连续小波变换定量反演土壤有机质含量

引用本文

王延仓, 张兰, 王欢, 顾晓鹤, 庄连英, 段龙方, 李佳俊, 林靖. 连续小波变换定量反演土壤有机质含量[J]. 光谱学与光谱分析, 2018,38(11): 3521-3527.
WANG Yan-cang, ZHANG Lan, WANG Huan, GU Xiao-he, ZHUANG Lian-ying, DUAN Long-fang, LI Jia-jun, LIN Jing. Quantitative Inversion of Soil Organic Matter Content Based on Continuous Wavelet Transform[J]. Spectroscopy and Spectral Analysis, 2018,38(11): 3521-3527.
Doi:10.3964/j.issn.1000-0593(2018)11-3521-07 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

连续小波变换定量反演土壤有机质含量

王延仓^1,³, 张兰^1,³, 王欢^1,³, 顾晓鹤^2,^4,^*, 庄连英^1,³, 段龙方^1,³, 李佳俊^1,³, 林靖^1,³

1. 北华航天工业学院, 河北廊坊 065000

2. 北京农业信息技术研究中心, 北京 100097

3. 河北省航天遥感信息处理与应用协同创新中心, 河北廊坊 065000

4. 农业部农业信息技术重点实验室, 北京 100097

*通讯联系人 e-mail: guxh@nercita.org.cn

作者简介: 王延仓, 1986年生, 北华航天工业学院讲师 e-mail: yancangwang@163.com

收稿日期: 2017-06-14

基金: 国家自然科学基金项目(41571323), 北京市自然科学基金项目(6172011),北京市农林科学院科技创新能力建设专项(KJCX20170705), 河北省青年基金项目(D2017409021), 河北省科技厅自筹经费项目(16210350)资助

摘要

以北京市东部地区96个潮土土样的土壤参数及对应光谱数据为数据源, 采用连续小波多尺度分析处理与分析。首先将土壤光谱进行初步处理, 生成小波系数, 其次将土样的有机质含量与小波分解系数开展相关性分析, 提取特征波段, 最后采用特征波段建立预测耕层有机质含量的模型。结果表明: 经连续小波处理后, 光谱对耕层有机质含量的预测能力明显优于传统光谱变换技术; 经连续小波分解后, 对土壤有机质含量的预测能力随光谱分辨率降低呈先降后升再降的趋势; 连续小波分析算法可提升土壤光谱对有机质含量的估测能力, 与土壤高光谱反射率相比, 基于连续小波变换的土壤有机含量最佳的精度提高19%; 由于光谱分辨率为80 nm建立的模型精度较高, 其 R²达到0.632, 这表明在连续小波算法下, 光谱分辨率较低的宽波段数据可用于土壤有机质含量的监测。

关键词: 土壤有机质; 连续小波变换; 高光谱

中图分类号:S153 文献标志码:A

Quantitative Inversion of Soil Organic Matter Content Based on Continuous Wavelet Transform

WANG Yan-cang^1,³, ZHANG Lan^1,³, WANG Huan^1,³, GU Xiao-he^2,^4,^*, ZHUANG Lian-ying^1,³, DUAN Long-fang^1,³, LI Jia-jun^1,³, LIN Jing^1,³

1. Institute of Computer and Remote Sensing Information Technology, North China Institute of Aerospace Engineering, Langfang 065000, China

2. National Engineering Research Center for Information Technology in Agriculture, Beijing 100097, China

3. Aerospace Remote Sensing Information Processing and Application Collaborative Innovation Center of Hebei Province, Langfang 065000, China

4. Key Laboratory of Information Technology in Agriculture, Ministry of Agriculture, Beijing 100097, China

Abstract

In this study, the data sourced from hyperspectral data of 96 tidal soil samples in Miyun, Tongzhou and Shunyi Districts of Beijing are processed and analyzed by means of continuous wavelet multiscale analysis technique. Firstly, the hyperspectral data are decomposed to generate wavelet coefficients and the correlation between the coefficients and soil organic matter content is analyzed, and the characteristic band is selected. Finally, the model to estimate soil organic matter content is constructed by using the characteristic band. The research results show that the estimation of soil organic matter by the reflectivity of soil spectrum is better than that of the traditional spectral transformation technology after continuous wavelet transformation. The ability of estimating soil organic matter by continuous wavelet decomposition decreases first and then increases with the reduction of spectral resolution. The results of continuous wavelet analysis can improve the ability to estimate the content of organic matter by the soil spectrum. Compared with the high spectral reflectivity of soil, the accuracy of soil organic content based on continuous wavelet is improved by 19%. Since the model accuracy is higher when built with the spectral resolution of 80 nm, its R² reaches 0.632, which indicates that the wide band data can be used for the monitoring of soil organic matter content by using the continuous wavelet technique.

Keyword: Soil organic matter; Continuous wavelet transformation; Hyperspectral

文章图片

引言

精准农业即精准农作, 其将信息与知识相结合实现农作的知识化与信息化的现代农耕系统。而精准施肥是精准农业的重要构成部分。精准施肥, 即以作物产量为目标, 将作物生长规律与耕层土壤养分空间变异状况相结合, 定时、定量的施肥技术^[1]。故, 实现快速、准确、无损地对大尺度耕层土壤实施监测, 具有迫切而重要的现实意义。遥感技术凭其大尺度、快速、精准、无损的优势, 为实现耕层土壤养分的监测, 提供了新的思路。目前, 将遥感技术应用于耕层土壤养分监测的研究已成为热点^{[2, 3, 4, 5, 6, 7]}。

有机质是耕层土壤重要构成成分, 为农作物提供必需的营养成分, 具有涵养水源, 改良土壤等作用。因此, 开展耕层土壤有机质含量的监测的研究具有重要意义^[8]。借助光谱技术监测耕层有机质含量已有大量工作, 且已取得一定的研究成果: 位于VIS— NIR区域内的光谱基本涵盖估测有机质含量的有益信息^{[9, 10, 11, 12, 13, 14]}; 耕层有机质含量的监测精度一定程度上受其含量高低的影响, 但2%并非耕层土壤有机质含量监测的临界点; 此外, 还利用航空影像开展针对耕层土壤有机质含量监测的研究, 并取得一定研究结果^{[15, 16]}。但针对基于宽波段数据开展土壤有机质含量监测的研究相对较少, 且对最适宜光谱分辨率仍存在异议。

受时空变异与气候影响, 土壤类型多且构成成分复杂。利用光谱对耕层土壤养分的监测, 须依据土壤类型构建相应监测模型。但目前研究多偏于单一土壤类型(如东北黑土), 而对华北地区潮土的研究偏少, 且未取得较满意的研究成果。近年来, 小波分析算法得到了长足发展, 且在信号分析领域得到了广泛应用, 如何将小波分析算法用于土壤养分监测的研究, 已成为当前研究的热点^{[17, 18, 19, 20]}。本研究采用连续小波算法对光谱开展分析, 提取有益信息, 建立土壤有机质含量的预测模型, 并探讨在连续小波算法下, 不同光谱分辨率的对土壤有机质含量预测精度的影响。

1 实验部分

1.1 土样采集

实验区位于北京市的密云区、通州区及顺义区, 土壤类型为潮土, 土样采集均在2011年与2012年10月份开展, 共采集96份土样; 土样点均匀分布于实验区内(图1)。土壤有机质含量测定方法与土样处理流程、方法参照本刊34卷第7期1922页。

	Figure Option View Download New Window
	图1 研究区域与样点空间分布Fig.1 Thespatial distribution of regional and sample points

表1 土壤有机质含量的统计性描述 Table 1 The statistical description of soil organic matter content

1.2 光谱测量

土壤高光谱数据采用ASD(analytical spectral devices)生产的地物光谱仪采集, 光谱覆盖范围为350~2 500 nm, 分辨率为1 nm。土壤光谱测量在暗室内开展, 其测量方式如图2所示, 将土壤置于黑色容器内, 并用直尺刮平土壤表面, 土样厚度为2 cm以上; 光源采用可提供平行光束的1 000 W的卤光灯, 其光线与垂线夹角为15° ; 采用5° 视场角的光纤探头进行收集, 并将探头置于土壤上垂直距离为30 cm处。测量前用白板定标。每个土样均获取10条光谱, 并将其均值作为该土样的光谱。

	Figure Option View Download New Window
	图2 实验室内土壤光谱测量示意图Fig.2 The sketch map of soil spectrum in laboratory

1.3 光谱处理

由于环境不可控因素、仪器暗电流及不同传感器响应精度存在差异, 致使测量的高光谱数据混入噪声信息; 噪声信息的加入导致光谱边缘有效信息受损, 因此删除350399和2 4512 500 nm波段。为削弱噪声引起的负面影响, 提升光谱数据的信噪比, 采用海明窗低通滤波器去噪处理^[21], 并将光谱数据重采样至5 nm。

1.4 连续小波分析

小波分析是源于傅里叶算法的信号处理技术, 可在频率和时间同时开展分析, 能从信号中有效提取可用信息, 而非成像高光谱数据分析与电子信号分析具有较高类似性, 因此, 小波分析技术为光谱数据的处理与分析创建了新的思路。小波分析分为连续小波和离散小波, 由于随离散小波分解尺度的增加, 土壤光谱维数减半, 未能对固定土壤光谱数据开展较好的分析, 故本研究采用连续小波分析(continuous wavelet transformation, CWT)将土壤高光谱数据进行不同尺度分解, 生成一系列小波系数。

$Ψ_{a, b} = \frac{1}{\sqrt[]{a}} Ψ (\frac{λ - b}{a}) (1)$

式(1)中, a为伸缩因子, b为平移因子, λ 为土壤高光谱数据的波段数。利用连续小波变换将土壤高光谱数据分解后, 可生成在不同分解尺度与不同波长上的小波系数。

$W_{f} (a, b) = (f, Ψ_{a, b}) = \int_{-}^{\infty} f (λ) Ψ_{a, b} (λ) d λ (2)$

式(2)中, f(λ )为土壤光谱反射率, 小波系数W_f(a, b)包含二维, 分别为波长(3502 500)与分解尺度(1, 2, …, 10), 故小波系数行为尺度数, 列为波长数的矩阵。

1.5 模型精度验证

光谱经连续小波变换处理后, 利用偏最小二乘法(partial least squares regression, PLS)构建有机质含量的估测模型。采用随机抽样法对土样分为建模组、验证组, 其中建模组用于构建估测模型共64个土样, 验证组用于检验预测模型的精度与稳定性共32个土样; 模型精度采用决定系数(R²)与均方根误差(RMSE)共同评价。

2 结果与讨论

2.1 光谱分析

图3为土壤光谱经连续小波处理后的结果, 其中图3(a) 为5 nm, 图3(b)为160 nm。由图3(a)可知, 1~6尺度的土壤光谱起伏变化较大且无明显规律, 它们均在原始土壤光谱吸收处有明显下凹现象; 7~8尺度土壤光谱呈上凸的光滑曲线, 9~10尺度的光谱呈锯齿状。由图3(b)知, 在2~3尺度的土壤光谱为光滑的上凸曲线; 3~4尺度呈分别呈曲线与直线状态, 6尺度呈现直线, 究其原因为光谱分辨率降低所致。图3(a)与(b)对比分析可知, 随着光谱分辨率的降低, 经连续小波分解后的光谱曲线形状逐步呈反转状态。

	Figure Option View Download New Window
	图3 土壤光谱特性Fig.3 The soil spectral characteristics

2.2 相关性分析

图4为不同光谱分辨率的光谱经连续小波分解后, 其与有机质含量的相关系数矩阵。在相关系数矩阵内总存在相关系数变化不大的区域, 该区域简称“ 信息平原” 。由图知, 有效光谱信息主要集中于低尺度分解, 而在高尺度分解较少; 在光谱分辨率方面, 随光谱分辨率的降低, 光谱对土壤有机质的敏感性也逐渐降低的趋势; 在分解尺度上, 随着光谱分辨率的降低, 信息平原呈向低尺度移动的现象。表明连续小波算法可深度挖掘宽波段内的有效信息。光谱分辨率为5~20 nm时, 有效信息主要集结于1~5分解尺度, 而6~10分解尺度内的信息相对均一; 光谱分辨率为40~160 nm时, “ 信息平原” 逐步下移, 有效信息在高尺度逐步凸显。究其原因是由宽波段内的有效光谱信息被隐藏, 故针对宽波段数据适度增大解尺度可有效发现其内的隐含信息。由5, 10和20 nm相关性矩阵可知, 部分1和2级相关性较低的区域在3, 4和6级的相关性得到了较大提升, 这表明连续小波变换可深度挖掘有效信息。

	Figure Option View Download New Window
	图4 土壤有机质含量与小波系数的相关性Fig.4 The correlation between soil organic matter content and wavelet coefficients

表2 光谱反射率与土壤有机质含量的偏最小二乘回归模型列表 Table 2 The list of partial least squares regression models of spectral reflectance and soil organic matter content

2.2 反射率建模

采用11类传统光谱处理技术分析土壤光谱特性, 采用偏最小二乘算法建立土壤有机质含量预测模型, 并筛选6个较优模型作为参考。

2.3 连续小波变换建模

光谱信息经连续小波变换处理后, 采用偏最小二乘算法建立有机质含量预测模型结果如表3所示。从表可知, 经连续小波处理的光谱构建的模型, 预测精度均较高, 且预测精度随光谱分辨率的降低而呈现先降后升的规律, 5 nm分辨率的预测精度最高, 分辨率为80 nm宽波段取得较为理想的精度; 由模型稳定性与精度综合分析, 可知基于5 nm构建的模型最优[散点图如图5(a)所示], 其次是光谱分辨率为80 nm的宽波段数据的模型[散点图如图5(b)所示], 其R²与RMSE分别为: 0.685, 0.068, 0.632, 0.058。从整体分析, 基于连续小波变换分解的光谱信息建立的模型精度与稳定性均较高, 且随光谱分辨率的降低其对应模型的稳定性逐步增加, 故宽波段数据可有效压制高频噪声的负面影响。由于80和160 nm构建的模型均取得了较高的精度, 因此, 连续小波变换可有效促进宽波段光谱数据用于监测土壤有机质含量。

表3 基于连续小波构建的土壤有机质含量估测模型列表 Table 3 The list of soil organic matter estimation models based on continuous wavelet

	Figure Option View Download New Window
	图5 真实值与估测值的散点图Fig.5 The scatter plots of real values and estimated values

2.4 连续小波变换与光谱反射率的对比分析

从表2与表3对比分析可知, 基于连续小波处理的光谱信息构建的模型的精度与稳定性明显较优, 究其源由为土壤构成成分复杂致使土壤有机质信息在土壤光谱信息中较弱; 而连续小波变换可有效的从土壤光谱信息中将有益信息分离, 从而提升可用信息的利用率。与基于高光谱数据建立的模型对比分析可知, 经连续小波分解后, 光谱分辨率为80 nm的宽波段建立的模型精度与稳定性均较好, 表明连续小波变换适宜于宽波段数据的提取有效信息, 可用于分析宽波段数据; 与基于高光谱数据构建的模型相比, 经连续小波变换分解后, 估测土壤有机含量的最佳精度可提高19%, 宽波段最佳精度提高了10%。

在前人研究基础上, 以常用11种光谱变换技术方法为参照, 开展基于连续小波算法土壤有机质含量估测的研究。研究表明: 与传统光谱变换技术相比, 该算法可较高的提升土壤光谱对土壤有机质含量的敏感性, 且模型精度与稳定性均较高。也研究了光谱分辨率的降低对土壤光谱预测能力的影响; 研究表明在连续小波算法下, 5 nm分辨率预测精度最高, 其次为80 nm的宽波段。

本研究结果与其他相关研究存在差异, 究其原因, 主要为不同研究地理环境对土壤组分与土壤光谱均有较大影响, 且不同算法对土壤光谱内有效信息的整合与处理算法不同所致。本研究结果可为利用遥感技术快速、实时、精准、大尺度监测耕层土壤有机质含量的应用提供技术支撑, 但受实验条件制约与土壤有机质本身复杂性, 需在以下几方面作改进:

(1)土壤光谱决定于土壤各构成成分的共同作用, 故耕层土壤内其他成分必然对土壤有机质含量的光谱存在一定影响或干扰, 该干扰的影响需进一步的深入研究。

(2)土壤光谱是在相对可控的环境条件下获取的, 但自然界不可控因素较多, 复杂多变, 如何将实验室研究成果转为现实可用技术, 仍需开展深入研究。

3 结论

采用传统光谱变换技术和连续小波技术对光谱分别开展处理和分析, 并建立预测有机质含量的模型, 旨在研究基于连续小波技术预测土壤有机质含量的最优宽波段, 结论如下:

(1)利用连续小波分析技术估测土壤有机质含量, 其最佳估测模型对应的分辨率是5 nm, 其R²=0.685, RMSE=0.300; 其宽波段的最佳模型对应的分辨率为80 nm, R²=0.632, RMSE=0.320。

(2)光谱经连续小波变换后, 其光谱信息对土壤有机质的估测能力随光谱分辨率的降低呈先降后增再降的趋势。

(3)连续小波分析算法可渗入挖掘土壤光谱内的有益信息, 提升对有机质含量的估测能力; 与土壤高光谱反射率相比, 经连续小波技术处理后, 光谱对土壤有机含量的最优估测精度提升19%, 宽波段的最优精度提升了10%。

(4)在连续小波算法下, 光谱分辨率为80 nm是预测土壤有机质含量的最优宽波段。

(5)基于光谱分辨率为80 nm建立的模型预测精度达到0.632, 这表明基于宽波段数据开展土壤有机质含量的监测是可行的。

The authors have declared that no competing interests exist.

参考文献

文献列表

[1]	CHEN Gui-fen, MA Li, CHEN Hang(陈桂芬, 马丽, 陈航). Journal of Jilin Agricultural University(吉林农业大学学报), 2013, 35(3): 253. [本文引用:1]
[2]	MENG Ji-hua, WU Bing-fang, DU Xin, et al(蒙继华, 吴炳方, 杜鑫, 等). Remote Sensing for Land & Resources(国土资源遥感), 2011, 90(3): 1. [本文引用:1]
[3]	YANG Bang-jie, PEI Zhi-yuan, ZHOU Qing-bo, et al(杨邦杰, 裴志远, 周清波, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2002, 18(3): 191. [本文引用:1]
[4]	ZHAO Ming-song, ZHANG Gan-lin, LI De-cheng, et al(赵明松, 张甘霖, 李德成, 等). Acta Ecologica Sinica(生态学报), 2013, 33(16): 5058. [本文引用:1]
[5]	CHEN Feng-rui, QIN Feng, LI Xi, et al(陈锋锐, 秦奋, 李熙, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2012, 28(20): 188. [本文引用:1]
[6]	YANG Jian-feng, MA Jun-cheng, WANG Ling-chao(杨建锋, 马军成, 王令超). Geospatial Information(地理空间信息), 2015, 13(2): 47. [本文引用:1]
[7]	BAI Ling-yu, ZENG Xi-bai, LI Lian-fang, et al(白玲玉, 曾希柏, 李连芳, 等). Agricultural Sciences in China(中国农业科学), 2010, 9(11): 1650. [本文引用:1]
[8]	Masserschmidt I, Cuelbas C J, Poppi R J, et al. Journal of Chemometrics, 1999, Chemometrics(13): 265. [本文引用:1]
[9]	Moslem Ladoni, Hosein Ali Bahrami, Sayed Kazem Alavipanah, et al. Precision Agric, 2010, 11: 82. [本文引用:1]
[10]	Krishnan P, Alexand er J D, Butler B J, et al. Soil Science Society of America Journal, 1980, 44: 1282. [本文引用:1]
[11]	Alicia Palacios-Orueta, Jorge E Pinzon, Susan L Ustin, et al. Remote Sensing of Environment, 1998, 68: 138. [本文引用:1]
[12]	Liu H J, Zhang Y Z, Zhang B, et al. Environmental Monitoring and Assessment, 2009, 154: 147. [本文引用:1]
[13]	JI Wen-jun, SHI Zhou, ZHOU Qing, et al(纪文君, 史舟, 周清, 等). Journal of Infrared and Millimeter Waves(红外与毫米波学报), 2012, 31(3): 277. [本文引用:1]
[14]	HE Ting, WANG Jing, et al(何挺, 王静, 等). Geomatics and Information Science of Wuhan University(武汉大学学报·信息科学版), 2006, 31(11): 975. [本文引用:1]
[15]	Viscarra Rossela R A, Chappella A, de Caritatb P, et al. European Journal of Soil Science, 2011, 62: 442. [本文引用:1]
[16]	Roberts D F, Adamchuk V I, Shanahan J F, et al. Precision Agricg, 2011, 12: 82. [本文引用:1]
[17]	CHEN Hong-yan, ZHAO Geng-xing, LI Xi-can, et al(陈红艳, 赵庚星, 李希灿, 等). Scientia Agricultura Sinica(中国农业科学), 2012, 45(7): 1425. [本文引用:1]
[18]	Jahn B R, Brooksby P A, Upadhyaya S K. Transactions of the American Society of Agricultural Engineers, 2005, 48(6): 2065. [本文引用:1]
[19]	LI Rui-ping, SHI Hai-bin, ZHANG Xiao-hong, et al(李瑞平, 史海滨, 张晓红, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2012, 6(3): 82. [本文引用:1]
[20]	ZHAO Ze-hai, ZU Yuan-gang, CONG Pei-tong(赵则海, 祖元刚, 丛沛桐). Acta Ecologica Sinica(生态学报), 2002, 22(10): 1660. [本文引用:1]
[21]	XU Yong-ming, LIN Qi-zhong, WANG Lu, et al(徐永明, 蔺启忠, 王璐, 等). Acta Pedologica Sinica(土壤学报), 2006, 43(5): 709. [本文引用:1]
[22]	Burrus C S, Gopinath R A, Guo H. Upper Saddle River, NJ: Prentice Hall, 1997. [本文引用:1]

2013

0.0

CHEN

Gui-fen

, MA

, CHEN

Hang

(陈桂芬, 马丽, 陈航). Journal of Jilin Agricultural University(吉林农业大学学报), 2013, 35(3): 253.

Precision fertilization is the central part of precision agric ultural technology Precision fertilization implementation can save fertilizer, balance soil nutrients, reduce environmental pollution and increase grain yield Three a spects of precision fertilizer, including soil fertility analysis, fertilization model and fertilization decision making, are reviewed in this paper Precision fertilization research experiences and shortcomings are summarized Development trend is also predicted, with the purpose of providing reference for precision f ertilization research and applications

College of Information Technology, Jilin Agricultural University, Changchun 130118, China

精准施肥是精准农业技术中的核心内容。精准施肥的实施可以节约肥料，均衡土壤养分，减少环境污染，增加粮食产量。文中从土壤肥力分析、施肥模型和施肥决策3个方面对精准施肥技术的研究现状进行了综述，总结了在精准施肥研究方面的经验与不足，指出了其未来发展趋势，为今后的精准施肥研究和应用提供参考。

... 精准施肥, 即以作物产量为目标, 将作物生长规律与耕层土壤养分空间变异状况相结合, 定时、定量的施肥技术^[1] ...

2011

0.0

... 目前, 将遥感技术应用于耕层土壤养分监测的研究已成为热点^{[2,3,4,5,6,7]} ...

2002

0.0

YANG

Bang-jie

, PEI

Zhi-yuan

, ZHOU

Qing-bo

, et al(杨邦杰, 裴志远, 周清波, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2002, 18(3): 191.

There are over 20 years' research experience for remote sensing used in crop monitoring in North America, European counties and China. A crop monitoring system using remote sensing has been developed and used by China Ministry of Agriculture. As China is a large country with complicated landscape, multi-crop systems and small family farms and the government needs operational system at a national scale, many key techniques still need researching. The main issues discussed in this paper include remote sensing data processing, crop discrimination, crop area measurement, crop condition assessment, disaster monitoring, yield estimation, and operational system development. Based on the authors' experience, the progress, problems and the main ideas for solutions of the operational system development at a national scale are discussed in this paper.

我国作物的遥感监测已有20年的研究历史。但象中国这样国土辽阔、地形多样、种植结构复杂、农户规模小的国家的国家级农情遥感监测运行系统，在关键技术方面仍然需要加强研究。这些关键技术包括：数据处理、作物识别、面积量算、长势监测、灾害评估、产量估计及运行系统集成等。该文根据作者开发农业部农情遥感监测系统的经验，分析存在的问题，提出解决问题的基本思路。

... 目前, 将遥感技术应用于耕层土壤养分监测的研究已成为热点^{[2,3,4,5,6,7]} ...

2013

0.0

ZHAO

Ming-song

, ZHANG

Gan-lin

, LI

De-cheng

, et al(赵明松, 张甘霖, 李德成, 等). Acta Ecologica Sinica(生态学报), 2013, 33(16): 5058.

In the terrestrial ecosystems, soil organic matter (SOM) plays an important role in estimating soil C sequestration potential, soil fertility and quality, etc. In this study, Jiangsu Province was chosen as an example in eastern China and a total of 1519 soil profiles were collected from the Second National Soil Survey of Jiangsu Province. And furthermore, the variability of SOM in the surface layer (0-20 cm) of Jiangsu Province was analyzed; and its main factors, too, by means of variance analysis and regression analysis. The results show that the SOM content of the region varied in the range of (16.55±8.49) g/kg, with a coefficient of variation of 51.36%, both belonging to a moderate level. SOM content of different types varies widely, with the maximum value of 31.60 g/kg in boggy soil, and with the minimum value of 8.69 g/kg in brown soil. The variation degree of SOM in natural soil was higher than that in cultivated soil. Analysis of variance suggests that mean annual temperature (MAT), mean annual precipitation (MAP), parent material, land use, soil texture and pH significantly affected the variability of SOM in Jiangsu Province. All these 6 natural factors can explain 52.6% variability of SOM. Soil texture and MAT are the main factors controlling variability of SOM. The effect of soil texture on SOM variation is stronger than that of MAT, and two factors can independently explain about 32.0% and 23.4% variability of SOM, respectively.

土壤有机质在陆地生态系统中具有重要作用,是估算土壤碳储量、评价土壤肥力和质量的重要指标。从省域尺度上分析土壤有机质的分布和变异,及其影响因素,对节能减排和土壤的可持续利用具有重要的指导意义。以江苏省第二次土壤普查的1519个土壤剖面数据为基础,分析了江苏省表层(0-20 cm)土壤有机质分布、变异及其影响因素。结果表明,全省土壤有机质平均含量为(16.55±8.49) g/kg,变异系数为51.36%,属中等变异水平。不同土壤类型有机质含量差异较大,沼泽土最高,为31.60 g/kg,棕壤最低,为8.69 g/kg;自然土壤的有机质含量变异程度大于耕作土壤。年均温、年均降雨量、成土母质、土地利用、土壤质地和土壤pH对全省土壤有机质含量变异的综合能解释能力为52.6%。土壤质地和年均温是有机质含量变异的主要影响因素,土壤质地对其变异的影响大于年均温,二者能够独立解释其变异的32.0%和23.4%。

... 目前, 将遥感技术应用于耕层土壤养分监测的研究已成为热点^{[2,3,4,5,6,7]} ...

2012

0.0

CHEN

Feng-rui

, QIN

Feng

, LI

, et al(陈锋锐, 秦奋, 李熙, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2012, 28(20): 188.

The classical statistical method is always used to construct quantitative remote sensing retrieval model. However, the method doesn't take into account the spatial relations between data, which will severely affect the retrieval accuracy. In order to improve the spatial predictive accuracy of soil organic matter, a multivariate geospatial method for making retrieval model was presented in this paper. Considering the spatial distribution characteristic of regression error, a multivariate geostatistical method called ordinary Kriging with varying local means (OKLM) was presented, which was used to construct remote sensing retrieval model. The method was illustrated using soil organic matter (SOM) content in Southwest Sichuan province, and was compared with other method, such as ordinary Kriging, ordinary remote sensing retrieval method, and remote sensing retrieval model based on regression Kriging. The results showedthe proposed method improved the predictive accuracy effectively among these methods, because the proposed method was based on relations between SOM sampling data and TM images using spatial statistics, taking fully into account the spatial relations among the data, and obtained more accurate retrieval model. Compared with regression Kriging, OKLM assumed that the means of regression errors cannot always be zero in local neighborhood, which was more in line with the actual situation. The proposed method provides a scientific basis for the farmland nutrient management and sustainable development of the regional agricultural.

为了提高土壤有机质含量的空间预测精度，该文采用了一种多元地统计方法来构建遥感定量反演模型。考虑到回归误差在空间上具有一定程度的聚类，该文提出了基于局部变化均值的普通克里金方法，然后用其构建土壤有机质含量遥感定量反演模型。对四川省西南部土壤有机质含量进行空间预测试验，并与普通克里金、普通遥感定量反演、基于回归克里金的遥感定量反演等方法相比较。结果表明：该文提出方法的空间预测结果最优，其原因为该方法通过空间统计来建立采样数据与地表反射率间的联系，充分考虑了数据间的空间相关性，因此可以更精确地获得土壤有机质含量的遥感反演模型；相比基于回归克里金的遥感定量反演方法，基于局部变化均值的普通克里金假设回归误差在局部邻域内的均值也不一定为零，更符合实际情况。该方法为农田养分管理及区域农业的可持续发展提供科学依据。

... 目前, 将遥感技术应用于耕层土壤养分监测的研究已成为热点^{[2,3,4,5,6,7]} ...

2015

0.0

... 目前, 将遥感技术应用于耕层土壤养分监测的研究已成为热点^{[2,3,4,5,6,7]} ...

2010

0.0

... 目前, 将遥感技术应用于耕层土壤养分监测的研究已成为热点^{[2,3,4,5,6,7]} ...

1999

0.0

... 因此, 开展耕层土壤有机质含量的监测的研究具有重要意义^[8] ...

2010

0.0

... NIR区域内的光谱基本涵盖估测有机质含量的有益信息^{[9,10,11,12,13,14]} ...

1980

0.0

... NIR区域内的光谱基本涵盖估测有机质含量的有益信息^{[9,10,11,12,13,14]} ...

1998

0.0

... NIR区域内的光谱基本涵盖估测有机质含量的有益信息^{[9,10,11,12,13,14]} ...

2009

0.0

... NIR区域内的光谱基本涵盖估测有机质含量的有益信息^{[9,10,11,12,13,14]} ...

2012

0.0

... NIR区域内的光谱基本涵盖估测有机质含量的有益信息^{[9,10,11,12,13,14]} ...

2006

0.0

... NIR区域内的光谱基本涵盖估测有机质含量的有益信息^{[9,10,11,12,13,14]} ...

2011

0.0

... 此外, 还利用航空影像开展针对耕层土壤有机质含量监测的研究, 并取得一定研究结果^[15,16] ...

2011

0.0

... 此外, 还利用航空影像开展针对耕层土壤有机质含量监测的研究, 并取得一定研究结果^[15,16] ...

2012

0.0

CHEN

Hong-yan

, ZHAO

Geng-xing

, LI

Xi-can

, et al(陈红艳, 赵庚星, 李希灿, 等). Scientia Agricultura Sinica(中国农业科学), 2012, 45(7): 1425.

【Objective】 This study aimed at improving the precision and practicability of the soil available potassium estimation model by removing the noise of soil hyperspectral reflectance. 【Method】 Seventy-six soil samples with similar soil organic matter, nitrogen and phosphorus element contents and different potassium element contents were selected. The first derivative spectrum of the soil sample logarithmic reflectance was decomposed to multiple levels by using four kinds of wavelet function, respectively. The low frequency wavelet coefficients were obtained, and the hyperspectral estimation models of soil available potassium content were built. 【Result】The results showed that the low frequency wavelet coefficients of 1-3 levels could represent the original spectrum. Based on the low frequency coefficients of different wavelet functions at the same level, the precise of soil available potassium estimation model showed a little difference. The model built with the low frequency coefficient of the second decomposition level using the Bior 1.3 function had comparatively high accuracy and was chosen as the best model. With the data reducing to 25% and reflecting 95.6% information of the input spectrum, the model building R2 reached 0.976 and RMSE was 10.66 mg•kg-1, which was validated to have fairly good forecast accuracy. 【Conclusion】Therefore, wavelet analysis for obtaining wavelet coefficients can not only extract the soil hyperspectral information, but also compress data, which is feasible to forecast soil potassium content in combination with partial least squares regression method.

1.山东农业大学资源与环境学院，山东泰安 271018 2.山东农业大学信息科学与工程学院，山东泰安 271018 3.山东农业大学园艺科学与工程学院，山东泰安 271018 4.山东省沾化县国土资源局，山东沾化 256800

【目的】对土壤高光谱数据去噪提纯，提高土壤速效钾含量高光谱估测模型的精度和实用性。【方法】选取土壤有机质、碱解氮、有效磷含量近似而速效钾含量差异较大的样本76个，对土壤样本反射率对数的一阶导数光谱分别基于4种函数进行多层小波离散分解；提取小波低频系数，构建土壤速效钾含量高光谱估测模型。【结果】小波分解1—3层获得的低频系数可用以代表原始光谱。基于各小波函数相同尺度的低频系数，土壤速效钾含量估测建模精度差异不大。其中基于Bior 1.3函数分解的第2层低频系数建模精度略高，作为最佳估测模型，在数据压缩到25%、反映输入光谱信息95.6%的基础上，建模R2达到0.976，RMSE为10.66 mg•kg-1，经验证模型具有较好的预测准确度。【结论】通过小波分析获得小波系数，既提取了土壤高光谱信息，又对数据进行了压缩，结合偏最小二乘回归预测土壤速效钾含量是可行的。

... 近年来, 小波分析算法得到了长足发展, 且在信号分析领域得到了广泛应用, 如何将小波分析算法用于土壤养分监测的研究, 已成为当前研究的热点^{[17,18,19,20]} ...

2005

0.0

2012

0.0

2002

0.0

ZHAO

Ze-hai

, ZU

Yuan-gang

, CONG

Pei-tong

(赵则海, 祖元刚, 丛沛桐). Acta Ecologica Sinica(生态学报), 2002, 22(10): 1660.

The method of wavelet decomposition can be used to analyse approximations and details of one dimension soil signal. It is an effective tool for soil factors analysis. The study on decomposition of Haar wavelet for three main soil factors in belt transect of Liaotunggensis forest in Dongling Mountain area, Beijing, was done by this method. The research results showed: along hillslope from under to upper, soil moisture decreased obviously step-by-step; pH of soil displayed relative stabilization and changed ...

小波分解可以区分一维信号的区域变化和局部细节 ,是进行土壤因子分析的一种有效方法。应用该方法对北京东灵山地区辽东栎林样带中的 3个主要土壤因子指标进行 Haar小波分解。结果表明 :沿山下到山顶样带梯度 ,土壤含水量呈明显的逐步下降趋势 ;土壤 p H值变化幅度在 6 .5～ 6 .6之间 ,表现比较稳定 ;土壤有机质含量在样带中存在 3个较高值区域 ,具有一定的复杂性。较大水平上 3个土壤因子在样带的下部受到的干扰较大 ,在样带的中、上部受到的干扰较小 ;在较小水平上 ,土壤含水量存在不规则的周期性干扰 ,p H值和有机质含量受干扰的情况较为复杂 ,规律性不明显。低频近似信号可以有效地揭示出土壤因子在样带中的总体变化规律 ,高频细节信号主要反映土壤因子受其它因素干扰程度 ,并可以在样带上定位出现奇异性变化的区域。

2006

0.0

... 为削弱噪声引起的负面影响, 提升光谱数据的信噪比, 采用海明窗低通滤波器去噪处理^[21], 并将光谱数据重采样至5 nm ...

1997

0.0