加入收藏 | 联系我们
当前位置:首页 > 新闻资讯
新闻资讯
技术文章
《Remote Sensing》-S185精准农业:农田土壤有机质高光谱影像遥感

 定量检测耕地土壤有机质(SOM),并掌握其空间变化对于农业可持续发展具有很重要的意义。本研究通过成像光谱技术旨在分析SOM之间及不同像元大小的高光谱图像的反射率,并建立了估算SOM的最优模型。本文采用小波变换的方法分析高光谱反射率和SOM之间的相关性。然后筛选出最佳的像素尺寸和敏感的小波特征尺度,用于开发SOM的反演模型。结果表明土壤光谱的小波变换有助于提高小波特征和SOM的相关性,在可见波长范围内,SOM的特征波峰主要集中在460-603nm。随着波长的增加,小波对应相关系数最大然后逐渐下降,在近红外波段,SOM的易感小波特征主要集中在762-882nm。随着波长的增加,小波尺度逐渐减小。本研究采用逐步线性回归(SLR)的方法,建立了连续小波变换的多元模型。CWT-SLR模型比单变量模型的准确度更高。随着重采样尺度的增大,CWT-SLR模型的精度逐渐提高,而测定系数(R2)从0.52上升到0.59。5*5的R2最高(0.5954),RMSE最低(2.41g/kg )。说明基于连续小波变换的多元模型比单变量模型具有更好的SOM估计能力。
1. 前言:
  土壤有机质(SOM)是农田肥力的重要指标之一,有利于作物的产量改良。定量监测耕地土壤有机质(SOM),并掌握其空间变化有利于农业生产力的调整和可持续发展。高光谱技术可用于农作物的快速无损检测。国内外学者对耕地土壤有机质光谱响应进行了大量的研究。Galvao等人发现550-700nm土壤光谱的吸收峰主要受土壤有机质的影响。Stoner等人指出,如果SOM含量低于2%,土壤高光谱影响不大来自SOM。Morra等证明短波近红外波段适合区分土壤有机物成分。顾等人对敏感带进行筛选,开发了反演模型,并绘制了其县级分布耕地的SOM。土壤类型的差异导致了模型和结果的不一致性,这是现有研究的最大缺陷,也是高光谱成像技术监测土壤有机质的有效性不高的原因。无人机遥感技术近年来迅速发展,可以用来有效解决卫星数据缺失的适当遥感以其灵活的监测能力。通过在无人机平台上使用成像光谱仪,可以获得农田高光谱遥感影像,从而对小尺度土壤有机质的含量和空间分布进行规模监测。本研究旨在分析SOM与高光谱图像像元大小之间的响应,并提出用成像光谱技术估计SOM的模型最优化方法。
2. 研究区域和材料:
   2014年在三个不同土壤类型研究区采集132个土壤样品,第一个研究区域为中国陕西省杨凌(YL)地区,土壤类型肥沃。第二个研究区域是河北省安平(AP)土壤类型为风沙土。第三个研究区域是北京市小汤山(XTS),土壤类型为潮土。所有研究区域主要轮作制度为冬小麦 - 夏玉米。
图1 预处理土壤样品
  土壤样品的标准处理包括露天烘干,研磨和网筛,可有效避免水分和粒径对高光谱数据的影响。 一部分土壤样品用于测量高光谱数据,另一部分用重铬酸钾滴定法测定有机质含量。

表1  土壤有机质含量的统计特征值
  使用德国机载实时高光谱成像光谱仪(S185)来测量土壤样品。该光谱仪有125个波段(450-950nm),间隔为4nm,可在无人机上实时成像。
 

图2 S185实时光谱成像光谱仪


图3 用UHD 185扫描土壤样品
3. 方法:
  本研究的主要方法可以描述如下:经标准化预处理后,成像光谱仪获得土壤样品的高光谱图像。采用小波变换的方法分析高光谱反射率与SOM的相关性。然后筛选最佳像素尺寸和敏感小波特征尺度,建立SOM反演模型。未使用的土壤样本用来评估模型的准确性。通过确定系数(R2)来验证该模型的稳定性,由均方根误差(RMSE)验证模型的预测能力。
3.1 土壤高光谱图像的连续小波变换分析
  本研究设计了5个像元尺度梯度,包括1 * 1,2 * 2,3 * 3,4 * 4和5 * 5。对土壤高光谱进行重采样图片。以墨西哥草帽‘mexh’小波基函数,对重采样进行连续小波变换土壤高光谱数据并计算小波分解尺度。有机质和有机质的相关性,小波分解尺度计算和映射如下。




A ~ 1*1; B ~ 2*2; C ~ 3*3; D ~ 4*4; E ~ 5*5
图4不同像素尺寸的相关系数矩阵图
  图中的每个判定系数(R2)对应不同的光谱带和分解尺度,图4显示了SOM与小波尺度之间的敏感性。SOM的易感小波特征主要表现在:可见波长范围集中在460-603nm。随着波长的增加,小波尺度相关系数最大值增加,然后逐渐减小在近红外波长SOM的易感小波特征主要集中在762-882 nm。随着波长的增加,小波尺度逐渐减小。因此土壤高光谱的小波变换有助于提高小波特征和SOM之间的相关性。
3.2建立SOM的反演模型
    选中三分之二的土壤样品随机建立反演模型,其余的评估准确性。四个函数包括线性,对数,二次多项式和指数类型用来开发小波变换分解尺度的SOM反演模型。最佳模型在决定系数和RMSE的基础上进行了筛选。结果表明,不同采样尺度下的二次多项式函数模型最高决定系数。有5个重采样尺度的SOM的小波特征是WF6,WF6,WF6,WF 6和WF21,相应的测定系数(R2)分别为0.3823,0.4025,0.4241,0.4256和0.4079。以往的研究表明多元模型可以达到比单变量模型更高的准确性,为了提高了准确性,本研究用连续小波变换的方法研究了连续小波变换的多元模型逐步线性回归(SLR)。
表2连续小波变换的SOM多元模型
  从上表可以看出,CWT-SLR模型比单变量模型具有更高的精度。随着重采样尺度的增大,CWT-SLR模型的精度逐渐提高,而测定系数(R2)从0.52上升到0.59。5*5的测定系数最高(0.5954),RMSE最低(2.41g/kg)。说明基于连续小波变换的多元模型比单变量模型具有更好的SOM估算能力。
3.3 验证
  未使用的土壤样本用来评估CWT-SLR模型的精度。验证的主要指标包括相关系数(R2),均方根误差(RMSE)和估算的准确性(EA)。相关系数代表了所开发模型的稳定性,RMSE代表了所开发模型的预测能力。

图5对不同重采样大小的CWT-SLR模型进行验证
  验证结果表明,不同重采样尺度的CWT-SLR模型的相关系数在0.5001-0.5762之间波动,RMSE在2.55-2.71g/Kg之间波动。所有估计的准确度达到86.4%以上,表明小波特征可以有效地表示高光谱信息,消除冗余。随着再抽样比例的增加,CWT-SLR模型的精度也逐渐提高。5×5重采样CWT-SLR模型的R2最高(0.5762),RMSE为2.5547g/ Kg,EA为87.19%。
4. 结论和讨论
  为了评估SOM与光谱仪在无人机UVA上的映射可行性,本研究旨在分析SOM与高光谱图像像素尺寸之间的响应,并建立了利用成像光谱技术估算SOM的最优模型。采用连续小波变换的方法分析高光谱反射率与SOM的相关性。筛选最佳像素尺寸和敏感小波特征尺度,开发SOM反演模型。结果表明,SOM的易感带主要集中在460-603nm和762-882nm之间。本研究采用逐步线性回归(SLR)的方法,建立了连续小波变换的多元模型。未使用的土壤样本被用来评估模型的准确性。随着再采样尺度的增加,CWT-SLR模型的精度逐渐提高。5*5的R2最高(0.5954),RMSE最低(2.41g/kg)。说明基于连续小波变换的多元模型比单变量模型具有更好的SOM的估计能力。

上一篇:使用美国SOC710高光谱成像光谱仪对蜂蜜进行分类
下一篇:SOC710通量塔应用案例:基于MODIS影像和通量塔SOC710高光谱成

产品关键词:高光,有机质,遥感
北京安洲科技有限公司 2009-2016 版权所有 京ICP备03023960号 电话:4006-507-608 010-62111182
Copyright 2009 Auto Parts All Right Reserved