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。     

克里雅河流域土壤盐分光谱定量分析

本文对克里雅河流域进行野外调查、采集土壤样品及其光谱反射特性的测量,通过比较不同光谱预处理的方法建立偏最小二乘回归(PLSR)模型,并利用决定系数(R2)、均方根误差(RMSEP)、残留预测偏差(RPD)对模型的稳定性和预测能力进行检验。结果表明:反射率一阶微分是预测土壤样本盐分含量的最佳光谱指标。PLSR模型在建立土壤光谱与盐分含量关系时较为适用,R2、RMSE和RPD分别为0.77、0.25和1.88。利用反射光谱估算土壤中盐分含量,通过各种光谱预处理方法可以提高估算精度,可以为该区土壤盐渍化评价和生态环境调查提供依据。     

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。     

基于偏最小二乘法的土壤汞含量高光谱反演

采集新疆准东煤田典型土壤样品44个,在实验室测定风干后的土样汞含量和光谱反射率,经预处理后分析两者的相关性,运用偏最小二乘法(PLSR)建立土壤汞含量高光谱估算模型,由均方根误差RMSE和决定系数R2检验模型的预测能力和稳定性,并比较不同预处理方法的适用性。结果表明:反射率一阶微分光谱是估算土壤汞含量较好的指标,估算R2为0.77、RMSE为0.032。通过各种光谱预处理方法可提高土壤汞含量的估算精度,为研究区生态环境的恢复和评价提供依据。     

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%。     

基于偏最小二乘法的玉米FPAR高光谱反演模型研究

以ASD FR便携式光谱仪与LI-191SA光量子仪对吉林中西部的玉米田进行多次观测,采集到123组有效数据,基于偏最小二乘法(PLS)对玉米FPAR进行高光谱反演。对可见光与近红外光谱(400～1 500nm)进行分析并建立反演模型,对FPAR预测效果进行验证,验证模型的R2为0.785,RMSE为0.117;同时进行了玉米FPAR与光谱反射率、反射率一阶导数之间的关系分析及植被指数与玉米FPAR之间的回归分析。研究结果表明,PLS方法建立的模型可有效地从玉米高光谱反射率数据反演出FPAR含量,反演结果精度较植被指数高。     

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。     

基于主成分和机器学习的土壤有机质含量空间预测建模

协同环境变量与机器学习回归模型构建土壤有机质空间预测组合模型对养分精准管理具有重要意义,而多维变量间的信息冗余和相关性会导致模型训练时间过长、预测精度降低等问题。以陕西省咸阳市农耕区为例,选取高程、坡向、坡度、剖面曲率、平面曲率、地形起伏度、地形湿度指数、年均降水量、年均气温、归一化植被指数共10个环境变量,在主成分分析(Principal compo-nent analysis,PCA)、核主成分分析(Kernel principal component analysis,KPCA)方法特征提取基础上,组合随机森林(Random forest,RF)、支持向量回归机(Support vector regression,SVR)、K最近邻(K-nearest neighbor,KNN)机器学习模型进行土壤有机质含量空间预测。以单一模型作为对照,通过计算模型决定系数(Coefficient of determination,R~2)、均方根误差(Root mean square error,RMSE)和相对绝对误差(Relative absolute error,RAE),对不同模型的预测结果进行精度评价。结果表明:利用主成分提取方法和机器学习算法构建组合模型能消除变量间相关性,一定程度上提高土壤有机质含量预测模型精度。KPCA-RF模型对SOM含量预测精度高于其他模型,R~2、RMSE、RAE分别为0.791、1.970 g·kg~(-1)、50.100%,该模型良好的预测能力可以为土壤有机质含量的空间预测与制图提供科学依据。     

若尔盖湿地土壤重金属元素含量的遥感反演

土壤中的重金属元素对植物和动物具有一定的毒害作用,测量湿地土壤重金属元素含量,对评估湿地生态系统健康具有重要意义。以光谱分辨率的优势,高光谱遥感可以获取地物的连续光谱信息,可应用于土壤研究。以四川若尔盖国际重要湿地为研究区,在研究区中采集土样,测定土样的5种重金属元素含量;利用偏最小二乘回归(partial least squares regression,PLSR)方法,分析了环境一号卫星上搭载的超光谱成像仪(hyperspectral imaging radiometer,HSI)的地表反射率数据与实测的土壤重金属元素含量的关系;利用原始地表反射率及原始地表反射率曲线的一阶微分值和倒数的对数值,分别建立了预测土壤中5种重金属含量的3个回归模型。结果表明,土壤锌含量的平均值(62.83 mg/kg)最高,镉含量的平均值(0.18 mg/kg)最小;土壤锌含量与铅、铬含量显著相关,土壤铬含量与铜、铅含量显著相关;在3个回归模型中,利用一阶微分值所建立的模型的预测效果最好,土壤5种重金属含量的实测值与预测值都显著相关,其次是利用原始反射率所建立的模型,而利用倒数的对数值所建立的模型的预测结果相对最差,尽管如此,除了镉和铅含量外,其它重金属元素含量的实测值与预测值也都显著相关。利用高光谱遥感技术反演土壤某些重金属元素含量具有可行性,有利于实时掌握湿地土壤重金属含量及其对湿地生态系统健康的影响。     

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.     

基于小波分析的土壤速效K含量高光谱反演

选取新疆奇台县的134个土壤样本,利用土壤反射率对数的一阶导数光谱分别对4 种小波函数进行多层离散分解,采用PLSR方法分别建立了土壤速效钾含量的反演模型,并对其精度值进行检验。结果表明：小波分解获得的各层低频系数以1～3层较高,而其余各层则较低。所有函数分解的6层中,均以第2层低频系数建模的精度最高,随着分解层数（>2层）的增加,其精度值和显著性明显降低。相同尺度下,采用4种小波函数的低频系数构建的反演模型的精度差异较小,而Bior1.3为最优函数;基于Bior 1.3分解的ca2低频系数建模的R²达0.964,RMSE仅为8.19 mg·kg^-1,且为极显著水平,为最佳反演模型,经样本检验后发现,此模型可用以快速、准确估算土壤高光谱速效钾含量。     

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。     

MLR和PLSR的沙壤土盐分含量光谱检测对比研究

为了快速有效检测南疆地区典型土壤（沙壤土）的盐分含量变化,利用光谱仪和电导仪测得南疆阿拉尔市红枣种植区盐渍土近红外高光谱和电导率数据,基于7种不同光谱预处理方法和2种特征波长选择算法,分别建立多元线性回归（MLR）和偏最小二乘回归（PLSR）的土壤盐分监测模型。结果表明：7种预处理方法中,归一化,多元散射,变量标准化和一阶导数能够有效提高土壤盐分的预测模型精度。基于多元逐步回归（SMR）波长选择方法的多元线性回归（SMLR）模型的R_val²>0.948 9,RPD>6.294 9,RMSEP<0.435 6;基于连续投影算法（SPA）的多元线性回归（SPA-MLR）模型的R_val²>0.956 8,RPD>6.922 1,RMSEP<0.361 6,预测结果要优于偏最小二乘回归（PLSR）模型,其中基于归一化处理后的SMLR和SPA-MLR的预测精度最为理想,分别为R_val²=0.979 2,RPD=9.907 8,RMSEP=0.287 6和R_val²=0.980 5,RPD=10.50,RMSEP=0.278 3,而且筛选的特征波长较少。说明归一化是更有效的光谱预处理方法,多元线性回归（MLR）更适合建立南疆典型沙壤土盐分含量的预测模型。     

Quantitative retrieval of soil salt content based on measured spectral data

Choosing the Minqin Oasis, located downstream of the Shiyang River in Northwest China, as the study area, we used field-measured hyperspectral data and laboratory-measured soil salt content data to analyze the characteristics of saline soil spectral reflectance and its transformation in the area, and elucidated the relations between the soil spectral reflectance, reflectance transformation, and soil salt content. In addition, we screened sensitive wavebands. Then, a multiple linear regression model was established to predict the soil salt content based on the measured spectral data, and the accuracy of the model was verified using field-measured salinity data. The results showed that the overall shapes of the spectral curves of soils with different degrees of salinity were consistent, and the reflectance in visible and near-infrared bands for salinized soil was higher than that for non-salinized soil. After differential transformation, the correlation coefficient between the spectral reflectance and soil salt content was obviously improved. The first-order differential transformation model based on the logarithm of the reciprocal of saline soil spectral reflectance produced the highest accuracy and stability in the bands at 462 and 636 nm; the determination coefficient was 0.603, and the root mean square error was 5.407. Thus, the proposed model provides a good reference for the quantitative extraction and monitoring of regional soil salinization.     

模糊坡位信息在精细土壤属性空间推测中的应用

坡位的空间渐变特征影响着小流域及坡面尺度上的土壤、水文、地貌等现象和过程,因此对精细尺度下的地理建模(如土壤空间信息推理)有重要作用。虽然目前已有多种模糊坡位信息定量提取方法,但所得到的模糊坡位信息还缺乏实际应用。本文以精细尺度下的土壤属性空间分布推测为例,对此展开探索。应用模型假设:(1)在小流域内,地形因素主导着土壤属性空间分布的变化;(2)典型坡位上对应分布着典型的土壤属性值,土壤属性与坡位之间存在协同变化关系。据此建立以模糊坡位信息对各类典型坡位上土壤样点属性值的加权平均模型,推测土壤属性的空间分布。模型应用于黑龙江省嫩江流域一个地形平缓的小区(面积约60 km²),通过一个以坡位典型位置作为原型的模糊坡位定量方法提取5类坡位(山脊、坡肩、背坡、坡脚、沟谷)的空间渐变信息,对土壤表层有机质含量的空间分布进行推测。推测结果通过研究区70个土壤采样点进行评价,以推测结果与评价样点集之间的相关系数、平均绝对误差、均方根误差作为定量评价指标,与使用常用地形属性的多元线性回归模型推测结果进行对比。评价结果表明,仅使用极少建模点的加权平均模型的推测结果优于多元线性回归模型的推测结果。     

基于高光谱数据的天山北坡积雪孔隙率反演研究

以新疆天山北坡中段典型流域季节性积雪为研究对象,基于高光谱遥感监测技术,分析了融雪期积雪孔隙率与光谱反射率的相关性。采用偏最小二乘法(PLS)对相关性较高的波段进行压缩,并提取贡献率最高的前四个主成分,以此用来确定神经网络的隐含节点数、输入层、输出层的初始权值,建立PLS-BP模型进行积雪孔隙率反演研究。结果表明:当隐含节点数为3,模型的线性确定相关系数(R²)较高为0.9159,RMSE为0.04,相对误差为0.23。与传统偏最小二乘回归(PLSR)、主成分回归(PCA)建模方法相比,精度较高,所建定量模型可用于高光谱遥感反演积雪孔隙率。     

基于主成分分析土壤水分扩散率单一参数模型的BP神经网络模型

应用水平土柱法测定了杨凌地区典型粘壤土的水分扩散率,利用土壤水分扩散率的单对数模型和双对数模型对其进行了拟合,建立了土壤水分扩散率单一参数模型,基于主成分分析建立了单一参数模型中参数B的BP神经网络模型。结果表明：利用主成分分析可将研究区域土壤容重、有机质含量、粘粒含量、粗粉粒含量和砂粒含量综合成3个主成分;基于主成分分析建立的BP神经网络模型拟合的单一参数模型参数[B]的均方根误差RMSE为0.308 2;将拟合得到的参数B代入单一参数模型中对土壤水分扩散率进行预测,除去其中较大值的预测结果偏低外,其余土壤水分扩散率预测结果都比较接近实测值,预测结果的均方根误差RMSE为0.257 8,可利用基于主成分分析建立的BP神经网络模型预测单一参数模型中的参数B。     

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。