谢伯承[1]2004年在《基于高光谱遥感不同发生层土壤的光谱信息的提取研究》文中研究说明本研究主要是以ASDFR2500便携式地物光谱仪为光谱数据获取手段,以不同发生层的土壤为研究对象,提取土壤光谱信息为目标,进行了土壤光谱特性的研究。 本论文围绕高光谱土壤信息的特征提取,着重研究了土壤的光谱特性以及与土壤特征参数的建模反演。论文第一章主要介绍了高光谱遥感的概论,精准农业对高光谱的需求,以及高光谱在精准农业中应用的前景。论文的第二章主要基于精准农业中变量技术的要求,对作物生长的环境(土壤类型和理化性状)实现变量管理,对小汤山国家精准农业示范区内的土壤类型和理化性状进行了调查和分类。论文的第叁章,主要介绍了实验室的土壤理化参量的采集方法及相应获取土壤光谱信息的实验室测试方法,对土壤光谱数据进行预处理,对土壤的光谱进行特征参数提取与特征分析的方法和应用。论文的第四章研究了不同有机质含量和不同湿度条件下土壤光谱的响应,着重讨论了土壤有机质和土壤湿度的遥感反演方法。论文的第五章主要对全文的进行了概括总结,并对未来工作进行了展望。 本研究取得的主要结论和进展如下: 1、通过对整个示范区的土壤类型和土壤理化性状的调查,明确了特征土层Ab(埋藏层)和Bk层(姜石层)及其剖面的控制深度位置。对示范区土壤进行了系统的分类,初步划分叁个土类、对土壤剖面进行了土族命名,制定出土类图。 2、通过对精准农业示范区的土壤实验室光谱进行特征分析,获取了褐潮土不同发生层次光谱的基本特征,计算出50个剖面的土壤光谱反射率控制点,土壤光谱特征吸收参数,得出运用600nm、800nm、1000nm、1350nm、1800nm、2100nm和2400nm波长处控制点的连线与土壤光谱曲线在一定程度上相吻合,这对于波段的选择和土壤光谱数据的压缩有一定参考价值。 3、分析土壤光谱反射率与土壤有机质含量的关系,进行了有机质含量的预测并建立了预测模型,提出了预测土壤有机质含量的最佳波段,在波长447nm处用土壤反射率和A值(反射率倒数的对数)建立的预测方程,有较高的预测精度,而反射率采用一阶微分建立的预测方程的最佳波段在516nm处,A值的一阶微分光谱在615nm处较好。这对于在精准农业中快速评价、估计土壤养分和土壤肥力具有一定的指导意义。 4、研究了土壤湿度与土壤光谱反射率的关系,建立了四种不同土壤湿度预测模型,其中发现由A(反射率倒数的对数)选用波段1406nm,建立的回归方程对土壤湿度的预测精度最高。
李曦[2]2013年在《基于高光谱遥感的土壤有机质预测建模研究》文中研究说明随着高光谱遥感技术的发展,近年来,利用光谱技术获取土壤养分信息已获得越来越广泛的关注,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和意义。利用高光谱遥感技术估测土壤有机质含量是现代农业的发展的迫切需要,也是精准农业发展的必然要求。本研究对来自全国14个省份16种土类共1581个土壤样品进行光谱测量和理化分析,做出在350-2500nm的光谱反射率、一阶微分曲线和连续统曲线,并对土壤有机质含量和光谱反射率及其一阶微分曲线进行相关性分析。研究发现,不同有机质等级下,随着有机质含量的降低,土壤反射率的一阶微分曲线图和连续统曲线的波峰波谷更为明显,表现为在特殊波段的特征更突出。有机质含量较低时,土壤的反射光谱受到如氧化铁等其他因素的影响更为明显。全谱范围内不同类型的土壤在土壤反射率一阶微分曲线图和连续统曲线图中显示出较大的差异,其中,黑土、红壤、紫色土和潮土这几类由于有机质含量的较大差异而表现出的特征最为明显。600-800nm波段可以作为研究区域内不同类型土壤共同的有机质光谱响应波段。可见/近红外高光谱技术与建模方法是当前土壤近地传感器研究领域的重要方向,可应于土壤养分信息的快速获取和农田作物的精确施肥管理等方面。本研究以浙江省水稻土为研究对象,利用以非线性模型为核心的数据挖掘技术,包括支持向量机(SVM)、随机森林(RF)和人工神经网络(ANN)方法分别建立了不同建模集和验证集的原始光谱与有机质含量的估测模型。结果表明：研究所选用的叁种样本模式划分,即1：1、3：1和全部样本建模并全部验证对建模的结果有一定的影响。此外,相较于目前被普遍运用的偏最小二乘回归(PLSR)建模方法而言,非线性模型RF、SVM也能取得较好的建模精度,叁种模式下其RDP值均大于1.4。特别是采用SVM建模方法所得模型具有很好的预测能力,模式二下其R2高达0.927,RDP值也达到2.16。同时对单一PLSR引入ANN方法改进建立的PLSR-ANN方法能显着提高PLSR的模型预测能力,其RDF达到2.36,预测效果甚至好于非线性的SVM方法。再通过分析湖南、浙江、福建叁省不同氧化铁和有机质含量共253个土样的高光谱数据,研究了氧化铁对有机质高光谱特征及定量反演的影响。结果表明,氧化铁的高光谱特征波段为600-1400nm；并且,氧化铁含量大于30g/kg时,氧化铁会掩盖有机质的高光谱信息,含量在20-30g/kg时,对有机质可见光波段的高光谱信息有影响,而对近红外波段的影响不大,含量小于20g/kg时对有机质的高光谱信息没有影响；同时,氧化铁与有机质的含量比值大于2.21时,氧化铁会完全掩盖有机质的高光谱信息,比值为1.05-2时,对有机质400-1300nm波段的高光谱信息有影响,对1300-2400nm波段的影响不大,而比值小于0.726时对有机质的高光谱信息没有影响；此外,氧化铁对有机质的高光谱定量反演也有影响,随氧化铁含量的增加或氧化铁与有机质含量比值的增大,模型的稳定性与预测能力有所下降,但氧化铁含量小于20g/kg、氧化铁与有机质含量的比值小于2.0时,氧化铁对有机质高光谱定量反演的影响不大。
刘秀英[3]2016年在《玉米生理参数及农田土壤信息高光谱监测模型研究》文中研究表明精准农业是一种高新技术与农业生产相结合的产业,是可持续农业发展的重要途径。高精度、及时的获取农作物长势和生态环境信息是精准农业实施的前提和基础,也是现代农业发展的关键技术之一。高光谱遥感具有波段多、间隔窄的特点,能构成独特的多维光谱空间,直接捕获地物的微弱光谱差异信息。高光谱为遥感信息的定量应用开辟了新的领域,也为农田信息获取带来了巨大的前景,并逐渐成为新兴精准农业最重要的技术手段之一。因此,应用高光谱遥感建立生理参数及农田土壤信息监测模型,可增强对作物生理参数及农田土壤信息的监测能力,提高作物生长及农田土壤信息监测的精度和准确性。本研究以田间试验的玉米为研究对象,结合地面高光谱遥感技术与生理参数分析技术,系统分析玉米不同生理参数及农田土壤信息的高光谱特征,在相关分析的基础上,提取特征波段、植被指数、高光谱特征参数、特征指数,应用简单统计回归(SSR)、偏最小二乘回归(PLSR)和人工神经网络(ANN)方法,建立玉米生理参数及农田土壤信息的高光谱监测模型,为动态监测玉米生长状况及科学的田间施肥管理提供理论依据和技术支持。主要研究结果如下:(1)随着玉米叶片花青素含量增加,550 nm处吸收峰增大,SVC和SOC光谱与玉米叶片花青素含量最大相关波段分别为548 nm和540.73 nm。以SVC和SOC光谱构建的两波段归一化指数和比值指数与叶片花青素含量相关性最高;基于SVC光谱特征指数建立的ANN模型,训练和验证R2分别为0.776和0.759,验证RMSE为0.111,RPD值为2.041,预测精度较高、模型比较稳定,能有效监测玉米叶片花青素含量;基于SOC光谱特征指数建立的ANN模型是玉米叶片花青素含量监测的最优模型,训练和验证R2分别为0.875和0.851,验证RMSE为0.087,RPD值为2.604。SOC光谱参数建立的模型拟合及验证精度整体高于SVC光谱参数建立的模型,特征指数建立的模型优于植被指数建立的模型;特征指数结合ANN方法是建立玉米叶片花青素含量监测模型的最优方法。(2)玉米不同生育期SPAD值的敏感波段有差异。植被指数D2、GNDVI、MSAVI、NDVI、OSAVI、OSAVI2、TCARI2/OSAVI2、TCARI2、TCARI和高光谱特征参数SDr/SDb、Sg、Ro均与玉米4个生育期叶片的SPAD值极显着相关,通用性较好。基于6-8叶期、10-12叶期的高光谱特征参数,开花吐丝期的植被指数,灌浆期、乳熟期的原始光谱建立的ANN模型训练及验证精度均较高,模型较稳定,是各个生育期玉米叶片SPAD值监测的最优模型。训练R2分别为0.845、0.880、0.806、0.763、0.785,经独立样本验证,R2分别为0.820、0.919、0.822、0.814、0.760,RMSE分别为0.677、0.454、0.746、0.818、0.774,RPD值分别为2.358、3.455、2.374、2.319、2.078。10-12叶期,以3种方法建立的模型均能对玉米叶片SPAD值进行有效监测。(3)不同生育期玉米光谱与生物量的相关性差异较大,植被指数GI、GNDVI、MSAVI、MTCI、NDVI、NDVI3、OSAVI、SR、OSAVI2、TCARI2、TCARI2/OSAVI2、MCARI2、DDn、SPVI、TVI、RTVI均在2个生育期与玉米生物量极显着相关;高光谱特征参数Rg、SRg、SDg在3个生育期与玉米生物量极显着相关,通用性较好。6-8叶期以原始光谱、10-12叶期以植被指数、开花吐丝期以一阶微分光谱建立的ANN模型,训练R2分别为0.908、0.938、0.800,验证R2分别为0.918、0.939、0.762,RMSE分别为0.086 kg·m-2、0.123 kg·m-2、0.400 kg·m-2,RPD值分别为3.507、4.051、2.051,训练和验证结果均较好,是监测各生育期玉米生物量的最优模型。6-8叶期和10-12叶期的监测模型精度高于开花吐丝期;乳熟期建立的模型不能进行生物量有效监测。(4)850-1790 nm和1960-2400 nm范围,随着玉米植株含水量增加波段深度增大,不同生育期玉米植株含水量与光谱的相关性差异较大;FD730-1330和新建光谱指数FDD(725,925)、FDD(725,1140)、FDD(725,1330)与玉米不同生育期植株含水量相关性较好,通用性较强。6-8叶期、10-12叶期、开花吐丝期,基于一阶微分光谱建立的ANN模型,经独立样本验证,预测值与实测值之间的R2分别为0.858、0.877、0.804,RMSE为0.359%、0.479%、0.819%,RPD值为2.654、2.850、2.261,模型的预测精度较高,稳定性较好,是进行各生育期玉米植株含水量监测的最优模型。灌浆期和乳熟期建立的模型预测效果不理想,有待进一步研究。(5)随土壤含水量增加光谱反射率下降,1400、1900 nm附近的水分吸收谷朝长波方向偏移。与土壤含水量相关性最大的光谱位于570、1430、1950 nm,相关性最大的吸收特征参数是最大吸收深度(D)、吸收总面积(A)、吸收峰右面积(RA)、吸收峰左面积(LA)。基于C1950、D1900、RA1900建立的一元线性模型和A1900、A1400建立的对数模型是预测土壤含水量的最优模型,拟合R2位于0.927-0.943之间,验证R2位于0.936-0.96之间,RMSE位于1.299-1.773%之间,RPD值位于3.538-4.885之间。(6)不同全氮含量的土壤光谱差异较大;碱解氮含量增大到一定值时,反射率之间的差异变小;与土壤氮含量相关性最好的两波段光谱指数是差值指数。以PLSR和ANN方法建立的全氮含量监测模型预测效果较好。其中,基于一阶微分光谱建立的ANN模型,训练和验证R2分别为0.886和0.880,RMSE为0.0077%和0.0086%,RPD值为2.971和2.846,训练和验证结果较好,模型最稳定,是监测土壤全氮含量的最优模型。基于CB+CS+CI建立的ANN模型,训练R2为0.757,验证R2为0.758,验证RMSE为2.1262 mg·kg-1,RPD值为2.033,是监测土壤碱解氮含量的最优模型。(7)光谱反射率随土壤磷含量增加而减小,当土壤磷含量增大到一定值时,土壤光谱反射率之间的差异变小。基于归一化微分、CB+CS和CB+CS+CI建立的ANN模型,可以对土壤有效磷含量进行准确预测,其中,CB+CS+CI建立的ANN模型预测效果最好,训练和验证R2分别为0.806和0.811,验证RMSE为2.691 mg·kg-1,RPD值为2.216;PLSR和ANN方法建立的模型精度较低,不能进行土壤全磷含量的有效监测。(8)土壤全钾含量较高时,对土壤光谱反射率影响较大;土壤速效钾含量对土壤光谱影响较小,变化规律不明显。以PLSR和ANN方法建立的模型精度均较高,能对土壤全钾含量进行准确预测。其中,基于波段深度微分建立的ANN模型是监测土壤全钾含量的最优模型,训练和验证R2分别为0.967和0.971,验证RMSE分别为0.033%和0.030%,RPD值分别为5.416和5.957。基于归一化微分光谱建立的ANN模型的训练和验证R2大于0.83,验证RMSE为14.457 mg·kg-1,RPD值为2.591,是土壤速效钾含量预测的最优模型。土壤全钾含量的预测精度高于速效钾含量,微分变换可以提高模型的预测精度。
卓荦[4]2010年在《基于高光谱遥感的土壤重金属空间分布研究》文中提出土壤重金属污染监测目前是环境科学和地球科学的一个研究热点,GIS技术和遥感技术在时空维上为土壤重金属污染监测提供了一个强有力的工具。近年来随着遥感技术,特别是高光谱技术的不断发展,已经有很多研究案例成功解决了高光谱数据对土壤有机质含量(SOM)、全氮含量(TN)等的预测,并有已经开始一些探索,针对土壤中微量金属——重金属含量的分析预测工作,并取得了一定的进展。本文研究了江西省乐安河及其支流流域河流泛滥平原土壤重金属污染的空间分布特征,并以该地区为例,研究了使用高光谱数据分析量化土壤中重金属(Cu, Pb, Zn)含量的可能性。由于重金属元素在土壤中属于痕量级,直接使用土壤反射光谱进行预测存在一定难度,并且误差很大,并不可靠。本文以土壤有机质为媒介,探求了间接分析量化重金属含量方法的可行性。本文研究区域——江西省乐安河流域是一个收到典型重金属污染的区域,文章研究尺度较大,流域面积超过1000 km2。本文使用ASD fieldSpec 3仪器测定土壤样本光谱数据,采用光谱微分技术对采集得到的土壤光谱进行预处理,并对光谱进行平滑处理,随后根据后期分析量化模型需要,选择波段415、485、770和920为特征波段。数据的处理是所有研究关键的一个环节,特别对于遥感高光谱研究,样本采集路线是否科学合理,对于研究需要的解决的问题是否明显相关,样本的处理是否得当,获取的数据是否真实可靠,对后期的光谱的定量分析工作的精确性有至关重要的意义。本文采用重铬酸钾——浓硫酸油浴消解法,测定土壤样本有机质含量。同时使用XRF仪器,通过X射线荧光,测定土壤样本重金属含量。方法的第一步为土壤有机质光谱量化反演,首先使用经典的土壤有机质光谱量化分析方法对本研究样本进行量化反演模型验证。根据Krishnan et al (1980)和Dalal, Henry (1985)的研究,将本研究光谱数据代入其模型,量化结果并不理想,R2=0.245,故本研究不适用传统方法进行有机质量化建模。本文采用偏最小二乘法对土壤有机质含量进行量化反演。偏最小二乘法(Partial Least Squares,简称PLS)是一种数学优化技术,它是通过计算最小化误差的平方和,找到一组数据的最佳函数匹配。用最简便的方法求得一些绝对不可知的真值,同时令误差平方之和为尽可能最小。通过该方法建立回归模型后,观察结果,模型回归系数收敛性比较理想,效果较好,主成分为PC=5时,模型变异系数(Variance)最小,模型相关性很理想：R2=0.9842,均方根误差(RMSE)为0.9511,较为理想。选择10个土壤样本(样编号为：004、009、019、022、037、048、049、063、069和070)作为检验样本,通过检验样本计算模型精度。检验精度为0.6184,效果较为理想。但是检验样本偏度(Offset)和均方根误差(RMSE)分别为11.23和4.56,存在一定的误差和偏移,可能是由于随机选择的个别检验样本和其他样本相比,有较大的差异,导致偏移。不过,整个模型的精度和效果令人满意。随后对比线性模型、对数模型、叁次函数模型和指数模型,结果如下：线性模型R2=0.4878、对数模型R2=0.4598、叁次函数模型R2=0.5108和指数模型R2=0.3786,远远达不到偏最小二乘模型(R2=0.9842)的精度水平。本文比较详细的讨论了土壤中重金属含量与土壤有机质含量之间的关系。土壤有机质通过络合、螯合作用可以吸附大量的重金属离子并将重金属“固定”在土壤中,不被植被吸收。所以理论上土壤重金属含量与土壤有机质含量存在正相关。本文研究结果也证实了这一点。方法的第二步为建立通过土壤有机质预测土壤重金属含量的分析量化模型。本文采用人工神经网络(Artificial Neural Network, ANN)算法实现土壤有机质到土壤重金属含量的分析量化。人工神经网络也被称为神经网络,是由大量处理单元(神经元Neurons)广泛互联而成的网络,是对人脑的抽象、简化和模拟,反映人脑的基本特性。人工神经网络的研究是从人脑的生理结构出发来研究人的智能行为,模拟人脑信息处理的功能。本文考虑间接分析量化的途径。尽管不能直接从重金属元素光谱吸收特征的角度来识别和预测它们,然而重金属元素常与土壤中某些光谱活性成分,如有机质关联。借助这种土壤成分内部相关,本文成功用反射光谱量化了泛滥平原土壤中的重金属(Cu, Zn, Pb)元素含量。通过人工神经网络回归模型,Cu和Zn的分析量化结果令人满意,其中Zn的量化精度最高,Pb的量化精度相对最低。叁个重金属分析量化模型,Zn量化模型效果最好,总体相关性R达到0.9370；Cu量化模型也比较可靠,总体相关性R达到0.7763；而Pb的量化模型则不尽如人意,偏差较大,总体相关性仅达到0.4317。总的来说,较大的预测误差还是出现在土壤重金属含量极低和极高的样本中,而在中等污染地区,模型的分析量化效果相对较好。而另一方面,由于重金属含量数据是由有机质分析量化模型及有机质到重金属分析量化模拟性两个步骤组成,两个步骤误差的迭加使得最终量化模型的误差有些偏大。上述研究工作,为解决土壤重金属光谱分析量化工作的重点与难点问题提供了一个思路,同时为该方法的进一步研究打下一定基础。
潘文超[5]2009年在《基于高光谱遥感的棉田土壤含氮量监测模型研究》文中研究表明[研究目的]研究棉花冠层光谱、土壤光谱与植株含氮量、土壤含氮量的相关性,筛选适宜的特征参数和植被指数,建立棉田土壤含氮量最佳监测模型。从而提高土壤含氮量的遥感估测水平,为今后更好地应用卫星成像光谱数据进行作物监测提供依据。[研究方法]利用2007-2008年在石河子大学实验站测定的不同氮素处理的棉花冠层、土壤光谱与农学参数,通过定性和定量地分析棉花冠层光谱、棉田土壤反射特征、微分光谱特征差异,及农学指标与冠层光谱之间的相关性,建立相应的回归模型；并同步进行模型验证和精度检验。[研究结果]棉花不同时期的植株冠层光谱与植株含氮量和土壤含氮量之间都有很好的相关性。棉花不同时期的棉田土壤含氮量与植株冠层光谱的相关性均达到了1%的极显着水平。由此可见,所选棉田土壤含氮量与植株冠层光谱间有很好的相关性,可以尝试建立基于植株冠层光谱的对土壤全氮含量的监测模型。利用引入覆盖度Cg建立植株冠层光谱测定土壤含氮量为最佳模型,随后是利用植株含氮量建立的模型,其次是直接建立植株冠层光谱监测土壤含氮量,最后是利用土壤反射光谱参量建立棉花冠层光谱参量监测土壤含氮量模型。利用引入覆盖度Cg构建棉花蕾期、花期、铃期、吐絮期的土壤含氮量与植株冠层光谱参数的复合反演模型,并对模型进行检验。对所建反演模型的决定系数、RMSE、RE分析的结果表明,不同时期,对土壤氮含量预测的最佳模型有所不同。在蕾期以ND1190’所建模型的精度最高,花期、铃期、吐絮期以ND672’所建模型监测的精度最高。通过引入覆盖度后建立的土壤氮含量估测模型与未引入覆盖度建立的土壤氮含量估测模型的精度对比可以得出不同时期的精度都有明显提高,精度提高明显的是吐絮期的ND672达12.4%；精度提高最差的是铃期的ND672也提高了5.06%。引入Cg的检测模型除了与时期有关外还与所选的参数有关。
夏军[6]2014年在《准东煤田土壤重金属污染高光谱遥感监测研究》文中进行了进一步梳理土壤是人类赖以生存、发展和文明的基础,不仅是地球的重要自然资源之一,还是整个生态系统的生命线。煤炭资源的大规模开发,会对土壤造成严重的重金属污染,进而引起土壤退化、水体污染和植被受损等一系列环境问题,甚至威胁到人类的生命安全,而反过来又会制约社会经济的发展。所以,对土壤重金属污染做到快速、实时监测和预警,是当前矿区环境保护工作的急迫任务。由于传统的野外土壤采集和室内化学分析工作费时费力,不适合对土壤重金属污染进行大面积、快速监测。遥感技术特别是高光谱遥感技术的发展,为实现对土壤重金属污染的大面积、实时监测和预警提供了新的途径。针对煤炭资源开发利用过程中引发的环境污染问题,本研究以新疆准东煤田五彩湾露天矿区为靶区,以土壤环境作为切入点,揭示矿区土壤重金属(Hg、As、Cu、Ni、 Cr、Pb和Zn)污染的规律和识别重金属污染的来源,探讨利用高光谱遥感技术实现对矿区土壤重金属含量定量估算的可行性,并尝试模拟星载多光谱传感器预测土壤重金属含量。本研究主要得出以下结论：(1)土壤重金属元素空间分布特征分析表明：7种重金属元素的空间自相关性低；在空间分布趋势上各元素间存在着明显差异,但大体上南部靠近沙漠地带比北部卡拉麦里山区含量低,中部(矿区及周边)含量高；重金属在矿区的分布变化大,具有很强的随机性,受到人类活动的影响非常强烈。(2)土壤重金属污染评价显示：Hg有78%的样点受到不同程度污染,其中极强度污染的样点数占到了10%,表层土壤Hg污染最严重：As的所有样点都被轻、中度污染；Pb和Cr有约10%样点被轻微污染；Zn在有一个样点受到轻微污染；Cu和Ni未受到污染。重金属污染来源主要为粉尘、污水、煤堆和矸石、烟尘等。(3)矿区土壤的可见光-近红外(、VNIR,350～2500nm)反射率光谱与热红外(TIR,8-13μm)发射率光谱特征存在明显区别,主要受水分、有机质、铁氧化物、粘土矿物和土壤质地等影响。由于有机质、铁氧化物和粘土矿物等具有富集重金属的能力,这就从机理上解释了利用遥感技术反演土壤重金属含量的原理。VNIR反射率光谱和TIR发射率光谱与土壤重金属含量的相关性都比较低,通过不同形式的光谱变换后,相关性有明显提高。(4)通过多元逐步回归(SMLR)分析,土壤原始光谱及其不同变换形式与7种重金属含量建模精度均不高；而采用最佳变换形式的VNIR-TIR组合光谱,对于SMLR和偏最小二乘回归(PLSR)两种方法的建模效果均有所提高,从预测决定系数和均方根误差看：对于Ni来说采用SMLR方法建模效果好,而Hg、As、Cu、Cr、Pb和Zn6种元素均为PLSR方法较优。可见,通过对原始光谱进行变换处理、选择最佳变换形式进行VNIR和TIR光谱组合、尝试不同的建模方法,都可能提高对土壤重金属含量的预测精度。(5)用支持向量机(SVM)分类方法对Hg的污染等级进行分类,基于VNIR-TIR组合光谱进行分类研究,结果表明：已污染土壤可以达到100%正确分类,无污染土壤分类精度为90.91%；轻中度污染土壤可以全部正确识别,而强污染土壤有可能被轻视,无污染土壤也可能被误判为已污染。可见,利用VNIR和TIR两种高光谱的组合,实现对土壤重金属污染等级的划分是可行的。(6)通过对OLI-TIRS和ASTER星载多光谱传感器波段模拟进行土壤重金属含量预测,效果欠佳,而在实际应用时还会存在诸多因素的影响,很难实现对土壤重金属含量的定量估算,应该寻求其他更高光谱分辨率的遥感数据。本研究从方法上探讨了对土壤重金属含量的高光谱遥感监测技术,为今后土壤重金属污染大面积、低成本、实时监测及预警提供技术方法,为矿区环境管理和保护工作提供决策建议,并促进高光谱遥感技术的发展和应用。
罗丹[7]2017年在《基于高光谱遥感的冬小麦氮素营养指标监测研究》文中指出随着基于植被光谱特性的高光谱遥感技术迅速发展,使得区域范围内实时快速监测作物氮素含量成为农业遥感领域的重要研究内容。本研究以不同生育期、不同氮素水平下的杨凌示范区冬小麦为研究对象,在2015-2016年进行冬小麦小区试验。采集冬小麦主要生育期的冠层和叶片光谱,测定相应的叶片氮含量,分析基于冠层和叶片两种尺度的光谱及一阶导数光谱变化规律,探索高光谱参数与叶片氮含量的定量关系,利用多种方法构建冬小麦叶片氮含量估算模型。并借助低空无人机获得高光谱影像对冬小麦叶片氮含量进行空间反演。研究旨在为实时无损监测冬小麦氮素营养状况和施肥管理提供依据。主要结论如下:(1)分析不同施氮水平、不同生育期冬小麦反射光谱以及一阶导数光谱变化规律。结果表明,冬小麦在冠层和叶片两种尺度下存在相同的光谱变化特征。原始光谱随氮素水平提高在可见光区域反射率降低而在近红外区域反射率增强;随生育期推进,光谱反射率在可见光区域先降低后升高,在近红外区域先升高后降低,抽穗期“绿峰”峰值最低,而在近红外反射平台达到最高。红边位置随施氮量升高在各个生育期都向长波方向移动,红边振幅和红边面积随之升高;在不同生育期,红边均在抽穗期之前发生“红移”,而在抽穗期之后发生“蓝移”,红边振幅和红边面积也呈先增大后减小的趋势。(2)分析全波段反射率与叶片氮含量的相关性,得出冠层和叶片的原始光谱和一阶导数光谱对叶片氮含量反应敏感的波段基本一致,原始光谱和一阶导数光谱分别在695 nm附近和687 nm处与叶片氮含量呈最大负相关,基于这些敏感波段建立叶片氮含量估算模型。分别从冠层和叶片一阶导数光谱中提取“叁边”参数与叶片氮含量做相关分析,选择相关性高的参数建立估算模型。对于冠层光谱,选择红边位置、峰度系数和偏度系数对叶片氮含量进行估算,最佳模型为基于偏度系数建立的多项式模型;基于叶片的红边位置、峰度系数、偏度系数、黄边面积和蓝边振幅建立叶片氮含量估算模型,其精度高于基于冠层光谱参数建立的模型,表现最好的也是基于偏度系数建立的多项式模型,但两者模型存在差异,精度相对基于敏感波段建立的模型精度有所提高。(3)选取归一化植被指数、比值植被指数、差值植被指数、土壤调节植被指数四种光谱指数,在350~2500 nm全光谱范围内,将冠层和叶片原始光谱和一阶导数光谱分别进行两两交叉组合生成光谱指数与叶片氮含量进行相关分析、模型构建和精度检验,筛选出预测叶片氮含量的最佳光谱指数。通过一阶导数光谱求得的光谱指数与LNC建立的模型精度略高于原始光谱;基于冠层尺度上的SASI(D741,D525)L=0.001建模结果精度最高且验证结果准确性和稳定性最好;基于叶片尺度上的RSI(D962,D725)表现最好,是估测叶片氮含量的最佳光谱指数模型。基于冠层和叶片不同尺度构成的光谱指数模型不能通用。基于光谱指数建立的叶片氮含量估算模型精度高于基于特征波段建立的模型。(4)将甄选出的精度较高的高光谱参数建立BP和RBF人工神经网络模型,并适当调节网络参数,对模型进行优化,得到冬小麦叶片氮含量人工神经网络估算模型。基于人工神经网络建立的模型较传统单变量模型在精度上有了较大提高,分别在冠层和叶片尺度上基于RBF网络建立的模型具有最大的决定系数和较低的误差,是估算叶片氮含量的最佳模型。(5)借助低空无人机获得高光谱影像,应用冬小麦冠层叶片氮含量估算模型实现了小区域范围内冬小麦叶片氮含量空间反演。通过检验结果对比,基于RBF网络模型反演效果最佳,是一种监测冬小麦氮素营养状况的有效方法。
张婷婷[8]2010年在《基于PLS模型的农业土壤成分高光谱遥感反演研究》文中指出本文研究了高光谱遥感数据使用偏最小二乘法(Partial Least Squares Regression,PLS)定量评价农业土壤成分的可行性。本文共选择了叁个研究区,分别位于美国印第安纳州中部西塞罗溪流域(Cicero Creek),加利福尼亚州勒莫尔(Lemoore)及西班牙托梅略索(Tomelloso)。在印第安纳研究区,本研究应用Hyperion图像和实验室光谱对土壤水分,有机质,总碳,总磷,总氮和粘土含量建立偏最小二乘法预测模型。对于每种成分,去除离群值的样本集分为校正集和验证集。验证结果显示Hyperion图像光谱和实验室光谱能够有效评价和预测水分,有机质,总碳和总氮,但有机质和总磷的预测精度较低。在美国加利福尼亚州和西班牙两个研究区,在土壤样品烘干后,测得粘土和碳酸盐成分含量,然后以5%的含量间隔向土壤样品中加水,在不同土壤湿度条件下测量实验室光谱。应用偏最小二乘法对不同土壤水分含量条件下的碳酸盐,粘土和土壤含水量进行评价。结果显示,土壤含水量和碳酸盐的偏最小二乘法模型具有较高精度,但是粘土成分的预测精度仍然偏低。
唐延林[9]2004年在《水稻高光谱特征及其生物理化参数模拟与估测模型研究》文中认为高光谱遥感能在特定光谱范围内以高光谱分辨率同时获取连续的地物光谱曲线，从而可以构成独特的超多维光谱空间，使得遥感应用着重于在光谱维上进行空间信息展开，获得目标物更多的光谱信息，为定量分析地球表面生物物理、生物化学过程提供参数和依据。高光谱遥感具有光谱分辨率高(一般＜10nm)、波段连续性强(在0.4～2.5μm范围内有几百个、上千个波段)、光谱信息量大等特点，其分辨率低于一般地表物质的半吸收宽度(约20～40nm)，因此，高光谱遥感所获得的数据和图像能以足够的光谱分辨率区分那些具有诊断性光谱特征的地表物质，使得高光谱遥感具有广阔的应用前景。 农作物的光谱特征是植被遥感的一个重要方面，它是农作物遥感识别、遥感长势监测和估产、遥感品质监测的重要依据。农作物光谱与农作物品种、植株密度、冠层结构、叶片形状、叶组织结构、农作物生化组分及比例、光谱测量条件(如气象条件、光谱仪分辨率、测量日期、背景)等因素有关。水稻高光谱特征及其理化基础和农学机理是水稻长势遥感监测、遥感估产和水稻品质遥感监测的主要依据。早期对水稻光谱的研究主要是针对遥感长势监测与估产，近年来对水稻光谱的研究主要集中在高光谱植被指数构建、导数光谱处理方法及辐射模型反演叁个方面，目的是探索水稻光谱的物理化学基础和农学机理、进而提高水稻遥感长势监测和估产的精度，并利用水稻高光谱来估算其蛋白质、淀粉含量，进而探究水稻品质与其光谱特征之间的关系。 品种、生态环境、施肥量和施肥方法、栽种密度等因素都会影响水稻的株型结构、冠层结构、LAI、生物量、叶绿素密度、营养成分转移方法及速率等农学、生物化学参数，进而影响衡量水稻品质的两个重要参数——粗蛋白质含量和直链淀粉含量。而遥感理论和实践表明，植被株型结构、中文摘要冠层结构、LAI、生物量、叶绿素密度和生化组分及其含量的不同，其反射光谱大小及特征也会不同。因此，从理论上讲，通过监测水稻在各个不同发育时期(特别是抽穗后各时期)的光谱及其变化，可以预测稻米中的蛋白质和直链淀粉的积累，进而监测水稻品质。 本研究得到了国家“863”子课题“水稻品质遥感监测研究与应用”(2002AA243011)、国家自然科学基金项目“不同氮素水平的水稻高光谱遥感精确诊断机理与方法研究”(40 1 7 1 065)的资助，是在浙江大学农业遥感与信息技术应用研究所从1983年以来对水稻光谱研究的基础上，通过适当的水培和小区试验设计、测量与分析，获取不同品种在不同氮素水平下、不同发育时期水稻冠层和叶片的高光谱数据及水稻生育期间的平均气温等气象数据，测定水稻主要生化组分的高光谱、冠层和组分的生物物理与生物化学参数，对试验结果通过多种方法予以分析，建立水稻产量、主要生化组分的高光谱遥感估测模型，探索水稻品质遥感监测的可行性和初步建立水稻品质综合监测模型，进而探索水稻冠层、器官和生化组分的高光谱特征及其理化基础和农学机理。具体研究内容及结果如下: .通过两年水稻田间试验，培养出不同品种在不同氮素营养水平下的 水稻试验样本; .利用光谱仪系统测定不同品种水稻于不同氮素营养水平下在不同 时期的冠层、日一卜片、穗和稻谷光谱，及水稻主要生化组分(蛋白质、 粗淀粉、直链淀粉)的高光谱，比较了不同品种水稻冠层、叶片的 光谱差异、水稻不同生化组分的光谱特征及差异; .根据高光谱特点和水稻光谱特征，明确了水稻产量与冠层光谱高光 谱植被指数的相关性在抽穗前以RVI较好、在抽穗后以OVI较好， 并建立了水稻高光谱遥感估产模型，检验精度在95%以上; .采用单变量线性与非线性拟合模型和逐步回归分析，得到了单位面 积叶片全氮含量的最佳估测模型为原始光谱反射率的逐步回归模 型、单位面积土地上叶片全氮含量和单位面积土地上叶茎全氮含量 的最佳估测模型为一阶导数光谱值的逐步回归模型、稻穗粗蛋白 质、粗淀粉含量和稻谷粗蛋白质、粗淀粉含量的最佳估测模型为一 阶导数光谱值的逐步回归模型，模型检验精度在90%以上; .分析了不同品种之间、同一品种不同生长条件下时粗蛋白质、淀粉 和直链淀粉含量差异，建立了水稻品质两个重要指标—粗蛋白质中文摘要 尸和直链淀粉A含量的一般预测模型，可以根据水稻的冠层光谱和 灌浆期的日平均温度来预测， P(A)=S(兄)*(kT+b) 模型检验精度一般在90%以上; .分析了水稻冠层和室外廿卜片的红边特征，明确了它们的红边“双峰” 和“多峰”现象并不是由导数光谱的计算方法引起的，而可能是由 光源、气象条件、冠层结构等因素引起的; .对水稻蛋白质和粗淀粉的混合光谱分析发现，混合物的反射光谱与 纯净物反射光谱相比会出现峰、谷位置“红移”或“蓝移”现象， 且稻米蛋白质和粗淀粉含量与其光谱曲线在2020一2235nm之间的 吸收面积S具有显着相关。 本研究的技术新意和创新点有以下叁个方面:.本研
杨绍源[10]2015年在《冬小麦氮素含量垂直分布的多角度光谱反演研究》文中提出氮素含量是监测作物营养状况的重要参数,能够为田间施肥管理和作物长势监测、产量估测方面提供重要参考。快速、无损探测作物氮素垂直分布情况,对于指导合理施肥、提高肥料利用率和减少环境污染意义重大。作物氮素具有随植株高度层垂直分布的特性,在作物发生氮素胁迫的早期,植株表现首先是下层叶片发黄,而传统的田间观测方法费时费力,对于下层的监测不足且容易受到人为因素的影响。传统的遥感技术虽能大面积快速监测氮素,但主要针对作物上层氮素含量,对中、下层的监测仍然缺乏有效手段。因此,在作物发生氮素胁迫的早期快速监测作物氮素垂直分布的特性是作物养分监测的迫切需求。本文以冬小麦为例,选取冬小麦多角度数据和氮素垂直分布数据,研究了冬小麦氮素含量垂直分布的多角度光谱反演方法。本文的主要研究内容和实验结果如下：1、提出了基于小波变换,利用多角度光谱数据探测冬小麦氮素含量垂直分布的方法。对冬小麦不同角度的反射率光谱数据进行连续小波变换,利用不同角度光谱数据的小波系数与上、中、下层的叶氮密度分别建立支持向量机回归模型(Support Vector Machine, SVM)、偏最小二乘回归模型(Partial Least Squares Regression, PLSR)以及最小二乘支持向量机回归模型(Least Square-Support Vector Machine, LS-SVM),实现冬小麦氮素含量垂直分布估算。结果表明：利用连续小波变换可以确定各角度的氮素敏感尺度和对应波段,建模实验中各算法在上、中、下叁层表现略有差异。验证实验中PLSR算法在上、中、下叁层表现都很稳定,特别是下层相对比其他算法表现优异。因此利用连续小波变换进行数据预处理,能更好的选择对氮素敏感的信息,不同算法建立的模型结果表明,PLSR算法在氮素垂直分布估测方面更适用,连续小波变换与PLSR算法结合能实现冬小麦氮素含量垂直分布的遥感估算。2、提出了利用偏最小二乘(PLSR)算法,运用多角度光谱数据估计冬小麦氮素含量垂直分布的方法,并改进植被指数,减少了土壤和作物残渣的影响。分别选用前向和后向不同观测角度组合形成的光谱数据组建植被指数,建立不同高度层的叶片氮素含量探测模型,其中选用±50°和±60°的组合,建立了冬小麦上层叶位叶片氮密度反演模型；选用±30°和±40°的组合,建立了中层叶位叶片氮密度反演模型；选用±20°和±30°的组合,建立了下层叶位叶片氮密度反演模型。针对氮素反演容易受到作物背景(土壤、作物残渣)影响的问题,引入R700/R670比值,改进7种常见的植被指数,利用改进了的植被指数建立了冬小麦上层、中层、下层叶片氮密度垂直分布模型。建模实验结果改进了叶片氮密度上层、中层、下层垂直分布估算结果,验证实验选取建模实验中表现最好的叁个植被指数进行进一步研究,结果表明改进后的绿光归一化植被指数(Green Normalized Difference Vegetation Index, GNDVI)在反演上层、中层、下层叶片氮密度时效果最好,达到了极显着的水平,可用于植被氮素含量的垂直分布探测。本论文的研究结果为作物养分垂直分布监测、早期快速诊断提供了理论基础,并为多角度数据的使用和获取设置提供了参考。
参考文献：
[1]. 基于高光谱遥感不同发生层土壤的光谱信息的提取研究[D]. 谢伯承. 西北农林科技大学. 2004
[2]. 基于高光谱遥感的土壤有机质预测建模研究[D]. 李曦. 浙江大学. 2013
[3]. 玉米生理参数及农田土壤信息高光谱监测模型研究[D]. 刘秀英. 西北农林科技大学. 2016
[4]. 基于高光谱遥感的土壤重金属空间分布研究[D]. 卓荦. 武汉大学. 2010
[5]. 基于高光谱遥感的棉田土壤含氮量监测模型研究[D]. 潘文超. 石河子大学. 2009
[6]. 准东煤田土壤重金属污染高光谱遥感监测研究[D]. 夏军. 新疆大学. 2014
[7]. 基于高光谱遥感的冬小麦氮素营养指标监测研究[D]. 罗丹. 西北农林科技大学. 2017
[8]. 基于PLS模型的农业土壤成分高光谱遥感反演研究[D]. 张婷婷. 吉林大学. 2010
[9]. 水稻高光谱特征及其生物理化参数模拟与估测模型研究[D]. 唐延林. 浙江大学. 2004
[10]. 冬小麦氮素含量垂直分布的多角度光谱反演研究[D]. 杨绍源. 安徽大学. 2015
标签：自然地理学和测绘学论文; 农业基础科学论文; 农艺学论文; 遥感论文; 反射率论文; 土壤重金属污染论文; 土壤湿度论文; 光谱分辨率论文; 土壤分类论文; 预测模型论文; 特征提取论文; 土壤结构论文; 土壤检测论文; 土壤密度论文; 重金属检测论文; 水稻品种论文;