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。     

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。     

航空高光谱预测黑土地SOM含量的神经网络方法

将机载高光谱遥感引入到黑土信息提取领域,不仅能够显著提升土壤信息反演的信息化水平,而且将机载高光谱遥感的优势结合到黑土信息提取的需求中,发挥明显的技术优势。这对黑土成分中重要的养分指标有机质,提出了一种神经网络模型预测含量的方法,这种方法可以在地面点状化验数据支持下,进行大面积黑土有机质含量信息的提取,为黑土地数字制图效率的提升提供了一种新的解决方案。研究表明,高光谱波段与化验数据相关系数较高的前18波段,能够作为可靠的建模数据,全区有机质含量介于3.32~4.12g·kg~(-1),对验证数据集的测量数据和预测数据进行了制图,回归系数达到了0.985 3,证明了这一方法在理论上的可靠性。     

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。     

类标准化土壤样品Cd含量高光谱定量反演

针对土壤Cd高光谱遥感反演精度低、特征波段难以有效识别的问题,以湖南省某典型重金属污染矿区为例,开展类标准化Cd污染土壤样品和自然污染土壤样品Cd含量高光谱定量反演对比研究。创新之处主要在于以相对清洁的背景土壤作为内控样本,通过实验室定量添加Cd标准溶液制备符合自然污染规律的类标准化Cd污染土壤样品方案的提出与对比实验的开展,研究实验过程还包括自然污染土壤样品野外采集,类标准化样品与自然样品土壤重金属、有机质含量及350～2 500 nm光谱反射率等的测定,光谱全要素主成分逐步回归土壤Cd含量反演建模。研究发现,类标准化土壤样品Cd含量高光谱反演模型精度(adjR2=0.87)明显高于野外自然污染土壤样品Cd含量高光谱反演建模结果(adjR2=0.39)。土壤Cd含量与土壤光谱反射率间确实存在一定的响应关系,但各光谱波段对土壤Cd含量及其变化产生响应的程度存在差异,其中1 000,2 000以及2 300 nm波段光谱响应信号较强。该研究创新引入的类标准化Cd污染土壤样品制备方法有助于深入探索重金属Cd污染土壤光谱特征响应规律并发现重金属Cd含量及其变化的真正指示性特征波段,可为多要素混淆污染模式下模拟反演土壤重金属含量提供先验知识。     

土壤氧化铁的高光谱响应研究

通过分析野外采集的13个土种的不同氧化铁含量原始土样和人工配制不同氧化铁含量土样的高光谱特征,研究了氧化铁对土壤反射率、土壤线参数、土壤有机质高光谱特征、土壤反射率光谱曲线形态的影响。研究结果表明,随氧化铁含量的增加,350～570 nm波段反射率降低,570～2 500 nm波段的反射率增加,氧化铁去除量与反射率变化量之间的相关性不明显;氧化铁含量与土壤线斜率呈线性负相关,与截距呈线性正相关,且均达到极显著相关水平,表明利用土壤线参数反演氧化铁含量具有可行性;在622～851 nm波段,氧化铁对有机质的高光谱特征具有明显的抑制作用;通过去包络线和统计F值与光谱角值表明,氧化铁对土壤反射光谱曲线形态有影响。     

光谱测定黑河上游土壤有机质的预测模型

地面高光谱遥感光谱分辨率高,能详细地反映地物波谱特征;多光谱遥感时域宽,覆盖范围广,对较大时空区域的地物特征反演具有更大的优势。探求以不同反射率指标的土壤有机质含量预测模型,及其敏感波段,可以结合两种光谱数据的优点,为研究土壤有机质含量的时空变化规律提供新途径。本研究选取黑河上游223个土壤样品测定其有机质含量和高光谱曲线,应用原始光谱曲线反射率(λ)、倒数(REC)、倒数之对数(LR)、归一化(CR)和一阶微分(FRD)五种指标,采用逐步线性回归分析方法建立预测模型。通过统计检验,结果表明,以反射率指标为自变量的模型预测效果最佳,其相关系数(r)和均方根误差(RMSE)分别为：0.863和4.79。最优模型中得出的敏感波段有TM1内的474 nm、TM3内的636 nm和TM5内的1 632 nm。研究结果可为使用TM遥感数据反演黑河上游土壤有机质含量提供参考。     

基于航空高光谱的黑土地硒含量反演研究

硒元素是人体必需的微量元素,研究土壤硒含量对区域土地质量和农作物经济价值均有重要意义。为了快速、准确地评价土壤硒含量分布状态,引入航空高光谱技术开展土壤硒元素含量反演。选择黑龙江省建三江地区作为研究区,采用CASI/SASI航空高光谱数据、ASD地面光谱数据和土壤样品硒含量数据,基于硒含量与光谱反射率的相关性和定量关系,采用偏最小二乘法构建了回归模型并开展研究区土壤硒含量遥感反演,模型决定系数达到0.721。利用地球化学数据进行反演结果的验证,对比结果表明反演数据可靠。     

植被叶片生化组分的光谱响应特征分析

依据LOPEX’93数据,分别使用地表反射率光谱及其变化量以及光谱指数分析了鲜叶片叶绿素和水分含量的光谱响应。结果表明,在反射率光谱及其变化量的分析中,反射率的二阶导数对叶绿素具有较高的响应,对叶绿素响应较高的波段依次为600,700,670,410,490,500和440nm,这些波段区间能够较好地反映植被叶绿素的含量;反射率光谱经连续统去除后对叶片含水量具有较高的响应,对水分含量响应较高的波段依次为:1870,2130,2180,1820,2350和2120nm,分别对应着水分在短波红外波段的吸收波段。在光谱指数的分析方法中,光谱指数ND(normalized difference)对叶绿素含量较其他指数具有更高的响应,其相关系数为0.618;光谱指数Ratio975对叶片水分含量具有较高的响应,相关系数可达0.996。根据以上的响应分析,构建相关模型,对叶片中叶绿素和含水量开展地基反演实验,结果表明,基于地面光谱数据反演叶片中叶绿素和含水量可达到较高的精度。     

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。     

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。     

光谱分辨率对土壤组分建模影响分析

实验室可见-近红外高光谱数据（VIS-NIR）具有快速、高效、无损等技术优势,被越来越多应用于土壤组分反演中。光谱分辨率越高所能表达的土壤信息越丰富,但也带来了数据冗余。目前,对于不同光谱分辨率对土壤组分建模影响效应分析的研究相对较少。以欧洲土壤中心数据集19036个土壤样本为数据源,以土壤总氮（N）、有机碳（OC）、碳酸钙（CaCO₃）、粘土（Clay）为例,基于偏最小二乘回归方法（PLS）并选择30%的随机样本独立验证的方式开展相关研究。首先将所有样本原始0.5 nm分辨率4 200个波段的高光谱数据采用等间距取均值方法分别重采样到2,4,8,…,1 024 nm开展分析。结果表明：随着光谱分辨率的降低,土壤各类组分反演精度均呈下降趋势,光谱分辨率在64 nm以上,4类土壤组分普遍具有较高的模型验证精度（R2>0.65,RPD>1.7）,光谱分辨率在128 nm以下CaCO₃和Clay组分精度显著变差;4类组分中,CaCO₃对光谱分辨率敏感性最强,在高光谱分辨率下反演精度较高（R2>0.86,RPD>2.72）,但随光谱分辨率降低精度下降最快。此外,基于光谱响应函数将样本光谱重采样到GF2,S3A,L8,Aster,Modis和S3OLCI六种常见卫星传感器的光谱分辨率展开评价。结果表明：土壤N、OC在各传感器中均可获得较高的精度,甚至在GF2传感器仅有4个波段情况下,也具有不错的验证精度（R2=0.56; RPD=1.51）,而土壤CaCO₃及Clay反演精度普遍较差;除传感器光谱波段数量外,波段位置对土壤组分的反演能力的影响也很显著,拥有近红外长波（1 100～2 500 nm）光谱范围的传感器对土壤组分的反演能力优于缺少该光谱波段的传感器,特别是粘土矿物的吸收峰多位于近红外长波段,S3A,L8,Aster和Modis传感器的Clay反演能力均优于光谱波段数更多的S3OLCI。该研究成果对土壤组分高光谱数据预处理、卫星数据源的选择及未来传感器光谱通道的设计具有指导意义。     

矿业废弃地重构土壤重金属含量高光谱反演

矿产资源对工业和国民经济的发展有重要的作用,但是随着矿业开采规模的扩大,资源枯竭、经营不善而形成的矿业废弃地越来越多。由于长时间受到采矿的影响,矿业废弃地土壤中存在大量的重金属元素,高浓度重金属可能会对环境和人体产生影响。土地复垦是整治污染、退化土壤再利用的重要方法,对重构后的土壤进行重金属含量检测是衡量土地复垦成效的重要指标,需要长期进行跟踪监测。传统的化学检测方法效率低、成本高、无法实现重金属大范围检测。高光谱是一种新兴的、发展潜力巨大的技术,在环境保护,资源利用,区域可持续发展等方面有着广泛的应用。经过近几十年的快速发展,仪器精度逐渐提高,检测方法逐渐成熟,为实现土壤重金属高效、便捷检测提供了可能。正常土壤重金属含量一般相对较低,采用光谱测量重金属含量较为困难,但铁矿开采区矿业废弃地由于土壤中的铁元素较多,会使土壤中的重金属的存在和聚集形式发生变化,影响重金属对光谱的响应,从而使土壤光谱反射率与重金属含量之间关系更加明显。以湖北省大冶市复垦矿区研究区,采样化学检测方法获取土壤重金属（As,Cr,Zn）含量;借助于美国ASD公司生产的FieldSpec4地物光谱仪（350～2 500 nm）获取土壤反射率,应用一阶微分、倒数对数、连续统去除法分别对反射率曲线进行预处理,提取出光谱特征波段,分析三种重金属元素与光谱特征间的相关性并建立逐步回归模型。研究表明,光谱数据预处理可使光谱特征波段更加明显,其中一阶微分和连续统去除法的效果最为明显。3种重金属元素的特征波段为495,545,675,995,1 425,1 505,1 935,2 165,2 205,2 275和2 355 nm。将土壤重金属含量与光谱特征波段之间做相关性分析,三种重金属都表现出了与光谱曲线的相关性,相关系数大部分都达到了0.5以上,最大相关系数为0.663,由于重金属种类和预处理方式的不同会导致相关性系数存在明显的差异。利用与土壤重金属相关性最大的特征波段建立三种重金属反演模型,并以反演模型r大小选择每种重金属的最优反演模型。由于重金属种类的不同,模型的选择也有差异,Cr和Zn一阶微分逐步回归为最佳反演模型,重金属As连续统去除法逐步回归为最佳反演模型。通过检验,三种重金属中Cr反演效果最好,RMSE为2.67,其次是Zn和As。对比当前不同检测手段可知,基于土样和光谱数据预处理的土壤重金属含量地物光谱仪高光谱反演是比较理想的。可为矿业废弃地土壤重金属高光谱反演提供参考。     

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。     

利用反射光谱及模拟多光谱数据定量反演北方潮土有机质含量

基于北京市52个潮土样本的高光谱数据和Landsat TM、环境减灾卫星(HJ)影像的波段响应函数,生成宽波段多光谱模拟数据,对比分析了室内实测光谱数据、宽波段模拟数据与土壤有机质含量的相关性,筛选敏感波段,利用偏最小二乘法构建北方潮土有机质含量预测模型。研究表明：在宽波段模拟数据建立的模型中,由Landsat TM模拟数据的差值土壤指数(DSI)、比值土壤指数(RSI)、归一化土壤指数(NDSI)及其第3波段共同构建的模型最优,其决定系数与均方根误差分别为0.586和0.280;与实测光谱数据相比,模拟数据的最佳预测模型,均优于除一阶微分、弓曲差以外的其他10种高光谱模型。因此,利用多光谱数据预测潮土有机质含量是可行的。     

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。