CN106770054A - 基于光谱吸收特征的黑土含水量速测方法 - Google Patents
基于光谱吸收特征的黑土含水量速测方法 Download PDFInfo
- Publication number
- CN106770054A CN106770054A CN201611253228.7A CN201611253228A CN106770054A CN 106770054 A CN106770054 A CN 106770054A CN 201611253228 A CN201611253228 A CN 201611253228A CN 106770054 A CN106770054 A CN 106770054A
- Authority
- CN
- China
- Prior art keywords
- soil sample
- water content
- soil
- benchmark
- black earth
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
- G01N2021/558—Measuring reflectivity and transmission
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
基于光谱吸收特征的黑土含水量速测方法,属于土壤含水量测量技术领域。本发明是为了解决现有土壤含水量高光谱预测模型没有考虑反射光谱的曲线特征与土壤水分的关联,测量效率低的问题。它先制备基准土壤样本;然后获得每个基准土壤样本的实际反射光谱数据;再进行数据处理获得每个基准土壤样本的基准反射光谱数据;再根据基准反射光谱数据获得光谱特征参数;然后利用训练样本在1900nm反射光谱吸收深度对应的光谱特征参数中的反射率及其已知的含水量数据建立黑土含水量速测模型;最后根据反射率Re1900的表达式获得待测黑土的含水量。本发明用于黑土含水量速测。
Description
技术领域
本发明涉及基于光谱吸收特征的黑土含水量速测方法,属于土壤含水量测量技术领域。
背景技术
土壤含水量一般指土壤绝对含水量,即100克烘干土中含有水分的克数,也称土壤含水率。土壤含水量在整个地球生态环境系统中扮演着非常重要的角色,它不仅对地表面蒸发、地下水的运移与循环等有着非常重要的控制作用,同时,土壤含水量在水文学、气候学、农业学、生态环境学等多学科领域中起着非常重要的作用。就农业而言,土壤水分是农作物生长发育的基本条件,也是灌溉管理和产品预报中的重要参数,尤其在精准农业中是极为关键的参数。
传统的土壤含水量测试方法会破坏土壤样品、造成环境污染、费时费力,可测算的范围特别的小,样点测试难以揭示空间变异信息。而现有土壤含水量高光谱预测模型,多以反射率及其数学变换形式作为输入量,缺少对反射光谱特征机理的定量分析,使预测模型中并没有结合反射光谱的曲线特征与土壤水分的关系,造成测量效率低。
发明内容
本发明目的是为了解决现有土壤含水量高光谱预测模型没有考虑反射光谱的曲线特征与土壤水分的关联,测量效率低的问题,提供了一种基于光谱吸收特征的黑土含水量速测方法。
本发明所述基于光谱吸收特征的黑土含水量速测方法,它包括以下步骤:
步骤一:采集具有不同有机质含量的土壤样本,分别调配土壤样本的含水量,得到多个基准土壤样本;
步骤二:对多个基准土壤样本分别进行光谱测试,每个基准土壤样本采集10条光谱曲线,对10条光谱曲线进行算术平均,获得每个基准土壤样本的实际反射光谱数据;
步骤三:采用9点加权移动平均法对每个基准土壤样本的实际反射光谱数据进行平滑去噪处理;再利用高斯模型对去噪后的实际反射光谱数据进行5nm光谱重采样,获得每个基准土壤样本的基准反射光谱数据;
步骤四:采用所有基准土壤样本的基准反射光谱数据建立土样光谱数据库,然后分别对数据库中的每个基准反射光谱数据进行去包络线处理,计算获得每个基准反射光谱数据的光谱特征参数;
步骤五:将土样光谱数据库中的基准土壤样本的基准反射光谱数据作为训练样本,根据训练样本的光谱特征参数,利用训练样本在1900nm反射光谱吸收深度对应的光谱特征参数中的反射率及其已知的含水量数据建立黑土含水量速测模型,获得每个基准土壤样本在1900nm反射光谱吸收深度对应的反射率Re1900为:
Re1900=0.0143*MC+0.2041,
式中MC为含水量;
步骤六:将反射率Re1900的表达式使用于黑土含水量速测方法中,根据待测黑土在1900nm反射光谱吸收深度对应的反射率Re1900计算获得待测黑土的含水量。
本发明的优点:本发明利用土壤反射光谱曲线特征与土壤含水量之间的关系,达到对土壤含水量的速测。本发明对反射光谱机理进行了定量分析,用去包络线法提取土壤光谱吸收谷特征,进行水分与吸收谷的关系分析,构建黑土土壤水分速测模型。经验证,其模型稳定,预测能力好。
附图说明
图1是不同含水量黑土的反射光谱及去包络光谱曲线图;黑土有机质含量为31.8gkg-1;
图2是1900nm深度的黑土去包络光谱曲线图;
图3是以1900nm吸收深度为自变量的土壤含水量预测模型。
具体实施方式
具体实施方式一:下面结合图1至图3说明本实施方式,本实施方式所述基于光谱吸收特征的黑土含水量速测方法,它包括以下步骤:
步骤一:采集具有不同有机质含量的土壤样本,分别调配土壤样本的含水量,得到多个基准土壤样本;
步骤二:对多个基准土壤样本分别进行光谱测试,每个基准土壤样本采集10条光谱曲线,对10条光谱曲线进行算术平均,获得每个基准土壤样本的实际反射光谱数据;
步骤三:采用9点加权移动平均法对每个基准土壤样本的实际反射光谱数据进行平滑去噪处理;再利用高斯模型对去噪后的实际反射光谱数据进行5nm光谱重采样,获得每个基准土壤样本的基准反射光谱数据;
步骤四:采用所有基准土壤样本的基准反射光谱数据建立土样光谱数据库,然后分别对数据库中的每个基准反射光谱数据进行去包络线处理,计算获得每个基准反射光谱数据的光谱特征参数;
步骤五:将土样光谱数据库中的基准土壤样本的基准反射光谱数据作为训练样本,根据训练样本的光谱特征参数,利用训练样本在1900nm反射光谱吸收深度对应的光谱特征参数中的反射率及其已知的含水量数据建立黑土含水量速测模型,获得每个基准土壤样本在1900nm反射光谱吸收深度对应的反射率Re1900为:
Re1900=0.0143*MC+0.2041,
式中MC为含水量;
步骤六:将反射率Re1900的表达式使用于黑土含水量速测方法中,根据待测黑土在1900nm反射光谱吸收深度对应的反射率Re1900计算获得待测黑土的含水量。
获得基准土壤样本的调配方法为:
将不同有机质含量的土壤样本分成含水量调配所需个数的待调配土壤样本,将每个待调配土壤样本置于可密封的塑料袋中,对每个待调配土壤样本喷蒸馏水并搅拌均匀,然后密封,在4-5℃的环境下放置24h,获得基准土壤样本。
基准土壤样本的土壤含水量的获得方法为:
取塑料袋中部的土壤称重,然后在105℃的烘箱环境下放置8h再称重,根据两次称重结果计算基准土壤样本的土壤含水量。
对上述模型进行验证:可将土样光谱数据库中的基准土壤样本的基准反射光谱数据分为训练样本和验证样本,计算模型的决定系数R2和均方根误差RMSE,R2越接近1,表示模型的相关性越好,拟合程度越高,方程越可靠;RMSE越小,表示方程的稳定性越高,结果越可靠。计算获得该模型的R2=0.929,RMSE=2.7598。其计算公式为:
上式中,yi为含水量预测值,y为含水量实际值,为实际含水量平均值,n为样本个数。
原理:土壤反射光谱特征是土壤理化性质的综合反映,土壤含水量影响可见光近红外土壤反射光谱曲线的大小和形状。土壤反射光谱曲线很难提取土壤含水量等参数的吸收特征,而去包络线可以增强土壤反射光谱曲线的吸收特征。
在一定的土壤含水量范围内,土壤光谱反射率随土壤水分的增加而降低;在含水量达到阈值后,土壤光谱反射率随土壤水分的增加而增加。
黑土有着自己特定的反射光谱特征,可采用美国分析光谱仪器公司生产的野外便携式高光谱仪ASD FieldSpec 3在暗室测得黑土的光谱曲线,通过定量分析土壤含水量与反射光谱曲线特征的关系,利用反射光谱曲线吸收谷深度为自变量建立含水量预测模型,进而实现土壤含水量的速测。
具体实施例:
一、土壤样本采集步骤:
于作物播种后、出苗前,在典型黑土区采集不同有机质含量的8个土样,其有机质含量分别为(30.6、31.8、32.6、36.9、39.2、39.5、50.0、51.8)g kg-1,每个土样各15kg。采集不同有机质含量的土样,是为了比较在各种有机质含量中不同含水量在去包络线后,光谱波谷吸收特征的差异。
采用新的土壤水分调配方法,精细调配不同含水量,共得到土壤样本102个。从中选取部分作为验证样本,对最终的结果进行精度验证。
二、含水量调配试验步骤:
首先确定8个土样各自的饱和含水量,将8个土样风干后分成含水量调配所需的个数,各土样需要调配不同含水量的个数等于各自土样的饱和含水量除以含水量间隔。
为保证土壤与水充分混合,将土样置于密封效果好的塑料袋中,对土样用喷壶喷蒸馏水,边喷边搅拌;为使土壤充分均匀吸收水分,喷水过后,将每个土样在4~5℃的环境下密封放置24h。
随后对土样进行反射光谱测试,然后取每个土样容器中部的土壤,装入已经称重的小烧杯,称重,随后将其在烘箱105℃的环境下放置8h,确定土样为恒重后,计算各土样土壤含水量。
三、土壤反射光谱测定
利用野外便携式高光谱仪ASD FieldSpec 3对102个土壤样本进行反射光谱测定。在暗室内测得,每个土壤样本采集10条光谱曲线,取平均得到土壤的实际反射光谱数据。
四、数据处理
高光谱反射数据预处理:
采用9点加权移动平均法对光谱曲线进行平滑去噪处理。利用高斯模型对光谱数据进行5nm光谱重采样。
去包络线与光谱特征参数计算:
在遥感软件ENVI4.6环境下,建立土壤光谱数据库;利用Continuum Removed功能对土壤光谱数据进行去包络线处理,利用Visual C#语言编写程序计算得到各土壤样本的光谱特征参数。去包络线的用处是可以增强曲线的可见光近红外波段吸收特征。
五、模型建立与验证:
将102个样本分为两部分,以固定的含水量间隔,挑出68个样本作为建模样本,其余的34个样本作为验证样本。采用一元线性回归法,以光谱吸收特征参数作为输入量,建立黑土含水量高光谱预测模型。模型精度由决定系数R2和均方根误差RMSE进行综合评价,模型的决定系数R2越大,模型越稳定;RMSE越小,模型预测能力越好。
图1中,MO_CR=51.6代表含水量为51.6g kg-1的土样对应的去包络光谱曲线,MO=51.6代表含水量为51.6g kg-1的土样对应的反射光谱曲线,其它类同。图2中,包络光谱曲线中各参数代表的意义:Ll、Lv、Lr分别代表吸收谷左右肩与谷底值相应的波长位置;D、W、A分别代表吸收谷的吸收深度、吸收宽度、吸收谷总面积。
由反射光谱曲线可以看出,在1400nm和1900nm附近曲线波动明显,故用1400nm和1900nm波谷深度来对土壤含水量进行预测模型建立。从测得的数据中随机选取68个点作为样本点,剩下的作为验证样本点。分别对1400nm和1900nm深度的数据进行模型建立,得出RMSE和黑土速测模型,如图3。
表1土壤含水量一元线性回归预测模型
表1中参数反射率栏1900nm深度或1400nm深度的数据是采用68个训练样本数据参与计算的。
根据土样光谱数据库中选取的68个训练样本数据对应的光谱曲线提取光谱参数,其中利用1900nm反射光谱吸收深度这个参数的反射率与已知的含水量建立黑土含水量速测模型。并计算决定系数R2和均方根误差RMSE。R2越接近1,表示相关性好,拟合程度高,方程可靠;RMSE越小,表示方程的稳定性越高,结果越可靠。该模型的R2=0.929,RMSE=2.7598。
由实验得出结论,1900nm深度建立模型,方程的精度和稳定性都很好,根据数值比较,1900nm深度建立模型的为0.929,RMZE为2.7598,效果比1400nm深度更好,所以在1900nm深度建立黑土速测模型,用来实现土壤含水量的速测,相关系数和均方根误差均符合要求。
Claims (3)
1.一种基于光谱吸收特征的黑土含水量速测方法,其特征在于,它包括以下步骤:
步骤一:采集具有不同有机质含量的土壤样本,分别调配土壤样本的含水量,得到多个基准土壤样本;
步骤二:对多个基准土壤样本分别进行光谱测试,每个基准土壤样本采集10条光谱曲线,对10条光谱曲线进行算术平均,获得每个基准土壤样本的实际反射光谱数据;
步骤三:采用9点加权移动平均法对每个基准土壤样本的实际反射光谱数据进行平滑去噪处理;再利用高斯模型对去噪后的实际反射光谱数据进行5nm光谱重采样,获得每个基准土壤样本的基准反射光谱数据;
步骤四:采用所有基准土壤样本的基准反射光谱数据建立土样光谱数据库,然后分别对数据库中的每个基准反射光谱数据进行去包络线处理,计算获得每个基准反射光谱数据的光谱特征参数;
步骤五:将土样光谱数据库中的基准土壤样本的基准反射光谱数据作为训练样本,根据训练样本的光谱特征参数,利用训练样本在1900nm反射光谱吸收深度对应的光谱特征参数中的反射率及其已知的含水量数据建立黑土含水量速测模型,获得每个基准土壤样本在1900nm反射光谱吸收深度对应的反射率Re1900为:
Re1900=0.0143*MC+0.2041,
式中MC为含水量;
步骤六:将反射率Re1900的表达式使用于黑土含水量速测方法中,根据待测黑土在1900nm反射光谱吸收深度对应的反射率Re1900计算获得待测黑土的含水量。
2.根据权利要求1所述的基于光谱吸收特征的黑土含水量速测方法,其特征在于,获得基准土壤样本的调配方法为:
将不同有机质含量的土壤样本分成含水量调配所需个数的待调配土壤样本,将每个待调配土壤样本置于可密封的塑料袋中,对每个待调配土壤样本喷蒸馏水并搅拌均匀,然后密封,在4-5℃的环境下放置24h,获得基准土壤样本。
3.根据权利要求2所述的基于光谱吸收特征的黑土含水量速测方法,其特征在于,基准土壤样本的土壤含水量的获得方法为:
取塑料袋中部的土壤称重,然后在105℃的烘箱环境下放置8h再称重,根据两次称重结果计算基准土壤样本的土壤含水量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611253228.7A CN106770054A (zh) | 2016-12-30 | 2016-12-30 | 基于光谱吸收特征的黑土含水量速测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611253228.7A CN106770054A (zh) | 2016-12-30 | 2016-12-30 | 基于光谱吸收特征的黑土含水量速测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106770054A true CN106770054A (zh) | 2017-05-31 |
Family
ID=58953085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611253228.7A Pending CN106770054A (zh) | 2016-12-30 | 2016-12-30 | 基于光谱吸收特征的黑土含水量速测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106770054A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107367480A (zh) * | 2017-09-20 | 2017-11-21 | 鞍钢集团矿业有限公司 | 基于热红外光谱的鞍山式铁矿中二氧化硅含量测定方法 |
CN109740468A (zh) * | 2018-12-24 | 2019-05-10 | 核工业北京地质研究院 | 一种用于黑土有机质信息提取的自适应高斯低通滤波算法 |
CN110118732A (zh) * | 2019-05-22 | 2019-08-13 | 中国农业大学 | 土壤含水量检测方法及装置 |
CN110907367A (zh) * | 2019-11-09 | 2020-03-24 | 华东师范大学 | 一种基于高光谱遥感的土壤墒情检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101769868A (zh) * | 2008-12-29 | 2010-07-07 | 中国科学院沈阳应用生态研究所 | 一种土壤水分反射光谱特征分析方法 |
CN102455282A (zh) * | 2010-10-25 | 2012-05-16 | 北京农业信息技术研究中心 | 测量土壤含水量的方法 |
CN104990900A (zh) * | 2015-07-22 | 2015-10-21 | 中国农业大学 | 土壤氮素和含水率测量装置及方法 |
-
2016
- 2016-12-30 CN CN201611253228.7A patent/CN106770054A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101769868A (zh) * | 2008-12-29 | 2010-07-07 | 中国科学院沈阳应用生态研究所 | 一种土壤水分反射光谱特征分析方法 |
CN102455282A (zh) * | 2010-10-25 | 2012-05-16 | 北京农业信息技术研究中心 | 测量土壤含水量的方法 |
CN104990900A (zh) * | 2015-07-22 | 2015-10-21 | 中国农业大学 | 土壤氮素和含水率测量装置及方法 |
Non-Patent Citations (5)
Title |
---|
刘秀英 等: "黄绵土风干过程中土壤含水率的光谱预测", 《农业机械学报》 * |
姚艳敏 等: "黑土土壤水分高光谱特征及反演模型", 《农业工程学报》 * |
李民赞 等: "土壤成分与特性参数光谱快速检测方法及传感技术", 《农业机械学报》 * |
李美婷: "新疆不同质地土壤含水量光谱特征分析", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
沈焕峰 等: "《ENVI遥感影像处理方法》", 31 October 2009, 武汉大学出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107367480A (zh) * | 2017-09-20 | 2017-11-21 | 鞍钢集团矿业有限公司 | 基于热红外光谱的鞍山式铁矿中二氧化硅含量测定方法 |
CN109740468A (zh) * | 2018-12-24 | 2019-05-10 | 核工业北京地质研究院 | 一种用于黑土有机质信息提取的自适应高斯低通滤波算法 |
CN110118732A (zh) * | 2019-05-22 | 2019-08-13 | 中国农业大学 | 土壤含水量检测方法及装置 |
CN110907367A (zh) * | 2019-11-09 | 2020-03-24 | 华东师范大学 | 一种基于高光谱遥感的土壤墒情检测方法 |
CN110907367B (zh) * | 2019-11-09 | 2022-10-04 | 华东师范大学 | 一种基于高光谱遥感的土壤墒情检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Blatchford et al. | Status of accuracy in remotely sensed and in-situ agricultural water productivity estimates: A review | |
Demattê et al. | Soil analytical quality control by traditional and spectroscopy techniques: Constructing the future of a hybrid laboratory for low environmental impact | |
CN103196838B (zh) | 一种海岸河口富营养化高光谱遥感监测方法 | |
CN104020127B (zh) | 一种利用近红外光谱快速测量烟叶中无机元素的方法 | |
Feng et al. | Measuring leaf nitrogen concentration in winter wheat using double-peak spectral reflection remote sensing data | |
Ni-Meister et al. | A clumped-foliage canopy radiative transfer model for a global dynamic terrestrial ecosystem model. I: Theory | |
Yi et al. | Different units of measurement of carotenoids estimation in cotton using hyperspectral indices and partial least square regression | |
Liu et al. | Estimation of soil organic matter content based on CARS algorithm coupled with random forest | |
CN106770054A (zh) | 基于光谱吸收特征的黑土含水量速测方法 | |
CN109187398A (zh) | 一种小麦植株氮含量的高光谱测定方法 | |
Song et al. | Using multi-angle hyperspectral data to monitor canopy leaf nitrogen content of wheat | |
CN104502288A (zh) | 利用可见光近红外光谱技术的土壤铅含量测量方法 | |
Zhang et al. | Predicting apple sugar content based on spectral characteristics of apple tree leaf in different phenological phases | |
CN110378925B (zh) | 一种机载LiDAR和多光谱遥感技术的生态水储量估算方法 | |
CN105136737A (zh) | 基于近红外光谱的馒头中马铃薯全粉含量快速测定的方法 | |
Liu et al. | Estimating leaf chlorophyll contents by combining multiple spectral indices with an artificial neural network | |
CN107561032A (zh) | 基于太赫兹吸收系数光谱检测油菜叶片水分状态的方法 | |
Peng et al. | Winter wheat canopy water content monitoring based on spectral transforms and “three-edge” parameters | |
Gao et al. | Mapping crop residue cover using Adjust Normalized Difference Residue Index based on Sentinel-2 MSI data | |
Jin et al. | Hyperspectral indices developed from the low order fractional derivative spectra can capture leaf dry matter content across a variety of species better | |
CN110320164A (zh) | 一种生菜全氮含量高光谱反演模型的建立方法及其应用 | |
CN106769927A (zh) | 一种黄芪药材的质量检测方法 | |
He et al. | Remote estimation of leaf water concentration in winter wheat under different nitrogen treatments and plant growth stages | |
An et al. | The optimal soil water content models based on crop-LAI and hyperspectral data of winter wheat | |
Gara et al. | Determination of foliar traits in an ecologically distinct conifer species in Maine using Sentinel-2 imagery and site variables: Assessing the effect of leaf trait expression and upscaling approach on prediction accuracy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190923 Address after: 130000, Jilin Changchun hi tech Industry Development Zone, No. 4888, North Main Street, northeast core area Applicant after: Northeast Institute of Geography and Agricultural Ecology, Chinese Academy of Sc Address before: 150000, No. 59, timber street, Xiangfang District, Heilongjiang, Harbin, C207 Applicant before: Heilongjiang He Yuan Remote Sensing Technology Co., Ltd. |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |
|
RJ01 | Rejection of invention patent application after publication |