共查询到16条相似文献，搜索用时 203 毫秒
1.
基于高光谱的土壤有机质含量预测模型的建立与评价 总被引：17，自引：1，他引：17
【目的】土壤有机质含量是反映土壤肥力的重要特征，利用高光谱技术对有机质（OM）含量进行定量化反演为土壤信息化管理和资源评价提供了重要的依据。【方法】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，分析了不同区域范围土壤光谱反射率曲线形状变化和土壤有机质含量的变化特点，并针对东北地区以黑土为主的土样光谱反射率不同变换形式与有机质含量进行了相关性分析。【结果】结果表明，有机质含量较高的黑土的光谱曲线与其它土壤类型的光谱曲线在形状上有很大差异，即在600～900 nm附近，以黑龙江土样为代表的东北黑土表现为直缓上升，而河南和山东的潮土则表现为曲陡上升。相关分析结果表明，土壤有机质含量与原始光谱反射率在545～830 nm呈显著负相关，其中在580～738 nm波段范围内达到极显著负相关。与一阶导数光谱相关性进一步增强，在481～598 nm呈现极显著负相关，而在816～932 nm和1 039～1 415 nm波段范围内具有极显著的正相关性。土壤有机质含量与部分波段处的吸收深度和反射峰高度也表现为不同程度的相关性。【结论】利用570～590 nm波段的一阶导数光谱和1 280 nm处反射峰高度P_Depth1280可以较好地预测东北主要土壤类型有机质含量。在此基础上建立了土壤有机质含量的高光谱反演模型并进行了验证。 相似文献
2.
基于Hyperion数据的耕地土壤有机质含量遥感反演 总被引：2，自引：0，他引：2
为了探究耕地土壤有机质含量与卫星影像光谱间的关系,确定土壤有机质的光谱特征,构建土壤有机质含量反演模型.利用Hyperion高光谱卫星影像和福建省三明市80个土壤调查样点分析数据,对土壤有机质与光谱指数相关性进行了分析;在提取特征光谱指数的基础上,分别基于敏感波段和特征指数建立线性模型和多元逐步回归模型.结果表明:土壤有机质含量在Hyperion高光谱782.95~813.48 nm波段具有良好的响应能力;反射率的一阶导数所建立的模型拟合效果最优,其R2为0.777,RMSE为5.31,验证模型有机质实测值与预测值的R2为0.809,表明它能够用于区域有机质含量的快速测定. 相似文献
3.
不同类型土壤的光谱特征及其有机质含量预测 总被引：17，自引：1，他引：17
【目的】构建适合土壤有机质含量估测的高光谱参数及定量反演模型。【方法】系统分析中国中、东部地区5种不同类型土壤风干样本有机质含量与350～2 500 nm波段范围高光谱反射率之间的关系,利用特征光谱参数和BP神经网络建立土壤有机质的定量估测模型。【结果】光谱一阶导数构成的两波段光谱参数与土壤有机质含量的相关性明显优于原始光谱,尤其采用Norris平滑滤波后导数光谱效果更好。光谱参数构成形式以差值指数最好,其次为比值和归一化指数。与土壤有机质含量相关程度最高的光谱参数是由可见光区554 nm和近红外区1 398 nm两个波段的一阶导数组合而成的差值指数DI(D554,D1398),两者呈显著指数曲线关系,拟合方程为y= 184.2 ×exp[-1297×DI(D554,D1398)],决定系数为0.90。经不同类型土壤的观测资料检验,模型预测决定系数为0.84,均方根误差RMSE为3.64,相对分析误差RPD为2.98,显示估测模型具有较好的预测精度。另外,利用BP神经网络结合偏最小二乘法(PLS)对导数光谱进行分析,提取贡献率达到99.56 %的前6个主成分建立了三层BP 神经网络模型,模型决定系数为0.98,经不同类型土壤的观测资料检验,模型预测决定系数为0.96,RMSE为2.24,相对偏差RPD为4.83。比较利用DI(D554,D1398)和BP网络进行土壤有机质含量的预测结果,前者精度低于后者,但可以满足土壤有机质监测的需要。【结论】利用差值光谱指数DI(D554,D1398)和BP神经网络模型均可实现对土壤有机质的精确估测。 相似文献
4.
【目的】研究荒漠区梭梭幼苗植株冠层光谱特征,建立基于高光谱的幼苗生境土壤氮素含量最佳估测模型,为荒漠区植物与土壤养分状况的实时监测与精确诊断提供重要依据。【方法】以古尔班通古特沙漠梭梭幼苗及其生境土壤为研究对象,采用便携式光谱仪测定幼苗植株冠层光谱反射率,结合室内分析的幼苗生境土壤氮素含量,利用统计学方法分析幼苗植株冠层光谱与生境土壤氮素含量之间的关系。【结果】生长期内幼苗植株冠层光谱反射率一阶微分与土壤氮素含量在403～485、509～538、677～806、1 489～1 616 nm波段范围内呈显著正相关,其中在428、516、751、801、1 534 nm处呈极显著正相关,以751 nm处的相关系数最大,为最强敏感波长。【结论】基于植株冠层光谱反射率一阶微分敏感波段建立的反演模型Y=133.186X_(751)+8.803,其决定系数最大,相对误差最小,拟合效果最优,预测精度较高,可作为荒漠区梭梭幼苗生境土壤氮素含量的最优估算模型。 相似文献
5.
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
6.
为了探寻快速、准确估测土壤有机质含量的方法以推动精准农业化进程,以北疆绿洲农田灰漠土为研究对象,通过野外实地调查收集土壤样品,室内化学分析测得土壤样品有机质含量,暗室内利用SVC HR-768高光谱仪测定土壤样品光谱反射率。通过对土壤光谱反射率进行倒数、对数、一阶微分、倒数的一阶微分、对数的一阶微分变换,运用单相关分析法提取土壤光谱特征波段,采用多元逐步方法对土壤有机质含量定量反演,分析研究土壤有机质含量和室内土壤光谱的特征关系。结果表明,在波长567、1 697 nm和2 221 nm处,采用反射率对数的一阶微分建立的土壤有机质含量反演模型预测精度最高,模型决定系数达到0.82。北疆绿洲农田灰漠土土壤有机质含量高光谱反演模型的建立为土壤有机质的快速测定提供了新的途径。 相似文献
7.
土壤有机质遥感制图研究进展与展望 总被引：1，自引：0，他引：1
【目的】土壤有机质是衡量土壤肥力高低的重要指标,土壤有机质制图对了解土壤肥力空间分布格局,开展培肥地力、耕地质量评价、土壤碳循环研究、土壤污染治理等具有重要意义。基于遥感技术的土壤有机质制图是土壤学科新兴的研究方向和热点问题。文章全面总结土壤有机质遥感制图方法的发展和应用,展望未来土壤有机质遥感制图研究趋势,为土壤有机质制图工作提供参考。【方法】该文采用文献综述的方法,回顾和总结了近年来国内外土壤有机质遥感制图研究进展,对比分析了多光谱遥感法、结合遥感数据的土壤有机质预测性制图法、高光谱遥感影像直接法等3类土壤有机质遥感制图方法的优势和局限性;重点分析了影响成像高光谱土壤有机质制图精度的因素,阐述了土壤有机质光谱敏感波段、建模方法选择的研究进展、存在的问题及发展趋势。【结果 /结论】(1)多光谱遥感数据为土壤有机质制图提供了丰富的植被覆盖、土地利用、气候等土壤成土环境因素信息,广泛应用于大尺度范围或复杂地形区域的土壤有机质制图,但表达土壤有机质空间分布细微差异不够精细化;(2)高光谱遥感数据参与土壤有机质制图,提高了土壤有机质制图精细度,但需要加强土壤有机质光谱敏感波段优选以及适宜的土壤有机质高光谱建模方法研究;(3)中红外高光谱遥感具有土壤有机质预测和制图的潜力,该领域的发展值得期待。 相似文献
8.
[目的]利用高光谱遥感,对武夷山土壤有机质进行研究,建立了土壤有机质高光谱反演模型,为今后武夷山地区土壤有机质含量的快速测定提供理论依据。[方法]利用ASD Field Spec Pro地物光谱仪对不同有机质土壤进行光谱测量,采用有机质速测法对土壤有机质含量进行测定。[结果]762 nm为土壤有机质的敏感波段,其相关系数为-0.771,然后建立拟合方程为:Y=61.823-129.274x,拟合度为0.820。[结论]提出今后亚热带地区土壤高光谱的研究方向。 相似文献
9.
基于光谱指数的冬小麦变量施肥冠层光谱特征研究及产量分析 总被引：1，自引：0，他引：1
【目的】由适时获得的高光谱数据代替传统繁琐的实验室土壤养分测定数据来进行变量施肥，实现冬小麦高产优质的目标。【方法】本研究利用冬小麦起身期和拔节期冠层光谱数据，选用反映冬小麦长势信息的优化土壤调节植被指数（OSAVI，optimization of soil-adjusted vegetation index）和变量施肥模型进行变量施肥管理（变量区），以相邻地块常规非变量（均一）施肥区（对照区）为对照，研究了不同氮肥处理冬小麦冠层光谱特征及其施肥效应。【结果】变量施肥之后两种氮肥处理在敏感波段670 nm和760～900 nm处反射率差异明显，而670nm和760～900nm是氮素和冠层的敏感波段，说明进行变量施肥时，利用基于这两个波段组合的光谱指数OSAVI优于其它波段组合的光谱指数；SAVI不同生育时期的变化情况，反映了变量施肥在调控作物长势及群体结构上的优势；与对照区相比变量区提高产量达378.72 kg•ha-1，并降低了各小区产量之间的变异,变量区土壤硝态氮浓度降低，氮肥利用率提高，生态效益较为明显。【结论】该技术通过改善冬小麦群体质量，延缓了植株衰老，促进干物质和氮积累，增加冬小麦产量和氮肥利用率。 相似文献
10.
黄土高原煤矿区复垦农田土壤有机质含量的高光谱预测 总被引：6，自引：0，他引：6
【目的】针对黄土高原丘陵地多、地形复杂、有机质含量低、采样困难以及因采煤活动引起大面积土地损毁等问题,在土地复垦与综合整治过程中,为快速定量监测与评估复垦农田土壤质量提供一种新的方法。【方法】以山西省襄垣县复垦农田土壤为研究对象,选取由北向南土地损毁中间条带状区域采集样品152个,进行室内土壤农化分析、光谱测定,运用ParLes 3.1软件对光谱曲线进行多元散射校正（multipication scatter correction,MSC）、基线偏移（baseline offset correction,BOC）和Savitzky-Golay filter平滑去噪预处理。对土壤原始光谱反射率（raw spectral reflectance,R）作一阶微分（first order differential reflectance,D（R））和倒数的对数变换（inverse-lg reflectance ,lg（1/R））,分析3种不同变换形式的光谱数据与土壤有机质含量的相关性,相关系数通过P=0.01水平显著性检验来确定显著性波段的范围。基于全波段（400-2400 nm）和显著性波段利用偏最小二乘回归（partial least squares regression,PLSR）分析方法建立该区域土壤有机质含量高光谱预测模型,通过模型精度评价指标：决定系数（coefficient of determination,R2）、均方根误差（root mean square error,RMSE）和相对预测偏差（residual prediction deviation,PRD）确定最优模型。【结果】通过P=0.01水平显著性检验的波段范围为：R的400-1 800、1880-2 400 nm;D（R）的420-790、1 020-1 040、2 150-2 200 nm;lg（1/R）的400-1 830、1 860-2 400 nm。光谱与有机质含量的相关系数绝对值最大的波段是R的800 nm;D（R）的600 nm;lg（1/R）的760 nm。进行D（R）变换,光谱曲线的吸收特征更加明显,相关系数在可见光（400-800 nm）波段范围内有所增加,其最大值由0.72提高到了0.82;基于显著性波段的PLSR建模效果优于全波段,其中lg（1/R）变换的预测精度为最佳,具有很好的预测能力,其校正模型的R2和RMSE分别为0.95、7.64,预测模型的R2、RMSE和RPD分别为0.85、3.00、2.56;基于全波段的R-PLSR和lg（1/R）-PLSR模型具有较好的预测能力,其预测模型的R2、RMSE和RPD分别为0.79、3.64、2.10和0.79、3.53、2.17,而D（R）-PLSR模型只能进行粗略估测,其预测模型的R2、RMSE和RPD分别为0.61、5.43、1.41。综合分析全波段和显著性波段3种光谱数据的预测精度,发现基于显著性波段的R-PLSR、D（R）-PLSR、lg（1/R）-PLSR模型均取得了显著的预测效果。【结论】研究区土壤光谱反射率与土壤有机质含量具有高度的相关性,应用偏最小二乘回归分析方法可以很好地建立土壤有机质含量反演模型。 相似文献
11.
[目的]以陕西杨凌示范区耕层土壤为对象,通过采集、测定耕层土壤的有机质含量,并结合野外相应高光谱数据和光谱响应函数,利用模拟宽波段数据估测土壤有机质含量。[方法]通过分析土壤有机质含量与光谱间的内在关系,筛选敏感波段,构建估测土壤有机质含量模型;以宽波段波段响应函数、土壤高光谱数据为基础,通过模拟宽波段数据,构建估测土壤有机质含量模型;通过高光谱与模拟宽波段数据的对比分析,研究基于宽波段遥感数据定量估测土壤有机质含量的可行性。[结果]基于宽波段数据估测土壤有机质的精度相对较高。[结论]利用宽波段数据估测土壤土壤有机质含量具有可行性,2%并非利用光谱数据估测土壤有机质含量的下限。 相似文献
12.
定量分析了北京顺义、通州区土壤高光谱反射特征,利用资源三号、高分一号、高分二号传感器的光谱响应函数,结合高光谱数据生成相应宽波段模拟数据;将土壤光谱数据、拟合宽波段数据分别与实测土壤有机质含量开展相关性分析,提取并筛选敏感波段,利用偏最小二乘法建立基于高光谱数据的土壤有机质含量预测模型;依据宽波段模拟数据和实测土壤有机质含量的相关性,提取并筛选敏感波段,建立土壤有机质含量预测模型。结果表明,在基于土壤高光谱数据建立的土壤有机质含量预测模型中,以对数的一阶微分为最优,其R和RMSE分别为0.697和0.195,偏最小二乘法得到的反演土壤有机质含量的模型是可靠的;在基于模拟宽波段构建的土壤有机质含量估测模型中,以高分一号的拟合精度最高,R和RMSE分别为0.334和0.240;受室外不可控因素的影响,模拟宽波段数据在估测北方地区土壤有机质含量方面仍需进一步研究。 相似文献
13.
【目的】研究利用高光谱数据估算土壤表层有机质含量,为绿洲区大范围,快速,低成本,监测土壤表层有机质含量提供技术参考。【方法】以新疆博斯腾湖湖滨绿洲为研究区,采用地理加权回归模型,优选高光谱数据与土壤有机质含量的特征波段,构建研究区表层土壤有机质含量的高光谱估算模型。【结果】研究区表层土壤有机质含量变化不大,变化系数为55%,最小值为2.37 g/kg,最大值为51.47 g/kg,平均值为21.20 g/kg。土壤有机质特征波段主要集中在645~1 958 nm,其中1/R二阶的相关系数值最大为0.73,且在P=0.05水平下,通过显著性检验的波段数为83。构建的地理加权回归模型中,二维土壤指数1/R RSI建模效果最优,建模集R2=0.91,RMSE=2.56,验证集R2=0.95,RMSE=1.10。【结论】利用地理加权回归模型估算土壤有机质估算,建模效果可以达到一定的精度要求。 相似文献
14.
[目的]研究在野外直接测定土壤有机质含量的方法。[方法]以重铬酸钾容量法(外加热法)测定土壤样本有机质含量作为真实值,在不进行土壤样本预处理的前提下,利用近红外光谱直接扫描未作处理的土壤样本,测定土壤有机质含量,以其作为土壤有机质含量的预测值。[结果]利用620和1 900 nm的波长组合,可以较好地预测土壤有机质含量,预测模型(定标模型)的相关系数为0.9,极为显著。[结论]该模型对同类土壤有机质含量的预测效果很好,预测值与实测值的相关系数达到0.95。 相似文献
15.
高黎贡山东坡不同海拔梯度土壤有机质和全氮的垂直分布规律 总被引：1，自引：0，他引：1
通过测定高黎贡山东坡不同海拔高度0~20、20~40、40~60 cm土层土壤有机质含量、全氮含量,利用相关分析方法计算了有机质与海拔高度、全氮之间的相关系数。结果表明:海拔、土壤深度、植被类型、气温、降水量对土壤有机质有着显著影响。土壤有机质与全氮含量随海拔高度呈相似的变化趋势,两者在海拔高度2500 m左右达到最大值,而后略有降低再增加;在同一海拔高度,土壤有机质含量以及全氮含量随土层深度的增加而减少。0~20 cm土样的有机质含量明显高于其他两层,0~20 cm土壤有机质含量与20~40、40~60 cm土层土壤呈显著性差异,而20~40 cm和40~60 cm土层土壤差异不显著;海拔、土层深度、全氮含量、气温、降水量和土壤有机质含量具有显著相关性;植被类型中,河谷稀树灌木草丛的土壤有机质含量最低,寒温性灌丛草甸最高。中山湿性常绿阔叶林由于植被生长良好,群落结构复杂,枯枝落叶多,土壤有机质含量也较高;土壤有机质随气温的增加而减少;随降水量的增加呈增加趋势。 相似文献
16.
土壤水与有机质对高光谱的作用及交互作用规律 总被引：3，自引：0，他引：3
【目的】定量揭示土壤水分与有机质对高光谱的作用规律,为提高土壤水分、有机质的光谱估测精度提供基础。【方法】以山东省泰安市岱岳区90个棕壤土样为研究对象,进行室外光谱采集、室内土壤水分和有机质测定,运用Savitzky-Golay filter对光谱曲线进行平滑去噪预处理。根据含水量、有机质含量的高低将土壤样本分为9组,运用比较法对9组原始光谱数据进行分析,初步探究土壤水、有机质对光谱的作用规律。然后采用相关分析法,分析水、有机质与土壤原始光谱反射率(raw spectral reflectance,R)、光谱一阶微分变换(first order differential reflectance,D(R))以及分组光谱的相关性。在假定其他影响因素基本相同的条件下,利用有交互作用的双因素方差分析法,定量分析水、有机质对土壤光谱反射率、光谱一阶微分的作用程度及其交互作用。根据土壤水与有机质的交互作用规律,按相关系数较大而交互作用小的原则选取特征因子,采取偏最小二乘回归模型建立土壤有机质含量的高光谱估测模型,分析依据两者交互作用规律选取的因子对提高光谱估测模型精度的有效性。【结果】在田间持水量范围内,水对土壤光谱反射率影响起主要作用;水与有机质对土壤光谱客观存在交互作用,当土壤含水量小于10%时,600—1 800 nm的原始光谱能较好反映有机质的作用,而当土壤含水量大于15%时,有机质的作用几乎被水的作用所掩盖。水、有机质对土壤原始光谱的作用及其交互作用分别在360—1 800,410—1 800,509—1 800 nm达到显著水平,且三者均在1 951—2 450 nm达到显著水平(α=0.05);对土壤光谱的作用程度由大到小依次为:水、有机质、交互作用;在425—1 800 nm水对土壤光谱的作用大约是有机质的5—8倍,在1 950—2 300 nm为8—12倍;在350—2 500 nm有机质对土壤光谱的作用大约是水与有机质交互作用的2倍。光谱经一阶微分变换之后,在450—530、600—790、1 019—1 027、2 000—2 020以及2 045—2 075 nm土壤水的作用增强,而在其他波段处减弱;土壤有机质的作用在471—824、851—949、967—1 140、1 172—1 340、1 379—1 428、1 450—1 770、1 953—2 122、2 174—2 199以及2 271—2 342 nm处得到增强,而在其他波段处减弱。水与有机质的交互作用也在不同波段处有所变化,但相对于土壤水与有机质的作用变化幅度而言是相对减弱的。基于土壤水与有机质的交互作用规律选取的特征因子,所建立的土壤有机质高光谱估测模型精度有所提高,其中16个检验样本的决定系数R2由不考虑交互作用的0.6764提高到0.7934。【结论】研究表明,在反演土壤含水量时,可以不考虑有机质对光谱的影响;而在反演有机质含量时,必须要剔除水对反射率的影响,还要考虑水与有机质对光谱的交互作用。考虑水与有机质对土壤光谱的交互作用,可有效提高土壤有机质的光谱估测精度。 相似文献