1 武汉大学资源与环境科学学院,湖北 武汉 430079
2 自然资源部数字制图与国土信息应用重点实验室,湖北 武汉 430079
3 土壤与农业可持续发展国家重点实验室,江苏 南京 210008
4 华中农业大学资源与环境学院,湖北 武汉 430070
5 Geographical and sustainability Science,The University of lowa,lowa City,IA 52245,USA
可见近红外非成像光谱分析技术已被广泛用于土壤有机碳(SOC)含量估测, 然而该技术的使用受土壤粗糙度的影响, 对样本的前处理要求较高, 导致模型的实用性受限。 针对这一问题, 以美国爱荷华州农田土壤为研究对象, 使用成像及非成像光谱仪获取土壤样本研磨前后的可见近红外反射光谱, 采用去包络线(CR)、 吸光度变换(AB)、 S-G平滑(SG)、 标准正态变换(SNV)、 多元散射校正(MSC)5种光谱预处理手段, 利用偏最小二乘回归(PLSR)和支持向量回归(SVR)算法构建并对比土壤SOC光谱估算模型, 探究利用成像光谱数据估测高粗糙度样本SOC含量的可行性。 实验结果表明, 使用成像光谱数据能够实现高粗糙度样本的SOC含量估算, 而使用非成像光谱数据则无法估算高粗糙度样本的SOC含量; 基于成像光谱数据建立的高粗糙度SOC最优PLSR估算模型R2能够达到0.739以及最优SVR估算模型R2为0.712, 而基于非成像光谱数据建立的高粗糙度SOC最优PLSR和SVR估算模型R2仅仅分别为0.344和0.311。 基于AB, SG, SNV和MSC这4种预处理手段之后的成像光谱数据建立的土壤样本研磨前的PLSR模型性能优于样本研磨之后建立的PLSR模型, 而SVR模型性能正好相反。 而对于非成像光谱数据来说, 土壤样本研磨后建立PLSR和SVR模型精度总是强于样本研磨前建立的模型精度。 对于这两种光谱数据和两个估算模型而言, 不同的光谱预处理方法提高模型估算精度的能力不同。 土壤样本研磨前后, 基于成像光谱数据建立的PLSR和SVR模型性能均优于非成像光谱数据所构建的模型。 成像光谱技术能够增强高粗糙度土壤样本可见近红外光谱与SOC的相关性, 从而提高模型估算精度; 能够克服土壤粗糙度的影响; 为野外大尺度估测SOC含量提供了新的手段。
成像光谱技术 土壤粗糙度 可见近红外光谱 光谱预处理 土壤有机碳 Imaging spectroscopy Soil roughness Visible and near-infrared spectra Spectra pre-processing Soil organic carbon 光谱学与光谱分析
2022, 42(9): 2788
1 武汉工程大学化学与环境工程学院, 湖北武汉 430073
2 武汉大学资源与环境科学学院, 湖北武汉 430212
3 武汉工程大学绿色化工过程教育部重点实验室, 湖北武汉 430073
4 湖北省新型反应器与绿色化学工艺重点实验室, 湖北武汉 430073
5 土壤与农业可持续发展国家重点实验室, 江苏南京 210008
6 西安电子科技大学微电子学院, 陕西西安 710071
7 湖北师范大学城市与环境学院, 湖北黄石 435002
采用量子化学从头算的方法计算了多环芳烃萘、苊烯的红外谱图, 比较了理论计算与实验实测所得的萘、苊烯红外谱图结果。在此基础上, 结合 IR光谱解析方法对萘、苊烯的红外谱峰基团进行归属和认定。结合分子轨道理论以及 π-π共轭效应理论, 分析了多环芳烃萘与苊烯的吸光强度以及谱峰位移的差异。得出结论: ①随着共轭体系的增大, 多环芳烃苊烯的吸光强度相较于萘明显增大。 ②共轭效应的增强, 使得苊烯苯环上的 C=C伸缩振动频率向低频率处位移, 而与苯环相连的 C-C伸缩振动向高频率处位移。这一结论可进一步应用于红外光谱多环芳烃的鉴别, 为典型场地有机污染物的在线监测设备研制提供理论基础。
量子化学从头算 多环芳烃 红外光谱特征 典型场地污染 ab initio quantum chemistry, PAHs, infrared spectr
1 武汉大学资源与环境科学学院, 湖北 武汉 430079
2 武汉大学教育部地理信息系统重点实验室, 湖北 武汉 430079
3 湖北省测绘工程院, 湖北 武汉 430074
4 香港浸会大学地理系, 中国 香港
5 深圳大学国家测绘地理信息局海岸带地理环境监测重点实验室及深圳市 空间信息智能感知与服务重点实验室, 广东 深圳 518060
6 深圳大学生命与海洋科学学院, 广东 深圳 518060
氮、 磷、 钾元素是植物有机质的重要生化组分, 准确估算其含量对监测管理植被的新陈代谢和健康状况具有重要意义。 可见-近红外光谱结合多种建模方法已被用于植被生化参数的监测, 其中支持向量机回归方法被证明能够较好拟合反射光谱和植被生化参数之间的非线性关系, 而选取适当的核函数是其成功的关键。 以宜兴地区水稻、 玉米、 芝麻、 大豆、 茶叶、 草地、 乔木和灌木等八种植被叶片样本为研究对象, 分析比较基于径向基核函数、 多项式核函数和S形核函数的支持向量回归模型估算叶片氮、 磷、 钾元素含量的能力。 利用一阶微分变换、 标准正态变量变换和反对数变换对叶片可见-近红外光谱进行预处理, 运用bootstrapping法生成1 000组校正集和验证集, 分别建立基于三种核函数的支持向量回归估算模型, 以决定系数(R2) 和相对分析误差(RPD) 的均值作为评价指标。 结果显示, 结合一阶微分和反对数变换光谱, 采用径向基核函数模型对氮、 钾元素估算精度最高(氮: 平均R2=0.64, 平均RPD=1.67; 钾: 平均R2=0.56, 平均RPD=1.48) , 结合一阶微分变换光谱, 采用径向基核函数模型对磷元素估算精度最高(磷: 平均R2=0.68, 平均RPD=1.73) 。 研究表明, 结合不同预处理的可见-近红外光谱, 基于径向基核函数的支持向量回归模型具有较好的估算多种植被叶片生化组分含量的潜力。
核函数 支持向量机 可见-近红外光谱 生化组分 Kernel function Support vector machine VNIR spectroscopy Biochemical content
1 武汉工程大学化学与环境工程学院, 湖北 武汉 430073
2 武汉大学资源与环境科学学院, 湖北 武汉 430079
3 湖北师范大学城市与环境学院, 湖北 黄石 435002
4 土壤与农业可持续发展国家重点实验室, 江苏 南京 210008
5 武汉大学苏州研究院, 江苏 苏州 215123
6 武汉工程大学绿色化工过程教育部重点实验室, 湖北 武汉 430073
7 湖北省新型反应器与绿色化学工艺重点实验室, 湖北 武汉 430073
8 深圳大学生命科学学院, 广东 深圳 518060
9 湖北省环境科学研究院, 湖北 武汉 430072
测量重金属化合物氯化铬（CrCl3）、 氯化铜（CuCl2）、 氯化锌（ZnCl2）的可见-近红外反射光谱（VNIRS）, 将重金属反射光谱与重金属元素的核外电子排布式联系起来, 观察重金属化合物的反射光谱特征; 结合晶体场理论分析重金属的特征反射峰出现的波段位置和原因。 以湖北大冶地区土壤样品为例, 向土样中添加不同浓度梯度的CrCl3, CuCl2和ZnCl2并测定其可见-近红外反射光谱, 研究不同种类不同浓度的重金属对土壤反射光谱的影响。 对样本的反射光谱进行不同光谱预处理, 探究重金属浓度与土壤反射光谱之间的线性相关关系及显著相关（p<0.05）波段出现的位置和潜在机理。 结果表明, 重金属化合物CrCl3, CuCl2和ZnCl2在可见光-短波近红外波段范围内的反射光谱特征与重金属元素3d轨道上的电子填充状态有关。 添加入土壤中的重金属化合物影响了土壤的可见-近红外反射光谱, 其浓度与土壤反射光谱之间整体呈负相关, 最大负相关系数分别为-0.788, -0.880和-0.824。 样品反射光谱经不同预处理后, 重金属浓度与土壤反射光谱之间的线性相关关系有所变化, 显著相关波段信息更加丰富。 研究表明, 重金属的可见-近红外反射光谱与重金属的电子结构紧密相关, 可见-近红外反射光谱技术可以检测到土壤中较高浓度重金属的存在, 该技术在快速高效、 无损低耗地预测土壤重金属元素含量方面拥有巨大潜力。 基于部分重金属化合物的可见-近红外反射光谱特征, 结合晶体场理论为土壤重金属的定性和定量反射光谱分析提供了理论依据和实验参考。
可见-近红外反射光谱 土壤重金属 预处理 晶体场理论 线性相关关系 Visible and near-infrared reflectance spectroscopy Soil heavy metals Pretreatment Crystal field theory Linear correlation
1 武汉大学资源与环境科学学院, 湖北 武汉 430079
2 武汉大学苏州研究院, 江苏 苏州 215123
3 武汉大学地球空间信息技术协同创新中心, 湖北 武汉 430079
4 武汉大学教育部地理信息系统重点实验室, 湖北 武汉 430079
5 浙江大学农业遥感与信息技术应用研究所, 浙江 杭州 310058
6 中国科学院地理科学与资源研究所, 北京 100101
土壤组分光谱估算过程中校正样本集的构建会影响模型的预测精度。 当前结合反射光谱和Kennard-Stone (KS)算法的校正样本集构建策略忽视了土壤反射光谱是土壤属性的综合反映, 构建的样本集通常无法很好地代表目标土壤组分的变异。 光谱变换方法可以突出目标组分的光谱特征, 为此, 本文以湖北省江汉平原滨湖地区水稻土为研究对象, 结合包括一阶微分(FD)、 Savitzky-Golay(SG)、 Haar小波变换、 标准正态变量变换(SNV)和多元散射校正(MSC)在内的光谱变换方法和KS算法进行校正样本集建构, 通过对比不同样本集构建策略对使用偏最小二乘回归(PLSR)建立的土壤全氮含量光谱估算模型预测精度的影响, 研究光谱变换是否有助于提高基于KS算法构建的校正样本集的代表性。 结果表明: 不同光谱变换会影响校正样本集的构建。 反射光谱经过SG或Haar小波变换后, 再使用KS算法构建校正样本集与直接基于反射光谱使用KS算法构建的校正样本集相同, 建立的估算模型精度不变, 相对分析误差(RPD)分别为141和127。 结合FD, SNV或MSC变换和KS算法构建的校正集与基于反射光谱使用KS算法构建的校正集不同, 建立的估算模型RPD分别从095, 148和142提高到113、 178和220。 研究表明SNV和MSC等光谱变换方法可以提高基于KS算法构建的校正样本集的代表性, 并可有效提高模型预测精度。
光谱变换 Kennard-Stone算法 校正集选择 模型精度 土壤全氮 Spectral transformation Kennard-Stone algorithm Calibration dataset construction Model accuracy Soil total nitrogen 光谱学与光谱分析
2017, 37(7): 2133
1 武汉大学资源与环境科学学院, 湖北 武汉 430079
2 武汉大学教育部地理信息系统重点实验室, 湖北 武汉 430079
3 北京大学工学院, 北京 100871
4 中国科学院武汉植物园水生植物与流域生态重点实验室, 湖北 武汉 430074
高光谱遥感技术作为当前遥感发展的前沿科技, 通过电磁波与地物的相互作用, 可以定量反演地物的物理化学性质。 土壤有机质是重要的土壤养分信息参数, 利用高光谱遥感技术快速获取其含量信息可以为精准农业的发展提供必要的数据支撑。 然而, 由于受到外部参数差异的干扰, 导致建模精度降低的同时, 还会造成已有模型传递性的“失效”。 为了消除湿度差异的干扰, 进一步拓展已有模型的适用空间, 以江汉平原滨湖地区为例, 通过对95个土壤样本进行加湿处理, 在实验室自然风干的条件下, 量测得到13套不同湿度等级土壤样本的可见—近红外反射光谱数据, 建立了各湿度等级下土壤有机质的光谱反演模型, 研究水分差异对建模精度的影响; 在此基础上, 运用Direct Standardization(DS)算法对湿土光谱进行校正, 进而探讨该算法在提高模型传递性能方面的潜力。 结果表明: 基于风干土光谱建立的模型预测精度最高, 未经校正的湿土光谱无法通过该模型进行土壤有机质含量预测, 预测偏差在-8.34～3.32 g·kg-1, RPD在0.64～2.04; 经过DS算法校正后的湿土光谱可以通过该模型进行土壤有机质含量预测, 预测偏差降低至0, RPD值提高至7.01。 研究表明DS算法能有效降低湿度差异对光谱反演土壤有机质的影响, 使土壤有机质光谱反演模型适用于不同水分含量的土壤样本。
土壤有机质 高光谱 直接标准化 模型传递 土壤湿度 Soil organic matter Hyperspectra Direct Standardization Calibration transfer Soil moisture 光谱学与光谱分析
2015, 35(6): 1705
