土壤有机质含量地面高光谱估测模型对比分析
高光谱遥感技术在土壤质量评估中的应用研究
高光谱遥感技术在土壤质量评估中的应用研究第一章：引言（200字）随着人类经济的不断发展和环境问题的日益突出，土壤质量评估成为了保护土地资源和持续农业发展的重要课题。
传统的土壤质量评估方法受限于样品获取的困难、周期性和高成本等问题，无法全面准确地综合评价一个大范围内的土壤质量。
而高光谱遥感技术正是针对这些问题而发展起来的一种先进地球观测技术，具有获取大范围土壤光谱信息的优势。
本文将介绍高光谱遥感技术在土壤质量评估中的应用研究。
第二章：高光谱遥感技术概述（200字）高光谱遥感技术是通过获取大范围土地表面所反射、辐射或发射的光谱信息，对不同波长范围内的光谱数据进行获取、分析和解译。
它能够获取土地表面细微特征，如土壤湿度、有机质含量、养分含量等信息，为土壤质量评估提供全面准确的数据支持。
第三章：高光谱遥感技术在土壤湿度评估中的应用（200字）高光谱遥感技术在土壤湿度评估中具有重要的应用价值。
传统的土壤湿度检测方法需要进行大量的土样采集和实验室分析，耗时且成本高。
而高光谱遥感技术能够快速获取大范围土地表面的多光谱数据，通过光谱特征参数的分析和模型的建立，可以实现对土壤湿度的定量评估。
第四章：高光谱遥感技术在土壤有机质评估中的应用（200字）土壤有机质是衡量土壤质量的重要指标之一。
传统的土壤有机质测量方法需要大量的土壤样品和复杂的化学分析，费时费力。
而高光谱遥感技术可以通过光谱反射率与土壤有机质含量之间的关系，建立起预测模型，实现对土壤有机质空间分布的精准评估。
第五章：高光谱遥感技术在土壤养分评估中的应用（200字）土壤养分是农作物生长的关键因素之一。
传统的土壤养分检测方法需要采集大量的土壤样品，而光谱遥感技术可以通过对土壤光谱数据的分析，获得土壤养分的空间分布信息。
通过光谱数据与土壤养分含量的相关关系建模，可以实现大范围土壤养分评估。
第六章：高光谱遥感技术在土壤质量评估中的局限性和发展前景（200字）高光谱遥感技术在土壤质量评估中的应用还存在一些局限性。
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
２ ０ １ ３ 年 １月
光
谱
学
与
光
谱
分
析
Ｖｏ １ ． ３ ３ ， Ｎｏ ． １ ， ｐ ｐ １ ９ ６ — ２ ０ ０
Ｓ ｐ ｅ ｃ ｔ ｒ ｏ ｓ ｃ ｏ ｐ ｙ ａ ｎ ｄ Ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ Ａｎ ａ ｌ ｙ ｓ ｉ ｓ
４ ．新疆大学资源与环境科学学院 ， 新疆 乌鲁木齐
８ ３ ０ ０ ４ ６
摘
要
以新疆奇 台县 为研究 区域 ，选取 该县 ４ Ｏ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 （ ＭＬ Ｓ Ｒ） 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 ． ９ ３ ８ ， 均方根误差和总均方根 误差 最小 ， 分别仅 为 ２ ． １ ３和 １ ． ４ ０ ４ ， 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
８ ３ ０ ０ １ １
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 １ ０ ０ ０ ４ ９ １ ０ ０ ０ ８ ３ ３ ．北 京联合大学应用文理学院 ， 北京
土壤参数的光谱实时分析
第!"卷第"期干旱地区农业研究#$%&!"’$&" !(()年)月!"#$%&’(&#)’*+,+)#%-$.(-+!#$/!#+),*+,!(()土壤参数的光谱实时分析谢伯承-，!，薛绪掌-，王纪华-，王国栋!（-&国家农业信息化工程技术研究中心，北京-(((./；!&西北农林科技大学资源与环境学院，陕西杨凌0-!-((）摘要：使用12345!)((便携光谱仪对国家精准农业示范区原状土土壤水分、有机质、’6"7、89和:;等参数进行了野外测定测评。
用原反射率倒数的对数（!值）分别与各土壤参数建立的直线相关模型均取得较好相关结果。
分析认为土壤有机质的测定选用0<!=>波段，’6"7光谱吸收波段在?"-=>时相关性最好，电导率选用-?-?=>作为测定波段为最佳。
这些模型可作为土壤参数估测和评价的参考。
关键词：土壤参数；土壤反射率；精准农业中图分类号：2-)/文献标识码：1文章编号：-(((@0<(-（!(()）("@(()?@(?精准农业（:ABCDED$=+FADCG%HGAB）是近年来国际上农业科学研究的热点领域，也是现代信息技术和传统农业紧密结合的产物［-］。
随着精准农业的发展迫切要求遥感技术能够为其提供快速，准确的地表信息，如土壤水分含量、有机质含量，粗糙度、质地特性等。
从精准农业的本质来说，它是一种变量技术，目前采用较普遍的是产量图的获取和基于网格取样的变量施肥技术。
然而基于土壤养分状况和产量目标确定施肥处方，很少考虑土壤的其它理化性状，是目前变量施肥技术的缺陷，也是变量施肥增产效果不明显的重要原因之一。
目前对农田土壤信息的监测基本上仍沿用实验室化验分析的方法，由于耗资，费时，因而使农田土壤栅格式采样的空间尺度偏大，采样点偏于稀疏，难于建立较为精细的土壤参数空间分布图［!］。
基于频谱图的土壤有机碳含量高光谱反演
( ＳＴＦＴ) 将一维光谱数据分别转换成大小为 ３３×３４ 和 １２８×３６ 的二维频谱图ꎬ 提高光谱特征信息维度ꎬ 以更好适
应卷积神经网络 ( ＣＮＮ) 学习结构ꎬ 同时二维形式呈现了吸收率随波长变化的频率分布ꎬ 可以更精确地显示不
以江西省奉新县北部土壤为研究对象ꎬ 对光谱反射率
进行微分变换ꎬ 包括 ０ ５ 阶微分 (０ ５ＤＲ) 、 １ 阶微分
(１ＤＲ) 、 １ ５ 阶微分 ( １ ５ＤＲ) 、 对数的微分 ( ＬＤＲ)
等预处理方法ꎮ 王海江等 [１４] 以新疆盐渍化土壤为研
究对象ꎬ 对土壤样本光谱反射数据进行开根号、 一阶
测技术提供参考ꎮ
关键词: 土壤ꎻ 有机碳ꎻ 高光谱ꎻ 卷积神经网络ꎻ 频谱图
中图分类号: Ｓ１５１ ９＋５ 文献标志码: Ａ
ＤＯＩ: １０ １９７５４ / ｊ ｎｙｙｊｓ ２０２４０５１５００７
土壤有机碳 ( ＳＯＣ) 是土壤的重要组成部分ꎬ 其
小波 包 变 换 ( Ｗａｖｅｌｅｔ Ｐａｃｋｅｔ Ｔｒａｎｓｆｏｒｍꎬ ＷＰＴ )
ＳＯＣ 含量最 小 值 为 ０ｇ ｋｇ ꎬ 最 大 值 １９９ ２ｇ ｋｇ ꎬ
率和尺度的子频带ꎬ 并且具有更高的灵活性和多分辨
具有 ４２００ 个数据 点ꎬ 对 数 据 进 行 １ ∶ ４ 下 采 样 ( 每
率域 ( 光谱吸收率或反射率) 进行变换ꎬ 但没有直接
ＳＴＦＴ) 是一种将信号分解成时频域的方法ꎬ 用于分析
本实验以 ＬＵＣＡＳ 数据集为研究对象ꎬ 运用分析
一系列长度相等的窗口ꎬ 并对每个窗口内的信号进行
土壤有机质不同测定方法的对比
土壤有机质不同测定方法的对比土壤有机质是指土壤中的有机物质含量，它是土壤中重要的营养贮备物质，对土壤肥力和生态系统的功能具有非常重要的影响。
准确测定土壤有机质含量对于科学评估土壤肥力和环境质量具有重要的意义。
目前，有关土壤有机质含量测定方法众多，各具特点，但其测定结果却有时存在较大差异。
对比不同的土壤有机质测定方法，有助于找到最适合的测定方法，提高土壤有机质测定的准确性。
土壤有机质的测定方法主要有理化法、化学法和光谱法等，下面将对这几种常见的测定方法进行对比分析，以期能够准确地评价土壤有机质含量。
一、理化法理化法是通过物理性质或化学性质的变化，来间接测定土壤有机质含量的方法。
其优点在于操作简单，流程清晰，但是一般只适用于含有机质很少的土壤。
典型的理化法包括重量法和气体法。
重量法是通过干燥土壤样品后，测量土壤重量的减少来计算有机质含量，这种方法操作简单，但是对于含水量和含盐量较高的土壤，测定结果可能会有偏差。
气体法则是通过测定土壤中有机质的燃烧产生的气体体积，来计算有机质含量，但是该方法需要专门的仪器设备，成本较高，且对于深层含有机质的土壤测定效果较差。
二、化学法化学法是常见的土壤有机质测定方法，其原理是通过特定试剂与土壤中的有机质发生化学反应，再通过定量测定试剂消耗量来计算有机质含量。
化学法的优点是准确性高，适用范围广，但也因为需要较多的试剂和仪器，操作较为繁琐。
目前常用的化学法测定土壤有机质含量的方法有碱液挥发法、酸性消解法和氧化法等。
碱液挥发法是通过用碱液溶解土壤中的有机质，再通过加热挥发的方法来测定有机质含量，操作简单，但对含碱不溶物和颗粒粗糙的土壤测定效果较差；酸性消解法则是将土壤样品加入强酸中消解，再通过测定产生的CO2来计算有机质含量，但是该方法需要严格控制反应条件，且对于含镁铝矿物的土壤效果不佳；氧化法则是通过氧化剂氧化土壤中的有机物，再通过测定剩余的氧化剂来计算有机质含量，但是该方法对于含有机质形态复杂的土壤样品测定结果可能有偏差。
基于高光谱遥感的银川平原土壤有机质定量反演
基于高光谱遥感的银川平原土壤有机质定量反演基于高光谱遥感的银川平原土壤有机质定量反演摘要：本文通过分析基于高光谱遥感的银川平原土壤有机质定量反演的研究现状和方法，探讨了高光谱遥感在土壤有机质研究中的应用前景。
研究结果表明，高光谱遥感技术能够提供土壤有机质的快速、准确的定量反演方法，并为农业生产和土地管理提供重要参考。
1. 引言土壤有机质是土壤肥力的重要指标之一，对土地的可持续利用和农业生产具有重要意义。
传统的土壤有机质测定方法通常需要大量的样品采集和实验室分析，耗时费力。
因此，研究土壤有机质的遥感反演方法对于高效调查和管理土壤资源具有重要意义。
高光谱遥感技术具有多光谱信息提供高分辨率反演能力的特点，因此成为研究土壤有机质定量反演的一种重要手段。
2. 银川平原土壤有机质特征及其影响因素银川平原是中国北方重要的农业区域之一，土壤有机质的空间分布特征与农田利用方式、地形条件、气候等因素密切相关。
土壤有机质含量通常受土壤类型、土壤质地、作物种植类型和施肥方式等因素的影响。
因此，准确评估银川平原土壤有机质含量对于制定优化的土地利用政策和提高农田生产力具有重要意义。
3. 高光谱遥感技术在土壤有机质定量反演中的应用高光谱遥感技术是通过获取地物不同波段的光谱反射率来进行定量反演的一种技术。
通过对土壤光谱特征进行分析和建模，可以实现土壤光谱与有机质含量之间的定量关系。
在银川平原土壤有机质定量反演中，高光谱遥感技术成为了主要工具。
3.1 高光谱数据获取与处理通过航空或卫星遥感获取高光谱数据，包括多光谱和高光谱数据。
针对银川平原土壤有机质定量反演的研究，选择适当的高光谱波段，获取高光谱遥感数据，并进行辐射校正和大气校正。
3.2 光谱指数和模型构建光谱指数是通过计算不同波段的光谱反射率之间的比值或差值得到的，常用的光谱指数包括归一化差异植被指数（NDVI）、土壤调制离射比（SMR）等。
通过与土壤样本的有机质含量进行回归分析，建立光谱指数和土壤有机质含量之间的定量关系模型。
基于偏最小二乘法的土壤有机碳高光谱预测研究
基于偏最小二乘法的土壤有机碳高光谱预测研究马丽;吕成文;唐炎【摘要】对86个土壤样品高光谱数据进行平滑去噪、一阶微分变换以及多元散射校正处理,在此基础上,建立土壤有机碳含量的偏最小二乘法(PLS)反演模型.结果表明,获得的五种PLS模型均具有较高的模型精度.其中,主成份个数为10时,R+ MSC 的PLS模型效果最好,校正模型的决定系数R2=0.95,校正均方根误差RMSEC=0.95.验证模型的决定系数R2=0.78,预测均方根误差RMSEP=2.03.利用PLS模型对预测集进行预测,实测值与预测值的决定系数R2=0.83,预测均方根误差RMSEP=1.71,预测标准差SEP=1.73.PLS模型可以对土壤有机碳含量进行预测.【期刊名称】《安徽师范大学学报（自然科学版）》【年(卷),期】2016(039)002【总页数】4页(P164-167)【关键词】高光谱;偏最小二乘法;土壤有机碳【作者】马丽;吕成文;唐炎【作者单位】安徽师范大学国土资源与旅游学院,安徽芜湖241000;安徽师范大学国土资源与旅游学院,安徽芜湖241000;安徽师范大学国土资源与旅游学院,安徽芜湖241000【正文语种】中文【中图分类】TP79土壤被认为是农业生态服务系统中最主要的贡献因子，是水土资源与环境模拟等研究的基本参数[1].在环境监测、模型预测及精准农业中需要成本低且质量高的土壤数据，而传统的土壤数据获取费时费力且昂贵[2].要解决这一问题就必须要对土壤进行快速准确的测定与评价.近年来，高光谱技术在土壤属性定量分析中获得了快速发展[3].国内外的许多学者通过各种方法建立土壤有机碳与高光谱反射率之间的反演模型，常用的方法有多元线性回归、主成分回归、人工神经网络、支持向量机等[4-7].王超等利用多元逐步回归统计方法进行了土壤有机质信息波段的提取和监测模型的构建[8].姚慧等利用三个中心波段的有机质诊断指数与有机质含量分别进行回归分析[9].然而这些方法仅使用光谱数据中部分特征波段代替整个光谱数据，造成了光谱信息的损失，丢弃了一些对有机碳含量反演有用的信息.偏最小二乘法(PLS)是解决这一问题的有效方法，它可以利用全谱数据进行分析，且对样本容量要求不高，对自变量多、变量间存在多重相关性的情况具有独特的优势[10]，适合于土壤高光谱数据的处理.本文拟探讨基于土壤高光谱数据结合偏最小二乘法(PLS)实现对农田土壤有机碳含量的快速测定与评价，以期为环境监测、精准农业等相关研究提供参考.1.1 土壤样品的采集与处理土壤样品采集于安徽省淮南市和蚌埠市相接壤的沿淮平原区，采集时间为2014年3月，沿公路两侧且距离公路至少100m外采集，采样间隔大于100m，在采集过程中使用GPS定位，记录采样点的坐标以及土地利用等信息，在其周围2×2m范围内再设置4个采样点，取每个样本点0-15cm深度的表层土壤混合，获得一个土样，取500g左右，装入布袋中，共86个土样.土样置室内风干、研磨，分别过20目(1mm孔径)和100目(0.149mm孔径)的筛子，过20目(1mm孔径)筛的土样用于实验室土壤高光谱测量，过100目(0.149mm孔径)筛的土样用于土壤有机碳含量测定.实验室测定的土样有机碳含量统计特征值见表1.1.2 光谱数据获取使用荷兰Avantes公司生产的型号分别为Avaspec-2048×14、Avaspec-NIR256-2.5的两种地物光谱仪进行测量.其中Avaspec-2048×14光谱仪光谱范围为188-1170nm，光谱分辨率2.4nm，光谱采样间隔0.6nm.Avaspec-NIR256-2.5的光谱范围是928-2528nm，光谱分辨率10nm，光谱采样间隔6nm.两种光谱仪输出光谱曲线均设定由10条原始扫描光谱自动平均所得.土壤样品置于深2cm，直径8cm的器皿中，用直尺刮平土样表面.光源为4×25w的环形光源.8°视场角的光纤探头，探头垂直置于土壤样品表面上方20cm处.每一个土壤样品测量前均使用标准白板进行定标，同时每个土壤样品从四个不同方向进行光谱曲线的获取，进行算术平均后得到该土样的高光谱反射率数据.1.3 光谱数据预处理为了减少噪音，提高信噪比，压缩数据量，对光谱数据进行平滑处理.本研究采用9点移动平均法对光谱曲线进行平滑去噪处理，得到平滑后的原始光谱反射率数据(Original reflectance, R).为了进一步消除无关信息，充分挖掘高光谱数据中的有效信息，对平滑后的数据进行一阶微分(First derivative scattering, FDR)及多元散射校正(Multiplicative scatter correction, MSC)处理.使用Savitzky-Golay卷积求导法对高光谱原始数据R进行求导，求导后的一阶微分光谱曲线如图1所示，从中可看出光谱反射率曲线的波段特征更为明显，尤其是1370nm和1880nm波段处的吸收谷及1960nm波段处的反射峰，显著提高了土壤光谱反射率与有机碳含量的相关性.多元散射校正(MSC)处理后的光谱曲线如图2所示，其可以去除近红外漫反射光谱中样品的镜面反射及不均匀性造成的噪声，消除漫反射光谱的基线及光谱的不重复性，使图像更紧凑，提高原光谱数据的信噪比.基于上述预处理，并参照相关文献[11]，设置五种光谱预测方案，见表2.1.4 偏最小二乘法(PLS)偏最小二乘法(PLS)是基于因子分析的多变量校正方法，可以同时实现回归建模、数据结构简化以及两组变量之间的相关性分析. 其原理与主成分分析很相似，假设矩阵X及矩阵Y，主成分只对矩阵X进行分解，消除无用的噪音信息，而偏最小二乘法既对矩阵X分解，提取相关有用信息，也对矩阵Y进行分解，且在分解矩阵X的同时考虑矩阵Y的影响[12].因此，PLS所提取的成分既能很好地概括自变量系统中的信息，又能最好地解释因变量，并排除系统中的噪音干扰[13].以单因变量为例阐述其基本建模思想[10,14]：设有因变量y和k个自变量{x1,x2,…,xk}，样本数为n，构成因变量和自变量的数据表x[x1,x2，…,xk]n×k和y=[u]n×1，在x中提取一个主成分t1，t1是x1，x2，…，xk的线性组合，要求t1尽可能多的携带x中的变异信息，同时与y的相关性最大，提取第一个主成分t1后，实施y和x对t1的回归，如果此时回归方程达到满意的精度，则算法停止.否则，利用x和y被t1解释后的残余信息进行第二轮的主成分提取.如此反复，直到能达到一个较为满意的精度为止.若最终对x提取了m个主成分t1，t2，…，tm，偏最小二乘回归将实施y对t1，t2，…，tm的回归，然后再表达成y对原变量x的回归方程.1.5 模型的评价指标模型的评价指标常用的有均方根误差(RMSE)和决定系数(R2)，均方根误差越小，模型的效果越好，决定系数越接近1，效果越好.好的校正模型及验证模型对应较低的均方误差(RMSE)和较高的决定系数R2.校正模型对验证集预测结果的好坏也是由预测均方根误差(RMSEP)和决定系数判定，好的预测结果同样对应较低的预测均方根误差(RMSEP)和较高的决定系数(R2).此外，预测集标准差(SEP)也常用于模型预测的评价，预测标准差越小，模型的预测结果越好.2.1 模型的构建对采样获得的86个样本数据，随机选取61个用于建立预测模型，剩余的25个用于评价所建预测模型的稳定性和准确性.根据偏最小二乘法原理，模型的构建不需要全部主成分因子参与，而只要选取合适的主成分因子(最适主因子)，就可以得到一个预测效果很好的模型.本研究采用交互验证法(cross validation)确定主成分最佳因子数，并根据残余方差和判定最佳主成分因子个数.一般来说，主成分因子数过少不能充分反映光谱特征信息，过多则可能含有过多的噪音信息.具体计算过程：对于参加建模的N个样本，每次选择n个作为预测样本，剩下的N-n个作为建模样本，用来建立模型用以预测这n个样本，重复上述过程，直到N个样本都被且仅被预测过一次时，得到的最小的预测值与真实值的差的平方和的值，即残余方差和最小，便可确定最佳的预测模型.建模过程在Unscrambler9.7软件中完成，各方案建模结果见表3.由表可知，总体来看，五种方案获得的PLS模型均具有较高的模型精度.其中，校正模型效果最好的是R+MSC的PLS模型，决定系数R2=0.95，校正均方误差RMSEC=0.95.其次是原始数据R与R+FDR的PLS模型，模型效果相同，决定系数均为R2=0.94，校正均方误差RMSEC=1.02.然后是一阶微分(FDR)的PLS模型，决定系数R2=0.94，校正均方误差RMSEC=1.01.最后是多元散射校正(MSC)的PLS模型，决定系数R2=0.92，校正均方误差RMSEC=1.17.而验证模型效果最好的是多元散射校正(MSC)的PLS模型，决定系数R2=0.79，预测均方误差RMSEP=1.90.其次是原始数据R与R+FDR的PLS模型，决定系数均为R2=0.78，预测均方误差均为RMSEP=2.01.再次是R+MSC的PLS模型，决定系数R2=0.78，预测均方误差RMSEP=2.03.最后是一阶微分(FDR)的PLS模型，决定系数R2=0.71，预测均方误差RMSEP=2.30.以上结果表明，各方案建立的校正模型效果均较好.其中，R+MSC建立的校正模型精度最高，建模效果最好.2.2 模型的检验将预测集中的25个样本代入建好的模型中，对预测集中的有机碳含量进行预测，结果见表4.可知模型的预测效果均较好，其中R+MSC的模型预测决定系数R2=0.83，误差均方根RMSE=1.71，预测标准差SEP=1.73，效果最好.原始数据R的模型预测决定系数R2=0.83，误差均方根RMSE=1.81，预测标准差SEP=1.84.一阶微分(FDR)预测模型决定系数R2=0.81，误差均方根RMSE=2.13，预测标准差SEP=1.98.多元散射校正(MSC)模型预测决定系数R2=0.82，误差均方根RMSE=1.66，预测标准差SEP=1.68.R+FDR的预测模型决定系数R2=0.83，误差均方根RMSE=1.80，预测标准差SEP=1.84.可用于土壤有机碳含量的预测.根据光谱预测方案，结合偏最小二乘法(PLS)对土壤高光谱数据进行定量反演，五种方案模型预测效果均较好.其中，校正模型效果最好的是R+MSC结合的PLS模型，决定系数R2=0.95，校正均方误差RMSEC=0.95.模型验证效果最好的也是R+MSC结合的PLS模型，预测决定系数R2=0.83，误差均方根RMSE=1.71，预测标准差SEP=1.73.偏最小二乘法可以实现农田土壤有机碳含量的快速测定与评价，为环境监测、精准农业等相关研究提供参考.【相关文献】[1]SANCHEZ PA, AHAMED S, CARRé F, et al. Digital soil map of the world[J]. Science, 2011,32 5:680-681.[2]GOMEZ C, ROSSEL AR, McBratney AB. Soil organic carbon prediction by hyperspectral re mote sensing and field vis-NIR spectroscopy: An Australian case study[J].Geoderma,2008,(146):403-411.[3] 汪善勤,舒宁.土壤定量遥感技术研究进展[J].遥感信息,2007,(6):89-93.[4] 李启权,王昌全,岳天祥，等.基于定性和定量辅助变量的土壤有机质空间分布预测——以四川三台县为例[J].地理科学进展,2014,33(2):269-268.[5] LU P, WANG L, NIU Z, et al. Prediction of soil properties using laboratory VIS-NIR spectroscopy and Hyperion imagery[J]. Journal of Geochemical Exploration,2013,132: 26-33.[6] 陈红艳,赵庚星,李希灿，等.基于小波变换的土壤有机质含量高光谱估测[J].应用生态学报,2011,22(11):2935-2942.[7] 纪文君,李曦,李成学，等.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[J].光谱学与光谱分析,2012,32(9):2393-2398.[8] 王超,冯美臣,杨武德，等.麦田耕作层土壤有机质的高光谱监测[J].山西农业科学,2014,42(8):869-873.[9] 姚慧,吕成文,刘程海，等.宣城市岗坡地土壤有机质含量光谱预测分析[J].安徽师范大学学报,2011,34(5):472-474,484.[10] 张恒喜,郭基联,朱家元，等.小样本多元数据分析方法及应用[M].西安:西北工业大学出版社,2002.[11] 刘雪华,孙岩,吴燕.光谱信息降维及判别模型建立用于识别湿地植物物种[J].光谱学与光谱分析,2012,32(2):459-464.[12] 陆婉珍.现代近红外光谱分析技术[M].北京:中国石化出版社,2006：44.[13] 杜发兴,徐刚.偏最小二乘回归模型在城市需水预测中的应用[J].水力发电,2008,34(6):20-23.[14] 罗批,郭继昌,李锵，等.基于偏最小二乘回归建模的探讨[J].天津大学学报,2002,35(6):783-786.。
基于反射率模拟模型的黑土有机质含量估测
１ 材料 与方 法
２０ 年 ４月末 ， ０６ 在黑龙江省黑土 区采集 ６ ４个黑 土耕层 （￣２ ｍ） ０ ０ｃ 土样。野外 采样同 时利用 ＧＰ Ｓ测定 采样点 经纬
线， 然后利用现有多光谱数据模拟高 光谱 反射率曲线 ， 于 用
定 量分 析 土 壤属 性 及 其 含量 。
＊通 讯 联 系人 ｅ ｉ ｏ ｇｎ ｇ ａ ｇ ｎｉａ．ｃｃ － ｌ ｎｒｉ ｗ ｎ ＠ ｅ ｅ ａ．ｎ － ：ｚ ｍａ ｎ ｇ
ｅｍａｌ ｕｎｕ ｌ ＠ｇ ｉ ｏｍ － ｉ ：ｈ ａｊｎｉ ｍａｌ Ｄ ｕ ．
２４ ９８
１ ３ １ 高光 谱反 射数 据 预 处 理 ． ．
光谱学与光谱分析
第２ 卷 ， １ 期 ８ 第 ２
２０ 年 １２月 ８ ０
光
谱
学
Байду номын сангаас
与
光
谱
分
析
ｖ １ ８Ｎ ．２ｐ２４— ５ ０ ２ ， ０１，ｐ９７ ９０ ． ２
Ｄｅ ｅ ｅ ，２ ０ ｃ ｍｂ ｒ ０ ８
Ｓ ｅ ｔｏ ｃ ｐ ｎ ｐ ｃ ｒ ｌＡｎ ｌ ｓｓ ｐ ｃｒ ｓｏ ｙ ａ ｄ Ｓ ｅ ｔａ ａｙ ｉ
对处理后的土样进行光谱测试 。 测试方法见文献［５。 １３
１ ３ 数 据 处 理 ．
行遥感估测口 。已有研究表明 ， 土壤 有机质的主要光谱 响应
收 稿 日期 ：２０ —９２ ． 订 日期 ： ０ ７１—８ ０ ７０ —６ 修 ２ ０ —２２
基金项 目：国家 自然科学基金项 目（０ ００ ３ 和东北黑土农业生态数据库项 目（ＮＦ ０ 一Ｄ －—８ 资助 ４ ４ １０ ） Ｉ １５Ｓ Ｂ １２ ） 作者简介：刘焕军 ，１８ ９ １年生 ，中国科学院东北地理与农业生态研究所博士研究生
高光谱技术——生态学领域研究的新方法
高光谱技术——生态学领域研究的新方法姜庆虎;童芳;余明珠;章影;廖畅;刘峰【摘要】高光谱技术是一种新的地物探测技术,该技术以其敏锐的地物光谱特征探测能力为精准识别地物属性提供了强有力的手段,在生态系统过程与属性研究中具有广阔的应用前景.该文以可见光-近红外光谱分析技术为例概述了高光谱技术的原理、特点与优势,以及高光谱技术分析的流程;总结并归纳了其在土壤、植物生理、农产品品质检测、凋落物分解方面的研究应用,指出高光谱技术与遥感成像技术结合在生态监测研究中的优势;归纳了高光谱技术应用中面临的问题,并希望高光谱技术在生态学领域研究中得到更广泛的应用.【期刊名称】《植物科学学报》【年(卷),期】2015(033)005【总页数】8页(P633-640)【关键词】高光谱;分析流程;生态监测;信息提取;参数反演【作者】姜庆虎;童芳;余明珠;章影;廖畅;刘峰【作者单位】中国科学院武汉植物园水生植物与流域生态重点实验室,武汉430074;中国科学院武汉植物园水生植物与流域生态重点实验室,武汉430074;中国科学院大学,北京100049;中国科学院武汉植物园水生植物与流域生态重点实验室,武汉430074;中国科学院大学,北京100049;中国科学院武汉植物园水生植物与流域生态重点实验室,武汉430074;中国科学院大学,北京100049;中国科学院武汉植物园水生植物与流域生态重点实验室,武汉430074;中国科学院大学,北京100049;中国科学院武汉植物园水生植物与流域生态重点实验室,武汉430074【正文语种】中文【中图分类】Q948近年来，随着人类活动和全球环境变化的加剧，生态系统过程及其功能发生了显著的变化。
为此，学者们在国家、区域尺度上开展了一系列的土壤、植被调查，并通过不同时空尺度信息的挖掘来分析人类活动及气候变化对生态系统演替过程中生物量、生物多样性、稳定性以及碳、氮、水养分循环等生态系统过程及其属性的影响[1]。
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０ １５ꎬ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０ ２０ｃｍꎬ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(１ꎬ２ꎬ３ １０)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(０ ８０％)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(０ １９％)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０ ６６７㊁０.５５２㊁０ ６６４㊁０.６６２ꎬ较之前分别增加了０ ２０㊁０.０９㊁０.１９㊁０.０７ꎮ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＝０ ７８㊁ＥＭＳＥ＝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。
高光谱遥感测量土壤养分 开题报告
高光谱遥感测量土壤养分开题报告高光谱遥感技术是目前国内外应用最为广泛的遥感技术之一。
近年来，随着高光谱遥感技术的广泛应用，已成为国内外农业科研领域常用的一种遥感测量手段。
利用高光谱遥感技术研究土壤，可以为农业生产提供更加可靠和精准的信息，为农业生产提供更加科学和精准的指导，因此，高光谱遥感技术已成为农业生产与管理中不可或缺的组成部分。
我国农科院遥感所于2008年5月组建了高光谱遥感试验基地（北京市平谷区),主要负责高光谱遥感信息在农业领域广泛应用和推广中的实验示范及技术研究。
本实验基地为国内首家开展土壤养分监测试点试验。
基地依托北京林业大学高光谱遥感学科资源优势和全国“一带一路”倡议等国家战略，坚持走产学研相结合之路——以农业大数据、农业物联网等为依托，以高光谱卫星遥感数据为基础，对土壤养分进行监测与研究。
通过农化教育基地与中国科学院农业资源研究所协同工作，为广大农民提供有效解决耕作、施肥和病虫害防治问题的有效方案。
一、实验概况本实验将在北京市平谷区进行三年半，共分为三个实验阶段：第一阶段为试验田土壤养分检测；第二阶段为土壤养分监测实验；第三阶段为为实验数据分析。
采用“1+1+1”模式，即即一个实验田（实验三年）、一个观测站（1个试验田）和一个服务网点（1个试验田）。
根据中国科学院农业资源研究所土壤监测技术与产品团队长期研究成果，结合高光谱遥感技术，建立分析实验平台，进行土壤营养盐监测，研究试验数据、方法、技术、产品及其技术应用研究等。
目前平台已初步建成：1、高光谱数据采集系统：采用国际先进技术手段，融合高光谱遥感、卫星通信等多种技术手段，形成高光谱遥感试验基地第一套完整成熟、先进可靠的监测系统。
2、数据处理系统：平台采用 Turkey?软件进行土壤信息处理过程，通过收集、整理、分析土壤信息，为后续处理提供依据。
3、数据处理模式：平台采用先进的统计与数据挖掘算法进行数据处理，对土壤养分含量进行测量分析，并得到分析结果和定量描述报告等。
“源汇理论”在土壤重金属污染监测中的应用现状、问题与展望
钟 亮，王 淼，李建龙，等．“源汇理论”在土壤重金属污染监测中的应用现状、问题与展望［Ｊ］．江苏农业科学，２０２３，５１（１３）：３４－４０．ｄｏｉ：１０．１５８８９／ｊ．ｉｓｓｎ．１００２－１３０２．２０２３．１３．００５“源汇理论”在土壤重金属污染监测中的应用现状、问题与展望钟 亮１，王 淼１，李建龙１，３，赵海霞２，苏安稢１，３，龙诗颖１（１．南京大学生命科学学院生态学系，江苏南京２１００２３；２．中国科学院南京地理与湖泊研究所，江苏南京２１０００８；３．ＢｉｏｌｏｇｙＤｅｐａｒｔｍｅｎｔ／ＣｏｌｌｅｇｅｏｆＷｉｌｌｉａｍ＆Ｍａｒｙ，ＷｉｌｌｉａｍｓｂｕｒｇＶｉｒｇｉｎｉａ２３１８５） 摘要：随着工业化和城市化的发展，土壤重金属污染问题日益突出，通过对土壤重金属污染状况监测以及污染来源解析，制定适宜的污染防治措施将有助于食品安全和人类健康。
通过引入“源汇理论”，在系统梳理国内外相关研究成果的基础上，阐明“源汇理论”的定义、原理、特点及其在土壤重金属污染中的应用意义，并从污染区域监测、污染来源解析、污染源汇关系３个方面总结研究进展。
结果表明，“源汇理论”在应用于土壤重金属污染的监测和分析过程中存在信息提取难、精度不高、难以准确验证、未能实现动态分析、未能形成体系等问题。
随着“源汇理论”的不断丰富，在其指导下，未来土壤重金属污染研究应围绕“从传统机器学习走向深度学习，点－线－面结合监测验证框架，天－空－地一体化监测网络和验证体系，从‘３Ｓ’上升到‘５Ｓ’技术集成，监测、评估、溯源、预警与防治相结合”等方向发展，以期为构建大面积土壤重金属污染智慧动态监测与风险预警决策系统奠定基础。
关键词：源汇理论；土壤污染监测；天空地一体化动态监测；应用效果；“５Ｓ”技术 中图分类号：Ｘ５３；Ｓ１８１ 文献标志码：Ａ 文章编号：１００２－１３０２（２０２３）１３－００３４－０７收稿日期：２０２２－１０－１２基金项目：国家重点研发计划（编号：２０１８ＹＦＤ０８００２０１）。
宣城市岗坡地土壤有机质含量光谱预测分析
敏感范围反射率均值进行标准化 比值处理后获得的有机质诊 断指数对土壤有机质含量的估算精度较高＿ ． ３ ］
刘焕 军 ， 张柏 等人 在对 吉林 省农安 县 主要土壤 的室 内光 谱 反射 率研 究 时发 现 黑钙 土 、 沙 土在 ４０—６０ ｍ 风 ５ ０ｎ
和 ６ ０ ０ ｎ 范 围 内有 明显 的有机 质 吸收特征 ． ０ ～８ ０ ｍ 草甸 土和 冲积 土在 ４ ０ ０ ｎ 范 围内也 受到 有机 质 的影 ５ —６ ０ ｍ
岗坡 地 ２ ９个土壤 样品 进行反 射 率光谱数 据 的采集 ． 对所 获取 的土壤 样 品 高光谱 反射 率 数据 进行 标
准化 比值 变换 ， 算有 机质诊 断 指数 ， 计 同时将 该指 数 与土壤 有 机质 含 量 进行 相 关 性 分析 ， 寻找 最 大
正相 关 中心 波段 ． 结果 表 明 ： 大正相 关 中心 波段 为 ４ ９ ８ ｎ 两个 次 正相 关 中心 波段 为４ １ １ 最 ８ ．７ ｍ， ８ ．６
Ｓｅ ｔ．２ ０ １ １ ｐ
宣城 市 岗坡地 土壤 有 机质 含 量 光 谱 预 测 分 析
姚 慧 ， 吕成 文 ， 刘程 海 ， 方 萍
（ 安徽 师范大学 Ｉ Ｎ￣资源与旅游学院 ， 安徽 芜湖 ２ １０ ） ４ ００
摘
要 ： 用荷 兰 Ａ ａＳ ｅｔ０ ８ ４型号 地物 光 谱仪 ， 实验 室条 件 下 ， 采 自于安 徽 省 宣城 市 利 ｖ ｎ ｐｃ２ ４ ×１ 在 对
筇 １ ５期 ４卷 ２ ３ 年 ９月 ０１
Ｊ ｕ ａ ｏ 师ｕ Ｎ大ｍａ Ｕｎｖ ｒｉ Ｎａｕ ａ ）ｉ ｃ ） ｏ ｒ 安 ｆ ｈ 范 ｏ 学 ｉ ｓ自然 科ｔ ｒｌ ｅ ｅ ｎ ｌ徽 Ａｎ ｉ ｒ ｌ学 报 （ｙ（ 学版 ｃ ｎ ｅ ｔ Ｓ
高光谱技术联合归一化光谱指数估算土壤有机质含量
著性检验 ， 提取敏感 波段 和敏感光谱指数 ， 结合偏最小二乘 回归 （ Ｐ Ｌ Ｓ Ｒ ） 建立 Ｓ Ｏ Ｍ 的估算模型 ， 探讨 二维 光
谱指数用于建模的可行性 。 研 究表明 ， 二 维相关 系数 相 比一维相 关 系数 有不 同程 度 的提 升 ，以 Ｌ Ｒ最为显
著， 相关 系数数值提 升约 ０ ． ２ ６ ； 基于二维相关性分析提 取的敏感 光谱指 数的 Ｐ Ｌ Ｓ Ｒ建模效 果整体优 于一维
摘
要
随着近地高光谱遥感技术 的发展 ， 为 快速 、有效 、非破 坏性地 获取土壤 有机质 （ Ｓ ＯＭ） 信息提供 了
可能 。土壤 高光谱波段数据众多 ， 光谱数据 变量 之间存 在较为严重的多重共线性 ， 影 响模 型复杂结构 ，而构
建归一化光谱指数 （ Ｎ ＤＳ Ｉ ） 可 以有效 去除冗余 信息变 量 ， 放 大光谱 特征信 息 。以江汉平 原公安 县为研 究 区，
别对每一种数据 中任 意两 个波 段组合 计算 归一 化光谱 指数 （ ｎ ｏ ｒ ｍａ ｌ ｉ ｚ ｅ ｄ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ｉ ｎ ｄ ｅ ｘ ，Ｎ ＤＳ Ｉ ） ， 在二维坐标 系 空间中求算 Ｎ ＤＳ Ｉ 与Ｓ ＯＭ 相 关性 的分布 ，探寻 相关性 较 高 的波段区域 ， 对 比一维相关性分 析 （ Ｓ ＯＭ 与波段 反射率 的相 关性） 与二维相关分析 （ Ｓ Ｏ Ｍ 与归一化光谱指数 的相关性 ） 的
第３ ７ 卷， 第１ １ 期
２ ０ １ ７年 １ １月
光
谱
学
与
光
谱
分
析
Ｖ ｏ １ ． ３ ７ ， Ｎ ｏ ． １ １ ， ｐ ｐ ３ ５ ３ ７ — ３ ５ ４ ２
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。
黑土有机质含量野外高光谱预测模型
ｉ ｌｃ ｏ ｌｓ ｍｐ ｅ （ － ５ ） ｎ ｂａ ｋｓ ｉ ａ ｌ ｎ － ９ ｓ
外土壤理 化参数 的光谱速测 。
机质 与黑 土反射率倒数对数微分 的相关系数最高 ， 最高值在 １２０ｎ 达到 一ｏ ７ （ 。 ， ６ ｍ， ． ７Ｒ ） 相关 系数高 的波谱
范 围为 ７ Ｏ ６ ｍ。（ ） ５ ～ｌ２ ０ｎ ３ 基于黑土野外光谱反射率 的有机质含 量高光谱 预测模 型稳 定性 强 ， 预测 能力较
好 ，能够 用 于 黑 土 有 机 质 含 量 野 外 速 测 。
第 ３ 卷 ， ｌ 期 Ｏ 第 ２
２ 年 １２月 １０ ０
光
谱
学
与
光
谱
分
析
Ｖ １３ ， ｏ １ ，ｐ３ ５３ ５ ｏ．０ Ｎ ．２ ｐ３ ５—３ ８
Ｄｅ ｅ ｅ ，２ １ ｃ ｍｂ ｒ ０ ０
Ｓ ｅ ｔｏ ｃ ｐ ｎ ｐ ｃ ｒ ｌＡｎ ｌ ｓｓ ｐ ｃｒ ｓ ｏ ｙ ａ ｄ Ｓ ｅ ｔ ａ ａ ｙ ｉ
１ ２ 光 谱 测试 ．
为消除室 内光源 、测试 几何 结构 等因素影 响 ， 本研 究 以
田间原状 黑土野外 实测 高光谱反射率为研 究对象 ，分析黑土
收稿 日期 ：２ １－２２ ，修 订 日期 ： ０ ００—６ ０ Ｏ０— ２ ２ １—５２
在采集土壤样品前 ， 利用便携式光谱仪 ＡＳ ｉｄ ｐｃ Ｄ Ｆｅ Ｓ ｃ￣ ｌ
现，有机质含量不同 ， 黑土去包 络曲线在大于 １ ５ ｌ 的光 ０ｎ ｌ ２ Ｔ 谱范 围差 异较小 ；而小 于 １２０ｎ 的光谱范 围黑土去包 络 ５ ｍ 曲线差异显著 ， 尤其是在小于 ｌ１０ｎ ０ ｒ ｎ的范围 ； 随着有机质
利用高光谱遥感预测土壤有机碳
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。
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 、 ＭＳ Ｒ） 偏最小二乘 回归 （ Ｌ Ｒ 、 Ｐ ｓ ） 主成 分 回归（ Ｃ 等 。 Ｐ Ａ） 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 Ｎ Ａ 、
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 ］
Ｂ Ｔ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 ４ １ ４ 个水 稻土 样品建立 可见／ 近红外光
文献标识码 ： Ａ Ｄ Ｉ ０ ３ ６／．ｓｎ １ ０—５ ３ ２ １ ）９２ ９ —６ Ｏ ：１． ９ ４ｊｉ ． ０ ００ ９ （０ ２ ０ —３ ３０ ｓ
中图 分 类 号 ： ７ ／ １ ３２ ＴＰ ９Ｓ ５ ．
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 ｐ Ｈ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 ＭＡ Ｓ ＲＳ和 Ｐ Ｓ 再 次 是 ＲＦ Ｌ Ｒ， ，