土壤氧化铁光谱特征研究

土壤光谱反射特性的研究是土壤遥感的物理基础,土壤氧化铁含量影响土壤反射率。对采集的174个土样350~2 500 nm谱段的光谱数据进行分析,着重探讨下述3类光谱变量,寻找对土壤氧化铁含量敏感的光谱特征。1)原始光谱反射率及其各种变换形式;2)基于光谱吸收峰特征的变量,因为已知三价铁在870 nm附近有吸收峰存在,提取该吸收峰的面积、宽度、深度等变量;3)基于植被指数的变量,构建土壤氧化铁指数。研究结果表明,各类变量中土壤氧化铁指数对土壤氧化铁含量最敏感,建立相应的回归预测模型,模型拟合度R2为0.534。     

基于多光谱遥感的典型绿洲棉田春季土壤盐分反演及验证

为探索快速提取典型绿洲棉田土壤盐分的有效方法,获取区域尺度的土壤盐渍化特征及空间分布,进而为土壤盐渍化防治提供参考。以新疆兵团农二师31团为研究区域,2019、2021年春季Landsat 8 OLI多光谱影像和野外实测土壤含盐量为数据源,将波段组、光谱指数组和全变量组作为模型输入变量组,采用多元逐步回归（Multiple stepwise regression, MSR）、偏最小二乘回归（Partial least squares regression, PLSR）、极限学习机（Extreme learning machine, ELM）、支持向量机（Support vector machine, SVM）和BP神经网络（Back propagation neural network, BPNN）构建基于3个输入变量组的土壤盐分遥感反演模型,探究输入变量和建模方法对模型精度的影响效果,通过对比确定春季土壤盐分最优反演模型,定量反演地表土壤含盐量。结果表明：（1） 研究区主要为非盐化土和轻度盐化土,总样本变异系数为0.67,呈中等变异性;光谱反射率与土壤盐渍化程度的关系表现为土壤盐渍化越重,光谱反射率越高。（2） 海岸波段（b1）、蓝波段（b2）、绿波段（b3）、红波段（b4）和盐分指数（SI1、SI2、SI3、SI4、S3、S4、S5）均通过显著性检验P<0.01,相关系数均达到0.4以上。（3） 所有模型中,基于全变量组建立的BPNN反演模型精度最高,建模集R²为0.705;验证集R²为0.556。（4） 由反演结果可知,2019、2021年春季耕作区土壤主要为非盐化土,分别占耕作区总面积的55.55%和64.62%,其次为轻度盐化土,分别占44.31%和35.17%;2021年土壤盐渍化程度较2019年有所减轻。     

中国湿地土壤分类系统的初步探讨

在对湿地土壤分类研究进展分析的基础上,按照湿地土壤的独特规律,参考中国第二次土壤普查的分类标准、美国土壤分类标准和中国最新的土壤系统分类的标准,对中国湿地土壤类型进行了重新划分。根据成土过程、人类活动、有机物的含量、土壤化学物质含量、地貌条件等因素,将中国湿地土壤划分为土纲、亚纲、土类、亚类、土族、土系6个级别。对中国湿地土壤分类的研究,有利于湿地科学研究中对土壤的认识有统一的标准,同时对土壤分类学也具有重要意义。     

腾格里沙漠土壤类型空间分布特征

土壤类型空间分布是利用、改良和保护土壤资源的科学依据。腾格里沙漠是中国第四大沙漠,然而对其土壤类型空间分布特征还没有系统的研究。本研究基于中国土壤、内蒙古土壤、甘肃土壤和宁夏土壤等普查成果,以及中国科学院沙坡头沙漠研究试验站综合科学考察的历史资料,在2017—2019年对腾格里沙漠土壤类型及分布进行了大规模考察验证。同时利用遥感(RS)与地理信息系统(GIS)技术,对腾格里沙漠土壤类型进行判读,完成腾格里沙漠土壤类型及分布图制作。腾格里沙漠土壤分类系统共有13个土类,30个亚类,分别归属于7个土纲和10个亚纲。在土壤分布特征方面,腾格里沙漠以非地带性风沙土为主,约占腾格里沙漠面积的83.65%。地带性土壤类型有棕钙土、灰钙土、灰漠土和灰棕漠土,总面积为4 803.20 km2,占腾格里沙漠面积9.42%。其他非地带性土壤有草甸土、沼泽土、盐土、漠境盐土、灌淤土、灌漠土、潮土和石质土,总面积为3 534.83 km2,占腾格里沙漠面积的6.93%。土壤分布存在多种地带与非地带性土壤类型中微域组合。     

紫色土系统分类研究

以参考文献[1]为指南,研究和鉴比了川鄂湘赣浙滇等省约70个紫色土剖面的属性特征,进行了紫色土系统分类和从土纲至亚类的连续命名.结果是,它们分别归属新成土纲中的紫色正常新成土和雏形土纲中的紫色湿润雏形土等2个土类、9个亚类.最后就土纲、亚纲、土类、亚类进行了检索.     

基于半监督模糊识别的土壤含水量高光谱估测模型研究

快速估测土壤含水量对发展精准农业具有重要意义。为提高土壤含水量光谱估测精度,该文基于山东省泰安市周边的94个棕壤样本光谱与含水量实测数据,首先对原始光谱进行对数倒数一阶微分变换,利用最大相关性原则选择特征因子,然后利用半监督模糊识别模型建立土壤含水量光谱估测模型。实验结果表明:以波段655 nm、1 235 nm、1 497 nm、1 677 nm、2 059 nm的对数倒数的一阶微分变换数据作为特征因子,所建土壤含水量光谱估测模型的精度较高,其中18个检验样本的平均相对误差为4.406%,模型的决定系数R~2=0.977;半监督模糊识别模型充分利用了训练样本的确定性及不确定性信息,可有效用于土壤含水量估测。     

基于不同窗口纹理特征的SVM土壤盐渍化信息提取方法与精度分析研究

以塔里木盆地北缘绿洲--渭干河-库车河三角洲绿洲为例,借助ENVI遥感软件,利用ETM+数据,探讨了该绿洲土壤盐渍化信息提取的方法.传统的遥感图像分类方法多数在解决问题上存在精度不高、分类效率较低、不确定性强的缺陷,所以,选择好的分类方法对于提取盐渍化信息是至关重要的.近年来,将SVM应用于遥感图像分类已成为新的发展趋势.文章提出了基于纹理特征的支持向量机(Support Vector Machine,SVM)的分类方法,得出以下结论:分别结合3×3,5×5,7×7,9×9,11×11,13×13窗口纹理特征和光谱的SVM分类精度都很高,达到93%以上.并且在验证分类精度时,发现结合光谱和9×9窗口纹理信息的SVM分类的结果更符合实际情况.所以说加入纹理特征后使得光谱信息比较接近的3类地物(重度、中度、轻度盐渍地)的区分性增大,从而使精度提高.因此,基于纹理特征的SVM分类方法更有利于遥感图像分类和盐渍化信息监测,是地物遥感信息提取的有效途径.     

中国砂质新成土的系统分类

以土壤的诊断层和诊断特性为依据,以土壤发生学作指导,阐述了我国砂质新成土的系统分类。砂质新成土是新成土纲中具有砂质沉积物岩性的土壤,相当于我国过去土壤分类中的"风砂土",是指风成砂性母质上发育的土壤,其形成过程可以划分为:流沙上的成土阶段、半固定沙上的成土阶段和固定沙上的成土阶段;具有细土累积、结皮形成和有机质聚集三个成土特点。砂质新成土的控制层段的深度标准规定为1~2m。砂质新成土亚纲可以划分为:寒冻砂质新成土、潮湿砂质新成土、干旱砂质新成土、干润砂质新成土和湿润砂质新成土等5个土类,在土类之下,又可主要根据是否偏离中心概念、是否具有附加过程的特征和是否具有母质残留的特征,进一步划分为永冻寒冻砂质新成土等22个亚类,并列有检索系统。最后,以砂质新成土的土类为单元,论述了其土壤分布、特征及其改造利用方向。     

新疆南部土壤有机质含量的高光谱特征分析

土壤有机质含量是衡量土壤肥力的一个主要指标,也是影响土壤光谱特性的一个重要因素,本研究以南疆地区的草甸土、灌淤土、盐土、水稻土、4种主要土壤类型为研究对象,通过野外调查取样和室内理化分析与光谱测试,研究了土壤有机质含量与土壤光谱特征的关系,结果表明土壤去有机质后光谱反射率不管在全波段还是在紫外、可见光和近红外波段都有明显的提高;反射率经不同形式的数学变换后与有机质含量的相关性有所变化,其中倒数与对数变换后在360~520 nm波段经倒数变换后相关系数有所提高,而在520~1 072 nm波段相关系数反而有所降低,而一阶微分变换后相关系数变化起伏波动较大,缺乏规律性,最显著的效果是个别波段相关性得到增强;利用光谱反射率与反射率的一阶微分均能较好的预测土壤有机质含量,反射率在600.5 nm处预测有机质的精度为72.3%,反射率的一阶微分在539.2 nm处预测有机质的精度为87.0%。     

滇中高原主要森林土壤发生特性及系统分类

为明确滇中高原主要森林土壤系统分类地位,并为云南森林土壤合理利用提供科学依据,本文以中国土壤系统分类为基础,研究了滇中高原8个典型土壤的剖面特征和发生性状,通过分析土壤发生特性,划分其诊断层和诊断特性,对土壤进行系统分类。结果表明:不同土壤剖面发育层次较明显,且均发育有淀积层,土体颜色以暗棕色和紫色为主,质地为偏砂质黏壤土;砾石含量在0.7%～42.4%之间,粘化率在0.53～2.56之间,淋溶作用较强。有机质含量在32.87～208.14 g/kg之间,CEC含量在4.75～49.36 cmol/kg之间,盐基离子以Mg~(2+)、Ca~(2+)为主,盐基饱和度在6.27%～90.74%之间;铁游离度在41%～95%之间。土壤风化程度一般,大部分剖面处于脱硅富铁铝化阶段。8个土壤剖面具有2个诊断表层、3个诊断表下层和6个诊断特性。8个土壤剖面(黄棕壤、山地红壤、紫色土)在发生分类上划分为3个土纲分别为淋溶土、铁铝土、初育土。在土壤系统分类方案中检索出3个土纲,3个亚纲,3个土类,3个亚类,分别为铁质干润雏形土、粘化干润富铁土、简育干润富铁土、铁质干润淋溶土。     

遗传算法优化的支持向量机湿地遥感分类——以洪河国家级自然保护区为例

湿地遥感分类作为湿地管理、监测与评价的重要手段,受到了广泛的关注。遗传算法(GA)借鉴了生物进化规律进行启发式搜索寻优,支持向量机(SVM)是一种新型的空间数据挖掘方法,二者相结合可以发挥各自的优势,寻找到支持向量机的全局最优参数,从而较准确地对湿地进行遥感分类。以洪河自然保护区为例,采用遗传算法优化的支持向量机方法进行了湿地遥感分类研究。同格网搜索下的支持向量机湿地遥感分类及最大似然监督分类对比,结果表明,遗传算法优化较格网搜索方式总精度提高了7.29%,较最大似然监督分类提高了12.06%,方法改善了沼泽、草地与裸地三种地物间的区分,是湿地遥感分类的有效手段。     

一种基于多特征的高光谱遥感图像分类方法

提出在多维特征空间中以互信息为评价指标进行特征选择,在特征子集中应用支持向量机(SVM)分类器实现图像监督分类的方法.首先提取图像的光谱、纹理和颜色特征,得到多特征的高维特征空间,然后用最大相关和最小冗余的互信息作为评价标准,用10-fold交叉验证误差率选择特征子集,最后用基于径向基函数的SVM实现图像的分类.实验表明,该方法能明显提高图像分类的精度.     

基于GA-SVM封装算法的高光谱数据特征选择

封装型的特征选择算法相对于过滤算法而言更有助于提高分类精度,因此在当前计算技术及效率快速发展的背景下必将成为未来之趋势。本文以支持向量机(SVM)为分类器,遗传算法(GA)为特征子集的搜索算法,构建了封装型的特征选择算法GA-SVM,并用ENVI/IDL语言编程实现,最后以HYPERION高光谱数据为例对算法予以应用。结果表明,GA-SVM算法可从196个波段中选择出13个波段,同时分类精度较不做特征选择时提高了约4%。由此可见,GA-SVM封装型特征选择算法具有较好的同时优化特征子集和SVM核函数的性能,可为当前高光谱数据的特征选择提供一个较好的算法。     

基于GF-1与Landsat-8影像的土地覆盖分类比较

高分一号(GF-1)卫星具有多种分辨率与大幅宽结合、重访周期短等优势,而Landsat-8卫星具有多波段、高辐射分辨率等优势。针对不同传感器参数特点,利用支持向量机分类器(SVM)对同区域同期两种数据进行土地覆盖分类对比研究。结果表明：两种传感器对应波段决定系数均大于0.92;典型样本的光谱趋势一致性良好,但在农田与林地、不透水面与裸土的典型样本可分离性方面,Landsat-8优于GF-1;GF-1与Landsat-8的分类总精度分别为90.38%和90.07%,但不同地物类型的分类精度存在差异,波谱响应函数的差异可能是导致Landsat-8对林地的分类精度高于GF-1的原因;此外,GF-1对零碎分布地物类型的分类精度高于Landsat-8,主要原因是GF-1具有更高的空间分辨率。     

基于3D LiDar数据的城区植被识别研究

提出一种基于支持向量机(SVM)的三维LiDar数据分类方法:利用kd-trees存储无序的点云数据,在局部邻域中利用点云数据间的几何关系估算植被表面特征值;将密度值和高程差值作为SVM输入特征变量,利用基于径向基函数的SVM方法实现植被点云数据的分类.实验结果为:OA分类精度达到94.31%,Kappa系数为89.53%.该方法操作性较强,在分类精度及计算效率方面比传统方法具有优势.     

不同树种叶片养分含量提取的高光谱方法及精度评价

以深圳市坝光银叶园和大鹏半岛自然保护区19种湿地森林树种叶片可见光近红外光谱与全氮（Total Nitrogen, TN）、全磷（Total Phosphorus, TP）、全钾（Total Potassium, TK）含量关系为基础,分析了11种光谱预处理方式、3种光谱数据降维方式和2种建模方法对模型精度的影响。结果表明,标准正态变换（Standard Normal Variate, SNV）结合一阶导数（first derivative, 1 ^st）预处理方式下模型精度最高;主成分分析（Principal Component Analysis, PCA）降维处理对模型的降维效果最好;支持向量回归（Support Vector Regression, SVR）的建模效果精度最高。对于TN、TP、TK最佳模型的预测确定系数均在0.80以上,模型RPD值也在2.0以上,SVR模型可以用于树种叶片TN、TP、TK的快速检测。     

基于随机森林算法的土壤有机质含量高光谱检测

为了探讨既能保留光谱信息又能准确对土壤有机质含量进行快速检测。以新疆南部渭干河—库车绿洲内部73个土壤样点及其对应的高光谱数据为研究对象，采用小波变换与数学变换进行光谱数据预处理，分析各小波分解重构光谱在不同有机质含量与不同土壤类型下光谱曲线差异，通过相关分析确定最大小波分解层并筛选敏感波段，结合灰色关联分析与随机森林预测分类模型对各小波分解特征光谱进行重要性分析，最后基于最优特征光谱建立多元线性预测模型并进行分析。结果表明：（1） 耕作土壤与林地土壤光谱曲线波段相较盐渍土壤和荒漠土壤光谱曲线变化较为平缓，同时在水分吸收波段处，盐渍土壤光谱曲线吸收谷最深。（2） 小波变换分解光谱与土壤有机质含量的相关性随着分解层数增加呈现先减后增趋势，在第6层中，特征光谱曲线与敏感波段数量变化趋于稳定，确定为小波变换最大分解层。（3） 随机森林模型相比灰色关联分析对于各小波分解层因子的筛选符合预期，按照对土壤有机质含量影响从高到低排序为L3-(1/LgR)′、L4-(1/LgR)′、L6-(1/LgR)′、L5-(1/LgR)′、L2-(1/LgR)′、L0-1/LgR、L1-1/LgR。（4）在小波分解光谱中，中频范围特征光谱对干旱区土壤有机质含量的估测能力优于高频与低频范围特征光谱，同时基于L-MC建立的模型精度最高。研究表明：基于机器学习分类方法结合小波分解的土壤光谱有机质含量监测，可以有效的减少噪声波段干扰，并提高特征波段的分类预测精度。     

GIS支持下基于支持向量机的滑坡危险性评价

以仙游县为例,探讨了将地理信息系统技术(GIS)和支持向量机(SVM)算法应用于滑坡灾害危险性评价的基本思路和技术路线。主要内容包括SVM的基本原理和方法、滑坡灾害危险性评价指标的选取和量化、SVM模型的建立以及具体的实现过程。实践证明该方法是一种较好的滑坡灾害危险性评价方法。     

塔里木河荒漠植被光谱可分性模拟

以塔里木河典型植被为研究对象,分析胡杨、芦苇叶片及柽柳冠层的可分性,并计算背景的影响。首先用ASD光谱仪测新鲜叶片光谱,找出光谱特征点;然后模拟EO-1高光谱数据和TM多光谱数据;最后植被与土壤光谱按比例混合,分析背景的影响。以上三步分别计算植被指数（VI）。结果显示:叶片光谱特征位置430 nm、670 nm、750 nm附近,黄边斜率和红外平台平均高度,1 080~1 280 nm、1 430~1 650 nm能够区分塔里木河流域3个主要植被类型。模拟的EO-1波谱保持了控制波形的10个特征,TM 只有绿反射峰和红吸收谷、近红外1个反射峰3个特征,大部分特征都消失了。植被指数显示(R680-R500)/R750、(R680-R550)/R705、R1430+\:+R1650、D712/D688能够区分3类,且指数值差异较大,为绿峰、红谷和近红外波峰的组合;模拟的EO-1数据(R680-R500)/R750、(R680-R550)/R705、R1430+\:+R1650能分别区分植被,TM多波谱数据不能有效区分植被。     

古尔班通古特沙漠灌木冠幅预测模型

古尔班通古特沙漠是中国第二大沙漠,也是中国固定和半固定沙丘主要分布区,固沙灌木种较多。冠幅不仅是反映固沙灌木可视化的重要参数,也是反映沙漠植被生长情况的重要变量。以3种沙丘（固定沙丘、半固定沙丘和流动沙丘）上主要固沙灌木为研究对象,利用12种基础模型、BP（Backpropagation Neural Network）神经网络和支持向量机（Support Vector Machine,SVM）机器学习算法建立了基于固沙灌木株高和冠长率的冠幅预测模型,同时将两种机器学习算法拟合结果与基础模型进行比较,最终选出了适合研究区的冠幅预测模型。结果表明：（1）不同沙丘类型和不同灌木种类的最优冠幅预测模型不同,且固定沙丘和半固定沙丘模型优于流动沙丘。3种沙丘类型最优拟合为M2（Quadratic Model）模型;（2）白梭梭（Haloxylon persicum）在半固定沙丘和流动沙丘上拟合的最优模型分别为M2、M7（Gompertz）,沙拐枣（Calligonum mongolicum）最优模型为M2,蛇麻黄（Ephedra distachya）和油蒿（Artemisia ordosica）在半固定沙丘和流动沙丘上拟合较优模型分别为M2、M7。总体来说,基础模型M2和M7可以较好地预测不同类型的灌木冠幅值;（3）基于径向基（Radial Basis Function）核函数的支持向量回归机的冠幅预测模型明显优于BP神经网络模型。