引用本文
蔡海辉, 周岭, 史舟, 纪文君, 罗德芳, 彭杰, 冯春晖. 利用CARS-BPNN模型的南疆枣园土壤有机质高光谱反演[J]. 光谱学与光谱分析, 2023,43(8): 2568-2573.
CAI Hai-hui, ZHOU Ling, SHI Zhou, JI Wen-jun, LUO De-fang, PENG Jie, FENG Chun-hui. Hyperspectral Inversion of Soil Organic Matter in Jujube Orchard in Southern Xinjiang Using CARS-BPNN[J]. Spectroscopy and Spectral Analysis, 2023,43(8): 2568-2573.
Doi:10.3964/j.issn.1000-0593(2023)08-2568-06  
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
利用CARS-BPNN模型的南疆枣园土壤有机质高光谱反演
蔡海辉1, 周岭2, 史舟3, 纪文君4, 罗德芳1, 彭杰1, 冯春晖5,*
1.塔里木大学农学院, 新疆 阿拉尔 843300
2.塔里木大学机械电气化工程学院, 新疆 阿拉尔 843300
3.浙江大学农业遥感与信息技术应用研究所, 浙江 杭州 310058
4.中国农业大学土地科学与技术学院, 北京 100083
5.塔里木大学园艺与林学学院, 新疆 阿拉尔 843300
*通讯作者 e-mail: chunhui.f@outlook.com

作者简介: 蔡海辉, 1996年生, 塔里木大学农学院硕士研究生 e-mail: tdzkychh@163.com

收稿日期: 2021-12-08 修回日期: 2022-12-14 接受日期: 2022-12-14
基金: 兵团南疆重点产业创新发展支撑计划项目(2020DB003)资助
摘要

土壤有机质(SOM)含量是制定枣园土壤施肥方案的主要依据。 合理的施肥方案对提升红枣品质、 减少农户投入和增加枣园产出有重要意义。 利用传统方法获取枣园SOM含量耗费时间和资源, 不符合枣园精准施肥管理的需求, 土壤有机质高光谱检测是一种有效的替代方法。 为筛选南疆枣园SOM的高光谱快速检测模型, 采用网格布点法采集158个枣园土壤样品, 测定风干土样的室内高光谱数据和SOM含量。 分别将400~2400 nm全波段(R)和通过竞争自适应加权算法(CARS)、 连续投影算法(SPA)、 粒子群优化算法(PSO)三种数据降维算法筛选的数据集与偏最小二乘回归(PLSR)、 反向传播神经网络(BPNN)、 卷积神经网络(CNN)三种建模方法结合构建12种枣园SOM含量的组合反演模型, 通过对比模型的精度评价指标和训练时间, 筛选枣园SOM含量最优光谱反演模型。 结果表明: (1) CARS、 SPA、 PSO三种降维算法都能将光谱数据压缩至原来的10%以下, 筛选波长数分别由原来的2 001个变量降为98、 156、 102个, 降维组合模型的验证集RPD均大于1.50, 均能实现对枣园SOM含量的反演, 与R组合模型相比, 降维组合模型至少能节省30%的时间成本, 特别是与BPNN和CNN等构建的组合模型, 能节省90%的训练时间, 且模型稳定性更强, 模型效果更优。 (2) CARS数据集构建组合模型的验证集 R2均大于0.85, RPD均大于2.50, RPIQ均大于1.60, 在三种降维算法中效果最好; PSO数据集的组合模型验证效果略低于CARS数据集, 但优于R数据集, R2均大于0.80、 RPD均大于2.00; SPA数据集构建组合模型的验证效果要低于R数据集, 在三种降维算法中效果最差。 (3) BPNN和CNN两种方法的反演模型验证效果均优于PLSR模型, 而在模型训练时间和模型验证效果等方面, BPNN模型优于CNN模型, 其结合CARS数据集的验证效果最优, R2为0.91、 PRD为3.34、 RPIQ为3.17、 nRMSE%为11.93, 训练时间为58.00 s, 模型符合快速检测枣园SOM含量的要求。 CARS-BPNN模型为反演南疆枣园SOM的最优模型, 研究结果能够为南疆枣园土壤养分快速检测与制定施肥方案提供参考。

关键词: 枣园土壤有机质; CARS算法; CNN模型; BPNN模型; 检测模型
中图分类号:S153.6 文献标志码:A
Hyperspectral Inversion of Soil Organic Matter in Jujube Orchard in Southern Xinjiang Using CARS-BPNN
CAI Hai-hui1, ZHOU Ling2, SHI Zhou3, JI Wen-jun4, LUO De-fang1, PENG Jie1, FENG Chun-hui5,*
1. College of Agriculture, Tarim University, Alar 843300, China
2. College of Mechanical and Electronic Engineering, Tarim University, Alar 843300, China
3. Institute of Agricultural Remote Sensing and Information Technology Application, Zhejiang University, Hangzhou 310058, China
4. College of Land Science and Technology, China Agricultural University, Beijing 100083, China
5. College of Horticulture and Forestry, Tarim University, Alar 843300, China
*Corresponding author
Abstract

The soil organic content is the main basis for developing soil fertilization programs in jujube orchards. A reasonable fertilization program is of great significance for improving the quality of jujube, reducing farmers' investment and increasing the output of jujube orchards . However, it is time-consuming and resource-intensive to obtain SOM content of jujube orchards using the traditional method, which does not meet the needs of precise fertilization management in jujube orchards. At the same time, the hyperspectral detection of soil organic matter is an effective alternative method. 158 soil samples are collected by grid distribution method, and the indoor hyperspectral data and SOM content of air-dried soil samples are determined. The 400~2 400 nm full waveband (R) and the datasets selected by three data reduction algorithms of competitive adaptive weighting algorithm (CARS), successive projection algorithm (SPA) and particle swarm optimization algorithm (PSO) are combined with three modeling methods, which are partial least squares regression (PLSR), back propagation neural network (BPNN) and convolutional neural network (CNN) to construct 12 combined inversion models of SOM content of jujube orchards. Moreover, the optimal spectral inversion model of SOM content of jujube orchards was selected by comparing the accuracy evaluation index and training time of the models. The results show that (1) CARS, SPA and PSO can all compress the spectral data to less than 10% of the original data, and the number of screened wavelengths is reduced from the original 2001 variables to 98, 156 and 102, respectively. The validation set RPD of the dimensionality reduction combined model are all greater than 1.50, and all of them can achieve the inversion of the SOM content of jujube orchards. Compared with the R combined model, the dimensionality reduction combined model can save at least 30% of time cost, especially the combined model constructed with BPNN and CNN can save 90% of the training time, and the model has stronger stability and better model effect. (2)The validation set of the CARS dataset to construct the combined model has R2 greater than 0.85 and RPD greater than 2.50, which is the best among the three-dimensionality reduction algorithms; the validation effect of the combined model of the PSO dataset is slightly lower than that of the CARS dataset, but better than that of the R dataset, with R2 greater than 0.80 and RPD greater than 2.00; the validation effect of the SPA dataset to construct the combined model is lower than that of the R dataset The validation effect of the SPA dataset is lower than that of the R dataset, and the effect is the worst among the three-dimensionality reduction algorithms. (3) Both BPNN and CNN methods outperformed the PLSR model in terms of inversion model validation, while the BPNN model out performed the CNN model in terms of model training time and model validation effect, and its validation effect combined with the CARS dataset is optimal with R2 of 0.91, PRD of 3.34, nRMSE% of 11.93, and training time of 58.00 s. The model can detect the SOM content of the jujube orchards rapidly. The CARS-BPNN model is the optimal model for the inversion of SOM in jujube orchards in South Xinjiang, and the results of the study can provide a reference for the rapid detection of soil nutrients and formulation of fertilization plan in jujube orchards in South Xinjiang.

Keyword: Soil organic matter in Jujube orchard; CARS algorithm; CNN model; BPNN model; Detection model
引言

南疆独特的气候条件, 使得红枣成为当地的支柱产业之一; 但生产中枣农盲目追求产量, 过量施肥现象普遍, 容易导致土壤结构破坏、 生态环境恶化等一系列问题, 阻碍了红枣产业的健康、 持续发展。 土壤肥力是制定枣园施肥方案的根本依据, 而SOM含量是衡量土壤肥力的核心指标, 掌握枣园SOM含量既能为制定枣园施肥方案提供依据, 用于提升红枣品质、 降低枣园施肥成本, 同时也能为实现枣园的精细化管理提供相应技术支持。 相较于传统SOM含量的室内化学分析测定方法, 使用高光谱检测SOM含量更节省时间和测试成本, 已逐渐被广泛应用, 成为一种新兴的SOM测试方法[1, 2]。

机器稳定性和环境因素均会对光谱数据的采集产生一定的影响; 同时高光谱各个波段间的数据冗余问题也会影响全波段光谱建模效果。 如何剔除干扰信息, 降低数据维度, 节省训练时间, 提升模型精度是目前研究的重点问题[3, 4]。 牛芳鹏等[5]使用连续投影算法(SPA)筛选了14个土壤有机碳的特征波长, 与支持向量机结合进行土壤有机碳含量的预测, 得到验证集R2为0.81、 RPD为2.53, 模型精度较好, 有效地估算湖滨绿洲土壤有机碳含量; Huan等[6]使用CARS、 变量组合总体分析(VCPA)、 蒙特卡罗变量组合总体分析(MCVCPA)、 自动加权变量组合总体分析(AWVCPA)等4种降维算法提取小麦蛋白质含量的光谱特征波长, 并结合PLSR构建小麦蛋白质的定量检测模型, 其中AWVCPA-PLSR效果最优, 模型R2为0.97、 RPD为10.15。 传统建模方法预测土壤属性(如PLSR、 多元线性回归、 主成分回归等), 预测模型的精度可能并不理想, 而一些机器学习或深度学习算法在光谱数据与土壤属性建模精度表现的效果更令人满意, 如Padarian[7]等基于LUCAS土壤光谱数据库构建土壤有机碳的二维CNN模型, 比PLSR模型减少了87%的误差。 因此本工作尝试构建不同降维算法和建模方法的组合模型, 并结合训练时间与模型评价指标, 筛选一种枣园SOM含量快速检测方法, 为制定相应的施肥方案提供依据。 以期减轻枣园SOM含量的差异性分布对枣园产量和管理的影响, 为南疆枣园土壤养分快速检测与制定施肥方案提供参考。

1 实验部分
1.1 研究区概况

研究区位于新疆阿拉尔垦区十三团, 年均降水量约为50 mm, 年均蒸发量约为2 000 mm, 年均气温为10.8 ℃, 年均日照时长约为2 700 h, 土壤质地为壤土和砂壤土, 昼夜温差大, 年积温高, 十分有利于当地红枣产业的发展, 是我国重要的红枣生产基地之一。 选取3块能代表当地生产管理水平的4~8年生灰枣园、 骏枣园(面积约为44 ha)采集土壤样品。 枣园在果实收获后, 11月底左右施入基肥, 在施肥前完成土壤样本采集工作。

1.2 样品采集

土壤样品采集于2020年11月, 采用网格布点法均匀采集0~60 cm混合土壤样品, 采样点间隔约为80 m, 每个样点需在枣树树冠投影边缘向内30 cm范围内, 采用口径7 cm、 钻头长度为20 cm的土钻采集0~60 cm深度土样; 不同土层混合后用四分法去除多余土壤, 保留0.5 kg左右土壤用于室内光谱和样品属性测定, 同时记录采样点经纬度信息。 将采集的158份土壤样品去除杂物后室内风干, 过2 mm筛后分为两份, 一份用于室内光谱测定, 另一份用外加热重铬酸钾容量法测定SOM含量。

于2021年3月使用ASD 公司的FieldSpec 4型光谱仪测定室内土壤光谱数据, 测定方法及仪器的参数详见文献[8]。 为保证模型建立效果, 将光谱数据进行Savitzky-Golay平滑滤波后去除噪声较大的首尾波段, 仅保留400~2 400 nm波段作为原始光谱数据。

将SOM含量进行升序排列, 按照含量梯度法(Rank)划分建模集和验证集。 枣园SOM含量统计特征见表1, 由于选取地块涉及多个农户, 不同农户对枣园的管理方式不一, 导致SOM总体含量偏低且具有较大的差异性, 其变异系数为41.68%, 均值为11.81 g· kg-1, 因此需要向枣园补充有机肥以保证土壤肥力及红枣品质。

表1 土壤有机质含量的描述性统计 Table 1 Descriptive statistics of SOM content
1.3 SOM特征波长筛选

竞争自适应加权算法(competitive adapative reweighted sampling, CARS)是采用自适应加权采样选择PLS模型中回归系数绝对值大的波长, 并经交叉验证选择均方根误差最小的子集, 从而保留与SOM相关的最优变量[9]。 连续投影算法(successive projections algorithm, SPA)是利用波长向量的投影分析并结合矫正模型选取特征波长, 能得到含有最少冗余信息和共线性的波长组合。 粒子群优化算法(particle swarm optimization, PSO)是一种多个粒子相互协作, 在高维度空间寻求最优解的智能算法。 三种降维算法均基于Matlab 2020a软件实现。

1.4 模型建立及评价

三种变量筛选方法能极大的减轻模型训练的压力, 为比较这三种方法的降维效果, 同时筛选出最优模型反演枣园SOM含量, 选择偏最小二乘(PLSR)、 反向传播神经网络(BPNN)和卷积神经网络(CNN)三种建模方法建立反演模型。

根据交叉验证均方根最小原则确定PLSR的因子数。 CNN模型采用一维卷积核, 卷积层和池化层的参数参考文献[10]设置, 采用ReLU作为其激活函数, 编译器采用adam, 迭代次数和全连接层神经元个数由多次交叉验证确定。 PLSR和CNN基于Python实现, BPNN基于Matlab实现。

以决定系数(R2)、 均方根误差(RMSE)、 相对分析误差(RPD)、 和归一化均方根误差(nRMSE%)及性能与四分间距之比(RPIQ)评价模型精度。 根据R2、 RPD、 RPIQ越大, nRMSE%、 RMSE越小原则评价建模效果[11]。 其中nRMSE%的计算公式如式(1)

nRMSE%=RMSEy-×100%(1)

其中: RMSE为模型的均方根误差; y-为模型验证值的平均值。

2 结果与讨论
2.1 基于不同降维算法的枣园SOM特征波段筛选

2.1.1 基于CARS算法筛选枣园SOM特征

将原始光谱数据和SOM输入CARS算法, 在迭代次数为88时RMSECV最小为1.72, 将其筛选出的98个波长作为后续模型输入变量。 图1(a)为CARS筛选波长的分布状况, 筛选的波长大部分位于曲线拐点周围, 能基本反映曲线特征, 且能极大压缩数据量, 所选变量数仅为原始波段数的4.90%。

图1 不同降维算法筛选波长分布Fig.1 Selected wavelengths distributions of different dimensionality reduction algorithms

2.1.2 基于SPA算法筛选枣园SOM特征波长

同样输入原始光谱数据和SOM含量到SPA算法, 由RMSE最小原则确定最优波长数目, 最终筛选出156个变量用于后续模型建立。 SPA算法筛选结果如图1(b)所示, 筛选波长在整个光谱曲线中均有分布, 但主要集中在1 200 nm之后, 特别是在2 200~2 400 nm波段间筛选波长数量占筛选总数量的41%。 SPA算法筛选特征波长占原始波段数的7.80%, 能达到较好的降维效果。

2.1.3 基于PSO算法筛选枣园SOM特征波长

PSO算法参数参考文献[12]设置, 筛选结果见图1(c), 与前两种降维方法相比, PSO算法筛选波长在整条曲线中分布较为均匀, 基本能囊括土壤有机质的光谱信息, 但也有可能筛选出SOM无关的光谱信息, 该算法共筛选102个波长, 占原始波段数的5.10%。

2.2 枣园SOM组合模型反演效果对比

为比较三种降维方法和原始波长的建模效果, 以便筛选出最优模型反演枣园SOM含量, 分别以全波段R、 CARS筛选的98个波长、 SPA筛选的156个波长和PSO筛选的102个波长等4种数据集作为模型的输入, 分别使用PLSR、 BPNN、 CNN三种建模方法建立反演模型, 利用模型评价指标筛选最优模型。

2.2.1 基于PLSR的枣园SOM反演模型

分别以4种数据集为PLSR模型的自变量, 以SOM为因变量建立反演模型, 模型建立效果如表2所示, 各个模型的最佳因子数分别为9、 6、 9、 5。 4种模型的建模效果均较好, R2均在0.70以上, 其中CARS、 PSO和R的建模集的RPD均大于2.00, 模型效果较为稳定, 验证集与建模集的R2相近, 其中CARS-PLSR组合模型验证集的RPD达到了2.71, RPIQ达到了1.62, 为PLSR模型中反演效果最优的组合模型。

表2 不同组合模型SOM含量反演效果对比 Table 2 Comparison of inversion effects of different combinations of models for SOM content

与R数据集建模效果相比, 使用SPA数据集模型反演效果与原始波段数据集相近, 而使用CARS、 PSO两种数据集的建模效果要优于R, 是较优的降维方法。

2.2.2 基于BPNN的枣园SOM反演模型

BPNN模型的自变量和因变量同PLSR模型, 4种数据集的模型建立效果如表2所示。 根据多次交叉验证, 确定4个数据集的隐藏神经元个数分别为24、 26、 18、 5个。 4种模型的RPD均大于2.00, 取得了较好的建模效果, 其中以CARS数据集的建模效果最好。 SPA数据集的验证效果差于R数据集, CARS、 PSO两种数据集的验证效果优于R数据集, 其中CARS-BPNN组合模型的验证效果最佳, R2为0.91、 RMSE为1.42 g· kg-1、 RPD为3.34、 RPIQ为3.17, nRMSE%为11.93, 能极好的反演枣园SOM含量。

2.2.3 基于CNN的枣园SOM反演模型

CNN模型的自变量和因变量同PLSR模型, 模型的学习率、 激活函数和优化算法统一设置为0.000 1、 ReLU、 adam, 模型的池化、 卷积和全连接层神经元等都由多次交叉验证确定; 为防止模型过拟合, 在输出层前加入Dropout层, 参数设置在0.30~0.60之间。 4种组合模型的反演效果如表2所示, 4种组合模型最终迭代次数分别为950、 760、 982、 200次。 CNN组合模型的建模效果和验证效果较为稳定, 其中以CARS-CNN组合模型的验证效果最好, 模型验证集R2为0.90、 RMSE为1.56 g· kg-1、 RPD为3.03、 RPIQ为2.88、 nRMSE%为13.51, 能很好的反演枣园SOM含量。

2.2.4 不同组合模型的训练时长比较

为筛选枣园SOM的快速反演模型, 统计了各个组合模型的训练时间(见表2)。 可知3种降维方法能节省90%以上的模型训练时间, 符合快速检测枣园SOM含量的要求。 3种建模方法中虽然PLSR组合模型的训练时间最短, 但该组合模型的验证效果差于CNN和BPNN组合模型, CNN组合模型的验证效果较优, 但模型训练时间较长, 不符合筛选较高精度的快速检测模型的要求。 BPNN组合模型的验证效果比CNN组合模型效果略优, 同时模型训练时间较短, 其与CARS数据集的组合模型在12种组合模型中验证效果最优, CARS-BPNN方法更适用于构建枣园SOM高光谱快速反演模型。

2.3 枣园SOM最优反演模型

基于CARS算法筛选的数据集3种建模方法建立的反演模型都表现出了很好的验证效果(RPD均大于2.50), 说明CARS算法既能提取原始光谱数据中的有用信息, 又能过滤对建模效果产生较大影响的噪声从而提高建模精度, 且与其他降维算法筛选数据集的建模效果相比, CARS数据集建立模型稳定性更高, 验证效果更好, 因此确定CARS算法为筛选枣园SOM特征波长的最优降维算法。

三种建模方法的建模效果相互对比, 以模型评价指标筛选每种建模方法的最优模型, 验证效果见图2。 三种模型中都以CARS数据集建立的模型验证效果最好, 三种CARS模型中BPNN模型和CNN模型的验证效果相近, BPNN模型略优于CNN模型。 从模型训练时间和验证效果两方面对比, 确认CARS-BPNN方法为室内光谱的枣园SOM含量的最优反演模型。

图2 不同建模方法的最优组合模型验证效果对比
(a): CARS-PLSR; (b): CARS-BPNN; (c): CARS-CNNFig.2 Comparison of optimal combination model validation effects of different modeling methods
(a): CARS-PLSR; (b): CARS-BPNN; (c): CARS-CNN

根据图1(a)可知, CARS算法筛选波长大都集中在820、 1 400和2 200 nm等与SOM吸收相关波段附近, 在光谱曲线的波峰和波谷等特征位置都有分布, 筛选波长与唐海涛等[13] 、 史舟等[14]研究SOM光谱特征波长相同。 图1(b)显示SPA算法也能很好实现对光谱数据的压缩, 但提取波段主要集中在1 800和2 200~2 400 nm波段附近, 而史舟等[14]认为这些波段的反射率受土壤水分、 SOM吸湿等影响, 过多提取这些波段对模型效果也有一定的影响。 图1(c)显示PSO算法筛选波段更像是均匀筛选, 但提取的信息除包含有SOM信息外, 也可能受土壤水分和一些无关变量影响而导致模型建立效果不够理想。 也有一些与SOM相关的其他物质的特征波段也被三种降维算法筛选出(例如与SOM吸附相关的氧化铁的特征波段(400~460 nm)), 但其可能会对SOM的预测产生不利影响, CARS算法所筛选的特征波长中这部分波长选择较少, 因而在SOM预测上表现良好, 但其在其他土壤属性的特征波长筛选方面是否具有泛化性还有待研究。

在建模方法方面, BPNN模型和CNN模型的反演效果明显优于PLSR模型, 但CNN模型效果要略差于BPNN, 可能原因是输入的样本数量太少, 数据集大小对CNN模型影响较大, 其在大数据集上表现更好[7]。 且CNN模型参数调整过程较为复杂, 同时考虑时间成本和模型效果, 确认以CARS-BPNN方法建立枣园SOM快速检测模型。 本研究目的为筛选枣园SOM的快速检测模型, 因此没有对光谱数据进行一些复杂的数学变换, 用于提升模型效果, 今后研究尝试将数学变换和数据降维方法结合一些深度学习、 机器学习等方法构建更高精度的土壤属性高光谱检测模型。

3 结论

采用网格布点法均匀采集158份枣园土壤样品, 使用CARS、 SPA、 PSO三种降维算法结合PLSR、 BPNN、 CNN三种建模方法构建南疆枣园SOM高光谱的组合反演模型, 并与全波段的模型效果进行对比, 结果表明: 三种降维算法都能精准提取对反演SOM含量起关键作用的特征波长, 筛选数据集使用BPNN、 CNN模型训练比原始数据集节省90%的时间成本, 且筛选变量的建模和验证效果较好, RPD均大于1.50, 均能用于反演枣园SOM含量; 但三种降维算法的模型效果差异较大, 其中CARS数据集模型验证效果最佳, 其组合模型验证集的R2> 0.85、 RPD> 2.50、 RPIQ> 1.60、 nRMSE%< 15.00, 能极好的反演枣园SOM含量, PSO数据集的模型验证效果次之, 其组合模型验证集的R2> 0.80、 RPD> 2.00、 RPIQ> 1.30、 nRMSE%< 20.00, 能较好反演枣园SOM含量, SPA数据集模型验证效果最差, 其组合模型验证集的R2> 0.65、 RPD> 1.50、 RPIQ> 1.30、 nRMSE%< 25.00, 能粗略反演枣园SOM含量; 相较于PLSR模型, 使用BPNN和CNN模型反演枣园土壤SOM含量更为可靠, 在模型训练时间和精度验证效果等方面, BPNN模型优于CNN模型, 其与CARS数据集的组合模型验证效果最优, R2为0.91、 PRD为3.34、 RPIQ为3.17、 nRMSE%为11.93, 模型训练时间为50.00 s, 符合快速检测枣园SOM含量的要求。 因此确认CARS-BPNN模型为反演南疆枣园SOM的最优组合模型。

参考文献
[1] YU Lei, HONG Yong-sheng, ZHOU Yong, et al(于雷, 洪永胜, 周勇, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2016, 32(13): 95. [本文引用:1]
[2] Reda R, Saffaj T, Ilham B, et al. Chemometrics and Intelligent Laboratory Systems, 2019, 195: 103873. [本文引用:1]
[3] Nadler B, Coifman R R. Journal of Chemometrics, 2005, 19(2): 107. [本文引用:1]
[4] Yun Y H, Li H D, Deng B C, et al. TrAC Trends in Analytical Chemistry, 2019, 113: 102. [本文引用:1]
[5] NIU Fang-peng, LI Xin-guo, MAMATTURSUN Eziz, et al(牛芳鹏, 李新国, 麦麦提吐尔逊·艾则孜, 等). Journal of Zhejiang University(Agriculture and Life Sciences)[浙江大学学报(农业与生命科学版)], 2021, 47(5): 673. [本文引用:1]
[6] Huan K, Chen X, Song X, et al. Infrared Physics & Technology, 2021, 119: 103937. [本文引用:1]
[7] Padarian J, Minasny B, McBratney A B. Geoderma Regional, 2019, 16: e00198. [本文引用:2]
[8] YU Wu, JIA Xiao-lin, CHEN Song-chao, et al(喻武, 贾晓琳, 陈颂超, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2018, 38(4): 1076. [本文引用:1]
[9] Liu J, Dong Z, Xia J, et al. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2021, 258: 119823. [本文引用:1]
[10] Chen Y, Li L, Whiting M, et al. International Journal of Applied Earth Observation and Geoinformation, 2021, 104: 102550. [本文引用:1]
[11] Pullanagari R R, Dehghan-Shoar M, Yule I J, et al. Remote Sensing of Environment, 2021, 257: 112353. [本文引用:1]
[12] NIU Hai-qing, ZHENG Wen-jian, LEI Chao-ping, et al(牛海清, 郑文坚, 雷超平, 等). High Voltage Engineering(高电压技术). 2018, 44(5): 1557. [本文引用:1]
[13] TANG Hai-tao, MENG Xiang-tian, SU Xun-xin, et al(唐海涛, 孟祥添, 苏循新, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2021, 37(2): 105. [本文引用:1]
[14] SHI Zhou, WANG Qian-long, PENG Jie, et al(史舟, 王乾龙, 彭杰, 等). Scientia Sinica(Terrae)(中国科学: 地球科学), 2014, 44(5): 978. [本文引用:2]