基于土壤植被光谱协同分析的土壤盐度推理模型构建研究

土壤组成较为复杂,单纯利用土壤光谱信息探测土壤盐度,反演精度不足以满足实际需求。通过遥感获取的植被信息(植被类型和生长状况)可间接反映土壤盐分的空间分布特性,弥补上述不足。为此,基于干旱区土壤盐度与植被之间的协同变化,尝试结合土壤和植被光谱信息,借助二维特征空间理论,构建土壤盐度推理模型,提高土壤盐度推理精度。对于干旱区单个像元下土壤光谱的影响,利用归一化植被指数(normalized difference vegetation index,NDVI) 难以准确反演干旱区稀疏植被参数。因此,首先利用线性混合像元分解模型(linear spectral unmixing model, LSUM)提取研究区地物组分,构建植被组分指示因子(combined vegetation indicative factor, CVIF)方程,并与土壤盐度指数(salinity index,SI)构建二维特征空间。分析二维特征空间内散点走势与土壤盐分之间的关系,建立土壤盐度推理模型(salinity inference model, SID)。验证结果显示,CVIF提取的植被信息精度(R2>0.84, RMSE=3.92)高于应用较为广泛的NDVI(R2>0.66, RMSE=13.77)。构建的SID模型与前人基于NDVI建立的联合光谱指数(combined spectral response index, CORSI)相比,前者(R2>0.86, RMSE=6.86)推理精度优于后者(R2>0.71, RMSE=16.21)。由此得出结论,基于土壤和植被光谱信息双重判定的SID模型对土壤盐渍化的高精度遥感监测研究具有较好促进作用。     

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。     

实测高光谱和HSI影像的区域土壤盐渍化遥感监测研究

通过典型研究区不同盐渍化土壤光谱反射率数据的变换和分析,选择与土壤含盐量响应敏感波段,建立实测高光谱土壤含盐量反演模型,以校正HSI影像建立的土壤含盐量反演模型。结果表明：实测高光谱土壤含盐量反演模型与HSI影像土壤含盐量反演模型均有较好的精度,模型判定系数(R2)均高于0.57,且模型稳定性较好。校正后的HSI影像土壤含盐量反演模型,模型判定系数有了较大提高,R2从0.571提升至0.681,且通过了0.01的显著性水平,均方根误差(RMSE)值为0.277。模型能够较好地提高区域尺度条件下土壤盐渍化监测精度,运用此方法开展盐渍化土壤定量遥感监测是可行的。     

露天煤矿排土场地表的光谱特征和土壤参数分析

以辽宁海州煤矿露天排土场为研究对象,分析了地表土壤光谱特征以及反射光谱与地表土壤参数的相关性。土壤反射光谱分析结果表明：不同排土年限光谱反射率随排土年限的增长而降低;不同土质中灰土和混合土的水分吸收谷表征不明显,红壤土、黄土和红砂土光谱反射率以红壤土为最高, 以下依次为黄土和红砂土。土壤反射光谱与土壤参数相关性分析结果表明：有机质含量与反射光谱相关性最高处的相关系数为-0.76,其他参数与反射光谱相关系数较低。建立土壤有机质含量预测模型(建模R2_C=0.737 4,模型检验R2_V=0.682 4)满足检测要求。分析了1 910和1 943 nm处光谱反射率与土壤含水量之间的关系,结果表明由于排土场土壤的多样性和复杂性,土壤全样本光谱反射率与土壤含水量之间呈非线性相关,分别依年代、土质分组后,土壤光谱反射率与土壤含水量均呈线性相关。     

基于实测高光谱和电磁感应数据的区域土壤盐渍化遥感监测研究

以新疆渭干河—库车河三角洲绿洲为例,利用实测得到的不同盐渍化程度的盐渍土高光谱数据和电磁感应数据(EM38)协同构建土壤高光谱盐分指数遥感监测模型,将该模型通过尺度效应转换用于校正传统的Landsat-TM多光谱遥感影像的土壤盐分光谱指数,用校正过的TM影像进行区域土壤盐分的反演,并利用实测土壤盐分数据对反演结果进行分析与验证。结果表明：将高光谱和电磁感应数据与多光谱遥感技术相结合进行区域土壤盐渍化信息的提取,其精度和反演效果(R2=0.799 3,p<0.01)明显优于传统多光谱遥感方法中单纯利用土壤盐分指数所建立的监测模型(R2=0.587 4,p<0.01),为今后更好地实现土壤盐渍化的高精度遥感动态监测研究提供了科学依据。     

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。     

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。     

不同干扰程度的盐渍土与其光谱反射特征定量分析

通过对新疆阜康500水库下游的盐渍化土壤实地定点取样和光谱测量,利用光谱变换、相关分析等方法,定量探讨了不同人为干扰程度的土壤盐分、水分与光谱反射率之间的关系,并建立了土壤反射光谱与盐分含量之间的多元线性回归预测模型。结果表明：(1)人为干扰程度与土壤盐分呈极显著正相关,而与土壤水分呈极显著负相关,相关系数分别为0.961和-0.929。(2)在不同干扰程度与土壤光谱反射率的关系中,重度干扰的土壤反射率比轻度干扰土壤的反射率高10%,比未干扰高17%。这是由于人为干扰破坏了土壤表面的少量植被及生物、物理结皮,土壤表层因缺乏保护,水分会迅速蒸发,并将土壤下部的盐分带到上部,加之降水稀少,盐分在表层聚集。干扰程度越高,结皮破坏越严重,土壤积盐越多,反射率越高。(3)随干扰程度的不断增加,土壤原始光谱反射率与盐分相关系数的两个最大值逐渐向近红外波段偏移(999,876～979,1 182～1 370和1 900 nm),这预示着,在近红外区土壤光谱反射率对盐分含量更为敏感。(4)利用反射率R、反射率一阶导数R′、反射率R+水分分别建立了不同干扰程度的三类土壤盐分含量预测模型。综合R2和RMSE判断模型精度,在不同干扰程度下,同类型的土壤含盐量预测模型中,干扰程度越小,模型精度越高;而在相同干扰程度下,不同类型的土壤含盐量预测模型中,均以一阶导数R′建立的模型预测效果最优,R2均超过0.983。总体上,模型精度提高了5%～10%,表明原始光谱经过一阶导数变换处理,可以去除部分线性背景值的干扰,提高预测土壤含盐量的精度。     

利用土壤的近红外光谱特征测定土壤含水量

以新疆玛纳斯县不同质地土壤(砂壤土、粉粘壤土和粘土)室内光谱反射率作为研究对象,采用包络线去除法对土壤光谱曲线进行处理,与土壤含水量进行相关分析并建立模型。结果表明：不同质地土壤光谱反射率大小依次为：粘土>粉粘壤土>砂壤土;砂壤土、粉粘壤土和粘土分别以田间持水量20.01%,24.10%和30.43%为临界点,在低于该临界点范围内含水量与反射率呈反比,在高于该临界点范围内含水量与反射率呈正比;在1 390～1 623 nm波段内,土壤含水量与光谱归一化反射率有较好的负相关,并达到显著水平,所建立的土壤含水量预测模型R2值达到0.8以上,模型平均相对误差为10%。结果表明,建立不同质地土壤含水量光谱预测模型可以较准确反映土壤含水量,其快速、无损、准确的优点,为测定土壤含水量提供了一种新方法。     

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。     

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。     

高光谱成像的土壤剖面水分含量反演及制图

传统土壤水分的获取方法仅可获得离散的土壤水分点位数据,难以获得剖面上精细且连续的水分含量分布图。研究了野外条件下利用近红外高光谱（882～1 709 nm）成像反演剖面土壤水分含量（SMC）,并实现精细制图的可行性。研究剖面位于江苏省东台市,我们利用近红外高光谱成像仪对剖面进行了5天原位连续观测,共采集了280个土样用于烘干法测定SMC。原始高光谱图像经数字量化值（DN）校正、黑白校正、拼接、几何校正、剪切和掩膜等一系列预处理后,提取各采样点的平均光谱反射率。提取光谱（Raw）经吸光度[LOG₁₀(1/R)],Savitzky-Golay平滑（SG）、一阶微分（FD）、二阶微分（SD）、多元散射校正（MSC）和标准正态变量（SNV）转换后,采用偏最小二乘回归（PLSR）和最小二乘支持向量机（LS-SVM）方法建立SMC预测模型,并对比分析不同光谱预处理方法与建模方法组合条件下SMC的预测精度。结果表明,光谱反射率随SMC增加逐渐降低,不同光谱预处理方法的预测精度有所差异,除MSC方法外,同一光谱预处理方法的LS-SVM模型预测精度均高于PLSR模型,并且基于LOG₁₀(1/R)光谱的LS-SVM模型对SMC预测精度最高,其建模集的决定系数（R2_c）和均方根误差（RMSE_c）分别为0.96和0.65%,预测集的决定系数（R2_p）、均方根误差（RMSE_p）和相对分析误差（RPD_p）分别为0.88,1.05%和2.88。利用最优模型进行剖面SMC的高空间分辨率精细制图,通过比较SMC反演图中提取的预测值与实测值关系发现预测精度较高（R2: 0.85～0.95, RMSE: 0.94%～1.02%）,且两者在剖面中的变化趋势基本一致,说明SMC反演图不仅能很好地反映出土壤水分在整个剖面中毫米级的含量分布信息,也可反映出同一位置处不同天数间的含量差异。因此,利用近红外高光谱成像结合优化的预测模型,能够实现土壤剖面SMC的定量预测及精细制图,有助于快速、有效监测田间剖面土壤水分状况。     

不同含水量黑土土壤光谱反射率半经验模型构建

土壤含水量的变化情况与时空分布对热量平衡、农业墒情等具有显著的影响。利用反射率光谱信息反演土壤含水量的研究,可为实现土壤含水量速测、揭示土壤含水量时空变异规律提供科学依据。构建不同含水量黑土土壤反射率光谱半经验模型,深入探究土壤重量含水量与反射率光谱的关系。 制备了12种不同湿度的土壤样品。 采用ASD Field Spec Pro 3地物波谱仪对制备的不同湿度梯度的黑土土壤进行反射率光谱测量。 利用菲涅耳反射率建立土壤表面反射模型;在以往的研究中,Kubelka-Munk (KM)模型中的漫反射率R_∞通常被视为对于给定材料和照明波长的常数或需要反演的参数。通过研究发现,漫反射率R_∞不仅与材料和波长有关,还与土壤含水量相关。利用与土壤含水量相关的吸收系数及散射系数描述了土壤含水量与漫反射率R_∞的关系,并基于KM理论对体散射分量进行建模;进而构建不同含水量黑土土壤反射率光谱半经验模型。 根据实际测量数据选用最小二乘算法对模型参数进行反演,并通过分析反演参数简化模型。最后,将未参与建模的不同含水量梯度的数据代入模型中,验证模型的有效性。结果表明：对比不同含水量土壤反射率光谱的模拟值与实测值在400～2 400 nm波段范围内的模拟精度发现,含水量为200 g·kg-1的土壤反射率光谱的均方根误差最大,为0.008,含水量为40 g·kg-1的土壤反射率光谱的均方根误差最小,为0.000 6,不同含水量下土壤样品反射率光谱的均方根误差的均值是0.005 1。在400～2 400 nm波段范围内,不同波长下黑土土壤反射率光谱的预测均方根误差基本低于0.008,1 920 nm波长处的预测均方根误差最小,为0.002 062。采集长春地区的土壤检验模型的可靠性,配制15个不同含水量样品并对其进行反射率光谱测量。选取9个样品数据用于建模,6个样品数据用于验证。结果表明：在400～2 400 nm波段范围内,不同波长下的长春土壤反射率光谱的预测均方根误差基本低于0.015,525 nm波长处的预测均方根误差最小,为0.000 922 5。综上所述,所建立的模型具有很高的预测精度,可很好地适用于不同含水量黑土土壤反射率光谱的模拟。     

土壤湿润条件下基于光谱对称度的盐渍土盐分含量预测

近年来光谱技术以其经济、高效的优势在土壤盐渍化监测研究中得到重视,但是由于土壤水分对反射光谱影响很大,土壤湿润条件下监测精度难以满足农业生产需求。通过对盐土土柱室内模拟蒸发过程中的反射光谱和水分、盐分变化的连续监测,利用多元逐步回归方法,建立了1 370～1 610 nm光谱对称度与土壤表层含盐量、含水量之间的线性关系模型,r为0.863;用该模型反演表层土壤含盐量,实测值与预测值之间线性关系的r为0.656(n=54),RMSE为2.059 g·kg-1。利用光谱对称度可以实现土壤湿润条件下土壤盐分含量预测。     

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<0.1mm 五种均匀粒径及<1mm 混合粒径共计6种粒径土样并进行了可见-近红外(300～2 500nm)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540nm 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...     

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％...     

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

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。