基于大样本土壤光谱数据库的氮含量反演

充分挖掘大样本土壤光谱库中有效信息,建立普适性强的土壤全氮(TN)含量反演模型,是高光谱分析的重要应用方向之一。研究采用偏最小二乘回归(PLSR)全局建模、局部加权回归(LWR)和模糊K均值聚类结合PLSR(FKMC-PLSR)局部建模三种方法,分别建立了来自中国西藏、新疆、黑龙江、海南等13个省采集的17种土类1661个土壤样本TN值的高光谱反演模型,并对浙江省104个水稻土样本进行模型验证。结果表明,在大样本下PLSR全局模型对高TN值待预测样本存在低估现象,导致整体预测精度偏低;LWR和FKMC-PLSR局部模型比PLSR全局模型能够更为准确地反演TN含量。研究结果可为利用大样本光谱数据库建立稳定性和普适性较高的土壤TN含量预测模型提供参考。     

土壤含盐量与电导率的高光谱反演精度对比研究

探明土壤盐渍化的高光谱遥感监测机理,对改善高光谱遥感监测精度具有重要意义。以南疆地区温宿县、和田县、拜城县的水稻土为研究对象,通过分析土样的高光谱数据和室内测定的盐分与电导率数据,研究了耕作土壤含盐量与电导率的关系,并比较了含盐量和电导率与不同光谱指标的相关性以及二者高光谱反演的精度。结果表明,南疆水稻土的含盐量与电导率的相关性较低,二者之间的关系因地区差异而有较大的变化;含盐量与反射率、一阶微分、连续统去除之间的相关性要优于电导率,特别在一些土壤盐渍化的敏感波段尤为突出;以含盐量建立的多元线性回归、主成分回归、偏最小二乘回归模型的决定系数和相对分析误差均高于电导率。研究表明高光谱信息对土壤含盐量的响应比电导率更敏感,以含盐量为监测指标的高光谱反演精度明显要优于电导率。该结果可为提高土壤盐渍化高光谱遥感监测精度提供理论依据。     

可迁移的土壤重金属污染高光谱定性分类方法研究

现有基于高光谱遥感的土壤重金属污染定性分类模型,大多采用同一地区室内光谱测定训练样本数据进行模型构建与测试。但室内光谱测定需要复杂的处理过程,成本高,效率低,且无法快速获得目标区域空间上连续的光谱信息。考虑到实际应用需求,模型在相同实验区和不同试验区野外光谱数据是否具有较好的迁移推广能力是目前迫切需要回答的问题。为回答这一问题,选取湖南省郴州市和衡阳市两铅锌矿区作为实验研究区,选用支持向量机（SVM）作为分类器,将郴州实验区室内采样的83个样本数据和衡阳实验区室内采样的46个样本数据分别用于分类器训练,将衡阳地区野外采样的46个样本数据用于分类测试。并首先通过基于联合分布适配（JDA）的迁移学习方法进行光谱变换以缩小两地室内外测定光谱分布差异,然后进行不同区域室内外土壤重金属污染定性分类模型迁移。实验结果表明：（1）由于野外测得的光谱数据会受到太阳辐射、提取的土壤成分差异等因素的干扰导致室内外光谱数据存在显著的分布差异,难以直接将基于室内采样数据训练得到的土壤重金属污染定性分类模型迁移到同一地区测定的野外高光谱数据上。但通过JDA变换缩小室内外分布差异后,模型迁移能力得到显著提升,砷（As）、铅（Pb）和锌（Zn）三种重金属含量是否超标的分类精度都达到了84%以上,Zn元素含量是否超标的分类精度甚至达到了89%以上。（2）由于季节性影响、地区成分的干扰和光谱噪声的增加,不同地区光谱数据存在着更为显著的分布差异,加大了不同地区土壤重金属污染监测的难度,难以将基于室内采样光谱数据所建立的土壤重金属定性分类模型直接迁移到其他地区野外采样数据上（平均分类精度仅在50%左右）。经过JDA迁移学习方法进行室内外光谱变换处理后,模型迁移能力得到保证,因此,室外光谱采样可直接用于研究不同试验区域重金属（As,Pb和Zn）的污染情况。     

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。     

R语言在地球化学数据趋势面分析中的应用

R语言作为GNU系统的一个自由,免费,源代码开放的软件,是一种适合推广应用于统计计算和统计制图的优秀工具.在地球化学大数据的趋势面分析中借助R语言软件,选择spatial库包来进行kriging分析和点模式分析;spatial库中的surf.gls方法用最小二乘法来拟合趋势面;使用anova方法比较多个嵌套模型的拟合优度,实现了趋势面函数模型的最优拟合,计算与绘图自动完成,增强了分析的可靠性.该文以安徽省全椒县中部地区主要商品粮基地215.86 km~2范围内586个土壤样品测试数据为例,通过对Zn, Cu及Zn/Cu比值的趋势面分析,求得三阶趋势面函数拟合度最优,三阶趋势面图形与地质环境条件基本吻合,证实了R语言的应用优势.     

双道原子荧光光谱法同时测定土壤中的砷和汞

建立了同时测定土壤中砷和汞的原子荧光光谱法。样品的相对标准偏差 As为 3.94 % ,Hg为 5 .0 0 % ,回收率在 90 %— 93%之间 ,对砷、汞的检出限分别为 0 .18μg/L和 0 .0 5 7μg/L。本法操作简便、快速、灵敏度高。     

基于中红外漫反射光谱的土壤重金属元素含量预测研究

研究了中红外漫反射光谱快速预测土壤重金属元素含量的可行性。以在南京江宁区和八卦洲采集的共161个土壤样品为例,利用偏最小二乘回归(PLSR)法对土壤中Ni,Cr,Cu,As,Zn,Pb,Hg和Cd等8种重金属元素数据进行了预测。通过对样品的中红外(MIR)漫反射光谱进行各种预处理,探讨了中红外光谱数据预处理对预测精度的影响,并比较了中红外光谱与可见光-近红外(VNIR)光谱对土壤重金属含量预测的精度。结果表明,依次经平滑、基线校正、多元散射校正预处理能显著提高中红外光谱数据的预测精度;经校正的中红外光谱对异地样品预测的均方根误差是可见光-近红外光谱的21%～73%,比VNIR波段更能准确预测异地样品中土壤重金属元素含量。研究表明,中红外漫反射光谱可以作为一种快速、非破坏方法预测土壤重金属元素含量,且比可见光-近红外精度高。     

离子色谱测定土壤中Cl-和SO2-4

介绍了离子色谱法测定土壤中Cl-和SO2-4的可行性以及相关的前处理方法,通过一定前处理方法,减少土壤中杂质对测定的干扰和对色谱柱的污染.有效选取提取液的种类和浓度及提取时间,准确测定了土壤中Cl-和SO2-4含量.Cl-和SO2-4的相对标准偏差分别为2.70%、2.89%,检出限分别为0.1950、0.2230μg·mL-1,平均回收率分别为106.7%,95.8%.方法简便,快速、灵敏度高.     

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。     

西范坪矿区土壤铜元素的高光谱响应与反演模型研究

为解决传统的土壤地球化学测量方法成本高、效率低等问题,研究了利用可见-近红外光谱技术检测土壤重金属含量的简易方法。研究对西范坪矿区土壤反射光谱进行微分、连续统去除等六种变换,利用逐步回归法和皮尔逊相关系数选出对土壤铜含量敏感的特征波段,组成综合特征变量集,再应用不同的特征变量选取方法和参数建立估算模型并检验。结果表明：不同的光谱变换方法对土壤铜含量信息提取能力不同,每种光谱变换都对应特定的敏感波谱区间;基于综合光谱变换信息建立的土壤铜含量反演模型精度优于基于单种光谱变换信息建立的模型;利用综合光谱变换信息建立土壤铜含量反演模型,后向剔除法优于前向引入法和逐步回归法,当Removal取0.20时得到最优回归模型,其模型决定系数R2和预测模型决定系数R2_pre分别达到了0.851和0.830,建模均方根误差RMSEC和预测均方根误差RMSEP分别为0.349和0.468 mg·kg-1,能较好地检测土壤铜含量,同时为其他土壤重金属元素的光谱检测提供了思路。