华南地区土壤汞含量高光谱反演模型的构建

土壤中的重金属汞元素是对人体毒害最大的5种重金属之一,为了实现快速土壤重金属汞的监测,本文采集了广东省75个土壤样品,对其进行室内高光谱测定和化学测试分析,获取高光谱数据及土壤重金属汞含量。为了获取土壤汞的高光谱反演的最佳模型,本研究对土壤高光谱数据进行平滑、连续统去除、光谱微分、倒数对数、倒数、对数、双波段组合等处理,同时,对土壤汞含量作对数变换,通过反复试验,筛选出与对数变换后的土壤汞含量相关性最高的光谱指标。研究结果表明:土壤汞的最佳光谱指标为反射率一阶微分的波段组合(700*R(587. 705nm)-250*R(1373. 48nm)),相关系数高达-0. 744;由反射率一阶微分光谱指标构建的土壤汞的高光谱反演模型最佳(y=0. 1491x3-0. 53x2+0. 0358x+1. 2596),其决定系数R2为0. 60,均方根误差RMSE为0. 183。其验证样本预测值与实测值比较,平均相对误差为0. 169。由此可知该模型用来快速估算广东省土壤汞含量是可靠的。

西范坪矿区土壤铜元素的高光谱响应与反演模型研究

为解决传统的土壤地球化学测量方法成本高、效率低等问题,研究了利用可见-近红外光谱技术检测土壤重金属含量的简易方法。研究对西范坪矿区土壤反射光谱进行微分、连续统去除等六种变换,利用逐步回归法和皮尔逊相关系数选出对土壤铜含量敏感的特征波段,组成综合特征变量集,再应用不同的特征变量选取方法和参数建立估算模型并检验。结果表明:不同的光谱变换方法对土壤铜含量信息提取能力不同,每种光谱变换都对应特定的敏感波谱区间;基于综合光谱变换信息建立的土壤铜含量反演模型精度优于基于单种光谱变换信息建立的模型;利用综合光谱变换信息建立土壤铜含量反演模型,后向剔除法优于前向引入法和逐步回归法,当Removal取0.20时得到最优回归模型,其模型决定系数R2和预测模型决定系数R_(pre)~2分别达到了0.851和0.830,建模均方根误差RMSEC和预测均方根误差RMSEP分别为0.349和0.468mg·kg^(-1),能较好地检测土壤铜含量,同时为其他土壤重金属元素的光谱检测提供了思路。

亚热带土壤铬元素的高光谱响应和反演模型

高光谱遥感技术已成为当前遥感领域的前沿技术，因其高分辨率的特点，可利用地物反射光谱特征定量反演地物的物理化学性质。目前土壤环境质量愈来愈受到关注，土壤重金属含量与土壤环境质量安全密切相关，以往土壤高光谱遥感技术研究多注重于土壤有机成分如土壤碳氮的光谱反演模型，对土壤重金属含量的高光谱反演研究普遍较少。土壤重金属污染已经成为影响土壤质量安全的关键因素，对土壤重金属尤其是污染元素普查是当务之急。传统土壤重金属的测试方法要求条件较高，测试周期较长，试图建立土壤高光谱与土壤铬元素（ICP-MS测定）含量之间的定量预测模型，以实现土壤铬元素的快速准确预测。采集福州市土壤样品135个，对土壤样品在350～2500 nm的光谱反射率进行倒数、对数、微分等六种变换，筛选出对土壤总铬含量敏感的光谱波段，最后获得福州土壤铬元素高光谱反演优化模型。研究结果表明：亚热带红壤总铬的敏感光谱波段为：可见光520～530 nm和近红外1440～1450，2010～2020，2230～2240 nm；亚热带地区土壤总铬-高光谱反演的优化模型为：y＝120．768e^-7．037x（相关系数R为0．568，均方根误差为0．619μg·g^-1，检验相关系数R为0．484，均方根误差为1．426μg·g^-1），该模型可以用于福州地区土壤全铬的光谱快速监测。

基于多种高光谱指标反演冻结土壤含水率的研究

在中国季节性冻融区如何高效快速地监测冻结土壤的含水率至关重要。以内蒙古河套灌区典型灌域土壤为对象,在实验室分梯度配置不同含水率的土样,通过地物光谱仪测定土壤冻结与未冻结状态下的高光谱数据,处理得到原始光谱反射率(Raw Spectral Reflectance,REF)、一阶微分反射率(First-order Differential Reflectance,FDR)和二阶微分反射率(Second-order Differential Reflectance,SDR)、标准正态变量变换(Standard Normal Variable Reflectance,SNV)和倒数之对数变换(Logarithm of Reciprocal,LR)5种光谱指标,采用偏最小二乘回归法(Partial Least Squares Regression,PLSR)、多元逐步回归法(Multiple Stepwise Regression,MSR)、支持向量机法(Support Vecor Machine,SVM)和一元线性回归法(Unary Linear Regression,ULR),构建基于不同光谱指标的土壤含水率高光谱反演模型并进行回归分析。结果表明,冻结状态下基于REF、FDR和SDR指标构建的模型反演精度低于未冻结状态,REF的验证集决定系数(Rp^(2))的最大值为未冻结状态下PLSR的0.952,最小值为冻结状态下ULR的0.621;FDR的Rp^(2)最大值为未冻结状态下SVM的0.955,最小值为冻结状态下MSR的0.618;SDR的Rp^(2)最大值为未冻结状态下的SVM的0.858,最小值为未冻结状态下PLSR的0.252。未冻结状态下SNV、LR指标的反演精度略低于冻结状态,SNV的Rp^(2)最大值为冻结状态下PLSR的0.796,最小值为未冻结状态下ULR的0.621;LR的Rp^(2)最大值为冻结状态下MSR的0.789,最小值为未冻结状态下ULR的0.667;未冻结状态下最佳模型组合为FDR-SVM,Rp^(2)为0.955,冻结状态下最佳组合模型为REF-PLSR,Rp^(2)为0.799。研究成果可为土壤冻结状态下利用高光谱遥感技术监测土壤含水率提供一定的技术支撑。

基于支持向量回归的土壤全氮含量高光谱估测研究

以许昌灌溉试验站为研究区,实地采集81个土壤样本数据,在室内实验条件下利用ASD地物波谱仪采集土壤的反射光谱,结合化学测定的土壤全氮数据进行去包络线、一阶微分以等七种不同种类的光谱变换形式的相关分析,筛选出估测土壤全氮的特征波段,以特征波段为自变量建立基于支持向量机(SVR)的土壤全氮高光谱反演模型.结果表明:全氮特征波段集中在800~1100 nm、1300~1800 nm以及2100~2300 nm;以RBF为核函数,SD变换筛选的特征波段为自变量的SVR反演模型效果最好,该模型的决定系数(R^2)为0.83,均方根误差(RMSE)为0.97 mg/kg.

三江源高寒退化草原土壤有机质含量的光谱模拟估算

以三江源玛多县不同退化程度高寒草原土壤为研究对象,采集0~30 cm土层的90个土壤样品,测定土壤样品的光谱反射率和有机质(SOM)含量,分析不同光谱数据转换方式与土壤SOM含量的相关性,据此挑选P<0.001水平的显著波段作为特征波段,并与土壤SOM含量建立多元逐步回归(MLSR)、支持向量机(SVM)、决策树(DT)、随机森林(RF)模型。结果表明:1)高寒草原土壤SOM含量属中等变异,且与土壤原始反射率呈负相关,与倒数对数呈正相关;2)光谱数据的数学转换扩大了光谱的吸收特征,log(1/R)、R’、[log(1/R)]’与土壤SOM含量相关系数绝对值的最大值比R分别提高了0.099、0.156、0.160;3)RF反演模型精度高于其他反演模型,Log(1/R)-RF模型的预测效果较好,其建模组和检验组的决定系数(R2)、均方根误差(RMSE)分别为0.9491、0.25269和0.71723、0.4969,可以准确估算高寒草原土壤SOM的含量。

基于星地同测的长江口水文数据建模研究

为探索实现长江口水文、地形和生态的大范围、高频次、抗恶劣海况的高精度遥感监测技术,利用高分五号卫星,进行了星地同步监测方案试验,获取了建模所需高光谱大数据。采用函数拟合等数据建模方法,逐步建立了含沙量等水体参数的高光谱影像反演模型,并给出含沙量浓度反演模型的输出效果,最后指出后续深化研究方向。