水稻土可见-近红外-中红外光谱特性与有机质预测研究

土壤有机质是农田肥力评估的重要指标,要实现快速获取大面积土壤有机质的含量需要建立高效、稳健的预测模型。光谱技术能够快速诊断土壤有机质,以水稻土为例,从校正样本选择方法的对比,研究了可见-近红外、中红外和可见-近红外-中红外三种不同波段光谱对土壤有机质的预测能力。可见-近红外和中红外区域的光谱反射率转换成吸收率后通过Savitzky-Golay平滑法去噪,通过三种校正样本选择方法建立相应的偏最小二乘回归预测模型。通过Rank-KS法建立的三种波段的有机质预测模型均优于Rank法和KS法,中红外波段光谱的模型预测能力强于可见-近红外和可见-近红外-中红外波段的预测模型,基于RankKS法建立的中红外波段有机质预测模型取得了最好的预测效果,RMSEP仅为3.25g·kg^(-1),RPD达到4.24,依据VIP得分筛选出可见-近红外和中红外波段的水稻土有机质重要建模波段。因此,中红外光谱建模技术能够对水稻土有机质进行快速定量分析,Rank-KS法可提高模型的预测能力,为今后农田肥力评价和科学施肥提供技术支持。

省域尺度土壤有机质空间分布的神经网络法预测

土壤有机质空间分布预测方法研究对指导省域尺度下土壤有机质空间插值模型选取和精度优化具有重要意义。以江西省为例,利用BP神经网络模型与普通克里金结合的方法(BPNN-OK)、RBF神经网络模型与普通克里金结合的方法(RBFNN-OK)以及普通克里金法(OK)3种方法,预测省域尺度下耕地表层(0~20 cm)土壤有机质的空间分布。16 109个土壤样点随机分成12 887个建模样点,3 222个测试样点。结果表明:在省域尺度下,BPNN-OK法、RBFNN-OK法较OK法在土壤有机质空间预测精度上有较大提升,三者的预测精度为BPNN-OK>RBFNN-OK>OK。BPNN-OK法对土壤有机质预测结果的均方根误差、平均绝对误差、平均相对误差较OK法分别降低28.66%、30.71%、34.76%,RBFNN-OK法较OK法分别降低27.76%、29.74%、33.71%。在省域尺度下,神经网络模型与普通克里金结合的方法能很好地捕捉土壤有机质的复杂空间变异关系。研究结果可指导江西省土壤有机质空间插值模型选取。

基于光谱反射率的两种土壤有机质数学建模方法对比（英文）

已有土壤有机质的光谱预测模型其适用性受建模样本的采样尺度、土壤类型及光谱参数限制,需要在大尺度及范围上进一步检验适用性,并比较分析不同建模方法的建模效果以寻求适用性更好、精度更高的定量模型。在黑河上游大尺度范围采得225个土壤样品,进行了土壤有机质(SOC)及光谱反射率测定后将样本划分为建模集(180个土样)与验证集(45个土样)。将土壤光谱反射率(R)变换处理后得到连续统去除(CR)、倒数(REC)、倒数之对数(LR)、一阶微分(FDR)及Kubelka-Munck变换系数共6种指标,针对建模集分别采用逐步线性回归与偏最小二乘回归方法建立12种光谱指标与SOC的数学模型,并采用验证集进行模型预测效果评价。结果表明:(1)采用逐步线性回归或偏最小二乘回归方法建模,LR指标对SOC变化的解释效果都是最好,是SOC的最优预测因子。(2)基于LR指标建立的SOC模型中,采用偏最小二乘回归模型比逐步线性回归模型的预测精度更好,相较于黑河上游已有的经验模型,偏最小二乘回归法建立的模型的预测效果也更好。(3)采用本实验的225个土壤样品对比验证了黑河上游仅有的SOC模型。该模型的SOC预测值与实测值通过了均值T检验且Pearson相关系数达0.826,表明在局部典型区域建立的SOC预测模型,可以应用到更大尺度上的土壤有机质预测研究。

基于遥感与随机森林算法的陕西省土壤有机质空间预测

遥感数据作为反映土壤组成结构及植被生长状况的数据源,借助辅助环境因子的土壤属性预测在数字土壤制图中日益受到重视。论文运用随机森林(Random Forest,RF)算法,基于AWIFS(分辨率56 m)和MODIS(分辨率250 m)遥感数据及501个实测样点数据对陕西省土壤有机质空间分布状况进行预测,并对预测精度进行估算。结果表明陕西省土壤有机质含量以南部的秦岭山地区和大巴山区为最高,土壤有机质含量大于25 g·kg^(-1),黄土高原南部处于中等水平,大部分在16~25 g·kg^(-1)之间,关中平原和汉中低山丘陵区含量偏低,大部分在13~25 g·kg^(-1),而黄土高原北部和风沙滩区含量大部分低于10 g·kg^(-1)。基于AWIFS影像的预测效果要优于MODIS影像,成像日期对有机质预测的影响不大。基于RF模型的土壤有机质预测精度在设定的不同抽样百分比条件下,独立验证数据集的平均误差大部分不超过3 g·kg^(-1),预测值与实测值的相关系数在0.7以上。高程是影响土壤有机质预测的最重要因子,当影像的分辨率降低时,样点分布的地理经纬度和坡度对土壤有机质预测的影响上升,植被因子的影响程度下降。

不同测试条件对土壤有机质光谱预测模型精度的影响

利用高光谱遥感方法对土壤有机质含量进行预测具有快速、无损、低成本等优势,但由于测试条件不同,会对预测精度产生影响。自松嫩平原采集当地代表性土壤,在野外和实验室使用不同的光谱仪分别进行光谱测量,在比较同一土样室内、野外光谱异同的基础上,将测得的原始反射率数据经过重采样、数学变换和去包络线处理后作为输入量,用偏最小二乘法和多元线性逐步回归分析法建立了有机质预测模型。结果表明:(1)由于光源与传感器不同,不同光谱仪测得的光谱曲线存在差异。(2)用野外数据建立的有机质预测模型的精度要低于室内模型,这是由于野外光谱受大气中水分的影响明显、野外空气湿度、温度、密度不均且多变造成的。(3)相比于微分处理技术,去包络线在偏最小二乘法和多元逐步回归分析技术中的应用,不仅可以提高模型预测精度,还能减少因测试条件和仪器的不同所造成的精度差异。本成果为利用光谱数据源预测土壤理化性质提供支持。