推荐星级：

一种新的光谱参量预测黑土养分含量模型

更新时间：2019-12-25 18:17:48 大小：2M 上传用户：守着阳光1985 查看TA发布的资源 标签：光谱参量预测 下载积分：1分评价赚积分（如何评价?）打赏收藏评论(0) 举报

资料介绍

我国东北黑土富含养分,随着土壤数字制图、精确农业和土壤资源调查等研究的深入,引入航空高光谱数据并提供科学的预测结果成为研究热点。数据源为CASI-1500航空高光谱成像系统,光谱范围380~1 050nm,空间分辨率1.5m。在黑龙江建三江地区采集59个土壤样本,化验获得有机质、全氮、全磷和全钾含量数据,选择eps-regression支持向量机模型,BP神经网络和PLS1最小二乘回归模型,建立光谱与含量的机器学习模型。通过评价3种模型的预测精度,选用支持向量机方法,对航空高光谱数据进行全氮、全磷和全钾的信息提取,采用神经网络方法,反演了有机质信息。研究表明:以光谱统计量、光谱特征值和光谱信息量为大类指标,所选取的18个子指标,能够反映土壤光谱的综合情况,是一种新的土壤光谱数据处理方法。有机质和全钾信息提取精度最高的算法是神经网络法,误差分别为1.21%和0.81%,而支持向量机算法在提取全氮和全磷信息时,验证样本的实测均值和预测均值完全吻合,精度最高。评价航空高光谱提取土壤养分的综合精度,有机质、全氮、全磷和全钾提取误差分别为5.25%,6.05%,2.74%和8.90%,在全磷反演中精度最高。

部分文件列表

文件名	大小
一种新的光谱参量预测黑土养分含量模型.pdf	2M

立即下载

【关注视频号领20积分】【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）

，

第

，

Ｖｏｌ．３８Ｎｏ．９２９３２２９３６

ｐｐ

第

卷

３８

ꢀ

期

９

光

谱

学

与

光

谱

分

析

ꢀ ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ

－

，

Ｓｅｔｅｍｂｅｒ２０１８

ｐ

ꢀ

年

月

ＳｅｃｔｒｏｓｃｏａｎｄＳｅｃｔｒａｌＡｎａｌｓｉｓ

ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ ꢀ ｐ ꢀｐ

ｐｙ

２０１８

ꢀꢀꢀ

９

ꢀ

ｙ

ꢀ

一种新的光谱参量预测黑土养分含量模型

，，

张东辉赵英俊秦

凯

ꢀ

，

核工业北京地质研究院遥感信息与图像分析技术国家级重点实验室北京

１０００２９

ꢀ

，、，

我国东北黑土富含养分随着土壤数字制图精确农业和土壤资源调查等研究的深入引入航空高

ꢀ

摘

要

ꢀ

。

光谱数据并提供科学的预测结果成为研究热点数据源为

，

航空高光谱成像系统光谱范围

３８０

ＣＡＳＩ１５００

－

～

，

。

，、、

个土壤样本化验获得有机质全氮全磷和全

空间分辨率

在黑龙江建三江地区采集

１０５０ｎｍ

ꢀ

１．５ｍ

５９

，

钾含量数据选择

，

ＢＰ

，

最小二乘回归模型建立光谱与含

ＰＬＳ１

支持向量机模型

神经网络和

ｅｓｒｅｒｅｓｓｉｏｎ

－

ｐｇ

。，，、

量的机器学习模型通过评价种模型的预测精度选用支持向量机方法对航空高光谱数据进行全氮全

３

，，。：、

磷和全钾的信息提取采用神经网络方法反演了有机质信息研究表明以光谱统计量光谱特征值和光

，

谱信息量为大类指标所选取的

，，

个子指标能够反映土壤光谱的综合情况是一种新的土壤光谱数据处

１８

。，

理方法有机质和全钾信息提取精度最高的算法是神经网络法误差分别为

，

和

１．２１％０．８１％

而支持向量

，，。

机算法在提取全氮和全磷信息时验证样本的实测均值和预测均值完全吻合精度最高评价航空高光谱提

，、、

取土壤养分的综合精度有机质全氮全磷和全钾提取误差分别为

，

在

５．２５％６．０５％２．７４％８．９０％

和

。

全磷反演中精度最高

；；；；

关键词机器学习航空高光谱支持向量机神经网络黑土养分

ꢀ

：

文献标识码

Ａ

：

／

（

）

中图分类号

Ｏ４３３．４

ꢀꢀ

ＤＯＩ１０．３９６４．ｉｓｓｎ．１００００５９３２０１８０９２９３２０５

ꢀꢀꢀ

ｊ

－

，

在获取数据的基础上模型的建立需要解决高光谱数据

，。

量大波段间冗余度高的问题机器学习技术是将现有知识

引

言

ꢀ

，，

输入计算机探寻新知识发现的一系列过程将机器学习理

［］

６

、

流形学

，

论引入这一领域成为研究热点支持向量机

土壤养分指的是土壤中能直接或经转化后被植物根系吸

ꢀꢀ

［］

７

［］

８

［］

９

［］

１０

［］

１１

，

收的矿质营养成分一般包括氮

、

决策树

磷

钾

钙

镁

硫

铁

习

萤火虫算法

神经网络

、

等机器学习方法应用于土壤分类含量估算模型优化

随机森林

、

锌

、

锰

、。

铜和氯等元素我国东北黑土中所含碳的有

，

、

硼

钼

［］

１

。

，

机物质也是泛义的土壤养分

，

、。，

自动解译地物识别等方面常规方法是将光谱数据或其

近年来高光谱遥感技术

、

以其光谱分辨率高波段连续性强和空间分辨率高等特点

，

，，

变化形式与化验数据一一对应起来输入计算机中得到信

，。

在土壤成分定量遥感监测中发挥越来越大的作用在多种

，

息发现的模型以此计算未知光谱所代表的土壤成分含量

。

，

数学模型的支持下通过建立土样光谱与含量的相关关系

，

由于土壤光谱为点状采用不能全面反映研究区整体情

。

定量计算养分含量郑光辉等采用

，

光谱仪揭示了

。，

此外模型参数设置有较大的随机性难以平衡局部最优

况

ＦｉｅｌｄＳｅｃ

ｐ

［］

２

；

［

］

２

。

１

，

土壤反射光谱估算全氮含量的机理

薛利红等研究了高光

和全局最优的问题

以我国东北建三江地区黑土地为例

，

谱反演有机质和全磷的方法得出不同土地利用方式对有机

，

提出一种新的基于航空高光谱数据的预测模型不直接反演

［］

３

；

，

质反演精度影响可以忽略但全氮需要区分建模的结论

，

光谱或变换数据而将光谱数据深度处理为光谱统计量

、

光

，

沈掌泉等应用田间行走式设备解决了土壤红外光谱反演土

，

谱特征值和光谱信息量大类指标涵盖

３

，

子类指标作为

１８

［］

４

；

。、

机器学习训练数据研究了支持向量机神经网络和偏最小

壤碳含量反演时的特征选择和变换问题

通过小麦

Ｇｌｅｎｎ

，

叶片光谱碳含量指数研究了估算全氮含量的综合方法

，

证

，

二乘回归种机器学习算法的预测方法得出黑土有机质

３

、

［］

５

。

、，

全氮全磷和全钾的预测值实现了航空高光谱黑土养分含

明了间接法的可行性

：

，

：

修订日期

２０１８０１１１

收稿日期

２０１７０９２９

－－

ꢀ

－

：

基金项目国家自然科学基金项目

（

），“ ”

十三五装备预先研究专项技术项目

（），

中国地质调查局黑土地航空高光谱遥

３２１０１０８０３０２

４１６０２３３３

ꢀ

（

）

资助

感调查项目

ＳＹＺＸＷ２０１７１０１

：

作者简介张东辉

，

１９８５

，

年生核工业北京地质研究院遥感信息与图像分析技术国家级重点实验室高级工程师

ꢀ

：

ｅｍａｉｌｄｏｎｈｕｉ２２２１６３．ｃｏｍ

＠

－

ｇ

第

期

光谱学与光谱分析

ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ

９

２９３３

。

个样本用于预测集

量提取

１０

表

不同样本点土壤养分含量信息表

１

ꢀ

实验部分

１

ꢀ

Ｔａｂｌｅ１Ｓｏｉｌｎｕｔｒｉｅｎｔｃｏｎｔｅｎｔｔａｂｌｅｏｆｄｉｆｆｅｒｅｎｔｓａｍｌｉｎｏｉｎｔｓ

ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ

ꢀ ꢀ

ｐｇｐ

ꢀ

仪器及参数

１．１

ꢀ

／

最小值

／

最大值

／

平均值

／

标准偏差

样本类别

－１

ｇ

－１

ｇ

－１

ｇ

－１

（·

ｋ

ｇ

）

（·

ｋ

ｇ

）

（·

ｋ

ｇ

）

（·

ｋ

ｇｇ

）

（

航空高光谱成像系统加拿大

ＩＴ

数据由

ＣＡＳＩ１５００

－

建模样本

有机质预测样本

全部样本

２．２１

３．７８

２．５６

ꢀ

０．３５

０．１３

０．３２

ꢀ

）

。

获取光谱范围为

，

空间分辨率为

３８０１０５０ｎｍ

～ ꢀ

ＲＥＳ

１．５

２．３３

２．７３

２．５０

ꢀ

，

ｍ

，

光谱带宽

７２

，

瞬

连续光谱通道数

总视场角

２．３ｎｍ

４０°

，

绝对辐射精度小于

２．２１

３．７８

２．５５

ꢀ

，

时视场角

每行像元数

１４７０

ꢀ

０．０２８°

＜

２

建模样本

２．２０

３．５２

２．４８

ꢀ

０．２８

０．１６

０．２６

ꢀ

。

，

７０ｋｍ

数据于

年

月

日采集面积

飞行高度

红框为航空数据获取区域地面测量铺设黑白

１

２％

２０１７

４

１０

全氮

预测样本

全部样本

２．１７

２．６１

２．３９

ꢀ

，

３ｋｍ

。

图

２．１７

３．５２

２．４７

ꢀ

，

采用

，

光谱仪获取定标光谱光谱范围为

ＡＳＤＦｉｅｌｄＳｅｃ

ꢀｐ

布

ꢀ

建模样本

预测样本

全部样本

０．６６

０．９６

０．７５

ꢀ

０．０７２

０．０２７

０．０６７

ꢀ

，

。

１ｎｍ

采集光谱分辨率为

３５０２５００ｎｍ

～ ꢀ

全磷

０．６８

０．７７

０．７２

ꢀ

０．６６

０．９６

０．７４

ꢀ

建模样本

预测样本

２．２６

２．７５

２．４７

ꢀ

０．０９３

０．０９４

ꢀ

全钾

２．３６

２．６４

２．４６

ꢀ

全部样本

２．２６

２．７５

２．４７

ꢀ

０．０９３

ꢀ

算法实现

１．３

ꢀ

，

包实现支持向量机模型包

ＡＭＯＲＥ

选用语言

Ｒ

ｋｌａ

ｐ

，

神经网络的建立利用

实现

软件建立最小

ｕｎｓｒａｍｂｌｅ９．７

ꢀ

ＢＰ

，

二乘回归模型航空高光谱波段运算由

的

ＥＮＶＩ５．３ｂａｎｄ

－

图

航空数据采集区域及采样点分布图

ꢀ

１

ꢀ

。

实现

ｍａｔｈ

Ｆｉ．１Ａｅｒｉａｌｄａｔａａｒｅａａｎｄｓａｍｌｉｎｏｉｎｔｄｉｓｔｒｉｂｕｔｉｏｎｍａ

ꢀ ꢀ ꢀ ꢀ ꢀ

ｐ

ꢀ

ｇ

ｐｇｐ

ꢀ

测定方法

１．２

ꢀ

结果与讨论

２

ꢀ

，

样本的坐标为

１１３２°５４′１３．２４″Ｅ４７°８′

，

采样点

个

５９

，

１３３°０′３．８３″Ｅ４７°２１′２８．７２″Ｎ

，

样本

的坐标为

２３．４９″Ｎ

５９

光谱数据预处理

２．１

ꢀ

。

间隔采集土样测区表层为黑色腐殖质层

，

厚

按

２ｋｍ

３０

～

辐射校正将

获得的辐射亮度

ＣＡＳＩ

值转换为反射率

ＤＮ

，

，。

以上多具圆柱状或粒状结构其下为

最厚可达

６０ｃｍ

１ｍ

，，

航拍飞机飞行过境时实地利用手持式光谱辐射计同步

值

，，

质地粘重的淀积层棕色铁锰结核一般较多再下为棕黄色

、，

测量已知反射率的黑灰和白布光谱数据计算

传感

ＣＡＳＩ

。

粘性母质层当天同步采集表层

，

的土样剔除大的

０２０ｃｍ

～

。

器在相同波谱范围内的光谱响应值几何校正利用机载

ＰＯＳ

、，，

植物残茬石砺等杂物置于实验室风干研磨过

０．１５ｍｍ

，

系统实现记录了每一个

时间的姿态数据和位置数

ＧＰＳ

５１０

。

筛选用于含量测定有机质采用重铬酸钾容量_－外加热法测

，

据

通过与基站数据差分后得到每一个像元的六方位元素

，

、

全氮全磷和全钾含量分别采用凯氏定氮法

ＮａＯＨ

定

碱

（，，，，

和

ＸＹＺＲｏｌｌＰｉｔｃｈＨｅａｄｉｎ

），

几何位置精度达到米

ｇ

。

土

熔钼锑抗比色法和钾火焰原子吸收分光光度法测定含量

。、、、、

通过异常光谱筛选平滑去噪重采样归一化和包络

级

，

样本

１

，

壤养分含量测定结果见表

用于训练集其余

１４９

～

，

线去除等预处理得到采样点反射率数据图

（

２

）。

图

个样本航空光谱

２５９

ꢀ

Ｆｉ．２５９ｓａｍｌｅｓｏｆａｅｒｏｎａｕｔｉｃａｌｓｅｃｔｒａ

ꢀ ꢀ ꢀ

ｐ

ꢀ

ｇ

ｐ

全部评论(0)

暂无评论

评论赚积分>>

上传资源上传优质资源有赏金

一种新的光谱参量预测黑土养分含量模型

资料介绍

部分文件列表

部分页面预览

相关下载

全部评论(0)

热门标签

最新上传

热门下载

推荐下载

专栏首页