王瑾杰 1,2,3,4,5丁建丽 1,4,5葛翔宇 1,4,5张喆 1,4,5韩礼敬 1,4,5
1 新疆大学地理与遥感科学学院,新疆 乌鲁木齐 330017
2 北京师范大学防沙治沙教育部工程研究中心,北京100875
3 中国科学院数字地球重点实验室,北京100094
4 新疆大学新疆绿洲生态自治区重点实验室,新疆 乌鲁木齐 830017
5 新疆大学智慧城市与环境建模自治区普通高校重点实验室,新疆 乌鲁木齐 830017
无人机高光谱遥感为精准农业和农业信息化监测提供崭新视角。 高光谱传感器具有厘米级空间分辨率和精细的光谱分辨率, 可获取高质量的高光谱数据。 然而, 高光谱数据通常伴随噪声和数据冗余, 高光谱信息利用效率低, 常规预处理难以满足精准估算的需求。 因此, 为解决上述现实问题, 针对机载高光谱影像的数据挖掘必不可少。 利用分数阶微分(FOD)技术逐像元处理机载高光谱数据(步长为0.1)。 通过对比FOD技术与整数阶技术对高光谱数据的改善能力, 从光谱层面探寻最佳FOD阶数。 在梯度提升回归树(GBRT)算法下构建土壤含水量(SMC)估算模型, 最终在最佳模型下评估SMC的空间分布。 结果表明: FOD技术提高光谱与SMC的相关系数(rmax=0.768), 与原始光谱、 一阶微分和二阶微分处理后的光谱同SMC相关系数相比, 分别提升0.168, 0.157和0.158。 FOD技术提升模型估算精度的主因是突出有效光谱信息的作用, 特别是与水分胁迫密切敏感的叶绿素、 植物结构和水分响应波段(430, 460, 640, 660和970 nm)。 即使FOD技术取得理想的结果, 不同阶数的效果仍有差异。 高阶FOD对影像增加了一定噪声, 相较于高阶FOD(1<阶数<2), 低阶FOD(0<阶数<1)对相关性的改善更为明显。 FOD技术对SMC估算模型的性能有很大提高, 在0.4阶模型下取得最优结果(Rp2=0.874, RMSEP=1.458, RPIQ=3.029)。 此外, 0.1—0.9阶和1.6—1.9阶的SMC估算模型比整数阶模型更优(Rp2提升0.8%~13.8%), 但根据模的RPIQ发现, 低阶FOD模型在模型的预测能力方面更强。 在0.4阶模型下反演农田土壤水分的空间分布表明干旱区农田SMC具有显著的空间异质性。 研究结果表明低阶FOD技术有效地实现对高光谱数据挖掘, 从而实现农业SMC的精准估算。 该研究提出了针对机载高光谱影像处理的新方法, 为干旱区精准农业实施和管理提供新的策略。
高光谱 无人机 分数阶微分 精准农业 土壤含水量 Hyperspectral UAV FOD Precision farming Soil moisture content 光谱学与光谱分析
2022, 42(11): 3559
1 黑龙江八一农垦大学工程学院, 黑龙江 大庆 163319
2 黑龙江八一农垦大学理学院, 黑龙江 大庆 163319
我国北方寒地温差大, 土壤温差对近红外光谱测量土壤墒情有较大影响。 针对这一问题, 以北方寒地土壤为研究对象, 探究大范围温度胁迫下(-20~40 ℃)土壤的近红外光谱与土壤不同含水率之间的关系预测模型方法。 选取黑龙江八一农垦大学农学院试验基地中的黑土, 经烘干、 过筛等操作处理后配置含水率范围在15%~50%内八种不同湿度的土壤样品, 建立北方寒地土壤大范围温度胁迫下土壤的近红外光谱信息与含水率之间的定量预测模型。 在全波段光谱数据的基础上, 结合五种不同光谱信号预处理方法, 采用BP神经网络算法、 优化支持向量机算法(SVM)、 高斯过程算法(GP)三种智能算法建立北方寒地土壤近红外光谱与含水率的预测模型并验证模型的效果。 利用69组数据进行训练建模, BP神经网络相关参数设置为学习速率0.05, 最大训练次数设置为5 000, 隐层单元数确定为20; SVM采用径向基函数, 并利用leave-one-out cross validation确定了最佳惩罚参数为0.87, 使模型预测的准确性提高; 高斯过程算法内部采用马顿核。 模型的定量评估采用决定系数(R2)和均方根误差(RMSE)。 结果表明, 在建立的全部BP神经网络模型中, 效果最佳的为S_G-BP神经网络模型, 模型的R2为0.960 9, RMSE为2.379 7; 在SVM模型中SNV-SVM模型的效果最好, 模型的R2为0.991 1, RMSE为1.081 5; 在GP模型中S_G-GP模型的效果最好, 模型的R2为0.928, RMSE为3.258 1, 综上基于SNV预处理的SVM模型训练效果最优。 利用剩余的35组光谱数据作为预测集验证模型性能, 经模型对比分析发现基于SVM算法的预测模型效果优于其他两种算法, 其中基于S_G的SVM模型效果最优, 其预测模型的R2和差RMSE分别为0.992 1和0.736 9。 综合建模集与预测集的参数最终确定基于S_G的SVM模型为最佳模型。 此模型可以作为大范围温度胁迫条件下(寒地)的土壤含水率有效预测方法, 为设计优化适宜寒地便携式近红外土壤含水率快速测量仪提供科学依据。
近红外光谱 北方寒地 温度胁迫 土壤含水率 预测模型 Near-infrared spectroscopy Cold northern region Temperature stress Soil moisture content Prediction model 光谱学与光谱分析
2022, 42(6): 1704
兰州石化职业技术大学应用化学工程学院, 兰州 730060
沸石基缓释肥料不仅显著提高了化学肥料的利用率, 而且具有改良土壤、保持土壤水分、保护生态环境等诸多优点, 在农业可持续发展中具有广阔的应用前景。本文综述了近年来沸石基缓释肥料的缓释机理和应用研究现状。总结缓释机理发现, 沸石对阳离子(NH+4、K+)养分的缓释主要是利用沸石对阳离子良好的吸附和离子交换性能, 而沸石对阴离子(NO-3、PO3-4、SO2-4)养分的缓释则需要对沸石表面进行阳离子改性。此外, 沸石与磷矿在土壤中的结合可以促进有效磷的溶解, 进而促进植物生长。应用研究表明, 影响沸石基缓释肥料性能的因素主要包括: 沸石的类型和粒径、沸石的施用剂量和方法、土壤质地和结构以及肥料的类型和来源等。结合目前的研究现状, 对沸石基缓释肥料进行经济性评价, 加强工艺开发及应用示范是未来重点研究的方向。
沸石 缓释肥料 缓释机理 养分利用率 土壤改良 土壤保水 zeolite slow release fertilizer slow release mechanism nutrient use efficiency soil amendment soil moisture retention
红外与激光工程
2022, 51(3): 20210299
吉林大学地球探测科学与技术学院, 吉林 长春 130026
田间土壤属性复杂且随时间变化, 快速精准地获得多种土壤理化指标数据对指导精细农业操作具有重要意义。 为避免土壤水分带来的干扰, 基于光谱技术的土壤成分含量预测需在土壤样本干燥的情况下进行光谱测量, 然而土壤水分同样是指导农业生产的重要指标。 为同时预测黑土区土壤有机质(SOM)、 水分(SMC)、 总铁(Fe)和pH值, 提出测量湿土土壤样本的可见-近红外光谱, 并采用标准正态变量变换(SNV)-连续小波变换(CWT)法分解光谱反射率, 逐样本进行SNV后, 以Mexh为小波基函数进行10个尺度(21, 22, …, 210)的分解, 并与常用光谱处理方法进行对比, 包括高斯滤波(GS)、 一阶导数(FD)、 连续统去除(CR), 数学变换等7种方法。 将74个样本数据划分为两组, 其中50个作为建模集, 24个作为验证集。 经SNV-CWT变换后, 每个尺度的小波系数与每个目标变量间置信度小于0.05的波段作为随机森林(RF)预测模型的输入变量, 以各尺度验证模型精度为标准确定每个预测目标的最佳分解尺度; 通过计算最佳尺度小波系数与土壤成分间的皮尔森相关系数(PCC), 基于模型的相关系数(MBC)和灰色关联度(GRD), 判断各属性的特征波段, 且分别以三种相关系数作为指标, 以过滤式筛选法建立不同属性的RF估测模型。 结果表明: 与7种常用的处理方法相比, SNV-CWT分解后四种土壤成分的预测精度均有提高, SOM, SMC, Fe和pH对应的最佳分解尺度分别为7, 8, 1和10。 在以多维特征作为输入变量的情况下, SOM与SMC的验证模型决定系数(R2)即可达到0.90和0.93。 三种分析方法中以MBC计算的相关系数为波段筛选指标建立的模型精度最佳, 其中SOM与SMC的R2均为0.94, 且Fe(R2=0.67, Mse=0.01%, RPD=1.76)与pH(R2=0.80, Mse=0.1, RPD=2.24)的模型精度具有大幅度提高, 可应用于多种土壤理化指标数据的提取与监测。
黑土区 近红外光谱 数据处理 有机质 水分 总铁 Black soil area Vis-Nir spectra Data processing Soil organic matter Soil moisture Total iron pH pH 光谱学与光谱分析
2021, 41(11): 3424
中国农业大学信息与电气工程学院食品质量与安全北京实验室, 北京 100083
土壤水分是影响农业生产的重要因素之一, 对农作物生长发育情况和最终产量起着关键的作用, 然而农业用水浪费现象普遍存在, 预计至2020年我国灌溉水利用系数仅为0.55, 远低于0.7~0.8的世界先进水平, 因此准确有效地判断土壤含水量丰缺情况对农业生产实践具有重要意义, 光谱技术利用物体特征谱线的不同, 能够同时获取目标的图像信息和光谱信息, 从而更直观地表达目标的特征, 从而精确、 快速、 无损地对土壤水分的含量进行动态的检测, 该技术极大地促进了农业的精准化、 智能化和现代化, 在土壤水分含量检测中占有重要地位。 文章综述了国内外土壤水分含量检测的最新文献, 对基于光谱技术的土壤水分含量检测的研究进展进行了系统地讨论, 分析了传统方法的不足, 并阐述了光谱成像技术的优势: (1)实时性; (2)无损性; (3)精确性; 及其在土壤水分含量检测中的局限性: (1)土壤的构造复杂; (2)泛化能力不足; (3)气候条件制约。 重点阐述了光谱在土壤水分检测中的三个关键技术: (1)光谱数据预处理技术, 重点对比了常见的预处理技术原理及其效果; (2)光谱特征提取技术, 对比了常见的特征光谱提取方法, 重点分析了土壤水分的敏感波段; (3)光谱建模技术, 重点对比了土壤水分含量检测的线性和非线性模型, 分析其原理、 应用范围及模型精度, 得出非线性模型将成为光谱技术在土壤水分含量检测的主流建模方法。 最后依据上述分析, 对光谱技术在土壤水分检测领域中的应用前景和研究趋势进行了展望: 一是要提高该技术的泛化能力和鲁棒性, 建立可用于多种土壤类型的水分检测模型; 二是要建立大范围区域并动态实时更新的土壤光谱数据库, 为提高模型精度做好数据基础。
光谱技术 土壤水分检测 光谱预处理 光谱特征提取 光谱建模 Spectral technology Soil moisture content detection Spectral pretreatment Spectral feature extraction Spectral modeling 光谱学与光谱分析
2020, 40(12): 3705
陈全 1,2,3周忠发 1,2,3,*王玲玉 1,2,3但雨生 1,2,3汤云涛 1,2,3
1 贵州师范大学地理与环境科学学院/喀斯特研究院，贵州贵阳 550001
2 贵州省喀斯特山地生态环境国家重点实验室培育基地，贵州贵阳 550001
3 国家喀斯特石漠化防治工程技术研究中心，贵州贵阳 550001
土壤水分是地球表层水循环、能量循环和生物地球化学循环中的重要组成部分，是研究喀斯特石漠化地区生态系统的关键参数。基于多时相的Sentinel-1 SAR数据与Alpha 近似模型构建土壤水分观测方程组，反演喀斯特石漠化地区地表土壤水分并对其时空变化特征及误差影响因素展开分析。研究发现观测周期内区域土壤水分总体变化趋势与降雨量变化趋势高度一致，石漠化地区土壤水分高值与空间异质性程度明显高于非石漠化地区。精度验证结果显示土壤水分反演结果的均方根误差为0.059 cm3/cm3，平均误差为0.026 cm3/cm3，该方法在区域地表土壤水分反演中表现出一定的适用性，分析认为地表土壤因周边的复杂生境条件产生的混合像元问题是导致反演误差的主要影响因素。研究可为利用短时间周期重复遥感观测方法获取复杂山区环境下的土壤水分提供参考，为喀斯特石漠化地区生态系统修复和生态产业发展提供支撑。
土壤水分 合成孔径雷达 多时相 反演 喀斯特石漠化 soil moisture synthetic aperture radar multi-temporal inversion karst rocky desertification
1 商丘职业技术学院机电工程系，河南商丘 476000
2 商丘工学院信息与电子工程学院，河南商丘 476000
为了提高传感器测量土壤水分的精确度，提出改进粒子群算法 (IPSO)。首先粒子个体最优值利用高斯变换，提高了算法的局部搜索能力，粒子全局最优值采用柯西变换，吸引其他粒子到更好的搜索空间区域，提高 了算法的全局搜索能力；接着混沌函数动态调节惯性权重，在迭代初期具有较大的值便于快速寻优，而在算法后期有较小的值，放慢搜索速度，以便进行精确寻优。实验仿真显示本文算法对测量砾石脱湿、吸湿数据的均方 误差 (MSE)以及 Pearson相关系数相比其他算法都较好，其中脱湿实测数据在基质势为 1 000 cm时，IPSO算法 MSE均值为 16.62×10-6，相比 LSM,FOA,HSA,PSO,SAA分别减少 75.59%,66.67%,63.53%,53.73%,57.53%；吸湿实测数据在基质势为 1 000 cm时，IPSO算法 MSE均值为 10.21×10-6，相比 LSM,FOA,HSA,PSO, SAA分别减少 81.42%,75.29%,72.00%,65.57%,67.69%。
高斯柯西变换 粒子群 传感器 土壤水分 Gauss and Cauchy transformation particle swarm optimization sensor soil moisture 太赫兹科学与电子信息学报
2020, 18(3): 504
1 中国农业大学信息与电气工程学院食品质量与安全北京实验室, 北京 100083
2 中国农业大学工学院, 北京 100083
3 中国农业大学水利与土木工程学院, 北京 100083
以表层土壤为对象, 探究土壤的多光谱反射率与土壤水分含量相关性, 进行基于无人机多光谱图像的土壤水分含量预测模型方法的探究。 选取中国农业大学通州实验站为研究区域, 实地采集试验田的土壤样本100组, 按照一定梯度配制土壤含水量, 配成的土壤含水率为10%~50%之间, 土壤含量的真实值采用土壤烘干法进行测定。 多光谱相机灵巧便捷, 可搭载在无人机上对土壤进行监测。 将RedEdged-M型多光谱相机搭载在Phantom 3型无人机上, 选择阳光充足的采集环境, 实时采集土壤样本的多光谱图像, 建立土壤多光谱信息与水分含量之间的模型。 利用处理光谱数据的ENVI5.3软件提取土壤样本多光谱信息, 以多光谱相机自带的标准白板反射率为100%, 计算出土壤样本在蓝、 绿、 红、 红边、 近红外五个波段的光谱反射率。 采用BP神经网络算法、 支持向量机算法、 偏最小二乘算法分别建立基于无人机多光谱图像的土壤水分含量的预测模型。 以80组土壤样本数据作为训练集, 建立基于多光谱图像的土壤水分含量预测模型。 采用莱文贝格-马夸特算法对BPNN进行改进, 提高了其训练速度, 当网络结构为5-10-1时, 训练效果最好, 本文选择该网络结构; SVM采取高斯核函数, 当参数为0.56时, 模型效果最好。 本研究采用归一化均方根误差(NRMSE)和决策系数(R2)对三种土壤水分含量的预测模型进行定量对比。 以20组土壤样本数据作为测试集, 结果可知, 基于BP神经网络土壤水分含量预测模型的NRMSE为0.268, R2为0.872; 基于支持向量机的土壤水分含量预测模型的NRMSE为0.298, R2为0.821; 基于偏最小二乘土壤水分含量预测模型的NRMSE为0.316, R2为0.789。 对三种模型分析可知, 基于BPNN的土壤水分含量预测模型效果均较好。 结果可知, 土壤的光谱反射率与含水率间存在较密切的相关性, 将多光谱相机搭载在无人机上可以对土壤水分含量进行有效的实时监测, 对监测土壤墒情提供技术支持和理论支撑。
多光谱无人机 土壤水分 预测模型 Multispectral Unmanned aerial vehicle Soil moisture Prediction model 光谱学与光谱分析
2020, 40(4): 1238
田美玲 1,2,3,**葛翔宇 1,2,3丁建丽 1,2,3,*王敬哲 1,2,3张振华 1,2,3
1 新疆大学资源与环境科学学院, 新疆 乌鲁木齐 830046
2 新疆大学绿洲生态教育部重点实验室, 新疆 乌鲁木齐 830046
3 新疆大学智慧城市与环境建模自治区普通高校重点实验室, 新疆 乌鲁木齐 830046
准确估算土壤含水量(SMC),对干旱区的精准农业、水资源管理具有重要意义。针对传统估算方法和野外测量耗时、费力的问题,通过无人机平台获取新疆阜康市冬小麦样地的高光谱影像数据,分别利用一阶导数、二阶导数、吸光度、吸光度一阶导数(FDA)、吸光度二阶导数对原始高光谱数据进行预处理;采用随机森林(RF)、梯度提升回归树(GBRT)和极端梯度提升(XGBoost)三种算法进行特征变量重要性遴选,基于地理加权回归(GWR)建立模型。结果表明:FDA的预处理效果最佳,以FDA-GBRT为基础的模型效果最优,建模集与验证集的决定系数(R2)分别为0.890、0.891,四分位数间隔为3.490;GBRT算法相较于RF和XGBoost算法优势较为突出,多数模型建模集与验证集的R2均大于0.600;GWR模型对SMC的预测建模有效,可为干旱区农业生态系统的管理与保护提供理论支撑。
土壤含水量 无人机 高光谱数据 机器学习 地理加权回归模型 激光与光电子学进展
2020, 57(9): 093002
