共查询到17条相似文献，搜索用时 609 毫秒
1.
基于近红外光声光谱的土壤有机质含量定量建模方法 总被引：13，自引：7，他引：6
该研究的目的在于应用近红外光声光谱技术结合不同的定量分析方法实现5种不同类型土壤有机质含量的快速估测。对中国中、东部地区5种不同类型土壤风干样本进行光谱扫描,经过多元散射校正、一阶导数、二阶导数及平滑等预处理后,应用逐步多元回归(SMLR)、主成分分析(PCR)、偏最小二乘法(PLS)和偏最小二乘法-反向传播神经网络(PLS-BPNN)等方法建立土壤有机质含量的定量估测模型。结果显示,不同预处理方法对所建土壤有机质含量估测模型的预测精度有较大影响,总体表现为多元散射校正+Norris一阶导数>多元散射校正>Norris一阶导数>标准正态化>Norris二阶导数>吸光度>Savitzky-Golay平滑后一阶导数>Savitzky-Golay平滑后二阶导数。对于4种不同建模方法,均以多元散射校正+Norris一阶导数滤波平滑后的光谱建模精度最高,其中采用PLS-BPNN方法建模效果最好,其次是PLS、SMLR和PCR。采用PLS-BPNN建立有机质校正模型具有极高的预测精度,建模决定系数和均方根偏差分别为0.97和1.88,模型测试决定系数和均方根偏差分别为0.97和1.72。因此,基于多元散射校正+Norris一阶导数光谱建立的PLS-BPNN模型可能是土壤有机质含量估测建模的最优方法。 相似文献
2.
为了评价国产星载高分五号(GF-5)高光谱影像估测土壤有机质(SOM)含量的潜力,以及不同土壤类型对SOM含量光谱估测精度的影响,本研究以黑龙江省建三江农垦区为研究对象,获取了覆盖研究区域的GF-5高光谱影像和188个土壤样本。对提取的样点GF-5光谱反射率数据进行了反射率倒数、对数、一阶微分等9种光谱数学变换,并采用相关系数法确定了SOM含量的光谱敏感波段。采用偏最小二乘回归(PLSR)线性统计建模方法,对研究区域全部土壤类型以及草甸土、沼泽土、黑土等主要土壤类型,分别构建了光谱全波段和敏感波段的SOM含量估测模型,并进行了精度评价。结果表明,基于GF-5光谱数据的研究区域全部土壤类型的SOM含量估测精度不理想,最优模型精度决定系数(R2)为0.265,均方根误差(RMSE)为4.647%,相对分析误差(RPD)为1.135;不同类型土壤在SOM含量光谱估测精度差异较大,草甸土和沼泽土的SOM含量估测精度不高,但黑土的SOM含量估测精度较高,其中全波段光谱反射率对数一阶微分(LnR)′的SOM含量估测精度最高,R~2=0.729,RMSE=1.065%,RPD=1.850,SOM含量估测模型可用。按照不同土壤类型构建SOM含量估测模型可以进一步挖掘GF-5高光谱遥感估测SOM含量的潜力。 相似文献
3.
基于高光谱特征的土壤有机质含量估测研究 总被引：6，自引：1，他引：5
在室内条件下,利用ASD2500高光谱仪测定了潮土和水稻土自然风干土壤样品的光谱。通过系统分析两种不同类型土壤的高光谱特征差异及其有机质含量的敏感波段区位,建立了土壤有机质含量的光谱估测模型。结果表明,具有相同有机质含量的两种类型土壤整体光谱变化趋势无明显差别,但反射率表现出明显差异,一阶导数变换能较好地显现谱图中的肩峰。潮土和水稻土有机质的敏感波段集中在相同区域,原始反射率在685 nm处相关性最高,而一阶导数光谱在554 nm处相关性最高。通过对整体样本的多元逐步回归分析,筛选出两种土壤有机质相同的敏感波段为800 nm、1 398 nm和546 nm。进一步以一阶导数为自变量,基于1 400nm和554 nm两个波段构建了土壤有机质差值指数SOMDI及估测模型,即Y=4.19 12.85×(R_FD554 R_FD1 400)。利用独立的样本对建立的光谱模型进行了检验,预测决定系数均达0.79以上。上述结果表明,利用高光谱技术可实现土壤有机质的快速监测与诊断。 相似文献
4.
盐渍化土壤光谱特征的区域异质性及盐分反演 总被引：18，自引：5，他引：13
该文通过分析中国新疆、浙江、吉林3个不同地区盐渍化土壤的高光谱特征,研究了盐渍化土壤高光谱特征的区域异质性,并对构建高精度的跨区域土壤盐分高光谱定量反演模型,应用25种数据处理方式来提高全局建模的精度,旨在提高具有光谱异质性土壤的盐分反演精度。结果表明:不同地区的盐渍化土壤,无论是反射率还是光谱曲线形态方面,均存在较明显的差异,但经过一阶微分处理后,光谱差异有所降低;对3个地区土壤盐分含量局部建模与全局建模的精度进行比较,在所选用的直线回归、主成分回归、多元线性回归、偏最小二乘回归4种建模方法中,全局建模精度均低于局部建模精度;不同地区盐渍化土壤的盐分敏感波段不一致,在所采用的25种数据处理方式中,SG3点一阶微分(savitzky golay)、SG5点一阶微分、SG7点一阶微分、线性基线校正+SG3点一阶微分、SG平滑+SG3点一阶微分、SG平滑+线性基线校正+SG3点一阶微分这6种数据处理方式对全局建模的建模精度有明显改善作用,模型的相对分析误差均达到2.0以上,其中以SG平滑+SG3点一阶微分为最佳,其决定系数、均方根误差、相对分析误差分别为0.80、0.43、2.23。研究结果为跨区域土壤盐渍化的航天高光谱遥感监测提供了一定的参考依据。 相似文献
5.
去除水分影响提高土壤有机质含量高光谱估测精度 总被引：9，自引：5，他引：4
土壤水分的影响是当前采用光谱分析法预测土壤养分含量的关键问题,该文旨在探索去除土壤水分影响、提高有机质高光谱定量估测精度的方法。首先采用地物光谱仪进行湿土和过筛干土的高光谱测试,并进行一阶导数变换;然后,采用奇异值分解(singular value decomposition,SVD)结合相关分析筛选土壤水分特征光谱,构建去除水分因素的修正系数,形成湿土光谱的校正光谱;最后基于校正前后湿土光谱,应用偏最小二乘(partial least squares,PLS)回归构建土壤有机质含量的估测模型,并对模型进行验证和比较,分析评价校正前后光谱的预测精度。结果显示:按土壤水分含量梯度划分的2组和全部棕壤及褐土土样共4组样本校正后建模决定系数和均方根误差分别为0.85、0.82、0.74、0.76和0.19%、0.20%、0.23%、0.19%,决定系数提高了0.02~0.09,均方根误差降低了0.01~0.03百分点,验证决定系数、均方根误差和相对分析误差分别为0.78、0.77、0.72、0.76,0.21%、0.15%、0.21%、0.15%和2.03、2.02、1.86、1.98,决定系数提高了0.06~0.15,均方根误差除褐土土样提高0.02百分点外,其他样本组降低了0.01~0.08百分点,相对分析误差提高了0.17~0.43,模型决定系数和相对分析误差得到显著提升;尤其对于土壤水分含量变异系数较小的3组土样,模型从待改进级别提高到性能良好级别,对土壤有机质含量具有较好的预测准确性。说明该方法用于去除土壤水分因素影响和提高有机质含量高光谱估测精度的有效性。 相似文献
6.
7.
同时估测土壤全氮、有机质和速效氮含量的光谱指数研究 总被引：1，自引：0，他引：1
通过系统分析我国中、东部地区5种不同类型土壤风干样本的有机质、全氮及速效氮含量与近红外(1 000～2 500 nm)光谱反射率之间的关系,进而构建了适合同时估测这3种养分含量的光谱参数及定量估算模型。结果表明,同时与3种养分指标相关较高的波段范围为1 879～1 890与2 050～2 100 nm,其中1 881和2 070 nm两个波段的反射率经多元散射校正及Savitzky-Golay平滑处理并构建而成的差值指数DI(CR1 881,CR2 070)与土壤有机质、全氮及速效氮含量具有良好的线性相关性。独立的观测资料检验显示,基于DI(CR1 881,CR2 070)的估测模型对全氮、有机质和速效氮的预测决定系数R2分别为0.83、0.79和0.72,均方根误差(RMSE)分别为0.20 g kg-1、4.71 g kg-1和23.96 mg kg-1,相对分析误差(RPD)分别为2.56、2.30和2.93。表明DI(CR1 881,CR2 070)是一种可同时估测土壤中3种养分含量的良好光谱指数。 相似文献
8.
黑土有机质含量高光谱模型研究 总被引：54，自引：0，他引：54
通过对黑龙江省典型黑土区土壤样品高光谱反射率的室内测定,研究了典型黑土可见光/近红外波段光谱反射特性;利用多元统计分析方法,以土壤光谱反射数据及其数学变换数据作为自变量,以黑土有机质含量对数变换数据作为因变量,建立黑土有机质含量高光谱预测模型,并对模型的稳定性和预测能力进行检验。结果表明:(1)620~810nm波段范围是黑土有机质的主要光谱响应区域,最大响应值在710nm附近;(2)对光谱数据进行归一化处理可以部分消除不同土样测试过程中存在的噪声;(3)模型及其检验的决定系数R2都在0.9以上,模型的总均方根差RMSE均小于2.1,模型具有很好的稳定性和预测能力,可以用于黑土有机质含量的快速测定;(4)归一化一阶微分模型为最优预测模型。 相似文献
9.
光谱变换方法对黑土养分含量高光谱遥感反演精度的影响 总被引：3，自引：1，他引：2
高光谱遥感反演黑土养分含量时,光谱变换方法对提取精度具有显著影响,为明确二者响应关系,提高反演精度和稳定度,该文以黑龙江建三江地区为研究区,引入航空高光谱成像系统CASI-1500,获取380～1 050 nm数据进行分析。均匀采样60个样品,化验获得其有机质、全氮、全磷和全钾含量数据,利用神经网络方法对有机质含量、支持向量机对氮、磷、钾含量进行建模。对比研究了重采样（RE）、对数倒数（LR）、一阶微分（FD）、包络线去除（CR）和多元散射校正（MSC）变换5种光谱变换后的提取精度。结果表明：MSC、MSC、LR和RE光谱变换方法分别应用到有机质、氮、磷和钾特征波段的组合运算中,得出黑土养分含量的空间分布精度相对最高,预测样本的决定系数分别为0.748、0.673、0.631和0.420。 相似文献
10.
黑土土壤中全氮含量的高光谱预测分析 总被引：16，自引：5，他引：11
为实现快速、准确估测土壤氮素含量水平,推动土壤信息化管理进程,该研究利用ASD2500高光谱仪在室内条件下测定了风干土壤样品的可见—近红外光谱。结果表明,通过不同的变换,光谱反射率对数的一阶导数与土壤全氮含量相关性得到增强,以400～600 nm波段范围内相关性最好。该文确定了以反射率对数的一阶导数光谱预测黑土全氮（TN）含量的最佳回归模型,模型所用的波段为可见光波段的556 nm、近红外的1 642和2 491 nm。同时,也确定了利用由可见光波段550和450 nm组成的归一化光谱指数预测黑土TN含量的最佳预测模型。模型通过验证达到较好的效果：利用反射率对数的一阶导数、归一化光谱指数对土壤TN的预测R2分别为0.863、0.829,均方根误差RMSE分别为0.122、0.152。 相似文献
11.
褐潮土的光谱特性及用土壤反射率估算有机质含量的研究 总被引：19，自引：0，他引：19
本文通过ASDFR便携式光谱仪对132个风干土壤样品的光谱反射率进行了实验室测定。根据土样光谱反射率变化,获得了褐潮土土壤剖面的不同诊断层反射光谱特征。结果表明,在400～1200nm范围之间,土壤有机质含量与土壤光谱反射率有较好的相关性。利用导数光谱方法建立了预测土壤有机质含量的方程,提出了预测北京地区褐潮土有机质光谱的最佳波段。在波长447nm处采用反射率和A值(反射率倒数的对数)所建立的预测方程的预测精度较高。采用反射率的一阶微分建立的预测方程的最佳波段在516nm处。而A值一阶微分光谱在615nm处相关性最好。作为一项参考指标用光谱分析法评价土壤中有机质含量,以期对精准农业中土壤养分或肥力的预测具有一定的指导作用。 相似文献
12.
基于高光谱的砂姜黑土含水量反演研究 总被引：2，自引：1，他引：1
在实验室条件下,以地物光谱仪(350~2 500 nm)为工具,利用光谱反射率(R)、反射率的一阶微分(R′)、反射率的对数(log R)、反射率的倒数(1/R)、反射率对数的一阶微分(log R)′和去包络线(Rc)6种处理方法,研究了4种不同土种的砂姜黑土含水量与光谱反射率的定量关系。结果表明:砂姜黑土不同土种间光谱特征存在一定差异,且4种土的光谱反射率都随土壤含水量升高而下降。在可见-近红外波段,以R′提取的敏感波长与含水量的相关系数最高,敏感波长集中分布在712、807、1 142、1 570、1 850、2 221 nm等。基于上述波长反射率所建立的土壤含水量预测模型的决定系数达到了0.89,且其模型检验的均方根误差仅为4.6 g/kg,实现了对砂姜黑土含水量较为准确的预测。本研究为非接触、快速地测定砂姜黑土含水量提供了数据基础。 相似文献
13.
基于连续统去除法的南疆水稻土有机质含量预测 总被引：1，自引：1，他引：1
监测土壤有机质含量状况,可为土壤肥力诊断及土壤资源的合理开发利用提供科学依据。本研究通过对南疆191个水稻土样品的反射率数据进行连续统去除处理后,构建了有机质连续统去除光谱指数并提取了850~1 380、1 380~1 550、1 730~2 150、2 150~2 380 nm 4个波段的吸收特征参数,据此建立了多种定量反演模型。结果表明:经连续统去除后,有机质的吸收特征得到了有效放大,不同有机质含量的连续统去除曲线在850~1 380 nm,其有机质含量与连续统去除值呈正相关,与吸收面积呈负相关,而在1 730~2 150 nm波段则呈现相反的规律。反射率连续统去除值与有机质含量的相关性要优于反射率与之的相关性,而反射率一阶微分与连续统去除一阶微分与有机质的相关性差异不明显。不同有机质光谱指数模型之间的建模参数与预测能力差异不大,但均只具备初略估测有机质的能力。吸收特征参数模型中,仅有850~1 380 nm波段的面积归一化最大吸收深度(NMAD850~1380nm)所建模型具有较好的定量预测能力。以反射率、反射率连续统去除、反射率一阶微分、反射率连续统去除一阶微分所建的PLSR模型均具有较好的预测能力,相对分析误差均大于2.00。所有模型中,连续统去除一阶微分(CR′)模型的决定系数与相对分析误差最高,分别为0.91、2.58,均方根误差最低,其值为5.62,具有最好的预测能力。 相似文献
14.
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
15.
基于30年长期定位试验,通过测定黑土光谱反射率和不同腐殖质组分含量,探究了不同施肥对黑土土壤腐殖质含量、土壤颜色及二者之间的关系。试验设置5个处理:(1)休耕(Fallow);(2)不施肥处理(CK);(3)单施化肥(NPK);(4)有机肥部分替代化肥(NPKM);(5)秸秆部分替代化肥处理(NPKS)。结果表明:与NPK处理相比,Fallow、NPKS、NPKM分别显著提高49.7%,74.3%,27.0%的土壤有机碳含量(p<0.05)。NPKM处理中胡敏酸(HA)含量最高为3.9 g/kg,随后依次为CK、NPKS、NPK、Fallow。NPKM、NPKS和Fallow处理中土壤富里酸(FA)含量为2.2~2.3 g/kg,显著高于NPK和CK。NPKM处理中胡敏素(HM)含量为18.6 g/kg,显著高于其他处理(p<0.05)。不同处理间土壤光谱反射率由高到低依次为NPK>Fallow、CK>NPKS>NPKM,与CK处理相比,NPK土壤光谱反射率在平均提高6.5%,NPKS和NPKM则分别降低11.1%和15.1%。根据线性相关分析结果,黑土土壤光谱反射率与土壤HAHM均呈显著负相关关系(p<0.01),相关系数(r)分别为-0.858,-0.681。综合上述结果,长期有机物料投入可以显著提高黑土腐殖物质含量,降低黑土光谱反射率,使黑土颜色加深,而长期化肥施入则使黑土光谱反射率提高,出现"褪色"现象,有机粪肥在黑土中对土壤有机质和腐殖质含量的提升效果优于秸秆。 相似文献
16.
土壤含水量对反射光谱法预测红壤土壤有机质的影响研究 总被引：9，自引：2，他引：7
研究土壤含水量对有机质预测的影响,可为野外红壤有机质快速测定提供理论依据。本文在实验室条件下测量了不同含水量红壤的可见光-近红外光谱反射率,运用偏最小二乘回归(PLSR)建立不同含水量的土壤有机质预测模型。结果显示,随土壤含水量的增加,有机质与一阶微分光谱的相关性先增加后下降,含水量为100～150 g/kg时相关系数最大。分380～2 400、380～1 300、1 300～2 400 nm三个波段建立不同含水量的有机质预测模型,模型预测精度均随土壤含水量增加而呈现先增加后下降的趋势。利用1 300～2 400 nm建立有机质预测模型可以有效避开氧化铁影响,建立的模型预测精度最高。本研究认为,当土壤含水量小于200 g/kg时,可以利用在室内控制条件下测定的土壤反射率,建立1 300～2 400 nm波段的PLSR模型,进行红壤土壤有机质含量预测。 相似文献
17.
基于灰度关联-岭回归的荒漠土壤有机质含量高光谱估算 总被引：13，自引：7，他引：6
为改善高光谱技术对荒漠土壤有机质的估测效果,该文采集了以色列Seder Boker地区的荒漠土壤,经预处理、理化分析后将土样分为砂质土和黏壤土2类,再通过光谱采集、处理得到6种光谱指标:反射率(reflectivity,REF)、倒数之对数变换(inverse-log reflectance,LR)、去包络线处理(continuum removal,CR)、标准正态变量变换(standard normal variable reflectance,SNV)、一阶微分变换(first order differential reflectance,FDR)和二阶微分变换(second order differential reflectance,SDR)。通过灰度关联(gray correlation,GC)法确定SNV、FDR、SDR为敏感光谱指标,采用偏最小二乘回归(partial least squares regression,PLSR)法和岭回归(ridge regression,RR)法,构建基于敏感光谱指标的土壤有机质高光谱反演模型,并对模型精度进行比较。结果表明:砂质土有机质含量的反演效果要优于黏壤土;基于SNV指标建立的模型决定系数R~2和相对分析误差RPD均为最高、均方根误差RMSE最低,所以SNV是土壤有机质的最佳光谱反演指标;对SNV-PLSR模型和SNV-RR模型综合比较得出,SNV-RR模型仅用全谱4%左右的波段建模,实现了更为理想的反演效果:其中,对砂质土有机质的预测能力极强(R_p~2为0.866,RMSE为0.610 g/kg、RPD为2.72),对黏壤土有机质的预测能力很好(Rp2为0.863,RMSE为0.898 g/kg、RPD为2.37)。荒漠土壤有机质GC-SNV-RR反演模型的建立为高光谱模型的优化、土壤有机质的快速测定提供了一种新的途径。 相似文献