高光谱遥感的土壤营养元素含量估算研究进展-农业工程学报.docVIP

基于水分影响去除提高土壤有机质含量高光谱估测精度 陈红艳1赵庚星(，王瑞燕1，孙 莉3，陈敬春4 （1．土肥资源高效利用国家工程实验室山东农业大学资源与环境学院，泰安 271018山东农业大学学院，泰安 271018 3．山东农业大学信息科学与工程学院，泰安 271018山东 274900） 摘 要 土壤水分的影响是当前采用光谱分析法预测土壤养分含量的关键问题采用（ingular value decomposition，SVD）结合相关分析筛选土壤水分特征光谱，构建去除水分因素的修正系数，形成湿土光谱的校正光谱；最后基于校正前后湿土光谱，应用偏最小二乘（partial least squaresPLS）回归构建土壤含量的估测模型。结果：说明用于土壤含量高光谱估测的。关键词高光谱中图分类号：S 文献标识码：A土壤有机质含量是重要的作物产量影响指标，是指导农业科学施肥的重要依据。自20世纪80年代开始利用高光谱技术估测土壤有机质含量[1-]，至今学者们对土壤有机质光谱预测建模进行了详细的分析和细致的探索，取得了较为满意的结果 [-8]。然而，现有较好的研究结果多是建立在使用高档光谱仪在实验室分析的基础上得到的，定量分析较少，且效果不甚理想近年来，学者们已开始关注有机质的高光谱测量，多是探讨土壤水分对有机质估测精度的影响，实时原位测定美国农业部（USDA[13]和ReevesIII[14]指出土壤有机质含量土壤含水率和粒度；王淼等[]在实验室条件下分析了土壤含水量对反射光谱法预测红壤有机质的影响。将水分等土壤参数信息作为影响土壤养分光谱反演的外部因素来进行模型优化的研究开始。如Minasny B[]对澳大利亚新南威尔士州南部土壤通过研究消除一定含量的土壤水分对有机估测的影响；安晓飞等[]通过室内试验设计了水分吸收指数以去除土壤水分的影响，使用BP神经网络建立了土壤全氮的预测模型。可见，土壤水分对有机质光谱预测影响的研究基于室内土壤样品试，缺乏深入分析，消除方法的适用性受到限制。因此，开展基于光谱的土壤水分因素去除和有机质定量探测的研究是十分必要的。 1 材料与方法 ，地势北高南低，东高西低，山地、丘陵、平原各占三分之一土壤类型为。山东半岛中部的鲁中山区和鲁北平原的结合地带地势南高北低，自西南向东北缓倾。于年月日光谱仪光谱范围为3502 500 nm）测定湿土光谱。对岱岳区棕壤土样，暗室测定其湿土的高光谱，采用标准直流钨丝石英卤素灯作为光源，光源入射角度为45o，光源距离为30 cm，探头视场角为25o探头距离为15 cm选择晴朗无云的中午进行，传感器探头垂直向下，采用烘干法土样自然风干、敲碎，剔除其他侵入体，mm得到风干过筛土样，称之为干土，再采用光谱仪按照上述条件和参数测定干土室内反射光谱；最后将风干土样过筛mm，并混合均匀，用四分法取样00 g，用-硫酸溶液氧化法测定土壤含量将样，.4.1 光谱9点加权移动平均法低频噪声对目标光谱的影响变换采用的计算公式ingular value decomposition，SVD）的土壤水分因素去除 奇异值分解是线性代数中一种重要的矩阵分解是谱分析理论在任意矩阵上的推广。×m）存在奇异值分解： An×m＝Un×n·Σn×m·VTm×m （１） 其中U为n×n维的正交阵，其列为AAT的正交特征向量；V为m×m维的正交阵，其列为ATA的正交特征向量，上标T表示矩阵的转置；Σ是一个对角矩阵，其对角元素为非负值，称为奇异值。奇异值反映了有用信号和噪声的能量集中情况，前k个较大的奇异值主要反映有用信号，后n-k个较小的奇异值主要反映噪声[26]。因此，分别提取第1~k个奇异值对应的A矩阵的子集（Ak），并与待测指标进行相关性分析，相关性较高的子集即为待测指标在光谱矩阵A中的主要作用信号。依据以上原理，本文分别基于4组土壤样本湿土和干土2051个波段的反射率一阶导数光谱数据，利用SVD研究去除土壤水分因素影响，以棕壤第1组样本为例，方法步骤如下： 1）将湿土与干土光谱的差值光谱D（45×2051）作为输入矩阵，进行SVD分解，分别提取第1~k个较大奇异值对应的V1，V2，…，Vk（1×2051）作为由土壤光谱主要因素如水分、有机质等反映的特征向量； 2）分别计算第1~k个较大奇异值对应的差值光谱子集（D1，D2，…，Dk），计算公式为Dk=DXk，其中Xk（2051×2051）=VkTVk，D为湿土与干土光谱的差值光谱； 3）分别将D1，D2，…，Dk与土壤水分和有机质含量进行相关性分析，选取与水分相关性较高、与有机质相关性较低的若干个奇异值对应的向量Vc（c≤k）作为由土壤水分反映的特征向量； 4）根据投影矩阵的定义计算Y（2051×2051）=I-X，其中X（205