谱预处理方式消除光谱中的无关变量和冗余信息以提高模型预测结果的相关性,再利用SPXY方法挑选建模集样本,分别利用连续投影算法和遗传算法进行波长优选,最后利用留一法进行交互验证建立有机质含量的主成分回归模型。研究结果显示:连续投影算法和遗传算法都可以有效地减少参与建模的波长数并提高模型的准确度,尤其是遗传算法能够更好地提高土壤有机质含量预测精度,其相关系数、预测均方根误差和相对分析误差分别达到0.931 6,0.214 2和2.319 5。通过合适的特征波长选取,不仅计算量可以大大减少,预测精度也会有效提高。     

水分对土壤有机质检测影响的光谱特性分析及抗水分干扰模型建立

土壤水分对光谱表现出很强的吸收性,且土壤水分与土壤有机质的吸收波段有重叠,因此土壤水分对土壤有机质的检测造成一定的干扰。为此做了以下工作：(1)采用可见近红外光谱仪在室内获取相同含水率下不同土壤动态光谱图;(2)通过对相同含水率下不同有机质含量的二维同步相关光谱图分析得出：当土壤为烘干土样时,600和1 660 nm左右表征土壤有机质的波段出现强的自相关峰,但随着含水率的增加,这两个波段逐渐消失,由于受水分的影响,1 931,2 200和1 480 nm均形成了强的自相关峰。说明水分会掩盖表征土壤有机质信息的波段,对土壤有机质检测造成干扰。(3)为了消除水分影响,提高模型对不同含水率下土壤有机质的预测精度,将田间近似最大含水率样本参与建模,采用偏最小二乘定量分析方法在550～650和1 610～1 710 nm波段内建立了抗水分干扰土壤有机质预测模型,并对不同含水率的土壤有机质进行预测,结果表明：预测样本的相关系数为0.954,标准偏差为0.744%,标准差为0.844%,预测效果明显提高,说明此方法可减少水分对土壤有机质检测的影响。     

基于近红外光谱的北方潮土土壤参数实时分析

选取中国北方潮土作为研究对象,探索利用近红外光谱分析技术分析土壤参数的可行性和可能性。从一块试验麦田共采集了150个土样,土样在采集回试验室后,在保持其原始状态的条件下利用傅里叶变换近红外光谱仪迅速测定了其近红外光谱。近红外光谱变量为原始吸收光谱和一阶微分光谱,分析的土壤参数有土壤水分、有机质和全氮的含量。对于土壤水分,在相关分析的基础上建立了一元线性模型,所采用的波长为1 920 nm,模型的相关系数达到0.937,模型可以直接用于土壤水分的实时预测。对于有机质和全氮含量建立了多元回归模型,有机质预测模型所采用的波长是1 870和1 378 nm,全氮预测模型所采用的波长则是2 262和1 888 nm。分析结果表明土壤有机质和全氮含量可以利用田间土样的近红外光谱特性进行分析和检测,建立的线性模型是有效的。     

利用近红外光谱技术建立土壤水分含量定标方程

应用近红外漫反射光谱技术（波长为1100—2498nm,分辨率为2nm）,以温县和郑州市郊的土壤为材料建立土壤水分含量分析系统。结果表明,优化各项参数后,光谱经过标准正态变换校正和一阶导数处理后,回归分析采用修正的偏最小二乘法（M PLS）得到的定标模型效果最佳。最终得到的预测方程定标相关系数（RSQ）、交叉验证标准误差（SECV）、交叉验证相关系数（1-VR）分别为0.98,0.92,0.97。数学模型经过验证样品集检验,预测相关系数达到0.96,达到了快速、准确分析土壤水分含量的要求。     

考虑含水量变化信息的土壤有机质光谱预测模型

地物高光谱技术已被用于土壤有机质(SOM)等理化参数速测,但由于含水量、粗糙度等因素的影响,基于遥感影像的SOM空间反演精度较低。为此引入时相信息,将时像信息与光谱信息结合对研究区SOM进行预测,使预测模型精度显著提高。以黑龙江典型黑土区(北安市南部、海伦市中部、绥化市东部、绥棱县西南部、望奎县中部)为例,获取多期MODIS影像,利用MODIS数据高时间分辨率的优势,研究含水量对土壤反射光谱曲线的影响;基于SOM与含水量对反射率的综合作用分析,建立SOM遥感预测模型。结果表明：(1)利用单期影像建立的SOM光谱预测模型,未加入含水量变化对土壤反射光谱曲线的影响信息,基于年积日(DOY)117,119,130,140,143单期影像建立的SOM预测模型,RMSE分别为0.591,0.522,0.545和0.553,R2分别为0.505,0.614,0.562,0.568和0.645,模型精度及稳定性较低;(2)利用年积日119和143多时相影像建立的SOM预测模型,考虑了含水量与SOM的综合作用,RMSE为0.442,R2为0.723,模型精度、稳定性得到显著提高。研究成果对于区域土壤肥力评价、土壤碳库储量估测、精准农业发展有重要意义。     

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。     

一种降低土壤水分对土壤有机质光谱监测精度的新方法

土壤有机质是土壤肥力的重要体现,土壤水分是限制利用光谱技术进行土壤属性光谱监测的重要因子之一。为了研究土壤水分对土壤有机质光谱监测精度的影响和实现土壤有机质(soil organic matter, SOM)的准确、实时监测,对151份麦田土壤样品的土壤水分、土壤有机质和土壤光谱进行了测定。基于土壤含水量(soil water content, SWC)分类法和归一化土壤水分指数(normalized difference soil moisture index, NSMI)光谱参数分类法对麦田土壤样品进行分类,并对土壤含水量、土壤有机质和土壤光谱参数之间的关系进行研究。结果表明：以土壤含水量对土壤样品进行分类后,各分组之间的土壤有机质光谱监测精度各异,且都高于不分组条件下(5%～20%)土壤有机质光谱监测精度,表明土壤水分确实影响土壤有机质的光谱监测。土壤含水量低于10%和高于20%时,土壤水分对土壤有机质光谱监测精度的影响较小,表明此时的土壤水分状态易于土壤有机质的光谱监测。另一方面,以NSMI光谱参数对土壤样品进行分类后,各分组条件下的土壤有机质光谱监测的拟合精度优于基于土壤含水量的分类方法,通过R2,RMSE和RPD模型验证参数的验证,各模型可靠,表明利用NSMI光谱参数的分类方法,在一定程度上可以实现对土壤自然条件下土壤有机质的实时、准确监测。但是,所提到的两种土壤分类方法在本质上一样,说明仍然可能存在最优的土壤分类方法,来克服和消除土壤水分对土壤有机质光谱监测精度的影响。为土壤水分和土壤有机质的大面积遥感提供一定的理论基础。     

基于数字图像颜色提取的土壤有机质预测研究

有机质是土壤质量的重要判定标准,其快速测定可为精准农业的实施提供基本的数据支撑。传统有机质测定法,通过野外取样,实验室化学分析,不仅费时费力,还效率低,完全不能满足现今社会发展对土壤信息的大量需求。通过光谱仪测定土壤反射率建立有机质估测模型,可快速预测有机质含量,但光谱仪价格较高,对操作环境要求严格,限制了其广泛应用。仅有RGB三波段的可见光传感器,相比光谱仪而言不仅价格便宜,还易于操作,借助其诸多优势,通过定量获取土壤表面颜色信息,解决土壤有机质快速测定问题,不管是从实用性还是经济性角度,都值得去探索研究。为验证可见光下提取数字图像颜色信息能快速预测有机质的可行性和适用性,采用数码相机获取土壤表面颜色,分析土壤表面组成特点,确定最佳取样面积,并比较不同土样制样标准(<1 mm和<0.5 mm) 与有机质的相关性,同时选取相关性高的颜色变量,通过回归分析,建立有机质预测模型。研究结果表明,以950 pixel×950 pixel作为取样面积,可以较稳定获取土样表面颜色,并减少边缘效应对取样结果的影响;对比<1 mm和<0.5 mm土样与有机质的相关性发现,<1 mm土样的RGB三波段与有机质的相关性更高,适合作为土壤颜色获取时的制样标准。在RGB三波段中,Red波段表现了与有机质的最高相关性,其相关系数为-0.70;通过对RGB三波段进行数学变换与超红(ExR)计算,可增加各颜色值与有机质的相关性,其中ExR指数表现了与有机质最高的相关性,其相关系数为-0.86。单变量建模过程中,ExR倒数模型获得了最好预测效果;多变量建模时,各颜色标准差参与建模,使颜色信息描述更为全面,明显提高了模型的预测精度,获得了最好的建模效果,其R2=0.80,RMSE=0.51,检验结果R2_val=0.84,RMSE_val=0.54,能较好反应研究区有机质变异特点。通过黑土检验所建模型的预测效果,仅单变量Red波段模型表现出较好预测结果,其检验结果表明红波段是有机质较为敏感波段,在不同土类中具有通用性。虽然研究中所建模型难以扩展到对其他土类的预测,但对同类土壤预测效果表明,数码相机作为颜色定量获取的工具,具有实现快速预测土壤有机质的潜力。