基于不同建模方法的湿地土壤有机质含量多光谱反演

为了提高湿地土壤有机质含量的预测精度,以闽江鳝鱼滩湿地土壤为研究对象,通过分析多光谱不同波段反射率与土壤有机质含量的相关性,引入OIF指数提取显著性波段,然后基于全波段和显著性波段,采用多元逐步回归方法(MLSR)、BP神经网络(BPNN)和支持向量机(SVR)3种方法,构建湿地土壤有机质含量的反演模型,并进行模型验证与对比,确定最优的土壤有机质含量反演方法。结果表明:各波段的反射率(Spectral reflectance,R)与土壤有机质含量存在着负相关关系,147波段组合的OIF指数较高,波段间的独立性强,能有效反映数据内的信息;采用MLSR、BPNN和SVR这3种方法进行建模。在全波段中,SVR的建模效果最显著,BPNN次之,MLSR的建模效果最差。在显著性波段中,BPNN的建模效果最显著,SVR次之,MLSR的建模效果最差;对比基于全波段与显著性波段的建模效果,发现基于全波段的预测效果更为显著,最佳模型为基于全波段的土壤有机质含量支持向量机模型,但利用显著波段建模,可降低波段间的信息重叠,且模型简单、运算量少等特点。该研究可行有效,对湿地土壤有机质含量的快速、大范围精准估测提供技术可行性。     

基于灰度关联-岭回归的荒漠土壤有机质含量高光谱估算

为改善高光谱技术对荒漠土壤有机质的估测效果,该文采集了以色列Seder Boker地区的荒漠土壤,经预处理、理化分析后将土样分为砂质土和黏壤土2类,再通过光谱采集、处理得到6种光谱指标:反射率(reflectivity,REF)、倒数之对数变换(inverse-log reflectance,LR)、去包络线处理(continuum removal,CR)、标准正态变量变换(standard normal variable reflectance,SNV)、一阶微分变换(first order differential reflectance,FDR)和二阶微分变换(second order differential reflectance,SDR)。通过灰度关联(gray correlation,GC)法确定SNV、FDR、SDR为敏感光谱指标,采用偏最小二乘回归(partial least squares regression,PLSR)法和岭回归(ridge regression,RR)法,构建基于敏感光谱指标的土壤有机质高光谱反演模型,并对模型精度进行比较。结果表明:砂质土有机质含量的反演效果要优于黏壤土;基于SNV指标建立的模型决定系数R~2和相对分析误差RPD均为最高、均方根误差RMSE最低,所以SNV是土壤有机质的最佳光谱反演指标;对SNV-PLSR模型和SNV-RR模型综合比较得出,SNV-RR模型仅用全谱4%左右的波段建模,实现了更为理想的反演效果:其中,对砂质土有机质的预测能力极强(R_p~2为0.866,RMSE为0.610 g/kg、RPD为2.72),对黏壤土有机质的预测能力很好(Rp2为0.863,RMSE为0.898 g/kg、RPD为2.37)。荒漠土壤有机质GC-SNV-RR反演模型的建立为高光谱模型的优化、土壤有机质的快速测定提供了一种新的途径。     

苏北沿海滩涂地区土壤有机质含量的高光谱预测

基于反射高光谱快速、无损的检测优势,以苏北沿海滩涂地区不同成陆年代土壤作为光谱信息源,应用偏最小二乘回归（PLSR）方法,研究了原始反射光谱（REF）、微分光谱（FDR）、反射率倒数的对数（lg(1/R)）和波段深度（BD）对不同成陆年代土壤有机质含量的预测精度。结果表明,不同成陆年代土壤有机质含量预测的最佳光谱指标存在差异。REF是构建总体样本有机质含量PLSR预测模型的最佳光谱指标,均方根误差（RMSE）和相关系数（r）分别为2.7231和0.8701;FDR是预测成陆千年土壤样本有机质含量的最佳光谱指标,RMSE和r分别为2.0110和0.9436;BD所构建的成陆百年土壤有机质含量的PLSR预测模型为最优,RMSE和r分别为2.7051和0.8770。相关分析表明,可见光波段、以1 400 nm为中心及1 900～2 450 nm的红外波段是估算土壤有机质含量的最佳波段。     

土壤含水量对反射光谱法预测红壤土壤有机质的影响研究

研究土壤含水量对有机质预测的影响,可为野外红壤有机质快速测定提供理论依据。本文在实验室条件下测量了不同含水量红壤的可见光-近红外光谱反射率,运用偏最小二乘回归(PLSR)建立不同含水量的土壤有机质预测模型。结果显示,随土壤含水量的增加,有机质与一阶微分光谱的相关性先增加后下降,含水量为100～150 g/kg时相关系数最大。分380～2 400、380～1 300、1 300～2 400 nm三个波段建立不同含水量的有机质预测模型,模型预测精度均随土壤含水量增加而呈现先增加后下降的趋势。利用1 300～2 400 nm建立有机质预测模型可以有效避开氧化铁影响,建立的模型预测精度最高。本研究认为,当土壤含水量小于200 g/kg时,可以利用在室内控制条件下测定的土壤反射率,建立1 300～2 400 nm波段的PLSR模型,进行红壤土壤有机质含量预测。     

基于CWT的黑土有机质含量野外高光谱反演模型

为解决黑土有机质含量野外高光谱反演存在的困难,提高反演模型精准性,对吉林省黑土进行了采样、野外光谱测量和室内化验分析,剔除噪声波段,将测得的光谱数据(R)进行倒数的对数[lg(1/R)]及一阶微分(R′)变换,经连续小波变换(CWT)得到了R,lg(1/R)、R′不同分解尺度下对应的小波系数;通过分析R,lg(1/R)、R′及对应小波系数与土壤有机质含量的相关性,得到了显著性强相关的敏感波段;采用多元逐步回归(MSR)及偏最小二乘回归(PLSR)方法建立了黑土土壤有机质含量多种高光谱反演模型。结果表明:常用光谱分析方法中,R′与土壤有机质含量的R2高于R,lg(1/R);经CWT变换后得到的小波系数与土壤有机质含量的R2则提高显著,提高了0.3左右;R-CWT,lg(1/R)-CWT,R′-CWT的两种模型建模集的效果均较显著(R2≥0.75,RMSE≤0.25),且均优于对应的常规变换下的效果;建模集中PLSR比MSR模型更佳;验证集中结果相似,但精度稍低;总体上,经过CWT处理后的模型均具有较高的估测精度,以R′-CWT的PLSR模型最佳,能够较为全面稳定地反演土壤有机质含量。     

辽宁省黄土状母质发育土壤有机质含量高光谱预测模型的构建

  目的  建立辽宁省黄土状母质发育土壤有机质含量的高光谱预测模型,以便快速获取土壤样品的有机质含量。  方法  对省域内黄土状母质发育土壤进行了样品采集,获取样品有机质含量和高光谱数据;选择原始光谱及其一阶微分、二阶微分、倒数对数、倒数对数一阶微分、倒数对数二阶微分6种光谱变换数据作为自变量,与土壤有机质含量进行相关分析,选取特征波段,分别建立多元逐步线性回归（SMLR）、偏最小二乘回归（PLSR）和主成分回归（PCR）3种土壤有机质高光谱线性预测模型,并进行了支持向量机（SVM）方法的非线性模型拟合。  结果  土壤有机质含量与其光谱反射率呈负相关关系,对光谱进行不同的数学变换,可以提高土壤有机质含量与光谱反射率的相关性,其中一阶微分和二阶微分的提升效果最佳;相同光谱数据在不同模型中建模精度存在显著差异,以原始光谱反射率一阶微分为自变量的PLSR模型精度最高,建模集和验证集的决定系数（R2）分别为0.958和0.976;3种线性方法建立的最佳预测模型的检验精度为:PLSR > SMLR > PCR。  结论  PLSR模型是辽宁省黄土状母质发育土壤有机质含量的最佳高光谱预测模型,且基于特征波段的建模效果优于全波段;SVM非线性模型的预测精度较低。     

基于可见光近红外光谱的南疆荒漠土壤有机质反演研究

有机质含量是土壤肥力评价的重要依据,快速监测南疆大面积分布的荒漠土壤有机质含量,可为后备耕地资源的合理开发与利用提供重要数字依据。通过野外采样与室内光谱及有机质含量测定,获取了240个荒漠土样的有机质含量与可见光近红外光谱数据。在此基础上,分析了不同有机质含量土样的光谱特征、有机质与光谱数据的相关性,并采用多种数据处理方式构建了反演模型。研究结果表明,不同有机质含量的土样在反射率和曲线形态上均存在一定的差异,土壤有机质在400~842 nm波段与反射率具有较高的相关性,相关系数最大值-0.32位于588 nm波段,反射率经连续统去除处理后相关性得到了明显提升,达极显著相关水平波段数量明显增加,尤其在797~1330 nm、1852~1872 nm、2155~2338 nm波段的改善效果显著,连续统去除的最大相关系数0.55位于86 4 nm波段。不同建模方法的精度对比结果表明偏最小二乘法(PLSR)具有最高的建模精度,在7种不同数据处理方式的PLSR模型中,以SG平滑+峰值归一化+正交信号校正(SGS+MAN+OSC)处理模式下的建模集的决定系数(R~2)最高、均方根误差(RMSE)最低,分别为0.81和0.98;该模型预测集的R~2、RMSE、残余预测偏差(RPD)分别为0.76、0.99和2.01,表明该模型具有较好的预测能力,可推荐为南疆荒漠土壤有机质的光谱定量反演模型。     

不同利用方式下土壤有机质和全磷的可见近红外高光谱反演

以太湖流域直湖港小流域稻田、桃园和菜地的土壤样本为研究对象,研究了不同光谱建模方法和土地利用方式对土壤有机质和全磷高光谱反演的影响。结果表明:(1)偏最小二乘回归分析(Partial least squarer egression,PLSR)模型的建模和预测精度较高且稳定;人工神经网络中广义回归神经网络(Generalized regression neural network,GRNN)网络预测精度较高但易出现过拟合现象,反向传播神经网络(Back propagation neural network,BPNN)网络比较稳健但精度略低;偏最小二乘与人工神经网络相结合则可综合两者优点,改善复杂样本下的预测精度。(2)土壤有机质的光谱反演结果优于全磷。3种土地利用方式中,稻田的预测效果总体优于桃园和菜地。在当前研究区域内土地利用方式对土壤有机质光谱反演影响不大,但对全磷反演影响较大。今后利用光谱对土壤全磷反演时需分土地利用方式对模型进行校准。     

高光谱估算土壤有机质含量的波长变量筛选方法

土壤高光谱数据量大、波段维数高,存在光谱信息无效、冗余和重叠现象,导致基于全波段构建的土壤有机质含量反演模型不稳定、精度难以提升。因此,探寻筛选关键波长变量的方法,通过滤除干扰、冗余、共线信息,提高模型预测性能,是目前土壤高光谱研究的热点之一。该文对江汉平原公安县的土壤样本进行室内理化分析、光谱测量与处理等工作获取了实证数据,采用无信息变量消除法(uninformative variables elimination,UVE)剔除无效变量,利用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)滤除冗余变量,运用连续投影算法(successive projections algorithm,SPA)消除共线变量,并尝试将不同类型的筛选方法进行耦合筛选关键波长变量,应用偏最小二乘回归(partial least squares regression,PLSR)分别建立土壤有机质含量估算模型,对比各种变量筛选方法的优缺点,最终,构建筛选土壤高光谱数据关键变量的方法体系。研究结果表明,除SPA方法的模型精度低于全波段外,其他6种变量筛选方法的建模效果均优于全波段;在3种单个变量筛选方法中,CARS方法优于UVE、SPA变量筛选方法,能有效地筛选出重要波长变量,其预测集相对分析误差RPD值为2.84;综合比较各种变量筛选方法,发现CARS-SPA方法从全波段2 001个波长中筛选出37个特征波长建立的土壤有机质含量的PLSR模型效果最好,其模型预测集的决定系数R2和相对分析误差RPD值分别为0.92、3.60,所选波段仅为全波段的1.85%。CARS-SPA-PLSR模型简单、预测效果好,可作为该区域土壤有机质含量估测的重要方法,对今后土壤近地传感器设备的开发具有一定的指导作用。     

星载高分五号高光谱耕地主要土壤类型土壤有机质含量 估测——以黑龙江省建三江农垦区为例

为了评价国产星载高分五号(GF-5)高光谱影像估测土壤有机质(SOM)含量的潜力,以及不同土壤类型对SOM含量光谱估测精度的影响,本研究以黑龙江省建三江农垦区为研究对象,获取了覆盖研究区域的GF-5高光谱影像和188个土壤样本。对提取的样点GF-5光谱反射率数据进行了反射率倒数、对数、一阶微分等9种光谱数学变换,并采用相关系数法确定了SOM含量的光谱敏感波段。采用偏最小二乘回归(PLSR)线性统计建模方法,对研究区域全部土壤类型以及草甸土、沼泽土、黑土等主要土壤类型,分别构建了光谱全波段和敏感波段的SOM含量估测模型,并进行了精度评价。结果表明,基于GF-5光谱数据的研究区域全部土壤类型的SOM含量估测精度不理想,最优模型精度决定系数(R2)为0.265,均方根误差(RMSE)为4.647%,相对分析误差(RPD)为1.135;不同类型土壤在SOM含量光谱估测精度差异较大,草甸土和沼泽土的SOM含量估测精度不高,但黑土的SOM含量估测精度较高,其中全波段光谱反射率对数一阶微分(LnR)′的SOM含量估测精度最高,R~2=0.729,RMSE=1.065%,RPD=1.850,SOM含量估测模型可用。按照不同土壤类型构建SOM含量估测模型可以进一步挖掘GF-5高光谱遥感估测SOM含量的潜力。     

基于连续统去除法的土壤盐分含量反演研究

通过对新疆维吾尔自治区温宿县、和田县、拜城县191个土样的原始反射率进行连续统去除及连续统去除的一阶微分处理,分析了盐分的高光谱吸收特征及敏感波段,并建立了盐分含量的多种高光谱定量反演模型。结果表明,在400~2 400 nm波段,土壤反射率与盐分含量之间无明显规律。640~700 nm波段的连续统去除数据与含盐量呈极显著负相关,而710~780 nm波段呈极显著正相关。原始反射率经连续统去除处理后,可明显提高反演模型的预测性能。基于盐分光谱指数和吸收特征参数构建的反演模型的稳定性及预测能力不如连续统去除、连续统去除一阶微分的400~2 400 nm或敏感波段的偏最小二乘回归(PLSR)模型。所有模型中,仅有以400~2 400 nm和640~700 nm连续统去除数据所建模型的相对分析误差(RPD)达2.5以上,分别为2.62和2.52,且二者其余各项评价指标差异不大。以640~700 nm波段连续统去除数据构建的PLSR模型对南疆水稻土盐分含量具有很好的反演效果。     

含水率对土壤有机质含量高光谱估算的影响

土壤含水率对有机质(soil organic matter,SOM)含量高光谱估算精度有很大的影响。为了探讨SOM高光谱估算中土壤含水率的影响,该文对烘干土、风干土和质量含水率为5%~40%(按5%递增)的土壤样本进行了室内高光谱测量,对光谱数据进行了反射率、反射率一阶导数和反射率倒数对数3种光谱数据变换,运用偏最小二乘回归法(partial least squares regression,PLSR)建立了相应的SOM估算模型。结果表明,风干土的SOM高光谱估算精度较好;当含水率水平小于25%时,SOM估算模型精度受含水率的影响较大,光谱数据进行反射率倒数对数变换后的模型精度最高;当含水率水平大于等于25%时,水分对土壤光谱反射率的影响要大于SOM,不适宜利用土壤光谱数据进行SOM含量高光谱估算。该研究可为大田环境不同含水率情况下光谱估算SOM提供参考。     

基于不同光谱变换的土壤盐含量光谱特征分析

跟踪初生盐渍土壤的微生物修复实验,采用同步实测得土壤盐含量和光谱数据,详细分析了基于34种光谱变换,修复过程中盐渍土的光谱特征。对于选取的6种光谱变换,采用全波段(400~1650 nm)和分析获得的最佳敏感波段分别建立了土壤盐含量的光谱反演PLSR(partial least squares regression)模型。研究表明,光谱变换处理使土壤盐含量与平滑后的光谱反射数据的相关性明显增强,且最佳敏感波段范围进一步聚焦。本研究得到最佳光谱变换为导数变换,基于全波段的土壤盐含量预测模型以SGSD变换效果最好,与原始光谱相比,模型的r、RMSEP分别从0.537和1.928改善到0.823和1.256。而SGSD(Log R)是基于最佳波段所建立的盐含量预测模型的有效光谱变换方法,该研究为进一步实现盐渍土中盐含量快速定量分析提供了方法和数据参考。     

Continuum removal versus PLSR method for clay and calcium carbonate content estimation from laboratory and airborne hyperspectral measurements

Reflectance spectroscopy provides an alternate method to classical physical and chemical laboratory soil analysis for estimation of a large range of key soil properties. Techniques including classical chemometrics approaches and specific absorption features studies have been developed for deriving estimates of soil characteristics from visible and near-infrared (VNIR, 400-1200 nm) and shortwave infrared (SWIR, 1200-2500 nm) reflectance measurements. This paper examines the performances of two distinct methods for clay and calcium carbonate (CaCO₃) content estimation (two key soil properties for erosion prediction) by VNIR/SWIR spectroscopy: i) the Continuum Removal (CR) has been used to correlate spectral absorption bands centred at 2206 and 2341 nm with clay and CaCO₃ concentrations and ii) the partial least-squares regression (PLSR) method with leave-one-out cross-validation, which is a classical chemometrics technique, has been used to predict clay and CaCO₃ concentrations from VNIR/SWIR full spectra. We tried to respond to the question “should we use all bands in the 400-2500 nm range or should we focus our analysis on selected spectral absorption bands to determine soil properties from reflectance data?” In this paper, the CR and PLSR methods were applied to VNIR/SWIR laboratory and airborne HYMAP reflectance measurements collected over the La Peyne Valley area in southern France.This study shows that the performance of both techniques is dependent on the spectral feature for the soil property of interest and on the level data acquisition (lab or airborne) face to the instrument specifications. When airborne HYMAP reflectance measurements are used, the PLSR technique performs better than the CR approach. As well, when the soil property of interest has no well-identified spectral feature, which is the case of clay, the PLSR technique performs better than the CR approach. In this last situation, PLSR is able to find surrogate spectral features that retain satisfactory estimations of the studied soil properties. However, parts of these spectral features remain difficult to explain or relate to area-specific correlations between soil properties, which means that extrapolation to larger pedological contexts must be envisaged with care. In the near future, VNIR/SWIR airborne hyperspectral data processed by the PLSR technique will allow for accurate mapping of clay and CaCO₃ contents, which will contribute significantly to the digital mapping of soil properties.     

荒漠土壤有机质含量高光谱估算模型

为解决荒漠土壤有机质含量高光谱估算存在的困难,提高土壤有机质含量估算的精准性,该文对准噶尔盆地东部荒漠土壤进行采样、化验分析和光谱测量、处理,分析土壤光谱与有机质含量的相关性,确定敏感光谱波段,建立荒漠土壤有机质含量多种高光谱估算模型,旨在通过模型精度的比较,确定最优模型。结果表明：反射率、倒数对数光谱与荒漠土壤有机质含量相关性低,而经过一阶微分、二阶微分变换后,相关系数有所提高,部分波段的相关系数通过0.01显著水平的检验,可以用来荒漠土壤有机质含量的估算;一元线性回归建立的估算模型的精度低,不适用荒漠土壤有机质含量高光谱的估算。荒漠土壤有机质多元逐步回归模型的二阶微分、倒数对数二阶微分修正决定系数得到了较大提高,分别提高了0.22和0.31,均方根误差下降了0.66和0.80,建模精度高于一元线性回归模型。荒漠土壤有机质一阶微分、二阶微分光谱的最小偏二乘回归模型的决定系数比其多元逐步回归模型提高了0.07、0.04,一阶微分、二阶微分均方根误差都下降了0.11,二阶微分偏最小二乘法回归模型是该研究所建12个模型的最优估算模型。在多元逐步、偏最小二乘回归模型中,最优估算模型是二阶微分模型,因而用偏最小二乘法回归估算荒漠土壤有机质含量是个可行的方法。该研究的成果为荒漠土壤有机质高光谱遥感分析提供了支撑,实现荒漠土壤有机质监测的时效性、准确性,为区域生态环境的修复提供依据。     

滩涂土壤有机质含量的反射光谱估算

Rapid determination of soil organic matter (SOM) using regression models based on soil reflectance spectral data serves an important function in precision agriculture. “deviation of arch”(DOA)-based regression and partial least squares regression (PLSR) are two popular modeling approaches to predict SOM. However, few studies have explored the accuracy of the DOA-based regression and PLSR models. Therefore, the DOA-based regression and PLSR were applied to the visible near-infrared (VNIR) spectra to estimate SOM content in the case of various dataset divisions. A two-fold cross-validation scheme was adopted and repeated 10 000 times for rigorous evaluation of the DOA-based models in comparison with the widely used PLSR model. Soil samples were collected for SOM analysis in the coastal area of northern Jiangsu Province, China. The results indicated that both modelling methods provided reasonable estimates of SOM, with PLSR outperforming DOA-based regression in general. However, the performance of PLSR for the validation dataset decreased more noticeably. Among the four DOA-based models, the linear model of the DOA provided the best estimation of SOM and a cutoff of SOM content (19.76 g kg^-1), and the performance for calibration and validation datasets was consistent. As the SOM content exceeded 19.76 g kg^-1, SOM became more effective in masking the spectral features of other soil properties to a certain extent. This work confirmed that reflectance spectroscopy combined with PLSR could serve as a non-destructive and cost-efficient way for rapid determination of SOM when hyperspectral data were available. The DOA-based model, which requires only 3 bands in the visible spectra, also provided SOM estimation with acceptable accuracy.     

冻结状态下盐渍化土壤中水溶性盐基离子含量高光谱反演

为探究采用高光谱技术反演冻结状态土壤水溶性盐基离子含量的可行性,该研究针对河套灌区盐渍化土壤,测定土壤在冻结与未冻结状态下的光谱和主要水溶性盐基离子含量(HCO₃^-、Cl^-、CO₃^2-、SO₄^2-、K⁺、Na⁺、Ca²⁺、Mg²⁺),光谱经标准正态变量变换(standard normal variable,SNV)和变量投影重要性法(variable importance in projection,VIP)筛选出敏感波段后,采用偏最小二乘回归法(partial least squares regression,PLSR)、支持向量机回归法(support vector regression,SVR)和极限学习机法(extreme learning machine,ELM)构建基于特征光谱的土壤离子含量高光谱反演模型,并对比冻结与未冻结状态反演模型...