新疆师范大学地理科学与旅游学院, 新疆 乌鲁木齐 830054
土壤有机质含量的高光谱估测可快速、 准确监测土壤肥力, 对现代化农业生产进行精准施肥提供科学依据。 以新疆渭干河-库车河三角洲绿洲耕层土壤为研究对象, 对采集的98个土壤样品的原始光谱反射率R分别进行传统倒数对数lg(1/R)、 一阶微分R'和倒数对数一阶微分[lg(1/R)]'数学变换, 以及基于小波母函数Bior1.3不同尺度分解的连续小波变换(CWT), 并与实测土壤有机质含量进行相关分析, 从而筛选出各类变换下与土壤有机质含量密切相关的特征波段和小波系数(p<0.01)。 分别以原始光谱反射率(R)以及不同变换处理下的特征波段反射率和敏感小波系数作为自变量, 土壤有机质含量作为因变量, 采用偏最小二乘回归和支持向量机回归方法构建土壤有机质含量的估测模型。 结果表明: (1)各类光谱变换方法有效提升光谱与土壤有机质含量之间的敏感性, 其中经CWT变换后的土壤光谱反射率与有机质含量的相关性得到显著提高, 相关系数由0.39提高到0.54(p<0.01)。 (2)传统的[lg(1/R)]'变换构建的支持向量机回归模型, 其决定系数(R2)高于lg(1/R)和R'变换构建的模型, 说明倒数对数一阶微分变换可有助于提高估测模型的精度, 且支持向量机回归模型的精度和稳定性高于偏最小二乘回归模型。 (3)经过CWT分解后, 以原始光谱反射率在不同尺度上的敏感小波系数作为自变量建立的模型, 估测精度和稳定性均有明显的提高, 构建的R-CWT-23-SVMR模型的决定系数(R2)为0.84, 均方根误差(RMSE)为1.48, 相对分析误差(RPD)等于2.11, 模型精度达到最高并拥有极好的预测能力。 高光谱数据经多种变换处理后可有效去除白噪声, 而连续小波变换处理比传统的数学变换方法更适合于挖掘土壤有效信息, 实现光谱信号的近似特征和细节特征的有效分离, 建立的反演模型可更加精准估测土壤有机质含量。
连续小波变换 分解尺度 高光谱估测 土壤有机质 渭干河-库车河三角洲绿洲 Continuous wavelet transformation Hyperspectral estimation Decomposition scale Soil organic matter The delta oasis of Weigan-Kuqa rivers 光谱学与光谱分析
2022, 42(4): 1278
1 新疆大学资源与环境科学学院/教育部绿洲生态重点实验室, 新疆 乌鲁木齐 830046
2 北京联合大学应用文理学院城市系, 北京 100083
为了研究人类干扰活动对土壤有机质含量的影响以及提高干旱区土壤有机质估算精度,以新疆北部阜康市的土壤为研究对象,对90个采样点的高光谱曲线分别进行连续小波变换(CWT),并与两种常用光谱变换R′、lg(1/R)进行对比。结果表明,随着人类干扰程度的增加,土壤有机质的空间变异性随之增强;常用光谱变换中,Ⅰ、Ⅱ、Ⅲ区R′与土壤有机质所建立的偏最小二乘决定系数模型R2均高于R、lg(1/R);经过CWT变换后所建模型精度更高,验证模型精度R2分别为0.717、0.689、0.630,与R所建模型的R2相比最大分别提高了0.382、0.4、0.389,且相对分析误差分别达到2.150、2.090、2.013,均能很好地预测土壤有机质含量,说明利用CWT不会因人类干扰程度的提高而使模型精度大幅度降低,更加适用于干旱区有机质含量的预测。
成像系统 土壤有机质 野外高光谱 连续小波变换 人类干扰活动 激光与光电子学进展
2019, 56(5): 051101
1 北华航天工业学院, 河北 廊坊 065000
2 河北省航天遥感信息处理与应用协同创新中心, 河北 廊坊 065000
3 北京农业信息技术研究中心, 北京 100097
4 农业部农业信息技术重点实验室, 北京 100097
以北京市东部地区96个潮土土样的土壤参数及对应光谱数据为数据源, 采用连续小波多尺度分析处理与分析。 首先将土壤光谱进行初步处理, 生成小波系数, 其次将土样的有机质含量与小波分解系数开展相关性分析, 提取特征波段, 最后采用特征波段建立预测耕层有机质含量的模型。 结果表明: 经连续小波处理后, 光谱对耕层有机质含量的预测能力明显优于传统光谱变换技术; 经连续小波分解后, 对土壤有机质含量的预测能力随光谱分辨率降低呈先降后升再降的趋势; 连续小波分析算法可提升土壤光谱对有机质含量的估测能力, 与土壤高光谱反射率相比, 基于连续小波变换的土壤有机含量最佳的精度提高19%; 由于光谱分辨率为80 nm建立的模型精度较高, 其R2达到0.632, 这表明在连续小波算法下, 光谱分辨率较低的宽波段数据可用于土壤有机质含量的监测。
土壤有机质 连续小波变换 高光谱 Soil organic matter Continuous wavelet transformation Hyperspectral 光谱学与光谱分析
2018, 38(11): 3521
