土壤重金属Cu含量遥感反演的波段选择与最佳光谱分辨率研究

高光谱数据以其高光谱分辨率和多而连续的光谱波段为预测土壤重金属污染提供了有力工具,但波段选择方法与光谱分辨率的影响不容忽视。利用实验室测定的181个土壤光谱样本数据,利用逐步回归法进行土壤Cu含量反演的波段选择,进而利用偏最小二乘方回归PLSR方法建模,分析了波段数对Cu含量反演的影响;此外,采用高斯响应函数重采样方法,探讨了光谱分辨率降低对反演精度的影响。实验表明,预测重金属元素Cu含量的最佳波段数为10个,模型可决系数R2=0.7523,拟合均方根误差RMSE=0.4699;预测Cu含量的最佳光谱采样间隔为32 nm,R2=0.7028,RMSE=0.5147。该结果可能为将来设计低廉实用的高光谱卫星传感器提供指标论证,为模拟卫星传感器波段预测土壤重金属含量提供理论依据。     

可见光—近红外光谱估算三江源区不同土壤全氮含量

近年来可见光—近红外反射光谱已被广泛应用于估算土壤全氮含量,为大范围区域土壤全氮含量获取提供了一种快速、有效的方法。基于实验室测定的三江源区146个表层土壤(0~30cm)样品的反射光谱数据(350~2 500nm)与全氮含量数据;利用偏最小二乘回归(PLSR)和反向传播神经网络(BPNN)两种模型方法与光谱反射率(REF)及其4种数学预处理变换相结合,分别建立分土壤类型样本和总体样本全氮估算模型;评估利用可见光—近红外光谱技术预测三江源区土壤全氮含量的能力。结果表明:BPNN模型的R2cal、R2val及验证RPD的平均值分别为0.87、0.81与2.28;而PLSR模型则相应为0.75、0.72和1.95;表明BPNN模型预测能力整体上要优于PLSR模型。BPNN与光谱各种形式的结合均具有良好、或接近良好预测全氮的能力;而PLSR与REF、倒数对数(Log(1/R))及波段深度(BD)的结合仅少部分具有良好估算能力、大部分则为粗略估算能力,一阶微分(FDR)和二阶微分(SDR)估算精度均较低,尤其是SDR(R20.5,RPD=1.10~1.27)均不具备估算能力。总体样本所建模型稳定性好于分土壤类型,分土壤类型建模差异性明显;此外,总体来看,BPNN模型比PLSR建模精度高、模型稳定性好,但PLSR模型可操作性强于BPNN模型。     

水稻叶片氮含量反演偏最小二乘模型设计

针对高光谱偏最小二乘模型（PLSR）反演作物氮含量时易出现数据冗余和模型复杂的问题,尝试结合波段深度分析和遗传算法（GA）建立水稻氮含量PLSR反演模型。基于去包络线处理的水稻高光谱数据（350nm～750nm）,选取波段深度（BD）、波段深度比（BDR）、归一化面积波段深度（BNA）和归一化面积波段指数（NBDI）4种波段深度指数分别建立BDA PLSR模型,进而采用遗传算法波段选择选取最适宜波段深度指数建立GA PLSR模型,并将GA PLSR模型与BDA PLSR模型进行对比。结果显示,基于BNA的GA PLSR模型在反演水稻氮含量中获得了最佳的结果（Adj.R2=0.67,RMSEP=0.20,RPD=1.84）。研究证明,利用波段深度分析建立的PLSR模型能一定程度上解决数据冗余问题,进一步采用遗传算法进行波段选择能更有效挖掘光谱信息,提高模型精度。     

吐鲁番盆地葡萄园土壤重金属铅含量高光谱估算

土壤重金属铅污染作为现代工矿业发展的产物,已逐渐入侵到农业生产和农产品中。高光谱技术由于具有宏观、快速、高效的特点已成为土壤重金属监测的重要手段。以新疆吐鲁番盆地葡萄园土壤Pb元素为研究对象,分析土壤原始光谱在内的15种光谱变换下的土壤光谱反射率数据与土壤Pb含量的关系,构建土壤Pb含量偏最小二乘回归（PLSR）模型和地理加权重回归（GWR）模型,对比分析并探讨运用土壤高光谱估算葡萄园土壤Pb含量的可行性。结果表明：土壤原始光谱反射率通过光谱变换能有效增强葡萄园土壤Pb元素的光谱特征及模型估算精度,其中,平方根二阶微分（SRSD）变换的PLSR模型和GWR模型估算能力最优。采用GWR模型比PLSR模型更好的解释葡萄园土壤重金属Pb含量高光谱估算。从模型稳定性和精确性来看,在平方根二阶微分变换中GWR模型R²从PLSR模型的0.262提高至0.866, 平方根误差减少了1.009。采用GWR模型可有效提高估算葡萄园土壤Pb含量的精度,为中国葡萄园基地土壤重金属污染以及土壤环境安全研究提供有益借鉴。     

东北黑土区土壤铬含量高光谱反演研究

以东北黑土区某农场为研究区,在光谱积分定义的基础上,提出一种新的光谱特征参数——反向光谱吸收积分,建立偏最小二乘回归模型对土壤中铬元素含量进行反演研究。与传统的光谱特征参量,包括微分变换、倒数变换、对数变换等11种光谱变换以及吸收面积建立的土壤铬含量高光谱反演模型进行对比分析,结果表明:在光谱变换特征中,平方根一阶微分模型能够较好地定量预测铬含量;吸收面积模型稳定性略差,只能对样本进行初略估计;针对反向光谱吸收积分模型,其建模样本的调整决定系数为0.73,均方根误差为2.63 mg/kg;验证样本的调整决定系数为0.77,均方根误差为2.36 mg/kg,相对偏差为3.21,表明此模型具有极好的预测能力。因此,反向光谱吸收积分能够明显改善铬含量反演模型的精度和稳定性,为土壤铬污染监测提供了新的思路。     

土壤全氮含量与碳氮比的高光谱反射估测影响因素研究

基于土壤高光谱反射特征可以实现土壤全氮(TN)含量与碳氮比(C∶N)等土壤属性的快速、无损测定,但其估测模型受土壤颗粒粒径水平与光谱指数(预处理)等因素影响。通过研磨准备2、0.25和0.15 mm共3个水平颗粒粒径的土样,分析了原始(RAW)及多次散射校正MSC(Multiple Scattering Correction)、一阶微分FD(First Derivative)、连续统去除CR(Continuum Removal)等预处理的土壤反射光谱与TN含量、碳氮比变化之间的关系,发现土壤研磨可以提高反射光谱对TN含量变化的响应,而FD、CR与MSC等光谱预处理能够明显缩小不同颗粒粒径水平土样的光谱反射-TN含量、碳氮比相关性差异。结果表明:0.25 mm颗粒粒径土样的FD预处理光谱在2 250 nm和2 280 nm处分别与TN含量、碳氮比变化存在最大相关,但最大相关单波段线性回归模型的TN含量、碳氮比估测精度不如全波段光谱PLSR模型。其中,0.25 mm土样RAW光谱全波段PLSR模型估测TN含量的表现最佳(RPD=3.49,R²=0.92,RMSEP=0.1 g/kg);而碳氮比的估测结果并不十分理想,其最优估测模型(0.25 mm土样FD预处理的全波段PLSR模型)的RPD仅为1.21,可能与土样的碳氮比变化范围较小有关,在以后的研究中可以尝试采集更多的样本数量或土壤类型,使训练样本具有较大的变量范围,以取得较好的估测效果。     

水稻叶片氮含量反演偏最小二乘模型设计

针对高光谱偏最小二乘模型(PLSR)反演作物氮含量时易出现数据冗余和模型复杂的问题,尝试结合波段深度分析和遗传算法(GA)建立水稻氮含量PLSR反演模型。基于去包络线处理的水稻高光谱数据(350nm~750nm),选取波段深度(BD)、波段深度比(BDR)、归一化面积波段深度(BNA)和归一化面积波段指数(NBDI)4种波段深度指数分别建立BDA-PLSR模型,进而采用遗传算法波段选择选取最适宜波段深度指数建立GA-PLSR模型,并将GA-PLSR模型与BDA-PLSR模型进行对比。结果显示,基于BNA的GA-PLSR模型在反演水稻氮含量中获得了最佳的结果(Adj.R2=0.67,RMSEP=0.20,RPD=1.84)。研究证明,利用波段深度分析建立的PLSR模型能一定程度上解决数据冗余问题,进一步采用遗传算法进行波段选择能更有效挖掘光谱信息,提高模型精度。     

基于特征筛选结合PSO-BPNN和GA-BPNN算法的土壤重金属高光谱定量反演

以连州地区土壤重金属含量为研究对象,分析包括土壤原始光谱在内的经过数学变换后的光谱数据与重金属含量之间的相关性,再采用VISSA-IRIV算法进行光谱特征提取,分别建立偏最小二乘回归(PLSR)、BP神经网络(BPNN)、粒子群优化BP神经网络、遗传算法优化BP神经网络模型,对比获取土壤重金属元素Cr、Cu含量最优反演模型。结果表明：VISSA-IRIV算法实现了对光谱数据的高效降维;BPNN模型预测效果明显优于PLSR模型;经过优化的BP神经网络模型反演精度和稳定性得到了极大地提升,其中Cr、Cu元素的最佳反演模型组合分别为FD-GABPNN(R²=0.87、RMSE=13.82、RPD=2.95)、SNV-FD-PSO-BPNN(R²=0.92、RMSE=4.25、RPD=3.41)。该研究对土壤重金属含量的准确、快速分析提供了一种有效的方法,对实现土壤重金属污染治理具有重要的现实意义。     

基于多源遥感数据融合的土壤水分反演研究

土壤含水量作为地表的重要参量之一,对地球能量循环、水循环、碳循环及生态环境都有十分重要的意义。以南京市金川河流域为研究区,融合哨兵 2 号 L2A 数据和 Landsat 8 遥感数据 2 种数据源,分别采用偏最小二乘法(PLSR)、最小二乘-支持向量机(LS-SVM)、反向传播神经网络(BPNN)和随机森林(RF)4 种建模方法,建立遥感数据与土壤含水量之间的关系,并进行模型的验证与评价。结果表明：1)土壤含水量与哨兵 2 号和 Landsat 8 各波段反射率均呈负相关关系,和海岸带监测波段(波长为 430~450 nm)和近红外波段(波长为 2 100~2 300 nm)相关性最佳;2)融合后的遥感数据相较于单一遥感数据源,预测土壤含水量的能力更佳, 最优模型 R2 达 0.996,均方根误差仅为 0.003 g/g;3)4 种建模方法中,建模效果从好到差依次为 PLSR,RF, LS-SVM,BPNN。融合哨兵 2 号 L2A 和 Landsat 8 数据,结合 PLSR 建模方法可进行土壤含水量的精准反演, 相较于现有研究反演精度大大提升,对研究该地区地表与地下水循环和生态环境治理有一定参考价值。     

卫星遥感反演土壤有机质研究进展

土壤有机质是评价土壤质量的关键指标,了解土壤有机质含量及其空间分布,对实现土壤养分精准管理、促进农业可持续发展具有重要意义。近年来,遥感技术的迅猛发展为土壤属性定量化研究提供了丰富的数据源,卫星遥感反演土壤有机质逐渐吸引了更多的关注。文章针对土壤有机质反演的相关研究,阐述了土壤遥感及传感器发展历程、土壤有机质遥感反演机理;系统归纳了直接法、间接法以及实测高光谱与卫星遥感相结合3种反演方法的发展现状;将不同研究方法的优势及不足进行对比,并详细分析制约土壤有机质反演精度的关键因素,最后对卫星遥感反演土壤有机质的发展趋势进行展望。     

高光谱遥感反演土壤重金属含量研究进展

土壤重金属污染是当今重要的世界性环境问题之一。如何快速高效地获取土壤重金属含量及分布信息是进行污染风险评价及预测研究的前提。高光谱遥感具有无损、实时获取信息的优势,利用高光谱技术反演土壤重金属含量仍处于探讨阶段,对其反演机理和建模方法的研究成果进行了介绍和分析。认为充分研究不同类型土壤对重金属的吸附特性,是深入理解重金属含量反演机理的基础。加强不同土壤类型、不同污染程度的案例对比分析,发展光谱信号处理方法,引入非线性建模算法,构建重金属形态量反演模型,是土壤重金属含量遥感估算研究的重要研究方向。     

小嵩草高寒草甸的土壤养分因子及水分含量对牦牛放牧率的响应Ⅱ冬季草场土壤营养因子及水分含量的变化

牦牛放牧试验结果表明:随着放牧率的增加,冬季草场不同土层有机质、有机碳、全氮的含量和C/N值下降,它们的含量与放牧率呈显著的线性回归关系,全磷和速效氮的含量与放牧率呈显著的二次回归关系,各土壤营养因子平均含量与放牧率也有类似的关系;当放牧率分别达到0.81头hm-2和1.00头hm-2,1.03头hm-2和1.03头hm-2,1.36头hm-2和1.30头hm-2时,0~5cm,5~10cm,10~20cm土层全磷和速效氮的含量分别依此达到最大,若放牧率继续增强,它们的含量依此开始减小;而且0~20cm土层全磷和速效氮平均含量达到最大的放牧率分别是1.03头hm-2和1.06头hm-2。放牧率和土壤深度的交互作用对土壤各养分因子含量的影响极显著(P<0.01);放牧率对各土壤层含水量有极显著的影响(P<0.01),不同年度间同一土壤层含水量的差异极显著(P<0.01)。     

几种土壤生物因子对土壤养分的影响

试验研究了在果树—牧草间作模式下土壤中纤维分解菌、硅酸盐细菌以及蔗糖酶、脲酶、过氧化氢酶、纤维分解酶、多酚氧化酶对土壤中N、P、K全量养分、速效养分和有机质的影响,并通过通径分析发现:脲酶、硅酸盐细菌、纤维分解酶是促进有机质积累的主要生物因素,蔗糖酶是影响N、P、K速效养分的最主要因子,过氧化氢酶、多酚氧化酶、纤维分解菌只是选择性地对有机质的积存和N、P、K速效养分的形成起作用。     

叶绿素反演三波段模型的多时相应用

基于对内陆水体叶绿素a、悬浮物、溶解有机物与纯水的固有光学特性分析和三波段模型的理论,利用太湖实测的水面高光谱遥感数据波段组合,进行迭代优化,得到与叶绿素浓度密切相关而受悬浮物与黄色物质影响小的最优波段组合模型。其中春季最后以[Rrs-1（677）-Rrs-1（696）]×Rrs（754）为因子建立模型,决定系数和均方根误差分别为0.9885、1.80332ug/l,验证数据的模型的均方根误差为5.8646ug/l,平均相对误差为25.5%,秋季的叶绿素浓度较高,三波段模型迭代计算中,用于去除无机悬浮物和黄色物质影响的波段不能稳定出现,为此我们补充计算了二波段模型,分别以[Rrs-1（680）-Rrs-1（710）]×Rrs（770）和R（680）-1×R（770）为因子,取得的模型决定系数和均方根误差分别为0.881,11.6322ug/l和0.883,11.52633ug/l,验证数据的均方根误差和平均相对误差为15.456ug/l,20.3%和15.684ug/l,21.4%,两种模型都能取得不错的反演效果。因此该方法可以有效地去除悬浮物和黄色物质的影响,有效地针对不同时相的特点取得较好的反演效果。     

基于双EnKF的土壤水分与土壤属性参数同时估计

为提高土壤水分数据同化结果的精度,将基于双集合卡尔曼滤波(Dual Ensemble Kalman Filter,DEnKF)的状态-参数估计方案与简单生物圈模型(simple biosphere model 2,SiB2)相结合,同时更新土壤水分和优化模型参数(土壤属性参数)。选用2008年6月1日~10月29日黑河上游阿柔冻融观测站为参考站,开展了同化表层土壤水分观测数据的实验。研究结果表明:DEnKF可同时优化土壤属性参数和改进土壤水分估计,该方法对表层土壤水分估计的精度0.04高于EnKF算法的精度0.05。当观测数据稀少时,DEnKF算法仍然可以得到较高精度的土壤水分估计,3层土壤水分的估计精度在0.02~0.05之间。     

卫星红外高光谱反演大气水汽含量

利用高光谱大气红外探测仪AIRS模拟及观测数据,发展基于主成分分析技术的多层前馈神经网络反演算法,进行大气中水汽柱总量(IWV)的反演计算、模拟及实测验证。首先,基于全球晴空大气廓线训练样本SeeBorV4.0,利用快速辐射传输模式CRTM进行了辐射传输模拟计算,得到全球高光谱分辨率模拟辐亮度;其次,利用主成分分析技术对模式模拟和AIRS实测高光谱数据进行降维、去噪及去相关处理,并采用多层前向神经网络算法反演大气水汽柱总量;最后,利用数值试验、AIRS实测L1B数据及其水汽产品,对反演算法进行了验证。通过与AIRS官方大气产品的统计分析,本算法反演均方根误差为0.387 g/cm²,最大偏差为0.82 g/cm²,空间分辨率保留了AIRS像素原分辨率(比AIRS官方大气产品高3倍)。     

基于Hyperion影像的高光谱水汽含量反演的算法比较研究

基于高光谱遥感图像数据的大气参数反演和一体化辐射校正具有重要研究意义和应用价值。首先,通过6S模型辐射传输计算分析了EO-1/Hyperion遥感影像在940和1 130nm附近水汽吸收区域的光谱吸收特点。其次,采用两通道比值法和三通道比值法,比较了不同波段组合的大气含水量高光谱遥感反演精度并进行了敏感性分析,模拟实验结果表明采用三波段比值算法的相关系数和均方根误差均优于对应的两波段算法。最后,利用张掖地区2008年3景EO-1Hyperion高光谱遥感影像,反演了大气含水量,并与地基CE-318太阳分光光度计测量数据进行对比验证,结果表明:1 124nm水汽吸收通道反演精度优于940nm,两通道和三通道比值法的均方根误差分别为0.369和0.128g/cm2,三通道比值方法优于两通道比值方法,与地面观测结果一致。     

联合无人机激光雷达和高光谱数据反演玉米叶面积指数

叶面积指数（Leaf Area Index,LAI）是作物长势监测及产量估算的重要指标,准确高效的LAI反演对农田经济的宏观管理具有重要作用。研究探索了联合无人机激光雷达（Light Detection and Ranging,LiDAR）和高光谱数据反演玉米叶面积指数的潜力,并分析了LiDAR数据不同采样尺寸、高度阈值、点密度对LAI反演精度的影响同时确定三者的最优值。该研究分别从重采样的LiDAR数据和高光谱影像中提取了LiDAR变量和植被指数,然后基于偏最小二乘回归（Partial Least Square Regression,PLSR）和随机森林（Random Forest,RF）回归两种算法分别利用LiDAR变量、植被指数、联合LiDAR变量和植被指数构建预测模型,并确定反演玉米LAI的最优预测模型。结果表明：反演玉米LAI的最优采样尺寸、高度阈值、点密度分别为5.5 m、0.55 m、18 points/m2,研究发现最高的点密度（420 points/m2）并没有产生最优的玉米LAI反演精度,因此单独依靠增加点密度的方法提高LAI的反演精度并不可靠。基于LiDAR变量获...