基于分数阶微分优化光谱指数的土壤电导率高光谱估算

土壤电导率与含盐量具有高度相关性,精准的土壤电导率监测有助于了解区域土壤的盐渍化程度,对区域盐渍化防治与调控,农业可持续发展以及生态文明建设具有重要意义。为寻求预测土壤电导率的最佳高光谱参数,实现土壤盐分信息的高效监测,本研究对土壤样品进行室内高光谱和电导率测定,利用两波段优化算法对简化光谱指数(nitrogen planar domain index,NPDI)进行波段优化,筛选不同高光谱数据(原始高光谱反射率及其对应的5种数学变换)运算下的最敏感高光谱参数,从而建立土壤电导率高光谱估算模型。结果表明:1)NPDIs与土壤电导率之间的相关性显著,在原数据及其平方根、倒数、对数倒数、1.6阶微分变换形式下,优化光谱指数对土壤电导率的敏感程度更强,相关系数绝对值均超过0.80,且基于1.6阶微分变换的(R2020nm+R1893 nm)/R1893 nm波段组合相关系数绝对值最高,达到0.888。2)基于1.6阶微分波段优化的预测模型效果最佳,预测精度为Rpre^2=0.84,RMSEPre=2.07mS/cm,RPD=2.94,AIC=158.11。因此,对高光谱数据的适当数学变换有利于优化光谱指数更好地估算土壤电导率,进一步实现土壤盐渍化高精度动态监测。

优化光谱指数的露天煤矿区土壤重金属含量估算

光谱学提供了对土壤中许多元素进行定量分析和快速无损检测的方法。可见光和近红外反射光谱(Vis-NIR)为研究土壤重金属污染提供了一个有用的工具。于新疆准东露天煤矿区采集51个0~10 cm深度的土壤样品,在实验室中分别测定样品的有机质(SOM)含量、重金属砷(As)含量与高光谱;使用基于 JAVA 语言自主开发的两波段组合软件V1.0(No: 2018R11S177501)计算不同高光谱数据变换形式(原始反射率( R),倒数(1/ R),对数(lg R)和平方根( R)下Vis-NIR区域(400~2 400 nm)所有两波段组合得到的优化光谱指数(NPDI)与As的相关性,在最优光谱指数(| r |≥0.73和 p =0.001)中通过变量重要性准则(VIP)进一步筛选VIP≥1的指数作为模型自变量,基于地理加权回归(GWR)模型估算As含量并使用四个交叉验证度量标准:相对分析误差(RPD),决定系数(R^2),均方根误差(RMSE)和最小信息准则(ACI)评价模型精度,从而探讨优化光谱指数方法应用于高光谱检测露天煤矿区土壤重金属砷含量的可行性。结果表明:(1)研究区As含量离散度较高,所有样品中SOM含量均小于2%,且As含量与SOM含量在0.01的显著性水平上无显著相关性(| r |=0.113)。(2)As含量与单波段光谱反射率的相关性很低(| r |≤0.228),而通过 R , 1/ R , lg R , R 计算的NPDIs与As含量的相关性在近红外(NIR, 780~1 100 nm)和短波红外(SWIR, 1 100~ 1 935 nm)光谱中发现最高的相关系数和最低的 p 值(|r|≥0.73和 p =0.001),在长波近红外(LW-NIR)区域基于 R 形成的NPDIs与As含量相关性最高(|r|=0.74)。(3)VIP方法分别筛选NPDI R (1 417/1 246), NPDI 1/ R (799/953, 825/947)、 NPDI sqrt- R (1 023/1 257, 1 008/1 249, 1 021/1 250, 1 020/1 247)和NPDI lg R (801/953, 811/953, 817/951, 825/947, 828/945)为GWR模型自变量。(4)从4个预测模型的表现可以看出, Model-a( R)与其他三个模型(Model-b(1/ R), Model-c( R)和Model-d(lg R))相比,它具有最高的验证系数(R^2=0.831, RMSE=4.912 μg·g^-1 , RPD=2.321)和最低的最小信息准则值(AIC=179.96)。优化光谱指数NPDI R (1 417/1 246)有助于快速准确地估算As含量,为进一步获取地表土壤重金属污染分布信息提供理论支持和应用参考,促进露天煤矿区环境污染快速有效调查和生态可持续发展。

基于高光谱的春小麦抽穗期叶绿素含量估算方法

对高光谱数据进行预处理是提升高光谱建模精度十分必要且有效的途径。利用高光谱技术分析春小麦作物光谱及其叶绿素含量的变化,对原始光谱反射率及对应的对数、倒数、平方根、对数倒数等4种数学变换及其一阶、二阶微分进行预处理运算,分析春小麦叶片叶绿素含量与预处理后的光谱数据相关性,基于选取的敏感波段对春小麦抽穗期叶绿素含量进行偏最小二乘回归法、BP神经网络2种方法建模并进行模型验证及比较。结果表明:对原始光谱数据数学变换的微分预处理可以明显提高春小麦叶片叶绿素含量与光谱反射率的相关性;通过显著性检验的敏感波段数量经一阶、二阶微分预处理呈现明显增加趋势,对应数学变换的波段数量有所不同;对数变换的二阶微分处理所建立的PLSR模型为最优模型,该模型精度参数为决定系数R^2c=0.93,校正均方根误差RMSEc=2.53,预测决定系数R^2p=0.91,预测均方根误差RMSEp=2.41,相对分析误差RPD=3.20。说明数学变换的微分预处理过后的模型精度和稳健性有了大幅度的提升,并且运用在高光谱遥感反演春小麦抽穗期叶片叶绿素含量上是可行的。

基于分数阶微分的春小麦叶绿素含量高光谱估算

为提高农作物叶片叶绿素含量高光谱估算的准确度,以阜康农作物试验地为研究靶区,测定了165个采样点的春小麦叶片叶绿素含量和叶片光谱反射率,运用分数阶微分算法进行光谱预处理,最后运用偏最小二乘法(PLSR)建立叶绿素含量估算模型。结果表明,对数学变换(√R、lgR、1/lgR、1/R)的光谱及原始光谱(R)的数据进行0~2阶分数阶微分预处理时,通过0.01水平显著性检验的波段数量明显增加,且光谱数据经4种数学变换后均在1.2阶微分与小麦叶绿素含量有较高的相关性。1.2阶微分处理后,对叶绿素含量的敏感波段数量表现为√R>lg^R>1/R>1/lg^R>R。利用对数变换和1.2阶微分计算的植被指数(NDVI、DVI、RVI、MSR705、MSR670,800、CI)建立的PLSR模型的估算精度最优,其预测的相对误差、决定系数和平方根差分别为2.17、0.87和0.243mg·g^-1,可作为小麦叶片叶绿素含量的最佳估算模型,也说明对光谱数据进行数学转换和分数阶微分处理可显著提高春小麦叶绿素含量的估算精度。