共查询到20条相似文献，搜索用时 26 毫秒
1.
2.
以贵州省典型山区耕地土壤高光谱数据为研究对象,基于光谱变换法和机器学习原理构建贵州省山区耕地土壤有机质(SOM)含量估算模型。于2020年8月至2021年3月在贵州省13个县(区、市)采集了120个土壤样品,检测土壤可见光-近红外波段光谱信息,利用5种光谱数据变换(原始光谱、一阶微分、二阶微分、倒数对数的一阶微分、连续统去除)和4类模型(偏最小二乘回归、支持向量机、随机森林和BP神经网络)组合出不同土壤有机质含量的预测模型,按照3∶1选择训练样本和测试样本以估算山区SOM含量。结果表明,一阶微分数据变换与山区SOM含量的相关性较高,相关系数最高达到-0.635;反演模型中,基于一阶微分光谱变换构建的BP神经网络模型精度最高,训练集、测试集的决定系数(R2)分别为0.845、0.838,测试集均方根误差(RMSE)为3.452,相对分析误差(RPD)达到2.470,其次是RF、PLSR模型的RPD较高,SVM模型的RPD最低。光谱数据变换中一阶微分法能极大程度提取出山区耕地的SOM含量信息,BP神经网络模型是估算山区SOM含量的最优模型,本研究结果可为贵州省山区耕地... 相似文献
3.
为实现对土壤有机质含量的快速监测,在对土壤有机质含量作倒数变换的同时将土壤高光谱数据进行多种数据变换处理,筛选出与土壤有机质含量倒数变换后相关性最高的光谱指标,最后构建了土壤有机质含量高光谱反演的最佳模型,实现对土壤有机质含量的反演。结果表明:估算土壤有机质含量的最佳光谱指标为反射率一阶微分波段组合R_((587,126)*R_((734,049))*R_((1 095,892)),相关系数为0.769;在此基础上构建的土壤有机质含量高光谱反演模型最佳(Y=5×10~(16)x~3-5×10~(10)x~2+59 471.000 0x+0.101 1),其决定系数R~2为0.65,均方根误差(RMSE)为0.040 mg/kg。将其验证样本预测值与实测值进行比较,平均相对误差为27.00%,RMSE为4.19 mg/kg。该验证结果证明利用该模型进行华南地区土壤有机质含量的快速监测是可行的。 相似文献
4.
《新疆农业科学》2017,(1)
【目的】研究传统土壤全氮含量测定方法,解决复杂、耗时、耗力等问题。【方法】以新疆干旱区灰漠土为研究对象,运用经典统计学和光谱学相结合的方法,研究灰漠土土壤全氮含量的光谱反射特性,通过对原始光谱的数据变换和相关性分析,构建了土壤全氮含量的高光谱估测模型,并对模型进行对比和验证。【结果】土壤中全氮含量不同光谱反射特性趋势相近,土壤的光谱反射率在780、1 800和2 140 nm波长附近出现波峰,在1 910 nm附近有明显的波谷,土壤全氮含量与原始光谱反射率相关性较差。通过一阶微分处理后的光谱数据与全氮含量的相关性显著优于原始光谱和二阶微分处理,最大相关系数为0.819,达到极显著相关;利用一阶微分变换从中提取特征波段667和1 414 nm,建立土壤全氮含量的估测模型:Y=2 698.048 X667-1062.149 X1414-0.015,R2为0.75,对估测模型进行验证发现,R2为0.80,当全氮含量过大或过小时,模型估测偏差相对较大,总体预测精度较高。【结论】高光谱分析技术对土壤全氮含量的预测具有一定的意义,利用估测模型可以快速鉴定土壤全氮含量。 相似文献
5.
不同波长选择方法在土壤有机质含量检测中对比研究 总被引：1，自引：1，他引：0
由于近红外光谱数据的多重共线性，特征波长选择一直是近红外光谱分析技术的重要研究内容。以108个土壤样本光谱数据和土壤有机质(SOM)含量为研究对象，以连续投影算法（SPA）、间隔偏最小二乘法（IPLS）、竞争自适应重加权采样法（CARS）三种典型的特征波长选择算法进行近红外光谱波长选择和土壤有机质含量建模。研究结果表明，基于上述三种方法提取的特征波长所建立的模型预测能力均优于全谱模型。其中，基于SPA算法的MLR预测模型精度最优，预测集相关系数（Rp）和均方根误差（RMSEP）分别为0970 2和1.214 4，模型参数只有6个。因此，SPA-MLR可以有效地应用近红外光谱的建模，并且简化模型的复杂度，提高模型的计算效率。 相似文献
6.
麦田耕作层土壤有机质的高光谱监测 总被引：3，自引：2，他引：1
为了利用高光谱技术实现麦田耕作层土壤有机质(SOM)的实时、快速、准确监测,对不同物理条件下的麦田耕作层(0~20 cm)土壤进行了有机质和高光谱的测定,并利用多元逐步回归统计方法进行了土壤有机质信息波段的提取和监测模型的构建。结果表明,风干土和过筛处理土的光谱反射率要明显高于湿土处理,在350~1 100 nm处,光谱基本重合,说明二者含有相似的光谱信息,不同土壤粒径造成1 100~2 500 nm的差异。利用多元逐步回归的统计方法构建了不同光谱处理方式的土壤有机质光谱监测模型,并取得了较好的验证效果,其中,基于Savitzky-Golay平滑法的光谱处理不适于试验土壤有机质监测模型的构建;而经一阶微分处理后所构建的光谱监测模型拟合精度高、验证误差小,其中,湿土的土壤有机质监测模型具有较好的实践应用性。研究结果将为麦田土壤有机质的高光谱监测提供一定的理论依据。 相似文献
7.
【目的】探讨高光谱遥感数据不同预处理及不同估测算法下土壤有机质估测模型的优劣,为提高土壤有机质估测精度奠定基础。【方法】使用高光谱仪在室内条件下对土壤样品进行光谱测量,对光谱数据进行4种去噪处理(无去噪处理、Savitzky-Golay(S-G)平滑滤波去噪、小波包去噪以及S-G平滑与小波包结合去噪),然后对去噪后的光谱数据进行8种数据变换(原始光谱数据R、倒数1/R、对数log(R)、倒数对数log(1/R)、一阶导数R′、倒数一阶导数(1/R)′、对数一阶导数(log(R))′、倒数对数一阶导数(log(1/R))′),接着对变化后的光谱数据进行3种降维处理(无降维处理、敏感波段降维和主成分分析降维),最后运用支持向量回归法和偏最小二乘回归法分别建立SOM含量估测模型。【结果】研究中所涉及的各种数据预处理和估测算法中,小波包去噪、PCA降维、反射率倒数一阶导数(1/R)′光谱数据变换处理条件下,使用PLSR方法的估测模型精度最高、模型最稳定,可以较精确地估测吉林省伊通县SOM含量。【结论】合适的数据预处理,尤其是小波包去噪和PCA降维相结合,可有效改善光谱数据质量,提高SOM含量估测模型精度及稳定性。 相似文献
8.
【目的】建立基于可见-近红外光谱的土壤游离铁精确预测模型,简单、快速、经济地预测土壤游离铁,有助于研究土壤发生和分类。【方法】采集广西壮族自治区的铁铝土、富铁土、淋溶土和雏形土等82个旱地土壤剖面的B层土壤,进行室内土壤化学分析、光谱测定,分析不同光谱变换后的光谱反射率与土壤游离铁含量的相关性。基于特征波段利用偏最小二乘回归(PLSR)和逐步多元线性回归(SMLR)法建立土壤游离铁含量光谱预测模型,通过决定系数(R2)、均方根误差(RMSE)和相对预测偏差(PRD)确定最优模型。【结果】土壤光谱曲线分别在457、800和900 nm波段附近有明显的游离铁吸收和反射峰特征;土壤游离铁含量与原始光谱反射率呈负相关;原始光谱经过微分变换后,游离铁含量与光谱反射率相关性显著提高;基于400～580和760～1 300 nm特征波段和一阶微分光谱变换的SMLR模型预测精度最高,其验证集的R2和RPD分别为0.85和2.62,RMSE为8.41 g·kg~(-1)。【结论】将可见近红外光谱技术应用于土壤游离铁含量高效快速地预测具有良好的可行性。广西旱地土壤光谱反射率与土壤游离铁含量具有高度的相关性,应用逐步多元线性回归方法可以很好地建立土壤游离铁含量反演模型。 相似文献
9.
[目的]研究水稻叶温与冠层反射光谱间的关系,为水稻叶温的模拟与监测提供理论依据.[方法]利用FieldSpec Pro FR光谱仪和Raynger ST红外温度探测仪测量水稻抽穗期冠层的反射光谱和叶片温度,分析原始反射光谱、一阶微分光谱、归一化植被指数(NDVI)、比值植被指数(DVI)、再归一化差值植被指数(RDVI)和转换型土壤调整指数(TSAVI)与叶温的关系.[结果]叶温的变化直接影响水稻冠层光谱的反射率,影响水稻红边特征.一阶微分光谱与叶温存在极显著相关性(P<0.01,下同),990 nm处相关系数(0.889)最高,885 nm处相关系数(-0.893)最低.选取叶温敏感波段光谱组合计算植被指数,发现RDVI和TSAVI与叶温的关系呈极显著相关,相关系数分别为0.724和0.733.由RDVI和TSAVI建立经验模型,结果显示由TSAVI建立的叶温估算模型效果更好,其验证样本的决定系数为0.610,相对误差为1.97%,均方根误差为2.546.[建议]综合考虑多种预处理方法,最大程度还原光谱信息;优化特征波长的提取,提高建立模型的精度;基于高光谱技术,实现冠层叶温的无损监测. 相似文献
10.
叶绿素是植物生长发育必不可少的色素，可用来衡量植物生长状况，为实现番茄叶片叶绿素含量快速、无损检测，以番茄为试验材料，通过高光谱无损检测方法，对番茄叶片叶绿素含量进行监测。提取出82个叶片样本的平均光谱反射率数据(400～1 000 nm),对原始光谱数据分别进行7种预处理(平均平滑、高斯滤波、中值滤波、卷积平滑、归一化、基线校准(baseline)、标准正态化(standard normal variation, SNV),建立PLSR模型，建模结果显示：SNV预处理光谱的建模效果最优。用β权重系数、无信息变量消除变换法(uninformation variable elimination, UVE)、竞争自适应重加权法(compet-itive adaptive weighted sampling, CARS)及连续投影算法(successive project-ion algorithm, SPA)等提取特征波长，并建立了PLSR模型，建模结果表明：CARS法提取特征波长所建立的模型最优，CARS法提取了8个特征波长(732、796、946、953、957、968、983、994... 相似文献
11.
【目的】为实现快速无损地监测水稻叶绿素含量,采用大疆M600 Pro无人机搭载SENOP RIKOLA高光谱仪获取水稻分蘖期冠层高光谱影像。【方法】利用相关性分析筛选出光谱指数的特征波长,构建DSI、RSI、NDSI、MSR、OSAVI和RDVI 6种植被指数,并利用一阶光谱导数计算其红边面积和红边幅值,分析8种光谱参数参与水稻叶绿素含量之间的相关性分析。将这些光谱参数作为CatBoost回归模型的输入变量,分析8种光谱参数对水稻叶绿素含量的估算能力。【结果】基于红边参数的反演模型中红边幅值拟合效果最好,其R2为0.952 4,RSME为0.638 1;基于植被指数的反演模型中OSAVI指数拟合效果最好,其R2为0.941 6,RSME为0.588 5。2种模型均能有效预测水稻叶绿素含量信息,可以作为水稻叶绿素含量监测的依据。【结论】将无人机高光谱遥感影像与机器回归算法相结合,可以实现对水稻冠层叶绿素含量的精准预测,从而对水稻的生长和健康状况进行实时监测,进而实现对水稻的精准施肥和精准灌溉,对水稻的增产增收以及精准农业的发展具有重要意义。 相似文献
12.
土壤有机质高光谱特征及其反演研究 总被引：1，自引：0，他引：1
具有精细的光谱分辨率,可获取地物纳米级连续光谱信息的高光谱技术以其简便、快速、精度高和无损等优势成为获取土壤有机质(soil organic matter,SOM)含量的重要手段,在精确农业发展中发挥着重要作用。本文阐述了高光谱反演土壤有机质的机理,概述了土壤有机质含量的光谱反射特征,包括不同土壤类型、不同土壤有机质含量的光谱响应波段,以及土壤有机质含量的光谱反演方法和模型的研究进展。进一步分析了土壤有机质光谱特征研究中存在的问题并对发展趋势进行了展望和分析,以期为以后的研究提供一定的参考。 相似文献
13.
为了探究动态、无损伤监测区域农田土壤重金属污染和借助土壤-作物系统机理定量反演土壤重金属含量的科学方法,从2018—2020年采集了江苏省宜兴市徐舍镇的22个水稻田样地共76个点的土壤样品,利用地面高光谱仪系统获取了水稻叶片光谱与水稻的生长系统等数据,在实验室测量了土壤中镉(Cd)、砷(As)含量等指标,将水稻叶片光谱进行平滑处理和7种形式的数学变换并进行Pearson相关性分析以筛选相关波段,通过遗传算法优化的偏最小二乘回归法构建了土壤Cd、As含量的估测模型。研究结果表明,估测土壤Cd、As含量的最佳模型均为倒数对数一阶微分光谱模型,r2分别为0.77和0.89,外部验证均方根误差(RMSEP)分别为0.058和0.297,相对分析误差(RPD)分别为2.09和2.97,具备近似定量估测土壤Cd含量的能力及定量估测土壤As含量的良好精度。通过地面实测数据验证,2个最佳估测模型预测精度分别达70%及80%以上;且光谱预处理技术可以去除原始反射率的冗余信息并减弱背景噪声,突出光谱信息;采用遗传算法先筛选特征波段再进行偏最小二乘回归建模,可提高模型的精度。研究可为实... 相似文献
14.
15.
土壤有机质高光谱特征与波长变量优选方法 总被引：6，自引：0，他引：6
【目的】探究土壤有机质的高光谱特征及响应规律,优选土壤有机质的敏感波长,降低土壤有机质高光谱估测模型复杂度,提高模型稳健性,为利用高光谱技术对农田土壤肥力的定量监测提供理论支撑。【方法】采集江汉平原潮土土样130个,将其中40个样本作为训练集,测量其去有机质前、后的土壤有机质含量及光谱数据,计算差值及变化率,分析土壤有机质含量变化对光谱特征的影响,结合无信息变量消除(uninformative variables elimination,UVE)、竞争适应重加权采样(competitive adaptive reweighted sampling,CARS)变量优选方法确定土壤有机质敏感波长;采用45个建模集样本,基于偏最小二乘回归(partial Least Squares Regression,PLSR)和反向传播神经网络(back propagation neural network,BPNN)建立土壤有机质含量的估算模型;利用45个验证集样本检验敏感波长对同类土壤的适用性。【结果】通过有机质去除试验,供试土壤的平均光谱反射率在全波段均有所增加,在可见光波段变化率高于近红外波段;比较UVE、CARS、UVE-CARS、CARS-UVE这4种变量优选方法,得到最佳变量优选方法为UVE-CARS,该方法从2001个波长变量中优选得到84个变量作为土壤有机质的敏感波长,分布于561—721、1 920—2 280 nm波段覆盖范围;基于敏感波长的PLSR、BPNN模型性能均优于全波段模型,其中,基于敏感波长的BPNN模型的估测能力高于PLSR,模型验证集R~2、RMSE、RPD、MAE、MRE值分别为0.74、1.33 g·kg~(-1)、2.02、1.04 g·kg~(-1)、6.2%,可实现土壤有机质含量的有效估测。【结论】通过训练集获得的土壤有机质敏感波长,能够实现对该试验区同种土壤类型样本土壤有机质含量的有效估测;利用去有机质试验结合变量优选方法确定的敏感波长建模,不仅将输入波长压缩至全波段波长数目的 4.2%,而且提升了模型估测精度,降低了变量维度和模型复杂度,为快速准确评估农田土壤有机质含量提供了新途径。 相似文献
16.
SG平滑处理对冬小麦地上干生物量光谱监测的影响 总被引：3，自引：2，他引：1
《山西农业科学》2016,(10):1450-1454
Savitzky-Golay(SG)方法是高光谱数据预处理的重要方法之一,为研究SG平滑处理对冬小麦地上干生物量(AGDB)光谱监测模型的影响,对冬小麦冠层光谱进行6种程度的平滑处理:无平滑(SM0)、3点平滑(SM3)、5点平滑(SM5)、9点平滑(SM9)、13点平滑(SM13)和17点平滑(SM17),并分别构建各预处理光谱条件下的冬小麦AGDB的偏最小二乘法(PLSR)模型,对比各PLSR模型的表现,研究平滑程度对模型的影响。结果表明,SM9平滑处理后的冬小麦冠层光谱可以提高光谱与AGDB的相关性,相关系数接近0.5;所构建的冬小麦AGBD的光谱监测模型中,SM9处理的模型表现最好(R2=0.771,RMSE=0.564,RPD=1.912,LV=19)。研究结果可为利用冠层光谱研究冬小麦AGDB的无损监测提供一定的光谱预处理方法与技术探索。 相似文献
17.
【目的】探讨星载高分五号（GF-5）高光谱影像不同光谱波段对SOM 含量预测精度差
异，明确有效光谱波段范围，以便提高SOM 含量高光谱预测精度。【方法】该研究以黑龙江
省建三江农垦区为研究区域，将GF-5 可见短波红外高光谱相机（AHSI）获取的高光谱数据
划分为可见光- 近红外（VNIR）、短波红外（SWIR）和VNIR-SWIR 3 种不同光谱波段，并
将光谱反射率进行了9 种光谱数学变换；分别采用多元逐步回归（MLSR）和偏最小二乘回
归（PLSR）构建SOM 含量预测模型，评价分析了3 种不同光谱波段预测SOM 含量的精度差
异。【结果】在MLSR 模型中，VNIR-SWIR 的对数倒数一阶微分SOM 含量预测精度相对较
高，验证精度决定系数R2
val 为0.383，均方根误差RMSEP 为5.009；在PLSR 模型中，VNIR
反射率的SOM 含量预测精度较高，验证精度R2
val 为0.359，RMSEP 为4.170。【结论】GF-5
AHSI SOM 含量预测精度较高的光谱波段为VNIR 和VNIR-SWIR。卫星数据质量、研究区域
自然条件、数据预处理过程、建模方法选择等因素共同影响SOM 含量预测模型精度，通过
技术和方法改进，GF-5 数据预测SOM 含量的潜力更大。 相似文献
18.
[目的]为实现高等级公路路域植被等效水厚度(EWT)快速、连续、高效监测需求。[方法]以叶片尺度高光谱为数据源，首先对辐射传输模型PROSPECT-D模拟数据和实测光谱数据分别进行标准正态变量变换、归一化等光谱变换。应用相关性分析提取各变换光谱特征波段，基于PROSPECT-D模拟数据特征波段分别构建一维卷积神经网络(1D-CNN)、支持向量机路域植被叶片EWT反演模型，并用实测光谱数据进行模型验证。[结果]植被EWT最优反演路径为对光谱进行归一化预处理后，构建PROSPECT-D与1D-CNN组合模型，测试决定系数(R2c)为0.645、均方根误差(RMSEC)为2.367,精度较高，满足应用需求。[结论]该研究为利用高光谱数据对南方丘陵地区高等级公路植被EWT定量反演奠定了基础。 相似文献
19.
通过对土壤电导率和光谱测定,分析了南方丘陵稻田土壤电阻率特征、原始光谱数据及重采样光谱数据特征。在光谱重采样基础上进一步构建光谱包络线去除变换、光谱反射率倒数(1/R)、对数[ln(1/R)]、平方根(R0.5)、一阶微分等单一或复合变换模型。通过横向、纵向综合比较分析不同模型的反射率与电阻率相关性分析的曲线差异,着重探讨了基于一阶微分的数据变换模型间土壤电阻率与光谱反射率间相关性强弱,结果表明:(1)基于一阶微分变换的模型可以对重叠混合光谱进行分解以便识别,扩大样品之间的光谱特征差异,发掘敏感波段的光谱吸收、反射特征;(2)综合反射率的平方根的一阶微分变换、反射率的倒数的对数及反射率对数的一阶微分等模型得出,在波段为382 nm处,土壤电阻率与光谱反射率间相关系数最高达0.788,在波段为555~560 nm,多个微分变换模型相关性系数在0.7以上,可为后续反演因子的确定及土壤电阻率高光谱估测回归模型的建立提供参考。 相似文献
20.
[目的]建立土壤含水量遥感监测模型。[方法]选取陕西省横山县作为研究区,以野外原位光谱测量数据和实验室内测得的土壤含水量为基础,进行高光谱数据处理,分析土壤含水量的光谱特征;对实测土壤光谱反射率进行倒数、对数、均方根及其一阶导数微分等光谱变化换,计算高光谱指数,并与土壤样本含水量进行相关性分析,筛选对土壤含水量敏感的光谱特征波段,利用多元线性回归分析建立土壤含水量监测模型。[结果]随着土壤含水量的增加,土壤光谱反射率呈减小趋势。土壤含水量与光谱指数的特征波段呈良好的线性关系,所有模型均通过了0.01水平的显著性检验。模型精度验证表明,预测值与实测含水量相关系数较高,特别是反射率倒数一阶微分模型,在0.01显著性水平下,相关系数为0.886。[结论]该研究建立的土壤含水量遥感反演模型可行有效,通过了有效性检验,在一定程度上可以用来反演研究区土壤含水量。 相似文献