共查询到20条相似文献，搜索用时 15 毫秒
1.
《西南农业学报》2019,(10)
【目的】为更快速准确地估算土壤全钾含量。【方法】本文以土壤高光谱数据和实验室分析所得的土壤全钾含量数据为数据源,研究土壤光谱与土壤全钾含量的关系。在土壤原始光谱预处理的基础上,对其进行光谱平滑、一阶微分、二阶微分和倒数对数等光谱变换处理,筛选出与对土壤全钾含量相关性最高的光谱指标,最终建立模型预测土壤全钾含量。【结果】基于一阶微分变换的光谱变量是估算土壤全钾含量的最佳光谱指标,其构建的土壤全钾高光谱反演模型(y=2E+06x~2+11328x+16.372)效果最佳,决定系数R~2为0.64,均方根误差RMSE为4.850 g/kg。【结论】利用该模型快速估算广东省土壤全钾含量是可行的。 相似文献
2.
快速测定土壤重金属的含量,对防治土壤环境污染具有重要意义。本文以山东省烟台市的70个棕壤样本为研究对象,对室外光谱数据进行多种数学变换,根据极大相关性原则从光谱的一阶微分、对数倒数的一阶微分和倒数的一阶微分三种变换中选取5个波段作为反演因子,即:R_(1910.5)(一阶微分)、R_(674.1)(对数倒数的一阶微分)、R_(1609.4)、R_(1231.3)、R_(1127.3)(倒数的一阶微分),然后利用多元统计分析方法和BP神经网络方法分别建立土壤金属铬含量高光谱估测模型。实验结果表明,当利用多元统计分析方法建立估测模型时,14个检验样本的平均相对误差为4.906%,模型的决定系数R~2=0.971,其效果优于BP神经网络模型。研究表明,利用多元统计分析法建立土壤金属铬含量高光谱估测模型是有效的。 相似文献
3.
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
4.
为解决遥感技术在监测耕层土壤有机质方面的应用问题,利用表层土壤光谱对耕层土壤有机质含量进行估测。以山东省济南市章丘区的表层、耕层各76个土壤样本为研究对象,首先对表层光谱数据进行小波变换去噪、剔除异常样本等处理,然后对处理后的光谱反射率进行一阶微分等10种数学变换,在对数倒数一阶微分和对数一阶微分变换后的反射率数据中选取43个与土壤有机质含量相关系数较高的波段,通过主成分分析以累计贡献率大于90%的标准选取5个主成分作为反演因子,利用BP神经网络(BPNN)、支持向量机回归(SVR)和多元线性回归(MLR)方法建立耕层土壤有机质含量间接估测模型。结果表明,耕层土壤与表层土壤有机质含量之间决定系数R~2达到0.839,显著性P0.01,存在着较强的相关性BPN估测模型的精度最优,决定系数R~2为0.845,平均相对误差为7.642%,RMSE分别为1.622g·kg~(-1)。研究表明,利用表层土壤光谱信息间接估测耕层有机质含量是可行有效的,为耕层土壤有机质的估测问题提供了一种新思路。 相似文献
5.
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
6.
为促进土壤碳氮循环研究和土壤质量评价,选择松嫩平原中部青冈县为研究区,以表层(0～20 cm)土壤有机质含量为研究对象,利用土壤有机质野外采集点状数据,基于哨兵(Sentinel-2)卫星全波段数据,反演研究区内土壤有机质含量。通过一景数据建模,另一景数据验证的方式,探索验证哨兵数据在土壤有机质遥感识别的迁移性和区域适用性,并结合高程和坡度数据分析土壤有机质空间分布特征。结果表明,(1)采用Sentinel-2卫星影像数据结合地面数据,用偏最小二乘回归法构建土壤有机质含量反演模型时,4种参数-原始波段(REF)、倒数(1/R)、对数的倒数[log(1/R)]和倒数的对数(1/logR)中倒数(1/R)的效果最好。(2)本研究利用同一年临近期两景Sentinel-2影像数据,探讨模型在邻近区域的适用性,验证精度RMSE为0.147,模型可用于青冈周边区域的土壤有机质含量反演。(3)黑土地保护利用项目区内伴随着纬度的升高,有机质含量呈现下降的趋势：210～220 m高程的平均土壤有机质最高,>230 m高程的平均土壤有机质含量最低,有机质含量在各高程等级差异性不明显;坡度≤2°区域有... 相似文献
7.
博斯腾湖西岸湖滨带土壤盐分高光谱反演 总被引：3，自引：0，他引：3
选取博斯腾湖西岸湖滨带为研究区,沿垂直湖岸线方向采集14个土壤剖面70个样本,利用ASD FieldSpec3地物光谱仪获取高光谱数据,基于Q型聚类分析研究不同含盐量土壤光谱特征,对土壤光谱反射率与含盐量做逐波段相关分析和显著性检验,筛选不同光谱变换下的敏感波段,通过多元逐步回归和偏最小二乘回归方法,分别以敏感波段和全波段光谱构建12个土壤含盐量反演模型,优选最佳反演模型。结果表明:17种高光谱变换中, 4种最优光谱变换使土壤含盐量与Savitzky-Golay平滑后的反射率极显著相关波段数明显增多,分别是反射率的一阶微分、平方根一阶微分、对数倒数一阶微分、倒数对数一阶微分,综合确定盐分敏感波段聚集在749、1 024、1 083、1 230、1 677和2 387 nm处;以对数倒数一阶微分光谱全波段建立的偏最小二乘回归模型更适合该区0～50 cm土壤含盐量的高光谱反演,其建模和验证决定系数R~2分别为0.93和0.85,均方根误差RMSE分别为0.37和0.42,相对预测偏差RPD为3.57。 相似文献
8.
基于高光谱的喀斯特地区典型农田土壤有机质含量反演 总被引：1，自引：0，他引：1
【目的】利用高光谱数据定量反演喀斯特地区土壤有机质含量,为喀斯特地区快速、大范围、实时地监测土壤有机质含量提供更多的技术手段。【方法】利用机载高光谱成像系统和便携式地物光谱仪分别获取土壤光谱数据,基于原始光谱反射率和不同光谱变换数据,分析其与土壤有机质含量的相关性,以偏最小二乘法建立模型预测土壤有机质含量。【结果】2种数据源都可以用于土壤有机质含量预测,其中,基于ASD光谱一阶微分变换建立的模型预测精度较高,验证集决定系数(Rv~2)为0.910,相对分析误差(RPD)为2.68;基于GS光谱二阶微分变换建立的模型预测效果较好,验证集Rv~2为0.772,RPD为1.49。【结论】ASD光谱与GS光谱建模预测精度相差较大,ASD光谱客观条件影响较小、光谱波段更宽、光谱分辨率更高,具有更好的预测能力;低空无人机获取的GS光谱也具有一定的预测能力。 相似文献
9.
以托克托县境内120个土壤有机质含量以及对应光谱数据为数据源,探究了不同土壤类型与土地利用类型下土壤有机质高光谱反演研究的可行性,采用连续小波变换对原始光谱（R）、光谱倒数（1/R）、光谱对数（LnR）、光谱一阶微分（R′）进行分解生成小波系数并与土壤有机质进行相关系分析,提取特征波段建立BP神经网络与支持向量机模型（SVM）。结果表明：①R、1/R、LnR、R′与土壤有机质相关系数经过连续小波变换后,较之前增加了0.204、0.090、0.199、0.252,表明连续小波变换可深度挖掘光谱潜在信息,提升与有机质含量之间的相关系数。②未经过连续小波处理前,SVM无法实现对当地土壤有机质含量的预测,经过处理后,模型SVM-CWT-R与SVM-CWT-R′的精度决定系数分别达到了050、0.56,均方根误差为0.17、0.15,相对分析误差为1.62、1.53,实现了对土壤有机质的有效估算。③经过连续小波变换后BP神经网络预测模型结果得到提升,其中BP-CWT-LnR预测模型效果最佳,精度决定系数达到0.76,较之前BP-LnR提升了0.2;均方根误差达到015,降低0.04;相对分析误差为2.12,增加了0.87。因此利用BP-CWT-LnR高光谱反演模型进行区域土壤有机质遥感监测,可为当今精准农业提供理论参考与技术支持。 相似文献
10.
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
11.
《山东农业大学学报(自然科学版)》2021,(4)
本文以钢城区2个丘陵村耕地土壤为研究对象,通过野外采样、自然风干、化验分析、高光谱测定及数据处理等,确定最佳高光谱变换方式并筛选显著性波段,建立随机森林(RF)、支持向量机(SVM)、偏最小二乘回归(PLSR)和多元逐步回归(SMLR)4种估测模型,对比分析确定最佳估测模型。结果表明:高光谱变换处理可以扩大光谱曲线特征,提高与机质含量的相关性;一阶微分R’为最佳高光谱变换方式,筛选出706、1002、1359、1415、1886、1914和2221 nm 7个波段作为估测土壤有机质含量的显著性波段;建立的4种估测模型中,RF模型精度最高,其训练样本集R~2和RPD分别达到0.93、3.13,验证样本集R~2和RPD为0.73、1.87。因此,研究构建的R’-RF土壤有机质含量高光谱估测模型可为该丘陵区有机质含量的快速监测提供参考。 相似文献
12.
有机碳作为衡量土壤肥力的重要指标,其定量化快速监测成为精确农业研究的热点。以安徽淮北平原区宿州市采集的砂姜黑土为研究对象,进行室内理化分析、预处理与室外光谱测量等一系列工作,在土壤原始光谱反射率的基础上,采用去包络线和波段深度提取突出吸收特征,剖析土壤光谱响应特征。基于原始光谱和8种变换形式,分析不同变换光谱形式与有机碳含量的相关性,结合有机碳光谱响应特征分析和光谱特征参量挑选,确定诊断土壤有机碳含量的最佳敏感波段,利用逐步回归方法建立了土壤有机碳高光谱的预测模型。结果表明,550~750nm波段范围是典型砂姜黑土有机碳的主要光谱响应区域。去包络线和波段深度处理突出了土壤有机碳光谱吸收特征,随着有机碳含量的降低,吸收值呈现下降趋势。在不同光谱转换形式中,归一化比值指数(R/R_(M(450-750)))的转换形式与土壤有机碳相关性最强,最敏感波段分别出现在451 nm和644 nm处,相关系数分别达0.80和–0.90。相关性最好的波段范围主要集中在600~700 nm波段附近。基于相关分析与逐步回归分析方法,确定了606、637和644 nm波段处的归一化比值指数为诊断土壤有机碳含量的最佳敏感波段,基于最佳敏感波段的归一化比值指数(R_(606)/R_(M(450-750)),R_(637)/R_(M(450-750))和R_(644)/R_(M(450-750)))建立的高光谱预测土壤有机碳模型具有良好的预测效果,模型的决定系数(R~2)为0.81,均方根误差(RMSE)为0.14,展现了较好的稳定性和预测精度。 相似文献
13.
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
14.
博斯腾湖西岸湖滨绿洲芦苇地土壤盐分特征高光谱分析 总被引：2，自引：0，他引：2
《扬州大学学报(农业与生命科学版)》2016,(1)
以博斯腾湖西岸湖滨绿洲为研究区,统计分析芦苇地土壤盐分特征,通过多元线性回归分析建立芦苇地土壤盐分含量、Na~++K~+和Ca~(2+)的高光谱反射率估算模型。结果表明:1芦苇地土壤盐分含量平均值为4.21g·kg~(-1),为轻度盐渍化水平,不同株高下土壤盐分含量差异较大,标准误为9.37,方差为87.75;2不同芦苇株高下土壤高光谱反射率曲线特征表现为形态相似,基本平行,光谱的形状特征大致可以由910、1 200、1 450、1 910nm 4处的吸收带控制;3基于土壤高光谱反射率对土壤盐分含量、Na~++K~+和Ca~(2+)建立高光谱反射率估算模型进行定量反演具有良好精度:盐分含量高光谱反射率估算模型均方根误差(RMSE)为0.32,回归分析决定系数(R2)为0.88;Na~++K~+高光谱反射率估算模型RMSE为0.34,R~2为0.90;Ca~(2+)高光谱反射率估算模型RMSE为0.25,R2为0.93(F95%)。 相似文献
15.
水稻土中有机质光谱常常受到水分、秸秆等土壤背景的影响，为了减弱或去除非有机质组分对有机质光谱的影响，构建南方水稻土有机质估算模型。利用机载高光谱（GaiaSky Mini2 VN）作为数据源，对原始反射率进行单一和组合变换（去除包络线、倒数、对数、一阶微分、二阶微分单一变换和倒数一阶微分、对数一阶微分、倒数对数组合变换）提取一维特征光谱；通过对变化后光谱进行比值和归一化处理，提取二维特征光谱；构建基于特征光谱的线性（多元回归、偏最小二乘）和非线性（反向传播神经网络、支持向量机）有机质预测模型，监测南方水稻土有机质含量。结果表明：一维光谱变换能显著增强光谱对有机质响应的敏感度，二维光谱变换能充分挖掘光谱信息，增强有机质与光谱之间的内在联系，提高建模精度。非线性模型（BPNN、SVM）尤其是BPNN对土壤有机质拟合性好，建模精度高。基于原始反射率比值指数建立的BPNN模型建模精度达到0952，检验精度达到0889，建模效果最优。该结果适用于南方水稻土有机质监测，对机载高光谱在土壤有机质监测中的特征波段提取和建模方法选择具有重要借鉴意义，对现代农业发展管理提供新的思路。 相似文献
16.
基于高光谱数据的土壤有机质含量预测研究 总被引：1，自引：1，他引：0
[目的]快速、有效、非接触、非破坏性地提取土壤有机质含量信息.探索新疆绿洲农区如何应用高光谱遥感技术分析、模拟、评价、预测土壤有机质含量,促进高光谱分辨率遥感技术在农田土壤遥感诊断、作物科学种植、水肥分区管理、田间农情监测中的应用,为新疆实施精准农业提供科学理论参考.[方法]利用高光谱遥感技术提取土壤有机质含量信息的研究,采用美国ASD Field Spec Pro VNIR 2500型光谱辐射仪获取田间土壤不同有机质含量信息的高光谱反射率;通过光谱分析技术,运用各种土壤反射率数学变换形式,找出最具代表性的敏感波段,揭示土壤有机质含量与其光谱成因机理之间的内在联系.[结果]基于NDI预测土壤有机质含量的估算模型中以一元三次函数模型(YSOM=-4E+ 07XNDI3+ 2E+ 06XNDI2-21 338XNDI+ 110.44,R2=0.713 2)为最优,指数函数模型次之.[结论]基于归一化光谱指数NDI可以较好的估算土壤有机质含量,利用统计方法建立的经验模型,简单实用,将对特定区域、特定土壤的预测有较好的效果. 相似文献
17.
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
18.
土壤有机质含量的高光谱特性及其反演 总被引：35，自引：2，他引：35
【目的】应用高光谱技术阐释土壤有机质光谱规律及对有机质在土壤中的含量进行定量分析，为土壤肥力测定和评价提供指导。【方法】利用ASD FieldSpec Pro地物光谱仪在自然环境条件下对不同有机质含量的土壤样本进行光谱测量。通过对获取的土壤样品高光谱反射率进行倒数、导数、对数和标准化比值变换，运用统计单相关方法进行分析。【结果】确定了511 nm波长为诊断土壤有机质含量的敏感波段，采用450～750 nm可见光波段反射率均值对507～516 nm敏感范围反射率均值进行标准化比值处理后获得的有机质诊断指数（OII）对土壤有机质含量的估算精度较高，它们存在着简单的线性相关关系。【结论】土壤有机质诊断指数（OII）反演模型为土壤肥力的快速测定提供了新的途径。 相似文献
19.
《西南农业学报》2020,(2)
【目的】在三峡库区王家沟小流域,研究不同土地利用方式对SOM含量反演精度的影响。【方法】利用来自园地、旱地、水田3种土地利用类型土壤样本的有机质含量及高光谱数据,构建了不同土地利用方式下的土壤有机质含量反演模型。【结果】不同土地利用方式下的土壤有机质反演模型精度并不相同:水田土壤有机质含量反演模型精度最高(总相关系数为0.838,标定集和验证集的相关系数分别为0.865和0.776);旱地有机质含量反演精度居中,总相关系数为0.781;园地土壤标定集和验证集中土壤有机质预测值和实测值之间也具有显著的相关性,但其精度最低(总相关系数为0.700)。混合来自园地和旱地两种土地利用方式的土壤样本建立的紫色土土壤有机质含量反演模型精度(总相关系数为0.528)低于单一土地利用方式的土壤有机质含量反演精度。【结论】与土壤类型相比,有机质含量的反演精度对土地利用方式更为敏感。考虑土地利用方式的影响,有助于提高土壤有机质含量反演精度。 相似文献
20.
【目的】采用近红外光谱和不同建模方法测定土壤中的有机质和速效P含量。【方法】分别采集江西不同地区的土样240个,采集土壤样品的近红外漫反射光谱,以对光谱数据进行主成分分析得到的前6个主成分(PCs)和偏最小二乘回归(PLSR)建模得到的6个潜在变量(LVs),分别作为反向传播神经网络(BPNN)和偏最小支持向量机(LS-SVM)的输入变量,共建立6个模型,分别为主成分回归(PCR)、PLSR、BPNN-PCs、BPNN-LVs、LS-SVM-PCs和LS-SVM-LVs,并对这些建模方法预测土壤有机质和速效P含量的结果进行评价,从中筛选出最佳模型。【结果】在预测土壤有机质和速效P含量时,LS-SVM-LVs模型的预测效果优于PCR、PLSR、BPNN-PCs、BPNN-LVs和LS-SVM-PCs模型。用LS-SVM-LVs模型得到的有机质、速效P预测集的决定系数(R2)和均方差(RMSE)分别为0.873 4,0.780 1mg/kg和2.92g/kg,4.97mg/kg。【结论】将近红外漫反射光谱和LS-SVM、PLSR相结合可用于测定土壤有机质和速效P含量。 相似文献