基于小波与包络线的土壤有机质高光谱估测

土壤有机质高光谱估算模型研究进展章涛;于雷【摘要】土壤有机质高光谱估算较传统土壤农化分析方法表现出极大优势,顺应了现代农业发展的迫切需要.国内外众多学者先后对土壤有机质高光谱估算模型进行了大量研究,估算模型由简单的一元线性模型逐渐发展为多元线性及非线性模型,常用的建模方法分为线性方法和非线性方法,重点分析了各种方法的适用性.通过总结分析前人研究,发现土壤有机质高光谱估算模型研究存在以下发展趋势:多种建模方法耦合使用增多;建模方法的复杂度逐渐增强;尝试消减外部环境因素对建模的影响;尝试将室内土壤有机质估算模型应用于野外实地研究.%The hyperspectral estimation of soil organic matter shows a great advantage compared with the traditional soil agrochemical analysis method,which conforms to the urgent need of modem agricultural development.Many models have studied the hyperspectral estimation model of soil organic matter at home and abroad.The estimation model has been developed from simple linear model to multivariate linear and nonlinear model.The commonly used modeling method is divided into linear method and nonlinear method.The applicability of the various methods is analyzed.By analyzing the previous studies,it is found that there are the following trends in the study of hyperspectral estimation model of soil organic matter:the coupling of multiple modeling methods is increasing;the complexity of modeling method is gradually enhanced;try to reduce the influnce of external environmental factors on modeling;the indoor soil organic matter estimation model is applied to fieldresearch.【期刊名称】《湖北农业科学》【年(卷),期】2017(056)017【总页数】5页(P3205-3208,3227)【关键词】土壤有机质;高光谱;多元逐步回归;偏最小二乘回归【作者】章涛;于雷【作者单位】华中师范大学城市与环境科学学院,武汉430079;华中师范大学城市与环境科学学院,武汉430079【正文语种】中文【中图分类】S153.6土壤有机质是指存在于土壤中所含碳的有机物质，可以提供植物所需的养分，其含量是衡量土壤肥力高低的重要指标［1］。

连续小波变换的土壤有机质含量高光谱估测玉米提·买明;王雪梅【期刊名称】《光谱学与光谱分析》【年(卷),期】2022(42)4【摘要】土壤有机质含量的高光谱估测可快速、准确监测土壤肥力,对现代化农业生产进行精准施肥提供科学依据。

以新疆渭干河-库车河三角洲绿洲耕层土壤为研究对象,对采集的98个土壤样品的原始光谱反射率R分别进行传统倒数对数lg(1/R)、一阶微分R′和倒数对数一阶微分[lg(1/R)]′数学变换,以及基于小波母函数Bior1.3不同尺度分解的连续小波变换(CWT),并与实测土壤有机质含量进行相关分析,从而筛选出各类变换下与土壤有机质含量密切相关的特征波段和小波系数(p<0.01)。

分别以原始光谱反射率(R)以及不同变换处理下的特征波段反射率和敏感小波系数作为自变量,土壤有机质含量作为因变量,采用偏最小二乘回归和支持向量机回归方法构建土壤有机质含量的估测模型。

结果表明:(1)各类光谱变换方法有效提升光谱与土壤有机质含量之间的敏感性,其中经CWT变换后的土壤光谱反射率与有机质含量的相关性得到显著提高,相关系数由0.39提高到0.54(p<0.01)。

(2)传统的[lg(1/R)]′变换构建的支持向量机回归模型,其决定系数(R^(2))高于lg(1/R)和R′变换构建的模型,说明倒数对数一阶微分变换可有助于提高估测模型的精度,且支持向量机回归模型的精度和稳定性高于偏最小二乘回归模型。

(3)经过CWT分解后,以原始光谱反射率在不同尺度上的敏感小波系数作为自变量建立的模型,估测精度和稳定性均有明显的提高,构建的R-CWT-2^(3)-SVMR模型的决定系数(R^(2))为0.84,均方根误差(RMSE)为1.48,相对分析误差(RPD)等于2.11,模型精度达到最高并拥有极好的预测能力。

高光谱数据经多种变换处理后可有效去除白噪声,而连续小波变换处理比传统的数学变换方法更适合于挖掘土壤有效信息,实现光谱信号的近似特征和细节特征的有效分离,建立的反演模型可更加精准估测土壤有机质含量。

高光谱小波能量特征估测土壤有机质含量章涛; 于雷; 易军; 聂艳; 周勇【期刊名称】《《光谱学与光谱分析》》【年(卷),期】2019(039)010【总页数】6页(P3217-3222)【关键词】土壤高光谱; 小波系数; 小波能量特征; 土壤有机质; 水稻土【作者】章涛; 于雷; 易军; 聂艳; 周勇【作者单位】华中师范大学地理过程分析与模拟湖北省重点实验室湖北武汉430079; 华中师范大学城市与环境科学学院湖北武汉 430079; 华中师范大学可持续发展研究中心湖北武汉 430079【正文语种】中文【中图分类】S127引言土壤有机质是评价土壤质量的关键因素，在调控农田肥力和作物生长方面发挥着重要作用[1]。

采用农化分析方法测定土壤有机质含量步骤繁琐、耗时耗力，不利于土壤有机质的实时高效测定[2]。

土壤高光谱包含了丰富的土壤信息，近年来，被广泛应用于估测土壤理化性质(如土壤有机质、土壤水分及土壤全氮等)，取得了卓有成效的研究成果[3-4]。

然而，高光谱采集易受测试环境、样品质量和仪器本身等因素影响，无法避免会产生噪声，因此，探索降噪方法对提升土壤有机质含量估测精度具有重要意义。

学者们尝试采用连续统去除，一阶微分，高通滤波等预处理方法，消除样品背景及杂散光等因素所引起的噪声和增强特征信号，但难以有效去除白噪声，特别是随机和低频信号[5-6]。

于雷等[7]、廖钦洪等[8]基于连续小波变换法将土壤高光谱分解成多尺度小波系数，采用相关性分析法筛选与有机质含量具有极显著相关性的敏感小波系数(sensitive wavelet coefficients，SWC)建立估测模型；蔡亮红等[9]采用小波变换对土壤光谱进行分解，通过竞争适应重加权采样法(competitive adaptive reweighted sampling，CARS)算法筛选SWC，建立土壤水分高光谱估测模型，这些研究表明小波变换方法能够克服白噪声影响，将土壤高光谱分解为不同尺度的小波系数，以更准确地局部描述和分离信号特征[10-12]。

基于表层土壤光谱的耕层土壤有机质间接估测钟浩;李西灿;翟浩然;周钰;曹雪松【期刊名称】《安徽农业大学学报》【年(卷),期】2020(47)3【摘要】为解决遥感技术在监测耕层土壤有机质方面的应用问题,利用表层土壤光谱对耕层土壤有机质含量进行估测。

以山东省济南市章丘区的表层、耕层各76个土壤样本为研究对象,首先对表层光谱数据进行小波变换去噪、剔除异常样本等处理,然后对处理后的光谱反射率进行一阶微分等10种数学变换,在对数倒数一阶微分和对数一阶微分变换后的反射率数据中选取43个与土壤有机质含量相关系数较高的波段,通过主成分分析以累计贡献率大于90%的标准选取5个主成分作为反演因子,利用BP神经网络(BPNN)、支持向量机回归(SVR)和多元线性回归(MLR)方法建立耕层土壤有机质含量间接估测模型。

结果表明,耕层土壤与表层土壤有机质含量之间决定系数R2达到0.839,显著性P<0.01,存在着较强的相关性BPN估测模型的精度最优,决定系数R^2为0.845,平均相对误差为7.642%,RMSE分别为1.622g·kg^-1。

研究表明,利用表层土壤光谱信息间接估测耕层有机质含量是可行有效的,为耕层土壤有机质的估测问题提供了一种新思路。

【总页数】6页(P421-426)【作者】钟浩;李西灿;翟浩然;周钰;曹雪松【作者单位】山东农业大学信息科学与工程学院【正文语种】中文【中图分类】S153.621;TP79【相关文献】1.基于SVR和PLSR的土壤有机质高光谱估测模型研究2.耕层土壤有机质高光谱间接估测模型3.基于支持向量机的皖北旱作区表层土壤有机质含量估测4.干旱区绿洲耕层土壤重金属铬含量的高光谱估测5.基于灰数灰度的土壤有机质高光谱估测因版权原因，仅展示原文概要，查看原文内容请购买。

专利名称：一种基于高光谱的土壤有机质含量估算方法专利类型：发明专利
发明人：朱桂华
申请号：CN201710972022.8
申请日：20171018
公开号：CN109682762A
公开日：
20190426
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于高光谱的土壤有机质含量估算方法，该方法首先采集土壤样本，然后测定土壤样本光谱，接着对土壤反射率光谱进行一阶微分和倒数的对数两种变换，最后在提取特征吸收波段的基础上，运用偏最小二乘回归法建立相应的估算模型，从而估算出土壤中的有机质含量。

通过基于高光谱的土壤有机质含量估算方法，在保留尽量多的光谱信息并维持光谱原有基本特征的前提下，对于减少数据量，尤其是去除冗余信息起到了很好的作用，能够快速估算土壤中的有机质含量。

通过了解土壤养分的状况及动态变化，为指导农业生产及保护农业生态环境提供了科学依据。

申请人：朱桂华
地址：212136 江苏省镇江市新区姚桥镇八圩埭7号
国籍：CN
更多信息请下载全文后查看。

中国农业科技导报ꎬ２０２１ꎬ２３(５):１３２－１４２ＪｏｕｒｎａｌｏｆＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ㊀收稿日期:２０２０￣０８￣２４ꎻ接受日期:２０２０￣１０￣２４㊀基金项目:内蒙古自治区科技重大专项(２０１９ＺＤ００３)ꎮ㊀联系方式:陈昊宇Ｅ￣ｍａｉｌ:ｃｈｅｎｈａｏｙｕ０８０７＠１６３.ｃｏｍꎻ∗通信作者杨光Ｅ￣ｍａｉｌ:ｙｇ３３１＠１２６.ｃｏｍ基于连续小波变换的土壤有机质含量高光谱反演陈昊宇ꎬ㊀杨光∗ꎬ㊀韩雪莹ꎬ㊀刘昕ꎬ㊀刘峰ꎬ㊀王宁(内蒙古农业大学沙漠治理学院ꎬ内蒙古自治区风沙物理与防沙治沙工程重点实验室ꎬ呼和浩特０１００１０)摘㊀要:以托克托县境内１２０个土壤有机质含量以及对应光谱数据为数据源ꎬ探究了不同土壤类型与土地利用类型下土壤有机质高光谱反演研究的可行性ꎬ采用连续小波变换对原始光谱(Ｒ)㊁光谱倒数(１/Ｒ)㊁光谱对数(ＬｎＲ)㊁光谱一阶微分(Ｒᶄ)进行分解生成小波系数并与土壤有机质进行相关系分析ꎬ提取特征波段建立ＢＰ神经网络与支持向量机模型(ＳＶＭ)ꎮ结果表明:①Ｒ㊁１/Ｒ㊁ＬｎＲ㊁Ｒᶄ与土壤有机质相关系数经过连续小波变换后ꎬ较之前增加了０.２０４㊁０.０９０㊁０.１９９㊁０.２５２ꎬ表明连续小波变换可深度挖掘光谱潜在信息ꎬ提升与有机质含量之间的相关系数ꎮ②未经过连续小波处理前ꎬＳＶＭ无法实现对当地土壤有机质含量的预测ꎬ经过处理后ꎬ模型ＳＶＭ￣ＣＷＴ￣Ｒ与ＳＶＭ￣ＣＷＴ￣Ｒᶄ的精度决定系数分别达到了０５０㊁０.５６ꎬ均方根误差为０.１７㊁０.１５ꎬ相对分析误差为１.６２㊁１.５３ꎬ实现了对土壤有机质的有效估算ꎮ③经过连续小波变换后ＢＰ神经网络预测模型结果得到提升ꎬ其中ＢＰ￣ＣＷＴ￣ＬｎＲ预测模型效果最佳ꎬ精度决定系数达到０.７６ꎬ较之前ＢＰ￣ＬｎＲ提升了０.２ꎻ均方根误差达到０ １５ꎬ降低０.０４ꎻ相对分析误差为２.１２ꎬ增加了０.８７ꎮ因此利用ＢＰ￣ＣＷＴ￣ＬｎＲ高光谱反演模型进行区域土壤有机质遥感监测ꎬ可为当今精准农业提供理论参考与技术支持ꎮ关键词:连续小波变换ꎻＢＰ神经网络ꎻ支持向量机ꎻ精准农业ｄｏｉ:１０.１３３０４/ｊ.ｎｙｋｊｄｂ.２０２０.０７４２中图分类号:Ｓ１２７㊀㊀㊀文献标识码:Ａ㊀㊀㊀文章编号:１００８￣０８６４(２０２１)０５￣０１３２￣１１ＨｙｐｅｒｓｐｅｃｔｒａｌＩｎｖｅｒｓｉｏｎｏｆＳｏｉｌＯｒｇａｎｉｃＭａｔｔｅｒＣｏｎｔｅｎｔＢａｓｅｄｏｎＣｏｎｔｉｎｕｏｕｓＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍＣＨＥＮＨａｏｙｕꎬＹＡＮＧＧｕａｎｇ∗ꎬＨＡＮＸｕｅｙｉｎｇꎬＬＩＵＸｉｎꎬＬＩＵＦｅｎｇꎬＷＡＮＧＮｉｎｇ(ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＡｅｏｌｉａｎＰｈｙｓｉｃｓａｎｄＤｅｓｅｒｔｉｆｉｃａｔｉｏｎＣｏｎｔｒｏｌＥｎｇｉｎｅｅｒｉｎｇｆｒｏｍＩｎｎｅｒＭｏｎｇｏｌｉａＡｕｔｏｎｏｍｏｕｓＲｅｇｉｏｎꎬＣｏｌｌｅｇｅｏｆＤｅｓｅｒｔＣｏｎｔｒｏｌＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇꎬＩｎｎｅｒＭｏｎｇｏｌｉａＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙꎬＨｏｈｈｏｔ０１００１０ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｔａｋｉｎｇｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｓｏｆ１２０ｓｏｉｌｓａｍｐｌｅｓａｎｄｃｏｒｒｅｓｐｏｎｄｉｎｇｓｐｅｃｔｒａｌｄａｔａｉｎＴｕｏｋｅｔｕｏＣｏｕｎｔｙａｓｄａｔａｓｏｕｒｃｅｓꎬｔｈｅｆｅａｓｉｂｉｌｉｔｉｅｓｏｆｈｙｐｅｒｓｐｅｃｔｒａｌｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｓｕｎｄｅｒｄｉｆｆｅｒｅｎｔｔｙｐｅｏｆｓｏｉｌｓａｎｄｌａｎｄｓｏｆｄｉｆｆｅｒｅｎｔｕｓｅｗｅｒｅｅｘｐｌｏｒｅｄ.Ｔｈｅｏｒｉｇｉｎａｌｓｐｅｃｔｒｕｍ(Ｒ)ꎬｓｐｅｃｔｒａｌｒｅｃｉｐｒｏｃａｌ(１/Ｒ)ꎬｓｐｅｃｔｒａｌｌｏｇａｒｉｔｈｍ(ＬｎＲ)ａｎｄｓｐｅｃｔｒａｌｆｉｒｓｔ￣ｏｒｄｅｒｄｉｆｆｅｒｅｎｔｉａｌ(Ｒᶄ)ｗｅｒｅｄｅｃｏｍｐｏｓｅｄｂｙｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍｔｏｇｅｎｅｒａｔｅｗａｖｅｌｅｔｃｏｅｆｆｉｃｉｅｎｔｓꎬａｎｄｔｈｅｃｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒａｎｄｗａｖｅｌｅｔｃｏｅｆｆｉｃｉｅｎｔｓｗａｓａｎａｌｙｚｅｄꎬａｎｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ(ＳＶＭ)ｗｅｒｅｅｓｔａｂｌｉｓｈｅｄｂｙｅｘｔｒａｃｔｉｎｇｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｂａｎｄｓ.Ｔｈｅｒｅｓｕｌｔｓｗｅｒｅｆｏｌｌｏｗｅｄ.①ＴｈｅｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｓｂｅｔｗｅｅｎＲꎬ１/ＲꎬＬｎＲꎬＲᶄａｎｄｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｗｅｒｅｉｎｃｒｅａｓｅｄｂｙ０.２０４ꎬ０.０９０ꎬ０.１９９ａｎｄ０.２５２ａｆｔｅｒｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍꎬｒｅｓｐｅｃｔｉｖｅｌｙꎬｗｈｉｃｈｓｈｏｗｅｄｔｈａｔｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍｃｏｕｌｄｄｅｅｐｌｙｍｉｎｅｔｈｅｐｏｔｅｎｔｉａｌｌｙｓｐｅｃｔｒａｌｉｎｆｏｒｍａｔｉｏｎａｎｄｅｎｈａｎｃｅｔｈｅｃｏｒｒｅｌａｔｉｏｎｗｉｔｈｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔ.②ＢｅｆｏｒｅｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｐｒｏｃｅｓｓｉｎｇꎬＳＶＭｃｏｕｌｄｎｏｔｐｒｅｄｉｃｔｔｈｅｃｏｎｔｅｎｔｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒꎬｗｈｉｌｅａｆｔｅｒｐｒｏｃｅｓｓｉｎｇꎬｔｈｅａｃｃｕｒａｃｉｅｓ(Ｒ２)ｏｆＳＶＭ￣ＣＷＴ￣ＲａｎｄＳＶＭ￣ＣＷＴ￣Ｒᶄｗｅｒｅ０.５０ａｎｄ０.５６ꎬＲｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒｓ(ＲＭＳＥ)ｗｅｒｅ０.１７ａｎｄ０.１５ꎬｒｅｓｉｄｕａｌｐｒｅｄｉｃｔｉｖｅｄｅｖｉａｔｉｏｎｓ(ＲＰＤ)ｗｅｒｅ１.６２ａｎｄ１.５３ꎬｒｅｓｐｅｃｔｉｖｅｌｙꎬｗｈｉｃｈｒｅａｌｉｚｅｄｔｈｅｅｆｆｅｃｔｉｖｅｅｓｔｉｍａｔｉｏｎｏｆＳＯＭ.③ＡｆｔｅｒｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍꎬｔｈｅｒｅｓｕｌｔｓｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｗｅｒｅｉｍｐｒｏｖｅｄ.ＡｍｏｎｇｔｈｅｍꎬＢＰ￣ＣＷＴ￣ＬｎＲｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｈａｄｔｈｅｂｅｓｔｅｆｆｅｃｔꎬＲ２ｗａｓ０.７６ꎬｗｈｉｃｈｗａｓｈｉｇｈｅｒｔｈａｎＢＰ￣ｌｎＲꎬＲＭＳＥｗａｓ０.１５ｒｅｄｕｃｅｄｂｙ０.０４ꎬＲＰＤｗａｓ２.１２ｉｎｃｒｅａｓｅｄｂｙ０.８７.ＴｈｅｒｅｆｏｒｅꎬｔｈｅＢＰ￣ＣＷＴ￣ＬｎＲｈｙｐｅｒｓｐｅｃｔｒａｌｉｎｖｅｒｓｉｏｎｍｏｄｅｌｃｏｕｌｄｐｒｏｖｉｄｅｔｈｅｏｒｅｔｉｃａｌｒｅｆｅｒｅｎｃｅａｎｄｔｅｃｈｎｉｃａｌｓｕｐｐｏｒｔｆｏｒｐｒｅｃｉｓｉｏｎａｇｒｉｃｕｌｔｕｒｅ.Ｋｅｙｗｏｒｄｓ:ｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍꎻＢＰｎｅｕｒａｌｎｅｔｗｏｒｋꎻｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅꎻｐｒｅｃｉｓｉｏｎａｇｒｉｃｕｌｔｕｒｅ㊀㊀精准农业作为目前农业发展的主要方向ꎬ是一种基于信息和知识管理的现代化生产系统ꎬ主要是通过３Ｓ(ＧＰＳ㊁ＧＩＳ和ＲＳ)技术与现代农业相结合ꎬ最大限度地提高农业生产力ꎮ所以快速㊁无损㊁精确地获取土壤中水分㊁养分的空间分布成为了实现精准农业的关键环节ꎬ近年来ꎬ光谱分析在土壤化学分析领域得到了迅猛发展ꎬ为实现土壤养分的快速诊断提供了新思路[１]ꎮ有机质是土壤养分供应能力和肥力的重要指标之一ꎬ在全球碳循环中发挥着重要作用ꎮ因此ꎬ快速准确地估测土壤有机质含量对于发展精准农业具有重要意义[２]ꎮ传统的土壤有机质测定方法虽然精度比较高ꎬ但周期较长㊁成本较高ꎬ只能达到瞬测量ꎬ很难进行长时间大面积测量ꎮ高光谱遥感具有波段多㊁波段窄㊁信息丰富和实时高效等特点ꎬ为快速测量土壤有机质含量提供了一种新的方法和手段[３]ꎮ国内外已经有大量研究表明ꎬ通过对光谱数据进行不同的数学变换(主要通过对光谱进行倒数㊁对数㊁微分㊁平方根㊁吸收峰深度㊁包络线去除等方法)可以有效提高光谱数据与土壤有机质含量之间的相关系数ꎬ有效筛选出光谱信息中的敏感波段[４]ꎮ现在各学者主要将研究重心放到了模型建立上[５]ꎬ普遍运用的线性模型有多元逐步回归与偏最小二乘回归[６]ꎻ常见的非线性模型包括ＢＰ神经网络[７]㊁支持向量机[８]㊁决策树[９]等ꎬ而且随着非线性模型算法的逐步改良与完善ꎬ在土壤有机质含量估算中已经成为不可取代的一部分ꎮ随着小波算法的改进与发展ꎬ最初仅运用于植物叶绿素㊁冠层成分含量预测中[１０￣１１]ꎬ目前已成为土壤养分预测的热点问题[１２￣１３]ꎬ连续小波变换是目前被广泛应用的一种方法ꎮ王祥浩[１４]选择土地裸露地区为样区ꎬ利用神经网络算法对光谱连续小波变换㊁一阶导数㊁对光谱的平均值处理㊁光谱背景及深度４种方法建模ꎬ模型结果表明ꎬ小波变换方法得到的神经网络模型精度最高ꎻ包青岭等[１５]选择渭干河－库车河三角洲具有代表性的干旱区绿洲为研究区ꎬ对光谱进行８层分解ꎬ结果表明小波变换不同分解层ꎬ从低频到高频范围内与土壤有机质含量的相关性呈现先减后增的趋势ꎬ结合随机森岭模型可以对干旱区土壤有机质含量进行有效的估算ꎻ王延仓等[１６]以北京东部区潮土为例ꎬ对不同梯度重采样的光谱进行连续小波变换后ꎬ利用偏最小二乘法建立模型ꎬ结果表明连续小波分析算法可深入挖掘土壤光谱内的有益信息ꎬ提升对有机质含量的估测能力ꎬ与土壤高光谱反射率相比ꎬ经连续小波技术处理后ꎬ模型精度得到了有效的提升ꎻ叶红云等[１７]同样针对干旱区土壤ꎬ通过对两种常用光谱变换Ｒᶄ㊁Ｌｎ(１/Ｒ)进行连续小波变换建立偏最小二乘模型ꎬ结果表明连续小波变换不会因人类干扰程度的提高而使模型精度大幅度降低ꎬ更加适用于干旱区有机质含量的预测ꎻ林鹏达等[１８]通过解决黑土有机质高光谱野外反演的困难ꎬ同样证明了连续小波变换可有效提升模型精度ꎮ小波技术在土壤有机质高光谱反演研究中逐渐趋于成熟ꎬ但目前学者的研究多数都在同一土壤类型下或同一区域内ꎬ对于不同土壤类型及土地利用下土壤有机质高光谱反演是否存在影响的研究目前并不多ꎮ本文研究区内土壤类型主要包括３类:沙壤土㊁栗钙土㊁盐碱土ꎬ且部分区域土壤盐渍化程度严重ꎬ导致土壤养分空间分布上存在较大差异ꎬ取样表层土地利用类型主要包括:耕地㊁林地㊁草地㊁盐渍地㊁荒地ꎮ通过对原始光谱(Ｒ)㊁原始光谱倒数(１/Ｒ)㊁原始光谱对数(ＬｎＲ)以及原始光谱一阶微分(Ｒᶄ)４种不同情况进行连续小波变换ꎬ利用ＢＰ神经网络以及支持向量机２种模型ꎬ探究了不同土壤类型与不同土地利用类型下是否会对土壤有机质高光谱反演模型产生影响ꎬ小波变换前后土壤有机质反演模型的精度ꎬ旨为区域土壤有机质含量监测及实现精准农业提供理论与技术支持ꎮ１㊀材料与方法１.１㊀研究区概况托克托县隶属于内蒙古自治区呼和浩特市ꎬ位于自治区中部㊁大青山南麓㊁黄河上中游分界处北岸的土默川平原上(图１)ꎮ地理坐标东经３３１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演１１１ʎ２ᶄ３０ᵡ １１１ʎ３２ᶄ２１ᵡ㊁北纬４０ʎ５ᶄ５５ᵡ ４０ʎ３５ᶄ１５ᵡꎬ总面积１４０９.６７ｋｍ２ꎬ平均海拔１１１７ｍꎬ属于温带大陆性干旱气候ꎬ年均气温７.３ħꎬ年均降雨３６２ｍｍꎮ托克托县耕地总面积达４００ｋｍ２ꎬ其中古城镇㊁新营子镇和五申镇的耕地较多ꎬ占全县耕地面积的６０％以上[１９]ꎬ主要作物包括小麦㊁玉米㊁莜麦ꎮ工农业及生产生活用水主要来源于大黑河和黄河水资源ꎬ整个地形以大黑河为轴ꎬ呈现由丘陵向平原过渡的趋势ꎬ地势为东南高㊁西北和西南低ꎮ东南向西北土壤类型依次为栗钙土㊁砂壤石灰性冲积土㊁盐渍化石灰性冲积土[２０]ꎬ土壤类型的不同导致土壤养分存在差异性分布ꎮ植被类型从西向东依次为草甸草原㊁干草原和退化灌丛草原分布ꎮ以Ｌａｎｄｓａｔ８ＯＬＩ影像为基础数据源ꎬ运用人工目视解译与ＢＰ神经网络分类法得到托克托县２０１９年７月份土地利用数据ꎬ其中耕地面积最大为７３０.１２ｋｍ２ꎬ占５１.７９％ꎻ林草地３３８.７ｋｍ２ꎬ占２４.０２％ꎻ盐碱地１４１.１ｋｍ２ꎬ占１０.００％ꎮ详细土地利用空间分布见图１ꎮ图１㊀土样采集点及土地利用空间分布Ｆｉｇ.１㊀Ｃｏｌｌｅｃｔｉｏｎｐｏｉｎｔｓｏｆｓｏｉｌｓａｍｐｌｅｓａｎｄｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｌａｎｄｕｓｅ１.２㊀研究方法１.２.１㊀土样采集与处理㊀土壤样本点均匀地分布在托克托县境内ꎬ采集方法为五点采样法ꎬ采集深度为０ ２０ｃｍꎬ共采集１２０个点ꎮ采集的土样置于通风干燥室内进行自然风干㊁研磨ꎬ过１０目筛ꎬ进行土壤光谱测定ꎻ过１００目筛ꎬ采用重铬酸钾外加热法进行土壤有机质含量测定ꎮ１.２.２㊀光谱测量及光谱处理㊀土壤光谱于暗室内测量ꎬ采用ＳＶＣＨＲ￣１０２４(北京东方佳气科技有限公司)便携式光谱仪ꎬ光谱范围在３５０~２５００ｎｍꎮ在３５０~１０００ｎｍ波段之间光谱分辨率ɤ３.５ｎｍꎻ在１０００~１８５０ｎｍ波段之间ꎬ光谱分辨率ɤ９.５ｎｍꎻ在１８５０~２５００ｎｍ波段之间ꎬ光谱分辨率ɤ６.５ｎｍꎮ光源采用与太阳光接近的５０Ｗ卤素灯ꎬ将土壤样品放入深２ｃｍ㊁宽１０ｃｍ的黑色器皿内ꎬ用直尺将土壤表面刮平ꎬ探头距离土样１０ｃｍꎬ光源距离土壤表面３０ｃｍꎬ天顶角为１５ʎꎮ测量前用白板进行标定ꎬ每个土样采集５条光谱作为该土样的光谱数据ꎮ由于受噪音与仪器暗电流的的影响ꎬ导致光谱数据混入噪音等信息ꎬ因此删除３５０~３９９ｎｍ和２４００~２５００ｎｍ的波段ꎬ采用五点平滑法对光谱进行平滑处理ꎬ并将光谱重采样至５ｎｍꎬ同时对原始光谱(Ｒ)进行一阶微分(Ｒᶄ)㊁倒数(１/Ｒ)㊁对数(ＬｎＲ)等传统数学变换ꎮ１.２.３㊀连续小波变换㊀采用连续小波变换ꎬ并用Ｍｅｘｈ小波母函数对原始光谱㊁原始光谱的倒数㊁对数㊁一阶微分进行１０层小波变换ꎬ生成一系列小波系数ꎮΨａꎬｂ＝１㊀ａΨλ－ｂａæèçöø÷(１)式中ꎬａ为伸缩因子ꎬｂ为平移因子ꎬλ为土壤高光谱数据的波段数ꎮＷｆａꎬｂ()＝ｆꎬΨａꎬｂ()＝ʏ＋ɕ－ɕｆλ()Ψａꎬｂλ()ｄｙ(２)式中ꎬｆλ()为土壤光谱反射率ꎬ小波系数Ｗｆａꎬｂ()包含二维ꎬ分别为波长(３５０~２５００)与分解尺度(１ꎬ２ꎬ３ １０)ꎬ故小波系数行为尺度数ꎬ列为波长数的矩阵[１６]ꎮ１.２.４㊀模型及精度验证㊀采用ＢＰ神经网络与支持向量机模型(ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅꎬＳＶＭ)建立土壤有机质预测模型ꎬ支持向量机采用线性核函数ꎬ相对于径向基函数(ｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎꎬ４３１中国农业科技导报２３卷ＲＢＦ)来说计算高效ꎬ不易过拟合ꎮＢＰ神经网络的迭代次数设置为１０００ꎬ学习率０.０１ꎬ训练的均方根误差(ｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒꎬＲＭＳＥ)小于０.００１ꎮ依据相关系数筛选的特征波段以及小波系数作为自变量ꎬ土壤有机质含量为因变量ꎬ分别建立模型ꎬ模型精度采用决定系数(Ｒ２)㊁均方根误差(ＲＭＳＥ)㊁相对分析误差(ｒｅｌａｔｉｖｅｐｅｒｃｅｎｔｄｅｖｉａｔｉｏｎꎬＲＰＤ)以及１ʒ１线共同评价ꎮＲ２表征模型的稳定性ꎬ越接近于１模型越稳定ꎬ拟合程度越好ꎮ均方根误差(ＲＭＳＥ)用来检验模型的预报能力ꎬＲＭＳＥ越小则表明模型的估测能力越好ꎮＲＰＤ是样本的标准差与ＲＭＳＥ的比值ꎬＲＰＤ<１.４时ꎬ模型无法对样品进行预测ꎻ１.４ɤＲＰＤ<２时ꎬ模型效果一般ꎬ可以用来对样品进行粗略评估ꎻＲＰＤȡ２时ꎬ模型具有极好的预测能力ꎮ１ʒ１线表示实测值与预测值构成的点偏离ｙ＝ｘ线的程度[２１]ꎮ２㊀结果与分析２.１㊀土壤有机质含量统计分析建模样品集㊁不同土地利用方式㊁不同土壤类型下土壤有机质含量描述性统计见表１ꎮ本研采样点内土地利用方式主要包括林地㊁草地㊁耕地㊁盐渍地ꎬ土壤有机质在草地内均值含量最大(０ ８０％)ꎬ其次为林地(０.７２％)㊁耕地(０.６７％)㊁盐渍地有机质含量最低(０.６３％)ꎻ土壤有机质含量最大值位于耕地(１.２８％)ꎬ最小值位于林地(０ １９％)ꎮ采样点内主要土壤类型为栗钙土㊁沙壤土㊁盐碱土ꎬ沙壤土有机质含量最高(０.７７％)ꎬ其次为盐碱土(０.６８％)和栗钙土(０.６７％)ꎬ土壤有机质含量最大值位于沙壤土内(１.２８％)ꎬ最小值位于盐碱土内(０.１９％)ꎮ表１㊀土壤有机质含量描述性统计结果Ｔａｂｌｅ１㊀Ｄｅｓｃｒｉｐｔｉｖｅｓｔａｔｉｓｔｉｃｓｒｅｓｕｌｔｓｏｆｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎｓｏｉｌｓａｍｐｌｅｓ项目Ｉｔｅｍ样品集及类型Ｓａｍｐｌｅｓｅｔａｎｄｔｙｐｅ土样数Ｎｕｍｂｅｒｏｆｓａｍｐｌｅｓ最大值Ｍａｘｉｍｕｍ/％最小值Ｍｉｎｉｍｕｍｖａｌｕｅ/％均值Ｍｅａｎｖａｌｕｅ/％标准差Ｓｔａｎｄａｒｄｄｅｖｉａｔｉｏｎ/％模型样品集Ｍｏｄｅｌｓａｍｐｌｅｓｅｔ样品全集Ｗｈｏｌｅｓｅｔ１２０１.２００.１９４０.７１０.２７６建模集Ｍｏｄｅｌｉｎｇｓｅｔ９０１.２００.１９０.７２０.２２７验证集Ｖａｌｉｄａｔｉｏｎｓｅｔ３０１.２８０.２５０.７０.２５７土地利用方式Ｌａｎｄｕｓｅｐａｔｔｅｒｎ耕地Ｃｕｌｔｉｖａｔｅｄｌａｎｄ５５１.２８０.２００.６７０.２０林地Ｗｏｏｄｌａｎｄ２０１.１５０.１９０.７２０.２３草地Ｇｒａｓｓｌａｎｄ２５１.１８０.２５０.８００.２１盐渍地Ｓａｌｉｎｅｓｏｉｌ２０１.０３０.２５０.６３０.２２土壤类型Ｓｏｉｌｔｙｐｅ栗钙土Ｃｈｅｓｔｎｕｔｓｏｉｌ５４１.２０.２０.６７０.２２沙壤土Ｓａｎｄｙｌｏａｍ５１１.２８０.２５０.７７０.２４盐碱土Ｓａｌｉｎｅ￣ａｌｋａｌｉｓｏｉｌ１５１.１５０.１９０.６８０.２２２.２㊀土壤反射光谱特征对Ｒ㊁１/Ｒ㊁ＬｎＲ㊁Ｒᶄ进行小波变换ꎬ变换结果如图２所示ꎬＲ㊁１/Ｒ㊁ＬｎＲ光谱曲线较为平滑ꎬ分解曲线随波峰波谷变化.Ｒᶄ其光谱曲线并不规则存在较多波峰波谷ꎬ分解小波系数与前三者不同ꎮＲ㊁１/Ｒ㊁ＬｎＲ㊁Ｒᶄ分解后ꎬ小波系数均随分解尺度的增加而增加ꎬ同时可以看出ꎬ由Ｍｅｘｈ小波母函数进行的连续小波变换ꎬ对于光谱波峰与波谷有较高的敏感性ꎬ对于放大㊁挖掘光谱信息有着显著的作用ꎮ２.３㊀相关性分析２.３.１㊀不同导数变换光谱与土壤有机质含量相关性㊀土壤有机质含量与光谱相关性曲线及敏感波段见图３ꎮＲ与土壤有机质含量呈负相关关系(相关系数ｒ＝－０.４６３)ꎬ主要集中于７３５~７８０ｎｍ处波段ꎻ１/Ｒ与土壤有机质的相关性则与Ｒ相反ꎬ呈正相关关系(ｒ＝０.４６２)ꎬ集中于６００~８００ｎｍ与１８００~２２００ｎｍ处波段ꎻＬｎＲ的相关性曲线图与Ｒ相关性曲线类似ꎬ总体呈现负相关关系ꎬ相关系数(ｒ＝－０.４６５)ꎬ主要集中于７４５~７９５５３１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演ｎｍ处的波段ꎻＲᶄ相关性在５００ｎｍ(ｒ＝－０.５８９)与１４００ｎｍ(ｒ＝－０.４１１)处为负相关ꎬ在８００ｎｍ(ｒ＝０.４０８)与１３８０ｎｍ(ｒ＝０.４１２)处为正相关ꎬ相关系数曲线变换趋势与前三者不同ꎬ呈无规律变化ꎮ２.３.２㊀不同分解尺度小波系数与土壤有机质含量的相关性㊀图４为不同光谱变换方式经过连续小波变换后与土壤有机质含量的相关系数矩阵图ꎬ其中红色代表相关性高的区域ꎬ蓝色代表相关性低的区域ꎮＲ在８００~１０００㊁１４００~１６００ｎｍ处相关性明显增加ꎬ在５００㊁８００㊁２２００ｎｍ波段处相关系数达到最大值(ｒ＝０.６６７)ꎻ１/Ｒ在８００~１２００ｎｍ处相关系数达到最大值(ｒ＝０.５５２)ꎬ在２４００~２５００ｎｍ处相系数达到０.４ꎬ受噪音和仪器本身的影响ꎬ此波段的相关系数不进行相关性参考ꎻＬｎＲ在分解尺度１下相关性较低ꎬ在２~１０尺度下ꎬ相关性出现最大值(ｒ＝０.６６４)ꎻＲᶄ相关性主要集中在５００~９００㊁１２００~１６００㊁２１００~２３００ｎｍ处ꎮ筛选的敏感波段与尺度如表２所示ꎮ有效的光谱信息主要存在于低分解尺度ꎬ随分解尺度的增加呈递减趋势ꎬ相关性最大值较未处理前分别增加了０.２０４㊁０.０９㊁０.１９９㊁０.２５２ꎬ对于挖掘潜在光谱信息有着重要意义ꎮ２.４㊀土壤有机质高光谱模型建立２.４.１㊀ＢＰ神经网络预测模型㊀采用ＢＰ神经网络构建反演模型ꎬ结果如表３所示ꎮ未进行连续小波变换处理的模型中ꎬＢＰ￣Ｒ与ＢＰ￣Ｒᶄ效果较好ꎬＲ２分别为０.６９和０.７３ꎬＲＰＤ为１.４５与１.５３ꎬ模型能粗略估算土壤有机含量ꎬＢＰ￣ＬｎＲ与ＢＰ￣１/Ｒ样本外预测能力较差ꎬ同时ＲＰＤ未达到１.４以上ꎬ不能对土壤有机质未能进行有效预测ꎻ连续小图２㊀连续小波变换光谱特性Ｆｉｇ.２㊀Ｓｐｅｃｔｒａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ６３１中国农业科技导报２３卷图３㊀土壤光谱相关性曲线及敏感波段Ｆｉｇ.３㊀Ｃｏｒｒｅｌａｔｉｏｎｃｕｒｖｅａｎｄｓｅｎｓｉｔｉｖｅｂａｎｄｏｆｓｏｉｌｓｐｅｃｔｒｕｍ图４㊀土壤有机质与小波系数相关性Ｆｉｇ.４㊀Ｃｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒａｎｄｗａｖｅｌｅｔｃｏｅｆｆｉｃｉｅｎｔｓ７３１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演表２㊀筛选的敏感波段Ｔａｂｌｅ２㊀Ｓｅｎｓｉｔｉｖｅｂａｎｄｆｏｒｓｃｒｅｅｎｉｎｇ处理方式Ｔｒｅａｔｍｅｎｔｍｅｔｈｏｄ相关系数Ｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔ分解尺度Ｄｅｃｏｍｐｏｓｉｔｉｏｎｓｃａｌｅ敏感波段Ｓｅｎｓｉｔｉｖｅｂａｎｄ/ｎｍＣＷＴ￣Ｒ０.６６７１~１０２１４㊁２１２㊁９１㊁９１㊁１０９㊁１０９㊁１０９㊁１１０㊁１１１㊁１１２ＣＷＴ￣１/Ｒ０.５５２１~７４００㊁２１２㊁１０８㊁１０８㊁１０８㊁１０８㊁１０９ＣＷＴ￣ＬｎＲ０.６６４２~８２１３㊁２１２㊁４５㊁４５㊁４５㊁１０９㊁１１０ＣＷＴ￣Ｒᶄ０.６６４１~１０２１２㊁２１５㊁２１５㊁２１６㊁９９㊁９９㊁９９㊁９８㊁９８㊁９８波变换处理之后的模型ꎬ仅ＢＰ￣ＣＷＴ￣１/Ｒ模型ＲＰＤ未达到预测水平ꎬ其余３种模型Ｒ２与ＲＰＤ较未处理前均有所增加ꎬＲＭＳＥ均减少ꎬ其中ＢＰ￣ＣＷＴ￣ＬｎＲ模型预测效果较好ꎬＲＰＤ达到２.１２可以有效地对土壤有机质进行预测ꎮ将ＢＰ￣ＣＷＴ处理的４个模型的实测值与预测值进行１ʒ１线分析ꎮ由图５可知ꎬ除ＢＰ￣ＣＷＴ￣１/Ｒ模型外ꎬ其余模型的实测值与预测值样点基本分布在１ʒ１线附近ꎬＢＰ￣ＣＷＴ￣ＬｎＲ效果较为明显ꎬ且估算精度高ꎬ可较好地进行土壤有机质含量的估算ꎮ２.４.２㊀支持向量机预测模型㊀ＳＶＭ构建反演模型ꎬ结果如表４所示ꎮ未经过连续小波处理的光谱特征波段未能较好地对土壤有机质进行预测反演ꎬ经过ＣＷＴ后模型ＳＶＭ￣ＣＷＴ￣Ｒ与ＳＶＭ￣ＣＷＴ￣Ｒᶄ预测结果较之前有较大的提升ꎬＲ２分别达到了０.５０与０.５６ꎬ二者ＲＰＤ均达到１.４以上ꎬ可以粗表３㊀土壤有机质ＢＰ神经网络估测模型结果Ｔａｂｌｅ３㊀ＲｅｓｕｌｔｓｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｆｏｒｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒ模型Ｍｏｄｅｌ建模集ＭｏｄｅｌｉｎｇｓｅｔＲ２ＲＭＳＥ验证集ＶａｌｉｄａｔｉｏｎｓｅｔＲ２ＲＭＳＥＲＰＤＢＰ￣Ｒ０.６９０.１７０.５２０.１９１.４５ＢＰ￣１/Ｒ０.６８０.１７０.３３０.２２１.２５ＢＰ￣ＬｎＲ０.５６０.１９０.２４０.２２１.２５ＢＰ￣Ｒᶄ０.７３０.１６０.５２０.１８１.５３ＢＰ￣ＣＷＴ￣Ｒ０.８００.１４０.５４０.１７１.６２ＢＰ￣ＣＷＴ￣１/Ｒ０.６４０.１８０.２１０.２８０.９８ＢＰ￣ＣＷＴ￣ＬｎＲ０.７６０.１５０.７４０.１３２.１２ＢＰ￣ＣＷＴ￣Ｒᶄ０.７７０.１４０.６６０.１６１.７２表４㊀土壤有机质支持向量机估测模型结果Ｔａｂｌｅ４㊀Ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｒｅｓｕｌｔｓｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒ模型Ｍｏｄｅｌ建模集ＭｏｄｅｌｉｎｇｓｅｔＲ２ＲＭＳＥ验证集ＶａｌｉｄａｔｉｏｎｓｅｔＲ２ＲＭＳＥＲＰＤＳＶＭ￣Ｒ０.２１０.２００.１９０.２０１.３８ＳＶＭ￣１/Ｒ０.２１０.２００.２００.２１１.３１ＳＶＭ￣ＬｎＲ０.２１０.２００.２００.２１１.３１ＳＶＭ￣Ｒᶄ０.４３０.１７０.２７０.２０１.３８ＳＶＭ￣ＣＷＴ￣Ｒ０.５００.１６０.４８０.１７１.６２ＳＶＭ￣ＣＷＴ￣１/Ｒ０.２９０.１９０.１６０.２１１.３１ＳＶＭ￣ＣＷＴ￣ＬｎＲ０.４９０.１６０.２７０.２０１.３８ＳＶＭ￣ＣＷＴ￣Ｒᶄ０.５６０.１５０.４１０.１８１.５３８３１中国农业科技导报２３卷图５㊀ＢＰ￣ＣＷＴ模型土壤实测值与预测值对比Ｆｉｇ.５㊀ＣｏｍｐａｒｉｓｏｎｏｆｍｅａｓｕｒｅｄｖａｌｕｅａｎｄｐｒｅｄｉｃｔｅｄｖａｌｕｅｏｆＢＰ￣ＣＷＴｍｏｄｅｌ略地对土壤有机质进行预测ꎮ同时根据图６ꎬＳＶＭ￣ＣＷＴ模型进行１:１线分析ꎬ二者实测值与预测值分布情况在４种模型下较好ꎬ虽然模型ＳＶＭ￣ＣＷＴＬｎＲ分布同样较为集中ꎬ但其样本外预测情况较差(ＲＰＤ＝１.３８)ꎬ综合考虑不对其进行土壤有机质预测ꎮ结合表３和表４的结果分析ꎬ连续小波变换能够有效地提升模型精度与模型泛化能力ꎬ对于光谱信息挖掘有着重要意义ꎬＢＰ神经网络与支持向量机对ＣＷＴ￣Ｒ与ＣＷＴ￣Ｒᶄ都能够提升Ｒ２减少ＲＭＳＥꎬ可对土壤有机质做出较好的预测ꎮ虽然ＢＰ神经网络与支持向量机在处理非线性回归问题中有较强的能力ꎬ但本身模型中存在不稳定性ꎬ对模型的环境设置同样要求较高ꎬ所以未能对所有数据集进行良好的预测ꎮ３㊀讨论本研究采用连续小波变换对光谱进行处理ꎬ用ＢＰ神经网络与支持向量机(ＳＶＭ)两种模型对土壤有机质含量进行反演预测ꎮ未经过连续小波变换前ꎬＲ㊁１/Ｒ㊁ＬｎＲ㊁Ｒᶄ与土壤有机质的相关系系数最大值分别为－０.４６３㊁０.４６２㊁－０.４６５㊁０.５８９ꎬ可以看出ꎬＲᶄ与土壤有机质的相关系数最高ꎬ与吴倩等[２２]㊁张新乐等[２３]的研究结果相同ꎻ经过连续小波变换后ꎬＣＷＴ￣Ｒ㊁ＣＷＴ￣１/Ｒ㊁ＣＷＴ￣ＬｎＲ㊁ＣＷＴ￣Ｒᶄ相关系数最大值分别为０ ６６７㊁０.５５２㊁０ ６６４㊁０.６６２ꎬ较之前分别增加了０ ２０㊁０.０９㊁０.１９㊁０.０７ꎮ王延仓等[１]㊁于雷等[４]㊁叶红云等[１７]等同样证明连续小波变换可有效提高与土壤有机质含量的相关系数ꎮ不同分解尺度对于光谱数据的深度挖掘有着重要意义ꎬ本研究只利用Ｍｅｘｈ小波母函数进行处理ꎬ未对其他函数进行考虑ꎬ分解层数同样是根据前人经验所得[４ꎬ１０]ꎬ小波技术的研究与发展仍然有很大的探索空间ꎮ相对于两种模型来看ꎬ未进行连续小波处理９３１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演图６㊀利用ＳＶＭ￣ＣＷＴ模型土壤实测值与预测值的对比Ｆｉｇ.６㊀ＣｏｍｐａｒｉｓｏｎｏｆｓｏｉｌｍｅａｓｕｒｅｄｖａｌｕｅａｎｄｐｒｅｄｉｃｔｅｄｖａｌｕｅｏｆＳＶＭ￣ＣＷＴｍｏｄｅｌ的支持向量机模型中ꎬ只有ＳＶＭ￣Ｒᶄ模型Ｒ２最高达到０.４３ꎬ其余三者均未到达０.４ꎮ综合多种模型评价方法ꎬ由于其ＲＰＤ未达到１.４以上ꎬ无法对土壤有机质含量进行预测ꎮ经过连续小波处理后ꎬ各模型的Ｒ２有明显提高ꎬ其中ＳＶＭ￣ＣＷＴ￣Ｒ与ＳＶＭ￣ＣＷＴ￣Ｒᶄ模型效果较好ꎬＲ２分别提高了０.２９㊁０.１３ꎬＲＰＤ达到１.６２与１.５３实现了对土壤有机质有效的预测ꎬ但预测结果较ＢＰ神经网络较低ꎮ在ＢＰ神经网络预测模型中ꎬ未进行连续小波变换前ꎬＢＰ￣Ｒ与ＢＰ￣Ｒᶄ预测效果较好ꎬＲ２达到０.６９与０.７３ꎬＲＰＤ为１.４５与１.５３ꎻ进行连续小波处理后ꎬ除ＳＶＭ￣ＣＷＴ￣１/Ｒ模型未到达预测效果ꎬ其余３种模型预测结果较之前均有明显改善ꎬ可实现对土壤有机质较好的预测ꎬ其中ＢＰ￣ＣＷＴ￣ＬｎＲ预测模型效果最佳Ｒ２达到０.７６ꎬＲＰＤ达到２.１２ꎮ根据１:１线分析图也可看出ꎬ其实测值与预测值分布较为集中ꎬ于雷等[４]㊁叶红云等[１７]㊁林鹏达等[１８]同样通过连续小波变换有效提升了模型的精度与泛化能力ꎮ针对土壤有机质高光谱反演研究中ꎬ姚聪[２４]对耕层土壤通过ＢＰ神经网络与支持向量机模型ꎬ反演精度Ｒ２分别为０.４２与０.６７ꎻ叶红云等[１７]采用连续小波变换对干旱区土壤有机质反演ꎬ模型精度Ｒ２＝０.７５㊁ＥＭＳＥ＝０.７１ꎻ谢文[２５]在森林土壤有机质反演研究中ꎬＢＰ神经网络模型Ｒ２＝０ ７８㊁ＥＭＳＥ＝０.７７ꎬ支持向量机模型Ｒ２＝０.８７㊁ＥＭＳＥ＝０.７６ꎮ本研究对耕地㊁林草地㊁盐碱地㊁栗钙土㊁沙壤土㊁盐渍土等不同土地利用类型与土壤类型进行综合反演ꎬ最佳反演模型为ＢＰ￣ＣＷＴＬｎＲꎬＲ２＝０.７６㊁ＥＭＳＥ＝０.１５㊁ＲＰＤ＝２.１２ꎬ与前人研究的结果基本相符ꎬ证明通过连续小波变换处理ꎬ不同土壤类型与土地利用类型未对土壤反演模型精度产生影响ꎮ所以采用连续小波变换进行光谱数据挖掘ꎬ采用ＢＰ￣ＣＷＴ￣ＬｎＲ神经网络建０４１中国农业科技导报２３卷立反演模型ꎬ可对不同土地利用于土壤类型条件下土壤有机质高光谱反演提供一定的理论支持与应用价值ꎮ参㊀考㊀文㊀献[１]㊀王延仓ꎬ杨秀峰ꎬ赵起超ꎬ等.二进制小波技术定量反演北方潮土土壤有机质含量[Ｊ].光谱学与光谱分析ꎬ２０１９ꎬ３９(９):２８５５－２８６１.ＷＡＮＧＹＣꎬＹＡＮＧＸＦꎬＺＨＡＯＱＣꎬｅｔａｌ..Ｑｕａｎｔｉｔａｔｉｖｅｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｂａｓｅｄｏｎｂｉｎａｒｙｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ[Ｊ].ＳｐｅｃｔｒｏｓｃｏｐｙＳｐｅｃｔｒａｌＡｎａｌ.ꎬ２０１９ꎬ３９(９):２８５５－２８６１. [２]㊀于雷ꎬ洪永胜ꎬ耿雷ꎬ等.基于偏最小二乘回归的土壤有机质含量高光谱估算[Ｊ].农业工程学ꎬ２０１５ꎬ３１(１４):１０３－１０９.ＹＵＬꎬＨＯＮＧＹＳꎬＧＥＮＧＬꎬｅｔａｌ..Ｈｙｐｅｒｓｐｅｃｔｒａｌｅｓｔｉｍａｔｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｂａｓｅｄｏｎｐａｒｔｉａｌｌｅａｓｔｓｑｕａｒｅｓｒｅｇｒｅｓｓｉｏｎ[Ｊ].Ｔｒａｎｓ.ＣＳＡＥꎬ２０１５ꎬ３１(１４):１０３－１０９. [３]㊀钟浩ꎬ李西灿ꎬ翟浩然ꎬ等.耕层土壤有机质高光谱间接估测模型[Ｊ].测绘科学技术学报ꎬ２０１９ꎬ３６(１):７４－７８ꎬ８５.ＺＨＯＮＧＨꎬＬＩＸＣꎬＺｈＡＩＨＲꎬｅｔａｌ..Ｈｙｐｅｒｓｐｅｃｔｒａｌｉｎｄｉｒｅｃｔｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎｐｌｏｕｇｈｌａｙｅｒ[Ｊ].Ｊ.ＧｅｏｍａｔｉｃｓＴｅｃｈｎｏｌ.ꎬ２０１９ꎬ３６(１):７４－７８ꎬ８５. [４]㊀于雷ꎬ洪永胜ꎬ周勇ꎬ等.连续小波变换高光谱数据的土壤有机质含量反演模型构建[Ｊ].光谱学与光谱分析ꎬ２０１６ꎬ３６(５):１４２８－１４３３.ＹＵＬꎬＨＯＮＧＹＳꎬＺＨＯＵＹꎬｅｔａｌ..Ｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｕｓｉｎｇｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａｂａｓｅｄｏｎｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍａｔｉｏｎ[Ｊ].ＳｐｅｃｔｒｏｓｃｏｐｙＳｐｅｃｔｒａｌＡｎａｌ.ꎬ２０１６ꎬ３６(５):１４２８－１４３３.[５]㊀ＳＴＥＮＢＥＲＧＢꎬＶＩＳＣＡＲＲＡＲＲＡꎬＭＯＵＡＺＥＮＡＭꎬｅｔａ１..Ｖｉｓｉｂｌｅａｎｄｎｅａｒｉｎｆｒａｒｅｄｓｐｅｃｔｒｏｓｃｏｐｙｉｎｓｏｉｌｓｃｉｅｎｃｅ[Ｊ].Ａｄｖ.Ａｇｒｏｎ.ꎬ２０１０ꎬ１０７:１６３－２１５.[６]㊀聂哲ꎬ李秀芬ꎬ吕家欣ꎬ等.东北典型黑土区表层土壤有机质含量高光谱反演研究[Ｊ].土壤通报ꎬ２０１９ꎬ５０(６):１２８５－１２９３.ＮＩＥＺꎬＬＩＵＸＦꎬＬＹＵＪＸꎬｅｔａｌ..ＨｙｐｅｒｓｐｅｃｔｒａｌｒｅｔｒｉｅｖａｌｏｆｓｕｒｆａｃｅｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎａｔｙｐｉｃａｌｂｌａｃｋｓｏｉｌｒｅｇｉｏｎｏｆｎｏｒｔｈｅａｓｔＣｈｉｎａ[Ｊ].Ｃｈｉｎ.Ｊ.ＳｏｉｌＳｃｉ.ꎬ２０１９ꎬ５０(６):１２８５－１２９３.[７]㊀沈润平ꎬ丁国香ꎬ魏国栓ꎬ等.基于人工神经网络的土壤有机质含量高光谱反演[Ｊ].土壤学报ꎬ２００９ꎬ４６(３):３９１－３９７.ＳＨＥＮＲＰꎬＤＩＮＧＧＸꎬＷＥＩＧＳꎬｅｔａｌ..Ｒｅｔｒｉｅｖａｌｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｆｒｏｍｈｙｐｅｒ￣ｓｐｅｃｔｒｕｍｂａｓｅｏｎＡｎｎ[Ｊ].ＡｃｔａＰｅｄｏｌ.Ｓｉｎ.ꎬ２００９ꎬ４６(３):３９１－３９７.[８]㊀沈强ꎬ张世文ꎬ夏沙沙ꎬ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)ꎬ２０１９ꎬ３９(４):３９－４５.ＳＨＥＮＱꎬＺＨＡＮＧＳＷꎬＸＩＡＳＳꎬｅｔａｌ..Ｈｙｐｅｒｓｐｅｃｔｒａｌｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｂａｓｅｄｏｎｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ[Ｊ].Ｊ.ＡｎｈｕｉＵｎｉｖ.Ｓｃｉ.Ｔｅｃｈｎｏｌ.(Ｎａｔ.Ｓｃｉ.)ꎬ２０１９ꎬ３９(４):３９－４５.[９]㊀ＢＲＥＩＭＡＮＬꎬＦＲＩＥＤＭＡＮＪＨꎬＯＬＳＨＥＮＲＡꎬｅｔａｌ..ＣｌａｓｓｉｆｉｃａｔｉｏｎａｎｄＲｅｇｒｅｓｓｉｏｎＴｒｅｅｓ[Ｍ].Ｂｅｌｍｏｎｔ:ＷａｄｓｗｏｒｔｈＩｎｔｅｒｎａｔｉｏｎａｌＧｒｏｕｐꎬ１９８４.[１０]㊀方圣辉ꎬ乐源ꎬ梁琦.基于连续小波分析的混合植被叶绿素反演[Ｊ].武汉大学学报ꎬ２０１５ꎬ４０(３):２９６－３０２.ＦＡＮＧＳＨꎬＬＥＹꎬＬＩＡＮＧＱ.Ｒｅｔｒｉｅｖａｌｏｆｃｈｌｏｒｏｐｈｙｌｌｃｏｎｔｅｎｔｕｓｉｎｇｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔａｎａｌｙｓｉｓａｃｒｏｓｓａｒａｎｇｅｏｆｖｅｇｅｔａｔｉｏｎｓｐｅｃｉｅｓ[Ｊ].ＧｅｏｍａｔｉｃｓＩｎｆｏｒｍ.Ｓｃｉ.ＷｕＨａｎＵｎｉｖ.ꎬ２０１５ꎬ４０(３):２９６－３０２.[１１]㊀何汝艳ꎬ乔小军ꎬ蒋金豹ꎬ等.小波法反演条锈病胁迫下冬小麦冠层叶片全氮含量[Ｊ].农业工程学报ꎬ２０１５ꎬ３１(２):１４１－１４６.ＨＥＲＹꎬＱＩＡＯＸＪꎬＪＩＡＮＧＪＢꎬｅｔａｌ..Ｒｅｔｒｉｅｖｉｎｇｃａｎｏｐｙｌｅａｆｔｏｔａｌｎｉｔｒｏｇｅｎｃｏｎｔｅｎｔｏｆｗｉｎｔｅｒｗｈｅａｔｂｙｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ[Ｊ].Ｔｒａｎｓ.ＣＳＡＥꎬ２０１５ꎬ３１(２):１４１－１４６. [１２]㊀陈红艳ꎬ赵庚星ꎬ李希灿ꎬ等.小波分析用于土壤速效钾含量高光谱估测研究[Ｊ].中国农业科学ꎬ２０１２ꎬ４５(７):１４２５－１４３１.ＣＨＥＮＨＹꎬＺＨＡＯＧＸꎬＬＩＸＣꎬｅｔａｌ..Ａｐｐｌｉｃａｔｉｏｎｏｆｗａｖｅｌｅｔａｎａｌｙｓｉｓｆｏｒｅｓｔｉｍａｔｉｏｎｏｆｓｏｉｌａｖａｉｌａｂｌｅｐｏｔａｓｓｉｕｍｃｏｎｔｅｎｔｗｉｔｈｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｆｌｅｃｔａｎｃｅ[Ｊ].Ｓｃｉ.Ａｇｒｉｃ.Ｓｉｎ.ꎬ２０１２ꎬ４５(７):１４２５－１４３１.[１３]㊀高洪智ꎬ卢启鹏.土壤主要养分近红外光谱分析及其测量系统[Ｊ].光谱学与光谱分析ꎬ２０１１ꎬ３１(５):１２４５－１２４９.ＧＡＯＨＺꎬＬＵＱＰ.Ｎｅａｒｉｎｆｒａｒｅｄｓｐｅｃｔｒａｌａｎａｌｙｓｉｓａｎｄｍｅａｓｕｒｉｎｇｓｙｓｔｅｍｆｏｒｐｒｉｍａｒｙｎｕｔｒｉｅｎｔｏｆｓｏｉｌ[Ｊ].ＳｐｅｃｔｒｏｓｃｏｐｙＳｐｅｃｔｒａｌＡｎａｌ.ꎬ２０１１ꎬ３１(５):１２４５－１２４９.[１４]㊀王祥浩.土壤有机质高光谱反演模型研究[Ｊ].黑龙江工程学院学报ꎬ２０１９ꎬ３３(５):３４－３９.ＷＡＮＧＸＨ.Ｒｅｓｅａｒｃｈｏｎｈｉｇｈｓｐｅｃｔｒａｌｉｎｖｅｒｓｉｏｎｍｏｄｅｌｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒ[Ｊ].Ｊ.ＨｅｉｌｏｎｇｊｉａｎｇＩｎｓｔｉｔｕｔｅＴｅｃｈｎｏｌ.ꎬ２０１９ꎬ３３(５):３４－３９.[１５]㊀包青岭ꎬ丁建丽ꎬ王敬哲ꎬ等.基于随机森林算法的土壤有机质含量高光谱检测[Ｊ].干旱区地理ꎬ２０１９ꎬ４２(６):１４０４－１４１４.ＢＡＯＱＬꎬＤＩＮＧＪＬꎬＷＡＮＧＪＺꎬｅｔａｌ..Ｈｙｐｅｒｓｐｅｃｔｒａｌｄｅｔｅｃｔｉｏｎｏｆｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｂａｓｅｄｏｎｒａｎｄｏｍｆｏｒｅｓｔａｌｇｏｒｉｔｈｍ[Ｊ].ＡｒｉｄＬａｎｄＧｅｏｇｒａｐｈｙꎬ２０１９ꎬ４２(６):１４０４－１４１４.[１６]㊀王延仓ꎬ张兰ꎬ王欢ꎬ等.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ꎬ２０１８ꎬ３８(１１):３５２１－３５２７.ＷＡＮＧＹＣꎬＺＨＡＮＧＬꎬＷＡＮＧＨꎬｅｔａｌ..Ｑｕａｎｔｉｔａｔｉｖｅｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｂａｓｅｄｏｎｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ[Ｊ].ＳｐｅｃｔｒｏｓｃｏｐｙＳｐｅｃｔｒａｌＡｎａｌ.ꎬ２０１８ꎬ３８(１１):３５２１－３５２７.[１７]㊀叶红云ꎬ熊黑钢ꎬ张芳ꎬ等.基于ＣＷＴ的人类不同程度干扰下干旱区土壤有机质含量估算研究[Ｊ].激光与光电子学进展ꎬ２０１９ꎬ５６(５):１１５－１２４.ＹＥＨＹꎬＸＩＯＮＧＨＧꎬＺＨＡＮＧＦꎬｅｔａｌ..ＣＷＴ￣Ｂａｓｅｄｅｓｔｉｍａｔｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎａｒｉｄａｒｅａｕｎｄｅｒｄｉｆｆｅｒｅｎｔｈｕｍａｎｄｉｓｔｕｒｂａｎｃｅｄｅｇｒｅｅｓ[Ｊ].ＬａｓｅｒＯｐｔｏｅｌｅｃｔｒｏｎｉｃｓＰｒｏｇｒ.ꎬ２０１９ꎬ５６(５):１１５－１２４.[１８]㊀林鹏达ꎬ佟志军ꎬ张继权ꎬ等.基于ＣＷＴ的黑土有机质含量野外高光谱反演模型[Ｊ].水土保持研究ꎬ２０１８ꎬ２５(２):４６－５２ꎬ５７.ＬＩＮＰＤꎬＴＯＮＧＺＪꎬＺＨＡＮＧＪＱꎬｅｔａｌ..Ｉｎｖｅｒｓｉｏｎｏｆｂｌａｃｋｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｗｉｔｈｆｉｅｌｄｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｆｌｅｃｔａｎｃｅｂａｓｅｄｏｎｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍａｔｉｏｎ[Ｊ].Ｒｅｓ.ＳｏｉｌＷａｔｅｒＣｏｎｎｓｅｒｖ.ꎬ２０１８ꎬ２５(２):４６－５２ꎬ５７.１４１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演[１９]㊀范晓冰ꎬ鲁丽波ꎬ范海娇.托克托县耕地动态变化及驱动因子分析[Ｊ].内蒙古师范大学学报ꎬ２０１７ꎬ４６(１):１５１－１５５.ＦＡＮＧＸＢꎬＬＵＬＢꎬＦＡＮＧＨＪꎬｅｔａｌ..ＡｎａｎａｌｙｓｉｓｏｆｄｙｎａｍｉｃｃｈａｎｇｅｓａｎｄｄｒｉｖｉｎｇｆａｃｔｏｒｓｏｆａｒａｂｌｅｌａｎｄｉｎＴｏｇｔｏｈｃｏｕｎｔｙ[Ｊ].Ｊ.ＩｎｎｅｒＭｏｎｇｏｌｉａＮｏｒｍ.Ｕｎｉｖ.ꎬ２０１７ꎬ４６(１):１５１－１５５. [２０]㊀李政葵.内蒙古托克托县潜水与土壤中氟化物的分布规律及其相关性研究[Ｄ].呼和浩特:内蒙古大学ꎬ硕士学位论文ꎬ２０１５.ＬＩＫＺ.ＤｉｓｔｒｉｂｕｔｉｏｎａｎｄｃｏｒｒｅｌａｔｉｏｎｏｆｆｌｕｏｒｉｄｅｂｅｔｗｅｅｎｕｎｃｏｎｆｉｎｅｄｗａｔｅｒａｎｄｓｏｉｌｏｆＩｎｎｅｒＭｏｎｇｏｌｉａＴｕｏｋｅｔｕｏｃｏｕｎｔｙ[Ｄ].Ｈｏｈｈｏｔ:ＩｎｎｅｒＭｏｎｇｏｌｉａＵｎｉｖｅｒｓｉｔｙꎬＭａｓｔｅｒＤｉｓｓｅｒｔａｔｉｏｎꎬ２０１５.[２１]㊀ＶＩＳＣＡＲＲＡＲＡꎬＭＣＧＬＹＮＮＲＮꎬＭＣＢＲＡＴＮＥＹＡＢ.Ｄｅｔｅｒｍｉｎｉｎｇｔｈｅｃｏｍｐｏｓｉｔｉｏｎｏｆｍｉｎｅｒａｌ￣ｏｒｇａｎｉｃｍｉｘｅｓｕｓｉｎｇＵＶ￣ｖｉｓ￣ＮＩＲｄｉｆｆｕｓｅｒｅｆｌｅｃｔａｎｃｅｓｐｅｃｔｒｏｓｃｏｐｙ[Ｊ].Ｇｅｏｄｅｒｍａꎬ２００７ꎬ１３７(１/２):７０－８２.[２２]㊀吴倩ꎬ姜琦刚ꎬ史鹏飞ꎬ等.基于高光谱的土壤碳酸钙含量估算模型研究[Ｊ/ＯＬ].国土资源遥感ꎬ２０２０:[２０２０－０９－１６].ｈｔｔｐｓ://ｋｎｓ.ｃｎｋｉ.ｎｅｔ/ｋｃｍｓ/ｄｅｔａｉｌ/１１.２５１４.Ｐ.２０２００８１０.１５１８.００４.ｈｔｍｌ.ＷＵＱꎬＪＩＡＮＧＱＧꎬＳＨＩＰＦꎬｅｔａｌ..Ｅｓｔｉｍａｔｉｏｎｏｆｓｏｉｌｃａｌｃｉｕｍｃａｒｂｏｎａｔｅｃｏｎｔｅｎｔｂａｓｅｄｏｎｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａ[Ｊ/ＯＬ].ＲｅｍｏｔｅＳｅｎｓｉｎｇＬａｎｄＲｅｓｏｕｒｃｅｓꎬ２０２０:[２０２０－０９－１６].ｈｔｔｐｓ://ｋｎｓ.ｃｎｋｉ.ｎｅｔ/ｋｃｍｓ/ｄｅｔａｉｌ/１１.２５１４.Ｐ.２０２００８１０.１５１８.００４.ｈｔｍｌ.[２３]㊀张新乐ꎬ于滋洋ꎬ李厚萱ꎬ等.东北水稻叶片ＳＰＡＤ遥感光谱估算模型[Ｊ].中国农业大学学报ꎬ２０２０ꎬ２５(１):６６－７５.ＺＨＡＮＧＸＬꎬＹＵＺＹꎬＬＩＨＸꎬｅｔａｌ..ＲｅｍｏｔｅｓｅｎｓｉｎｇｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｏｆＳＰＡＤｆｏｒｒｉｃｅｌｅａｖｅｓｉｎＮｏｒｔｈｅａｓｔＣｈｉｎａ[Ｊ].Ｊ.Ｃｈｉｎ.Ａｇｒｉｃ.Ｕｎｉｖ.ꎬ２０２０ꎬ２５(１):６６－７５.[２４]㊀姚聪.基于卷积神经网络的耕层土壤有机质含量估测模型研究[Ｄ].山东泰安:山东农业大学ꎬ硕士学位论文ꎬ２０２０.ＹＡＯＣ.Ｓｔｕｄｙｏｎｅｓｔｍａｔｉｏｎｍｏｄｅｌｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎｐｌｏｗｅｄｌａｙｅｒｂａｓｅｄｏｎｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ[Ｄ].ＳｈａｎｄｏｎｇＴａｉａｎ:ＳｈａｎｄｏｎｇＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙꎬＭａｓｔｅｒＤｉｓｓｅｒｔａｔｉｏｎꎬ２０２０.[２５]㊀谢文.基于高光谱技术的森林土壤不同养分含量光谱特征及估测模型研究[Ｄ].南昌:江西农业大学ꎬ博士学文论文ꎬ２０１７.ＸＩＥＷ.Ｓｔｕｄｙｏｎｓｐｅｃｔｒａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓａｎｄｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｓｏｆｄｉｆｆｅｒｅｎｔｎｕｔｒｉｅｎｔｃｏｎｔｅｎｔｓｉｎｆｏｒｅｓｔｓｏｉｌｓｂａｓｅｄｏｎｈｙｐｅｒｓｐｅｃｔｒａｌｔｅｃｈｎｏｌｏｇｙ[Ｄ].Ｎａｎｃｈａｎｇ:ＪｉａｎｇｓｕＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙꎬＤｏｃｔｏｒＤｉｓｓｅｒｔａｔｉｏｎꎬ２０１７.(责任编辑:陈凌云)２４１中国农业科技导报２３卷。

基于偏最小二乘回归的土壤有机质含量高光谱估算于雷;洪永胜;耿雷;周勇;朱强;曹隽隽;聂艳【期刊名称】《农业工程学报》【年(卷),期】2015(031)014【摘要】Soil organic matter (SOM) plays an important role in soil fertility and carbon (C) cycle. Soil spectral reflectance provides an alternative method to soil's classical physical and chemical analysis in laboratory for the estimation of a large range of key soil properties. In order to achieve rapid measurement of soil organic matter content (SOMC) based on hyperspectral analysis, in this paper, 46 soil samples at 0-20 cm depth were collected as research objects from Gong'an County in Jianghan Plain, and these samples were highly representative for the SOM. The raw hyperspectral reflectance of soil samples was measured by the standard procedure with an ASD FieldSpec3 instrument equipped with a high intensity contact probe under the laboratory conditions. Meanwhile, physical and chemical properties of these soil samples were analyzed. Twenty-eight of 46 samples were used for building hyperspectral estimation models of SOMC and the other 18 samples were used for model prediction. In the next, the raw spectral reflectance (R) was transformed to 3 spectral indices, i.e. logarithm of reciprocal reflectance (LR), first-order differential reflectance (FDR) and continuum removal reflectance (CR) to analyze the correlation coefficients between the 4spectral indices and their SOMC. Then, the correlation coefficients of the 4 spectral indices by F significant test were got (P<0.01), which could be used to extract significant bands. At last, we used partial least squares regression (PLSR) method to build quantitative inversion model of SOMC based on full bands (400-2 400 nm) and significant bands for this study area, respectively. The prediction accuracies of these optimal models were assessed by comparing determination coefficients (R2), root mean squared error (RMSE) and relative percent deviation (RPD) between the estimated and measured SOMC. The results showed that, after conducting the CR transformation on raw soil spectral data, there were prominent differences among the absorption peaks of spectral curves in different soil samples, and the heterogeneity of different spectral curves was decreased to a certain extent, at the same time, their correlations were also improved by about 0.2 in the range of visible bands. Compared to the significant bands, the full bands using PLSR method could obtain more robust prediction accuracies. Among all of the 4 spectral indices based on processing inversion models in full bands, the prediction accuracy of CR was the best, and its values ofR2, RMSE and RPD between the estimated and measured SOMC for the predicted model were 0.84, 3.86 and 2.58, respectively, which were better than those in significant bands. For the PLSR models based on significant bands, although there was a slight gap in the prediction accuracy with that based on full bands, they also had their own unique advantages: these models were much simpler and thus the model computation was reduced significantly, and they could play an importantrole under the circumstances in which increasing modeling speed and reducing model computation were more important than improving prediction accuracy. At last, it could be concluded that the CR-PLSR model for SOMC was better than R-PLSR, LR-PLSR, FDR-PLSR models not only in full bands but also in significant bands. In the future, the CR-PLSR hyperspectral inversion model can be used as a reference for aerospace hyperspectral remote sensing of soil fertility information in this region, and can realize the timely monitoring of SOMC.%为实现基于光谱分析土壤有机质含量的快速测定,该文以江汉平原公安县的土壤为研究对象,进行室内理化分析、光谱测量与处理等一系列工作,在土壤原始光谱反射率(raw spectral reflectance,R)的基础上,提取了其倒数之对数(inverse-log reflectance,LR)、一阶微分(first order differential reflectance,FDR)和连续统去除(continuum removal, CR) 3种光谱指标,分析4种不同形式的光谱指标与有机质含量的相关性,对相关系数进行P=0.01水平上的显著性检验来确定显著性波段的范围,并基于全波段(400~2 400 nm)和显著性波段运用偏最小二乘回归(partial least squares regression, PLSR)建立了该区域土壤有机质高光谱的预测模型,通过模型精度的比较确定最优模型.结果表明,进行CR变换后,光谱曲线的特征吸收带更加明显,相关系数在可见光波段范围内有所提高;基于全波段的 PLSR 建模效果要优于显著性波段,其中以CR的预测精度最为突出,其模型的决定系数R2和相对分析误差RPD分别为0.84、2.58;显著性波段的PLSR模型与全波段对比在模型精度方面虽有一定差距,但从模型的复杂程度来比较,具有模型简单、运算量小、变量更少的特点;最后,综合比较了全波段和显著性波段 4 种光谱指标的反演精度,发现 CR-PLSR 模型的建模和预测的效果比R-PLSR、LR-PLSR、FDR-PLSR 模型都要显著.该研究可为将 CR-PLSR 高光谱反演模型用于该区域土肥信息的遥感监测提供参考.【总页数】7页(P103-109)【作者】于雷;洪永胜;耿雷;周勇;朱强;曹隽隽;聂艳【作者单位】华中师范大学地理过程分析与模拟湖北省重点实验室,武汉 430079;华中师范大学城市与环境科学学院,武汉 430079【正文语种】中文【中图分类】S127【相关文献】1.基于灰度关联-岭回归的荒漠土壤有机质含量高光谱估算 [J], 王海峰;张智韬;Arnon Karnieli;陈俊英;韩文霆2.基于高光谱特征和偏最小二乘法的春小麦叶绿素含量估算 [J], 尼加提·卡斯木;师庆东;王敬哲;茹克亚·萨吾提;依力亚斯江·努尔麦麦提;古丽努尔·依沙克3.基于连续统去除和偏最小二乘回归的油菜SPAD高光谱估算 [J], 郑煜;常庆瑞;王婷婷;杨景4.基于sCARS-RF算法的高光谱估算土壤有机质含量 [J], 李冠稳;高小红;肖能文;肖云飞5.基于高光谱的不同人类干扰程度下荒漠土壤有机质含量估算模型 [J], 郑曼迪;熊黑钢;乔娟峰;刘靖朝因版权原因，仅展示原文概要，查看原文内容请购买。

基于最佳小波包基的高光谱影像特征制图
杨可明;李慧;郭达志
【期刊名称】《测绘学报》
【年(卷),期】2008(037)001
【摘要】鉴于在时频局部化能力方面小波包变换优于小波变换,将高光谱影像像元光谱曲线作为1维信号并对其进行多尺度小波包变换分解.得到不同尺度上的低频和高频成分向量.根据不同地物像元光谱小波包分解最佳基有很大差异,而同一地物像元光谱小波包分解的前若干个最佳基完全相同的特点,提出一种基于前若干个最佳小波包基特征参量数组的分类特征参量和目标识别方法,并对AVIRIS影像中的特征如地物植被、水体、岩石及某些阴影等进行提取与制图.
【总页数】5页(P54-58)
【作者】杨可明;李慧;郭达志
【作者单位】中国矿业大学(北京)3S与沉陷工程研究所,北京 100083;中国矿业大学(北京)3S与沉陷工程研究所,北京 100083;中国科学院遥感应用研究所,北京100101;中国矿业大学(北京)3S与沉陷工程研究所,北京 100083
【正文语种】中文
【中图分类】TP75
【相关文献】
1.基于最佳小波包基的电能质量暂态数据压缩 [J], 潘文霞;李春林;史林军
2.基于小波包最佳基分解的特征表示 [J], 张晓文;杨煜普;许晓鸣
3.基于联合最佳基小波包的图像融合方法 [J], 薛庆增;刘倩;郝小健;陈光辉
4.基于森林类型光谱特征的最佳波段选择研究——以HJ/1A高光谱影像为例 [J], 李俊明;邢艳秋;杨超
5.基于最佳小波包基的边海防声目标识别 [J], 王艳;李智
因版权原因，仅展示原文概要，查看原文内容请购买。