共查询到18条相似文献，搜索用时 203 毫秒
1.
松嫩平原主要土壤类型含水量高光谱预测模型 总被引：4，自引：1，他引：4
为了消除土壤类型的影响,提高土壤含水量高光谱预测精度,以松嫩平原四种典型土壤(黑土、黑钙土、草甸土、风砂土)实验室高光谱反射率为研究对象,对反射光谱曲线进行去包络线处理,提取光谱特征参数;并对反射率进行多种数学变换,分析不同土壤类型、含水量水平的反射光谱特征差异,建立考虑土壤类型差异的含水量高光谱预测模型。研究结果表明:1)混合土壤类型难以提取有效的光谱特征参数进行土壤含水量预测;2)将风砂土与其他土类分开,其他土类利用光谱特征参数建模的精度高;3)基于光谱特征参数的一元线性回归精度高,输入量少。研究成果为多个土壤类型含水量高光谱预测提供了科学依据。 相似文献
2.
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
3.
4.
应用近红外光谱结合化学计量学方法对蜂蜜产地进行了判别分析。kennard-Stone法划分训练集和预测集。光谱用一阶导数加自归一化预处理后,再用小波变换（WT）进行压缩和滤噪。结合滤波后光谱信息,分别用径向基神经网络（RBFNN）和偏最小二乘-线性判别分析（PLS-LDA）建立了苹果蜜产地和油菜蜜产地判别模型。对不同小波基和分解尺度进行了详细讨论。对苹果蜜,WT-RBFNN模型和WT-PLS-LDA模型都是小波基为db1、分解尺度为2时的预测精度最好,都为96.2%。对油菜蜜：WT-RBFNN模型在小波基为db4和分解尺度为1时,预测精度最好;WT-PLS-LDA模型在小波基为db9、分解尺度也为1时,预测精度最好,为90.5%;预测精度WT-PLS-LDA模型优于WT-RBFNN模型。研究表明：WT结合线性的PLS-LDA建模比WT结合非线性的RBFNN建模更适于蜂蜜产地鉴别;近红外光谱结合WT-PLS-LDA可实现对蜂蜜产地的快速无损检测,为蜂蜜产地鉴别提供了一种新方法。 相似文献
5.
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
6.
基于连续小波变换的潮土有机质含量高光谱估算 总被引：6，自引：4，他引：2
土壤有机质含量快速估算对于土壤肥力评价、土壤信息化管理和精准施肥具有重要意义。该文通过对北京顺义地区64个土壤样品高光谱曲线进行连续小波变换,估算了该地区潮土有机质质量分数,并与4种常用光谱变换方法进行了比较。结果表明,潮土具有与其他类型土壤类似的光谱曲线,经过去包络线处理后,在可见与近红波段都出现了明显吸收峰;采用连续小波变换方法所确定的潮土有机质估算的敏感波段为1194、486和866nm,对应小波分解尺度为2,3和4;利用小波能量系数与有机质质量分数所构建的多元线性回归模型的决定系数R2为0.67,模型实测值与预测值的检验精度R2为0.75,RMSE为0.21;而采用4种常用光谱变换方法建立的潮土有机质估测模型的R2最高只有0.09,说明连续小波变换方法更适合于潮土有机质质量分数估测。Kringing插值分析表明,应在顺义地区东南部增加取样点,以提高模型估算精度。该研究可为潮土土壤肥力的快速测定提供参考。 相似文献
7.
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
8.
快速准确监测土壤盐渍化可为土地资源合理开发利用与改良提供科学依据。利用 EM38-MK2大地电导仪和野外光谱仪测定的土壤表观电导率和光谱数据,构建表观电导率与土壤电导率的反演模型,依据相关性分析结果进行土壤盐渍化特征波段的提取,并采用反射率、反射率倒数和反射率一阶微分 3种数据变换形式构建土壤电导率的全波段与特征波段的偏最小二乘回归与主成分回归土壤盐分监测模型。研究结果表明,EM38-MK2测定的土壤表观水平电导率和表观垂直电导率相结合建立的电导率解译模型的拟合优度达到 0.89,在土壤盐渍化光谱建模中可快速提供电导率数据。全波段建模精度高于特征波段建模精度,偏最小二乘回归建模精度高于主成分回归建模精度,反射率一阶微分变换后建立的模型精度优于反射率倒数变换与反射率。研究区土壤电导率的预测模型选取经一阶微分变换后的全波段偏最小二乘回归建模方法为最佳模型,精度指标可达到 0.85,相对分析误差可达到2.56。 相似文献
9.
不同降噪方式下基于高分五号影像的土壤有机质反演 总被引：2，自引：3，他引：2
通过遥感技术预测土壤有机质(Soil Organic Matter,SOM)的空间分布是精准农业和土地资源管理研究的重要内容,与粮食安全及环境监测密切相关。该研究主要研究采用高分五号(GF-5)反演土壤有机质的最佳降噪方式。以黑龙江省典型黑土区明水县为研究对象,获取GF-5高光谱遥感影像,对影像进行不同降噪处理,包括奇异值分解(Singular Value Decomposition,SVD),离散小波变换(Discrete Wavelet Transform,DWT)及中值滤波(Median Filtering,MF)降噪。然而,分别结合二维光谱指数,应用随机森林(Random Forest,RF)方法预测不同降噪方式的SOM含量。结果表明:1)所选择的不同降噪方法中,与SOM含量的相关性由高到低依次为DWT、SVD、MF,其中,基于MF降噪后的光谱反射率与SOM含量相关性低于原始反射率与SOM含量的相关性。2)基于降噪方式下的光谱曲线更加平滑,且不同有机质含量对应的光谱曲线形状相似。3)采用DWT降噪方式,基于影像波段和光谱指数,以RF为预测模型的SOM最优反演模型精度R~2为0.69,均方根误差为2.26%。研究成果可为利用高光谱卫星数据实现大尺度范围内SOM的数字土壤制图提供参考,为实时定量监测土壤肥力变化提供依据。 相似文献
10.
基于高分5号影像的东北典型黑土区土壤分类 总被引：1，自引：1，他引：0
高精度的土壤分类及制图结果有助于更好地制定土地环境保护和土地资源利用策略。为探究星载高光谱影像实现区域尺度高精度土壤分类及制图的可能性,该研究获取东北黑土区拜泉县、明水县共计4幅高分5号(GF-5)星载高光谱遥感影像。首先,将原始反射率数据(Original Reflectance,OR)进行包络线去除处理获得去包络线数据(Continuum Removal,CR);其次,对OR和CR进行主成分分析(Principal Component Analysis,PCA)处理,分别得到反射率主成分信息(OR-PCA)和去包络线主成分信息(CR-PCA),并在OR-PCA和CR-PCA的基础上结合地形因子(Terrain,TA)。最后,OR、CR、OR-PCA、CR-PCA、OR-PCA-TA、CR-PCA-TA分别作为输入量结合随机森林分类模型,进行土壤分类并实现数字土壤制图。结果表明:1)包络线去除法可有效地提高星载高光谱土壤分类精度,与OR相比,CR的总精度提高了5.48%,Kappa系数提高了0.12。2)PCA可有效地降低高光谱数据的冗余性,提高模型的运算效率以及分类精度;与CR作为输入量相比,CR-PCA的土壤分类总精度提高了3.67%,Kappa系数提高了0.02。3)TA的引入显著提升了土壤分类精度,以CR-PCA-TA作为输入量的土壤分类精度最高,总精度为81.61%,Kappa系数为0.72,实现了高精度的土壤分类模型及土壤制图。研究结果可为大范围、高精度的土壤分类及制图提供新的思路。 相似文献
11.
基于CARS算法的不同类型土壤有机质高光谱预测 总被引：10，自引：8，他引：2
不同土壤类型的理化性质和光谱性质存在差异,以往研究多以高光谱反射率或光谱吸收特征建立模型,输入变量类型结构单一,往往导致土壤有机质(Soil Organic Matter,SOM)预测模型的精度不高。为提高SOM高光谱预测模型精度,该研究以黑龙江省海伦市为研究区,将不同类型土壤分别以竞争自适应重加权采样(Competitive Adaptive Reweighted Sampling,CARS)筛选的特征波段、数字高程模型(Digital Elevation Model,DEM)数据和光谱指数作为输入变量,结合随机森林(Random Forest,RF)算法建立SOM预测模型。结果表明:1)通过CARS算法筛选后,各土壤类型特征波段压缩至全波段数目的16%以下,在很大程度上降低土壤高光谱变量维度和计算复杂程度,从而提高了模型的预测能力,说明CARS算法在提取特征关键波段变量、优化模型结构方面起到重要作用;2)不同类型土壤的SOM预测精度存在差异,沼泽土的预测精度最高为0.768,性能与四分位间隔距离的比率(Ratio of Performance to InterQuartile distance,RPIQ)为3.568;黑土次之,草甸土的预测精度最低,仅0.674,RPIQ为1.848。3类土壤的RPIQ均达到1.8以上,模型具有较好的预测能力;3)局部回归预测精度最优,验证集的调整后决定系数为0.777,均方根误差(Root Mean Square Error,RMSE)为0.581%,模型验证RPIQ为2.689,模型稳定性高。该试验筛选的预测因子通过RF模型可实现SOM含量的快速预测,简化了传统复杂的程序,可为中尺度区域不同类型土壤的SOM预测提供依据,为输入量的选择提供参考。 相似文献
12.
基于三种空间预测模型的海南岛土壤有机质空间分布研究 总被引：9，自引：0，他引：9
为探索适合热带地形复杂区土壤有机质(SOM)含量的空间预测方法,以海南岛为研究区域,结合地形因子、归一化植被指数、土壤类型、土地利用类型变量,选用普通克里格法(OK)、回归克里格法(RK)、随机森林模型(RF)三种方法对训练集128个样点SOM含量的空间分布规律进行预测,并通过验证集32个验证点比较了三种方法的预测精度。结果表明:(1)0~5 cm土层三种方法的平均预测误差(ME)均接近于0,从均方根预测误差(RMSE)来看,RF(0.8867)RK(0.910 4)OK(0.9641),从决定系数(R~2)来看,RF(0.214 1)RK(0.171 5)OK(0.070 8)。综合以上三个参数,该土层最优拟合模型为RF。同理得出0~20、20~40、40~60 cm土层的最优拟合模型分别为RF、RF、OK。RK和RF能够更好地描述SOM含量局部变异信息;(2)四个土层SOM含量的均值分别为19.67、15.89、10.30、8.07 g kg~(-1),呈现出西南、东北高,西部、东南沿海地区低的空间分布趋势。 相似文献
13.
14.
以黄淮海平原典型县——封丘县为研究区，探讨了在一年两熟、裸土时间窗口较短的区域中，基于两景影像波段组合构建的双时相光谱指数在有机质含量预测中的表现。研究共计采集117个代表性土样，以分析筛选出的裸土期(10月)内双时相(获取时间：2014年10月6日和2017年10月30日)高质量Landsat 8卫星影像作为数据源，构建了4种类型的光谱指数：比值光谱指数、差值光谱指数、归一化光谱指数以及优化光谱指数，并结合最小绝对收缩和选择算子变量筛选方法和支持向量机算法建立了有机质预测模型。留一交叉验证结果表明，与直接使用影像波段反射率或者基于单景影像构建的光谱指数(单时相光谱指数)相比，利用双时相光谱指数可以更好地利用时相信息优势，其有机质预测精度更高(R2=0.53,RMSE=2.01 g/kg)。而且，基于双时相光谱指数所构建的预测模型得到的有机质空间分布格局与真实值较为吻合。可见，本文提出的在黄淮海平原典型县域利用双时相光谱指数预测土壤有机质的方法，可以促进具有短裸土期特点区域的高分辨率土壤属性遥感预测与制图研究。 相似文献
15.
基于Google Earth Engine和机器学习的耕地土壤有机质含量预测 总被引：2，自引：2，他引：0
土壤有机质含量是耕地质量定级的依据,是耕地质量评价的核心内容之一,因此,精准高效地获取土壤有机质含量非常重要。高分辨率遥感技术和谷歌地球引擎（Google Earth Engine,GEE）云计算平台的出现,为土壤有机质的高效反演提供了新的途径和方法。该研究以藁城区的Sentinel-2A MSI数据和Landsat8 OLI 数据为主要的数据源,结合Sentinel-1 SAR数据、ECMWF/ERA5气象数据和USGS/SRTMGL1_003高程数据,分别采用随机森林（Random Forest,RF）、梯度升级树（Gradient Boosting Decision Tree,GBDT）和支持向量机（Support Vector Machine,SVM）算法,在GEE平台对藁城耕地土壤有机质含量进行反演。结果表明：1）基于Sentinel-2A建立的模型（模型A*）在预测SOM含量方面优于基于Landsat8建立的模型（模型B*）,GDBT算法下的Sentinel-2A的全变量模型取得了最佳结果（R2=0.759,RMSE= 2.852 g/kg）;2）模型A-1对比模型A-0增加了红边波段,模型A-1比模型A-0提高了9.752%;3）从不同的预测算法来看,GDBT算法能较好地适用于研究区的土壤有机质预测,GDBT算法、Sentinel-2A与GEE的结合是SOM预测制图的一种有效方法。 相似文献
16.
Prince Chinedu Peter 《Communications in Soil Science and Plant Analysis》2017,48(17):2013-2031
This study reveals that soil organic matter (SOM) is 58% soil organic carbon (SOC) and the processes that govern SOM dynamics include those that promote SOM synthesis from organic inputs and those that decrease SOM through decomposition. Land use is a key determinant of SOC dynamics and spatial differences in SOM. Agricultural soils can accommodate extra carbon (C) between 140 and 170 Pg C. Globally sub soils store more than half of total SOC. The SOM can increase under no-tillage management even with low crop residue input. Soil tillage induces loss of carbon in macroaggregates (>250 μm) and a gain of carbon in microaggregates (<250 μm). The stage of plant development rather than plant species determines carbon dynamics from plants to soil, and the rate depends on the plant development. However, sorption of dissolved organic matter to mineral soil influences the stabilization of dissolved organic matter. 相似文献
17.
有机质对土壤光谱特性的影响研究 总被引：21，自引：2，他引：19
为了探明土壤有机质的光谱特征及其影响作用,从而为有机质土壤铁氧化物的定量反演提供理论依据。利用去有机质前后土壤的光谱数据,研究了有机质对土壤反射率、土壤线参数、土壤铁氧化物定量反演的影响。研究结果表明,去除有机质后,能明显提高土壤反射率,变化最明显的为可见光橙黄光波段,即570～630 nm。相关性分析也显示橙黄光波段反射率的相对变化量或差值与有机质去除量之间的相关系数要比其他波段高,相关系数最大值在600 nm。因此,建议采用570～630 nm的光谱数据进行有机质的反演;土壤线斜率在去有机质后明显降低,截距显著增大,二者变化量与有机质去除量呈极显著相关关系,可用土壤线参数预测有机质含量。有机质对铁氧化物的反演具有明显影响,特别是有机质大于20 g kg-1的土壤,在进行反演时应考虑有机质对反演精度的影响,需采取有效地技术手段消减其影响作用,才能达到较好的效果。 相似文献
18.
含水率对土壤有机质含量高光谱估算的影响 总被引：3，自引：1，他引：3
土壤含水率对有机质(soil organic matter,SOM)含量高光谱估算精度有很大的影响。为了探讨SOM高光谱估算中土壤含水率的影响,该文对烘干土、风干土和质量含水率为5%~40%(按5%递增)的土壤样本进行了室内高光谱测量,对光谱数据进行了反射率、反射率一阶导数和反射率倒数对数3种光谱数据变换,运用偏最小二乘回归法(partial least squares regression,PLSR)建立了相应的SOM估算模型。结果表明,风干土的SOM高光谱估算精度较好;当含水率水平小于25%时,SOM估算模型精度受含水率的影响较大,光谱数据进行反射率倒数对数变换后的模型精度最高;当含水率水平大于等于25%时,水分对土壤光谱反射率的影响要大于SOM,不适宜利用土壤光谱数据进行SOM含量高光谱估算。该研究可为大田环境不同含水率情况下光谱估算SOM提供参考。 相似文献