共查询到18条相似文献，搜索用时 312 毫秒
1.
基于地类分层的土壤有机质光谱反演校正样本集的构建 总被引：3，自引：0，他引：3
以江汉平原滨湖地区不同土地利用类型的土壤样本为例,比较了基于目标土壤理化性质的浓度梯度法、扩展的基于多种理化性质的综合法(P-KS)、基于光谱信息的KS法、最邻近样本去除法(reduce nearest neighbor samples,RNNS)法和基于浓度分层并结合光谱信息的C-KS、C-RNNS法,基于地类分层再结合上述方法,构建具有不同层次土壤信息代表性的校正集,采用偏最小二乘回归法,建立土壤有机质可见光/近红外光谱反演模型。结果表明,具有单一代表性的浓度梯度法、KS法、RNNS法难以建立适用模型;具有光谱与理化性质二元代表性的C-KS方法模型预测精度得到了明显的提升,相对分析误差(ratio of performance to standard deviation,RPD)为1.66;考虑土地利用类型后,浓度梯度法、RNNS法与C-KS法模型预测精度有明显的提升,RPD分别达到了1.84、1.51、1.75,模型具有良好的适用性。说明具有多层次土壤信息代表性的校正集构建方法对提高土壤有机质可见光/近红外光谱反演模型的适用性具有较好作用。 相似文献
2.
土壤有机质含量可见-近红外光谱反演模型校正集优选方法 总被引：3，自引：2，他引：1
土壤有机质含量可见-近红外光谱反演过程中校正集的构建策略对模型的预测精度有重要影响。以江汉平原洪湖地区水稻土为研究对象,采用Kennard-Stone(KS)法,Rank-KS(RKS)和Sample set Partitioning based on joint X-Y distance(SPXY)法,构建样本数占总校正集不同比例的子校正集,通过偏最小二乘回归,建立土壤有机质含量的可见—近红外光谱反演模型。结果表明:KS法无法提高模型预测精度,但可以在保证标准差与预测均方根误差比(ratio of performance to standard deviation,RPD)2.0的前提下减少30%的校正样本;基于SPXY法的模型,当子校正集样本比例为总校正集的50%时达到最佳的模型预测精度,RPD为2.557;RKS法能够在保证预测精度的情况下(RPD2.0),最多减少总校正集70%的样本,对应模型RPD为2.212。当校正集与验证集的有机质含量分布相近时,能够以较少的建模样本达到与总校正集相近甚至更高的模型预测精度,提升土壤有机质光谱反演模型的实用性。 相似文献
3.
中红外光谱波段(2.5 ～ 25 μm)对土壤有机质内部分子振动高度敏感,基于中红外光谱技术的土壤有机质含量估测是土壤学科新兴的研究方向和热点。文章采用文献综述的方法,全面总结了土壤有机质含量中红外光谱估测方法的发展和应用,简述了中红外光谱响应与土壤有机质分子结构的相关性研究,对比分析了室内台式、手持式和机载中红外光谱设备估测土壤有机质含量的优势和局限性,比较分析了中红外、近红外、可见光 - 近红外光谱及其光谱组合估测土壤有机质含量的模型精度和稳定性,总结分析了基于中红外光谱技术的土壤有机质含量建模方法研究进展,以及土样制备、光谱数学变换、敏感波段选择等前处理对土壤有机质含量估测精度的影响研究,最后提出了土壤有机质含量中红外光谱估测存在的问题及发展趋势,为土壤有机质含量的测定工作提供参考。 相似文献
4.
淮北平原土壤高光谱特征及有机质含量预测 总被引：3，自引：0，他引：3
以安徽省淮北平原的蒙城县为研究区,采集131个表层土壤(0～20 cm)样品。采用Cary 5000分光光度计测定土壤光谱反射率,分析该地区典型土壤类型的光谱特征,利用偏最小二乘回归方法建立土壤有机质光谱预测模型。首先比较不同光谱变换对土壤有机质含量光谱预测建模的影响;其次根据光谱相似性对土壤样品进行分类,比较不同土壤类型和不同光谱分类的有机质光谱预测精度。结果表明:①不同土壤有机质含量和不同土壤类型光谱曲线在整体波段范围内趋势基本一致;有机质含量与光谱反射率呈显著负相关;有机质含量越低,曲线特征差异明显,可能是受其他因素的影响;②土壤光谱反射率经倒数的对数处理后,有机质光谱建模的决定系数和相对分析误差均有所提高,均方根误差降低,模型预测效果较优;③按照光谱相似性分类后建立的有机质光谱预测模型,比按土壤类型建立的光谱预测模型精度明显提高。 相似文献
5.
《土壤通报》2020,(3):505-510
为了实现土壤类型的快速无损识别,提出了一种利用可见-近红外光谱、基于极限学习机的土壤类型鉴别方法。首先,获取4种不同类型土壤的320个样本波长在325～1075 nm范围内的可见-近红外光谱数据;其次,用主成分分析的数学方法对数据进行降维处理,最终提取了三个主成分来代表原光谱数据;再次,将320个样本的数据随机分为测试集和预测集两个部分,建立极限学习机模型,利用该模型对土壤类型进行识别。实验结果表明,将极限学习机应用于土壤类型的识别精度可达100%,其训练速度和泛化性优于BP神经网络和支持向量机,能够快速、准确、无损鉴别土壤类型,使用方便,具有推广价值。 相似文献
6.
基于近红外光谱的土壤全氮含量估算模型 总被引：6，自引：2，他引：4
土壤全氮是诊断土壤肥力水平和指导作物精确施肥所需的重要信息,建立土壤全氮的近红外光谱估测模型并对建模波段进行优化选择对于土壤养分信息快速获取和精确农业发展具有重要意义。该研究以中国中、东部地区5种主要类型土壤为研究对象,利用近红外光谱仪采集土壤样品的光谱信息,结合近红外区域分子振动特点选取全谱、合频、一倍频、二倍频和N-H基团及其组合的8个波段,采用多元散射校正等多种预处理方法组合进行处理,结合偏最小二乘法(PLS)对每个波谱区域进行定标建模。结果表明,利用4000～5500cm-1波谱区域结合附加散射校正处理过的原始光谱建立的模型精度表现最好,其内部互验证决定系数达到0.90,均方根误差为0.16。经不同类型土壤的观测资料检验,模型验证决定系数为0.91,均方根误差为0.15,相对分析误差RPD为3.40,表明模型具有极好的预测能力。因此,利用近红外光谱可以实现土壤全氮的快速估测,且以合频波段(4000～5500cm-1)为建模区域可以得到更好的预测效果。 相似文献
7.
近红外光谱和机器视觉信息融合的土壤含水率检测 总被引：4，自引：2，他引：2
为了精确、快速和稳定测定土壤含水率以及扩大所建模型的适应性,该文提出了机器视觉与近红外光谱技术融合的土壤含水率分析方法。通过试验建立了湖北地区主要土壤基于近红外光谱的土壤含水率分析模型、基于土壤表层图像特征参数的含水率分析模型和机器视觉与近红外光谱信息融合的土壤含水率分析模型。结果表明,基于近红外光谱含水率分析模型虽然具有较高的精度,但该模型预测非建模样品黄绵土误差均大于4%;以图像特征参数H,S和V所建BP人工神经网络非线性预测模型最优,模型的决定系数R2为0.9849,但当土壤水分饱和（达到20%以上）时存在分析误差;而所建立的土壤的近红外光谱与机器视觉BP神经网络信息融合模型可预测非建模样品黄绵土与水分饱和达20%以上土壤,决定系数R2可达到0.9961,融合模型分析精度均高于单独使用近红外光谱或机器视觉分析模型。 相似文献
8.
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
9.
10.
全球土壤光谱库的建立,为利用可见-近红外光谱预测土壤属性提供了参考集,如何从光谱库中挑选合适的建模集以实现对局部地区土壤有机碳的高精度预测,是一个值得研究的问题。本研究基于欧氏距离、马氏距离和光谱角三种光谱相似性指数,探索利用全球光谱库预测局部地区土壤有机碳的有效策略,并比较了不同光谱相似性指数、不同建模集数量及不同建模方法对预测精度的影响。研究表明:(1)三种相似性算法较全局模型均极大提升了预测精度,其中光谱角预测精度稍高,最佳预测精度为R~2=0.75,RPD=1.73;(2)建模数量对建模精度有较大影响,三种算法的最佳建模集数量范围在本研究中约为400～500(0.71R~20.75,1.56RPD1.73);(3)针对光谱角算法,建模集数量较少(50)时,赋值预测精度较高(R~20.6,RPD1.4);建模集数量较多(50)时,PLSR建模预测精度较高(R~20.6,RPD1.4)。 相似文献
11.
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
12.
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
13.
基于环境因子和联合概率方法的土壤有机质空间预测 总被引：2，自引：1，他引：1
<正>土壤连续属性(如土壤中养分含量、重金属含量等)的空间分布特征和定量分布信息是进行土壤质量评价和区域环境综合评估的基础。精准农业战略的实施和各种区域生态评价均需要更详细更精确的土壤属性信息作为依据[1-2]。因此,土壤属性空间预测一直是土壤学研究的热点问题。经典地统计学以各种克里格插值法为代表,是土壤属性空间预测中的常用方法。但该方法缺乏对辅助信息(如环境信息)的有效利用[3-4],导致预测精度降低[5]。而土壤景观定量模型的理论依据就是土壤与环境的关系,但该法忽略了采样点之间的空间相 相似文献
14.
B. Kempen G. B. M. Heuvelink D. J. Brus J. J. Stoorvogel 《European Journal of Soil Science》2010,61(3):333-347
This paper compares three models that use soil type information from point observations and a soil map to map the topsoil organic matter content for the province of Drenthe in the Netherlands. The models differ in how the information on soil type is obtained: model 1 uses soil type as depicted on the soil map for calibration and prediction; model 2 uses soil type as observed in the field for calibration and soil type as depicted on the map for prediction; and model 3 uses observed soil type for calibration and a pedometric soil map with quantified uncertainty for prediction. Calibration of the trend on observed soil type resulted in a much stronger predictive relationship between soil organic matter content and soil type than calibration on mapped soil type. Validation with an independent probability sample showed that model 3 out‐performed models 1 and 2 in terms of the mean squared error. However, model 3 over‐estimated the prediction error variance and so was too pessimistic about prediction accuracy. Model 2 performed the worst: it had the largest mean squared error and the prediction error variance was strongly under‐estimated. Thus validation confirmed that calibration on observed soil type is only valid when the uncertainty about soil type at prediction sites is explicitly accounted for by the model. We conclude that whenever information about the uncertainty of the soil map is available and both soil property and soil type are observed at sampling sites, model 3 can be an improvement over the conventional model 1. 相似文献
15.
This paper reports on the influence of the number of samples used for the development of farm‐scale calibration models for moisture content (MC), total nitrogen (TN) and organic carbon (OC) on the prediction error expressed as root mean square error of prediction (RMSEP) for visible and near infrared (vis‐NIR) spectroscopy. Fresh (wet) soil samples collected from four farms in the Czech Republic, Germany, Denmark and the UK were scanned with a fibre‐type vis‐NIR, AgroSpec spectrophotometer with a spectral range of 305–2200 nm. Spectra were divided into calibration (two thirds) and prediction (one third) sets and the calibration spectra were subjected to a partial least squares regression (PLSR) with leave‐one‐out cross‐validation using Unscrambler 7.8 software. The RMSEP values of models with a large sample number (46–84 samples from each farm) were compared with those of models developed with a small sample number (25 samples selected from the large sample set of each farm) for the same variation range. Both large‐set and small‐set models were validated by the same prediction set for each property. Further PLSR analysis was carried out on samples from the German farm, with different sample numbers of the calibration set of 25, 50, 75 and 100 samples. Results showed that the large‐size dataset models resulted in smaller RMSEP values than the small‐size dataset models for all the soil properties studied. The results also demonstrated that with the increase in sample number used in the calibration set, RMSEP decreased in almost linear fashion, although the largest decrease was between 25 and 50 samples. Therefore, it is recommended that the number of samples should be chosen according to the accuracy required, although 50 soil samples is considered appropriate in this study to establish calibration models of TN, OC and MC with smaller expected prediction errors as compared with smaller sample numbers. 相似文献
16.
基于光谱吸收特征的土壤含水量预测模型研究 总被引：7，自引：0，他引：7
为了定量分析土壤含水量与反射光谱特征之间关系,并为土壤含水量速测提供理论依据。以黑土作为研究对象,测定实验室光谱反射率,利用去包络线方法提取反射光谱特征指标,建立土壤水分含量高光谱预测模型。结果表明:黑土含水量与1 420 nm、1 920 nm附近吸收谷的主要光谱特征(吸收谷深度、宽度、面积)呈显著正相关;1 920 nm附近吸收谷可作为黑土土壤水分的特征吸收谷,由其光谱特征参数预测黑土含水量;以1 920 nm附近吸收谷面积为自变量建立的一元线性回归模型预测精度高,输入量少,可以作为土壤含水量速测仪器研制的理论依据。 相似文献
17.
Elton Mammadov Michael Denk Frank Riedel Karolina Lewinska Cezary Kaźmierowski Cornelia Glaesser 《Communications in Soil Science and Plant Analysis》2020,51(16):2111-2136
ABSTRACT This study aimed to predict soil properties using visible–near infrared (VIS-NIR) spectroscopy combined with partial least square regression (PLSR) modeling. Special emphasis was given to evaluating effect of pre-processing methods on prediction accuracy and important wavelengths. A total of 114 samples were collected and involved in chemical and spectral analyzes. PLSR model of each soil property was calibrated for all pre-processing methods using all samples, and leave-one-out cross-validation was used to make comparisons between them. Then, PLSR model of each best pre-processing method was calibrated using a 75% of all samples and correspondingly validated with the remaining a 25%. Model accuracy was evaluated based on coef?cient of determination (R2), root mean-squared errors (RMSE), and residual prediction deviations (RPD). The high correlation coefficients were found between the tested soil properties and reflectance spectra. The pre-processing methods considerably improved prediction accuracy and filtering methods outperformed linearization methods, and the latter outperformed normalization methods. The performance of cross-validation, calibration and independent validation was similar. An excellent prediction (RPD>2.5) model was obtained for soil organic carbon (SOC) and calcium-carbonate (CaCO3), good quantitative (2.0< RPD<2.5) prediction for sand, silt, and clay, fair prediction (1.4< RPD<1.8) for pH, and poor prediction (1.0< RPD<1.4) for hygroscopic water content (WC). Important wavelengths varied depending on soil property, but some wavelengths were common. This study can be a precursor to building a pioneering soil spectral database, calibrating satellite data, and hyperspectral image mapping of soils as well as digital soil mapping, environmental, and erosion modeling in the Caucasus Mountains. 相似文献
18.
牛肉质构特性的近红外光谱无损检测 总被引：3，自引：2，他引：1
为了建立基于近红外光谱技术的牛肉质构特性快速检测方法,该试验采集了202个新鲜牛肉样品在800～2500 nm波长范围内的漫反射光谱,测定了牛肉的硬度、弹性、咀嚼性和黏附性,经小波消噪后,分别采用平滑、一阶微分、二阶微分等6种方法预处理,建立了牛肉质构特性的偏最小二乘回归模型,并用最优模型进行预测。结果表明：经小波消噪后采用二阶微分预处理方法建立的牛肉硬度、弹性、咀嚼性的检测模型效果最好,其校正集相关系数 r 均在0.9以上,校正集均方根误差（root means square error of calibration,RMSEC）分别为6.247 N、0.760 mm、14.954 mJ,预测集相关系数均在0.664以上,预测集均方根误差（root means square error of prediction,RMSEP）分别为8.887 N、0.951 mm、22.117 mJ,相对预测误差（ratio of prediction to deviation,RPD）值分别为2.43、1.88、2.32,预测精度较高,能够有效地预测牛肉的硬度、咀嚼性,可以检测精度要求不高的牛肉弹性;试验所建立的牛肉黏附性检测模型的预测性能不是很理想,虽然其校正集和预测集相关系数较高（分别为0.720、0.694）,RMSEC 和 RESEP 均较小（分别为0.302、0.243 N·mm）,但其 RPD 值小于1.5,模型预测精度较差,不可以用于预测未知样品的黏附性,此方法还需进一步研究。研究结果为牛肉质构特性的快速无损评价提供了理论依据。 相似文献