基于TM影像的荒漠绿洲交错带土壤有机质含量反演模型

选取Landsat TM影像的光谱反射率（R）、反射率之倒数（1/R）、反射率倒数之对数（lg（1/R））、反射率一阶导数（FDR）、波段深度（D）等5种光谱指标,分别建立了奇台县土壤有机质（SOM）含量的反演模型,并利用F检验来验证模型的显著性。结果表明：用各光谱指标建立的土壤各层和不同深度SOM含量的反演模型精度值由低到高的顺序均为lg（1/R）<R<1/R<FDR<D,以D反演SOM含量的模型效果最好,且对10～20 cm的SOM含量的反演精度最高,适用于对研究区SOM含量的反演,FDR的反演效果次之,1/R和R的模型精度一般,而lg（1/R）的模型精度最差;各层拟合模型的反演精准度由低到高的顺序为50～60 cm <40～50 cm <30～40 cm <20～30 cm <0～10 cm <10～20 cm,不同深度反演模型的优劣为0～60 cm <0～50 cm <0～40 cm <0～30 cm <0～10 cm <0～20 cm。     

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。     

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。     

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。     

组合光学和微波遥感的耕地土壤含盐量反演

耕地保护关系到国家粮食安全和经济社会可持续发展,对生态环境保护具有重要作用,快速精准的获取耕地土壤盐分含量及空间分布信息是耕地保护的必然要求。以宁夏平罗县为研究区,利用Landsat 9 OLI和Sentinel-1遥感影像,提取光谱指数和雷达极化组合指数,基于变量投影重要性法与灰度关联法筛选特征变量,然后运用反向传播神经网络、支持向量机和随机森林3种机器学习算法构建模型,并用最佳模型反演耕地土壤含盐量空间分布情况。结果表明：(1)利用变量投影重要性法筛选变量建立的模型验证集决定系数(R²)大于灰度关联法筛选变量建立的模型。(2)利用随机森林算法,组合光谱指数和雷达极化组合指数协同反演模型效果最佳,建模集R²为0.791,均方根误差(RMSE)为1.016,R²较单一数据源模型分别提高0.065和0.085,RMSE分别降低0.147和0.189;验证集R²为0.780,RMSE为1.132,R²较单一数据源模型分别提高0.091和0.237,RMSE分别降低0.175和0.3...     

围封对沙漠化草地土壤理化性质和固碳潜力恢复的影响

过度放牧是科尔沁沙地退化的主要原因,禁牧围封可以有效地控制牲畜对植被-土壤系统的破坏,促进退化生态系统的有效恢复。以过度放牧后的沙漠化草地为对象,调查了禁牧围封13年后沙漠化草地土壤理化性质的变化特征,并分析了围封对土壤固碳潜力的影响。结果表明：（1）沙漠化草地围封13年后,土壤砂粒含量减少、粉粒和黏粒含量增加,且粉粒增加最为明显,平均含量增加123%;土壤容重在不同土壤深度均呈下降趋势。（2）围封后土壤有机质、全氮、速效氮和速效钾含量呈增加趋势,分别增加了102%、97%、123%和24%,但土壤有效磷和缓效钾呈减少趋势;土壤pH显著升高,阳离子交换量呈现增加趋势。（3）除土壤有效铁外,其余有效微量元素包括有效铜、有效锰和有效锌平均含量均呈增加趋势,分别增加44%、30%和82%。（4）土壤有机质与pH值、阳离子交换量、全氮、速效氮、速效钾、有效铜、有效锰、有效锌含量呈显著正相关关系。（5）沙漠化草地围封13年后,100 cm深度土壤有机碳储量增加393.45 g·m^-2,碳截存速率为30.27 gC·m^-2·a^-1。对于因持续过度放牧所导致的严重退化草地,禁牧围封可有效促进土壤有机质、养分和微量元素的增加,影响土壤质地及固碳潜力等的变化,但严重退化沙漠化草地的恢复需要一个长期的过程,土壤有机碳储量要恢复到科尔沁非沙漠化草地水平至少需要百年的时间尺度。     

黑土区土壤有机质和全氮含量遥感反演研究

以东北典型黑土区耕地为研究区,以Sentinel-2A（全球环境与安全监测计划的第二颗卫星,于2015年6月23日发射）影像作为数据源,构建光谱指数,分别采用多元逐步线性回归（Multiple Stepwise Linear Regression, MSLR）和随机森林（Random Forest, RF）算法建立土壤有机质（SOM）和土壤全氮（STN）预测模型,并采用十折交叉验证方法评估模型的性能。研究对比分析了不同气候、土壤类型和地形下土壤有机质和全氮的空间分布差异。研究表明：① 海伦示范区的SOM和STN含量最高,其年均温最低,高程最高,年降水量多,SOM含量升高,其年均温最低,年降水量多,STN含量升高;② 与基于多元逐步线性回归算法建立的SOM和STN预测模型相比,随机森林算法建立的SOM和STN预测模型,有着更高的精度和稳定性;③ 运用RF算法建立的SOM反演模型的R²为0.96,均方根误差为5.49 g/kg,STN反演模型的R²为0.95,均方根误差为0.27 g/kg; ④ 不同示范区统一建立SOM和STN预测模型,有助于提高预测精度,实现跨区域建模与制图。     

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。     

江浙典型茶园的土壤速效钾空间分布

钾是茶叶生长过程中必不可少的营养元素,研究其空间变异规律可为茶园的养分施用与经营管理提供理论指导,为切实提高茶叶质量和产量提供建议。论文以江、浙优质茶叶种植区内的速效钾含量为研究对象,运用描述统计学分析、半方差函数模型以及空间插值方法分析钾元素在不同地域条件下的空间变异特征及其影响因素。研究结果表明:(1)天目湖和溪龙乡种植区的速效钾含量平均值明显高于龙井村和东山镇种植区,其中溪龙乡最高,东山镇最低。(2)半方差函数模型拟合显示江苏两个茶叶种植区速效钾含量有中等空间相关性,浙江两个茶叶种植区速效钾含量空间相关性较弱。(3)插值结果显示江苏省两个茶叶种植区的速效钾含量高值区均在西南和东北部,浙江省两个种植区的速效钾含量高值区分布较分散。(4)四个种植区的速效钾分布均受到结构性因素和随机性因素共同作用,浙江省两个茶叶种植区受随机性因素影响更大。     

火烧对三江平原湿地土壤养分状况的影响

在三江平原腹地，洪河国家级自然保护区当年火烧地段以及中国科学院三江生态实验站烧后一年地段，设置当年火烧、火烧后一年与未烧湿地对照区，用对比法分析了火烧对湿地土壤养分状况的影响。结果表明，火烧会减少湿地土壤的有机质含量，火烧当年洪河保护区草根层与腐殖质层有机质含量下降尤为明显；火烧次年生态实验站火烧地表层土壤有机质含量仍低于未烧湿地。同时，伴随有机质的迅速分解与矿化，无论火烧当年还是次年，土壤草根层与腐殖质层全氮、全磷含量都较未烧湿地低，而全钾含量提高。火烧当年保护区土壤速效氮、速效磷含量虽然降低，但速效氮、速效磷占全量的比例较未烧湿地高；草根层土壤内速效钾含量较未烧湿地高，占全量比例也较高，但在其他层次内未见提高。三江生态实验站内火烧后一年的土壤，除速效氮占全氮的比在腐殖质层及潜育层内仍高于未烧湿地外，其他速效养分含量占全量比值普遍低于未烧地。另外，火烧后湿地土壤的pH值略有升高。以上结果均在湿地草根层与腐殖质层表现明显，火烧对湿地土壤潜育层影响不明显。     

基于高光谱数据的戈壁地表砾石粒径反演研究

戈壁地表砾石粒径组成特征反映戈壁形成过程信息,且在很大程度上决定戈壁改造利用的难易,是开展戈壁研究的基础和前提。结合高光谱数据的微分变换,遴选出砾石粒径的敏感波段与反演方程,进行戈壁地表砾石粒径反演研究。结果表明：微分变换后的砾石光谱反射率与粒径有较好相关性,相关性最好的波段为908nm、983nm和985nm。其中,对数倒数微分变换之后的反射率与粒径成正相关（R² =0.61）,而一阶微分、平方根微分、对数微分3种变换形式之后的反射率与粒径呈负相关,相关系数分别为-0.633、-0.646、-0.649。将一阶微分变换后的光谱数据与粒径进行回归分析,发现一元三次回归模型具有较好的拟合精度,其中对数微分在回归分析中表现最好（R² =0.851）,经过验证得出对数微分预测精度（75.27%）高于其他4种微分形式的精度,表明砾石光谱的对数微分变换之后的908nm波段可应用于戈壁地表砾石粒径的反演。     

荒漠-绿洲交错带土壤N、P、K含量的高光谱反演模型

利用新疆奇台县荒漠-绿洲交错带的75个土壤样本,选取土壤可见光-近红外光谱的反射率（R）、光谱反射率倒数之对数（lg（1/R））、光谱反射率一阶导数（FDR）和光谱波段深度（Depth）4个指标,分析了其与土壤N、P、K元素含量的关系,分别建立了反演模型并对其精度进行了检验。结果表明：可见光-近红外反射光谱快速估算荒漠-绿洲交错带土壤N、P、K元素含量的潜力大,其预测精度由高到低的排列顺序为：N>P>K。不同光谱指标反演模型的精度各异,指标Depth和FDR的预测效果明显优于lg（1/R）和R,对N和P元素的拟合效果为：lg（1/R）相似文献   

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。     

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。     

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。     

土壤光谱特征分析及盐渍化信息提取——以新疆渭干河/库车河绿洲为例

土壤盐渍化严重制约土地生产力,实时监测土壤盐渍化有利于农业正常生产。选择新疆渭干河—库车河绿洲的光谱反射率数据,研究不同程度盐渍化土壤的光谱特征;并对绿洲所在的库车县的环境与灾害监测预报小卫星的高光谱数据进行盐渍化信息提取。提取步骤为：首先对土壤光谱反射率数据进行14种形式的变换,再与土壤含盐量进行相关分析、逐步回归分析,建立估算不同盐渍化程度的土壤含盐量方程,用均方根误差验证方程的精度;其次,建立植被和土壤波谱库;最后,在波谱库的数据基础上,使用波谱角分类法（SAM）对环境与灾害监测预报小卫星的高光谱数据进行分类。用同步实测数据对分类效果进行精度评价,效果较好,这一结果为今后该区域的高光谱应用奠定了基础,对区域农民耕作方式提出了警示,为区域可持续发展实践提供了参考。     

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.