专题一：土壤有机质含量高光谱预测模型及其差异性研究

合集下载

基于高光谱遥感的土壤有机质反演模型研究进展

设施农业2023-0727农业工程技术（设施农业）基于高光谱遥感的土壤有机质反演模型研究进展*摘要:利用高光谱遥感反演土壤有机质与传统的化学分析方式有很大的优势，促进现代农业的发展。

国内外利用高光谱反演土壤有机质含量模型进行了大量的研究，从最初的线性回归模型发展到如今较为复杂的非线性模型，该文总结了常见的高光谱对有机质含量建模方法与模型特点。

通过分析总结前人的研究发现，目前土壤有机质含量模型研究进展主要有运用的模型复杂化、反演模型的评价方法多样化、多种建模方法综合应用及深度学习大数据分析新技术更加普遍。

关键词: 高光谱遥感；土壤有机质含量；反演模型土壤有机质是衡量土壤肥力的重要指标，是维持农业健康发展、土地质量评价的重要考虑因素[1]。

传统的土壤有机质化学测定方法试剂消耗量大、具有一定危险性、对操作人员有专业性要求等原因，难以做到迅速、大规模和周期性地土壤有机质含量测定[2]。

而高光谱遥感可以快速地进行大范围、周期性、快速的特点受到人们的关注。

利用高光谱反演土壤有机质含量最重要的是建立土壤高光谱信息与有机质含量之间的联系。

目前利用高光谱遥感反演土壤有机质含量的模型中，大体可以分为两大类。

一类是线性模型。

例如：偏最小二乘法，多元线性回归模型；另一类是非线性模型。

例如：反向神经网络，随机森林，支持向量机等。

根据目前的研究进展，总结了现阶段利用高光谱遥感反演土壤有机质含量方法和模型的特点。

1 土壤有机质的高光谱反演模型发展历程1965年，Bowers 等[3]开始研究土壤与光谱反射之间的关系时就发现土壤有机质含量与光谱反射之间存在负相关的关系。

21世纪前，主要是研究土壤有机质与高光谱反射率之间的定性关系上的研究，处于探索阶段，研究样本数量较少，使用的模型主要以多元线性回归，偏最小二乘回归等线性方法为主[4]。

近年来随着研究的深入与研究工具的进步，更多的模型方法，研究方式的韦森超1，梁立恒1，董炜华1**，李晓强1，邓守奇1,2（1.长春师范大学地理科学学院，吉林长春 130123；2.长春文理高中，吉林长春 130062）改进，比如机器学习与深度学习[5]。

基于不同模型的土壤有机质含量高光谱反演比较分析

第３３卷，第１期
２０１３年１月
光
谱
学
与
光
谱
分
析
Ｖｏ１．３３，Ｎｏ．１，ｐｐ１９６ — ２００
ＳｐｅｃｔｒｏｓｃｏｐｙａｎｄＳｐｅｃｔｒａｌＡｎａｌｙｓｉｓ
４．新疆大学资源与环境科学学院，新疆乌鲁木齐
８３００４６
摘
要
以新疆奇台县为研究区域，选取该县４Ｏ个土壤样本，采用多元线性逐步回归法和人工神经网络法
两种方法分别建立了土壤有机质含量的反演模型，并对模型进行了检验。结果发现：不同模型的精度值各异，其拟合效果从高到低依次为人工神经网络（ＡＮＮｓ）集成模型＞单个人工神经网络（ＡＮＮｓ）模型＞多元逐步回归（ＭＬＳＲ）模型。人工神经网络的线性和非线性逼近能力较强，而其集成模型作为提高反演模型精度的重要手段，相关系数高达０．９３８，均方根误差和总均方根误差最小，分别仅为２．１３和１．４０４，对土壤有机质含量的预测能力与实测光谱非常接近，分析结果达到了较实用的预测精度，为最优拟合模型。关键词奇台；土壤有机质；高光谱反演分析；多元逐步回归；人工
基于不同模型的土壤有机质含量高光谱反演比较分析
栾福明，张小雷，熊黑钢。一，张芳，王芳
８３００１１
１．中国科学院新疆生态与地理研究所，新疆乌鲁木齐２．中国科学院大学，北京１０００４９１０００８３３．北京联合大学应用文理学院，北京

利用光谱数据进行土壤有机质评价

利用光谱数据进行土壤有机质评价随着世界人口的增长和农业生产方式的改变，土壤有机质的质量越来越受到人们的关注。

土壤有机质是一种关键的土壤物质，它对土壤肥力和作物生长有着非常重要的影响。

其中，土壤的颜色是反映土壤有机质含量的重要指标之一。

然而，传统的土壤有机质检测方法需要取样，样品处理等繁琐的操作，需要耗费大量的时间和人力，而光谱数据则提供了一种快速、准确的土壤有机质评价方法。

本文将从光谱数据的基本原理、光谱仪使用原理以及光谱数据处理方法等方面来阐述如何利用光谱数据进行土壤有机质评价。

一、光谱数据的基本原理光谱数据是指一段特定波长内的光传输信息，包括红外线、可见光和紫外线等，其中红外线光谱数据在土壤有机质评价中具有非常重要的地位。

土壤有机质含量对土壤红外线光谱信号的吸收有很大的影响，因此，利用光谱仪测量土壤的红外光谱信号，可以获取土壤有机质的含量信息。

二、光谱仪的使用原理光谱仪是一种专门用于测量光谱数据的仪器设备，主要由光源、样品室、检测器等几个主要组成部分构成。

在进行土壤有机质评价时，需要将测量所需的光源辐射到样品上，样品会吸收部分光线，并将其所具有的能量转换为热能或散发出去。

光谱仪接收样品经过后发出的光线，通过检测器将光谱信号进行记录和处理，最终形成光谱数据以进行分析。

三、光谱数据处理方法在利用光谱数据进行土壤有机质评价时，首先需要进行数据处理。

光谱数据处理方法主要有以下几种：1.预处理对于光谱信号进行预处理以去除干扰因素。

预处理方法包括基线平滑、二次导数变换、离散傅里叶变换等。

2.特征提取将处理后的光谱数据提取真正反映土壤有机质含量指示的特征谱线，通过这些谱线可以对土壤有机质的含量进行定量描述。

3.模型建立将提取的光谱特征作为输入，以土壤有机质含量作为输出建立起对应的数学模型，通过模型来计算土壤有机质含量。

四、结论和建议通过光谱数据进行土壤有机质评价可以快速、准确地获取土壤有机质含量信息，从而为农业生产提供有力的支撑。

土壤有机质不同测定方法的对比6篇

土壤有机质不同测定方法的对比6篇第1篇示例：土壤中的有机质含量是评价土壤肥力和质量的重要指标之一。

有机质对土壤的保肥补肥、促进土壤肥力的提高起着重要的作用。

准确测定土壤有机质含量对于科学施肥、提高耕地利用率，保护生态环境等方面具有重要意义。

目前，测定土壤有机质含量的方法繁多，各具特点，我们可以根据实际需要选择适合的方法进行测定。

常见的测定土壤有机质含量的方法主要有以下几种：全硫酸铵法、加热法、碱解-蒒灰法、湿法酸解法、直接抽提法等。

不同的方法在原理、操作步骤、准确度和适用范围等方面有所区别，下面我们来对比分析一下。

1. 全硫酸铵法：全硫酸铵法是一种常用的土壤有机质测定方法，其原理是土壤样品在加热时有机质会被分解成氨气和水，测定生成氨气的量来反映土壤中的有机质含量。

此方法操作简单，结果准确，但需要使用昂贵的仪器设备，且操作过程中需注意安全。

2. 加热法：加热法是一种常见的土壤有机质测定方法，其原理是通过将土壤样品在高温下加热，使有机质分解成气体脱除，通过称量前后的重量差来计算有机质含量。

该方法操作简单，成本低，但相对来说准确度略有不足。

3. 碱解-蒒灰法：碱解-蒒灰法是通过将土壤样品与氢氧化钠碱解后，经加热-石蕊灰处理得出的有机质量。

该方法操作相对复杂，但准确度高，适用范围广。

4. 湿法酸解法：湿法酸解法是以稀硝酸和硫酸为酸液，在高温下酸解土壤有机质，通过测定生成的氨气量来计算土壤有机质含量。

该方法操作简单，准确度高，但酸性强，需注意安全。

5. 直接抽提法：直接抽提法是通过将土壤样品与有机溶剂反应，使有机质在溶剂中溶解，通过溶液的浓度来计算有机质含量。

该方法适用范围广，操作简单，准确度高。

不同的测定土壤有机质含量的方法各有特点，选择合适的方法取决于具体的实际情况。

在进行测定时，应根据试验目的、仪器设备的条件和测定精度的要求等因素进行选择，以保证结果的准确性和可靠性。

希望通过以上对比分析，能够为大家在测定土壤有机质含量时提供一些参考。

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。

基于高光谱的土壤有机碳含量预测研究

基于高光谱的土壤有机碳含量预测研究张静【摘要】[Objective] To predict soil organic carbon content.[Method] Surface soil was detected by high spectrometer spectrometric and spectral data was treated,through stepwise multiple linear regression (SMLR) and partial least-squares regression (PLSR) method,soil organic carbon content was predicted,and the accuracy of the two models was compared.[Result] The accuracy of PLSR model was higher than SMLR model.[Conclusion] PLSR method is better than SMLR method in forecasting organic carbon.%[目的]对土壤有机碳含量进行预测研究.[方法]利用高光谱仪对表层土壤进行光谱测定并且进行光谱数据的预处理,通过多元线性逐步回归(SMLR)和偏最小二乘回归(PLSR)方法对土壤有机碳含量进行预测,并对2种模型的精度进行比较.[结果]LSR模型的精度高于SMLR模型.[结论]偏最小二乘回归法优于多元逐步回归法,对有机碳的预测具有更好的效果.【期刊名称】《安徽农业科学》【年(卷),期】2018(046)002【总页数】4页(P1-3,7)【关键词】土壤;有机碳;高光谱;多元线性逐步回归;偏最小二乘回归【作者】张静【作者单位】安徽师范大学,安徽芜湖241000【正文语种】中文【中图分类】S126土壤是人类生活和农业生产的支撑和基础，对土壤类型的区分可以帮助人类因地制宜地利用土壤，同时也给土地利用规划、土地评价、农业技术推广提供重要的依据。

土壤有机质高光谱估算研究进展

称，包括土壤中的动物、植物及微生物残体的处于不同分解、合成阶段的各种产物 … ．土壤有机质不但是土壤的重要组成部分，而且是土壤发育过程的重要标志，对土壤的物理、化学性质有重要影响．对土
加强土壤信息获取新技术的研究，实现土壤信息快速获取．土壤学
家们对实现利用遥感方法进行土壤研究向往已久．自从１９７２年Ｌａｎｄ－
ｓａｔ．１发射升空以来，人们就非常希望能够利用土壤遥感进行土壤环境评价与制图＿４Ｊ．为实现这一目标，土壤学家主要进行了２个方面的研究：一是室内光谱理论与应用研究，估算土壤成分及含量，并试图分析及解释其机理；二是实现真正的高光谱遥感或高光谱制图，利用
郑光辉，等．土壤有机质高光谱估算研究进展
４８２
ＺＨＥＮＧＧｕａｎｇｈｕｉ．ｅｔａ１．Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ０ｆｅｖａｐｏｒａｔｉｏｎｃｈａｎｇｅａｎｄｉｔｓｉｎｌｆｕｅｎｃｅｆａｃｔｏｒｓｄｕｒｉｎｇ１９６９ —２０ｌ１ｉｎＣｈａｏｚｈｏｕ
１南京信息工程大学遥感学院，南京，２１００４４２南京市浦口区气象局，南京，２１１８００

遥感技术在农业方面的应用进展汇总

遥感技术在农业方面的应用进展汇总推动智慧农业、设施农业的发展，全国各地的科研院所都投入不少人力物力，跨行业跨学科展开了研究应用，利用物联网、遥感遥测、人工智能、机器视觉、深度学习、影像采集等技术，为实现农业生产管理的数字化、智能化、自动化而努力。

无数关于农业的科研论文也陆续发表，其中，遥感技术在农业方面的应用已然有了一定进展。

一、机载遥感系统应用精准农业的有人机载成像系统，由安装在农用飞机上的消费级相机组成的系统，详细描述了多光谱相机、高光谱相机和热成像相机等部分定制，和商用机载成像系统。

并举例应用实例，说明如何将不同类型的遥感图像用于精准农业应用中的作物生长评估和作物病虫害管理。

二、大尺度区域水田空间格局及生态服务基于1990—2015年土地利用遥感监测数据，利用GIS的空间分析功能，探究长江经济带水田空间格局动态变化特征。

结果表明水田规模持续缩减，与经济建设及水产养殖的发展、其他生态系统转化、及生态系统服务，有助于揭示长江流域水田的时空变化过程，及其对各项生态系统服务的影响，可为区域土地利用规划、农业政策与生态可持续发展提供理论支持。

三、水稻含水量无人机遥感监测利用多旋翼无人机低空遥感平台，获取不同生育期水稻冠层的RGB图像和多光谱图像，通过提取植被指数和纹理特征，分析水稻的动态生长变化，并构建了基于随机森林回归方法的含水量预测模型。

试验结果表明，基于无人机遥感技术监测水稻含水量是可行的，可为农田精准灌溉、田间管理决策提供新思路。

四、植被分类中的对比分析利用一景AVIRIS高光谱植被影像，从分类精度的角度，提取方法在高光谱影像植被分类中的性能。

实验结果为后续改进空-谱特征方法及其两者有效结合，进一步提高植被分类正确率提供了参考。

五、寒地水稻叶片叶绿素含量遥感反演研究通过分析寒地水稻关键生育期叶片高光谱反射率信息，同时结合PROSPECT模型叶绿素含量吸收系数，参考借鉴现有高光谱植被指数的构造方法和形式，利用相关性分析、连续投影法、遗传算法优化的粗糙集属性简约法，进行高光谱特征选择，结果表明;ORVI能够作为快速反演水稻叶绿素含量的高光谱植被指数，为寒地水稻叶绿素含量高光谱遥感诊断，及管理决策提供了的客观数据支撑和模型参考。

高光谱遥感在土壤质地识别中的应用研究

高光谱遥感在土壤质地识别中的应用研究概述：土壤是地球上非常重要的资源之一，对于农业生产、生态环境和水资源管理具有重要的意义。

而土壤的质地是土壤的基本特性之一，对于农业生产和土地利用规划起着至关重要的作用。

传统的土壤质地识别方法需要进行大量的野外调查和实验室测试，耗时耗力且成本高昂。

而高光谱遥感技术能够获取土壤光谱信息，可通过对光谱数据的分析，实现对土壤质地的自动、快速、准确识别。

一、高光谱遥感技术简介高光谱遥感是指利用遥感卫星或航空遥感平台获取地物连续光谱的技术。

与传统遥感技术相比，高光谱遥感能够提供地物更丰富、更准确的光谱信息，有效地提高了对地物的识别能力。

高光谱遥感数据通常包含了成百上千个窄带的光谱波段，覆盖了可见光、近红外和短波红外等范围。

二、高光谱遥感在土壤质地识别中的应用1. 土壤光谱特征分析高光谱遥感技术通过获取土壤的光谱特征，能够发现土壤质地与光谱之间的关系。

对土壤光谱数据进行分析可以获得不同波段对土壤质地的敏感性信息。

例如，通过对可见光和近红外波段的反射率进行分析，可以发现不同质地土壤在光谱曲线形状上的差异，从而实现对土壤质地的初步区分。

2. 光谱指数方法光谱指数是一种通过计算光谱波段间的比值或差值来表征地物特征的方法。

在土壤质地识别中，常用的光谱指数包括归一化差异植被指数（NDVI）、土壤调查等级指数（SCI）等。

这些指数通过光谱数据进行计算，能够从土壤光谱中提取出与土壤质地相关的特征，达到快速准确识别土壤质地的目的。

3. 光谱分类方法光谱分类方法是利用计算机算法对高光谱遥感数据进行处理和分析，将地物进行分类。

其中最常用的方法是基于支持向量机（SVM）算法的分类。

该方法通过训练样本对土壤质地进行分类器的训练，然后使用训练好的分类器对未知样本进行分类，即可以对土壤质地进行自动识别。

光谱分类方法能够在较高的精度下对土壤质地进行分析，实现了对大规模土地的快速识别。

三、高光谱遥感在土壤质地识别中的优势与挑战1. 优势（1）高光谱遥感技术可以快速获取大面积土地的光谱信息，提供了便捷的数据来源。

基于连续小波变换的土壤有机质含量高光谱反演

中国农业科技导报ꎬ２０２１ꎬ２３(５):１３２－１４２ＪｏｕｒｎａｌｏｆＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ㊀收稿日期:２０２０￣０８￣２４ꎻ接受日期:２０２０￣１０￣２４㊀基金项目:内蒙古自治区科技重大专项(２０１９ＺＤ００３)ꎮ㊀联系方式:陈昊宇Ｅ￣ｍａｉｌ:ｃｈｅｎｈａｏｙｕ０８０７＠１６３.ｃｏｍꎻ∗通信作者杨光Ｅ￣ｍａｉｌ:ｙｇ３３１＠１２６.ｃｏｍ基于连续小波变换的土壤有机质含量高光谱反演陈昊宇ꎬ㊀杨光∗ꎬ㊀韩雪莹ꎬ㊀刘昕ꎬ㊀刘峰ꎬ㊀王宁(内蒙古农业大学沙漠治理学院ꎬ内蒙古自治区风沙物理与防沙治沙工程重点实验室ꎬ呼和浩特０１００１０)摘㊀要:以托克托县境内１２０个土壤有机质含量以及对应光谱数据为数据源ꎬ探究了不同土壤类型与土地利用类型下土壤有机质高光谱反演研究的可行性ꎬ采用连续小波变换对原始光谱(Ｒ)㊁光谱倒数(１/Ｒ)㊁光谱对数(ＬｎＲ)㊁光谱一阶微分(Ｒᶄ)进行分解生成小波系数并与土壤有机质进行相关系分析ꎬ提取特征波段建立ＢＰ神经网络与支持向量机模型(ＳＶＭ)ꎮ结果表明:①Ｒ㊁１/Ｒ㊁ＬｎＲ㊁Ｒᶄ与土壤有机质相关系数经过连续小波变换后ꎬ较之前增加了０.２０４㊁０.０９０㊁０.１９９㊁０.２５２ꎬ表明连续小波变换可深度挖掘光谱潜在信息ꎬ提升与有机质含量之间的相关系数ꎮ②未经过连续小波处理前ꎬＳＶＭ无法实现对当地土壤有机质含量的预测ꎬ经过处理后ꎬ模型ＳＶＭ￣ＣＷＴ￣Ｒ与ＳＶＭ￣ＣＷＴ￣Ｒᶄ的精度决定系数分别达到了０５０㊁０.５６ꎬ均方根误差为０.１７㊁０.１５ꎬ相对分析误差为１.６２㊁１.５３ꎬ实现了对土壤有机质的有效估算ꎮ③经过连续小波变换后ＢＰ神经网络预测模型结果得到提升ꎬ其中ＢＰ￣ＣＷＴ￣ＬｎＲ预测模型效果最佳ꎬ精度决定系数达到０.７６ꎬ较之前ＢＰ￣ＬｎＲ提升了０.２ꎻ均方根误差达到０１５ꎬ降低０.０４ꎻ相对分析误差为２.１２ꎬ增加了０.８７ꎮ因此利用ＢＰ￣ＣＷＴ￣ＬｎＲ高光谱反演模型进行区域土壤有机质遥感监测ꎬ可为当今精准农业提供理论参考与技术支持ꎮ关键词:连续小波变换ꎻＢＰ神经网络ꎻ支持向量机ꎻ精准农业ｄｏｉ:１０.１３３０４/ｊ.ｎｙｋｊｄｂ.２０２０.０７４２中图分类号:Ｓ１２７㊀㊀㊀文献标识码:Ａ㊀㊀㊀文章编号:１００８￣０８６４(２０２１)０５￣０１３２￣１１ＨｙｐｅｒｓｐｅｃｔｒａｌＩｎｖｅｒｓｉｏｎｏｆＳｏｉｌＯｒｇａｎｉｃＭａｔｔｅｒＣｏｎｔｅｎｔＢａｓｅｄｏｎＣｏｎｔｉｎｕｏｕｓＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍＣＨＥＮＨａｏｙｕꎬＹＡＮＧＧｕａｎｇ∗ꎬＨＡＮＸｕｅｙｉｎｇꎬＬＩＵＸｉｎꎬＬＩＵＦｅｎｇꎬＷＡＮＧＮｉｎｇ(ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＡｅｏｌｉａｎＰｈｙｓｉｃｓａｎｄＤｅｓｅｒｔｉｆｉｃａｔｉｏｎＣｏｎｔｒｏｌＥｎｇｉｎｅｅｒｉｎｇｆｒｏｍＩｎｎｅｒＭｏｎｇｏｌｉａＡｕｔｏｎｏｍｏｕｓＲｅｇｉｏｎꎬＣｏｌｌｅｇｅｏｆＤｅｓｅｒｔＣｏｎｔｒｏｌＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇꎬＩｎｎｅｒＭｏｎｇｏｌｉａＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙꎬＨｏｈｈｏｔ０１００１０ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｔａｋｉｎｇｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｓｏｆ１２０ｓｏｉｌｓａｍｐｌｅｓａｎｄｃｏｒｒｅｓｐｏｎｄｉｎｇｓｐｅｃｔｒａｌｄａｔａｉｎＴｕｏｋｅｔｕｏＣｏｕｎｔｙａｓｄａｔａｓｏｕｒｃｅｓꎬｔｈｅｆｅａｓｉｂｉｌｉｔｉｅｓｏｆｈｙｐｅｒｓｐｅｃｔｒａｌｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｓｕｎｄｅｒｄｉｆｆｅｒｅｎｔｔｙｐｅｏｆｓｏｉｌｓａｎｄｌａｎｄｓｏｆｄｉｆｆｅｒｅｎｔｕｓｅｗｅｒｅｅｘｐｌｏｒｅｄ.Ｔｈｅｏｒｉｇｉｎａｌｓｐｅｃｔｒｕｍ(Ｒ)ꎬｓｐｅｃｔｒａｌｒｅｃｉｐｒｏｃａｌ(１/Ｒ)ꎬｓｐｅｃｔｒａｌｌｏｇａｒｉｔｈｍ(ＬｎＲ)ａｎｄｓｐｅｃｔｒａｌｆｉｒｓｔ￣ｏｒｄｅｒｄｉｆｆｅｒｅｎｔｉａｌ(Ｒᶄ)ｗｅｒｅｄｅｃｏｍｐｏｓｅｄｂｙｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍｔｏｇｅｎｅｒａｔｅｗａｖｅｌｅｔｃｏｅｆｆｉｃｉｅｎｔｓꎬａｎｄｔｈｅｃｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒａｎｄｗａｖｅｌｅｔｃｏｅｆｆｉｃｉｅｎｔｓｗａｓａｎａｌｙｚｅｄꎬａｎｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ(ＳＶＭ)ｗｅｒｅｅｓｔａｂｌｉｓｈｅｄｂｙｅｘｔｒａｃｔｉｎｇｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｂａｎｄｓ.Ｔｈｅｒｅｓｕｌｔｓｗｅｒｅｆｏｌｌｏｗｅｄ.①ＴｈｅｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｓｂｅｔｗｅｅｎＲꎬ１/ＲꎬＬｎＲꎬＲᶄａｎｄｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｗｅｒｅｉｎｃｒｅａｓｅｄｂｙ０.２０４ꎬ０.０９０ꎬ０.１９９ａｎｄ０.２５２ａｆｔｅｒｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍꎬｒｅｓｐｅｃｔｉｖｅｌｙꎬｗｈｉｃｈｓｈｏｗｅｄｔｈａｔｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍｃｏｕｌｄｄｅｅｐｌｙｍｉｎｅｔｈｅｐｏｔｅｎｔｉａｌｌｙｓｐｅｃｔｒａｌｉｎｆｏｒｍａｔｉｏｎａｎｄｅｎｈａｎｃｅｔｈｅｃｏｒｒｅｌａｔｉｏｎｗｉｔｈｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔ.②ＢｅｆｏｒｅｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｐｒｏｃｅｓｓｉｎｇꎬＳＶＭｃｏｕｌｄｎｏｔｐｒｅｄｉｃｔｔｈｅｃｏｎｔｅｎｔｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒꎬｗｈｉｌｅａｆｔｅｒｐｒｏｃｅｓｓｉｎｇꎬｔｈｅａｃｃｕｒａｃｉｅｓ(Ｒ２)ｏｆＳＶＭ￣ＣＷＴ￣ＲａｎｄＳＶＭ￣ＣＷＴ￣Ｒᶄｗｅｒｅ０.５０ａｎｄ０.５６ꎬＲｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒｓ(ＲＭＳＥ)ｗｅｒｅ０.１７ａｎｄ０.１５ꎬｒｅｓｉｄｕａｌｐｒｅｄｉｃｔｉｖｅｄｅｖｉａｔｉｏｎｓ(ＲＰＤ)ｗｅｒｅ１.６２ａｎｄ１.５３ꎬｒｅｓｐｅｃｔｉｖｅｌｙꎬｗｈｉｃｈｒｅａｌｉｚｅｄｔｈｅｅｆｆｅｃｔｉｖｅｅｓｔｉｍａｔｉｏｎｏｆＳＯＭ.③ＡｆｔｅｒｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍꎬｔｈｅｒｅｓｕｌｔｓｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｗｅｒｅｉｍｐｒｏｖｅｄ.ＡｍｏｎｇｔｈｅｍꎬＢＰ￣ＣＷＴ￣ＬｎＲｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｈａｄｔｈｅｂｅｓｔｅｆｆｅｃｔꎬＲ２ｗａｓ０.７６ꎬｗｈｉｃｈｗａｓｈｉｇｈｅｒｔｈａｎＢＰ￣ｌｎＲꎬＲＭＳＥｗａｓ０.１５ｒｅｄｕｃｅｄｂｙ０.０４ꎬＲＰＤｗａｓ２.１２ｉｎｃｒｅａｓｅｄｂｙ０.８７.ＴｈｅｒｅｆｏｒｅꎬｔｈｅＢＰ￣ＣＷＴ￣ＬｎＲｈｙｐｅｒｓｐｅｃｔｒａｌｉｎｖｅｒｓｉｏｎｍｏｄｅｌｃｏｕｌｄｐｒｏｖｉｄｅｔｈｅｏｒｅｔｉｃａｌｒｅｆｅｒｅｎｃｅａｎｄｔｅｃｈｎｉｃａｌｓｕｐｐｏｒｔｆｏｒｐｒｅｃｉｓｉｏｎａｇｒｉｃｕｌｔｕｒｅ.Ｋｅｙｗｏｒｄｓ:ｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍꎻＢＰｎｅｕｒａｌｎｅｔｗｏｒｋꎻｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅꎻｐｒｅｃｉｓｉｏｎａｇｒｉｃｕｌｔｕｒｅ㊀㊀精准农业作为目前农业发展的主要方向ꎬ是一种基于信息和知识管理的现代化生产系统ꎬ主要是通过３Ｓ(ＧＰＳ㊁ＧＩＳ和ＲＳ)技术与现代农业相结合ꎬ最大限度地提高农业生产力ꎮ所以快速㊁无损㊁精确地获取土壤中水分㊁养分的空间分布成为了实现精准农业的关键环节ꎬ近年来ꎬ光谱分析在土壤化学分析领域得到了迅猛发展ꎬ为实现土壤养分的快速诊断提供了新思路[１]ꎮ有机质是土壤养分供应能力和肥力的重要指标之一ꎬ在全球碳循环中发挥着重要作用ꎮ因此ꎬ快速准确地估测土壤有机质含量对于发展精准农业具有重要意义[２]ꎮ传统的土壤有机质测定方法虽然精度比较高ꎬ但周期较长㊁成本较高ꎬ只能达到瞬测量ꎬ很难进行长时间大面积测量ꎮ高光谱遥感具有波段多㊁波段窄㊁信息丰富和实时高效等特点ꎬ为快速测量土壤有机质含量提供了一种新的方法和手段[３]ꎮ国内外已经有大量研究表明ꎬ通过对光谱数据进行不同的数学变换(主要通过对光谱进行倒数㊁对数㊁微分㊁平方根㊁吸收峰深度㊁包络线去除等方法)可以有效提高光谱数据与土壤有机质含量之间的相关系数ꎬ有效筛选出光谱信息中的敏感波段[４]ꎮ现在各学者主要将研究重心放到了模型建立上[５]ꎬ普遍运用的线性模型有多元逐步回归与偏最小二乘回归[６]ꎻ常见的非线性模型包括ＢＰ神经网络[７]㊁支持向量机[８]㊁决策树[９]等ꎬ而且随着非线性模型算法的逐步改良与完善ꎬ在土壤有机质含量估算中已经成为不可取代的一部分ꎮ随着小波算法的改进与发展ꎬ最初仅运用于植物叶绿素㊁冠层成分含量预测中[１０￣１１]ꎬ目前已成为土壤养分预测的热点问题[１２￣１３]ꎬ连续小波变换是目前被广泛应用的一种方法ꎮ王祥浩[１４]选择土地裸露地区为样区ꎬ利用神经网络算法对光谱连续小波变换㊁一阶导数㊁对光谱的平均值处理㊁光谱背景及深度４种方法建模ꎬ模型结果表明ꎬ小波变换方法得到的神经网络模型精度最高ꎻ包青岭等[１５]选择渭干河－库车河三角洲具有代表性的干旱区绿洲为研究区ꎬ对光谱进行８层分解ꎬ结果表明小波变换不同分解层ꎬ从低频到高频范围内与土壤有机质含量的相关性呈现先减后增的趋势ꎬ结合随机森岭模型可以对干旱区土壤有机质含量进行有效的估算ꎻ王延仓等[１６]以北京东部区潮土为例ꎬ对不同梯度重采样的光谱进行连续小波变换后ꎬ利用偏最小二乘法建立模型ꎬ结果表明连续小波分析算法可深入挖掘土壤光谱内的有益信息ꎬ提升对有机质含量的估测能力ꎬ与土壤高光谱反射率相比ꎬ经连续小波技术处理后ꎬ模型精度得到了有效的提升ꎻ叶红云等[１７]同样针对干旱区土壤ꎬ通过对两种常用光谱变换Ｒᶄ㊁Ｌｎ(１/Ｒ)进行连续小波变换建立偏最小二乘模型ꎬ结果表明连续小波变换不会因人类干扰程度的提高而使模型精度大幅度降低ꎬ更加适用于干旱区有机质含量的预测ꎻ林鹏达等[１８]通过解决黑土有机质高光谱野外反演的困难ꎬ同样证明了连续小波变换可有效提升模型精度ꎮ小波技术在土壤有机质高光谱反演研究中逐渐趋于成熟ꎬ但目前学者的研究多数都在同一土壤类型下或同一区域内ꎬ对于不同土壤类型及土地利用下土壤有机质高光谱反演是否存在影响的研究目前并不多ꎮ本文研究区内土壤类型主要包括３类:沙壤土㊁栗钙土㊁盐碱土ꎬ且部分区域土壤盐渍化程度严重ꎬ导致土壤养分空间分布上存在较大差异ꎬ取样表层土地利用类型主要包括:耕地㊁林地㊁草地㊁盐渍地㊁荒地ꎮ通过对原始光谱(Ｒ)㊁原始光谱倒数(１/Ｒ)㊁原始光谱对数(ＬｎＲ)以及原始光谱一阶微分(Ｒᶄ)４种不同情况进行连续小波变换ꎬ利用ＢＰ神经网络以及支持向量机２种模型ꎬ探究了不同土壤类型与不同土地利用类型下是否会对土壤有机质高光谱反演模型产生影响ꎬ小波变换前后土壤有机质反演模型的精度ꎬ旨为区域土壤有机质含量监测及实现精准农业提供理论与技术支持ꎮ１㊀材料与方法１.１㊀研究区概况托克托县隶属于内蒙古自治区呼和浩特市ꎬ位于自治区中部㊁大青山南麓㊁黄河上中游分界处北岸的土默川平原上(图１)ꎮ地理坐标东经３３１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演１１１ʎ２ᶄ３０ᵡ １１１ʎ３２ᶄ２１ᵡ㊁北纬４０ʎ５ᶄ５５ᵡ ４０ʎ３５ᶄ１５ᵡꎬ总面积１４０９.６７ｋｍ２ꎬ平均海拔１１１７ｍꎬ属于温带大陆性干旱气候ꎬ年均气温７.３ħꎬ年均降雨３６２ｍｍꎮ托克托县耕地总面积达４００ｋｍ２ꎬ其中古城镇㊁新营子镇和五申镇的耕地较多ꎬ占全县耕地面积的６０％以上[１９]ꎬ主要作物包括小麦㊁玉米㊁莜麦ꎮ工农业及生产生活用水主要来源于大黑河和黄河水资源ꎬ整个地形以大黑河为轴ꎬ呈现由丘陵向平原过渡的趋势ꎬ地势为东南高㊁西北和西南低ꎮ东南向西北土壤类型依次为栗钙土㊁砂壤石灰性冲积土㊁盐渍化石灰性冲积土[２０]ꎬ土壤类型的不同导致土壤养分存在差异性分布ꎮ植被类型从西向东依次为草甸草原㊁干草原和退化灌丛草原分布ꎮ以Ｌａｎｄｓａｔ８ＯＬＩ影像为基础数据源ꎬ运用人工目视解译与ＢＰ神经网络分类法得到托克托县２０１９年７月份土地利用数据ꎬ其中耕地面积最大为７３０.１２ｋｍ２ꎬ占５１.７９％ꎻ林草地３３８.７ｋｍ２ꎬ占２４.０２％ꎻ盐碱地１４１.１ｋｍ２ꎬ占１０.００％ꎮ详细土地利用空间分布见图１ꎮ图１㊀土样采集点及土地利用空间分布Ｆｉｇ.１㊀Ｃｏｌｌｅｃｔｉｏｎｐｏｉｎｔｓｏｆｓｏｉｌｓａｍｐｌｅｓａｎｄｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｌａｎｄｕｓｅ１.２㊀研究方法１.２.１㊀土样采集与处理㊀土壤样本点均匀地分布在托克托县境内ꎬ采集方法为五点采样法ꎬ采集深度为０２０ｃｍꎬ共采集１２０个点ꎮ采集的土样置于通风干燥室内进行自然风干㊁研磨ꎬ过１０目筛ꎬ进行土壤光谱测定ꎻ过１００目筛ꎬ采用重铬酸钾外加热法进行土壤有机质含量测定ꎮ１.２.２㊀光谱测量及光谱处理㊀土壤光谱于暗室内测量ꎬ采用ＳＶＣＨＲ￣１０２４(北京东方佳气科技有限公司)便携式光谱仪ꎬ光谱范围在３５０~２５００ｎｍꎮ在３５０~１０００ｎｍ波段之间光谱分辨率ɤ３.５ｎｍꎻ在１０００~１８５０ｎｍ波段之间ꎬ光谱分辨率ɤ９.５ｎｍꎻ在１８５０~２５００ｎｍ波段之间ꎬ光谱分辨率ɤ６.５ｎｍꎮ光源采用与太阳光接近的５０Ｗ卤素灯ꎬ将土壤样品放入深２ｃｍ㊁宽１０ｃｍ的黑色器皿内ꎬ用直尺将土壤表面刮平ꎬ探头距离土样１０ｃｍꎬ光源距离土壤表面３０ｃｍꎬ天顶角为１５ʎꎮ测量前用白板进行标定ꎬ每个土样采集５条光谱作为该土样的光谱数据ꎮ由于受噪音与仪器暗电流的的影响ꎬ导致光谱数据混入噪音等信息ꎬ因此删除３５０~３９９ｎｍ和２４００~２５００ｎｍ的波段ꎬ采用五点平滑法对光谱进行平滑处理ꎬ并将光谱重采样至５ｎｍꎬ同时对原始光谱(Ｒ)进行一阶微分(Ｒᶄ)㊁倒数(１/Ｒ)㊁对数(ＬｎＲ)等传统数学变换ꎮ１.２.３㊀连续小波变换㊀采用连续小波变换ꎬ并用Ｍｅｘｈ小波母函数对原始光谱㊁原始光谱的倒数㊁对数㊁一阶微分进行１０层小波变换ꎬ生成一系列小波系数ꎮΨａꎬｂ＝１㊀ａΨλ－ｂａæèçöø÷(１)式中ꎬａ为伸缩因子ꎬｂ为平移因子ꎬλ为土壤高光谱数据的波段数ꎮＷｆａꎬｂ()＝ｆꎬΨａꎬｂ()＝ʏ＋ɕ－ɕｆλ()Ψａꎬｂλ()ｄｙ(２)式中ꎬｆλ()为土壤光谱反射率ꎬ小波系数Ｗｆａꎬｂ()包含二维ꎬ分别为波长(３５０~２５００)与分解尺度(１ꎬ２ꎬ３１０)ꎬ故小波系数行为尺度数ꎬ列为波长数的矩阵[１６]ꎮ１.２.４㊀模型及精度验证㊀采用ＢＰ神经网络与支持向量机模型(ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅꎬＳＶＭ)建立土壤有机质预测模型ꎬ支持向量机采用线性核函数ꎬ相对于径向基函数(ｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎꎬ４３１中国农业科技导报２３卷ＲＢＦ)来说计算高效ꎬ不易过拟合ꎮＢＰ神经网络的迭代次数设置为１０００ꎬ学习率０.０１ꎬ训练的均方根误差(ｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒꎬＲＭＳＥ)小于０.００１ꎮ依据相关系数筛选的特征波段以及小波系数作为自变量ꎬ土壤有机质含量为因变量ꎬ分别建立模型ꎬ模型精度采用决定系数(Ｒ２)㊁均方根误差(ＲＭＳＥ)㊁相对分析误差(ｒｅｌａｔｉｖｅｐｅｒｃｅｎｔｄｅｖｉａｔｉｏｎꎬＲＰＤ)以及１ʒ１线共同评价ꎮＲ２表征模型的稳定性ꎬ越接近于１模型越稳定ꎬ拟合程度越好ꎮ均方根误差(ＲＭＳＥ)用来检验模型的预报能力ꎬＲＭＳＥ越小则表明模型的估测能力越好ꎮＲＰＤ是样本的标准差与ＲＭＳＥ的比值ꎬＲＰＤ<１.４时ꎬ模型无法对样品进行预测ꎻ１.４ɤＲＰＤ<２时ꎬ模型效果一般ꎬ可以用来对样品进行粗略评估ꎻＲＰＤȡ２时ꎬ模型具有极好的预测能力ꎮ１ʒ１线表示实测值与预测值构成的点偏离ｙ＝ｘ线的程度[２１]ꎮ２㊀结果与分析２.１㊀土壤有机质含量统计分析建模样品集㊁不同土地利用方式㊁不同土壤类型下土壤有机质含量描述性统计见表１ꎮ本研采样点内土地利用方式主要包括林地㊁草地㊁耕地㊁盐渍地ꎬ土壤有机质在草地内均值含量最大(０８０％)ꎬ其次为林地(０.７２％)㊁耕地(０.６７％)㊁盐渍地有机质含量最低(０.６３％)ꎻ土壤有机质含量最大值位于耕地(１.２８％)ꎬ最小值位于林地(０１９％)ꎮ采样点内主要土壤类型为栗钙土㊁沙壤土㊁盐碱土ꎬ沙壤土有机质含量最高(０.７７％)ꎬ其次为盐碱土(０.６８％)和栗钙土(０.６７％)ꎬ土壤有机质含量最大值位于沙壤土内(１.２８％)ꎬ最小值位于盐碱土内(０.１９％)ꎮ表１㊀土壤有机质含量描述性统计结果Ｔａｂｌｅ１㊀Ｄｅｓｃｒｉｐｔｉｖｅｓｔａｔｉｓｔｉｃｓｒｅｓｕｌｔｓｏｆｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎｓｏｉｌｓａｍｐｌｅｓ项目Ｉｔｅｍ样品集及类型Ｓａｍｐｌｅｓｅｔａｎｄｔｙｐｅ土样数Ｎｕｍｂｅｒｏｆｓａｍｐｌｅｓ最大值Ｍａｘｉｍｕｍ/％最小值Ｍｉｎｉｍｕｍｖａｌｕｅ/％均值Ｍｅａｎｖａｌｕｅ/％标准差Ｓｔａｎｄａｒｄｄｅｖｉａｔｉｏｎ/％模型样品集Ｍｏｄｅｌｓａｍｐｌｅｓｅｔ样品全集Ｗｈｏｌｅｓｅｔ１２０１.２００.１９４０.７１０.２７６建模集Ｍｏｄｅｌｉｎｇｓｅｔ９０１.２００.１９０.７２０.２２７验证集Ｖａｌｉｄａｔｉｏｎｓｅｔ３０１.２８０.２５０.７０.２５７土地利用方式Ｌａｎｄｕｓｅｐａｔｔｅｒｎ耕地Ｃｕｌｔｉｖａｔｅｄｌａｎｄ５５１.２８０.２００.６７０.２０林地Ｗｏｏｄｌａｎｄ２０１.１５０.１９０.７２０.２３草地Ｇｒａｓｓｌａｎｄ２５１.１８０.２５０.８００.２１盐渍地Ｓａｌｉｎｅｓｏｉｌ２０１.０３０.２５０.６３０.２２土壤类型Ｓｏｉｌｔｙｐｅ栗钙土Ｃｈｅｓｔｎｕｔｓｏｉｌ５４１.２０.２０.６７０.２２沙壤土Ｓａｎｄｙｌｏａｍ５１１.２８０.２５０.７７０.２４盐碱土Ｓａｌｉｎｅ￣ａｌｋａｌｉｓｏｉｌ１５１.１５０.１９０.６８０.２２２.２㊀土壤反射光谱特征对Ｒ㊁１/Ｒ㊁ＬｎＲ㊁Ｒᶄ进行小波变换ꎬ变换结果如图２所示ꎬＲ㊁１/Ｒ㊁ＬｎＲ光谱曲线较为平滑ꎬ分解曲线随波峰波谷变化.Ｒᶄ其光谱曲线并不规则存在较多波峰波谷ꎬ分解小波系数与前三者不同ꎮＲ㊁１/Ｒ㊁ＬｎＲ㊁Ｒᶄ分解后ꎬ小波系数均随分解尺度的增加而增加ꎬ同时可以看出ꎬ由Ｍｅｘｈ小波母函数进行的连续小波变换ꎬ对于光谱波峰与波谷有较高的敏感性ꎬ对于放大㊁挖掘光谱信息有着显著的作用ꎮ２.３㊀相关性分析２.３.１㊀不同导数变换光谱与土壤有机质含量相关性㊀土壤有机质含量与光谱相关性曲线及敏感波段见图３ꎮＲ与土壤有机质含量呈负相关关系(相关系数ｒ＝－０.４６３)ꎬ主要集中于７３５~７８０ｎｍ处波段ꎻ１/Ｒ与土壤有机质的相关性则与Ｒ相反ꎬ呈正相关关系(ｒ＝０.４６２)ꎬ集中于６００~８００ｎｍ与１８００~２２００ｎｍ处波段ꎻＬｎＲ的相关性曲线图与Ｒ相关性曲线类似ꎬ总体呈现负相关关系ꎬ相关系数(ｒ＝－０.４６５)ꎬ主要集中于７４５~７９５５３１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演ｎｍ处的波段ꎻＲᶄ相关性在５００ｎｍ(ｒ＝－０.５８９)与１４００ｎｍ(ｒ＝－０.４１１)处为负相关ꎬ在８００ｎｍ(ｒ＝０.４０８)与１３８０ｎｍ(ｒ＝０.４１２)处为正相关ꎬ相关系数曲线变换趋势与前三者不同ꎬ呈无规律变化ꎮ２.３.２㊀不同分解尺度小波系数与土壤有机质含量的相关性㊀图４为不同光谱变换方式经过连续小波变换后与土壤有机质含量的相关系数矩阵图ꎬ其中红色代表相关性高的区域ꎬ蓝色代表相关性低的区域ꎮＲ在８００~１０００㊁１４００~１６００ｎｍ处相关性明显增加ꎬ在５００㊁８００㊁２２００ｎｍ波段处相关系数达到最大值(ｒ＝０.６６７)ꎻ１/Ｒ在８００~１２００ｎｍ处相关系数达到最大值(ｒ＝０.５５２)ꎬ在２４００~２５００ｎｍ处相系数达到０.４ꎬ受噪音和仪器本身的影响ꎬ此波段的相关系数不进行相关性参考ꎻＬｎＲ在分解尺度１下相关性较低ꎬ在２~１０尺度下ꎬ相关性出现最大值(ｒ＝０.６６４)ꎻＲᶄ相关性主要集中在５００~９００㊁１２００~１６００㊁２１００~２３００ｎｍ处ꎮ筛选的敏感波段与尺度如表２所示ꎮ有效的光谱信息主要存在于低分解尺度ꎬ随分解尺度的增加呈递减趋势ꎬ相关性最大值较未处理前分别增加了０.２０４㊁０.０９㊁０.１９９㊁０.２５２ꎬ对于挖掘潜在光谱信息有着重要意义ꎮ２.４㊀土壤有机质高光谱模型建立２.４.１㊀ＢＰ神经网络预测模型㊀采用ＢＰ神经网络构建反演模型ꎬ结果如表３所示ꎮ未进行连续小波变换处理的模型中ꎬＢＰ￣Ｒ与ＢＰ￣Ｒᶄ效果较好ꎬＲ２分别为０.６９和０.７３ꎬＲＰＤ为１.４５与１.５３ꎬ模型能粗略估算土壤有机含量ꎬＢＰ￣ＬｎＲ与ＢＰ￣１/Ｒ样本外预测能力较差ꎬ同时ＲＰＤ未达到１.４以上ꎬ不能对土壤有机质未能进行有效预测ꎻ连续小图２㊀连续小波变换光谱特性Ｆｉｇ.２㊀Ｓｐｅｃｔｒａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ６３１中国农业科技导报２３卷图３㊀土壤光谱相关性曲线及敏感波段Ｆｉｇ.３㊀Ｃｏｒｒｅｌａｔｉｏｎｃｕｒｖｅａｎｄｓｅｎｓｉｔｉｖｅｂａｎｄｏｆｓｏｉｌｓｐｅｃｔｒｕｍ图４㊀土壤有机质与小波系数相关性Ｆｉｇ.４㊀Ｃｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒａｎｄｗａｖｅｌｅｔｃｏｅｆｆｉｃｉｅｎｔｓ７３１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演表２㊀筛选的敏感波段Ｔａｂｌｅ２㊀Ｓｅｎｓｉｔｉｖｅｂａｎｄｆｏｒｓｃｒｅｅｎｉｎｇ处理方式Ｔｒｅａｔｍｅｎｔｍｅｔｈｏｄ相关系数Ｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔ分解尺度Ｄｅｃｏｍｐｏｓｉｔｉｏｎｓｃａｌｅ敏感波段Ｓｅｎｓｉｔｉｖｅｂａｎｄ/ｎｍＣＷＴ￣Ｒ０.６６７１~１０２１４㊁２１２㊁９１㊁９１㊁１０９㊁１０９㊁１０９㊁１１０㊁１１１㊁１１２ＣＷＴ￣１/Ｒ０.５５２１~７４００㊁２１２㊁１０８㊁１０８㊁１０８㊁１０８㊁１０９ＣＷＴ￣ＬｎＲ０.６６４２~８２１３㊁２１２㊁４５㊁４５㊁４５㊁１０９㊁１１０ＣＷＴ￣Ｒᶄ０.６６４１~１０２１２㊁２１５㊁２１５㊁２１６㊁９９㊁９９㊁９９㊁９８㊁９８㊁９８波变换处理之后的模型ꎬ仅ＢＰ￣ＣＷＴ￣１/Ｒ模型ＲＰＤ未达到预测水平ꎬ其余３种模型Ｒ２与ＲＰＤ较未处理前均有所增加ꎬＲＭＳＥ均减少ꎬ其中ＢＰ￣ＣＷＴ￣ＬｎＲ模型预测效果较好ꎬＲＰＤ达到２.１２可以有效地对土壤有机质进行预测ꎮ将ＢＰ￣ＣＷＴ处理的４个模型的实测值与预测值进行１ʒ１线分析ꎮ由图５可知ꎬ除ＢＰ￣ＣＷＴ￣１/Ｒ模型外ꎬ其余模型的实测值与预测值样点基本分布在１ʒ１线附近ꎬＢＰ￣ＣＷＴ￣ＬｎＲ效果较为明显ꎬ且估算精度高ꎬ可较好地进行土壤有机质含量的估算ꎮ２.４.２㊀支持向量机预测模型㊀ＳＶＭ构建反演模型ꎬ结果如表４所示ꎮ未经过连续小波处理的光谱特征波段未能较好地对土壤有机质进行预测反演ꎬ经过ＣＷＴ后模型ＳＶＭ￣ＣＷＴ￣Ｒ与ＳＶＭ￣ＣＷＴ￣Ｒᶄ预测结果较之前有较大的提升ꎬＲ２分别达到了０.５０与０.５６ꎬ二者ＲＰＤ均达到１.４以上ꎬ可以粗表３㊀土壤有机质ＢＰ神经网络估测模型结果Ｔａｂｌｅ３㊀ＲｅｓｕｌｔｓｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｆｏｒｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒ模型Ｍｏｄｅｌ建模集ＭｏｄｅｌｉｎｇｓｅｔＲ２ＲＭＳＥ验证集ＶａｌｉｄａｔｉｏｎｓｅｔＲ２ＲＭＳＥＲＰＤＢＰ￣Ｒ０.６９０.１７０.５２０.１９１.４５ＢＰ￣１/Ｒ０.６８０.１７０.３３０.２２１.２５ＢＰ￣ＬｎＲ０.５６０.１９０.２４０.２２１.２５ＢＰ￣Ｒᶄ０.７３０.１６０.５２０.１８１.５３ＢＰ￣ＣＷＴ￣Ｒ０.８００.１４０.５４０.１７１.６２ＢＰ￣ＣＷＴ￣１/Ｒ０.６４０.１８０.２１０.２８０.９８ＢＰ￣ＣＷＴ￣ＬｎＲ０.７６０.１５０.７４０.１３２.１２ＢＰ￣ＣＷＴ￣Ｒᶄ０.７７０.１４０.６６０.１６１.７２表４㊀土壤有机质支持向量机估测模型结果Ｔａｂｌｅ４㊀Ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｒｅｓｕｌｔｓｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒ模型Ｍｏｄｅｌ建模集ＭｏｄｅｌｉｎｇｓｅｔＲ２ＲＭＳＥ验证集ＶａｌｉｄａｔｉｏｎｓｅｔＲ２ＲＭＳＥＲＰＤＳＶＭ￣Ｒ０.２１０.２００.１９０.２０１.３８ＳＶＭ￣１/Ｒ０.２１０.２００.２００.２１１.３１ＳＶＭ￣ＬｎＲ０.２１０.２００.２００.２１１.３１ＳＶＭ￣Ｒᶄ０.４３０.１７０.２７０.２０１.３８ＳＶＭ￣ＣＷＴ￣Ｒ０.５００.１６０.４８０.１７１.６２ＳＶＭ￣ＣＷＴ￣１/Ｒ０.２９０.１９０.１６０.２１１.３１ＳＶＭ￣ＣＷＴ￣ＬｎＲ０.４９０.１６０.２７０.２０１.３８ＳＶＭ￣ＣＷＴ￣Ｒᶄ０.５６０.１５０.４１０.１８１.５３８３１中国农业科技导报２３卷图５㊀ＢＰ￣ＣＷＴ模型土壤实测值与预测值对比Ｆｉｇ.５㊀ＣｏｍｐａｒｉｓｏｎｏｆｍｅａｓｕｒｅｄｖａｌｕｅａｎｄｐｒｅｄｉｃｔｅｄｖａｌｕｅｏｆＢＰ￣ＣＷＴｍｏｄｅｌ略地对土壤有机质进行预测ꎮ同时根据图６ꎬＳＶＭ￣ＣＷＴ模型进行１:１线分析ꎬ二者实测值与预测值分布情况在４种模型下较好ꎬ虽然模型ＳＶＭ￣ＣＷＴＬｎＲ分布同样较为集中ꎬ但其样本外预测情况较差(ＲＰＤ＝１.３８)ꎬ综合考虑不对其进行土壤有机质预测ꎮ结合表３和表４的结果分析ꎬ连续小波变换能够有效地提升模型精度与模型泛化能力ꎬ对于光谱信息挖掘有着重要意义ꎬＢＰ神经网络与支持向量机对ＣＷＴ￣Ｒ与ＣＷＴ￣Ｒᶄ都能够提升Ｒ２减少ＲＭＳＥꎬ可对土壤有机质做出较好的预测ꎮ虽然ＢＰ神经网络与支持向量机在处理非线性回归问题中有较强的能力ꎬ但本身模型中存在不稳定性ꎬ对模型的环境设置同样要求较高ꎬ所以未能对所有数据集进行良好的预测ꎮ３㊀讨论本研究采用连续小波变换对光谱进行处理ꎬ用ＢＰ神经网络与支持向量机(ＳＶＭ)两种模型对土壤有机质含量进行反演预测ꎮ未经过连续小波变换前ꎬＲ㊁１/Ｒ㊁ＬｎＲ㊁Ｒᶄ与土壤有机质的相关系系数最大值分别为－０.４６３㊁０.４６２㊁－０.４６５㊁０.５８９ꎬ可以看出ꎬＲᶄ与土壤有机质的相关系数最高ꎬ与吴倩等[２２]㊁张新乐等[２３]的研究结果相同ꎻ经过连续小波变换后ꎬＣＷＴ￣Ｒ㊁ＣＷＴ￣１/Ｒ㊁ＣＷＴ￣ＬｎＲ㊁ＣＷＴ￣Ｒᶄ相关系数最大值分别为０６６７㊁０.５５２㊁０６６４㊁０.６６２ꎬ较之前分别增加了０２０㊁０.０９㊁０.１９㊁０.０７ꎮ王延仓等[１]㊁于雷等[４]㊁叶红云等[１７]等同样证明连续小波变换可有效提高与土壤有机质含量的相关系数ꎮ不同分解尺度对于光谱数据的深度挖掘有着重要意义ꎬ本研究只利用Ｍｅｘｈ小波母函数进行处理ꎬ未对其他函数进行考虑ꎬ分解层数同样是根据前人经验所得[４ꎬ１０]ꎬ小波技术的研究与发展仍然有很大的探索空间ꎮ相对于两种模型来看ꎬ未进行连续小波处理９３１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演图６㊀利用ＳＶＭ￣ＣＷＴ模型土壤实测值与预测值的对比Ｆｉｇ.６㊀ＣｏｍｐａｒｉｓｏｎｏｆｓｏｉｌｍｅａｓｕｒｅｄｖａｌｕｅａｎｄｐｒｅｄｉｃｔｅｄｖａｌｕｅｏｆＳＶＭ￣ＣＷＴｍｏｄｅｌ的支持向量机模型中ꎬ只有ＳＶＭ￣Ｒᶄ模型Ｒ２最高达到０.４３ꎬ其余三者均未到达０.４ꎮ综合多种模型评价方法ꎬ由于其ＲＰＤ未达到１.４以上ꎬ无法对土壤有机质含量进行预测ꎮ经过连续小波处理后ꎬ各模型的Ｒ２有明显提高ꎬ其中ＳＶＭ￣ＣＷＴ￣Ｒ与ＳＶＭ￣ＣＷＴ￣Ｒᶄ模型效果较好ꎬＲ２分别提高了０.２９㊁０.１３ꎬＲＰＤ达到１.６２与１.５３实现了对土壤有机质有效的预测ꎬ但预测结果较ＢＰ神经网络较低ꎮ在ＢＰ神经网络预测模型中ꎬ未进行连续小波变换前ꎬＢＰ￣Ｒ与ＢＰ￣Ｒᶄ预测效果较好ꎬＲ２达到０.６９与０.７３ꎬＲＰＤ为１.４５与１.５３ꎻ进行连续小波处理后ꎬ除ＳＶＭ￣ＣＷＴ￣１/Ｒ模型未到达预测效果ꎬ其余３种模型预测结果较之前均有明显改善ꎬ可实现对土壤有机质较好的预测ꎬ其中ＢＰ￣ＣＷＴ￣ＬｎＲ预测模型效果最佳Ｒ２达到０.７６ꎬＲＰＤ达到２.１２ꎮ根据１:１线分析图也可看出ꎬ其实测值与预测值分布较为集中ꎬ于雷等[４]㊁叶红云等[１７]㊁林鹏达等[１８]同样通过连续小波变换有效提升了模型的精度与泛化能力ꎮ针对土壤有机质高光谱反演研究中ꎬ姚聪[２４]对耕层土壤通过ＢＰ神经网络与支持向量机模型ꎬ反演精度Ｒ２分别为０.４２与０.６７ꎻ叶红云等[１７]采用连续小波变换对干旱区土壤有机质反演ꎬ模型精度Ｒ２＝０.７５㊁ＥＭＳＥ＝０.７１ꎻ谢文[２５]在森林土壤有机质反演研究中ꎬＢＰ神经网络模型Ｒ２＝０７８㊁ＥＭＳＥ＝０.７７ꎬ支持向量机模型Ｒ２＝０.８７㊁ＥＭＳＥ＝０.７６ꎮ本研究对耕地㊁林草地㊁盐碱地㊁栗钙土㊁沙壤土㊁盐渍土等不同土地利用类型与土壤类型进行综合反演ꎬ最佳反演模型为ＢＰ￣ＣＷＴＬｎＲꎬＲ２＝０.７６㊁ＥＭＳＥ＝０.１５㊁ＲＰＤ＝２.１２ꎬ与前人研究的结果基本相符ꎬ证明通过连续小波变换处理ꎬ不同土壤类型与土地利用类型未对土壤反演模型精度产生影响ꎮ所以采用连续小波变换进行光谱数据挖掘ꎬ采用ＢＰ￣ＣＷＴ￣ＬｎＲ神经网络建０４１中国农业科技导报２３卷立反演模型ꎬ可对不同土地利用于土壤类型条件下土壤有机质高光谱反演提供一定的理论支持与应用价值ꎮ参㊀考㊀文㊀献[１]㊀王延仓ꎬ杨秀峰ꎬ赵起超ꎬ等.二进制小波技术定量反演北方潮土土壤有机质含量[Ｊ].光谱学与光谱分析ꎬ２０１９ꎬ３９(９):２８５５－２８６１.ＷＡＮＧＹＣꎬＹＡＮＧＸＦꎬＺＨＡＯＱＣꎬｅｔａｌ..Ｑｕａｎｔｉｔａｔｉｖｅｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｂａｓｅｄｏｎｂｉｎａｒｙｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ[Ｊ].ＳｐｅｃｔｒｏｓｃｏｐｙＳｐｅｃｔｒａｌＡｎａｌ.ꎬ２０１９ꎬ３９(９):２８５５－２８６１. [２]㊀于雷ꎬ洪永胜ꎬ耿雷ꎬ等.基于偏最小二乘回归的土壤有机质含量高光谱估算[Ｊ].农业工程学ꎬ２０１５ꎬ３１(１４):１０３－１０９.ＹＵＬꎬＨＯＮＧＹＳꎬＧＥＮＧＬꎬｅｔａｌ..Ｈｙｐｅｒｓｐｅｃｔｒａｌｅｓｔｉｍａｔｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｂａｓｅｄｏｎｐａｒｔｉａｌｌｅａｓｔｓｑｕａｒｅｓｒｅｇｒｅｓｓｉｏｎ[Ｊ].Ｔｒａｎｓ.ＣＳＡＥꎬ２０１５ꎬ３１(１４):１０３－１０９. [３]㊀钟浩ꎬ李西灿ꎬ翟浩然ꎬ等.耕层土壤有机质高光谱间接估测模型[Ｊ].测绘科学技术学报ꎬ２０１９ꎬ３６(１):７４－７８ꎬ８５.ＺＨＯＮＧＨꎬＬＩＸＣꎬＺｈＡＩＨＲꎬｅｔａｌ..Ｈｙｐｅｒｓｐｅｃｔｒａｌｉｎｄｉｒｅｃｔｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎｐｌｏｕｇｈｌａｙｅｒ[Ｊ].Ｊ.ＧｅｏｍａｔｉｃｓＴｅｃｈｎｏｌ.ꎬ２０１９ꎬ３６(１):７４－７８ꎬ８５. [４]㊀于雷ꎬ洪永胜ꎬ周勇ꎬ等.连续小波变换高光谱数据的土壤有机质含量反演模型构建[Ｊ].光谱学与光谱分析ꎬ２０１６ꎬ３６(５):１４２８－１４３３.ＹＵＬꎬＨＯＮＧＹＳꎬＺＨＯＵＹꎬｅｔａｌ..Ｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｕｓｉｎｇｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａｂａｓｅｄｏｎｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍａｔｉｏｎ[Ｊ].ＳｐｅｃｔｒｏｓｃｏｐｙＳｐｅｃｔｒａｌＡｎａｌ.ꎬ２０１６ꎬ３６(５):１４２８－１４３３.[５]㊀ＳＴＥＮＢＥＲＧＢꎬＶＩＳＣＡＲＲＡＲＲＡꎬＭＯＵＡＺＥＮＡＭꎬｅｔａ１..Ｖｉｓｉｂｌｅａｎｄｎｅａｒｉｎｆｒａｒｅｄｓｐｅｃｔｒｏｓｃｏｐｙｉｎｓｏｉｌｓｃｉｅｎｃｅ[Ｊ].Ａｄｖ.Ａｇｒｏｎ.ꎬ２０１０ꎬ１０７:１６３－２１５.[６]㊀聂哲ꎬ李秀芬ꎬ吕家欣ꎬ等.东北典型黑土区表层土壤有机质含量高光谱反演研究[Ｊ].土壤通报ꎬ２０１９ꎬ５０(６):１２８５－１２９３.ＮＩＥＺꎬＬＩＵＸＦꎬＬＹＵＪＸꎬｅｔａｌ..ＨｙｐｅｒｓｐｅｃｔｒａｌｒｅｔｒｉｅｖａｌｏｆｓｕｒｆａｃｅｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎａｔｙｐｉｃａｌｂｌａｃｋｓｏｉｌｒｅｇｉｏｎｏｆｎｏｒｔｈｅａｓｔＣｈｉｎａ[Ｊ].Ｃｈｉｎ.Ｊ.ＳｏｉｌＳｃｉ.ꎬ２０１９ꎬ５０(６):１２８５－１２９３.[７]㊀沈润平ꎬ丁国香ꎬ魏国栓ꎬ等.基于人工神经网络的土壤有机质含量高光谱反演[Ｊ].土壤学报ꎬ２００９ꎬ４６(３):３９１－３９７.ＳＨＥＮＲＰꎬＤＩＮＧＧＸꎬＷＥＩＧＳꎬｅｔａｌ..Ｒｅｔｒｉｅｖａｌｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｆｒｏｍｈｙｐｅｒ￣ｓｐｅｃｔｒｕｍｂａｓｅｏｎＡｎｎ[Ｊ].ＡｃｔａＰｅｄｏｌ.Ｓｉｎ.ꎬ２００９ꎬ４６(３):３９１－３９７.[８]㊀沈强ꎬ张世文ꎬ夏沙沙ꎬ等.基于支持向量机的土壤有机质高光谱反演[Ｊ].安徽理工大学学报(自然科学版)ꎬ２０１９ꎬ３９(４):３９－４５.ＳＨＥＮＱꎬＺＨＡＮＧＳＷꎬＸＩＡＳＳꎬｅｔａｌ..Ｈｙｐｅｒｓｐｅｃｔｒａｌｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｂａｓｅｄｏｎｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ[Ｊ].Ｊ.ＡｎｈｕｉＵｎｉｖ.Ｓｃｉ.Ｔｅｃｈｎｏｌ.(Ｎａｔ.Ｓｃｉ.)ꎬ２０１９ꎬ３９(４):３９－４５.[９]㊀ＢＲＥＩＭＡＮＬꎬＦＲＩＥＤＭＡＮＪＨꎬＯＬＳＨＥＮＲＡꎬｅｔａｌ..ＣｌａｓｓｉｆｉｃａｔｉｏｎａｎｄＲｅｇｒｅｓｓｉｏｎＴｒｅｅｓ[Ｍ].Ｂｅｌｍｏｎｔ:ＷａｄｓｗｏｒｔｈＩｎｔｅｒｎａｔｉｏｎａｌＧｒｏｕｐꎬ１９８４.[１０]㊀方圣辉ꎬ乐源ꎬ梁琦.基于连续小波分析的混合植被叶绿素反演[Ｊ].武汉大学学报ꎬ２０１５ꎬ４０(３):２９６－３０２.ＦＡＮＧＳＨꎬＬＥＹꎬＬＩＡＮＧＱ.Ｒｅｔｒｉｅｖａｌｏｆｃｈｌｏｒｏｐｈｙｌｌｃｏｎｔｅｎｔｕｓｉｎｇｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔａｎａｌｙｓｉｓａｃｒｏｓｓａｒａｎｇｅｏｆｖｅｇｅｔａｔｉｏｎｓｐｅｃｉｅｓ[Ｊ].ＧｅｏｍａｔｉｃｓＩｎｆｏｒｍ.Ｓｃｉ.ＷｕＨａｎＵｎｉｖ.ꎬ２０１５ꎬ４０(３):２９６－３０２.[１１]㊀何汝艳ꎬ乔小军ꎬ蒋金豹ꎬ等.小波法反演条锈病胁迫下冬小麦冠层叶片全氮含量[Ｊ].农业工程学报ꎬ２０１５ꎬ３１(２):１４１－１４６.ＨＥＲＹꎬＱＩＡＯＸＪꎬＪＩＡＮＧＪＢꎬｅｔａｌ..Ｒｅｔｒｉｅｖｉｎｇｃａｎｏｐｙｌｅａｆｔｏｔａｌｎｉｔｒｏｇｅｎｃｏｎｔｅｎｔｏｆｗｉｎｔｅｒｗｈｅａｔｂｙｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ[Ｊ].Ｔｒａｎｓ.ＣＳＡＥꎬ２０１５ꎬ３１(２):１４１－１４６. [１２]㊀陈红艳ꎬ赵庚星ꎬ李希灿ꎬ等.小波分析用于土壤速效钾含量高光谱估测研究[Ｊ].中国农业科学ꎬ２０１２ꎬ４５(７):１４２５－１４３１.ＣＨＥＮＨＹꎬＺＨＡＯＧＸꎬＬＩＸＣꎬｅｔａｌ..Ａｐｐｌｉｃａｔｉｏｎｏｆｗａｖｅｌｅｔａｎａｌｙｓｉｓｆｏｒｅｓｔｉｍａｔｉｏｎｏｆｓｏｉｌａｖａｉｌａｂｌｅｐｏｔａｓｓｉｕｍｃｏｎｔｅｎｔｗｉｔｈｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｆｌｅｃｔａｎｃｅ[Ｊ].Ｓｃｉ.Ａｇｒｉｃ.Ｓｉｎ.ꎬ２０１２ꎬ４５(７):１４２５－１４３１.[１３]㊀高洪智ꎬ卢启鹏.土壤主要养分近红外光谱分析及其测量系统[Ｊ].光谱学与光谱分析ꎬ２０１１ꎬ３１(５):１２４５－１２４９.ＧＡＯＨＺꎬＬＵＱＰ.Ｎｅａｒｉｎｆｒａｒｅｄｓｐｅｃｔｒａｌａｎａｌｙｓｉｓａｎｄｍｅａｓｕｒｉｎｇｓｙｓｔｅｍｆｏｒｐｒｉｍａｒｙｎｕｔｒｉｅｎｔｏｆｓｏｉｌ[Ｊ].ＳｐｅｃｔｒｏｓｃｏｐｙＳｐｅｃｔｒａｌＡｎａｌ.ꎬ２０１１ꎬ３１(５):１２４５－１２４９.[１４]㊀王祥浩.土壤有机质高光谱反演模型研究[Ｊ].黑龙江工程学院学报ꎬ２０１９ꎬ３３(５):３４－３９.ＷＡＮＧＸＨ.Ｒｅｓｅａｒｃｈｏｎｈｉｇｈｓｐｅｃｔｒａｌｉｎｖｅｒｓｉｏｎｍｏｄｅｌｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒ[Ｊ].Ｊ.ＨｅｉｌｏｎｇｊｉａｎｇＩｎｓｔｉｔｕｔｅＴｅｃｈｎｏｌ.ꎬ２０１９ꎬ３３(５):３４－３９.[１５]㊀包青岭ꎬ丁建丽ꎬ王敬哲ꎬ等.基于随机森林算法的土壤有机质含量高光谱检测[Ｊ].干旱区地理ꎬ２０１９ꎬ４２(６):１４０４－１４１４.ＢＡＯＱＬꎬＤＩＮＧＪＬꎬＷＡＮＧＪＺꎬｅｔａｌ..Ｈｙｐｅｒｓｐｅｃｔｒａｌｄｅｔｅｃｔｉｏｎｏｆｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｂａｓｅｄｏｎｒａｎｄｏｍｆｏｒｅｓｔａｌｇｏｒｉｔｈｍ[Ｊ].ＡｒｉｄＬａｎｄＧｅｏｇｒａｐｈｙꎬ２０１９ꎬ４２(６):１４０４－１４１４.[１６]㊀王延仓ꎬ张兰ꎬ王欢ꎬ等.连续小波变换定量反演土壤有机质含量[Ｊ].光谱学与光谱分析ꎬ２０１８ꎬ３８(１１):３５２１－３５２７.ＷＡＮＧＹＣꎬＺＨＡＮＧＬꎬＷＡＮＧＨꎬｅｔａｌ..Ｑｕａｎｔｉｔａｔｉｖｅｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｂａｓｅｄｏｎｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ[Ｊ].ＳｐｅｃｔｒｏｓｃｏｐｙＳｐｅｃｔｒａｌＡｎａｌ.ꎬ２０１８ꎬ３８(１１):３５２１－３５２７.[１７]㊀叶红云ꎬ熊黑钢ꎬ张芳ꎬ等.基于ＣＷＴ的人类不同程度干扰下干旱区土壤有机质含量估算研究[Ｊ].激光与光电子学进展ꎬ２０１９ꎬ５６(５):１１５－１２４.ＹＥＨＹꎬＸＩＯＮＧＨＧꎬＺＨＡＮＧＦꎬｅｔａｌ..ＣＷＴ￣Ｂａｓｅｄｅｓｔｉｍａｔｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎａｒｉｄａｒｅａｕｎｄｅｒｄｉｆｆｅｒｅｎｔｈｕｍａｎｄｉｓｔｕｒｂａｎｃｅｄｅｇｒｅｅｓ[Ｊ].ＬａｓｅｒＯｐｔｏｅｌｅｃｔｒｏｎｉｃｓＰｒｏｇｒ.ꎬ２０１９ꎬ５６(５):１１５－１２４.[１８]㊀林鹏达ꎬ佟志军ꎬ张继权ꎬ等.基于ＣＷＴ的黑土有机质含量野外高光谱反演模型[Ｊ].水土保持研究ꎬ２０１８ꎬ２５(２):４６－５２ꎬ５７.ＬＩＮＰＤꎬＴＯＮＧＺＪꎬＺＨＡＮＧＪＱꎬｅｔａｌ..Ｉｎｖｅｒｓｉｏｎｏｆｂｌａｃｋｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｗｉｔｈｆｉｅｌｄｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｆｌｅｃｔａｎｃｅｂａｓｅｄｏｎｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍａｔｉｏｎ[Ｊ].Ｒｅｓ.ＳｏｉｌＷａｔｅｒＣｏｎｎｓｅｒｖ.ꎬ２０１８ꎬ２５(２):４６－５２ꎬ５７.１４１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演[１９]㊀范晓冰ꎬ鲁丽波ꎬ范海娇.托克托县耕地动态变化及驱动因子分析[Ｊ].内蒙古师范大学学报ꎬ２０１７ꎬ４６(１):１５１－１５５.ＦＡＮＧＸＢꎬＬＵＬＢꎬＦＡＮＧＨＪꎬｅｔａｌ..ＡｎａｎａｌｙｓｉｓｏｆｄｙｎａｍｉｃｃｈａｎｇｅｓａｎｄｄｒｉｖｉｎｇｆａｃｔｏｒｓｏｆａｒａｂｌｅｌａｎｄｉｎＴｏｇｔｏｈｃｏｕｎｔｙ[Ｊ].Ｊ.ＩｎｎｅｒＭｏｎｇｏｌｉａＮｏｒｍ.Ｕｎｉｖ.ꎬ２０１７ꎬ４６(１):１５１－１５５. [２０]㊀李政葵.内蒙古托克托县潜水与土壤中氟化物的分布规律及其相关性研究[Ｄ].呼和浩特:内蒙古大学ꎬ硕士学位论文ꎬ２０１５.ＬＩＫＺ.ＤｉｓｔｒｉｂｕｔｉｏｎａｎｄｃｏｒｒｅｌａｔｉｏｎｏｆｆｌｕｏｒｉｄｅｂｅｔｗｅｅｎｕｎｃｏｎｆｉｎｅｄｗａｔｅｒａｎｄｓｏｉｌｏｆＩｎｎｅｒＭｏｎｇｏｌｉａＴｕｏｋｅｔｕｏｃｏｕｎｔｙ[Ｄ].Ｈｏｈｈｏｔ:ＩｎｎｅｒＭｏｎｇｏｌｉａＵｎｉｖｅｒｓｉｔｙꎬＭａｓｔｅｒＤｉｓｓｅｒｔａｔｉｏｎꎬ２０１５.[２１]㊀ＶＩＳＣＡＲＲＡＲＡꎬＭＣＧＬＹＮＮＲＮꎬＭＣＢＲＡＴＮＥＹＡＢ.Ｄｅｔｅｒｍｉｎｉｎｇｔｈｅｃｏｍｐｏｓｉｔｉｏｎｏｆｍｉｎｅｒａｌ￣ｏｒｇａｎｉｃｍｉｘｅｓｕｓｉｎｇＵＶ￣ｖｉｓ￣ＮＩＲｄｉｆｆｕｓｅｒｅｆｌｅｃｔａｎｃｅｓｐｅｃｔｒｏｓｃｏｐｙ[Ｊ].Ｇｅｏｄｅｒｍａꎬ２００７ꎬ１３７(１/２):７０－８２.[２２]㊀吴倩ꎬ姜琦刚ꎬ史鹏飞ꎬ等.基于高光谱的土壤碳酸钙含量估算模型研究[Ｊ/ＯＬ].国土资源遥感ꎬ２０２０:[２０２０－０９－１６].ｈｔｔｐｓ://ｋｎｓ.ｃｎｋｉ.ｎｅｔ/ｋｃｍｓ/ｄｅｔａｉｌ/１１.２５１４.Ｐ.２０２００８１０.１５１８.００４.ｈｔｍｌ.ＷＵＱꎬＪＩＡＮＧＱＧꎬＳＨＩＰＦꎬｅｔａｌ..Ｅｓｔｉｍａｔｉｏｎｏｆｓｏｉｌｃａｌｃｉｕｍｃａｒｂｏｎａｔｅｃｏｎｔｅｎｔｂａｓｅｄｏｎｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａ[Ｊ/ＯＬ].ＲｅｍｏｔｅＳｅｎｓｉｎｇＬａｎｄＲｅｓｏｕｒｃｅｓꎬ２０２０:[２０２０－０９－１６].ｈｔｔｐｓ://ｋｎｓ.ｃｎｋｉ.ｎｅｔ/ｋｃｍｓ/ｄｅｔａｉｌ/１１.２５１４.Ｐ.２０２００８１０.１５１８.００４.ｈｔｍｌ.[２３]㊀张新乐ꎬ于滋洋ꎬ李厚萱ꎬ等.东北水稻叶片ＳＰＡＤ遥感光谱估算模型[Ｊ].中国农业大学学报ꎬ２０２０ꎬ２５(１):６６－７５.ＺＨＡＮＧＸＬꎬＹＵＺＹꎬＬＩＨＸꎬｅｔａｌ..ＲｅｍｏｔｅｓｅｎｓｉｎｇｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｏｆＳＰＡＤｆｏｒｒｉｃｅｌｅａｖｅｓｉｎＮｏｒｔｈｅａｓｔＣｈｉｎａ[Ｊ].Ｊ.Ｃｈｉｎ.Ａｇｒｉｃ.Ｕｎｉｖ.ꎬ２０２０ꎬ２５(１):６６－７５.[２４]㊀姚聪.基于卷积神经网络的耕层土壤有机质含量估测模型研究[Ｄ].山东泰安:山东农业大学ꎬ硕士学位论文ꎬ２０２０.ＹＡＯＣ.Ｓｔｕｄｙｏｎｅｓｔｍａｔｉｏｎｍｏｄｅｌｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎｐｌｏｗｅｄｌａｙｅｒｂａｓｅｄｏｎｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ[Ｄ].ＳｈａｎｄｏｎｇＴａｉａｎ:ＳｈａｎｄｏｎｇＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙꎬＭａｓｔｅｒＤｉｓｓｅｒｔａｔｉｏｎꎬ２０２０.[２５]㊀谢文.基于高光谱技术的森林土壤不同养分含量光谱特征及估测模型研究[Ｄ].南昌:江西农业大学ꎬ博士学文论文ꎬ２０１７.ＸＩＥＷ.Ｓｔｕｄｙｏｎｓｐｅｃｔｒａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓａｎｄｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｓｏｆｄｉｆｆｅｒｅｎｔｎｕｔｒｉｅｎｔｃｏｎｔｅｎｔｓｉｎｆｏｒｅｓｔｓｏｉｌｓｂａｓｅｄｏｎｈｙｐｅｒｓｐｅｃｔｒａｌｔｅｃｈｎｏｌｏｇｙ[Ｄ].Ｎａｎｃｈａｎｇ:ＪｉａｎｇｓｕＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙꎬＤｏｃｔｏｒＤｉｓｓｅｒｔａｔｉｏｎꎬ２０１７.(责任编辑:陈凌云)２４１中国农业科技导报２３卷。

土壤重金属含量的高光谱遥感反演方法综述

土壤重金属含量的高光谱遥感反演方法综述摘要：随着工业生产规模的扩大、城市环境污染的加剧和农用化学物质种类、数量的增加，土壤重金属污染因其程度加剧、面积扩大而备受关注。

重金属污染物在土壤中移动差、滞留时间长、难被微生物降解，并可经水、植物等介质最终影响人体健康，因此对重金属污染的定量监测非常有必要并且意义重大。

高光谱遥感技术的发展为宏观、快速获取土壤重金属元素信息提供了新的契机，目前国内外学者基于土壤反射光谱特征，运用多种统计分析方法成功地预测了多种土壤重金属元素的含量。

介绍了土壤的光谱特征及光谱特征波段的提取，对利用高光谱遥感技术估算土壤重金属含量的主要方法进行了总结，对影响模型精度的主要因素进行了讨论，介绍了模型在模拟多光谱数据方面的应用，最后对模型反演过程出现的不足及今后的研究方向进行了展望。

关键词：土壤重金属；高光谱遥感；估算方法；统计分析；预测精度土壤是人类赖以生存的主要自然资源之一，也是人类生态环境的重要组成部分[1]。

随着工业的发展和农业生产的现代化，大量污染物进入土壤环境，其中重金属是重要的污染物质之一[2]。

土壤污染中重金属主要指汞、镉、铅、铬以及类金属砷等生物毒性显著的物质，也指具有一定毒性的一般重金属如锌、铜、钴、镍、锡等，目前最令研究者关注的重金属是汞、镉、铅等。

土壤重金属污染不仅会造成农作物减产，质量下降，严重者会通过食物链影响人体健康，因此对土壤重金属含量进行监测非常必要。

传统的野外采样和室内化学分析方法具有测量精度高、准确性强等优点，但相对费时费力，而且很难获取大面积空间上连续的污染物含量分布信息。

遥感技术因其多时相、大面积等特点逐渐被研究者应用于土壤性质的监测，高光谱遥感则以其多且连续的光谱波段特点被应用于监测土壤重金属含量，可以实现大范围、非破坏性和非接触元素的快速测样[3，4]。

由于土壤中重金属含量低，对土壤光谱曲线影响微弱，直接分析土壤样品重金属元素的特征光谱来估算其含量比较困难。

土壤速效养分高光谱检测方法研究

土壤速效养分高光谱检测方法研究土壤速效养分高光谱检测方法是一种基于高光谱技术的土壤养分检测方法。

通过对土壤样本进行高光谱扫描分析，可以获得土壤在不同波段下的反射率信息。

根据土壤光谱与养分含量之间的相关关系，可以建立光谱指数模型或多光谱模型，从而实现土壤养分含量的预测与评估。

在土壤速效养分高光谱检测方法的研究中，主要包括以下几个方面：1. 光谱数据采集：采集土壤样本的光谱数据，通常使用光谱仪或偏振光谱仪进行测量。

数据采集时需要选择适当的波长范围和光谱分辨率，以获得准确的光谱信息。

2. 数据预处理：对采集到的光谱数据进行预处理，包括大气校正、杂散光校正、数据标准化等。

预处理可以提高光谱数据的质量和可靠性，减少光谱数据的噪声和干扰。

3. 光谱特征提取：通过对光谱数据进行特征提取，可以获取与土壤养分含量相关的光谱特征。

一般来说，选择合适的光谱指数或光谱特征可以提高土壤养分含量的预测精度。

4. 建立光谱模型：基于光谱特征和养分含量之间的相关关系，可以建立光谱模型。

常用的建模方法包括回归分析、光谱指数模型、人工神经网络等。

通过模型训练和验证，可以实现土壤养分含量的预测和评估。

5. 模型评估和优化：对建立的光谱模型进行评估和优化，可以评估模型的预测能力和稳定性，并对模型进行改进和优化。

常用的评估指标包括相关系数、均方根误差等。

土壤速效养分高光谱检测方法的研究具有重要的应用价值。

通过高光谱技术可以非常快速地获取土壤养分含量信息，提高土壤养分管理的效率和准确性。

此外，该方法还可以帮助优化农业生产过程，减少肥料的使用量和环境污染。

因此，土壤速效养分高光谱检测方法在农业生产和土壤环境保护中具有广阔的应用前景。

土壤有机质高光谱自反馈灰色模糊估测模型

山东农业大学学报(自然科学版),2023,54(4):495-499VOL.54NO.42023 Journal of Shandong Agricultural University(Natural Science Edition)doi:10.3969/j.issn.1000-2324.2023.04.003土壤有机质高光谱自反馈灰色模糊估测模型于锦涛1,李西灿1,曹双1,刘法军2*1.山东农业大学信息科学与工程学院,山东泰安2710182.山东省地质矿产勘查开发局第五地质大队,山东泰安271000摘要:为克服光谱估测中的不确定性和提高光谱估测精度，本文利用灰色系统理论和模糊理论建立土壤有机质高光谱估测模型。

基于山东省济南市章丘区和济阳区的121个土壤样本数据，首先对土壤光谱数据进行光谱变换，根据极大相关性原则选取光谱估测因子；然后，利用区间灰数的广义灰度对建模样本和检验样本的估测因子进行修正，以提高相关性。

最后，利用模糊识别理论建立土壤有机质高光谱自反馈模糊估测模型，并通过调整模糊分类数进行模型优化。

结果表明，利用区间灰数的广义灰度可有效提高土壤有机质含量与估测因子的相关性，所建估测模型精度和检验精度均显著提高，其中20个检验样本的决定系数为R2=0.9408，平均相对误差为6.9717%。

研究表明本文所建立的土壤有机质高光谱自反馈灰色模糊估测模型是可行有效的。

关键词:土壤有机质;高光谱遥感;估测模型中图法分类号:TP79;S151.9文献标识码:A文章编号:1000-2324(2023)04-0495-05Self-feedback Grey Fuzzy Estimation Model of Soil Organic Matter Using Hyper-spectral DataYU Jin-tao1,LI Xi-can1,CAO Shuang1,LIU Fa-jun2*1.School of Information Science and Engineering/Shandong Agricultural University,Tai’an271018,China2.The Fifth Geological Brigade of Shandong Geological and Mineral Resources Exploration and Development Bureau, Tai’an271000,ChinaAbstract:To overcome the uncertainty in spectral estimation and improve the accuracy of spectral estimation,a hyper-spectral estimation model of soil organic matter is established in this paper by using grey system theory and fuzzy theory.Based on121soil samples from Zhangqiu and Jiyang districts of Jinan City,Shandong Province,the spectral data are firstly transformed and the spectral estimation factors are selected according to the principle of great correlation;then,the estimation factors of the modeling samples and the test samples are corrected by using the generalized greyness of the interval grey number to improve the correlation.Finally,the fuzzy estimation model with self-feedback of soil organic matter based on hyper-spectral is established by using the fuzzy recognition theory,and the model is optimized by adjusting the fuzzy classification number.The results show that the correlation between soil organic matter content and estimation factors can be effectively improved by using the generalized greyness of interval grey number,and the accuracy of the built estimation model and the test accuracy are significantly improved,among which the determination coefficient of20test samples is R2=0.9408,and the average relative error is6.9717%.The study indicates that the grey fuzzy estimation model with self-feedback of soil organic matter using hyper-spectral data developed in this paper is feasible and effective. Keywords:Soil organic matter;Hyper-spectral remote sensing;stimation model土壤有机质是评定土壤肥力的一个重要指标，快速获取土壤有机质含量对发展精准农业具有现实意义[1]。

不同模型预测土壤有机质含量空间分布对比分析

2021年34卷3期VoL 34 No. 3西南农业学掖Southwest China Journal of Agricultural Sciences610文章编号：1001 -4829(2021)3 -0610-08DOI : 10.16213/j. cnki. scjas. 2021.3.022不同模型预测土壤有机质含量空间分布对比分析李梦佳2,王磊2,刘洪斌1A,武伟巧（1.西南大学资源环境学院，重庆400716；2,西南大学计算机与信息科学学院，重庆400715 ；3,重庆市数字农业重点实验室，重庆 400716）摘要:【目的】探究土壤有机质含量空间分布预测模型的差异。

【方法】在重庆市长寿区采集5162个土壤样点，结合地形、气候、植被和成土母质等9个环境变量，利用分类与回归树（CART ）、随机森林（RF ）、随机森林残差克里格（RFRK ）和普通克里格（0K ）4种预测模型对研究区土壤有机质含量空间分布进行预测制图，并利用平均绝对误差（MAE ）、均方根误差（RMSE ）、决定系数（M ）和整体评价指标（GPI ）评价模型精度。

【结果】预测模型整体精度由低到高排序为（人1^<1^<1^1世<0心在不同预测模型绘制的空间分布图中，土壤有机质含量空间分布的总体趋势一致,但在局部细节中存在差异。

【结论】在采样密度较大区域，可以不借助辅助变量直接预测土壤有机质含量。

关键词:土壤;有机质;预测模型；空间分布;对比中图分类号:S15& 9文献标识码:AContrastive Analysis of Spatial Distribution of Soil Organic Matter Content Predicted by Different ModelsLI Meng-jia 1'3 ,WANG Lei 1'3 ,UU Hong-bin 1'3* ,WU Wei 2'3(1. College of Resources and Environment ,Southwest University ,Chongqing 400716,China ；2. College of Computer and Information Science ,Southwest University ,Chongqing 400715,China ；3. Chongqing Key Laboratory of Digital Agriculture ,Chongqing 400716,China)Abstract ： [ Objective] The present paper aimed to explore the differences in the spatial distribution prediction models of soil organic mattercontent. [Method] A total of 5162 soil samples were collected from Changshou ,Chongqing. The samples were divided into calibration (80 % ) and validation (20 % ) sets. Ordinary Kriging ( OK) ,Classification and Regression Tree ( CART) ,Random Forest ( KF) and RandomForest with Residual Kriging ( RFRK) were applied to predict the spatial distribution of soil organic matter content using nine environmentalvariables (Elevation ,Relative Slope Position, Valley Depth ,Topographic Wetness Index, Vertical Distance to Channel Network , Normalized Difference Vegetation Index , Average Annual Temperature , Average Annual PrecipNation and Soil Parent Material). Model accuracy is evalu ated by mean absolute error ( MAE ) , root mean square error ( RMSE ) , coefficient of determination (7?2) and global performance indicator (GPI). [ Result]The overall accuracy of the prediction model rank (from high to low) was OK,RFRK,RF and CART. The overall trend ofspatial distribution of soil organic matter content predicted by different models was similar. [ Conclusion] Studies have shown that in areas with large sampling densities , the soil organic matter content can be directly predicted without the aid of auxiliary variables , providing a scientific reference for the prediction and mapping of the spatial distribution of soil organic matter content.Key words : Soil organic matter ； Prediction model ； Spatial distribution ； Comparison【研究意义】土壤有机质（Soil Organic Matter, SOM ）是土壤的重要组成部分,与土壤肥力存在正相关关系，是反映土壤肥力的重要特征,与环境、大气圈、生物圈等的可持续发展存在联系受到不收稿日期：2020 - 09 - 07基金项目：国家科技支撑计划项目（2008BADA4B10）；中央高校基本科研业务费专项（XDJK2016D041）作者简介:李梦佳（1994 -），女，河北沧州人，硕士研究生，主要从事土地信息系统研究,E-mail ： ***************； *为通讯作者:刘洪斌,E-mail : lhbin@ swu. edu. cn o同因素的综合影响，具有高度的空间差异性。

土壤地面高光谱遥感原理与方法

土壤地面高光谱遥感原理与方法一、高光谱遥感概述高光谱遥感是一种利用光谱信息对地表物体进行遥感测量的技术。

它通过在电磁波谱的不同波段获取连续的光谱信息，实现对地表物体的高分辨率识别和分析。

高光谱遥感技术以其独特的优势，在地表植被、土壤、水体等领域得到了广泛应用。

二、土壤光谱特征土壤光谱特征是土壤中不同成分和结构的表现，反映了土壤类型、含水量、有机质含量等多种信息。

通过对土壤光谱特征的测量和分析，可以实现对土壤类型的识别、土壤含水量和有机质含量的估算等。

三、遥感数据处理遥感数据处理是利用遥感技术获取和处理地表信息的过程。

它包括数据预处理、图像校正、图像增强等步骤。

通过遥感数据处理，可以去除噪声、提高图像分辨率、增强图像特征等，为后续的图像分析和解译提供高质量的数据源。

四、模型建立与反演模型建立与反演是通过建立数学模型，将高光谱遥感数据与地表物体属性之间的关系进行定量描述。

常用的模型包括线性回归模型、支持向量机模型、神经网络模型等。

通过模型建立与反演，可以实现对土壤参数的定量估算和预测。

五、土壤参数提取土壤参数提取是从高光谱遥感数据中提取有关土壤类型、含水量、有机质含量等参数的过程。

常用的方法包括光谱角映射、谱图匹配、主成分分析等。

通过土壤参数提取，可以获取丰富的土壤信息，为土壤学研究和农业管理提供有力的支持。

六、图像分类与解析图像分类与解析是根据已知的训练样本，将高光谱遥感图像中的像素划分为不同的类别或区域。

常用的方法包括监督分类和非监督分类。

通过图像分类与解析，可以将高光谱遥感图像转化为易于理解和使用的地理信息。

七、实例应用分析本部分将通过具体案例详细介绍高光谱遥感在土壤学研究中的应用。

例如，对某种特定土壤类型的识别和分类，利用高光谱数据预测土壤中的有机质含量、水分含量等关键参数，以及高光谱数据在土地利用变化监测和农业管理中的应用等。

这些案例将展示高光谱遥感在土壤学研究中的广泛应用和潜力。

八、结论与展望本文总结了高光谱遥感在土壤学研究中的应用原理和方法，展示了其相对于传统方法的优势。

高光谱、土壤养分反演

高光谱、土壤养分反演[高光谱、土壤养分反演]，以中括号内的内容为主题，写一篇1500-2000字文章，一步一步回答在农业生产中，了解土壤的养分含量对于作物的生长和产量具有重要的意义。

然而，传统的土壤采样和实验室测试方法费时费力，并且难以覆盖大范围的土地。

幸运的是，随着遥感技术的发展，高光谱遥感成为一种快速、高效、非破坏性的土壤养分反演方法，能够在广泛的农业应用中发挥重要作用。

高光谱遥感利用光谱辐射能力强的遥感仪器，通过测量不同波长范围内的光线反射、吸收和辐射特性，获得土壤和植被的高光谱数据。

这些高光谱数据能够提供土壤细微特征和成分的信息，包括土壤颜色、湿度、有机质含量、氮、磷、钾等关键养分。

那么，如何利用高光谱数据进行土壤养分反演呢？下面，我们将一步一步进行详细的解答。

第一步：高光谱数据获取首先，需要利用高光谱仪器对农田中的土壤进行实地遥感测量。

这些高光谱仪器可以搭载在航空器或卫星上，实现大范围的高光谱数据采集。

测量期间，仪器会记录不同波长下土壤和植被的辐射反射率。

第二步：建立光谱库接下来，需要建立一个包含不同土壤养分含量的光谱库。

这个过程需要采集一定数量的土壤样本，并进行实验室测试，得到样本的养分含量数据。

然后，将这些土壤样本与高光谱数据进行关联，建立光谱特征与养分含量之间的关系。

第三步：光谱预处理由于高光谱数据中可能包含大量的噪声和冗余信息，为了提高养分反演的准确性，需要对光谱数据进行预处理。

预处理方法包括波段选择、去除冗余信息、噪声过滤、光谱数据标准化等。

第四步：建立反演模型在预处理完成后，需要建立土壤养分反演模型。

常用的模型包括多元线性回归模型、支持向量机模型、人工神经网络模型等。

这些模型可以基于光谱数据和现有的土壤养分含量数据，通过建立回归关系，实现光谱与养分含量之间的定量关联。

第五步：模型验证和优化建立反演模型后，需要对模型进行验证和优化。

可以利用一部分已知养分含量的土壤样本，通过模型预测其养分含量，并与实验室测试结果进行对比验证。

基于全谱数据挖掘技术的土壤有机质高光谱预测建模研究

精度，初步探讨这几种建模方法的可行性和建模效果，以期找到能够有效预测土壤有机质的最优算法。
谱之间的关系模型。中，最普遍的是一些线性模型，例如其
多元逐步线性回归（Ｌ、ＭＳＲ）偏最小二乘回归（ＬＲ、Ｐｓ）主成分回归（Ｃ等。ＰＡ）另外，一些数据挖掘技术也逐渐被用于这方面的分析研究中，例如人工神经网络（Ｎ）支持向量机ＮＡ、
法相比，可见／近红外光谱技术具有快速、简便、无污染、不破坏等特点，还可直接在田间进行原位光谱采集『，节省ｌ］
ＢＴ预测效果不佳。本研究的主要目的是：（）１利用各种数据处理算法，特别是以非线性模型为核心的三种数据挖掘技术对采自中国浙江省的４１４个水稻土样品建立可见／近红外光
文献标识码：ＡＤＩ０３６／．ｓｎ１０—５３２１）９２９ —６Ｏ：１．９４ｊｉ．０００９（０２０ —３３０ｓ
中图分类号：７／１３２ＴＰ９Ｓ５．
量进行建模研究，自都取得了不错的预测精度。各
引言
土壤有机质作为土壤的重要组成部分，无论在土壤肥力、环境保护还是农业可持续发展等方面都发挥着重要的作用。近年来，利用可见／红外光谱技术获取土壤有机质含近
法，并结合离散小波变换和特征选择等方法对土样有机碳、粘土含量和ｐＨ进行了建模与比较。究发现，对全谱数据研
建模，ＶＭ方法最优，其次是ＭＡＳＲＳ和ＰＳ再次是ＲＦＬＲ，，

不同生态系统中土壤有机质含量的比较实验报告

不同生态系统中土壤有机质含量的比较实验报告一、实验目的本实验旨在通过采集不同生态系统中的土壤样品，测定其有机质含量，并比较不同生态系统下土壤有机质的差异，从而探讨生态系统对土壤有机质的影响。

二、实验材料与方法1.实验材料:（1）野外生态系统：本次实验选择了森林、草原、农田和城市四种不同生态系统。

（2）土壤样品：从每种生态系统中各选取5个不同样点采集土壤样品，每个样品约500g。

2.实验方法:（1）土壤样品的采集：使用锹和铲子从地表0-20cm处采集土壤样品，并避免太阳直射的时间进行采集。

（2）土壤有机质含量的测定：采用K2Cr2O7-H2SO4法测定土壤有机质含量，具体操作按照GB9834-88土壤农业化学分析方法进行。

三、实验结果1.不同生态系统土壤有机质含量的测定结果如下表所示：生态系统|样点1 |样点2 |样点3 |样点4 |样点5 |平均值森林| 3.2 | 3.4 | 2.9 | 3.1 | 3.3 | 3.18草原| 2.6 | 2.8 | 2.5 | 2.7 | 2.9 | 2.7农田| 1.8 | 2.0 | 1.9 | 2.1 | 2.2 | 2.0城市| 0.9 | 1.1 | 1.0 | 1.0 | 1.2 | 1.042.排列后的土壤有机质含量：城市<农田<草原<森林四、实验讨论1.样品中土壤有机质含量与生态系统的关系根据测定结果可以明显看出，不同生态系统中土壤有机质含量存在明显差异。

森林生态系统的土壤有机质含量最高，城市生态系统的土壤有机质含量最低，中间草原和农田的土壤有机质含量分别居中。

这说明生态系统的类型对土壤有机质的含量有着显著的影响。

2.影响土壤有机质含量的因素森林生态系统土壤有机质含量高的原因可能与丰富的林下植被和枯叶、腐殖质等生物质在土壤中积累有关。

而城市生态系统土壤有机质含量低可能跟城市地区的土地使用强度和土壤受到的污染程度有关。

农田和草原生态系统的土壤有机质含量介于森林和城市之间，其差异可能与土壤类型、植被覆盖及经营管理方式等因素有关。

矿区土壤Cu含量高光谱反演建模

矿区土壤Cu含量高光谱反演建模涂宇龙;邹滨;姜晓璐;陶超;汤玉奇;冯徽徽【摘要】为探究高光谱遥感手段反演土壤Cu含量方法的可行性,以湖南省某矿区为例,利用 ASD地物光谱仪和实验室电感耦合等离子发射光谱法测定83个土壤样品350~2500 nm光谱信号和Cu含量.在光谱重采样、一阶/二阶微分、标准正态变换预处理对比分析基础上,分别采用主成分分析与相关分析对潜在建模变量进行初步筛选,运用逐步回归方法确定最终模型变量,建立土壤Cu含量反演模型,基于最优模型识别Cu含量光谱指示特征波段.结果表明,相对于传统主成分分析方法,标准正态变换后的光谱全要素主成分分析逐步回归建模方法因保留土壤样品弱光谱信号能有效提升土壤Cu含量估算能力,R2达0.86,模型对于预测样本的估计效果较好,建模样本和预测样本的残差分别为0.76和1.29,且通过F检验;360~400,922~1009,1833~1890与2200~2500 nm波段对研究区土壤Cu含量有较好指示性.研究结果将丰富南方矿区土壤Cu含量估算典型案例,同时为发展基于高光谱遥感的土壤环境监测手段提供理论支撑.%To explore the feasibility of evaluating soil Cu content with Hyperspectral Remote Sensing method,83 soil samples were collection from a certain diggings in Hunan ing ASD field spectrometer and Induced Coupled Plasma Atomic Emission Spectrometry collecting the reflectance spectra and Cu content.The reflectance spectra were processing with severalmethod:resampling,first/second derivative,standard normal variate.Based on the transformational spectra,potential modeling variables were selected by using principal component analysis and correlation analysis.Final model with stepwise regression were established.Important wavelengths wererecognized that respond to Cu content based on the optimal model.The result showedthat,compared to traditional principal component analysis method,because of retaining the weak spectrum signal,princi-pal component stepwise regression with standard normal variate spectra can improve the accuracy of Cu content estimation(R2=0.86),and the estimation of predicting samples is effective.The residual error of modeling samples and predicting samples is 0.76 and 1.29,and it passed the F test.In study area,the reflectance on 360~400,922~1 009,1 833~1 890 and 2200~2 500 nm was indicative to Cu content.The study result will enrich a typical case of diggings in South of China,and provide the-oretical support for developing method of soil environment monitor based on Hyperspectral Remote Sensing.【期刊名称】《光谱学与光谱分析》【年(卷),期】2018(038)002【总页数】7页(P575-581)【关键词】重金属;土壤;高光谱遥感;主成分分析;逐步回归【作者】涂宇龙;邹滨;姜晓璐;陶超;汤玉奇;冯徽徽【作者单位】中南大学有色金属成矿预测与地质环境监测教育部重点实验室,地球科学与信息物理学院,湖南长沙 410083;中南大学有色金属成矿预测与地质环境监测教育部重点实验室,地球科学与信息物理学院,湖南长沙 410083;中南大学有色金属成矿预测与地质环境监测教育部重点实验室,地球科学与信息物理学院,湖南长沙410083;中南大学有色金属成矿预测与地质环境监测教育部重点实验室,地球科学与信息物理学院,湖南长沙 410083;中南大学有色金属成矿预测与地质环境监测教育部重点实验室,地球科学与信息物理学院,湖南长沙 410083;中南大学有色金属成矿预测与地质环境监测教育部重点实验室,地球科学与信息物理学院,湖南长沙410083【正文语种】中文【中图分类】TP79引言矿产资源开采过程中产生的废渣废液会污染当地土壤和水源，使得附近农作物土壤重金属含量超标。

新疆不同类型土壤有机质含量的高光谱监测

新疆不同类型土壤有机质含量的高光谱监测作者：王玉华，杨小霞，王克如，邹楠，杨文杰，侯慧杰，肖春华来源：《新疆农垦科技》 2016年第11期摘要：利用高光谱遥感对土壤进行监测已成为精准农业的重要技术之一。

本文对新疆不同土壤类型土壤样品有机质含量进行理化分析，并高光谱反射率测定，获得不同类型土样有机质含量及对应高光谱反射率曲线，通过分析高光谱反射率曲线与土样有机质含量关系，对特定波长下的土样光谱反射率和有机质含量进行相关分析和曲线拟合，对高光谱遥感监测土壤质量的可行性进行分析。

研究发现，有机质在350~2500nm波长范围内光谱反射率与有机质含量呈负相关关系，在675nm附近的相关性最强。

该研究为利用遥感技术进行土壤属性的快速监测奠定了研究基础。

关键词：新疆；土壤有机质；高光谱遥感；模型高光谱遥感技术源于多光谱遥感技术，又称为成像光谱技术，以测谱学为基础，是近二十年来发展起来的谱像合一的一项遥感前沿技术。

虽然发展时间不长，但其所具有的光谱分辨率高、信息量大、谱像合一的特点，是传统的遥感技术无法比拟的。

所以具有高光谱分辨率与高空间分辨率的高光谱遥感将在精准农业中土壤信息的提取方面扮演重要角色。

土壤有机质含量和有机质组成对土壤反射率有着强烈影响，对土壤反射率的影响在视觉上表现为暗黑色土壤比亮色土壤的有机质含量更高，这表明了土壤有机质与可见光反射率之间的关系[1-3]。

通常，可从实验室、田间和空中获取土壤的光谱反射率。

实验室中土壤的光谱反射率测量能够在可控条件下获取，因而是我们研究土壤光谱特性的主要手段。

在土壤有机质的高光谱研究中，基于实验室的土壤光谱反射率测量使人们能够理解土壤反射率与土壤物理和化学性质的关系。

随着便携式地物光谱仪灵敏度的发展，田间光谱仪将成为快速逐点监测土壤环境的基本工具，也为精准农业中土壤空间信息的获取提供了强有力的手段[4]。

1材料与方法1.1样品采集采集土壤表层土0~5cm，一般选择地势较为平坦、土壤裸露地区作为样区，选择时考虑各种不同土地利用类型和土壤类型，每个样区内选择具有代表性的测点4~5个，每个测点采集1个土样。