1 塔里木大学农学院, 新疆 阿拉尔 843300
2 塔里木大学机械电气化工程学院, 新疆 阿拉尔 843300
3 浙江大学农业遥感与信息技术应用研究所, 浙江 杭州 310058
4 中国农业大学土地科学与技术学院, 北京 100083
5 塔里木大学园艺与林学学院, 新疆 阿拉尔 843300
土壤有机质(SOM)含量是制定枣园土壤施肥方案的主要依据。 合理的施肥方案对提升红枣品质、 减少农户投入和增加枣园产出有重要意义。 利用传统方法获取枣园SOM含量耗费时间和资源, 不符合枣园精准施肥管理的需求, 土壤有机质高光谱检测是一种有效的替代方法。 为筛选南疆枣园SOM的高光谱快速检测模型, 采用网格布点法采集158个枣园土壤样品, 测定风干土样的室内高光谱数据和SOM含量。 分别将400~2400 nm全波段(R)和通过竞争自适应加权算法(CARS)、 连续投影算法(SPA)、 粒子群优化算法(PSO)三种数据降维算法筛选的数据集与偏最小二乘回归(PLSR)、 反向传播神经网络(BPNN)、 卷积神经网络(CNN)三种建模方法结合构建12种枣园SOM含量的组合反演模型, 通过对比模型的精度评价指标和训练时间, 筛选枣园SOM含量最优光谱反演模型。 结果表明: (1) CARS、 SPA、 PSO三种降维算法都能将光谱数据压缩至原来的10%以下, 筛选波长数分别由原来的2 001个变量降为98、 156、 102个, 降维组合模型的验证集RPD均大于1.50, 均能实现对枣园SOM含量的反演, 与R组合模型相比, 降维组合模型至少能节省30%的时间成本, 特别是与BPNN和CNN等构建的组合模型, 能节省90%的训练时间, 且模型稳定性更强, 模型效果更优。 (2) CARS数据集构建组合模型的验证集R2均大于0.85, RPD均大于2.50, RPIQ均大于1.60, 在三种降维算法中效果最好; PSO数据集的组合模型验证效果略低于CARS数据集, 但优于R数据集, R2均大于0.80、 RPD均大于2.00; SPA数据集构建组合模型的验证效果要低于R数据集, 在三种降维算法中效果最差。 (3) BPNN和CNN两种方法的反演模型验证效果均优于PLSR模型, 而在模型训练时间和模型验证效果等方面, BPNN模型优于CNN模型, 其结合CARS数据集的验证效果最优, R2为0.91、 PRD为3.34、 RPIQ为3.17、 nRMSE%为11.93, 训练时间为58.00 s, 模型符合快速检测枣园SOM含量的要求。 CARS-BPNN模型为反演南疆枣园SOM的最优模型, 研究结果能够为南疆枣园土壤养分快速检测与制定施肥方案提供参考。
枣园土壤有机质 CARS算法 CNN模型 BPNN模型 检测模型 Soil organic matter in Jujube orchard CARS algorithm CNN model BPNN model Detection model 光谱学与光谱分析
2023, 43(8): 2568
1 塔里木大学农学院, 新疆 阿拉尔 843300
2 中国农业大学土地科学与技术学院, 北京 100083
3 浙江大学环境与资源学院, 浙江 杭州 310058
快速准确监测农田土壤全氮含量, 可显著提高土壤肥力诊断与评价工作的效率。 传统测定土壤全氮的方法存在耗时费力、 成本高、 环境污染等缺点, 而基于光谱学原理的土壤全氮定量方法克服了传统测量的劣势。 中红外(MIR)光谱相较于可见光-近红外(VNIR)光谱而言, 具有更多的波段数和信息量, 如何利用中红外光谱监测土壤全氮含量是具有重要应用前景的研究课题。 为了探索中红外光谱对土壤全氮监测的可行性, 以新疆南疆地区采集的246个农田土样为研究对象, 以室内测定的全氮含量和中红外光谱反射率数据为数据源, 分析了不同全氮含量土样的中红外光谱特征差异, 以主成分分析法(PCA)和连续投影算法(SPA)对光谱数据进行降维, 然后采用偏最小二乘回归(PLSR)、 支持向量机(SVM)、 随机森林(RF)和反向传播神经网络(BPNN)四种建模方法分别构建基于全波段和降维数据的土壤全氮含量定量反演模型。 研究结果表明: (1)土壤在中红外波段光谱反射率随全氮含量的增加而增加, 在3 620, 2 520, 1 620和1 420 cm-1附近存在明显的吸收谷; 将中红外光谱数据进行最大值归一化处理后, 可明显提高土壤光谱反射率与全氮含量的相关性。 (2)对比两种数据降维方法, PCA和SPA分别使模型变量数减少了99.8%和97.5%, 但以PCA提取的8个主成分为自变量建立的模型预测精度总体要高于SPA对应的模型, 因此以PCA提取的主成分建模更适于土壤全氮模型的构建。 (3)在建模集中, PLSR和SVM模型以全波段建模精度最高, 但建模变量数多, 建模效率较低, 而RF和BPNN模型分别以PCA和SPA降维后的数据建立的模型在保持精度相当的前提下, 可显著提高建模效率; 在预测集中, 基于PCA降维数据的BPNN模型预测能力最高, R2和RMSE分别为0.78和0.12 g·kg-1, RPD和RPIQ值分别为2.33和3.54, 模型具备较好的预测能力。 研究结果可为农田土壤全氮含量快速估测提供一定的参考价值。
中红外光谱 土壤全氮 反演模型 光谱数据降维 Mid-infrared spectrum Soil total nitrogen Inversion model Dimension reduction of spectral data 光谱学与光谱分析
2022, 42(9): 2768
1 塔里木大学植物科学学院, 新疆 阿拉尔 843300
2 中国农业大学土地资源管理学院, 北京 100083
田间原位可见-近红外光谱(VIS-NIR)能够有效的提高土壤属性的检测效率, 但由于原位土壤中水分因素的影响, 土壤属性的预测精度很难达到预期。 如何有效去除土壤中的水分对土壤其他属性光谱预测的影响, 是利用田间原位光谱高精度预测土壤属性所面临的难题, 也是土壤光谱技术由室内转向田间的突破口。 该问题的有效解决, 可减除土壤样品的采集与室内预处理等过程, 实现土壤属性的田间原位光谱测定。 以新疆南部地区阿拉尔垦区十二团棉田为研究区, 采用网格采样法共采集了116个0~20 cm深度的表层土壤样品, 剔除1个异常值样品, 得到115个有用样品, 利用SR-3500型便携式地物光谱仪采集了231个样点的田间原位光谱数据, 土样经风干、 研磨和过筛等处理后测定其室内光谱和有机质含量。 利用Kennard-Stone算法将115个土样分为69个转换子集及46个预测集, 采用外部参数正交化法(EPO)、 光谱直接转换法(DS)及光谱间接转换法(PDS)三种去除水分算法结合原位光谱反射率(R)、 反射率一阶微分(R')、 反射率对数(LOG(R))以及反射率倒数(1/R)四种数学变换方式, 运用随机森林(RF)模型进行不同组合模型的构建及精度评价。 结果表明: (1)土壤有机质含量越高, 土壤光谱反射率越低。 土壤田间原位光谱反射率低于土壤室内光谱反射率; (2)室内光谱反射率与土壤有机质含量之间的相关性大于田间原位光谱, 室内光谱经一阶微分变换后与土壤有机质含量之间的相关性显著提升。 (3)土壤室内光谱反射率模型预测精度(R2=0.86, RPD=2.08, RMSE=1.55 g·kg-1, MAPE= 0.14)高于田间原位光谱反射率模型(R2=0.71, RPD=1.49, RMSE=2.17 g·kg-1, MAPE=0.20)。 在去除水分算法模型中, 以EPO一阶微分模型去除水分效果最好, 决定系数R2由0.71提高到0.83, RPD由1.49提高到2.04, RMSE由2.17 g·kg-1降低至1.58 g·kg-1, MAPE由0.20降低至0.14。 本研究实现了去除土壤水分因素的影响, 提高了田间原位光谱预测土壤有机质的精度, 为南疆棉田大尺度土壤有机质的预测及土壤肥力的评价提供了重要的参考。
土壤有机质 外参数正交化(EPO) 光谱直接转换法(DS) 光谱间接转换法(PDS) 随机森林(RF) Soil organic matter External parameter orthogonalization (EPO) Direct standardization (DS) Segmented direct standardization (PDS) Random forest (RF) 
1 塔里木大学植物科学学院, 新疆 阿拉尔 843300
2 中国农业大学土地资源管理学院, 北京 100083
3 浙江大学环境与资源学院, 浙江 杭州 310058
土壤有机质是土壤肥力的物质基础, 其含量的高低是评价土壤肥力的重要标志。 土壤有机质组分根据其溶解性可分为胡敏素(HM)、 胡敏酸(HA)、 富里酸(FA), 不同组分的肥力特性差异显著, 因此, 土壤有机质组分数据可更加全面、 客观的反映土壤肥力状况。 传统土壤土壤有机质及组分的测定工序繁杂, 效率低下且时效性差, 大量研究表明高光谱技术能有效提高土壤属性的检测效率并降低测试成本, 但关于可见光-近红外、 中红外光谱检测土壤有机质组分的报道鲜见。 为了探索中红外光谱及可见光-近红外-中红外组合光谱对土壤有机质组分检测的可行性, 并对比有机质单一光谱模型与有机质不同组分的组合光谱模型的预测精度, 以南疆地区农田土壤为例, 在阿克苏及和田地区共采集93个土样, 进行有机质、 胡敏素、 胡敏酸、 富里酸含量及光谱数据的测定。 其次, 利用可见-近红外(VNIR)、 中红外(MIR)及其组合光谱(VNIR-MIR)三种光谱数据集, 采用偏最小二乘(PLSR)、 支持向量机(SVM)、 随机森林(RF)三种建模方式对土壤有机质、 胡敏素、 胡敏酸、 富里酸含量进行组合模型分析预测。 结果表明: (1)土壤有机质及各组分均与光谱反射率有较好的相关性, 土壤有机质及组分在MIR谱段的特征波段数量明显多于VNIR谱段。 (2)有机质最优预测模型的模式为VNIR-MIR-RF, 该模型的决定系数R2为0.90; 胡敏素与胡敏酸最优预测模型的模式均为VNIR-RF模型, R2均为0.92; 富里酸最优预测模型的模式为MIR-RF模型, R2为0.94。 (3) 基于胡敏素、 胡敏酸和富里酸的有机质组合光谱模型的预测精度明显高于有机质单一光谱模型, 两种模型的R2分别为0.93和0.90。 实现了土壤有机质组分的高效快速反演, 且基于有机质组分的组合模型提高了土壤有机质预测精度, 为南疆地区大尺度土壤肥力的鉴定与精准施肥提供重要的参考价值。
土壤有机质组分 光谱反射率 偏最小二乘 支持向量机 随机森林 反演模型 Soil organic matter Spectral reflectance Partial least squares regression (PLSR) Support vector machine regression (SVM) Random forest regression (RF) Inversion model 光谱学与光谱分析
2021, 41(10): 3069
1 浙江大学环境与资源学院, 浙江 杭州 310058
2 中国科学院南京土壤研究所, 土壤与农业可持续发展国家重点实验室, 江苏 南京 210008
土壤有机质是农田肥力评估的重要指标, 要实现快速获取大面积土壤有机质的含量需要建立高效、 稳健的预测模型。 光谱技术能够快速诊断土壤有机质, 以水稻土为例, 从校正样本选择方法的对比, 研究了可见-近红外、 中红外和可见-近红外-中红外三种不同波段光谱对土壤有机质的预测能力。 可见-近红外和中红外区域的光谱反射率转换成吸收率后通过Savitzky-Golay平滑法去噪, 通过三种校正样本选择方法建立相应的偏最小二乘回归预测模型。 通过Rank-KS法建立的三种波段的有机质预测模型均优于Rank法和KS法, 中红外波段光谱的模型预测能力强于可见-近红外和可见-近红外-中红外波段的预测模型, 基于Rank-KS法建立的中红外波段有机质预测模型取得了最好的预测效果, RMSEP仅为3.25 g·kg-1, RPD达到4.24, 依据VIP得分筛选出可见-近红外和中红外波段的水稻土有机质重要建模波段。 因此, 中红外光谱建模技术能够对水稻土有机质进行快速定量分析, Rank-KS法可提高模型的预测能力, 为今后农田肥力评价和科学施肥提供技术支持。
水稻土 有机质预测 可见光-近红外光谱 中红外光谱 Paddy soil Prediction of SOM Visible-near infrared spectra Mid-infrared spectra 光谱学与光谱分析
2016, 36(6): 1712
1 塔里木大学 植物科学学院，新疆 阿拉尔843300
2 浙江大学 农业遥感与信息技术应用研究所，浙江 杭州310058
利用自主设计的叶面降尘量测定方法，测定了榆树叶面的降尘量数据，结合地面高光谱遥感数据，研究了叶面降尘对榆树叶片高光谱特征的影响及叶面降尘量的高光谱定量反演.研究结果表明，叶面降尘可提高可见光波段的反射率，降低近红外波段的反射率，且对可见光波段的影响要大于近红外波段; 叶面降尘对三边位置没有影响，对三边幅值和面积有明显影响; 利用降尘光谱指数和三边参数建立的叶面降尘量模型，只具备粗略预测能力，而采用多元线性回归、主成分回归、偏最小二乘回归建立的模型，均具有很强的预测能力，其中以一阶微分建立的偏最小二乘回归模型的效果最佳，预测决定系数为0.92，预测均方根误差为1.06，样本标准差与预测均方根误差比为8.2.
叶面降尘 高光谱 定量反演 遥感监测 foliar dustfall hyperspectral quantitative inversion remote sensing monitor
1 浙江大学农业遥感与信息技术应用研究所, 浙江 杭州 310058
2 浙江大学地球科学系, 浙江 杭州 310027
3 浙江大学唐仲英传感材料及应用研究中心, 浙江 杭州 310058
利用野外实时快速获取的土壤光谱进行土壤有机质(SOM)预测与制图是精确农业与土壤遥感制图的必然需要, 利用ASD FieldSpec Pro FR野外型光谱仪实时快速获取的光谱数据, 去除噪声较大的边缘波段后, 进行倒数的对数转换(Log(1/R))为吸收光谱。 在分析吸收光谱和光谱指数与SOM关系的基础上, 采用偏最小二乘回归法进行SOM的建模预测并借助地统计学方法进行SOM空间变异制图研究。 结果表明, 建模效果好的指标分别为特征波段(R2=0.91, RPD=3.28), 归一化光谱指数(R2=0.90, RPD=3.08), 特征波段与3个光谱指数组合(R2=0.87, RPD=2.67), 全波段(R2=0.95, RPD=4.36)。 光谱指标的克里格制图与实测SOM制图表现出相同的空间变异趋势, 不同的指标均达到了较好的预测效果。
Vis-NIR光谱 野外型光谱仪 土壤有机质 预测与制图 偏最小二乘回归法(PLSR) 地统计 Visible-near infrared(Vis-NIR) reflectance spectro ASD FieldSpec Pro FR spectrometer Soil organic matter(SOM) Prediction and mapping Partial Least Squares Regression(PLSR) Geostatistics 光谱学与光谱分析
2013, 33(4): 1135
1 浙江大学农业遥感与信息技术应用研究所, 浙江 杭州 310058
2 云南农业大学资源与环境学院, 云南 昆明 650201
3 浙江大学唐仲英传感材料及应用研究中心, 浙江 杭州 310058
可见/近红外高光谱技术与建模方法是当前土壤近地传感器研究领域的重要方向, 可应用于土壤养分信息的快速获取和农田作物的精确施肥管理。 以浙江省水稻土为研究对象, 利用以非线性模型为核心的数据挖掘技术, 包括随机森林、 支持向量机、 人工神经网络等方法分别建立了不同建模集和验证集的原始光谱与有机质含量的估测模型。 结果表明: 研究比较的1∶1, 3∶1和全部样本建模并全部验证的三种样本模式划分对建模的结果有一定的影响。 相较于目前常用的偏最小二乘回归(PLSR)建模方法而言, 非线性模型RF和SVM也取得了较好的建模精度, 三种模式下其RDP值均大于1.4。 特别是采用SVM建模方法所得模型具有很好的预测能力, 模式二下其RDP值达到2.16。 同时引入ANN方法改进建立的PLSR-ANN方法显著提高了PLSR的模型预测能力。
水稻土 有机质 可见近红外光谱 建模方法 Paddy soil Soil organic matter Vis-NIR spectroscopy Modeling 光谱学与光谱分析
2012, 32(9): 2393
1 浙江大学 农业遥感与信息技术应用研究所,浙江 杭州310058
2 湖南农业大学 资源环境学院，湖南 长沙410128
利用高光谱遥感技术估测土壤有机质含量是精准农业发展的必然要求.本研究测量并分析了7组不同地区不同类型共791个土壤样品在350~2500 nm的光谱反射率及一阶微分曲线，并对土壤有机质含量和光谱反射率进行相关性分析，同时对前人研究中有关有机质的光谱响应波段进行了总结.结果发现，600~800 nm波段可以作为研究区域内不同类型土壤共同的有机质光谱响应波段，这对进一步建立不同土壤类型相对统一的有机质预测模型具有一定意义.研究还发现，有机质含量高于2%并不是高光谱预测土壤有机质含量必要的前提条件.
高光谱 土壤有机质 响应波段 相关分析 hyperspectral soil organic matter characteristic bands correlation analysis
浙江大学农业遥感与信息技术应用研究所, 浙江 杭州310058
为明确土壤热红外高光谱数据反演土壤含沙量的应用潜力, 利用102F型便携式傅里叶变换红外光谱仪对沙质土壤进行测量, 在进行相关分析和主成分分析的基础上, 对土壤发射率光谱特征进行了分析, 并采用偏最小二乘回归和主成分回归两种建模方法预测土壤含沙量。 结果表明, 沙质土壤发射率光谱中二氧化硅的Reststrahlen特征表现明显, 在8.13和9.17 μm附近具有不对称强二重谱带, 并且在12～13 μm区间还有两个吸收强度相对较小的发射谷； 土壤发射率随着含沙量的增加而降低, 尤其是 8.2-9.5 μm和9.5-10.4 μm两个谱段对土壤沙含量变化敏感, 相关系数分别达到0.65和0.5以上, 这两个谱段对整体光谱变化具有84.07%的贡献率； 不同的光谱变量和建模方法在反演精度上存在明显差异, 偏最小二乘回归模型的一阶微分光谱反演精度最高, 其建模和预测的RMSE分别为0.45和0.53, R2分别为0.960 7和0.943 6, 表明热红外高光谱在土壤含沙量预测方面具有很大的应用潜力。
热红外高光谱 土壤 含沙量 Thermal hyperspectra Soil Sand content 光谱学与光谱分析
2011, 31(8): 2195
