留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于高光谱的土壤不同颗粒含量预测分析

张雅梅 施梦月 王德彩 郭芳

张雅梅, 施梦月, 王德彩, 郭 芳. 基于高光谱的土壤不同颗粒含量预测分析[J]. 土壤通报, 2021, 52(4): 777 − 784 doi: 10.19336/j.cnki.trtb.2020022702
引用本文: 张雅梅, 施梦月, 王德彩, 郭 芳. 基于高光谱的土壤不同颗粒含量预测分析[J]. 土壤通报, 2021, 52(4): 777 − 784 doi: 10.19336/j.cnki.trtb.2020022702
ZHANG Ya-mei, SHI Meng-yue, WANG De-cai, GUO Fang. Different Soil Particle Contents Prediction Based on Hyperspectral Data[J]. Chinese Journal of Soil Science, 2021, 52(4): 777 − 784 doi: 10.19336/j.cnki.trtb.2020022702
Citation: ZHANG Ya-mei, SHI Meng-yue, WANG De-cai, GUO Fang. Different Soil Particle Contents Prediction Based on Hyperspectral Data[J]. Chinese Journal of Soil Science, 2021, 52(4): 777 − 784 doi: 10.19336/j.cnki.trtb.2020022702

基于高光谱的土壤不同颗粒含量预测分析

doi: 10.19336/j.cnki.trtb.2020022702
基金项目: 国家自然科学青年基金项目(41201210)、国家林草局生物安全与遗传资源项目(KJZXSA2019042)资助
详细信息
    作者简介:

    张雅梅(1977−),女,山东菏泽人,在读博士,讲师,从事森林培育及林业3S技术应用研究,E-mail: zym@henau.edu.cn

    通讯作者:

    E-mail: gg19771979@126.com

  • 中图分类号: S147.2

Different Soil Particle Contents Prediction Based on Hyperspectral Data

  • 摘要: 以典型黄河下游冲积平原区的土壤为研究对象,分析土壤高光谱特征,探讨土壤质地不同粒级颗粒含量的统一估测途径,为土壤质地快速监测评价提供技术支持。选择原始光谱,及其倒数、对数、标准正交变换、多元散射变化、一阶微分、二阶微分共7种光谱变换形式,首先主成分降维,然后分别建立土壤黏粒、粉粒和砂粒含量的支持向量机预测模型,采用决定系数、均值绝对误差、均方根误差3种精度指标来衡量模型的预测能力。结果表明:原始光谱的对数为最佳光谱变换形式,具有最佳的土壤不同颗粒含量估测能力,决定系数R2 ≥ 0.6853,均值绝对误差MAE ≤ 0.1193,均方根误差RMSE ≤ 0.1683;黏粒含量的变化范围相对集中,预测能力整体表现的相对较强,R2 = 0.8127,MAE = 0.0820,RMSE = 0.1248。通过筛选最佳光谱变换处理,主成分降维,支持向量机预测,建立了土壤中黏粒、粉粒和砂粒含量的统一估测途径,实现了简单快捷的高光谱估测。
  • 图  1  不同土壤光谱反射率曲线

    图例括号内数据依次是土壤黏粒、粉粒和砂粒含量值

    Figure  1.  Spectral reflectance curves of different soil

    图  2  不同光谱变换形式土壤黏粒、粉粒和砂粒含量预测模型的R2

    Figure  2.  R2 of clay,silt and sand contents prediction model in soil with different spectral transformation forms

    图  3  不同光谱变换形式土壤黏粒、粉粒和砂粒含量预测模型的MAE

    Figure  3.  MAE of clay,silt and sand contents prediction model in soil with different spectral transformation forms

    图  4  不同光谱变换形式土壤黏粒、粉粒和砂粒含量预测模型的RMSE

    Figure  4.  RMSE of clay,silt and sand contents prediction model in soil with different spectral transformation forms

    表  1  土壤黏粒、粉粒和砂粒含量的统计特征值

    Table  1.   Statistical characteristics of clay, silt and sand contents

    颗粒粒级
    Particle grade
    样本类型
    Sample type
    样本数量
    Sample number
    最小值
    Minimum
    (%)
    最大值
    Maximum
    (%)
    平均值
    Mean
    (%)
    标准差
    Standard deviation
    变异系数
    Coefficient of variation
    偏度
    Skewness
    峰度
    Kurtosis
    黏粒 整体样本 100 4.1 21.3 10.95 3.47 0.32 0.85 0.38
    建模集 80 4.1 21.3 11.03 3.57 0.32 0.87 0.41
    验证集 20 6.2 17.1 10.63 3.11 0.29 0.60 −0.20
    粉粒 整体样本 100 4.0 65.1 35.55 14.11 0.40 −0.26 0.18
    建模集 80 4.2 65.1 35.53 13.99 0.39 −0.24 0.27
    验证集 20 4.0 63.4 35.61 14.94 0.42 −0.35 0.22
    砂粒 整体样本 100 13.6 89.8 53.51 16.97 0.32 −0.07 −0.01
    建模集 80 13.6 88.8 53.44 16.93 0.32 −0.10 0.06
    验证集 20 19.5 89.8 53.77 17.55 0.33 0.08 −0.02
    下载: 导出CSV

    表  2  主成分分析的结果

    Table  2.   Results of principal component analysis

    光谱变换形式
    Spectral transformation
    主成分数量
    Principal component number
    累计贡献率95%
    Cumulative contribution
    rate 95%
    累计贡献率96%
    Cumulative contribution
    rate 96%
    累计贡献率97%
    Cumulative contribution
    rate 97%
    累计贡献率98%
    Cumulative contribution
    rate 98%
    累计贡献率99%
    Cumulative contribution
    rate 99%
    累计贡献率99.9%
    Cumulative contribution
    rate 99.9%
    $ x $ 2 2 2 3 3 5
    $1/x$ 2 2 2 3 3 5
    $\ln x$ 2 2 2 3 3 5
    MSC 3 3 4 4 5 9
    SNV 3 3 4 4 5 10
    $x'$ 44 52 60 71 83 97
    $x''$ 72 76 81 87 93 99
    下载: 导出CSV

    表  3  不同模型的最优参数及精度指标

    Table  3.   Optimal parameters and precision indices of different models

    光谱变换形式
    Spectral transformation
    SVM模型
    SVM model
    最优模型参数
    Optimal parameter
    精度指标
    Accuracy index
    CostGammaR2MAERMSE
    $x$ 黏粒含量 9.1927 0.1109 0.8188 0.0898 0.1254
    粉粒含量 4.9500 0.1020 0.6323 0.1419 0.1820
    砂粒含量 3.1382 0.1109 0.6960 0.1540 0.1826
    $1/x$ 黏粒含量 3.2391 0.4136 0.7937 0.1163 0.1542
    粉粒含量 0.8173 0.5145 0.6216 0.1096 0.1727
    砂粒含量 0.5145 0.8173 0.6558 0.1070 0.1638
    $\ln x$ 黏粒含量 8.3855 0.1109 0.8127 0.0820 0.1248
    粉粒含量 3.0373 0.2118 0.6853 0.1173 0.1683
    砂粒含量 0.8173 0.6155 0.6972 0.1193 0.1578
    MSC 黏粒含量 5.5600 0.2118 0.8532 0.2512 0.2822
    粉粒含量 9.1927 0.1109 0.6718 0.3046 0.3549
    砂粒含量 9.8991 0.1109 0.7414 0.2900 0.3363
    SNV 黏粒含量 7.6791 0.2118 0.8877 0.2156 0.2473
    粉粒含量 4.5509 0.1109 0.6924 0.2537 0.3025
    砂粒含量 6.1655 0.1109 0.7616 0.2515 0.2988
    $x''$ 黏粒含量 1.3218 0.1109 0.4480 0.2115 0.2758
    粉粒含量 7.2755 0.0010 0.4255 0.1864 0.2343
    砂粒含量 6.5691 0.0010 0.3945 0.1868 0.2353
    下载: 导出CSV
  • [1] 赵明松, 谢 毅, 陆龙妹, 等. 基于高光谱特征指数的土壤有机质含量建模[J]. 土壤学报, 2020 doi: 10.11766/trxb202003160122
    [2] 黄明祥, 程街亮, 王 珂, 等. 海涂土壤高光谱特性及其砂粒含量预测研究[J]. 土壤学报, 2009, 46(5): 932 − 937. doi: 10.3321/j.issn:0564-3929.2009.05.023
    [3] 李春蕾, 许端阳, 陈蜀江. 基于高光谱遥感的新疆北疆地区土壤砂粒含量反演研究[J]. 干旱区地理, 2012, 35(3): 473 − 478.
    [4] 乔 天, 吕成文, 肖文凭, 等. 基于遗传算法的土壤质地高光谱预测模型研究[J]. 土壤通报, 2018, 49(4): 773 − 778.
    [5] 王德彩, 蔚 霖, 张俊辉, 等. 基于正交信号校正的Vis-NIR光谱土壤质地预测[J]. 河南农业大学学报, 2017, 51(3): 408 − 413.
    [6] 张 娜, 张栋良, 李立新, 等. 基于高光谱的区域土壤质地预测模型建立与评价−以河套灌区解放闸灌域为例[J]. 干旱区资源与环境, 2014, 28(5): 67 − 72.
    [7] 王德彩, 邬登巍, 赵明松, 等. 平原区土壤质地的反射光谱预测与地统计制图[J]. 土壤通报, 2012, 43(2): 257 − 262.
    [8] 白燕英, 魏占民, 刘全明, 等. 基于高光谱的河套罐区农田表层土壤质地反演研究[J]. 地理与地理信息科学, 2013, 29(5): 68 − 71.
    [9] Kashif G M, Asefa T, Kemblowski M W, et al. Soil moisture prediction using support vector machine[J]. Journal of the American Water Resources Association, 2006, vol. 42(4): 1033 − 1046. doi: 10.1111/j.1752-1688.2006.tb04512.x
    [10] 沈 强, 张世文, 夏沙沙, 等. 基于支持向量机的土壤有机质高光谱反演[J]. 安徽理工大学学报(自然科学版), 2019, 39(4): 39 − 45.
    [11] 张 强, 黄生志, 陈晓宏. 基于支持向量机的土壤湿度模拟及预测研究[J]. 土壤学报, 2013, 50(1): 59 − 67. doi: 10.11766/trxb201112210497
    [12] 乔红波, 焦红涛, 吴 旭, 等. 基于支持向量机模型的冬小麦全蚀病为害等级遥感监测[J]. 麦类作物学报, 2014, 34(12): 1694 − 1698. doi: 10.7606/j.issn.1009-1041.2014.12.16
    [13] 张世文, 王胜涛, 刘 娜, 等. 土壤质地空间预测方法比较[J]. 农业工程学报, 2011, 27(1): 332 − 339. doi: 10.3969/j.issn.1002-6819.2011.01.054
    [14] 马 创, 申广荣, 王紫君, 等. 不同粒径土壤的光谱特征差异分析[J]. 土壤通报, 2015, 46(2): 292 − 298.
    [15] 乔星星, 冯美臣, 杨武德, 等. 粒径对土壤光谱特性的影响[J]. 山西农业科学, 2016, 44(9): 1325 − 1327, 1359. doi: 10.3969/j.issn.1002-2481.2016.09.23
    [16] 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.
    [17] Stenberg B, Rossel R A V, Mouazen A M, et al. Chapter five: Visible and near infrared spectroscopy in soil science[J]. Advances in Agronomy, 2010, 107: 163 − 215.
    [18] 吴 裕, 申广荣, 刘 璐, 等. 土壤有机质高光谱特征及其反演研究[J]. 上海交通大学学报(农业科学版), 2019, 37(4): 37 − 44.
    [19] Liu H J, Zhang Y Z, Zhang B, et al. Novel hyperspectral reflectance models for estimating black-soil organic matter in Northeast China[J]. Environmental Monitoring and Assessment, 2009, 154(1-4): 147 − 154. doi: 10.1007/s10661-008-0385-4
    [20] 朱亚星, 于 雷, 洪永胜, 等. 土壤有机质高光谱特征与波长变量优选方法[J]. 中国农业科学, 2017, 50(22): 4325 − 4337. doi: 10.3864/j.issn.0578-1752.2017.22.009
    [21] 王永敏, 李西灿, 田林亚, 等. 土壤有机质含量地面高光谱估测模型对比分析[J]. 国土资源遥感, 2019, 31(1): 110 − 116.
    [22] Macros R N, Jose Alexander M D. Spectral reflectance methodology in comparison to traditional soil analysis[J]. Soil Science Society American Journal, 2006, 70: 393 − 407. doi: 10.2136/sssaj2003.0285
    [23] Kooistra L, Wanders J, Epema G F, et al. The potential of field spectroscopy for the assessment of sediment properties in river floodplains[J]. Analytica Chimica Acta, 2003, 484: 189 − 200. doi: 10.1016/S0003-2670(03)00331-3
    [24] 于 雷, 洪永胜, 朱亚星, 等. 去除土壤水分对高光谱估算土壤有机质含量的影响[J]. 光谱学与光谱分析, 2017, 37(7): 2143 − 2151.
    [25] 彭 杰, 周 清, 张杨珠, 等. 有机质对土壤光谱特性的影响研究[J]. 土壤学报, 2013, 50(3): 517 − 524.
  • 加载中
图(4) / 表(3)
计量
  • 文章访问数:  321
  • HTML全文浏览量:  163
  • PDF下载量:  38
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-02-27
  • 修回日期:  2021-04-25
  • 刊出日期:  2021-08-06

目录

    /

    返回文章
    返回