基于野外Vis-NIR光谱的土壤有机质预测与制图

合集下载

利用高光谱遥感预测土壤有机碳

利用高光谱遥感与可见光-近红外段光谱预测土壤有机碳（Soil organic carbon prediction by hyperspectral remote sensing and field vis-NIR spectroscopy）摘要本文利用可见光和近红外反射(vis-NIR)高光谱图像的最接近遥感数据。

预测土壤有机碳(SOC)的结果进行比较，土样采集在Narrabri地区,在澳大利亚新南威尔士(NSW)的北方占据优势的是Vertisols（变性土）,这个地区Vis-NIR的光谱采集用AgriSpec便携式光谱仪(350 - 2500nm)和远距离机载高光谱传感器卫星(400 - 2500nm)。

,利用偏最小二乘法回归法(PLSR)，偏最小二乘回归法（PLSR：partial least squares regression)：是一种新型的多元统计数据分析方法，它主要研究的是多因变量对多自变量的回归建模，特别当各变量内部高度线性相关时，用偏最小二乘回归法更有效。

另外，偏最小二乘回归较好地解决了样本个数少于变量个数等问题。

偏最小二乘法是集主成分分析、典型相关分析和多元线性回归分析3种分析方法的优点于一身。

它与主成分分析法都试图提取出反映数据变异的最大信息，但主成分分析法只考虑一个自变量矩阵，而偏最小二乘法还有一个“响应”矩阵，因此具有预测功能。

）使用的近距离与星载遥感光谱资料预测土壤有机碳含量。

近距离和远距离遥感数据的光谱分辨率是不会影响预测精度的。

然而,在相同光谱分辨率情况下，利用高光谱预测土壤有机碳含量精度没有用Agrispec 便携式光谱仪(resampled ）的精度高。

结果显示,用土卫七（Hyperion就是土卫七，围绕着土星运转，1848年9月16日发现Hyperion 是世界上第一个成功发射的星载民用成像光谱仪，也是是目前少数几个仍在轨运行的星载高光谱成像仪。

其搭载卫星EO-1(EarthObserving-1)是美国NASA为接替Landsat7而研制的新型地球观测卫星，于2000年11月21日发射升空。

几种不同类型土壤的VIS-NIR光谱特性及有机质响应波段

ｓｃｒｅｅｔｎｃｒａｃｌｔｄ，ｗｈｌｈｅｃｒｃｅｉｔｃｓｃｒｌｂｎｎｉｎｅｎｐｒｃｄｅｅｅｒｈｅｒｕｐｅｔａｒｆｃａｅｗｅｅｃｌｕａｅｌｌｉｅｔｈａａｔｒｓｉｐｅｔａａｄｓｍｅｔｏｄｉｅｅｎｔｒｓａｃｓｗｅｅｓｍｍａ－
ＪＷｅ．ｎ，Ｓｈｕ，ＺＵＱｎＺＵＬａ．ｉｇＩｎＪｕＨＩｏＺＨＯｉｇ，ＨＯｉｎＱｎ
（．ｎｔｕｅｏＡｒｕｔｒｌｅｏｅＳｎｉｇａｄＩｆｍａｏｅｈｏｏｙＡｐｃｔｎ１ＩｓｔｔｆｇｃｌａＲｍｔｅｓｎｎｒｔｎＴｃｎｌｇｐｌａｏ，ｉｉｕｎｏｉｉｉ
２湖南农业大学资源环境学院，南长沙．湖
３０５；１０８
４０２）１１８
摘要：利用高光谱遥感技术估测土壤有机质含量是精准农业发展的必然要求．本研究测量并分析了７组不同地区不同类型共７１个土壤样品在３０～５０ｎ的光谱反射率及一阶微分曲线，９５２０ｍ并对土壤有机质含量和光谱反射率进
ｍａｕｅｅｖｓｌａｄｎａ－ｒｒｄ（５２０ｍ）ｂｎｓｗｉｅｎｖｉｅｅｔｏｐｓｆｍｆｒｒｖｅｓｒｄｉｔｉｂｅｎｅｒｎａｅ３０～５０ｎｎｈｉｉｆａｄ，ｈｃｂｌｇｔｆｅｄｆｎｉｔｅｒｕｏ— ｈｏｏｉｆｒｓｌｙｏｏｐｉｃｓｉｃｕｉｈｅｚｍｉＨｉｎｊｎ，ｌｖａｓｉｉｅａ，ａｄｏｉｕｎａｄＺｅｉｇｐｒｌｓｉｉＳ— ｎｅ，ｎｌｄｎｐａｏｅｅｏｇｉｇａｕｉｏｌｎＨｎｎｐｄｙｓｉｉＳｃａｎｈｊｎ，ｕｐｅｏｉｇｎｌａｌｌｌｎｈａｌｎ

uv-vis-nir原理

UV-Vis-NIR（紫外-可见-近红外）光谱仪是一种用于测量物质吸收和反射光谱的仪器。

它基于物质对不同波长的光的吸收和反射特性，通过测量样品在紫外、可见和近红外光谱范围内的吸收和反射光强来分析样品的化学成分和结构。

UV-Vis-NIR光谱仪的工作原理基于比尔-朗伯定律，该定律描述了光通过物质时的吸收行为。

根据该定律，物质吸收的强度与物质的浓度成正比，与光程长度成正比，与物质的摩尔吸光系数成正比。

因此，通过测量样品吸收的光强，可以推断出样品中物质的浓度。

UV-Vis-NIR光谱仪通过将样品暴露在一束连续的光源下，然后测量样品吸收或反射的光强来工作。

光源通常是一束白光，它包含了紫外、可见和近红外光谱范围内的各种波长。

样品与光源相互作用后，光通过样品并进入光谱仪的检测器。

检测器测量样品吸收或反射的光强，并将其转换为电信号。

UV-Vis-NIR光谱仪通常使用光栅或干涉仪作为波长选择器。

光栅通过将光分散成不同波长的光束，然后选择特定波长的光束进入检测器。

干涉仪则通过干涉光束的方式选择特定波长的光束。

选择器将特定波长的光束传递给检测器，其他波长的光束被滤除。

最后，通过分析样品在不同波长下的吸收或反射光强，可以绘制出UV-Vis-NIR光谱图。

这些光谱图可以用于确定样品的化学成分、浓度、结构等信息。

Vis-NIR光谱快速估测土壤可侵蚀性因子可行性分析

第38卷，第4期光谱学与光谱分析V o'38，N o.4，p p l076-1081 2 0 18 年 4 月Spectroscopy and Spectral Analysis April，2018V is-N IR光谱快速估测土壤可侵蚀性因子可行性分析喻武贾晓琳S陈颂超S周炼清-，2" !史舟21<西藏农牧学院资源与环境学院，西藏林芝8=01142<浙江大学环境与资源学院农业遥感与信息技术应用研究所，浙江杭州310005摘要土壤侵蚀降低土地生产力，导致土壤环境恶化，其中水力侵蚀是土壤侵蚀中最主要的一种形式。

土壤可侵蚀性K值是评价土壤被降雨侵蚀难易程度的一项重要指标。

使用河南、福建和浙江三省研磨干样可见-近红外（Vis-N I R)漫反射光谱数据，将其转换为吸收率后进行S a Y H k y-G o l a y C S G)平滑去噪；对土壤有机质（S O M)和机械组成进行精准预测后，分别采用E I O C和R U S L E2模型估算K值，并对预测精度进行比较分析，所得结论如下：（1)建立土壤有机质和机械组成高光谱最佳预测模型，土壤质地（砂粒、粉粒和黏粒）预测采用支持向量机（S V M)模型，S O M预测采用局部加权回归（L W R)模型，模型四分位相对预测误差(R P I Q)为2. 27, 3. 17, 2. 18和3. 44% (2)通过土壤质地估算的土壤渗透性等级分类效果较好，K a p p a系数为0.62,同时估测的土壤质地类型与实测土壤质地类型分布特征相近，质地主要类型均是粉黏土、砂黏壤土、壤土、壤砂土和砂壤土％ (3)E P I C和R U S L E2两种模型均具有较为精确的估测能力，E P I C模型预测精度更高，均方根误差（R M S E P)为 0. 006 6 & •ha •h)/(ha •M J •m m)，R P O Q达 1. 58,而 R U S L E2 模型精度相对较低（其中R P I Q为1. 43)，因此推荐使用E H C模型结合Vis-N I R光谱技术估测土壤可侵蚀性K值。

基于Vis-NIR光谱的土壤质地BP神经网络预测

Ｋｅｙｗｏｒｄｓ：Ｖｉｓ－ＮＩＲｓｐｅｃｔｒｏｓｃｏｐｙ；ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ；ＰＣＡ；ｓｏｉｌｔｅｘｔｕｒｅ
Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｄｅｔｅｒｍｉｎａｔｅｔｈｅｓｏｉｌｔｅｘｔｕｒｅｆａｓｔａｎｄａｃｃｕｒａｔｅｌｙ，ｔｈｉｓｐａｐｅｒｐｕｔｆｏｒｗａｒｄｍｏｄｅｌｉｎｇａｍｅｔｈｏｄｏｆＶｉｓ — ＮＩＲｓｐｅｃｔｒａｌ
ｃｏｒｒｅｃｔｉｏｎｍｏｄｅｌｏｆＭＬＳＲ．ＴｈｅｒｅｓｕｌｔｓｈｏｗｅｄｔｈａｔＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｗａｓｂｅｔｔｅｒｔｈａｎＭＬＳＲ．Ｒｏｏｔ — Ｍｅａｎ — ＳｑｕａｒｅＥｒｒｏｒｏｆＰｒｅｄｉｃｔｉｏｎ
ｍｏｄｅｌｓｏｆｃｌａｙｃｏｎｔｅｎｔａｎｄｓａｎｄｃｏｎｔｅｎｔｗｅｒｅｅｓｔａｂｌｉｓｈｅｄｕｓｉｎｇＰＣＡｏｆｔｈｅｏｒｉｇｉｎａｌａｎｄｄｉｆｆｅｒｅｎｔｉａｌｓｐｅｃｔｒａｌ，ａｎｄｃｏｍｐａｒｅｄｗｉｔｈｔｈｅ
ａｎａｌｙｓｉｓｔｅｃｈｎｏｌｏｇｙｃｏｍｂｉｎｅｄｗｉｔｈＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｂａｓｅｄｏｎ８６ｓｏｉｌｓａｍｐｌｅｓｃｏｌｌｅｃｔｅｄｆｒｏｍＦｅｎｇｑｉｕＣｏｕｎｔｙ，ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ

基于Vis-NIR光谱的果园土壤有机质便携式检测仪研究

进行了研究］。张娟娟等人分析了５个不同地方的土壤样本，建立了有机质含量的光谱参数和定量模型，模
型的预测决定系数（Ｒ。）为０．７９，均方根误差（ＲＭＳＥ）为
的烷烃类物质、芳香族、含氧化合物、含氮化合物和氨基化
摘要：以赣南脐橙果园土壤为研究对象，对采集到的５６个土样风干、过筛，然后进行化学分析，同时使用傅里叶近红外和自主设计的便携
式仪器光谱采集采集到的光谱数据经过一阶微分、平滑、多元散射校正、归一化四种常用的预处理方法，分别应用偏最小二乘法（ｐａｒｔｉａｌ
合物等，在７００￣２５００ｎｍ范围内，近红外光谱吸收主要是
Ｃ啊Ｃ、Ｈ、Ｃ — Ｈ、Ｎ — Ｈ、Ｈ、Ｐ — Ｈ等基团的倍频
４．７１ｇ・ｋｇ＿。，相对分析误差（ＲＰＤ）为２．３＿７］。岑益郎等
和合频吸收。由于几乎所有的有机物的一些主要结构和
人对两种不同粒径的土壤有机质进行建模，结果表明：
同一粒径的土壤ＰＬＳ模型要优于ＰＣＡ—ＢＰＮＮ和ＬＳ — ＳＶＭ模型，并且不同土壤颗粒粒径在有机质的检测中会显著影响近红外光谱检测结果［８］。刘炜等人对不同尺度的微分窗口下土壤有机质的一阶导数光谱响应特征进行研究，当窗口为１９时，能较为准确的测出有机质含量，使得运算简单，易于实现快速检测［ｇ］。李民赞等人采用自主开发的土壤有机质便携式测定仪发现在有

基于野外可见近红外光谱和水分影响校正算法的土壤剖面有机碳预测

第41卷，第4期221年4月Vol41,No.4,pp1234-1239April,2021光谱学与光谱分析SpectroscopyandSpectralAnalysis基于野外可见近红外光谱和水分影响校正算法的土壤剖面有机碳预测李硕X李春莲X陈颂超34,徐冬云2,史舟21华中师范大学地理过程分析与模拟湖北省重点实验室，湖北武汉4300792.浙江大学农业遥感与信息技术应用研究所,浙江杭州3100583.INRAE,Unite InfoSol,45075Orleans,France4.UMRSAS INRAE AgrocampusOuest3542Rennes France摘要土壤是陆地碳循环的中枢，充分发挥土壤固碳潜力有助于减缓全球气候变化"土壤有机碳(SOC)的高度分异性同时体现在空间和垂直分布上，但是许多前期研究往往只考虑了空间分异，而忽略了垂直分异"尤其在青藏高原这种高寒山区,土壤样品采集难度较大且费用昂贵"可见近红外(Vis-NIR)光谱作为传统土壤实验室化学分析的辅助手段，能够较为快速和精准地估测SOC含量。

但是土壤水分等环境因素会掩盖或改变SOC的Vis-NIR光谱吸收特征进而削弱模型预测精度。

外部参数正交化(EPO)和分段直接标准化(PDS)算法可以有效校正水分对光谱的影响，但其在野外新鲜土柱上的表现还不得而知。

本研究旨在探索不同水分影响校正算法对野外剖面土壤光谱的校正能力，对采自中国青藏高原海拔2900〜4500m色季拉山的共26个1m深土柱。

沿深度以5cmX5cm为测量单元,从各单元中心采集共计386个野外原状湿样Vis-NIR光谱,并在实验室内测得相应386个研磨干样的Vis-NIR光谱以及SOC含量。

经EPO和PDS算法校正土壤水分对光谱的影响后，通过随机森林建立土壤光谱和SOC含量的定量预测模型，并使用靴襻法评估不同校正处理下预测模型的不确定"土柱整体及垂直分布的精度结果表明，经PDS法转换的农田和草地土柱湿样光谱均表现出良好的水分校正效果，而EPO法仅对农田土柱有效。

基于多光谱数据的荒漠矿区土壤有机质估算模型

近年来，大气污染严重影响了自然环境，引发荒漠化和矿区土壤污染
严重破坏了生态环境，影响到土壤有机质（SOM）的空间分布和质量
及其形成的生态系统的可持续发展，对土壤管理和保护具有重要意义。

精确估算土壤有机质（SOM）的含量是土壤质量评定和土壤肥力预测
的基础。

单光谱遥感技术是传统的土壤有机质含量估算方法，但是在
高反射材料、多集成信息时存在一定的局限性，不能满足估算要求。

为了解决上述问题，利用多光谱数据构建土壤有机质估算模型，可以
有效获取土壤有机质（SOM）的空间分布和质量，发掘出有机质含量
与多种植被和地表特征的相关性，从而更好地实现矿区土壤有机质估
算模型。

基于多光谱数据的荒漠矿区土壤有机质估算模型，首先利用多光谱数
据获取土壤和植物外观特征，然后将多光谱数据进行归一化处理，提
取Ground-Level Reflectance（GLR）反射率，进而获得SOM光谱特征
及其相关因子，构建有机质含量估算模型。

基于多光谱数据的荒漠矿区土壤有机质估算模型，在野外调查的基础
上实现了快速、准确的土壤有机质（SOM）含量估测，有利于实现精
确的土壤有机质营养有效性评价，有利于区域土壤质量监测和管理，
为制定合理的土壤质量保护政策提供了可靠的数据支持。

总之，基于多光谱数据的荒漠矿区土壤有机质估算模型，可以高效精
准地实现土壤有机质含量的估算，从而更好地指导土壤质量管理和保护，为矿区环境保护提供重要参考价值。

基于VIS-NIR光谱的互花米草入侵湿地土壤有机碳预测研究

利用偏最小二乘回归方法建立了基于 6 种光谱变换的土壤有机碳预测模型，并分析了互花米草入侵年限和土层深度对土壤光
谱和模型预测精度的影响。结果表明，表层土壤有机碳含量随互花米草入侵而显著增加。相对于仅包含光谱信息的预测模型，
加入辅助变量（土层深度和植物入侵年限）建立的混合模型预测精度更高。交叉验证结果表明，基于光谱倒数 1/R 建立的混合模型预测精度最高，其决定系数（ R2 ）为 0.68，预测相对分析误差（RPD）为 1.6，是预测互花米草入侵湿地土壤有机碳
含量的最优模型。本研究表明，利用可见光—近红外光谱技术可以对互花米草入侵湿地的土壤有机碳含量进行有效预测，土
层深度和植物入侵年限辅助变量可以在一定程度上提高模型预测精度。
关键词：盐沼湿地；互花米草入侵；有机碳；土壤光谱；偏最小二乘回归
中图分类号：S153.6
文献标志码：A
VIS-NIR Spectroscopy-Based Prediction of Soil Organic Carbon in Coastal Wetland Invaded by Spartina alterniflora
CHEN Qiuyu, YANG Renmin†, ZHU Changming
(School of Geography, Geomatics and Planning, Jiangsu Normal University, Xuzhou, Jiangsu 221116, China)
Abstract: 【Objective】 As one of the major species that have invaded into China, Spartina alterniflora (S. alterniflora) significantly affects the carbon storage and carbon cycle process in the coastal wetlands it has colonized. Close monitoring of spatiotemporal variation of soil organic carbon (SOC) in S. alterniflora invaded wetlands will facilitate scientific evaluation of impacts of this species on wetland ecosystems. The objective of this study is to investigate potential of the visible and near

基于深度学习的土壤氮含量可见近红外光谱建模

第４０卷，第１０期光谱学与光谱分析Ｖｏｌ．４０，Ｎｏ．１　０，ｐｐ７　１－７　２２　０　２　０年１　０月Ｓｐｅｃｔｒｏｓｃｏｐｙ　ａｎｄ　Ｓｐｅｃｔｒａｌ　Ａｎａｌｙｓｉｓ　Ｏｃｔｏｂｅｒ，２０２０　基于深度学习的土壤氮含量可见／近红外光谱建模刘兰军１，翟永庆１，郑俊俊１，范萍萍１，２＊，邓　莉１１．中国海洋大学工程学院，山东青岛　２６６１００２．齐鲁工业大学（山东省科学院）海洋仪器仪表研究所，山东青岛　２６６１００摘　要　相比传统方法，光谱法进行土壤分析具有低成本、高效、无损的优点。

提出了基于粒子群优化卷积神经网络的土壤光谱分析模型，以达到快速、高效、准确的土壤元素分析。

选用粒子群算法对卷积神经网络的结构进行优化，进一步提升ＣＮＮ的预测准确率。

结果表明，相比传统的ＣＮＮ，ＰＬＳ，ＬＳＳＶＭ等建模方法，所提出的模型具有更高的预测准确率。

关键词　土壤元素分析；可见／近红外光谱；卷积神经网络；粒子群算法文献标识码：Ａ文章编号：１０００－０５９３（２０２０）１０－００７１－０２　收稿日期：２０２０－０３－３０，修订日期：２０２０－０７－１０　基金项目：国家重点研发计划项目（２０１７ＹＦＣ０３０７７０１），山东省自然科学基金项目（ＺＲ２０１８ＬＤ００７）资助　作者简介：刘兰军，１９７９年生，中国海洋大学工程学院副教授＊通讯联系人ｅ－ｍａｉｌ：ｆａｎｐｐ＿ｓｄｉｏｉ＠１２６．ｃｏｍ土壤元素含量的测定是对环境进行评价的一种可靠的方法。

近红外光谱分析技术通过建立校正模型，可以快速实现对于土壤样本的快速分析，是一种低成本、高效率、无损的检测技术。

但是近红外光谱分析技术在获得样品的光谱信息的过程中容易掺杂噪声，导致模型的预测能力下降，稳定性不足。

所以在建立模型的过程中，选择合适的建模方法和适当的预处理，对于提升模型的预测能力具有重要意义。

本文的建模方法选用卷积神经网络（ｃｏｎｖｏｌｕｔｉｏｎａｌ　ｎｅｕｒａｌｎｅｔｗｏｒｋｓ，ＣＮＮ），通过对青岛周边岸边的１７７组土壤样本进行分析建模，以预测样本中的氮（Ｎ）元素含量。

基于近红外光谱波长优选的土壤有机质含量预测研究

基于近红外光谱波长优选的土壤有机质含量预测研究张小鸣;汤宁【摘要】近红外光谱技术是检测土壤信息的有效工具,为了提高预测模型的准确度和建模效率,需要对波长进行优选.提出SiPLS-GA-SPA特征波长提取方法,即协同区间偏最小二乘算法(SiPLS)、遗传算法(GA)和连续投影算法(SPA)对土壤有机质特征波长进行梯度提取,最终从1050个波长中提取9个土壤有机质的特征波长.利用偏最小二乘回归(PLSR)和支持向量机回归(SVMR)建立6种基于特征波长的土壤有机质含量预测模型.结果表明:SiPLS-GA-SPA-SVMR模型的预测结果为RMSEP=1.15,R2=0.91,优于其他模型;SiPLS-GA-SPA特征波长提取方法能够简化预测模型,提高模型预测精度,为开发便携式近红外光谱土壤养分检测仪提供理论基础.【期刊名称】《现代电子技术》【年(卷),期】2018(041)022【总页数】4页(P126-129)【关键词】近红外光谱;特征波长;协同区间偏最小二乘;遗传算法;连续投影算法;支持向量机回归【作者】张小鸣;汤宁【作者单位】常州大学(武进校区) 信息科学与工程学院,江苏常州 213164;常州大学(武进校区) 信息科学与工程学院,江苏常州 213164【正文语种】中文【中图分类】TN929-34可见/近红外光谱区几乎包含了有机物中所有含氢基团的信息，信息量极为丰富，能够实现对物质的定性和定量分析[1]。

光谱检测技术具有分析速度快、多组分同时测定、非破坏性分析、低分析成本和操作简单等显著特点[2]。

能够适应现代精准农业（Precision Agricul⁃ture）对土壤养分信息实时准确、快速、大范围获取的要求。

土壤有机质（SOM）是评价土壤肥力高低的重要指标，快速有效测定土壤有机质含量，对指导农业耕种中作物种植和施水施肥都有很大指导意义。

本文提出协同区间偏最小二乘（SiPLS）、遗传算法（GA）和连续投影算法（SPA）对土壤有机质的特征波长进行梯度提取，从1 050个波长中选择出9个土壤有机质的特征波长，利用偏最小二乘回归（PLSR）、支持向量机回归（SVMR）建立基于特征波长的土壤有机质含量预测模型，以期获得计算量小、精度高的预测模型，为研究便携式近红外光谱土壤养分检测仪提供技术参考。

基于相似光谱匹配预测土壤有机质和阳离子交换量_魏昌龙

土壤光谱测定及数据预处理仪器采用 VARIAN 公司的 Cary5000 分光光度计（UV-Vis-NIR），其通过完全计算机Байду номын сангаас制的双光
1.3
束、立体式双 Littrow 单色器设计，以降低光度噪音和杂散光获得最佳分辨率；具有密闭光学系统和预校准氘灯及钨灯，避免外界光照变化的干扰，提
第1期
0
引
言
随着对地物定量遥感和精准农业等相关领域的不断深入研究，大量快速获取实时、准确的土壤信息为时势所趋，且构建土壤信息快速获取技术体系的需求也更加迫切，而现代光谱、土壤信息传感器和信息技术的与时俱进则为实现这一目标提供了可能。针对土壤光谱的研究，最初国内外学者根
收稿日期：2013-06-03
由于矢量的角度与矢量的长度无关即与图像的增益系数无关反映在光谱曲线上时则意味着相同地物的矢量方向不受照度的影响因此实验室测定的光谱曲线可直接与野外测量的光谱曲线进行匹配但需考虑土壤水分等因素影响比较光谱在形状上的相似性这也是sam算法与最小距离类方法如欧氏距离的最大区别
第 30 卷 2014 年
第1期 1月
Fig.1
图 1 研究区样点分布图 Distribution of soil sampling sites in study area
1
1.1
材料与方法
土壤样品采集与制备研究区位于安徽省宣城区（介于 118°37'31"～
Table 1
化学性质测定土壤有机质的测定采用重铬酸钾-硫酸消化法，土壤阳离子交换量的测定采用乙酸铵交换法[23]。供试土壤样品的有机质和阳离子交换量的统计见表 1，有机质与阳离子交换量呈显著负相关。
土壤属性最小值 Soil attribute Min 有机质 1.64 Organic matter/(g·kg-1) 阳离子交换量 5.09 Cation exchange capacity/(cmol·kg-1) 注：**相关系数显著性水平为 0.01（双尾检验）。 Note: **Level of significance for a two-tailed test is 0.01.

基于可见-近红外光谱技术的广东典型地区耕地土壤养分含量预测模型评估

基于可见-近红外光谱技术的广东典型地区耕地土壤养分含量预测模型评估钟鹤森;李玮;张泽宇;吴玲;鄂东梅;张孟豪;许腾伟;戴军;张池【期刊名称】《华南农业大学学报》【年(卷),期】2024(45)2【摘要】【目的】可见-近红外光谱(Visible-near infrared spectroscopy,VNIRS)可以利用少量土壤样品建立预测模型,从而无损快速地预测土壤养分含量。

然而,至今鲜见广东省土壤养分的VNIRS预测模型的报道。

本研究旨在通过传统化学分析方法和VNIRS技术对广东典型地区的耕地土壤进行分析,构建土壤全量及速效养分含量的VNIRS预测模型,并评估利用光谱分析土壤全量和速效养分含量的可行性,为广东省土壤养分的快速检测及质量评估提供科学参考。

【方法】本研究采集了粤东(梅州)、粤西(湛江)、粤北(韶关)、粤西北(肇庆)和珠三角(惠州和珠海) 5个地区共514份耕地土壤样品,测量样品有机质、全氮、可溶性有机碳、碱解氮和速效磷含量,同时利用VNIRS在400~2 490 nm波长范围内探明其全光谱特征,筛选定标样品,结合偏最小二乘法和主成分分析,建立预测模型,并在此基础上进行反向验证,评估模型的可行性。

【结果】各地区土壤有机质、全氮、可溶性有机碳、碱解氮和速效磷含量及光谱特征均存在显著差异。

有机质和全氮的定标预测模型效果较好,其中,粤西北地区的有机质定标相关系数达到0.831 1,珠三角地区的全氮定标相关系数达到0.789 8;可溶性有机碳、碱解氮和速效磷的预测模型效果在地区间差异较大,粤西北和珠三角地区碱解氮和速效磷的定标效果远优于其他地区。

反向验证结果表明,有机质和全氮的预测值与实测值具有较好的相关性,决定系数(R2)最高分别达到0.69和0.65;粤西北和珠三角地区碱解氮的反向验证结果也较好,R2达到0.63和0.62;而可溶性有机碳和速效磷的反向验证结果总体较差。

【结论】VNIRS技术能够区分省域内不同地区的土壤来源,可以作为未来土壤分类和土壤质量调查的重要评价指标。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

为将影响土壤光谱的因素（成土母质，水分等）降到最
小，选择在同一块相对均一的田块内进行野外原位测量。利
和反射特性进行了分析；刘焕军等ｌ３］借助于测量的土壤光谱数据对Ｓ０Ｍ含量进行了建模、估测，均取得了良好的效果。但是室内光谱测量是将土壤样品经由田间采集经磨碎后进行，会造成土壤原有结构和水分含量的变化，致使测量结果与真实情况存在一定的差异。而野外原位光谱测量则可以在
摘
要
利用野外实时快速获取的土壤光谱进行土壤有机质（ＳＯＭ）预测与制图是精确农业与土壤遥感制图
的必然需要，利用ＡＳＤＦｉｅｌｄＳ￣，ｅｃＰｒｏＦＲ野外型光谱仪实时快速获取的光谱数据，去除噪声较大的边缘波段后，进行倒数的对数转换（Ｌｏｇ（１／Ｒ））为吸收光谱。在分析吸收光谱和光谱指数与ＳＯＭ关系的基础上，采
第３３卷，第４期
２０１３年４月
光
谱
学
与
光
谱
分
析
ＳｐｅｃｔｒｏｓｃｏｐｙａｎｄＳｐｅｃｔｒａｌＡｎａｌｙｓｉｓ
Ｖｏ１．３３，Ｎｏ．４，ｐｐ１１３５ — １１４０Ａｐｒｉｌ，２０１３
图方法进行ＳＯＭ含量的制图研究。
１实验部分
１．１研究区域
目前，ＳＯＭ光谱制图主要集中在利用遥感光谱指数和光谱仪测量的高光谱数据上。Ｗａｎｇ等ｒ６］利用ＭＯＤＩＳ遥感影像提取的植被指数建立与ＳＯＭ的回归关系，利用回归克
关键词
Ｖｉｓ－ＮＩＲ光谱；野外型光谱仪；土壤有机质；预测与制图；偏最小二乘回归法（ＰＬＳＲ）；地统计
文献标识码：ＡＤＯＩ：１０．３９６４／ｊ．ｉｓｓｎ．１０００ — ０５９３（２０１３Ｊ０４ — １１３５ — ０６
征波段与３个光谱指数组合（Ｒ一ｏ．８７，ＲＰＤ＝２．６７），全波段（＝Ｏ．９５，ＲＰＤ＝４．３６）。光谱指标的克里格
制图与实测ＳＯＭ制图表现出相同的空间变异趋势，不同的指标均达到了较好的预测效果。
基于野外Ｖｉｓ－ＮＩＲ光谱的土壤有机质预测与制图
郭燕纪文君，吴宏海弘，史舟。
１．浙江大学农业遥感与信息技术应用研究所，浙江杭州２．浙江大学地球科学系，浙江杭州３１００２７
３．浙江大学唐仲英传感材料及应用研究中心，浙江杭州
实时、不破坏土壤结构的情况下进行，吸引了越来越多的关注，在基于实时土壤光谱的土壤参数预测方面取得了一定的进展Ｉ５］。
用野外型光谱仪获取的Ｖｉｓ－ＮＩＲ土壤光谱数据，进行野外土壤光谱数据的处理方法和Ｎ）Ｍ建模研究，并借助地统计制
用偏最小二乘回归法进行ＳＯＭ的建模预测并借助地统计学方法进行ＳＯＭ空问变异制图研究。结果表明，建模效果好的指标分别为特征波段（Ｒ一Ｏ．９１，ＲＰＤ＝３．２８），归一化光谱指数（Ｒ一０．９０，ＲＰＤ＝３．０８），特
研究区位于浙江省中部富阳市中国水稻研究所试验田，属于中亚热带北缘季风区，光热水资源丰富。整个地势呈现出由东北向西南逐渐升高，年均温１６．１℃ ，平均海拔３００
收稿日期：２０１２ — ０７ — ３０．修订日期：２０１２ — １０ — ３０基金项目：国家自然科学基金项目（４１２７１２３４），教育部新世纪优秀人才支持计划（ＮＣＥＴ－１０ — ０６９４），国家 “ 十二五” 科技支撑课题（２Ｏｌ１ＢＡＤ２１Ｂｏ４）和浙江大学唐氏基金项目资助
定可行性、可靠性的探索与分析。
∞
∞
鼹
土壤有机质（ＳＯＭ）与土壤质量关系密切，含量的高低，
在一定程度上预示着土壤的肥沃程度，快速准确获取其含量并进行制图已经成为精确农业发展的必然趋势。Ｖｉｓ－ＮＩＲ光谱技术有效地克服了常规测量周期长，成本高，不能实时快速测定的缺点，为利用土壤光谱估测土壤养分含量提供了技术支持。纪文君［１］等，谢伯承ｌ２］等对土壤ＳＯＭ的响应波段
中图分类号：Ｓ１２７／ＴＰ７９
里格法进行了ＳＯＭ的空间预测制图；ＶｉｓｃａｒｒａＲｏｓｓｅｌ等ｒ７
引言
札
ｎ
利用光谱仪室内测得４６０６个表层土壤样本的Ｖｉｓ－ＮＩＲ光谱，进行了澳大利亚整个区域范围的土壤预测制图研究。近年来，利用“ ｏｎ－ｔｈｅ－ｇｏ ” 技术，结合野外原位测量光谱和其他传感器进行空间变异制图的研究也越来越广泛［４］，但是，国内还缺少利用野外实时原位测量土壤光谱并进行制图的研究，本研究是在已有研究的基础上，对野外土壤光谱原位测