1 吉林农业大学资源与环境学院, 吉林 长春 130118 吉林省商品粮基地土壤资源可持续利用重点实验室, 吉林 长春 130118秸秆综合利用与黑土地保护教育部重点实验室, 吉林 长春 130118
2 松辽水利委员会松辽流域水土保持监测中心站, 吉林 长春 130021
3 中国农业大学资源与环境学院, 北京 100083
土壤有机质(SOM)作为土壤的重要组成部分, 其含量高低能够反映土壤的肥力和质量状况。 相较于传统SOM的测定方法, 利用无人机高光谱影像可快速、 精准获取田块尺度的SOM含量。 为探究基于高光谱数据建立的线性和非线性模型对作物覆盖下土壤有机质估算精度的差异, 以东北黑土区的玉米试验田为研究区, 分别采集了拔节期和吐丝期的土壤样本及同时期无人机高光谱影像作为数据源, 分析作物覆盖条件下土壤光谱反射率与有机质含量的相关关系, 并根据其响应波段构建光谱指数。 以施肥量和光谱指数作为自变量, 通过特征变量的筛选分别建立多元逐步线性回归模型（SMLR）、 支持向量机（SVM）、 随机森林（RF）和eXtreme gradient boosting（XGBoost）模型, 并验证比较各模型的精度（选用R2和RMSE为评价指标）。 结果表明, 作物覆盖条件下土壤有机质含量的响应波段为450~640 nm。 多年长期施用化肥对SOM含量有着显著影响, 将其作为协变量引入模型明显提高了对SOM的估算精度。 4种模型检验精度的对比结果为: XGBoost>RF>SMLR>SVM, 其中以拔节期XGBoost的估算结果最好（建模集和验证集的R2、 RMSE分别为0.516、 0.253和0.590、 0.222）。 可以利用无人机高光谱技术快速估算田块尺度玉米农田的土壤有机质含量, 且XGBoost模型是估算作物覆盖条件下土壤有机质含量的较优选择。
无人机 高光谱 土壤有机质 多元逐步线性回归 机器学习 UAV Hyperspectral Soil organic matter Stepwise multiple linear regression Machine learning 光谱学与光谱分析
2023, 43(8): 2617
1 中国气象局沈阳大气环境研究所, 辽宁 沈阳 110166
2 辽宁省气象服务中心, 辽宁 沈阳 110166
3 辽宁省气象信息中心, 辽宁 沈阳 110166
4 辽宁省气象局, 辽宁 沈阳 110166
利用辽宁锦州地区2013年生长季不同土壤水分控制条件下的春玉米冠层高光谱数据, 及对应的植株叶面积指数(leaf area index, LAI)数据, 分析在不同发育期内不同生长状况下的春玉米冠层高光谱特征及其与植株叶面积指数的关系。 采集并计算共313组有效样本, 包括350～2 500 nm波段范围光谱的反射率、 反射率倒数的对数、 反射率一阶导数及LAI, 应用多元逐步线性回归法和偏最小二乘回归法, 对剔除了受大气水分影响较为严重光谱波段的其他波段数据进行降维, 构建叶面积指数的全波段冠层高光谱数据模型, 并进行精度检验与比较。 结果表明, 春玉米LAI与光谱反射率在可见光波段(350～680 nm)、 红外波段(1 430～1 800和1 950～2 450 nm)均呈显著的负相关; 反射率倒数的对数在对应区间为显著的正相关; 反射率一阶导数则在可见光和近红外波段(350～1 350 nm)存在较显著相关波段。 三种全波段冠层高光谱数据在春玉米LAI的线性回归中, 偏最小二乘法在以冠层反射率为自变量的模型构建中, 比多元逐步线性回归拟合度好, 其总均方根误差为0.480 7; 以冠层光谱反射率的倒数的对数及一阶导数为自变量, 应用逐步线性回归法建模, 拟合度较好, 其总均方根误差分别为0.333 5和0.348 8; 三种光谱数据的春玉米LAI两种回归算法中, 以冠层反射率倒数的对数为自变量, 应用逐步线性回归方法建模的拟合度最佳。
多元逐步线性回归 偏最小二乘回归 高光谱反射率 倒数的对数 一阶导数 Multivariate step linear regression (MSLR) Partial least squares regression (PLS) Spectral reflectance of hyperspectral Logarithm of the reciprocal First derivative 光谱学与光谱分析
2017, 37(5): 1489
1 西北农林科技大学水利与建筑工程学院, 陕西 杨凌 712100
2 西北农林科技大学中国旱区节水农业研究院, 陕西 杨凌 712100
已有土壤有机质的光谱预测模型其适用性受建模样本的采样尺度、 土壤类型及光谱参数限制, 需要在大尺度及范围上进一步检验适用性, 并比较分析不同建模方法的建模效果以寻求适用性更好、 精度更高的定量模型。 在黑河上游大尺度范围采得225个土壤样品, 进行了土壤有机质（SOC）及光谱反射率测定后将样本划分为建模集（180个土样）与验证集（45个土样）。 将土壤光谱反射率(R)变换处理后得到连续统去除(CR)、 倒数(REC)、 倒数之对数(LR)、 一阶微分(FDR)及Kubelka-Munck变换系数共6种指标, 针对建模集分别采用逐步线性回归与偏最小二乘回归方法建立12种光谱指标与SOC的数学模型, 并采用验证集进行模型预测效果评价。 结果表明: (1）采用逐步线性回归或偏最小二乘回归方法建模, LR指标对SOC变化的解释效果都是最好, 是SOC的最优预测因子。 (2）基于LR指标建立的SOC模型中, 采用偏最小二乘回归模型比逐步线性回归模型的预测精度更好, 相较于黑河上游已有的经验模型, 偏最小二乘回归法建立的模型的预测效果也更好。 (3）采用本实验的225个土壤样品对比验证了黑河上游仅有的SOC模型。 该模型的SOC预测值与实测值通过了均值T检验且Pearson相关系数达0.826, 表明在局部典型区域建立的SOC预测模型, 可以应用到更大尺度上的土壤有机质预测研究。
黑河上游 逐步线性回归 偏最小二乘回归 有机质预测模型 光谱 Upper reaches of Heihe Soil organic matter Stepwise linear regression Partial least square regression Mathematic model Spectral reflectance
1 西北农林科技大学水利与建筑工程学院, 陕西 杨凌 712100
2 西北农林科技大学中国旱区节水农业研究院, 陕西 杨凌 712100
地面高光谱遥感光谱分辨率高, 能详细地反映地物波谱特征; 多光谱遥感时域宽, 覆盖范围广, 对较大时空区域的地物特征反演具有更大的优势。 探求以不同反射率指标的土壤有机质含量预测模型, 及其敏感波段, 可以结合两种光谱数据的优点, 为研究土壤有机质含量的时空变化规律提供新途径。 本研究选取黑河上游223个土壤样品测定其有机质含量和高光谱曲线, 应用原始光谱曲线反射率(λ)、 倒数(REC)、 倒数之对数(LR)、 归一化(CR)和一阶微分(FRD)五种指标, 采用逐步线性回归分析方法建立预测模型。 通过统计检验, 结果表明, 以反射率指标为自变量的模型预测效果最佳, 其相关系数(r)和均方根误差(RMSE)分别为: 0.863和4.79。 最优模型中得出的敏感波段有TM1内的474 nm、 TM3内的636 nm和TM5内的1 632 nm。 研究结果可为使用TM遥感数据反演黑河上游土壤有机质含量提供参考。
有机质含量 高光谱 反射率 逐步线性回归 Soil organic matter Hyperspectral Reflectance Stepwise linear regression analysis 光谱学与光谱分析
2013, 33(12): 3354
