CN105043992B - 一种湿地土壤硝化微生物群落高光谱遥感监测方法 - Google Patents
一种湿地土壤硝化微生物群落高光谱遥感监测方法 Download PDFInfo
- Publication number
- CN105043992B CN105043992B CN201510347423.5A CN201510347423A CN105043992B CN 105043992 B CN105043992 B CN 105043992B CN 201510347423 A CN201510347423 A CN 201510347423A CN 105043992 B CN105043992 B CN 105043992B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- nitrifying microorganisms
- wetland soil
- wetland
- soil
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种湿地土壤硝化微生物群落高光谱遥感监测方法，包括：监测区湿地土壤光谱和硝化微生物测量；高光谱遥感影像预处理，包括格式转换、绝对辐亮度值转换、大气校正和几何精校正；基于实验测量光谱构建监测区湿地土壤硝化微生物数量估算模型，估算监测区湿地土壤硝化微生物数量；基于高光谱遥感影像估算湿地土壤硝化微生物数量；基于代价函数的湿地土壤硝化微生物数量最优值确定。本发明的有益之处在于：能够提取区域尺度上硝化微生物分布，从而有助于获取土壤硝化作用的时空演变特征及驱动因子信息，为正确认识湿地氮循环过程和影响机制、湿地污染净化功能提供科学依据。
Description
技术领域
本发明涉及一种湿地土壤硝化微生物群落高光谱遥感监测方法，属于遥感技术应用领域。
背景技术
氮循环是描述自然界中氮单质和含氮化合物之间相互转换过程的物质循环，是土壤生态系统元素循环的核心过程之一，其中硝化作用对于土壤的氮素循环意义重大。硝化作用是连接固氮作用与反硝化作用的中间环节，其与植物的氮素有效利用程度、土壤酸化、水体污染和温室气体氧化亚氮(N2O)释放等一系列生态环境问题直接相关。因此，硝化作用是氮素生物地球化学循环的中心环节。
硝化作用(nitrification)是一个主要由硝化微生物介导的反应，分两个阶段完成，即氨态氮氧化为亚硝态氮的氨氧化过程(Ammonia oxidation)和亚硝态氮氧化为硝态氮的亚硝酸盐氧化过程(Nitrite oxidation)。第一阶段氨氧化作用是硝化作用的限速步骤。这两个阶段分别由氨氧化细菌(AOB)和亚硝酸氧化细菌(NOB)完成，它们分别参与的硝化反应为：
土壤微生物的种类和数量是微生物生态学研究的重要内容。由于土壤环境条件、硝化过程和硝化微生物本身的复杂多样性，会影响常规分子生物学技术对硝化微生物研究结果的准确性。这类研究大多是零散地在某些特定位点上开展的，难以获得区域尺度的微生物群落分布变化状况。而且，微生物群落的区域生态效应需要较长时期才能表现出来，仅依据短时间的监测，难以给出准确的估算与评价。利用能够提取区域尺度面信息的遥感监测技术，探索大尺度上微生物分布及土壤硝化作用的时空演变特征及驱动因子，是可以尝试开展的新研究方向。
湿地土壤有着区别于一般陆地土壤的水文条件和植被条件，由于自身独特的形成和发育过程，表现出特有的理化性质和生态功能。湿地土壤是湿地生态系统氮素的主要蓄积场所，湿地土壤中氮素含量及其迁移转化过程，显著影响着湿地生态系统的结构和功能以及湿地生产力。土壤微生物是湿地生态系统中必不可少的重要组成部分，其参与湿地的物质代谢和循环，在污染物降解和影响温室气体释放过程中发挥着重要的作用。由于微生物对生态环境变化较为敏感，因此土壤微生物参数的变化可以指示湿地生态环境中发生的各种变化，其组成和数量动态变化是表征湿地变化的重要指标。天然湿地土壤微生物研究起步相对较晚，湿地土壤微生物群落结构和分布变化、种群特征及其与环境影响因素(如土壤营养元素、土壤各种理化性质、植被分布)的相关关系，还有待于深入研究。这对于湿地环境的保护和其微生物资源的开发具有重要的意义。
湿地土壤微生物承担着土壤中氮素循环推动力的作用，其活动对湿地土壤团粒结构形成与稳定起着决定性作用，从而影响着湿地土壤组分和结构的变化。一些研究表明，硝化微生物群落的数量与NH4 +-N和TN含量均呈显著性相关关系(参见文献：白洁,陈春涛,赵阳国,田伟君,董晓,尹宁宁.辽河口湿地沉积物硝化细菌及硝化作用研究.环境科学,2010,31(12):3011-3017；Córdova-Kreylos A L,Cao Y,Green P G,Hwang H M,Kuivila K M,Lamontagne M G,Van De Werf horst L C,Holden P A,Scow K M.Diversity,composition,and geographical distribution of microbial communities inCalifornia salt marsh sediments.Applied and Environmental Microbiology,2006,72(5):2257-3366)。而土壤氮素光谱监测技术已被大量国内外研究所证明(参见文献：Naveen J.P.Anne,Amr H.Abd-Elrahman,David B.Lewis,Nicole A.Hewitt.Modelingsoil parameters using hyperspectral image reflectance in subtropical coastalwetlands.International Journal of Applied Earth Observation andGeoinformation,2014,33:47-56；吴明珠,李小梅,沙晋明.亚热带红壤全氮的高光谱响应和反演特征研究.光谱学与光谱分析,2013,33(11):3111-3115；徐永明,蔺启忠,黄秀华,沈艳,王璐.利用可见光/近红外反射光谱估算土壤总氮含量的实验研究.地理与地理信息科学,2005,21(1):19-22)。由于土壤中不同组分的跃迁能极差不同，因此土壤光谱曲线存在不同的吸收特征波段。C-H、N-H和O-H等基团的基频振动以及合频和倍频振动吸收，形成了这些吸收特征波段，基于此可以定量分析出土壤生化组分含量(参见文献：Cozzolino D,Moron A.Potential of near-infrared reflectance spectroscopy and chemometricsto predict soil organic carbon fractions.Soil&Tillage Research,2006,85:78-85)。
bootstrap技术是一种基于再抽样和数据模拟的统计推断方法。bootstrap技术是通过对有限的数据样本进行随机的、等概率的、有放回的重抽样，重新建立起足以代表母体样本分布之新样本，从而实现了扩大样本容量，有效地提高了所建模型的估算精度。多元逐步回归模型(SMLR)是目前较为常用的回归建模方法，在考虑全部变量方差贡献值的基础上，按照其重要性逐步选入回归方程。偏最小二乘回归模型(PLSR)集中了典型相关分析、主成分分析和多元线性回归分析的优点，在变量系统中提取了若干对系统具有最佳解释能力的新综合变量(即成分提取)，在此基础上进行回归建模，给多元数据分析带来了极大的便利。
高光谱遥感以其高光谱分辨率和强波段连续性的特点，能够获取多光谱传感器无法获得的精细光谱信息。高光谱遥感数据可以捕捉土壤精细的光谱特征，从而有利于定量获取土壤的生化组分。光谱倒数的对数(LR)、光谱一阶微分(FD)、光谱二阶微分(SD)、包络线去除(CR)、光谱波段深度(BD)是高光谱遥感较常采用的光谱变换技术。LR技术对光谱反射率数据计算倒数后再进行对数变换，不仅增强了可见光范围的光谱差异，而且还降低了由光照条件变化引起的多重变化因素的影响。FD通过分解重叠混合光谱进行分解以便识别，扩大了光谱特征的差异。FD方法可以减低对噪声影响的敏感性、去除部分线性或接近线性的噪声光谱、减少背景对目标光谱的影响，尤其易于去除那些以“加”的形式混入光谱信号中的噪声。SD相比于FD，可以放大较多的光谱有效特征，并且降低了环境影响因素信息的干扰程度。CR被定义为逐点直线连接反射率波谱曲线上吸收或反射凸出的峰值点，并且使折线在峰值点上的外角大于180°。经CR处理的反射率波谱曲线，能够将其归一到相一致的光谱背景上，突出了光谱曲线的吸收和反射特征。BD是指由于某些物质成分在特定波段具有吸收特性从而使得比相邻波段具有较低的反射率，一些研究表明，波段深度特征蕴藏了较多与生理生化参数相关的信息。
发明内容
本发明要解决的技术问题在于，从高光谱遥感技术角度，基于土壤氮素光谱监测机理，提供一种湿地土壤硝化微生物群落高光谱遥感估算技术，进而估测其时空分布状况。
本发明技术方案如下：本发明提供的一种湿地土壤硝化微生物群落高光谱遥感监测方法，包括如下步骤：
(1)监测区湿地土壤光谱和硝化微生物测量：包括氨氧化细菌数量和亚硝酸氧化细菌数量的测量；
(2)高光谱遥感影像预处理：包括格式转换、绝对辐亮度值转换、大气校正和几何精校正；
(3)基于实验测量光谱的湿地土壤硝化微生物数量估算；
(4)基于高光谱遥感影像的湿地土壤硝化微生物数量估算；
(5)基于代价函数的湿地土壤硝化微生物数量最优值确定。
上述步骤(3)所述基于实验测量光谱的湿地土壤硝化微生物数量估算，其具体方法为：首先，为了增强湿地土壤硝化微生物数量的优势性，将氨氧化细菌和亚硝酸氧化细菌的计数测量结果进行合计，作为各采样区域土壤硝化微生物的数量值。然后，采用bootstrap技术结合回归建模方法(包括多元逐步回归模型SMLR和偏最小二乘回归模型PLSR)，基于实验测量的原光谱R和不同光谱变换技术变换后的光谱，构建监测区湿地土壤硝化微生物数量估算模型，获取估算结果。在实际操作中，将采样区域获取的土壤样本数据随机分成2组，第一组用于建立回归模型(即建模样本)，第二组用于验证模型(即检验样本)。选取决定系数(R2)和均方根误差(RMSE)作为精度评价指标。
上述步骤(4)中所述基于高光谱遥感影像的湿地土壤硝化微生物数量估算方法为：采用与基于实验测量光谱的湿地土壤硝化微生物数量估算相同的回归建模方法(即基于bootstrap的SMLR和PLSR)和光谱变换技术，构建基于高光谱遥感影像的监测区湿地土壤硝化微生物数量估算模型。采用与步骤(3)相同的估算步骤，获取基于高光谱遥感影像的最高精度的监测区湿地土壤硝化微生物数量估算模型和估算结果。
上述步骤(5)中所述基于代价函数的湿地土壤硝化微生物数量最优值确定的方法为：基于实验测量光谱和高光谱影像获取的湿地土壤硝化微生物数量估算结果，构建求最优值的代价函数(CF)：其中NMestimated为估算的监测区湿地土壤硝化微生物数量，NMfield为实验测量获取的湿地土壤硝化微生物数量，m为监测区湿地土壤采样区域数目，p为基于实验测量光谱和基于高光谱影像的2种方法，选取2种方法同时达到最优值时的湿地土壤硝化微生物数量值。
本申请中所述不同光谱变换技术包括光谱倒数的对数LR、光谱一阶微分FD、光谱二阶微分SD、包络线去除CR和光谱波段深度BD。
实施本发明的湿地土壤硝化微生物群落高光谱遥感监测方法，具有以下有益效果：能够提取区域尺度上硝化微生物分布，从而有助于获取土壤硝化作用的时空演变特征及驱动因子信息，为正确认识湿地氮循环过程和影响机制、湿地污染净化功能提供科学依据。
附图说明
图1是本发明的技术路线流程图；
图2是实验测量获取的监测区湿地土壤平均反射率(a)、LR变换(b)、FD变换(c)、SD变换(d)、CR变换(e)和BD变换(f)光谱曲线；
图3是湿地土壤硝化微生物数量估算值与测量值比较；
图4是监测区湿地土壤硝化微生物群落数量的空间分布图。
具体实施方式
下面结合具体实施例来对本发明做进一步的解释说明。
图1为本发明的技术路线流程图；即本发明提供的一种湿地土壤硝化微生物群落高光谱遥感监测方法，主要通过如下步骤实现。
1、监测区湿地土壤光谱和硝化微生物测量
野外实验测量时间选择在尽可能与高光谱遥感影像成像时间相接近。在监测区设定具有代表性的多个采样区域。在每个采样区域，采用多点采样法进行土壤样本采集，采样时剔除石砾、植被残根等杂物，装入灭菌封口袋中，低温保存带回实验室。在实验室，将土壤表层样本(0～10cm)进行分组编号后，部分样品用于土壤光谱测量，部分样品用于土壤硝化微生物计数测量。
①土壤光谱测量：使用ASD FieldSpec Pro FR野外光谱辐射仪在实验室内进行土壤光谱测量，波段范围为350～2500nm。土壤光谱测量在能控制光照条件的实验室进行，光源为卤素灯，光源入射角为60°。土壤样本置于直径10cm、深1.5cm的器皿内，表面自然推平。传感器探头置于垂直距土壤样本表面10cm处，视场角为25°。实验中使用的参考板为99％的朗伯体白板(Labsphere，Inc.，North Sutton，New Hampshire，USA)。每个土壤样本光谱测量10次，取其平均值作为该样本的光谱反射率数据。测量获取的土壤样本在350～400nm和2451～2500nm波段噪声较大，将其剔除。对400～2450nm波段土壤光谱，采用小波法进行滤波去噪。
②土壤硝化微生物测量：考虑到硝化作用中存在两个较为独立的阶段，这两个阶段采用的基质和生长速率均不相同，因此将硝化微生物分为氨氧化细菌和亚硝酸氧化细菌，采用最大可能数法(Most Probable Number，MPN)分别计数。
a、氨氧化细菌数量的测量
采用氨氧化细菌培养基。将培养基在滤纸上过滤，装入试管(1.8cm×18cm)，每管5mL，121℃灭菌30min。选取6个稀释度(10-7～10-2)的土壤悬液，每一稀释度接种4支试管，每管接种1mL，另取4支培养基接种无菌水作对照，28℃培养14d。取培养好的培养液5滴，滴于白瓷比色板上，依次加入2滴Griess试剂A液和2滴B液，如有亚硝酸(NO2 -)存在，则呈红色，表示存在氨氧化细菌。查MPN表，得到各土样中的氨氧化细菌数量。
b、亚硝酸氧化细菌数量的测量
采用亚硝酸氧化细菌培养基。使用氨氧化细菌计数的同一系列土样稀释度溶液，与氨氧化细菌在相同条件下培养相同时间。培养结束后，吸取培养液5滴于白瓷板穴中，加入二苯胺试剂，如呈蓝色，则表示已有亚硝酸氧化为硝酸(NO3 -)，说明有亚硝酸氧化细菌的存在。基于MPN表得出数量指标和菌的近似值。
2、高光谱遥感影像预处理
将覆盖监测区的高光谱遥感影像进行包括格式转换、绝对辐亮度值转换、大气校正和几何精校正的预处理。采用ENVI软件的FLAASH(fast line-of-sight atmosphericanalysis of spectral hypercubes)大气校正模块进行高光谱遥感影像的大气校正。采用覆盖监测区经过几何校正的landsat TM参考影像，采用二次多项式法对高光谱遥感影像进行几何精校正，误差控制在0.5个像元，得到归一化地表反射率图像。
3、基于实验测量光谱的湿地土壤硝化微生物数量估算
为了增强湿地土壤硝化微生物数量的优势性，将氨氧化细菌和亚硝酸氧化细菌的计数测量结果进行合计，作为各采样区域土壤硝化微生物的数量值。以此增强其对硝化功能菌群数量的代表性，从而增强相应光谱特征的研究。
采用bootstrap技术结合回归建模方法(包括多元逐步回归模型SMLR和偏最小二乘回归模型PLSR)，基于实验测量的原光谱R和不同光谱变换技术(包括光谱倒数的对数LR、光谱一阶微分FD、光谱二阶微分SD、包络线去除CR和光谱波段深度BD)变换后的光谱，构建监测区湿地土壤硝化微生物数量估算模型。
建模在MATLAB平台上编程计算完成，主要建模步骤包括：基于原始样本数据采用回归建模方法构建估算模型；在原数据集中随机抽取一个样本点(yi (1),xi1 (1),xi2 (1),…,xip (1))，读取其值后再放回原数据集，如此重复n次，得到一个bootstrap样本：
S(1)＝{yi (1),xi1 (1),xi2 (1),…,xip (1)(i＝1,2,3,…,n)} (1)
x是自变量数据，y是因变量数据；基于bootstrap样本S(1)，采用回归建模方法，建立估算模型：
β是回归系数；重复(1)、(2)步骤，得到估算模型回归系数数据组，构建基于bootstrap样本的回归系数数据集；计算基于bootstrap样本的回归系数与初始回归系数差值的绝对值，取绝对值的90％分位点作为拒绝域的临界值；比较回归系数的绝对值与临界值，判断其是否通过显著性检验；将经过显著性检验的自变量在原数据集上重新构建估算模型。
将采样区域获取的土壤样本数据随机分成2组，第一组用于建立回归模型(即建模样本)，第二组用于验证模型(即检验样本)。选取决定系数(determination coefficient，R2)和均方根误差(root mean square error，RMSE)作为精度评价指标。RMSE计算公式如下：
式中，yi为实测值，为预测值，n为验证样本量。
基于所构建的监测区湿地土壤硝化微生物数量估算模型，估算监测区湿地土壤硝化微生物数量。基于精度评价指标R2和RMSE，对比不同回归建模方法和光谱变换技术相结合估算湿地土壤硝化微生物数量的精度，选取最高精度的监测区湿地土壤硝化微生物数量估算模型和估算结果。
4、基于高光谱遥感影像的湿地土壤硝化微生物数量估算
采用与基于实验测量光谱的湿地土壤硝化微生物数量估算相同的回归建模方法(即基于bootstrap的SMLR和PLSR)和光谱变换技术(即高光谱遥感影像上提取的R和LR、FD、SD、CR、BD)，构建基于高光谱遥感影像的监测区湿地土壤硝化微生物数量估算模型。采用与基于实验测量光谱相同步骤的湿地土壤硝化微生物数量估算方法，获取基于高光谱遥感影像的最高精度的监测区湿地土壤硝化微生物数量估算模型和估算结果。
5、基于代价函数的湿地土壤硝化微生物数量最优值确定
基于实验测量光谱和高光谱影像获取的湿地土壤硝化微生物数量估算结果，构建求最优值的代价函数(cost function，CF)为：
式中，NMestimated为估算的监测区湿地土壤硝化微生物数量，NMfield为实验测量获取的湿地土壤硝化微生物数量，m为监测区湿地土壤采样区域数目，p为基于实验测量光谱和基于高光谱遥感影像的2种方法，选取2种方法同时达到最优值时的湿地土壤硝化微生物数量值。
实施例1
将本发明应用于位于中国辽宁省盘锦湿地的监测区。该湿地位于辽河三角洲的最南端、双台子河入海口处，是以芦苇沼泽及潮间带滩涂为主的自然湿地。按照本发明具体实施方式部分所述步骤，获取了监测区湿地土壤硝化微生物群落数量的空间分布。
图2为实验测量获取的盘锦湿地监测区湿地土壤平均反射率(a)、LR变换(b)、FD变换(c)、SD变换(d)、CR变换(e)和BD变换(f)光谱曲线。
表1和表2分别为基于bootstrap SMLR的各光谱变换技术估算湿地土壤硝化微生物数量结果和基于bootstrap PLSR的各光谱变换技术估算湿地土壤硝化微生物数量结果。
表1基于bootstrap SMLR的各光谱变换技术估算湿地土壤硝化微生物数量结果
表2基于bootstrap PLSR的各光谱变换技术估算湿地土壤硝化微生物数量结果
而图3则是通过本申请提供的方法获得的盘锦湿地土壤硝化微生物数量估算值与测量值比较的结果。
图4是通过本申请提供的方法获得的盘锦监测区湿地土壤硝化微生物群落数量的空间分布图。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种湿地土壤硝化微生物群落高光谱遥感监测方法，其特征在于，包括如下步骤：
（1）在监测区设定采样区域，在各个采样区域采集湿地土壤表层样本，测量各采样区域的湿地土壤光谱和硝化微生物的数量，所述硝化微生物包括氨氧化细菌和亚硝酸氧化细菌数量；
（2）将覆盖监测区的高光谱遥感影像想进行预处理，包括格式转换、绝对辐亮度值转换、大气校正和几何精校正；
（3）基于步骤（1）中实验测量所得各采样区域的湿地土壤光谱和硝化微生物的数量，对监测区湿地土壤硝化微生物数量进行估算；
（4）基于步骤（2）中处理所得覆盖监测区的高光谱遥感影像，对监测区的湿地土壤硝化微生物数量进行估算；
（5）基于代价函数的湿地土壤硝化微生物数量最优值确定，方法为：基于实验测量光谱和高光谱影像获取的湿地土壤硝化微生物数量估算结果，构建求最优值的代价函数（CF）：，其中NMestimated为估算的监测区湿地土壤硝化微生物数量，NMfield为实验测量获取的湿地土壤硝化微生物数量，m 为监测区湿地土壤采样区域数目，p为基于实验测量光谱和基于高光谱影像的两种方法，选取两种方法同时达到最优值时的湿地土壤硝化微生物数量值。
2.根据权利要求1 所述的一种湿地土壤硝化微生物群落高光谱遥感监测方法，其特征在于，步骤（3）中所述基于实验测量光谱的湿地土壤硝化微生物数量估算的方法为：首先，为了增强湿地土壤硝化微生物数量的优势性，将步骤（1）所得氨氧化细菌和亚硝酸氧化细菌的计数测量结果进行合计，作为各采样区域土壤硝化微生物的数量值；然后，采用bootstrap 技术结合回归建模方法，所述回归建模方法包括多元逐步回归模型SMLR 和偏最小二乘回归模型PLSR，基于步骤（1）实验测量的原光谱R 和不同光谱变换技术变换后的光谱，构建监测区湿地土壤硝化微生物数量估算模型；最后，获取估算结果。
3.根据权利要求1 所述的一种湿地土壤硝化微生物群落高光谱遥感监测方法，其特征在于，步骤（4）中所述基于高光谱遥感影像的湿地土壤硝化微生物数量估算的方法为：采用bootstrap 技术结合回归建模方法，所述回归建模方法包括多元逐步回归模型SMLR 和偏最小二乘回归模型PLSR，基于高光谱遥感影像上提取的原光谱R和不同光谱变换技术变换后的光谱，构建基于高光谱遥感影像的监测区湿地土壤硝化微生物数量估算模型；获取估算结果。
4.根据权利要求2 或3 所述的一种湿地土壤硝化微生物群落高光谱遥感监测方法，其特征在于，所述不同光谱变换技术包括光谱倒数的对数LR、光谱一阶微分FD、光谱二阶微分SD、包络线去除CR 和光谱波段深度BD。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510347423.5A CN105043992B (zh) | 2015-07-17 | 2015-07-17 | 一种湿地土壤硝化微生物群落高光谱遥感监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510347423.5A CN105043992B (zh) | 2015-07-17 | 2015-07-17 | 一种湿地土壤硝化微生物群落高光谱遥感监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105043992A CN105043992A (zh) | 2015-11-11 |
| CN105043992B true CN105043992B (zh) | 2018-01-09 |
Family
ID=54450710
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510347423.5A Expired - Fee Related CN105043992B (zh) | 2015-07-17 | 2015-07-17 | 一种湿地土壤硝化微生物群落高光谱遥感监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105043992B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106503662B (zh) * | 2016-10-25 | 2019-05-03 | 山东省海洋生物研究院 | 一种潮间带鼠尾藻藻床资源量的评估方法 |
| CN107748144A (zh) * | 2017-11-13 | 2018-03-02 | 中国科学院昆明植物研究所 | 快速测定土壤碳氮及其稳定同位素的中红外光谱检测系统 |
| JP6860773B2 (ja) * | 2018-10-22 | 2021-04-21 | 国立陽明交通大学 | 農地の土壌状態を予測するモノのインターネットシステム及びモデリング方法 |
| CN109993062B (zh) * | 2019-03-04 | 2022-11-18 | 辽宁师范大学 | 一种湿地植被根际土壤微生物高光谱植被指数监测方法 |
| CN111007042B (zh) * | 2019-12-24 | 2022-04-22 | 中央民族大学 | 一种基于遥感数据异质性的群落多样性估测方法 |
| CN112903600B (zh) * | 2021-01-15 | 2022-06-03 | 南京农业大学 | 一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法 |
| CN114332589B (zh) * | 2021-12-31 | 2023-07-11 | 中国科学院紫金山天文台 | 一种无大气天体表面水或羟基的精检测方法 |
| CN115144350B (zh) * | 2022-09-06 | 2023-02-17 | 中国科学院地理科学与资源研究所 | 基于高光谱相似像元比对的场地烃类污染判识方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102034027A (zh) * | 2010-12-16 | 2011-04-27 | 南京大学 | 流域尺度土壤湿度遥感数据同化方法 |
| CN103196838A (zh) * | 2013-03-15 | 2013-07-10 | 辽宁师范大学 | 一种海岸河口富营养化高光谱遥感监测方法 |
| CN103868860A (zh) * | 2014-03-25 | 2014-06-18 | 辽宁师范大学 | 一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法 |
| WO2014102416A1 (es) * | 2012-12-28 | 2014-07-03 | Consejo Superior De Investigaciones Científicas (Csic) | Procedimiento para la normalizacion automática de imágenes remotas multitemporales en base a usos de suelo pseudo-invariantes vegetales |
| CN103954567A (zh) * | 2014-04-15 | 2014-07-30 | 塔里木大学 | 基于连续统去除法的土壤盐分测定方法 |
| CN104697937A (zh) * | 2015-03-18 | 2015-06-10 | 北京师范大学 | 一种土壤属性高光谱识别的技术方法 |
-
2015
- 2015-07-17 CN CN201510347423.5A patent/CN105043992B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102034027A (zh) * | 2010-12-16 | 2011-04-27 | 南京大学 | 流域尺度土壤湿度遥感数据同化方法 |
| WO2014102416A1 (es) * | 2012-12-28 | 2014-07-03 | Consejo Superior De Investigaciones Científicas (Csic) | Procedimiento para la normalizacion automática de imágenes remotas multitemporales en base a usos de suelo pseudo-invariantes vegetales |
| CN103196838A (zh) * | 2013-03-15 | 2013-07-10 | 辽宁师范大学 | 一种海岸河口富营养化高光谱遥感监测方法 |
| CN103868860A (zh) * | 2014-03-25 | 2014-06-18 | 辽宁师范大学 | 一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法 |
| CN103954567A (zh) * | 2014-04-15 | 2014-07-30 | 塔里木大学 | 基于连续统去除法的土壤盐分测定方法 |
| CN104697937A (zh) * | 2015-03-18 | 2015-06-10 | 北京师范大学 | 一种土壤属性高光谱识别的技术方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105043992A (zh) | 2015-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105043992B (zh) | 一种湿地土壤硝化微生物群落高光谱遥感监测方法 | |
| Brezonik et al. | Factors affecting the measurement of CDOM by remote sensing of optically complex inland waters | |
| Chen et al. | Using Landsat/TM imagery to estimate nitrogen and phosphorus concentration in Taihu Lake, China | |
| Yu et al. | PARAFAC modeling of fluorescence excitation− emission spectra for rapid assessment of compost maturity | |
| Son et al. | Multispectral remote-sensing algorithms for particulate organic carbon (POC): The Gulf of Mexico | |
| Barbieux et al. | Bio-optical characterization of subsurface chlorophyll maxima in the Mediterranean Sea from a Biogeochemical-Argo float database | |
| Galletti et al. | DOM dynamics in open waters of the Mediterranean Sea: New insights from optical properties | |
| CN104977263A (zh) | 水质多参数监测仪及其监测方法 | |
| Li et al. | Spatiotemporal characterization of chromophoric dissolved organic matter (CDOM) and CDOM-DOC relationships for highly polluted rivers | |
| Li et al. | Suitability of hyperspectral data for monitoring nitrogen and phosphorus content in constructed wetlands | |
| Ya et al. | Assessing dissolved organic matter dynamics and source strengths in a subtropical estuary: Application of stable carbon isotopes and optical properties | |
| CN116704349A (zh) | 一种基于高分影像的农村疑似黑臭水体识别方法 | |
| Abdelal et al. | Assessment of Sentinel‐2 and Landsat‐8 OLI for Small‐Scale Inland Water Quality Modeling and Monitoring Based on Handheld Hyperspectral Ground Truthing | |
| CN115952956A (zh) | 土壤污染生态风险的评估方法 | |
| Cai et al. | Remote sensing identification of urban water pollution source types using hyperspectral data | |
| Cao et al. | Remote sensing inversion of water quality parameters in the Yellow River Delta | |
| Zhao et al. | Modeling the response of agricultural non-point source pollution to planting structure and fertilization level in Erhai Lake Basin under low-latitude plateau climate | |
| Yeshno et al. | A novel analytical approach for the simultaneous measurement of nitrate and dissolved organic carbon in soil water | |
| Liu et al. | FDOM conversion in karst watersheds expressed by three-dimensional fluorescence spectroscopy | |
| CN114705632A (zh) | 一种利用卫星遥感反射率估算水库营养状态指数的方法 | |
| Zhou et al. | A new method for continuous monitoring of black and odorous water body using evaluation parameters: a case study in baoding | |
| Borfecchia et al. | Multispectral data by the new generation of high-resolution satellite sensors for mapping phytoplankton blooms in the Mar Piccolo of Taranto (Ionian Sea, southern Italy) | |
| Yu et al. | Estimation of heavy-metal concentrations in winter wheat leaves from typical sewage irrigation area based on canopy reflectance spectra | |
| Fischer et al. | Biosolids leachate variability, stabilization surrogates, and optical metric selection | |
| Han et al. | Monitoring soil mercury content based on hyperspectral data and machine learning methods |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180109 Termination date: 20180717 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |