利用野外实时快速获取的土壤光谱进行土壤有机质(SOM)预测与制图是精确农业与土壤遥感制图的必然需要,利用ASD FieldSpec Pro FR野外型光谱仪实时快速获取的光谱数据,去除噪声较大的边缘波段后,进行倒数的对数转换(Log(1/R))为吸收光谱...利用野外实时快速获取的土壤光谱进行土壤有机质(SOM)预测与制图是精确农业与土壤遥感制图的必然需要,利用ASD FieldSpec Pro FR野外型光谱仪实时快速获取的光谱数据,去除噪声较大的边缘波段后,进行倒数的对数转换(Log(1/R))为吸收光谱。在分析吸收光谱和光谱指数与SOM关系的基础上,采用偏最小二乘回归法进行SOM的建模预测并借助地统计学方法进行SOM空间变异制图研究。结果表明,建模效果好的指标分别为特征波段(R2=0.91,RPD=3.28),归一化光谱指数(R2=0.90,RPD=3.08),特征波段与3个光谱指数组合(R2=0.87,RPD=2.67),全波段(R2=0.95,RPD=4.36)。光谱指标的克里格制图与实测SOM制图表现出相同的空间变异趋势,不同的指标均达到了较好的预测效果。展开更多
【目的】快速、准确地监测土壤有机质对于精准农业的发展具有重要意义。可见光-近红外(visible and near-infrared,Vis-NIR)光谱技术在土壤属性估算、数字化土壤制图等方面应用较为广泛,然而,在田间进行光谱测量,易受土壤含水量(soil mo...【目的】快速、准确地监测土壤有机质对于精准农业的发展具有重要意义。可见光-近红外(visible and near-infrared,Vis-NIR)光谱技术在土壤属性估算、数字化土壤制图等方面应用较为广泛,然而,在田间进行光谱测量,易受土壤含水量(soil moisture,SM)、温度、土壤表面状况等因素的影响,导致光谱信息中包含大量干扰信息,其中,SM变化是影响光谱观测结果最为显著的因素之一。此研究的目的是探讨OSC算法消除其影响,提升Vis-NIR光谱定量估算土壤有机质(soil organic matter,SOM)的精度。【方法】以江汉平原公安县和潜江市为研究区域,采集217份耕层(0—20 cm)土壤样本,进行风干、研磨、过筛等处理,采用重铬酸钾-外加热法测定SOM;将总体样本划分为3个互不重叠的样本集:建模集S^0(122个样本)、训练集S^1(60个样本)、验证集S^2(35个样本);设计SM梯度试验(梯度间隔为4%),在实验室内获取S^1和S^2样本集的9个梯度SM(0%—32%)的土壤光谱数据;分析SM对土壤Vis-NIR光谱反射率的影响,采用外部参数正交化算法(external parameter orthogonalization,EPO)、正交信号校正算法(orthogonal signal correction,OSC)消除SM对土壤光谱的干扰;利用主成分分析(principal component analysis,PCA)的前两个主成分得分和光谱相关系数两种方法检验消除SM干扰前、后的效果;基于偏最小二乘回归(partial least squares regression,PLSR)方法建立EPO和OSC处理前、后的SOM估算模型,利用决定系数(coefficient of determination,R^2)、均方根误差(root mean square error,RMSE)和RPD(the ratio of prediction to deviation)3个指标比较PLSR、EPO-PLSR、OSC-PLSR模型的性能。【结果】土壤Vis-NIR光谱受SM的影响十分明显,随着SM的增加,土壤光谱反射率呈非线性降低趋势。OSC处理前的湿土光谱数据主成分得分散点相对分散,与干土光谱数据主成分得分空间的位置不重叠,不同SM梯度之间的光谱相关系数变化较大;OSC处理后的湿土光谱数据主成分得分空间的位置基本与干土光谱数据相重合,各样本光谱数据之间相似性很高,不同SM梯度之间的光谱相关系数变化较小。9个SM梯度的EPO-PLSR模型的验证平均R^2_(pre)、RPD分别为0.69、1.7。9个SM梯度的OSC-PLSR模型的验证平均R^2_(pre)、RPD分别为0.72、1.89,校正后的OSC-PLSR模型受SM的较小,有效提升SOM估算模型的精度和鲁棒性。【结论】OSC能够消除SM变化对土壤Vis-NIR光谱的影响,可为将来田间原位实时监测SOM信息提供一定的理论支撑。展开更多
文摘利用野外实时快速获取的土壤光谱进行土壤有机质(SOM)预测与制图是精确农业与土壤遥感制图的必然需要,利用ASD FieldSpec Pro FR野外型光谱仪实时快速获取的光谱数据,去除噪声较大的边缘波段后,进行倒数的对数转换(Log(1/R))为吸收光谱。在分析吸收光谱和光谱指数与SOM关系的基础上,采用偏最小二乘回归法进行SOM的建模预测并借助地统计学方法进行SOM空间变异制图研究。结果表明,建模效果好的指标分别为特征波段(R2=0.91,RPD=3.28),归一化光谱指数(R2=0.90,RPD=3.08),特征波段与3个光谱指数组合(R2=0.87,RPD=2.67),全波段(R2=0.95,RPD=4.36)。光谱指标的克里格制图与实测SOM制图表现出相同的空间变异趋势,不同的指标均达到了较好的预测效果。
文摘【目的】快速、准确地监测土壤有机质对于精准农业的发展具有重要意义。可见光-近红外(visible and near-infrared,Vis-NIR)光谱技术在土壤属性估算、数字化土壤制图等方面应用较为广泛,然而,在田间进行光谱测量,易受土壤含水量(soil moisture,SM)、温度、土壤表面状况等因素的影响,导致光谱信息中包含大量干扰信息,其中,SM变化是影响光谱观测结果最为显著的因素之一。此研究的目的是探讨OSC算法消除其影响,提升Vis-NIR光谱定量估算土壤有机质(soil organic matter,SOM)的精度。【方法】以江汉平原公安县和潜江市为研究区域,采集217份耕层(0—20 cm)土壤样本,进行风干、研磨、过筛等处理,采用重铬酸钾-外加热法测定SOM;将总体样本划分为3个互不重叠的样本集:建模集S^0(122个样本)、训练集S^1(60个样本)、验证集S^2(35个样本);设计SM梯度试验(梯度间隔为4%),在实验室内获取S^1和S^2样本集的9个梯度SM(0%—32%)的土壤光谱数据;分析SM对土壤Vis-NIR光谱反射率的影响,采用外部参数正交化算法(external parameter orthogonalization,EPO)、正交信号校正算法(orthogonal signal correction,OSC)消除SM对土壤光谱的干扰;利用主成分分析(principal component analysis,PCA)的前两个主成分得分和光谱相关系数两种方法检验消除SM干扰前、后的效果;基于偏最小二乘回归(partial least squares regression,PLSR)方法建立EPO和OSC处理前、后的SOM估算模型,利用决定系数(coefficient of determination,R^2)、均方根误差(root mean square error,RMSE)和RPD(the ratio of prediction to deviation)3个指标比较PLSR、EPO-PLSR、OSC-PLSR模型的性能。【结果】土壤Vis-NIR光谱受SM的影响十分明显,随着SM的增加,土壤光谱反射率呈非线性降低趋势。OSC处理前的湿土光谱数据主成分得分散点相对分散,与干土光谱数据主成分得分空间的位置不重叠,不同SM梯度之间的光谱相关系数变化较大;OSC处理后的湿土光谱数据主成分得分空间的位置基本与干土光谱数据相重合,各样本光谱数据之间相似性很高,不同SM梯度之间的光谱相关系数变化较小。9个SM梯度的EPO-PLSR模型的验证平均R^2_(pre)、RPD分别为0.69、1.7。9个SM梯度的OSC-PLSR模型的验证平均R^2_(pre)、RPD分别为0.72、1.89,校正后的OSC-PLSR模型受SM的较小,有效提升SOM估算模型的精度和鲁棒性。【结论】OSC能够消除SM变化对土壤Vis-NIR光谱的影响,可为将来田间原位实时监测SOM信息提供一定的理论支撑。