土壤養(yǎng)分信息的光譜估測研究.pdf

1、隨著遙感技術的發(fā)展，傳感器的光譜分辨率和信噪比越來越高。近紅外光譜儀器從濾光片、光柵色散發(fā)展到了傅立葉變換，而高光譜儀器光譜分辨率達到了10納米以內(nèi)，這使其不僅具備常規(guī)遙感技術的適時、無損、方便等優(yōu)點，同時還能夠通過其精細光譜優(yōu)勢提高遙感監(jiān)測的精度和準確度。土壤有機質(zhì)、全氮含量等屬性是農(nóng)作物生產(chǎn)管理的重要依托信息，大量研究表明，土壤的光譜特性是由土壤本身的性質(zhì)決定的，它與土壤的理化性質(zhì)有明顯的相關關系。因此，研究基于光譜特性的土壤養(yǎng)分無

2、損監(jiān)測技術是一項重要的基礎性工作，它將為精確農(nóng)作中土壤參數(shù)的快速獲取提供理論和技術支撐。
　　 本研究的目的是以我國中、東部地區(qū)五種不同類型土壤為研究對象，結合實驗室的ASD高光譜儀(350-2500 nm)和傅立葉近紅外光譜儀(1000-2500 nm)，綜合運用地面高光譜、近紅外光譜(NIRS)技術與土壤理化分析技術，在系統(tǒng)分析不同土壤類型、不同肥力差異土壤樣品的光譜特征及理化性質(zhì)的基礎上，闡明不同土壤類型的光譜特征差異，明

3、確土壤主要養(yǎng)分的光譜特征波段，進而構建土壤主要養(yǎng)分信息的光譜估測模型，從而為土壤養(yǎng)分信息監(jiān)測提供理論基礎和關鍵技術。主要研究內(nèi)容和結論概述如下：
　　 對5種不同土壤類型的光譜特性進行了較全面的分析。高光譜以400-1000 nm波段的反射率、傅立葉近紅外光譜以1000-2500 nm波段的反射率經(jīng)多元散射校正及Norris濾波平滑后的一階導數(shù)作為研究光譜樣本，利用偏最小二乘法(PLS)分別從600個高光譜波段中提取前6個、15

4、01個NIR光譜波段提取前5個主成分得分作為BP神經(jīng)網(wǎng)絡（BPNN）的輸入，土壤類型作為輸出，分別建立了基于PLS-BPNN的土壤高光譜和NIR光譜分類模型。結果顯示基于高光譜和NIR光譜的分類模型均可實現(xiàn)對5種不同土壤類型的有效區(qū)分。
　　 利用高光譜分析技術，研究了土壤有機質(zhì)含量與兩波段組合光譜指數(shù)之間的定量關系。結果表明，一階導數(shù)光譜構成的兩波段光譜指數(shù)與土壤有機質(zhì)含量的相關性明顯優(yōu)于原始光譜，尤其以Norris濾波平滑后

5、的一階導數(shù)光譜效果較好。光譜指數(shù)構成形式以差值指數(shù)最好，其次為比值和歸一化指數(shù)。與土壤有機質(zhì)含量相關程度最高的光譜參數(shù)是由可見光區(qū)554 nm和近紅外區(qū)1398 nm兩個波段的一階導數(shù)反射率組合而成的差值指數(shù)DI(NDR554, NDR1398)，兩者呈顯著的指數(shù)曲線關系。同時，基于一階導數(shù)光譜，分別采用偏最小二乘法、偏最小二乘法與BP神經(jīng)網(wǎng)絡相結合，建立了基于PLS、PLS-BPNN的土壤有機質(zhì)含量估測模型。不同類型土壤的獨立觀測資料

6、檢驗結果顯示，DI(NDR554, NDR1398)、PLS及PLS-BPNN模型預測決定系數(shù)分別為0.84、0.91和0.96，均方根誤差(RMSE)為3.64、3.11和2.24，相對分析誤差（RPD）為2.98、3.49和4.83。表明PLS-BPNN模型精度最優(yōu)，其次是PLS模型，DI(NDR554，NDR1398)估測模型再次，這說明基于PLS-BPNN的有機質(zhì)含量估測方法具有較好的潛力?；贒I(NDR554, NDR139

7、8)的土壤有機質(zhì)估測模型雖然在三者中預測精度最低，但模型精度已達到了實用化的程度，同時模型簡單明確，需要的波段信息少，可為便攜式監(jiān)測儀的研制提供支撐信息，因而具有較好的應用前景。
　　 進一步分析了5種不同類型土壤風干樣本的有機質(zhì)含量與近紅外光譜(1000-2500nm)反射率及一階導數(shù)兩波段構成的比值、差值及歸一化指數(shù)之間關系，構建了一種用于土壤有機質(zhì)含量預測的近紅外光譜參數(shù)。結果表明，用多元散射校正及Savitzky-Gol

8、ay平滑方法對原始光譜反射率進行預處理后，其兩波段組成的光譜參數(shù)與土壤有機質(zhì)含量的相關性明顯優(yōu)于原始光譜反射率組成的光譜參數(shù)，而由上述預處理后反射率的一階導數(shù)構成的的兩波段光譜參數(shù)介于二者之間。光譜指數(shù)構成形式以差值指數(shù)最好，其次為比值和歸一化指數(shù)。與土壤有機質(zhì)含量相關程度最高的光譜指數(shù)，是由近紅外合頻區(qū)1883和2065 nm兩個波段的反射率經(jīng)多元散射校正及Savitzky-Golay平滑后構建而成的差值指數(shù)DI(CR1883， CR

9、2065)，兩者呈極顯著的直線相關。不同類型土壤的獨立觀測資料檢驗結果顯示，模型預測的決定系數(shù)為0.837， RMSE為4.06。與偏最小二乘法的全譜(1000-2500 nm)建模結果相比，盡管DI(CR1883， CR2065)的預測精度略低于后者，但該指數(shù)僅使用了2個明確的關鍵波段，光譜參數(shù)的獲取具有重演性和普適性，而且所建立的模型也比較簡單，因此可作為一種良好的土壤有機質(zhì)估測光譜參數(shù)。
　　 分別利用PLS、PLS-BP

10、NN和光譜指數(shù)方法研究了不同類型土壤全氮含量的光譜估測。高光譜以500-900、1350-1460 nm波段反射率經(jīng)Norris濾波平滑后的一階導數(shù)為建模區(qū)域，而近紅外光譜以合頻波段4000-5500 cm-l(1818-2500 nm)經(jīng)多元散射校正后的反射率為建模區(qū)域時，基于PLS和PLS-BPNN的土壤全氮含量定標模型較好。結果顯示，PLS和PLS-BPNN的土壤全氮含量建模決定系數(shù)分別為0.81、0.98和0.90、0.98。不

11、同類型土壤的獨立觀測資料檢驗結果表明，模型預測決定系數(shù)分別為0.81和0.93、0.91和0.95, RMSE為0.219和0.149、0.147和0.121, RPD為2.28和3.36、3.40和4.13，說明上述模型對于土壤全氮含量具有較高的預測精度。另外，對土壤全氮含量最敏感光譜指數(shù)是由近紅外光譜1884和2071 nm2個波段構成的差值指數(shù)DI(CR1884, CR2071)，建模決定系數(shù)、預測決定系數(shù)、RMSE和RPD分別為

12、0.74、0.79、0.24和2.08。因此，基于上述3種方法建立的模型均可對土壤全氮狀況進行有效估測。
　　 利用高光譜和NIR光譜兩種不同來源的光譜數(shù)據(jù)，研究了土壤全磷含量與光譜之間的定量關系，建立了基于PLS、PLS-BPNN及特征光譜指數(shù)的土壤全磷含量光譜估測模型。3種不同方法建立的模型預測精度具有較大差異，其中以高光譜反射率500-1500 nm為建模區(qū)域，基于PLS和PLS-BPNN的模型建模決定系數(shù)分別為0.70和

13、0.92，預測決定系數(shù)和RMSE分別為0.64和0.68、115和113.11， RPD分別為1.58和1.61。而將傅立葉近紅外光譜7500-4000 cm-l（1330-2500 nm）波段反射率經(jīng)多元散射校正及Norris一階導數(shù)濾波平滑后的光譜做為建模區(qū)域，利用PLS和PLS-BPNN方法建立的模型決定系數(shù)分別為0.79和0.88，預測決定系數(shù)和RMSE分別為0.77和0.84,91.6和78.03,RPD分別為1.98和2.3

14、3。最好的土壤全磷高光譜和近紅外光譜特征指數(shù)分別是由1134和1372、2237和2261構成的差值指數(shù)DI(NDR1134， NDR1372)和DI(R2237， R2261)，建模決定系數(shù)分別為0.61和0.67，預測決定系數(shù)和RMSE分別為0.27和0.64、161.07和110.49,RPD分別為1.29和1.65。表明利用近紅外光譜建立的PLS-BPNN模型可用來對土壤全磷做較為精確的估測，而其它環(huán)境下建立的模型RPD＜2，僅

15、可對土壤全磷含量作粗略的估測。
　　 運用PLS和BPNN方法分別建立了5種類型土壤堿解氮、速效磷和速效鉀含量的光譜估測模型。對于高光譜數(shù)據(jù)，使用偏最小二乘法建立的堿解氮、速效磷和速效鉀校正模型的決定系數(shù)R2分別為0.83、0.60和0.53，預測決定系數(shù)分別為0.90、0.28和0.53, RMSE分別為15.4、22.4和41.3， RPD分別為3.08、1.17和1.35;使用BP神經(jīng)網(wǎng)絡建立的3者估測模型的決定系數(shù)分別為

16、0.97、0.90和0.88，預測決定系數(shù)分別為0.90、0.26和0.73, RMSE分別為16.19、23.05和30.53, RPD分別為2.93、1.14和1.83。對于近紅外光譜數(shù)據(jù)，基于偏最小二乘法建立的堿解氮、速效磷和速效鉀校正模型的決定系數(shù)R2分別為0.83、0.61和0.77，預測決定系數(shù)分別為0.85、0.46和0.67， RMSE分別為19、20和32.4， RPD分別為2.50、1.31和1.72;基于BP神經(jīng)網(wǎng)

17、絡建立的3者估測模型的決定系數(shù)分別為0.97、0.83和0.94，預測決定系數(shù)分別為0.91、0.57和0.80, RMSE分別為14.61、16.31和25.23, RPD分別為3.25、1.61和2.21。結果顯示采用神經(jīng)網(wǎng)絡方法所建立的堿解氮、速效磷和速效鉀含量預測校正模型優(yōu)于偏最小二乘模型。用兩種光譜數(shù)據(jù)建立的土壤堿解氮模型精度均較高，說明利用光譜分析方法預測土壤堿解氮含量是可行的。而速效磷和速效鉀的標定及檢驗結果精度均較低，因