聪明文档网

    聪明文档网

    最新最全的文档下载
    当前位置： 首页> 正在进行安全检测...

    正在进行安全检测...

    时间：2023-10-28 18:55:49    下载该word文档
    耦合高光谱数据估算土壤含水率的方法朱亚星;周桢津;洪永胜;周勇;刘目兴;于雷【摘要】在田间利用高光谱技术监测土壤含水率(SoilMoistureContent,SMC成为精准农业研究的热点之一,但农田原状光谱受到土壤表层属性如表面粗糙度、质地、微聚体和其它环境因素的影响,且小尺度区域SMC空间差异较小,增加了SMC光谱信息的提取难度,导致SMC的估算精度较低;基于实验室内经过筛制备的土壤样品的光谱数据建模,虽然模型精度较高,但人为改变土壤结构和紧实度的预处理方式无法表征农田SMC的实际状况.因此,该文尝试提出一种耦合土样原状光谱数据和标准光谱数据估算农田SMC的新方法.通过获取江汉平原潮土土样的原状光谱反射率(Rund和烘干光谱反射率(Rdry;基于Rdry确定研究区同一土壤类型在烘干状态下(SMC为0的标准光谱(Std-R;采用差值、比值、归一化的方法耦合Rund和Std-R,得到耦合光谱(Cpl-Rs、Cpl-RD、Cpl-RN;提取耦合光谱中水分敏感波段的光谱(Moe-Rs、Moe-RD、Moe-RN,基于偏最小二乘回归方法(PLSR建立SMC的估算模型.结果表明,标准光谱具有良好的代表性,能够为光谱耦合提供统一且稳定的背景值;耦合土样的原状光谱和标准光谱可以有效地削减土壤水分以外其它因素对土壤高光谱观测的影响;利用耦合光谱的水分敏感波段建立的SMC估算模型相较基于Rund建立的模型,有效降低了模型的复杂度,精度有较大程度地提升,建模集R2c从0.46最高上升至0.61,验证集R2p从0.49最高上升至0.71,RPD值从1.39最高上升至1.72,模型的稳定性、拟合度和预测能力都得到提升.该方法简单、易推广,为快速准确评估农田墒情提供了新途径.【期刊名称】《华中师范大学学报（自然科学版）》【年(卷,期】2017(051001
    【总页数】7页(P123-129【关键词】高光谱;土壤含水率;标准光谱;耦合光谱;偏最小二乘回归;潮土【作者】朱亚星;周桢津;洪永胜;周勇;刘目兴;于雷【作者单位】华中师范大学地理过程分析与模拟湖北省重点实验室,武汉430079;华中师范大学城市与环境科学学院,武汉430079;华中师范大学城市与环境科学学院,武汉430079;南京大学地理与海洋科学学院,南京210023;华中师范大学地理过程分析与模拟湖北省重点实验室,武汉430079;华中师范大学城市与环境科学学院,武汉430079;华中师范大学地理过程分析与模拟湖北省重点实验室,武汉430079;华中师范大学城市与环境科学学院,武汉430079;华中师范大学地理过程分析与模拟湖北省重点实验室,武汉430079;华中师范大学城市与环境科学学院,武汉430079;华中师范大学地理过程分析与模拟湖北省重点实验室,武汉430079;华中师范大学城市与环境科学学院,武汉430079【正文语种】中文【中图分类】P426.68土壤水分是作物获取水分的直接来源和汲取养分的载体，它影响作物的产量和品质形成，土壤含水率(SoilMoistureContent，SMC的高低对反映和判断农业墒情具有重要意义[1].但是，土壤水分易受到污染，SMC易发生变化，而且SMC传统的测定方法(如烘干称重法、中子仪法、张力计法、时域反射法等监测周期长、成本高、难度大，难以实现田间实时观测，也难以满足实施精准农业管理对土壤水分监测的需求[2].因此，迫切需要探索一种高效可靠的SMC估算方法.近年来，土壤高光谱技术逐渐成为获取土壤主要属性(土壤水分、土壤有机质、土壤盐分等信息的新手段，其具有信息量大、无破坏、非接触、零污染、快速易行
    等优点，为高效获取农业墒情变化趋势提供一种新的技术手段[3].国内外学者对不同SMC条件下的土壤高光谱反射率变化特征进行研究[4-5]，建立了SMC估算模型，为研发SMC测定传感器提供了理论基础[6-7].目前，利用可见光/近红外高光谱数据估算SMC的方法主要包括：1在农田采集原状土壤反射光谱，实现农田原位估测SMC[8-9]；2在实验室内采集经制备后的土壤样品的反射光谱，揭示SMC变化过程中的高光谱响应规律，确定土壤水分的特征波段[10-11]，实现SMC的高精度估算.然而，原位观测所获得的高光谱数据易受土壤颗粒组成、表面粗糙度以及侵入体等条件的影响，导致SMC估算模型精度较低[8]；室内试验得到的SMC估算模型精度较高，但是通过对土壤样本进行研磨、过筛、水分配比等制备处理之后破坏了土壤结构，供试土壤样品与田间原状土壤之间差异明显，SMC估算模型的适用性和可推广性较差.鉴于此，本文提出一种耦合土壤原状和标准光谱数据估算SMC的方法.选择江汉平原潮土环刀样为研究对象，采集土样原状和烘干两种SMC状态的高光谱数据，以土样烘干光谱数据为基础确定标准光谱数据，将土样原状光谱和标准光谱进行差值、比值和归一化计算，得到耦合光谱，以有效地削减土壤水分以外其它因素对土壤高光谱数据的干扰，建立基于耦合光谱的SMC估算模型.旨在寻求一种简单易行的方法，为提高SMC估算效率和精度提供一种新思路.1.1土壤样本采集本文选取湖北省潜江市竹根滩镇作为试验区，该地区位于江汉平原腹地，地势平坦；属于亚热带季风性湿润气候，四季分明，雨量充沛；主要分布的土壤类型为潮土，是江汉平原最常见的土壤类型之一；主要种植棉花、黄豆和花生等旱生作物.2015年7月，选取试验区内面积约为600×400m田块(112°54′22.78″E～112°54′45.83″E，30°31′8.07″N～30°31′21.32″N，布设96个样点，东西向4
    行，南北向24列，相邻样点的东西间距约为25m，南北间距约为75m；用直径和深度分别为7.5cm、5.5cm的环刀采集土壤表层以下10cm处的土壤，取得农田原状土样，再将环刀置于塑料盒中封存、编号并称重后带回实验室.1.2土壤含水率SMC的测定本文选用土壤质量含水率表示SMC，采用称重法获取.公式为：其中，w1为采样前称取环刀的重量；w2为原状土样(含环刀的重量；w3为将原状土样置于105℃恒温箱烘干48h后土样的重量.1.3土壤光谱数据测定土样高光谱数据的测定采用美国AnalyticalSpectralDevices公司生产的ASDFieldSpec3地物光谱仪，其波谱范围为350～2500nm，采样间隔为1.4nm(350～1000nm和2nm(1000～2500nm，数据输出重采样间隔为1nm.光谱测量在暗室内进行，光源为能够提供平行光线的50W卤素灯.采用5°视场角光纤探头，光源到土壤表面距离(L为50cm，光源入射角度(A为30°，探头到土壤表面距离(H为15cm.每次采集光谱前，用白板(反射率100%对光谱仪进行优化和标定.每个土样测量4个方向(转动3次，每次90°，每个方向上保存5条光谱曲线，共20条，作算术平均后得到土样的最终反射光谱数据[12].先后测得土样的原状光谱反射率Rund和土样的烘干光谱反射率Rdry.每条Rund和Rdry去除噪声较大的边缘波段350～399nm和2401～2500nm.采用Savitzky-Golay平滑算法[13](简称SG算法对Rund和Rdry平滑和校正，消除光谱测试环境、光谱高频随机噪声、杂散光等干扰因素引起的噪声，提高光谱数据信噪比.SG算法在TheUnscrambler9.7软件中完成.1.4土壤样本集的建立采用蒙特卡洛(MonteCarlo算法[14]对SMC和Rund的组合矩阵进行概率计算，检验和剔除光谱矩阵和SMC性质矩阵方向上的异常点.通过Rund与SMC建立
    PLSR，在确定最佳主成分个数之后，采用蒙特卡洛采样法取80%的样本作为校正集，剩余20%样本作为预测集；基于已确定的主成分数利用校正集样本建立PLSR模型，利用预测集样本来预测每一样本的预测残差；计算各样本预测残差的均值(mean，M和标准差(standarddeviation，SD，获取样本预测残差的均值-标准差分布[15](图1，从而剔除误差较大的8个离群样本(根据样本分布的离散程度，以横坐标值≥0.035，纵坐标值≥0.01为样本剔除的阈值范围，即虚线以外样本以此来优化样本质量，降低对后续研究结果准确性的影响，最终确定88个有效样本进行分析(图1.蒙特卡洛样本筛选方法通过MATLAB2012a(TheMathWorks，USA软件完成.本研究总体样本为88个.按照SMC的高低升序排列，排在奇数位的样本归入建模集，共44个样本；排在偶数位的样本归入验证集，共44个样本.各样本集的SMC统计特征见表1.1.5土壤标准光谱的确定土壤标准光谱的计算方法如下：1采用梯形法求取总体样本Rdry的积分，即光谱曲线在全波段范围的下覆曲边面积(S(公式2和公式3，实现土样光谱数据之间的定量对比；2积分数值升序排列，选择四分位数对应光谱，这不仅可以有效避免Rdry两端极大值、极小值等特殊极端值的影响，而且具有代表性；3令矩阵Am×n为四分位数对应光谱的光谱阵，m为样本数(m=3，n为变量数(n=2001，I1×m表示单位向量，1×n表示目标向量，求得(公式4和公式5为标准光谱Std-R.Std-R是通过求取分布于整体不同位次的四分位数对应光谱的算术平均值得到，其代表Rdry整体的平均水平，作为固定光谱信息，具有稳定性、普适性和推广性，为光谱耦合提供了统一背景值.光谱积分的计算通过MATLAB2012a(TheMathWorks，USA软件完成.其中，a为400，b为2400，f(λ为光谱曲线，波长λe对应的反射率为f(λe，n
    为2000，Si为小曲边面积，△λ最小值为1.1.6土壤耦合光谱的确定分别采用3种方法将Rund和Std-R相同波长对应的光谱反射率进行耦合：1差值耦合法(公式6，该方法能有效获取因SMC变化而引起的光谱变化结果，Cpl-RS表示差值耦合光谱；2比值耦合法(公式7，该方法可减少观测环境微小变化等对光谱采集造成的干扰，弱化背景信息的影响，Cpl-RD表示比值耦合光谱；3归一化耦合法(公式8，该方法可消除基线干扰，将所有原状光谱归一化到统一的标准光谱背景上，利于特征光谱信息的提取，Cpl-RN表示归一化耦合光谱.1.7土壤水分敏感波段耦合光谱的确定各耦合光谱的波长反射率，反映SMC变化引起光谱变化的程度，反射率的绝对值越大，表明该光谱受SMC变化的影响越剧烈，反之，则表明受SMC变化的影响越轻微.其中反射率的最大绝对值为Rmax，以Rmax的5%为标准(记为R5%，假设某波长反射率的绝对值小于R5%，则认为该波段受水分影响微小；若大于等于R5%则认为该波段受水分影响较大，称该波段为水分敏感波段(记为Moe-R，将R5%依次与全波段耦合光谱比较，最终确定所有水分敏感波段的耦合光谱.3种水分敏感波段耦合光谱分别为Moe-RS、Moe-RD、Moe-RN.1.8模型建立与检验本文采用PLSR方法建模，该方法是一种多元统计分析方法，集成了多元线性回归分析、主成分分析和典型相关性分析，可以较好地解决自变量之间存在多重相关性问题和样本数量小于波长数量等问题，结论更加可靠，整体性更强[16].PLSR模型的预测精度选取决定系数(determinationcoefficients，R2、均方根误差(rootmeansquarederror，RMSE、相对分析误差(relativepercentdeviation，RPD3个参数衡量.R2反映模型建立和验证的稳定性，R2越接近于1，说明模型的稳定性越好、拟合程度越高.建模集决定系数越大，均方根误差RMSEc越小，说
    明模型越稳定，精度越高；验证集决定系数及RPD越大，均方根误差RMSEp越小，说明预测效果越好.PLSR模型的建立与预测在TheUnscrambler9.7软件中完成.2.1土壤标准光谱的特征分析Rdry积分排序后获取四分位数对应的光谱，进而通过计算四分位光谱的算术平均值得到标准光谱Std-R.将Std-R与四分位光谱对比，Std-R的光谱曲线处于第一四分位光谱曲线与第三四分位光谱曲线之间，与3条四分位光谱的形状特征具有较高的相似性(图2a.这表明Std-R有效地对总体样本的Rdry实现了中心化，具有良好的代表性.将Std-R与Rund的算术平均光谱(记为Ra对比，两者的光谱曲线在可见光波段基本保持平行，且非常接近，变化趋势基本一致；但是，在近红外波段的形状特征差别增大，Std-R明显高于Ra，尤其在1400nm、1900nm附近存在较为明显的光谱吸收特征差异，Std-R在这两处仅存在较为微弱的吸收谷，而Ra则呈现出非常明显的吸收谷(图2b.Std-R可以为确定SMC不同而引起的光谱差异提供统一的背景值.2.2土壤耦合光谱形状特征分析通过差值耦合法、比值耦合法和归一化耦合法计算所得的耦合光谱具有相似的形状特征：波长约400～450nm的光谱曲线在反射率零值线(R=0以上有一定程度地波动，变化较为明显；波长约450～1300nm的光谱反射率值约等于0，光谱曲线较为平稳，无明显变化特征；波长约1300nm以后的光谱曲线在零值线以下变化突出，光谱反射率整体降低，光谱形状特征出现较大波动，1400、1900nm附近出现明显的吸收谷(图3.结果表明，经3种光谱耦合方法处理后，得到的耦合光谱曲线能够清晰地呈现各个波段对SMC变化的响应效果，为定量提取水分敏感波段提供了可靠的数据基础.
    2.3土壤耦合光谱水分敏感波段的确定建模样本的Cpl-RS、Cpl-RD、Cpl-RN的算术平均值的Rmax分别为0.1838、0.5594、0.3885，R5%分别为0.0092、0.0279、0.0194，以R5%为标准，分别移除Cpl-RS、Cpl-RD、Cpl-RN中受水分影响微小的波段为409～1355nm、441～1359nm、434～1370nm，剩余保留波段光谱即为水分敏感波段的耦合光谱Moe-RS、Moe-RD、Moe-RN(图3，三者水分敏感波段的波段个数分别占全波段的52.7%、54.1%、53.2%，较大程度地减少模型输入量，简化模型复杂度(表2.2.4土壤含水率估算模型建立与验证以全波段(400nm～2400nmRund为模型的自变量，SMC为因变量，采用PLSR建立SMC预测模型.结果表明，模型的为和验证RPD值分别0.49和1.39.基于Rund建立的模型对SMC的估算能力较弱，模型稳定性和拟合度均不佳(图4a.这表明利用土样的Rund建立SMC的预测模型虽然操作简单，可以直接、快速获取数据，但预测效果较差，参考价值较低.以水分敏感波段的耦合光谱为PLSR分析的自变量，SMC为因变量，采用FullCrossValidation法确定回归模型中最佳因子数，建立PLSR模型.结果表明，基于Moe-RS、Moe-RD、Moe-RN模型分别为分别为0.68、0.69、0.71，验证RPD值分别为1.64、1.64和1.72，模型都具有小范围农田尺度SMC的评估和预测能力.对比基于原状光谱与耦合光谱的SMC预测效果，虽然后者输入变量少于前者，但后者模型预测效果更佳.通过对耦合光谱数据进行定量分析，移除受水分影响小的波段，确定水分敏感波段，并利用该波段建模有效地提高了SMC估算精度(表3，建模集从0.46最高上升至0.61，较大程度地提高了模型的稳定性和拟合度，验证集从0.49最高上升至0.71，RPD值从1.39最高上升至1.72，模型的预测能力也
    得到提升.对比三种耦合光谱的PLSR模型，发现基于Moe-RN模型稳定性优于其余二者，其和RPD都为3种耦合运算中最高，对SMC的预测效果最优(图4b、4c、4d.这与归一化算法的比值运算和归一化处理有关，通过两种不同SMC状态的光谱，确定两者相加的高反射率(置于分母及两者相减的低反射率(置于分子，采用比值运算进一步扩大分子与分母的差距，使研究的目标性质即土壤水分的光谱特征凸显，削弱背景地物对光谱的影响[17]，利于SMC的预测、反演.本文选取田块尺度单一土壤类型的土样为研究对象，提出了耦合土样原状光谱和标准光谱信息估算SMC的方法，为实现农田SMC的长期实时监测提供了新的途径.具体结论如下.1标准光谱可代表某地区同一土壤类型烘干状态下(SMC为0%的光谱信息，具有稳定性和普适性，为光谱耦合提供统一的背景值.2将土样的原状和标准光谱进行耦合能够有效降低水分以外其它因素对土壤高光谱的干扰，凸显出SMC变化对光谱的影响，利于确定水分敏感波段.3利用水分敏感波段耦合光谱建模，在降低模型复杂度的同时提升了SMC的估算精度.其中基于Moe-RN模型的为及RPD为0.71、1.72，对于SMC空间差异小(本文SMC范围35.35%～40.57%的农田区域，该结果已实现了SMC的有效估测.【相关文献】[1]李晨，张国伟，周治国，等.滨海盐土土壤水分的高光谱参数及估测模型[J].应用生态学报，2016，27(2：525-531．[2]孙越君，郑小坡，秦其明，等.不同质量含水量的土壤反射率光谱模拟模型[J].光谱学与光谱分析，2015，35(8：2236-2240．[3]宋韬，鲍一丹，何勇.利用光谱数据快速检测土壤含水量的方法研究[J].光谱学与光谱分析，2009，29(3：675-677．[4]HUMMELJW，SUDDUTHKA，HOLLINGERSE.Soilmoistureandorganicmatter
    predictionofsurfaceandsubsurfacesoilsusinganNIRsoilsensor[J].ComputersandElectronicsinAgriculture，2001，32:149-165.[5]朱永豪，邓仁达，卢亚非，等.不同湿度条件下黄棕壤光谱反射率的变化特征及其遥感意义[J].土壤学报，1984，21(2：194-202．[6]YINZ，LEITW，YANQH，etal.Anear-infraredreflectancesensorforsoilsurfacemoisturemeasurement[J].ComputersandElectronicsinAgriculture，2013，99:101-107．[7]MOUAZENAM，BAERDEMAEKERJD，RAMONH.Towardsdevelopmentofon-linesoilmoisturecontentsensorusingafibre-typeNIRspectrophotometer[J].Soil&TillageResearch，2005，80:171-183．[8]武永峰，董一威，胡新，等.基于近红外漫反射光谱的农田原位表层土壤含水量定量建模方法比较[J].光谱学与光谱分析，2015，35(12：3416-3421．[9]MOUAZENAM，MALEKIMR，BAERDEMAEKERJD，etal.On-linemeasurementofsomeselectedsoilpropertiesusingaVIS-NIRsensor[J].Soil&TillageResearch，2007，93(1：13-27．[10]刘洋，丁潇，刘焕军，等.黑土土壤水分反射光谱特征定量分析与预测[J].土壤学报，2014，51(5：1021-1026．[11]刘秀英，王力，常庆瑞，等.利用包络线消除法反演黄绵土水分含量[J].武汉大学学报(信息科学版，2016，41(1:1-8.[12]洪永胜，于雷，耿雷，等.应用DS算法消除室内几何测试条件对土壤高光谱数据波动性的影响[J].华中师范大学学报(自然科学版，2016，50(2：303-308．[13]于雷，洪永胜，耿雷，等.基于偏最小二乘回归的土壤有机质含量高光谱估算[J].农业工程学报，2015，31(14：103-109．[14]李水芳，单杨，范伟，等.基于MCCV奇异样本筛选和CARS变量选择法对蜂蜜pH值和酸度的近红外光谱检测[J].食品科学，2011，32(8：182-185．[15]于雷，朱亚星，洪永胜，等.高光谱技术结合CARS算法预测土壤水分含量[J].农业工程学报，2016，32(22：138-145．[16]夏巧生.非线性偏最小二乘建模方法及在近红外光谱建模上的应用[J].计算机与应用化学，2014，31(1：109-112．[17]徐涵秋.基于谱间特征和归一化指数分析的城市建筑用地信息提取[J].地理研究，2005，24(2：311-320．

    免费下载 Word文档免费下载： 正在进行安全检测...

    TOP热门搜索

    相关推荐：

    工作总结

    • ￥29.8

      ￥45 每天只需1.0元
      1个月 推荐

    • ￥9.9

      ￥15
      1天

    • ￥59.8

      ￥90
      3个月

    选择支付方式

    • 微信付款
    会员须知 联系在线客服 登录账号
    郑重提醒：支付后，系统自动为您完成注册

    请使用微信扫码支付(元)

    订单号：
    支付后，系统自动为您完成注册
    遇到问题请联系 在线客服

    常用手机号：
    用于找回密码
    图片验证码：
    看不清？点击更换
    短信验证码：
    新密码：
     
    绑定后可用手机号登录
    请不要关闭本页面，支付完成后请点击【支付完成】按钮
    遇到问题请联系 在线客服

    侵权投诉  © 2013-2019 http://www.tcm999.cn   站点地图 |  手机版

    本站文档均来自互联网及网友上传分享，本站只负责收集和整理，有任何问题可通过上访投诉通道进行反馈