1 西安石油大学计算机学院, 陕西 西安 710065
2 盐池县草原实验站, 宁夏 盐池 751506
3 甘肃农业大学草业学院, 甘肃 兰州 730070
4 西安航空学院, 陕西 西安 710077
5 中华人民共和国银川海关, 宁夏 银川 750000
6 西北工业大学光电与智能研究院, 陕西 西安 710072
亚硝酸盐是水体中重要的必测指标之一, 对于水体质量的评估有着重要意义。 但传统的检测方法操作复杂、 受干扰因素多、 测定时间长、 不能及时反映水质变化、 无法及时有效地预警突发水污染事件。 鉴于此, 探索准确、 实时、 环保的环境水体和饮用水中的亚硝酸盐含量检测办法具有重要意义。 采用优级纯试剂配制10种浓度的亚硝酸盐氮标准溶液(0.02, 0.04, 0.06, 0.08, 0.10, 0.12, 0.14, 0.16, 0.18和0.20 mg·L-1), 采用OCEAN-HDX-XR微型光纤光谱仪扫描10次各浓度亚硝酸盐溶液在181.1~1 023.1 nm范围内的透射光谱, 取平均值作为各浓度亚硝酸盐溶液原始透射光谱, 之后以亚硝酸盐含量作为因变量, 全波段原始透射光谱作为自变量, 采用随机森林回归中特征变量重要性方法, 筛选特征变量, 再此基础上利用交叉验证法, 挑选最为稳定的模型变量个数, 建立亚硝酸盐优化随机森林反演模型。 结果如下: (1)利用全波段建立的随机森林模变量解释率(var explained)=76.49%, 均方残差(mean of squared residuals)=0.000 688; (2)随机森林变量重要性方法筛选对亚硝酸盐反演的敏感波段, 其中195.1 nm重要性值最高, 并利用留一交叉法发现, 当利用19个光谱特征变量时随机森林模型的均方根误差最低, 以筛选光谱特征变量建立的优化随机森林变量解释率(var explained)=83.45%, 均方残差(mean of squared residuals)=0.000 552。 变量筛选有效减少了光谱数据量, 对优化模型的建立提供了基础; (3)对建立模型进行模型检验, 其中全波段随机森林模型测试集R2=0.820 3, RMSE=0.03, 检验集R2=0.979 3, RMSE=0.01, 优化随机森林模型测试集R2=0.873 4, RMSE=0.022, 检验集R2=0.979 8, RMSE=0.008, 对比全波段随机森林模型与优化后随机森林模型后发现, 优化随机森林模型测试集与检验集模型解释度、 模型精度均要高于全波段随机森林模型, 说明优化方法不仅可有效降低光谱维度, 对于寻找亚硝酸盐光谱敏感波段, 建立精度较高的亚硝酸盐反演模型有着积极意义。 基于以上试验结果, 提出了一种优化随机森林模型高光谱水质亚硝酸盐参数的反演方法, 为水质亚硝酸盐参数动态检测提供了新方法。
高光谱 亚硝酸盐 模型 随机森林 Hyperspectral Nitrite Model Random forest 光谱学与光谱分析
2022, 42(7): 2181
1 甘肃农业大学草业学院, 甘肃 兰州 730070
3 甘肃省草原技术推广总站, 甘肃 兰州 730070
宁夏盐池县荒漠草地属于中温带干旱气候, 由于过度利用出现不同程度的退化, 退化指示种比重增大, 造成不同荒漠草地群落组成差异也很大, 如何区别不同荒漠草地植物, 并据此对退化指示种进行动态监测是了解荒漠草地退化程度的关键。 目前随机森林(RF)、 支持向量机(SVM)与K-邻近(KNN)分类模型被广泛应用于森林植物和农作物的遥感分类, 并取得了较好的分类识别效果, 但针对草地尤其是荒漠草地植物的分类识别研究较少。 因此使用ASD地物光谱仪于7月在宁夏盐池二步坑、 冯记沟、 高沙窝、 麻黄山不同荒漠草地采集了32种植物作样本获得442条光谱进行光谱特征分析。 筛选出7个植被指数: 归一化植被指数705(NDVI705)、 绿通道植被指数(GNDVI)、 光化学植被指数(PRI)、 土壤调节植被指数(OSAVI)、 可视化气压阻抗指数(VARI)、 植被衰减指数(PSRI)和归一化水指数(NDWI)作为随机森林模型(RF)、 支持向量机(SVM)模型、 K-邻近(KNN)模型的原始变量, 对32种荒漠草地植物进行分类识别, 并通过分类模型精度的比较筛选较优模型。 结果表明: (1)不同植物光谱反射率均符合绿色植物特征, 但各植物原始光谱不同波段之间存在明显差异, 植物原始光谱水分吸收波段差异明显, 且有红边蓝移现象; (2)RF, SVM和KNN三个分类模型对32种植物的分类精度分别达到了0.98, 0.94和0.98, 识别效果较好, 但3种分类模型均对白莲蒿与北芸香、 虫实与甘草发生了误判; (3)随机森林模型重要性指标中NDWI与PRI为区分荒漠草地植物的关键指标, 说明荒漠植物冠层水分与类胡萝卜素含量是影响荒漠草地植物光谱分类的重要因素。 试验利用随机森林模型(RF)、 支持向量机(SVM)与K-邻近(KNN)分类方法, 建立了主要植物的分类模型。
高光谱 荒漠植物 分类模型 植被指数 Hyperspectral Desert plants Classification model Vegetation index
1 武警工程大学, 陕西 西安 710086
2 盐池县草原实验站, 宁夏 盐池 751506
3 甘肃农业大学草业学院, 甘肃 兰州 730070
4 西安航空学院, 陕西 西安 710077
5 中华人民共和国银川海关, 宁夏 银川 750000
6 西安石油大学, 陕西 西安 710065
高光谱技术由于满足连续性与光谱可分性的要求, 具有能够区别同一种地物不同类别的能力, 且光谱数据获取速度快, 操作简易, 在监测水体分布状况、 水体指标上具有突出成就。 生化需氧量BOD是评价水污染的重要指标, 现行常规的测量方法为五日培养法, 这种方法消耗试剂、 操作复杂、 受干扰因素多、 测定时间长、 不能及时反映水质变化、 无法及时有效地预警突发水污染事件, 鉴于传统方法的缺点, 探索基于高光谱技术的水体BOD含量的估算和反演对水质评定具有重要意义。 以西安地区三处地表水为研究区, 共计60处试验点, 每处试验点重复测定10次光谱与BOD值, 取平均值作为原始光谱, 利用Person相关系数法筛选光谱与BOD值的敏感波段, 并使用主成分分析与最小二乘法消除光谱指标的多重共线性, 建立水质BOD指标的多元线性回归模型与偏最小二乘回归模型。 研究结果如下: (1)BOD敏感波段大体分布于600～900 nm, 共筛选出了35个显著相关的原始光谱指标, 其中758 nm相关系数绝对值最高(0.418); (2)经由主成分分析降维得出的Z1和Z2与BOD指标的多元线性回归模型精度较好(R2=0.565, RMSE=0.007), 且主成分分析中可以明显区分0～0.2与0.4～0.6 mol·L-1 BOD浓度; (3)光谱指标与BOD指标构建偏最小二乘回归模型的精度R2高达0.896, RMSEP=0.746 9(留一交叉法均方根误差); jack.test检验发现628 nm对反演水体BOD含量的影响极其显著, 889与893 nm波段对其影响较为显著; (4)根据模型拟合精度, 筛选的最优的BOD反演模型为偏最小二乘回归模型, 对偏最小二乘模型进行精度检验, 精度较好(R2=0.81)。 基于以上试验结果, 提出了一种基于偏最小二乘法高光谱水质BOD参数的反演方法, 为水质BOD参数动态检测提供了新方法。
高光谱 模型 偏最小二乘法 多元回归 Hyperspectral BOD BOD Model Partial least squares method Multiple regression
1 甘肃农业大学草业学院, 甘肃 兰州 730070
2 草业生态系统教育部重点实验室（甘肃农业大学）, 甘肃 兰州 730070
3 中国人民武装警察部队工程大学, 陕西 西安 710086
4 西安石油大学计算机学院, 陕西 西安 710065
5 甘肃省草原技术推广总站, 甘肃 兰州 730000
6 西安航空学院, 陕西 西安 710077
草坪色泽是草坪观赏价值的最直接体现。 探索基于高光谱的草坪草叶绿素含量的估算和反演对草坪质量评定具有重要意义。 以3种常用草坪草种——“红象”高羊茅（Festuca arundinacea cv. Hongxiang）、 “百灵鸟”多年生黑麦草（Lolium perenne cv. Bailingniao）和“肯塔基”草地早熟禾（Poa pratensis cv. Kentucky）为试样, 通过盆栽实验, 在草坪草生长旺盛期, 使用SOC710VP成像光谱仪和TYS-A3500叶绿素仪分别测定了草坪草冠层光谱数据和叶绿素相对含量（SPAD）, 并通过Person相关系数分析了原始SPAD, 1/SPAD和log（1/SPAD）与10个植被指数: GI（绿度植被指数）、 ARVI（大气阻抗植被指数）、 VARI（可视化气压阻抗指数）、 NDVI705（归一化植被指数705）、 MSR705（改进红边比值植被指数）、 NDVI670（归一化植被指数670）、 CI（叶绿素指数）、 PSRI（植被衰减指数）、 RGI（相对绿色指数）和EVI（增强植被指数）的相关性, 筛选与叶绿素相关性较高的高光谱波段植被指数, 构建植被指数反演叶绿素含量模型, 最后通过精度检验, 筛选最优草坪草叶绿素估算模型。 研究结果如下: (1）不同草坪草光谱曲线整体趋势相差不大, 但不同种间反射率（REF）还是有所区别。 在730~1 000 nm波段, “百灵鸟”多年生黑麦草与“红象”高羊茅REF差异不大, 但“肯塔基”草地早熟禾REF较高, 光谱特征更为明显; (2）10个植被指数中, VARI, RGI和PSRI与草坪草3个叶绿素指标极显著相关, 相关系数R2绝对值均大于0.65, 可作为首选植被指数进行草坪草叶绿素含量估算; （3）植被指数与叶绿素指标逐步回归分析发现, 单因素回归模型中, 利用VARI, RGI和PSRI估算1/SPAD的模型决定系数R2均在0.6以上, 普遍高于SPAD与log（1/SPAD）的估算模型; 而多元线性回归中, 10个植被指数中, RGI与叶绿素指标1/SPAD所构建的模型决定系数R2同样最高, 为0.817, 说明SPAD倒数形式适用于草坪草叶绿素反演; (4）选择决定系数较高（>0.7）的模型进行精度检验, 筛选的最优的草坪草叶绿素指标反演模型为: y1/SPAD=0.161xRGI+0.007xGI-0.054（R2=0.817, RMSE=0.023）。
高光谱 草坪草 叶绿素 植被指数 模型 Hyperspectral Turfgrass Chlorophyll Vegetation indices 光谱学与光谱分析
2020, 40(8): 2571
1 甘肃农业大学草业学院, 甘肃 兰州 730070
2 草业生态系统教育部重点实验室（甘肃农业大学）, 甘肃 兰州 730070
3 中国人民武装警察部队工程大学, 陕西 西安 710086
4 西安石油大学计算机学院, 陕西 西安 710065
高寒灌丛是青藏高原生态系统的重要组成部分, 研究高寒灌丛对青藏高原生态系统的系统研究具有重要的意义。 但是长期以来, 由于地处偏远而交通欠发达、 加之生长条件严酷, 造成青藏高原高寒灌丛相关研究较为困难。 遥感探测技术, 可以克服地理及环境造成的困难, 而且可以进行大面积、 无损的探测, 因此, 可以采用遥感探测技术进行青藏高原的高寒灌丛研究。 传统的高分辨率遥感探测技术, 由于常常采用的是RGB三个波段, 对不同植物的辨别精度低, 对应植物的NDVI指数和RVI指数差异性较小, 不能有效区分各类植被。 同时, 高光谱反射率曲线和辐照度曲线, 蕴含上千波段的光谱信息, 若选择某一单一波段来进行植被探测, 则光谱信息损失非常大, 反应出来的灌丛特征不明显, 结果置信度低。 为了区别高寒灌丛植被, 利用高光谱技术对灌丛开展光谱特征分析, 为青藏高原灌丛的遥感探测提供理论支持。 本研究借助美国FieldSpec4高分辨率地物光谱仪, 在东祁连山马牙雪山景区内采集头花杜鹃（Rhododendron capitatum Maxim.）、 鬼见愁（Caraganajubata (Pall.) Poir.）、 金露梅（Potentillafruticosa L.）、 高山柳（Salix cupularis）、 甘肃瑞香（Daphne tangutica Maxim.）和鲜黄小檗（Berberisdiaphana）六种典型灌木植物的室内光谱数据, 通过反射率（REF）、 吸收率（ABS）及其一阶微分（GREF和GABS）的变换, 进一步提高灌木植物光谱曲线间的可辨析度, 分析并筛选出敏感波段, 而后通过各个波段之间的相互组合计算NDVI′值和RVI′值, 并且以TM设置波段计算的NDVI值和RVI值作为参考, 筛选出优于TM波段且差值最大的波段组合确定为最优模型。 结果表明: (1）灌木植物对太阳辐射吸收形成的光谱特征曲线与大多数植物相似, 但与草本植物相比, 灌木植物的第一个波谷发生了左移现象; (2）灌木植物在某些敏感波段中反映出独有的光谱特征, 通过REF, ABS, GREF和GABS变换, 可以进一步扩大, 利用这一特点可以筛选出敏感波段, 进行灌丛分类和识别; (3）六种灌木植物光谱值差异较大, 且数值相对较为稳定的波段有550～680, 860～1 075, 1 375～1 600和1 900～2 400 nm, 因此可选取这四个波段为敏感区进行灌木植物识别; (4）利用575～673和874～920 nm敏感波段的REF均值或者685～765, 556～590, 635～671和1 117～1 164 nm敏感波段的GABS面积, 计算的NDVI值和RVI值可以有效辨别六种灌木植物。
东祁连山 高寒灌丛 灌木植物 光谱特征 分析 Eastern Qilian Mountains Alpine brushlands Shrubs Spectral features Analysis 光谱学与光谱分析
2019, 39(5): 1509
