共查询到20条相似文献，搜索用时 31 毫秒
1.
为探讨野外实测光谱数据对土壤肥力的估算能力,采集青海省湟水流域表层0 ~ 20 cm土壤样品220份,同步测量其采样位置的野外实测光谱数据,实验室对土壤养分、机械组成含量以及pH值进行分析。基于上述数据,对野外实测光谱反射率进行多元散射校正（Multiplicative scatter correction,MSC）、SG-一阶导数变换（SG - First Derivative,SG-1st）预处理,采用稳定性竞争自适应重加权采样法（stability competitive adaptive reweighted sampling,SCARS）提取不同土壤养分、机械组成含量以及pH值的特征波段,以偏最小二乘回归（partial least squares regression,PLSR）模型对土壤全碳（TC）、有机质（OM）、全氮（TN）、碱解氮（AN）、pH、黏粒（clay）、粉粒（silt）、砂粒（sand）含量进行估算并对比分析,构建土壤养分含量、pH值以及机械组成含量的最优野外实测光谱估算模型。结果表明:通过MSC校正和SG-1st变换能够有效增强野外光谱特征;经SCARS选取的特征波段主要集中于近红外波段。基于野外实测光谱数据建立的PLSR模型能够对研究区土壤TC、OM、TN、AN含量以及pH值进行粗略估算;其中,对于TC、OM、TN含量及pH值而言,最佳估算模型为经SG-1st处理后的SCARS-PLSR模型,RPD值均达到1.70以上（RPDTC = 1.76; RPDOM = 1.82;RPDTN = 2.04;RPDpH = 1.89）,RPIQ值均达到1.90以上（RPIQTC = 1.91;RPIQOM = 2.53;RPIQTN = 2.98;RPIQpH = 2.03）;对于土壤AN含量而言,经MSC处理后的SCARS-PLSR模型最佳,其RPDAN值高达1.91,RPIQ值高达2.39。对土壤clay、silt以及sand含量野外光谱均无法估算,RPD值均在1.00左右,RPIQ值在1.20左右。 相似文献
2.
《土壤通报》2015,(4):843-850
为探索适合黄河三角洲滨海地区土壤盐分含量的快速准确估测方法,以黄河三角洲垦利县为研究区,采用野外原位土壤高光谱数据与室内实测土样盐分数据相结合的分析方法,进行土壤盐分估测研究。通过对土壤盐分高光谱反射率、一阶微分反射率与盐分含量进行相关性分析,筛选出土壤盐分敏感波段;通过波段组合构建并筛选出土壤盐分敏感光谱参量;通过对敏感波段进行主成分回归建模、多元逐步线性回归建模和运用光谱参量建模,筛选出最佳的估测模型。结果显示:一阶微分可放大样品间的光谱特征差异,提高了相关性;波段组合可消除部分背景因素影响,与盐分的相关性明显提高;利用敏感光谱参量构建的估测模型优于直接用敏感波段构建的模型,土壤盐分最佳估测模型为y=0.623-2003920.934*X507*X772+0.259*(X512+X1093)-469.717*X772/X512,R2为0.591,验证R2为0.556,RPD为1.624,RMSE为0.116,拟合度较好,稳定性较高。该研究为滨海区土壤盐分含量的野外高光谱估测提供了新的方法,同时为土壤盐分含量的高光谱定量研究提供理论和技术参考。 相似文献
3.
基于实测高光谱指数与HSI影像指数的土壤含水量监测 总被引：1，自引：0，他引：1
为了探索土壤含水量与高光谱植被指数的内在关系,实现土壤含水量的快速且准确监测,以ASD光谱仪测定的研究区植被高光谱数据和环境卫星HSI高光谱影像数据为基础数据计算得到26种光谱植被指数,通过灰度关联分析法(grey relational analysis)对不同深度(0~10,10~30,30~50 cm)土壤含水量与实测光谱指数和影像光谱指数进行分析和筛选,确定了与土壤含水量相关性较高的5个光谱植被指数,采用多元线性回归法(multiple linear regression)分别构建了基于实测数据和影像数据的高光谱植被指数土壤含水量反演模型,并用实测高光谱植被指数模型对HSI影像植被指数模型进行校正。结果表明:2种土壤含水量反演模型对0~10 cm层的土壤含水量均有较高的拟合度,判定系数(R2)均高于0.589,并具有较好的稳定性;实测高光谱植被指数模型精度优于HSI影像植被指数模型,判定系数(R2)分别为0.668和0.589;经过校正的HSI影像土壤含水量反演模型精度有了较大的提高,判定系数(R2)从0.589提升到0.711,均方根误差(RMSE)为0.0014。该研究方法进行土壤含水量监测是可行的,为进一步提高土壤含水量定量遥感监测提供一定参考。 相似文献
4.
《土壤通报》2020,(3):511-520
针对宁夏银北地区土壤盐碱化定量监测的需要,利用实测土壤高光谱和Landsat 8 OLI多光谱影像数据采用多项式、多元线性回归等方法进行土壤含盐量和pH值反演研究,并对影像光谱反演模型进行校正,以提高遥感定量反演精度。结果表明:(1)基于实测光谱的土壤含盐量反演精度均高于基于OLI影像反演精度;基于实测光谱敏感波段反射率反演精度高于实测盐分指数反演精度,其中实测光谱经平滑后敏感波段建立的模型效果最佳(R~2=0.695)。(2)基于实测光谱平滑后敏感波段建立的pH值反演模型精度最高且最稳定(R~2=0.545),基于OLI影像光谱反演精度低于实测光谱,但也通过了显著性检验和精度验证。(3)经实测光谱模型校正后的Landsat 8 OLI影像光谱的土壤含盐量反演模型R~2从0.347提高到0.623。研究结果可以为准确、快速地定量监测当地土壤盐分含量、pH值的变化提供科学依据和技术手段。 相似文献
5.
基于HJ-1A超光谱影像的县域尺度耕地土壤速效磷含量遥感制图研究 总被引：1，自引：0，他引：1
《土壤通报》2015,(6):1314-1320
及时、准确地获取耕地土壤养分含量信息,对于作物田间管理、产量提升和耕地环境保护具有重要意义。本研究基于HJ-1A超光谱遥感影像数据,结合野外实测样本,通过光谱反射率多种数学变换,利用相关性分析法提取土壤速效磷含量的敏感波段及特征波段组合,然后基于多元回归分析方法,建立各种敏感波段组合的土壤速效磷光谱诊断模型,筛选最优诊断模型,并基于野外样本开展精度验证,实现耕地土壤速效磷含量的空间制图。研究结果表明,土壤速效磷含量与四种微分变换形式的相关性较高,而与其他四种非微分形式的相关性较低;其中反射率对数的一阶微分的预测模型决定系数R2最大,可达到0.70,且均方根误差最小,因此确定光谱反射率对数的一阶微分预测模型为土壤速效磷含量的最优诊断模型,并可据此实现研究区耕地土壤速效磷含量的空间制图;利用未参与建模的野外样本进行精度验证,检验样本的决定系数R2为0.67,均方根误差RMSE为15.31 mg kg-1。因此,以环境小卫星超光谱影像为数据源,基于多元回归分析方法,可建立具有较高精度的土壤速效磷含量预测模型,实现县域尺度的耕地土壤速效磷含量空间制图。 相似文献
6.
基于热红外发射率光谱的土壤盐分预测模型的建立与验证 总被引：1，自引：0，他引：1
该研究尝试性地分析盐渍化土壤热红外发射率光谱特征,并建立土壤盐分高光谱预测模型,旨在为遥感传感器识别土壤盐分信息奠定基础。首先,采用FTIR（Fourier transform infrared spectrometer）温度与发射率分离处理软件进行土壤温度和发射率的分离。运用高斯滤波平滑法对研究区野外测的土壤样品热红外发射率光谱数据进行滤波去噪处理。其次,对不同土壤含盐量热红外发射率光谱数据进行特征分析;然后在原始热红外发射率光谱数据的基础上进行4种形式的数学变换,分析热红外发射率光谱数据的变换处理形式与土壤含盐量之间的定量相关性。最后,使用多元回归方法建立预测模型并进行精度评价。结果表明：经过数据变换处理后,发射率光谱差异性有所提高;以平方根变换后的热红外光谱数据建立的预测模型效果较好,R2达到0.82。该研究将热红外遥感独特的发射率光谱特性应用于土壤盐渍化的实际科学问题中,为定量地分析盐渍土热红外发射率光谱信息提供参考。 相似文献
7.
基于高光谱的复垦农田土壤有机质含量估测 总被引：3，自引：0，他引：3
为了快速准确估算矿区复垦土地土壤有机质含量,以永城矿区复垦农田为例,在土样有机质含量测定和高光谱数据测量的基础上,对土壤高光谱数据进行多种预处理并与有机质实测含量进行相关性分析,利用相关系数进行P=0.01水平显著检验,确定敏感波段,建立一元线性回归、多元逐步回归和偏最小二乘回归等多种有机质含量与高光谱估测模型。结果表明:经过数学变换的土壤光谱反射率与土壤有机质含量相关性显著提高,复垦区土壤光谱经过多元散射校正和一元微分处理并利用偏最小二乘回归模型建模预测效果最好。当前较少有研究对矿区复垦农田土壤有机质进行高光谱估测,本研究成果可为有效利用高光谱遥感技术,快速、有效地测定复垦农田土壤有机质含量提供技术支撑。 相似文献
8.
土壤有机质与水分反射光谱响应特征综合作用模拟 总被引：2，自引：0，他引：2
土壤有机质与水分均对土壤反射光谱特征有显著的影响,但其作用机理难以定量描述。通过对黑龙江省典型黑土区土壤野外高光谱反射率的测定,研究了该区土壤的光谱反射特征;利用BP神经网络方法,以土壤有机质与水分数据作为输入层,以土壤光谱反射率一阶微分作为输出层,建立黑土有机质与水分的高光谱预测模型,并对模型的稳定性和预测能力进行检验。结果表明:土壤有机质与土壤表层0~20 cm含水量之间具有显著的相关性,相关系数为0.59;1570 nm波段处的一阶微分为输出层的模型精度最高,RMES达到0.017,平均绝对误差为0.014,平均相对误差为0.110;模型检验结果表明建立的BP神经网络模型具有良好的稳定性;土壤有机质、含水量对土壤光谱反射率的综合作用得到较准确的描述,可以用于野外土壤有机质与水分的速测。 相似文献
9.
基于盲源分离的稀疏植被区土壤含盐量反演 总被引：1，自引：0，他引：1
植被对土壤光谱的干扰是目前土壤盐渍化遥感监测的重要限制因素之一,探索消除稀疏植被覆盖区植被对光谱影响的方法,对提高土壤含盐量遥感反演精度具有重要意义。本文通过对189组不同植被覆盖度且不同盐渍化程度种植微区野外实测地表可见-近红外反射光谱进行分析,比较并评价了基于原始光谱和盲源分离(blind source separation,BSS)后光谱预测土壤含盐量的结果。结果表明:地表植被覆盖严重影响基于可见-近红外反射光谱的土壤含盐量反演精度。盲源分离方法,尤其是基于方程z=tanh(y)的独立分量分析(independent components analysis,ICA)算法,可有效分解植被和土壤的混合光谱,并提高植被覆盖下基于可见-近红外反射光谱的土壤含盐量反演精度。该方法为植被覆盖区大尺度土壤盐渍化遥感监测提供了方法指导。 相似文献
10.
典型龟裂碱土土壤光谱特征影响因素研究 总被引：5，自引：4，他引：1
为了提高基于土壤光谱特征预测土壤盐渍化程度的准确性,需要研究土壤光谱特征的因素影响。该文通过对野外、室内预处理、不同含水率、粒径和粗糙度条件下龟裂碱土表层土壤光谱的测定,系统研究了不同因素对龟裂碱土光谱特征的影响。结果表明:土壤碱化程度越强表层土壤光谱反射率越高,在450~925 nm范围内,碱土表层野外光谱反射率比重度、中度、轻度碱化土壤和非碱化土壤野外光谱反射率高7.36%、23.18%、32.10%和39.97%;765、945和974 nm附近是龟裂碱土盐渍化信息的敏感波段;相同土壤经过室内预处理后反射率明显低于野外土壤,且预处理后不同碱化程度土壤间光谱反射率差异也小于野外光谱。土壤含水率较低时,随着土壤含水率的增加土壤光谱反射率逐渐降低,但当含水率高于田间持水率时土壤反射率随土壤含水率的增加而增加,在整个研究波段含水率为26.45%时土壤反射率较含水率为22.33%和25.39%的反射率平均分别升高39.68%和19.79%。土壤粒径越小反射率越高,较大粒径土壤在760~768 nm形成独特的"双峰"现象。土壤粒径越大反射率受表面粗糙度的影响越小,且土壤表面越粗糙光谱吸收率越大。整体来讲,在450~1000 nm波段范围内,不同碱化程度的龟裂碱土野外表层土壤光谱特征差异显著;室内经过预处理后的龟裂碱土土壤光谱特征差异主要取决于土壤含水率,而碱化程度和土壤表面粗糙度的变化对其影响较小。该研究可以为龟裂碱土盐渍化信息的准确预测提供科学依据。 相似文献
11.
不同粒径土壤的光谱特征差异分析 总被引：6，自引：1，他引：5
《土壤通报》2015,(2):292-298
通过野外采集土样,研磨后获取不同粒径(2、1、0.5、0.25、0.15和0.05 mm)土壤,在暗室内进行光谱测定。分别采用光谱数据微分变换和连续统去除的方法,研究不同粒径土壤的光谱特征差异,探索不同粒径处理对土壤光谱特征的影响。结果表明:不同粒径土壤的平均光谱反射率在全波段、可见光、红外波段都随土壤粒径的减小而增加;土壤光谱反射率与土壤粒径呈负相关关系。微分变换放大了某些在原始光谱数据中比较隐晦的信息。可见光、全波段平均反射率均在土壤粒径0.25 nm时,呈现出更明显的增长趋势,而红外波段则在土壤粒径0.15 mm时,增长趋势更为明显;土壤光谱在450和490 nm处的吸收峰值随土壤粒径的减小呈多项式分布;土壤全波段光谱反射率随着粒径的减小呈幂函数增长。 相似文献
12.
基于典型研究区植被冠层实测高光谱数据和HSI高光谱影像数据,通过相关分析选择与不同深度土壤含水量响应敏感波段,建立两者的土壤含水量反演模型,并用实测高光谱土壤含水量反演模型校正HSI影像土壤含水量反演的模型。结果表明:土壤含水量响应敏感波段区域为450~650 nm和850~920 nm;两种土壤含水量反演模型对土壤深度为0~10 cm的土壤含水量估算效果最好,其中实测冠层高光谱土壤含水量反演模型精度高于HSI影像土壤含水量反演模型,判定系数(R~2)分别为0.659和0.557;经过校正的HSI影像土壤含水量反演模型精度有了较大的提高,判定系数(R~2)从0.557提升到0.719,均方根误差(RMSE)为0.043 5,较好地提高了区域尺度条件下土壤含水量监测精度,因此运用该方法进行土壤含水量遥感监测是可行的,为进一步提高区域尺度下土壤含水量定量遥感监测提供参考借鉴。 相似文献
13.
利用高光谱和GF-1模拟多光谱进行土壤有机质预测和制图研究 总被引：3，自引：1，他引：3
利用土壤有机质(SOM)高光谱数据和模拟GF-1多光谱影像的波段响应函数生成的宽波段多光谱模拟数据,对比高光谱预处理和构建土壤植被指数,探索模拟GF-1光谱预测SOM的潜力。研究表明,SOM的一阶微分高光谱和模拟GF-1光谱数据构建的土壤指数与SOM的相关性最好。PLSR建模分析表明采用一阶微分高光谱数据可以很好的对SOM进行预,而且模型稳健(R2=0.962,RPD=4.87);模拟GF-1光谱也可以较好的进行SOM的预测,但是模型的稳定性相对较差R2=0.557,RPD=1.43。同时,SOM制图的空间分布表明,采用一阶微分光谱数据和模拟GF-1数据预测得到的SOM含量与实测的SOM表现出相似的空间分布特征。这为采用多光谱数据进行大尺度、大范围的SOM预测提供了基础。 相似文献
14.
翅碱蓬野外光谱对土壤化学性质的响应 总被引：1，自引：1，他引：0
翅碱蓬(Suaeda salsa)是土壤盐渍化较为严重的地区常见的植被类型,研究翅碱蓬群落特征可以间接反映下方土壤的化学性质。通过野外采集的17个翅碱蓬野外光谱数据和相应土壤样品的理化分析数据,探讨了土壤化学性质和翅碱蓬野外光谱之间的关系。结果表明,翅碱蓬二阶导数光谱1 121nm波段可用来反映土壤有机质和全氮的含量变化,二阶导数光谱1 208nm波段可以很好地反映土壤全磷的含量变化,一阶导数光谱353nm波段可以很好地反映土壤速效钾的含量变化最好,二阶导数光谱724nm波段可以很好地反映土壤pH值的变化,而反映土壤盐分含量变化最好的为一阶导数光谱950nm,这为翅碱蓬覆盖的区域利用遥感技术进行土壤化学性质监测奠定了基础。 相似文献
15.
消除水分因素影响的野外原状土壤盐分高光谱建模估测 总被引：4，自引：2，他引：2
土壤水分被确定为土壤属性(有机碳、盐分等)光谱预测准确性下降的一个主要原因,该文通过两种方法的对比旨在探索去除土壤水分影响、提高盐分高光谱定量估测精度的方法和技术路线。首先以山东省东营市垦利区为研究区,采用地物光谱仪测定了96个样本的野外原状土和室内风干土光谱,并进行一阶导数变换;接着,对比分析盐分光谱特征及水分的影响;然后分别采用外部参数正交化(external parameter orthogonalization,EPO)和非负矩阵分解(non-negative matrix factorizing,NMF)方法校正和融合野外原状土光谱,去除土壤水分因素的影响,形成野外原状土光谱的校正和融合光谱;最后基于野外原状土光谱、校正和融合光谱,分别采用多元逐步线性回归(multiple step linear regression,MSLR)和偏最小二乘回归(partial least squares regression,PLSR)构建土壤盐分含量的估测模型,并进行验证和比较,分析预测精度变化。结果显示:土壤水分对野外原状土光谱及盐分光谱特征影响较大,需要研究去除;EPO和NMF均可提高土壤盐分野外原位光谱估测精度,比较而言,NMF效果更为显著;EPO结合PLSR或NMF结合MSLR可作为去除水分影响的土壤盐分校准模型的技术路线。 相似文献
16.
北京典型耕作土壤养分的近红外光谱分析 总被引：7，自引：2，他引：5
为研究土壤养分含量分布信息,以从北京郊区一块试验田采集的72个土壤样品为试验材料,应用傅里叶变换近红外光谱技术分析了土样的全氮、全钾、有机质养分含量和pH值。采用偏最小二乘法(PLS)对光谱数据与土壤养分实测值进行回归分析,建立预测模型,以模型决定系数(R2)、校正标准差(RMSECV)、预测标准差(RMSEP)和相对分析误差(RPD)作为模型精度的评价指标。结果表明,利用该模型与光谱数据对土壤全氮、全钾、有机质养分含量和pH值进行预测,结果与实测数据具有较好的一致性,最高决定系数R2达到0.9544。偏最小二乘回归方法建立的养分预测模型能准确地对北京地区褐土土质全氮、有机质、全钾和pH值4种养分进行预测。 相似文献
17.
基于EPO算法去除水分影响的土壤有机质高光谱估算 总被引：2，自引：0，他引：2
野外进行土壤有机质的光谱快速预测时需考虑土壤含水量的影响。在室内设计人工加湿实验分别获取9个土壤含水量梯度(0~32%,间隔4%)的土壤光谱数据,分析土壤含水量变化对光谱的影响,再利用外部参数正交化法(external parameter orthogonalization,EPO)进行湿土光谱校正,并结合偏最小二乘回归和支持向量机回归分别建立土壤有机质预测模型。结果表明,土壤光谱反射率随着土壤含水量的增加呈非线性降低趋势,偏最小二乘回归模型的预测偏差比为1.16,模型不可用;经EPO算法校正后,各土壤含水量梯度之间的光谱差异性降低,能实现土壤有机质在不同土壤含水量梯度的有效估算,偏最小二乘回归和支持向量机回归模型的预测偏差比分别提高至1.76和2.15。研究结果可为田间快速预测土壤有机质提供必要参考。 相似文献
18.
高光谱遥感是监测土壤盐渍化的重要手段之一，但野外光谱反射率易受土壤水分的影响，导致盐分监测精度难以保证。为有效消除水分因素，提高土壤含盐量反演精度，该研究以银川平原盐渍化土壤为研究对象，以野外土壤光谱反射率（reflectance，Ref）和实测土壤含盐量为数据源，分析不同含水率的土壤光谱特征，将反射率经过一阶微分（first derivative of reflectance，FDR）、正交信号校正（orthogonal signal correction，OSC）和一阶微分-正交信号校正（first derivative of reflectance - orthogonal signal correction，FDR-OSC）变换，分析各光谱数据与含盐量、含水率的相关性，确定最佳“除水”方法，然后基于支持向量机（support vector machine，SVM）建立土壤含盐量反演模型。结果表明：1）含水率与土壤光谱反射率呈反比，光谱在1 430、1 950、2 200 nm附近存在吸收带，1 950 nm附近为最主要吸收波段，且存在向长波漂移的现象。2）光谱数据与含水率相关性由强到弱的顺序为：Ref、OSC、FDR、FDR-OSC；与含盐量相关性由强到弱的顺序为：FDR-OSC、FDR、OSC、Ref。3）基于FDR-OSC“除水”的SVM含盐量模型决定系数Rc2、Rp2和相对分析误差（relative prediction deviation，RPD）分别达到0.952、0.960和5.04，具有极强的拟合和反演能力。研究结果可为银川平原及同类地区土壤含盐量的精准监测提供科学依据。 相似文献
19.
土壤水分在干旱地区生态系统中起着重要的作用,同时土壤含水量是确定土壤干旱的重要参数。通过分析野外和室内实测土壤发射率光谱特征参数与含水量之间的关系,采用光谱特征分析参数提取反演土壤含水量的最佳敏感波段,发现波长在9.4802~9.7901 μm土壤含水量对其发射率最为敏感。根据最佳敏感波段的范围,模拟MODIS,ASTER,HJ-1B卫星的热红外波段,对波段及波段比值与土壤含水量进行回归分析,得出波段比值的线性模型可有效地反演出土壤的含水量。然后对该模型进行验证分析,确定模拟ASTER卫星传感器的12和14两个热红外波段的发射率比值与土壤含水量的线性关系,其反演精度更高。建立了适合研究区的土壤热红外发射率与含水量之间的反演模型。 相似文献
20.
基于高光谱数据预测土壤碱化程度最佳模型及其影响因素的研究 总被引：3，自引：0，他引：3
为快速准确地估测土壤碱化程度,对实测波段范围为400~900 nm的土壤光谱数据进行了波段差、波段比、波段归一化3种预处理,采用偏最小二乘法(PLSR)建立了不同波段范围的土壤pH的预测模型,并利用测试集数据对模型进行精度检验。结果表明:采用归一化、波段比2种方式对原始光谱进行预处理,可有效地增强光谱与土壤pH的相关性,并抑制干扰信息,其中归一化最优。虽然可见光波段范围(400~750 nm)所建立的预测模型与全波段(400~900 nm)预测模型R2相同,但其RMSEP比全波段减少了0.059,RPD提高了0.2,说明该波段范围包括了反映土壤pH的大部分信息,是建立其预测模型的优势波段。因此,利用可见光波段的光谱数据,采用归一化预处理可以具有较好稳定性和预测能力地预测土壤pH的最佳模型(R2=0.90,RMSECV=0.104)。 相似文献