基于离子光谱特征波段反射率的土壤碱化指标反演模型

以新疆奇台地区碱化土壤为研究对象,通过分析碱化土壤实测光谱反射率曲线与八大离子、pH、碱化指标相互间的相关关系,建立基于离子光谱特征波段反射率的各碱化指标一元及多元光谱反演模型,并对其精度进行验证。结果显示:Na^+、CO_3^2-、HCO_3^-含量与光谱反射率正相关,最高点的相关系数分别为0.710、0.798、0.749,而Ca²⁺、Mg²⁺含量与光谱反射率负相关,相关系数最高均不超过-0.370,反映出前3类离子含量与光谱反射率关系更为密切。SAR(钠吸附比)和ESP(碱化度)与Na+相关系数同为0.954,TA(总碱度)、RSC(残余碳酸钠)、pH与CO_3^2-的相关系数分别为0.946、0.949和0.953,总体上Na^+和CO_3^2-含量对各碱化指标的影响更大。各碱化指标与土壤光谱反射率的相关性TA>RSC>ESP>pH>SAR;其中TA与光谱反射率的相关系数达到0.863。碱化指标TA的离子光谱特征波段反射率反演模型精度最好,其R^2为0.703,比利用实测光谱反射率建立的pH反演模型的R^2高约14%,说明前者精度更高,能更好地反映研究区内土壤的碱化程度。利用离子光谱特征波段反射率实现对土壤碱化的预测会成为今后研究的重点。     

基于土壤反射光谱特性的广东省稻田土壤快速分类

选择广东省215个村镇稻田的土壤样本,首先利用ASD Field Spec3测量土壤样本在350~2 500 nm的光谱,并采用S-G一阶导数平滑滤波降低样本测量中光照差异的影响,然后将遗传算法（Genetic Algorithm,GA）和支持向量机分类（Support Vector Machine,SVM）分别用于提取分类光谱特征和建立分类模型,分别在土纲、亚纲、土类3个层次进行土壤分类。结果表明：1）在不同的分类层次下,与铁氧化物密切相关的650~710以及900 nm附近光谱,与羟基矿物吸收有关的2 207~2 237和2 377~2 397 nm区间均被作为分类特征变量。2）随着土壤类型的细分,分类所需变量增多。在土类级,对有机质敏感的2 080 nm附近的光谱也被引入分类定标模型中,土纲和亚纲下分类精度＞67%,土类级分类精度为58.67%。利用遗传算法提取光谱特征,进行基于支持向量机的土壤分类具有一定优势。     

基于高光谱遥感的新疆北疆地区土壤砂粒含量反演研究

 土壤砂粒含量是表征土壤质量的重要指标,探索建立基于高光谱遥感的区域土壤砂粒含量反演方法对区域土壤质量监测具有重要意义。通过野外采集的高光谱数据与MODIS影像相结合,遴选出土壤砂粒含量的敏感波段与反演方程,进行干旱区裸地土壤砂粒含量遥感反演研究。结果表明：430 nm为土壤砂粒含量的敏感波段,原始光谱经变换后的数值与土壤砂粒含量的相关系数在430 nm处达到最大值0.76;基于MODIS第3波段中心波长460 nm处的土壤原始光谱的反演精度最高,达到89.30%,与实际情况吻合较好,表明MODIS第3波段可以应用于干旱区裸地土壤砂粒含量的遥感反演。     

剑湖湿地中菰的叶绿素含量高光谱估算模型研究

2017年7月27日,在云南省剑湖湿地中,利用ASD Filed Spec 3光谱仪和CCM-200 Plus叶绿素仪,分别测量了菰(Zizania caduciflora)的反射光谱和叶绿素含量指数(chlorophyll content index,CCI);利用原始光谱反射率以及经一阶微分和连续小波变换的反射率数据,对菰的反射光谱特征进行了研究;分析原始光谱反射率、一阶微分的反射率、"三边"参数、经Mexican Hat小波变换的反射率的小波系数与叶绿素含量指数之间的关系,筛选出显著相关的变量,采用多元逐步线性回归方法,建立叶绿素含量指数的估算模型,并检验估算模型的精度。研究结果表明,菰与健康绿色植物的原始反射光谱特征相同,利用经一阶微分和连续小波变换的反射率数据,可以更好地提取菰反射率信息和分析菰的反射光谱特征;菰的所有波段的原始反射率都与叶绿素含量指数不相关,但是经过一阶微分和小波变换后的反射率,其在一些波长范围内与叶绿素含量指数显著相关;在同一环境下生长的菰叶绿素含量差异明显;在建立的3个叶绿素含量指数估算模型中,利用小波系数建立的回归模型的估算精度相对较高,其决定系数为0.310,均方根误差为6.725。     

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%。     

水分胁迫条件下棉花生理变化及其高光谱响应分析

利用ASD地物光谱仪,测定水分胁迫条件下棉花不同生育时期内叶片的光谱反射率,应用微分技术处理棉花的反射光谱,并结合棉花叶面积指数(LAI)、叶绿素(a b)含量(Chlt)、叶片全氮(TN)含量等生物参数进行分析,研究棉花水分胁迫情况下的高光谱特征,结果表明,一阶微分光谱720nm波段的数值与LAI的正相关(R=0．7656);750nm处一阶微分值与叶绿素含量呈显著正相关关系(R=0．7774);微分光谱690nm～740nm数值积分面积与TN含量呈正相关(R=0．7669),采用比值反射率对反射光谱1300nm～1500nm波段范围内最小值与棉花叶片的含水量作相关分析,达到极显著水平(R^2=0．8298),验证了一阶微分光谱数据与棉花的生理参数有很好的相关性,可见光和近红外波段光谱反射率能够反映出棉花生长发育的动态特征;证明了棉花的花铃期是高光谱遥感对棉花长势和生理参数定量诊断的最佳时期。本研究通过建立一系列线性光谱模型对棉花生理参数进行估测,为基于高光谱数据的棉花生长模型和棉花长势的遥感监测提供了理论依据。     

基于实测光谱的潮滩土壤含水量遥感反演模型研究

以王港潮滩为研究区,采集土壤样品,测量土样的光谱,分析不同含水量土壤的光谱特征;利用统计相关法,建立TM遥感影像各波段对应波长处的光谱反射率与土壤含水量之间的关系模型.研究结果表明,在干燥条件下,土壤颗粒越细小,土壤表面越光滑平整,土壤光谱反射率越高,随着土壤含水量的增加,土壤反射率呈下降趋势;波长越长,土壤光谱反射率与含水量的相关性越高,其中2 220 nm处的土壤光谱反射率与含水量具有最高的相关性;通过不同的波段组合,建立新的土壤含水量反演因子,其中由490 nm与2 220 nm处光谱反射率的差值建立的因子与土壤含水量具有较高的相关性;由单波段与波段差值因子建立的土壤含水量反演模型的预测误差分别为4.590和5.147,反演精度较高.因此所建模型可以用于获取潮滩土壤含水量的空间分布,能够为研究潮滩土壤含水量与潮滩地形地貌之间的关系提供数据支持.     

利用可见光/近红外反射光谱估算土壤总氮含量的实验研究

利用土壤的室内反射率光谱，探讨土壤氮元素的高光谱机理。利用土壤光谱各吸收带的特征参数与总氮含量进行逐步回归运算，确定与氮元素关系比较密切的几个吸收带。计算出这几个特征吸收带内土壤反射率的变化形式：一阶导数(FDR)、倒数(1/R)、倒数之对数(log(1/R))、波段深度(Depth)，并与总氮含量进行逐步回归分析，得到比较理想的结果：建模样本的Ra^2(修正的判定系数)分别为0．789、0．753、0．736、0．699，验证样本的Ra^2分别为0．759、0．468、0．794、0．725。可见土壤的反射率光谱与氮元素含量之间存在比较明显的相关性，可见光／近红外反射光谱具有快速估算土壤中氮元素含量的潜力。     

土壤氯化钠含量高光谱估算模型研究

基于光谱反射率快速、无损的检测优势,以于田地区不同氯化钠含量土壤光谱反射率作为信息源,探讨利用反射光谱估算土壤氯化钠含量的可行性。于2012年7月对于田地区进行野外调查,在测定土壤光谱反射率及氯化钠含量的基础上,对光谱反射率数据进行预处理并建立了逐步多元线性回归(SMLR)模型和偏最小二乘回归(PLSR)模型,并利用决定系数R2和均方根误差RMSE对模型稳定性和预测能力进行检验,进而比较不同预处理方法和不同模型估算结果的适用性。结果表明:反射率二阶微分光谱是预测土壤样本氯化钠含量的最佳光谱指标;偏最小二乘回归(PLSR)模型是建立土壤光谱与氯化钠含量关系的最优模型,R2和RMSE分别为0.812和0.105。利用反射光谱估算土壤氯化钠含量,通过各种光谱预处理方法提高估算精度,可实现在区域尺度上的土壤盐渍化监测和评价。     

扎龙湿地克钦湖富营养化状态的高光谱遥感评价

通过分析扎龙湿地克钦湖水体高光谱反射率与水质参数的相关关系,采用单波段、波段比值等算法分别选取特征波长建立水质参数的高光谱定量模型,并且结合修正营养状态指数(TSIM)和综合营养状态指数法,对水体的富营养化程度进行了监测和评价。结果表明,单波段归一化反射率对叶绿素a估测模型效果较为理想;利用高光谱一阶微分反射率,诊断各水质参数的敏感波段,建立线性模型,确定了TN、TP、SD、CODMn的敏感波段分别为733 nm、765 nm、782 nm、680 nm。单因素水质参数评价水体富营养化水平具有一定的局限性。综合考虑多个水质指标,对水质的富营养化程度进行了评价,结果显示,克钦湖水体呈现出中营养化状态,需要采取一定的措施,防范于未然。     

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。     

Hydrocarbon Alteration Characteristics of Soils and Mechanism for Detection by Remote Sensing in East Sichuan Area,China

The type, strength, and spatial distributions of hydrocarbon alteration of the surface soil are studied in two sections in East Sichuan area through the simultaneous analysis of soil organic geochemistry, soil mineralogy, and soil chemistry. The spectral response and remote-sensing mechanism are studied through the soil spectral analysis in the range of VIS--NIR bands. The results of this study demonstrate that long-time hydrocarbon microseepage can induce mineral and chemical alteration of surface soil, including the increase of clay-mineral content and carbonate-mineral content, the increase of ferrous-iron content, and decrease of ferric-iron content. Soil mineral components related to hydrocarbon alteration have spatial coincidence with soil organic geochemical components. Increase of clay- and carbonate-mineral contents in the soil can cause decrease of reflectance in VIS–NIR bands and increase of Landsat band ratio TM5/TM7. Increase of ferrous-iron content and decrease of ferric-iron content in the soil may cause increase of reflectance in the range of 400 nm to 600 nm, and higher reflectance of Landsat band ratios of TM1/TM3 and TM2/TM3.     

高光谱遥感土壤有机质信息提取研究

土壤反射光谱特征分析是反演土壤信息参量的基础资料。本文阐述了使用航空成像光谱仪OMIS- Ⅰ数据并 结合ASD FieldSpec FR(350~2500nm)便携式光谱仪获取野外光谱数据, 对山东省烟台市招远东良乡原状农用土有 机质含量进行反演, 从而实现有机质填图。通过对土壤原反射率对数一阶微分变换并确定其与SOM的相关性, 最 终建立相应的多元线性回归方程。分析认为土壤有机质的测定选用762nm、874nm 及1667nm 波段在本次研究中效 果最佳。该模型也可作为土壤有机质估测和评价的参考。     

基于高光谱的不同人类干扰程度下荒漠土壤有机质含量估算模型

为对比同一背景下不同人类干扰程度的荒漠土壤有机质含量的预测模型,以天山北麓阜康市的土壤为研究对象,通过对无人干扰区、人为干扰区全样本和剔除有机质质量分数大于2%的样点的原始光谱反射率进行6种光谱变换,分析不同变换形式与有机质含量的相关性,以相关系数通过P=0.01和0.05水平上显著性检验的敏感波段为自变量,运用多元逐步回归、偏最小二乘回归以及主成分回归法分别建立了无人干扰区、人为干扰区土壤有机质高光谱的预测模型,并选择精度最高的为最优模型。结果表明：（1）无人干扰区与人为干扰区的原始光谱所有波段与有机质含量的相关性都没有通过0.01水平的显著性检验。将有机质质量分数大于2%的样点剔除后,有机质含量与原始光谱反射率的相关系数都大于全样本且有部分波段通过了0.01水平的显著性检验。（2）不论采用何种方法建立的全样本无人干扰区和人为干扰区的预测有机质模型的RPD均小于1.4,不具有预测有机质含量的能力。其中全样本无人干扰区一阶微分、人为干扰区倒数一阶微分多元逐步回归模型是其所有模型中,建模精度最高的,R²分别为0.652、0.512,但是其RPD仅分别是0.662、0.655,表明模型的预测能力很差。（3）剔除有机质质量分数大于2%的样点之后,预测效果最好的是无人干扰区一阶微分多元逐步回归模型,R²达到0.776,RMSE为1.408,RPD为2.136;而人为干扰区的二阶微分模型预测效果最优,R²为0.542,RMSE为2.261,RPD为2.087。     

西藏土壤有效铁含量及其影响因素

根据西藏土壤18个供试土类169个剖面有效铁(Fe)的分析资料,探讨土壤有效Fe含量变化及其影响因素。结果表明,西藏供试土壤表层有效Fe含量平均为83 mg/kg,但各类土壤变化很大,其中50~238 mg/kg的土壤面积占35.2%,<50 mg/kg的土壤面积占61.5%,只有少部分土壤有效Fe低于缺乏临界值5 mg/kg。有效Fe高的土壤几乎都是有机质丰富的酸性土,而有效Fe较低的土壤大多是有机质缺乏的碱性钙质土。土壤有效Fe含量受pH、铁的形态、有机质和粘粒等因素的综合影响。土壤有效Fe随pH的升高而降低。土壤有效Fe与全Fe、游离Fe无关,而与活性Fe、络合Fe呈极显著正相关,据此推论有效Fe来自活性Fe包括其中络合Fe与非络合活性Fe两部分。土壤有效Fe与有机质、粘粒含量呈极显著正相关,有机质对有效Fe的贡献在于其作为络合剂形成络合Fe和作为阳离子吸附载体吸持活性Fe离子;粘粒的贡献则是作为阳离子吸附载体吸持活性Fe离子,但其贡献远不如有机质。     

基于定性和定量辅助变量的土壤有机质空间分布预测——以四川三台县为例

准确获取土壤性质的空间分布信息,是区域土壤资源优化利用和土壤环境保护的需要。以川中丘陵区三台县为案例区,运用人工神经网络模型,构建融合区域定性及定量辅助变量的空间预测方法,模拟三台县土壤有机质的空间分布格局。结果表明,研究区土壤有机质在4.20~47.60 g kg^-1之间,平均为17.97 g kg^-1;变异系数为36.89%,属中等程度变异。土壤有机质的块金值与基台值之比为0.742,变程为7.0 km,即空间自相关性较弱。不同土壤类型间有机质含量差异显著;土属的空间分布较土类能更好地揭示研究区土壤有机质含量空间分布格局的差异。除土壤类型因素的影响外,坡度、地形湿度及植被盖度是研究区土壤有机质空间变异的主要因子。融合土壤类型因素和地形植被因子的神经网络模型预测结果,比普通克里格法、回归克里格法以及神经网络结合普通克里格的方法,更符合研究区地学规律和实际情况;其预测结果的平均绝对误差、平均相对误差和均方根误差较其他3种方法均降低幅度显著。同时,该方法对极值有较好的预测能力。研究为复杂环境条件下准确获取区域土壤性质的空间分布信息提供了较可行的方法。     

Remote Sensing Inversion for Simulation of Soil Salinization Based on Hyperspectral Data and Ground Analysis in Yinchuan,China

The Pingluo area, as an experimental study area in Yinchuan, has been subjected to major environmental degradation due to soil salinization problems. Soil salinization is one of the main problems of land degradation in arid and semiarid regions. In the present study, remote sensing was integrated with mathematical modeling to evaluate soil salinization adequately. To detect soil salinization, soil water content and electrical conductivity of soil samples were analyzed. The reflectance of soil samples was measured using a spectrometer (SR-3500) with 1024 bands. Indices of soil salinity, vegetation and drought were analyzed using Landsat images over the study area. Based on Landsat images, physicochemical analysis, reflectance of sensitive bands for soil salinization and environmental indices, canopy response salinity index (CRSI), perpendicular drought index (PDI) and enhanced normalized difference vegetation index (ENDVI), a new model was established for simulation and prediction of soil salinization in the study area. Correlation analyses and multiple regression methods were used to construct an accurate model. The results showed that green, blue and near-infrared light was significantly correlated with soil salinity and that the spectral parameters improved this correlation significantly. Therefore, the model was more effective when combining spectral parameters with sensitive bands with modeling. After mathematical transformation of soil reflectance, the correlations of bands sensitive to soil salinization were 0.739 and 0.7 for electrical conductivity and water content, respectively. After transformation of vegetation reflectance, the correlation coefficient of soil salinity became 0.577. After inversion of the model based on soil hyperspectral and water content, the significance became 0.871 and 0.726, respectively, which can be used to predict soil salinity and water content. The spectral soil salinity model had a coefficient of 0.739 for soil salinity prediction. Among the salinity indices, the CRSI was selected as the most significant, with R² of 0.571, whereas the R² for PDI reached only 0.484. Among the vegetation indices, the ENDVI had the highest response to soil salinity, with R² of 0.577. After scale conversion, the correlation percentages between CRSI and measured soil salinity and between ENDVI and measured soil salinity increased to 16.2% and 8.5%, respectively. Following the correlation between PDI and soil water content, the percentage of correlation increased to 11.6%. The integration of hyperspectral remote sensing, ground methods and an inversion method for salinity is a very important and effective technique for rapid and nondestructive monitoring of soil salinization.

     

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。