CN107144535A - 一种基于高光谱技术的碱化土壤空间酸碱度监测方法 - Google Patents
一种基于高光谱技术的碱化土壤空间酸碱度监测方法 Download PDFInfo
- Publication number
- CN107144535A CN107144535A CN201710356540.7A CN201710356540A CN107144535A CN 107144535 A CN107144535 A CN 107144535A CN 201710356540 A CN201710356540 A CN 201710356540A CN 107144535 A CN107144535 A CN 107144535A
- Authority
- CN
- China
- Prior art keywords
- soil
- model
- analysis
- sample
- spectrum
- 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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (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
本发明公开了一种基于高光谱技术的碱化土壤空间酸碱度监测方法,通过对其土壤高光谱数据变换形式的反射率与土壤PH进行相关分析,建立多元逐步线性回归(SMLR)模型及偏最小二乘回归(PLSR)模型,分析土壤碱化程度和空间分布状况,对土地质量进行评价,为土壤的综合治理提供科学依据,在此基础上进行拓展研究,使碱化土壤空间酸碱度的高光谱监测技术能够在干旱区和半干旱区得到实施应用,尤其是地形起伏较大区域和无人区域能够从无监测转化为逐时空间监测。
Description
技术领域
本发明涉及一种利用高光谱技术进行碱化土壤空间酸碱度监测的方法,尤其是应用高光谱遥感技术快速监测野外盐碱化土壤空间酸碱度的方法,属于遥感光谱图像定量分析的应用领域。
背景技术
土壤碱化通常出现在干旱、半干旱地区,是干旱、半干旱农业区最主要的土地退化问题之一。因此,快速、准确、有效的监测盐碱土的危害程度和空间分布状况对于治理土壤盐碱化、防止土壤再退化、加速绿洲农业发展起到至关重要的作用。PH是反应土壤碱化程度的最重要指标之一。传统的土壤碱化状况是通过野外调查获得,费时费力,而且监测站点较少,尤其是地形起伏较大的地区、无人荒漠区监测难度较大,无法揭示盐碱土的时空动态变化特征,对探测土地碱化程度、盐碱化防治以及干旱、半干旱区域的绿洲农业发展有很大的限制作用。
为了快速、有效、精准的反映土地碱化程度,高光谱遥感成为一种新的实时监测土壤组分的技术手段,高光谱遥感不仅具有多光谱遥感的宏观性、省时省力等特点,还具有精细的光谱分辨能力。在光谱分析过程中,可以建立可靠的定量模型对土壤PH做出准确模拟和预测。目前,对土壤光谱特性的研究已在相关技术手段帮助下得以实现,并取得较大的进展。Ferenc等[Ferenc C.Spectral band selection for the characterization ofsalinity status of soils[J].Remote Sensing of Environment,1993,43:231-242.]应用改进逐步主成分分析(MSPCA)技术,对盐碱化土壤光谱进行了变换处理,有效提取了盐碱化程度信息。Domsh等[Domsch H,Giebel A.Estimation of soil textural featuresfrom soil electrical conductivity recorded using the EM38[J].recisionAgriculture,2004,5:389-409.]使用EM38测量的EC估算土壤质地特征。Metternicht等[Metternicht G,Alfred Zinck J.Remote sensing of soil salinization Impact onLand Management[M].New York:CRC Press,2009:63-113.]使用遥感技术检测土壤盐渍化状况,并研究其在土地管理中的应用。崔耀平等[崔耀平,王让会,刘彤,等.基于光谱混合分析的干旱荒漠区植被遥感信息提取研究—以古尔班通古特沙漠西缘为例[J].中国沙漠,2010,30(2):334-341.]以Landsat-TM影像为数据源,使用光谱混合分解模型提取了盐碱化地区植被属性等信息。
研究现状而言,虽然通过一些高光谱数据已经建立了各种土壤组分的多种预测模型,但不同方法建立模型的精度不同,对以PH为主要指标的碱化土壤的研究以及其时空分布特征研究分析尚不成熟。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于高光谱技术的碱化土壤空间酸碱度监测方法。
本发明采用的技术方案为:一种基于高光谱技术的碱化土壤空间酸碱度监测方法,包括以下步骤:
步骤一:选取能代表当地盐渍化状态的典型区域,本发明的样地土壤类型包括盐土、沼泽土、灰漠土、灰棕漠土、潮土、风沙土、淤灌土和草甸土,地表覆盖植被主要为典型的盐生沙漠植物白刺、梭梭、柠条、怪柳、胡杨等。在同一个采样区域选取地表状况相似的5个样点(重复试验),进行100cm深的土壤剖面试验,使用铝制环刀进行分层(5层)取样,每份挖取土壤样品1kg。使用手持GPS仪对每个样点的海拔和经纬度坐标进行记录。
步骤二:将步骤一所得土样进行自然风干、研磨、去除砂砾、石块和植物残体等处理,用0.25mm孔隙的筛子进行过筛处理。将处理好的土样分为3份:分别用于光谱分析、化学测量和保存备用。
步骤三:将步骤二所得土样进行室内光谱分析,室内土壤样品反射光谱的测量采用的是美国ASD公司生产的FieldSpec3地物光谱仪。测定波长范围为350~2500nm,其光谱分辨率分别为3nm和10nm,重采样间隔1nm,共输出2151个波段。实验测量过程中配备光源50w的卤素灯,探头视场角为5°,光源与垂直方向呈15°夹角,光源距离土壤表面30cm,探头距离土样表面15cm。测量在黑暗环境的实验室进行,将步骤二的土壤填满盛样皿(直径10cm、高1.5cm)中稍压平,用直尺将表土刮匀,使其表面尽量平整,为降低土样光谱各个方向异性的影响,测量时转动盛样皿3次,每次转动90°,可以获得土样4个方向的光谱曲线,每个方向采集3条样本线,每个样品共采集12条样本线,算术平均后得到该土样的反射光谱数据。为了减小光线的漫反射,每次测试前需进行朗伯性漫射材料聚四氟乙烯白板标定。
步骤四:为了减小光谱测定过程中所产生的误差,要对光谱数据进行预处理,所以对土壤样本的原始反射光谱曲线进行消除噪音、重采样的预处理方法,来提高两者之间的相关性。对土壤高光谱数据进行10nm间隔的重采样处理,共得到215个波段。光谱不同形式的变换处理能够显著降低测量中背景、样品粗糙度、光照等干扰因子所产生的影响,有助于提高光谱与PH之间的相关性。
步骤五:通过对所得土壤光谱反射率及其相关变换形式(反射率一阶导数微分和倒数对数)与PH逐波段进行相关分析,得到各波段与PH之间的相关系数,根据相关分析结果,选取相关系数较大的波段,进行多元逐步线性回归分析,建立土壤光谱反射率及一阶导数微分和倒数对数与PH之间的回归方程。选取决定系数R2和均方根误差RMSE来评价回归方程对样本的拟合度。
步骤六:建模使用SMLR模型和PLSR模型。SMLR模型根据方差分析结果选取较好的自变量进入方程进行建模,能将F值较小的自变量筛除,达到最好的建模效果。PLSR模型是通过将因子分析和回归分析相结合,能解决普通多元线性回归较难解决的问题。它通过因子分析将光谱空间数据维数降低,然后通过合理选取主成分,去掉代表干扰组分和干扰因素主成分,选用有效的主成分参与回归。
步骤七:模型需要较高的R2和较低的RMSE,在回归分析中,采用方差分析法对建立的回归模型进行评价,首先利用R2来验证自变量与因变量之间的关系,决定系数反映了模型自身的稳定性,保证自变量和因变量之间相关性符合回归模型允许范围;然后利用RMSE来评价测量数据偏离真实值的程度,RMSE越小,R2越大,说明模型预测精度越高,模型稳健性就越好。利用以上分析方法得到的估算模型,其精度的高低及适用性如何是需要验证的,土壤PH光谱特征通过多元回归分析方法与偏最小二乘回归分析方法分别建立了各自反演模型,但须从模型的稳定性与预测能力出发,对模型进行有效检验。R2表示拟合优度的大小,反映了模型自身的稳定性,当决定系数较大时,说明了自变量对因变量的解释程度较高,构建的模型较为稳定;RMSE能够较好地反映构建模型的监测能力,当总均方根误差较小时,说明构建的模型的精度较高,其预测能力较好。
步骤八:挑选最适合的建模波段,拟合出最适模型后,利用高光谱卫星进行区域空间酸碱度的分析与监测,能够及时反映出空间酸碱度的变化状况,起全范围空间逐时监测作用,有效弥补人工监测的不足。
有益效果:本发明以典型碱化土壤地区新疆精河县为研究区域,通过对其土壤高光谱数据变换形式的反射率与土壤PH进行相关分析,建立多元逐步线性回归(SMLR)模型及偏最小二乘回归(PLSR)模型,分析土壤碱化程度和空间分布状况,对土地质量进行评价,为土壤的综合治理提供科学依据,在此基础上进行拓展研究,使碱化土壤空间酸碱度的高光谱监测技术能够在干旱区和半干旱区得到实施应用,尤其是地形起伏较大区域和无人区域能够从无监测转化为逐时空间监测。
附图说明
图1为本发明研究区示意图。
图2为土壤pH值与原始光谱反射率和一阶导数光谱、倒数对数光谱的相关系数图。
图3a为根据多元线性回归模型所得的土壤PH实测值与预测值的拟合分布图(光谱反射率)。
图3b为根据多元线性回归模型所得的土壤PH实测值与预测值的拟合分布图(反射率一阶导数)。
图3c为根据多元线性回归模型所得的土壤PH实测值与预测值的拟合分布图(反射率倒数对数)。
图4a为基于偏最小二乘法回归分析建立的模型的土壤PH实测值与预测值的拟合分布图(光谱反射率)。
图4b为基于偏最小二乘法回归分析建立的模型的土壤PH实测值与预测值的拟合分布图(反射率一阶导数)。
图4c为基于偏最小二乘法回归分析建立的模型的土壤PH实测值与预测值的拟合分布图(反射率倒数对数)。
具体实施方式
本发明如图1所示,土壤样品的PH值是由电位滴定仪测定的。表1为不同采样地点土壤PH的统计特征。不同样地土壤PH含量差异较大,样本最大值出现在样地4,最小值出现在样地5,测量结果如表1。
表1土壤样本PH(0-20cm)的统计结果
如图2可以看出,土壤pH与原始反射率在560~2490nm区域正相关,在350~560nm区域呈负相关,整体相关系数均较低(绝对值小于0.41)。反射率倒数对数与土壤pH之间的相关性曲线在350~410nm呈正相关,相关性在0.29~0.38之间,而在1610~1690nm之间呈较好的负相关,相关性在0.43左右。一阶导数光谱在440nm、480nm、510nm等处与土壤PH呈较好的正相关,相关系数最高达到0.86,在1370nm、1930nm、1730nm附近呈现较好的负相关,相关系数最大达到0.81。相对于原始光谱反射率,在可见光范围内以反射率的一阶导数变换使得与PH的相关性得到显著提高。
对土壤PH与反射光谱的不同变换形式之间进行相关分析,不同变换形式光谱与土壤PH的较大相关系数所对应波段通常作为预测土壤PH的敏感波段,故选取各形式相关系数较大的波段作为自变量,以PH值作为因变量进行多元逐步线性回归分析,通过SPSS22获得光谱反射率、光谱一阶导数及倒数对数的多元逐步回归模型如下:
(1)光谱反射率模型:
Y=8.647-4.947X360+26.761X1660-24.724X1850,其中X360、X1660、X1850分别为360-369nm、1660-1669nm、1850-1859nm的波段的算术平均数。
(2)光谱反射率一阶导数模型:
Y=7.583+410.806X440+893.195X1200-111.104X1370,其中X440、X1200、X1370分别为440-449nm、1200-1209nm、1370-1379nm的波段的算术平均数。
(3)光谱反射率倒数对数模型:
Y=6.990+3.945X390+20.607X1630-23.381X1840,其中X390、X1630、X1840分别为390-399nm、1630-1639nm、1840-1849nm的波段的算术平均数。
表2土壤PH多元逐步回归分析结果
根据多元线性回归模型所得的土壤PH实测值与预测值的拟合分布如图3a-3c所示,从图中可以看出反射率一阶导数模型的预测值与实测值之间的拟合精度明显高于其他模型。分析表明,利用反射率一阶导数微分建立的多元逐步线性回归模型对土壤PH的预测效果优于反射率原型和反射率的倒数对数,R2达到0.956,均高于光谱反射率及其倒数对数的0.780、0.812,而反射率一阶导数的总均方根误差为1.108,小于反射率的0.229和倒数对数的0.214。反映了土壤PH的实测值与预测值的偏差较小,更说明了反射率的一阶导数变换形式的多元回归模式具有相对较强的预测能力。
基于偏最小二乘法回归分析建立的模型的土壤PH实测值与预测值的拟合分布如图4a-4c所示,选取相关系数较大的波段作为自变量,以土壤PH值作为因变量进行偏最小二乘法回归分析,建立光谱反射率、反射率一阶导数及反射率倒数对数的偏最小二乘法回归分析模型,模型的精度评价指标如表3所示。从图中可以看出利用反射率建立的模型优于反射率倒数对数和反射率的一阶导数微分,决定系数R2达到了0.964,均高于光谱反射率倒数对数及其一阶导数微分的0.958、0.914,而反射率的总均方根误差为0.194,小于反射率率倒数对数的0.210和反射一阶导数的0.294。反映了土壤PH的实测值与预测值的偏差较小,说明直接使用反射率就可以达到很高的预测效果,也就是反射率的偏最小二乘回归模式具有相对较强的预测能力。
表3土壤PH偏最小二乘法回归分析结果
根据反射率、反射率一阶导数及反射率倒数对数,分别建立土壤PH的多元逐步线性回归模型及偏最小二乘回归模型,两者均能较好建立预测模型。在土壤PH多元逐步线性回归中,反射率一阶导数所建立的模型预测精度最好,决定系数达0.956,且总均方根误差为最小的0.108,说明反射率一阶导数建立的多元回归模型可以较稳定的预测土壤PH,且精度较高;而在土壤PH偏最小二乘回归分析中,反射率模型的决定系数高达0.964,总均方根误差为最小的0.194,这说明反射率模型具有很强的预测能力以及较高的预测精度。偏最小二乘回归分析中建立的三个模型的决定系数处于0.914~0.964之间,其总均方根误差处于0.194~0.294之间,其稳定性以及预测精度都优于多元线性回归模型,故反射率所建立的偏最小二乘回归模型可以更好预测土壤PH值,更好的监测土壤碱化程度。
土壤碱化是个高度动态的过程,特别是干旱、半干旱地区,因此土壤盐碱化造成的环境问题日益严重。因此快速、有效、精准的对土壤碱化程度进行实时监测对于研究区以及盐碱化严重地区的农业发展有着重大意义。但由于地区碱性差异,不同地区土壤PH值存在差异性,本发明研究所得偏最小二乘回归模型更适用于碱化土壤空间酸碱度的研究,可根据研究所拟合方程进行高光谱卫星区域空间酸碱度预测与分析,做到土壤空间酸碱度逐时监测,弥补人工监测在地形起伏较大区域和无人区域无监测的缺失,但是否同样适用于其他地区、其他土壤以及其他土壤组分还需使用本发明所提方法实地验证之后才能得出结论。
应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (5)
1.一种基于高光谱技术的碱化土壤空间酸碱度监测方法,其特征在于:包括以下步骤:
步骤一:选取能代表当地盐渍化状态的典型区域,样地土壤类型包括盐土、沼泽土、灰漠土、灰棕漠土、潮土、风沙土、淤灌土和草甸土,地表覆盖植被为典型的盐生沙漠植物白刺、梭梭、柠条、怪柳、胡杨;在同一个采样区域选取地表状况相似的多个样点,进行土壤剖面试验,使用铝制环刀进行分层取样;使用手持GPS仪对每个样点的海拔和经纬度坐标进行记录;
步骤二:将步骤一所得土样进行自然风干、研磨、去除砂砾、石块和植物残体处理,然后进行过筛处理;将处理好的土样分为3份:分别用于光谱分析、化学测量和保存备用;
步骤三:将步骤二所得土样进行室内光谱分析,为了减小光线的漫反射,每次测试前需进行朗伯性漫射材料聚四氟乙烯白板标定;
步骤四:为了减小光谱测定过程中所产生的误差,要对光谱数据进行预处理,所以对土壤样本的原始反射光谱曲线进行消除噪音、重采样的预处理方法,来提高两者之间的相关性;
步骤五:通过对所得土壤光谱反射率、反射率一阶导数微分和倒数对数与PH逐波段进行相关分析,得到各波段与PH之间的相关系数,根据相关分析结果,选取相关系数较大的波段,进行多元逐步线性回归分析,建立土壤光谱反射率及一阶导数微分和倒数对数与PH之间的回归方程;选取决定系数R2和均方根误差RMSE来评价回归方程对样本的拟合度;
步骤六:建模使用SMLR模型和PLSR模型;SMLR模型根据方差分析结果选取较好的自变量进入方程进行建模,能将F值较小的自变量筛除,达到最好的建模效果;PLSR模型是通过将因子分析和回归分析相结合,能解决普通多元线性回归较难解决的问题;它通过因子分析将光谱空间数据维数降低,然后通过合理选取主成分,去掉代表干扰组分和干扰因素主成分,选用有效的主成分参与回归;
步骤七:模型需要较高的R2和较低的RMSE,在回归分析中,采用方差分析法对建立的回归模型进行评价,首先利用R2来验证自变量与因变量之间的关系,决定系数反映了模型自身的稳定性,保证自变量和因变量之间相关性符合回归模型允许范围;然后利用RMSE来评价测量数据偏离真实值的程度,RMSE越小,R2越大,说明模型预测精度越高,模型稳健性就越好;利用以上分析方法得到的估算模型,其精度的高低及适用性如何是需要验证的,土壤PH光谱特征通过多元回归分析方法与偏最小二乘回归分析方法分别建立了各自反演模型,但须从模型的稳定性与预测能力出发,对模型进行有效检验;R2表示拟合优度的大小,反映了模型自身的稳定性,当决定系数较大时,说明了自变量对因变量的解释程度较高,构建的模型较为稳定;RMSE能够较好地反映构建模型的监测能力,当总均方根误差较小时,说明构建的模型的精度较高,其预测能力较好;
步骤八:挑选最适合的建模波段,拟合出最适模型后,利用高光谱卫星进行区域空间酸碱度的分析与监测,能够及时反映出空间酸碱度的变化状况,起全范围空间逐时监测作用,有效弥补人工监测的不足。
2.根据权利要求1所述的一种基于高光谱技术的碱化土壤空间酸碱度监测方法,其特征在于:所述步骤一中在同一个采样区域选取地表状况相似的5个样点,进行100cm深的土壤剖面试验,使用铝制环刀进行分层取样,每份挖取土壤样品1kg。
3.根据权利要求1所述的一种基于高光谱技术的碱化土壤空间酸碱度监测方法,其特征在于:所述步骤二中用0.25mm孔隙的筛子进行过筛处理。
4.根据权利要求1所述的一种基于高光谱技术的碱化土壤空间酸碱度监测方法,其特征在于:所述步骤三中将步骤二所得土样进行室内光谱分析,室内土壤样品反射光谱的测量采用的是美国ASD公司生产的FieldSpec3地物光谱仪;测定波长范围为350~2500nm,其光谱分辨率分别为3nm和10nm,重采样间隔1nm,共输出2151个波段;实验测量过程中配备光源50w的卤素灯,探头视场角为5°,光源与垂直方向呈15°夹角,光源距离土壤表面30cm,探头距离土样表面15cm;测量在黑暗环境的实验室进行,将步骤二的土壤填满盛样皿中稍压平,用直尺将表土刮匀,使其表面尽量平整,为降低土样光谱各个方向异性的影响,测量时转动盛样皿3次,每次转动90°,可以获得土样4个方向的光谱曲线,每个方向采集3条样本线,每个样品共采集12条样本线,算术平均后得到该土样的反射光谱数据。
5.根据权利要求1所述的一种基于高光谱技术的碱化土壤空间酸碱度监测方法,其特征在于:所述步骤四中对土壤高光谱数据进行10nm间隔的重采样处理,共得到215个波段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710356540.7A CN107144535A (zh) | 2017-05-19 | 2017-05-19 | 一种基于高光谱技术的碱化土壤空间酸碱度监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710356540.7A CN107144535A (zh) | 2017-05-19 | 2017-05-19 | 一种基于高光谱技术的碱化土壤空间酸碱度监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107144535A true CN107144535A (zh) | 2017-09-08 |
Family
ID=59777170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710356540.7A Pending CN107144535A (zh) | 2017-05-19 | 2017-05-19 | 一种基于高光谱技术的碱化土壤空间酸碱度监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107144535A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108663330A (zh) * | 2018-04-19 | 2018-10-16 | 中国国土资源航空物探遥感中心 | 一种基于叶片实测光谱的植被覆盖区土壤铜元素反演方法 |
CN108694391A (zh) * | 2018-05-16 | 2018-10-23 | 黄铁成 | 基于高光谱遥感的胡杨林春尺蠖灾害监测方法 |
CN109187441A (zh) * | 2018-08-27 | 2019-01-11 | 中国水利水电科学研究院 | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 |
CN109253976A (zh) * | 2018-10-22 | 2019-01-22 | 北京麦飞科技有限公司 | 基于光感模块的高光谱实时辐射定标方法 |
CN109738380A (zh) * | 2019-01-25 | 2019-05-10 | 西北农林科技大学 | 一种土壤盐渍化程度的高光谱遥感判断方法 |
CN113385531A (zh) * | 2021-07-12 | 2021-09-14 | 西藏自治区农牧科学院农业质量标准与检测研究所 | 高原高背景砷污染土壤的修复治理方法 |
CN114814167A (zh) * | 2022-04-08 | 2022-07-29 | 中科吉安生态环境研究院 | 融合多源环境变量与光谱信息的土壤重金属含量反演方法 |
CN115018394A (zh) * | 2022-08-08 | 2022-09-06 | 成都数联云算科技有限公司 | 旱情评估方法、装置、存储介质、设备及计算机程序产品 |
WO2023240179A1 (en) * | 2022-06-08 | 2023-12-14 | S4 Mobile Laboratories, LLC | Method and apparatus for mapping distribution of chemical compounds in soil |
CN117630000A (zh) * | 2024-01-26 | 2024-03-01 | 北京观微科技有限公司 | 土壤含盐量评估方法、装置、电子设备及存储介质 |
CN117894158A (zh) * | 2024-03-15 | 2024-04-16 | 江苏省气象台 | 一种基于智能网格气温预报的寒潮灾害危险性预评估方法 |
CN117890184A (zh) * | 2024-03-14 | 2024-04-16 | 中国科学院地质与地球物理研究所 | 一种模拟火星土壤及其制备方法 |
US12031906B2 (en) | 2023-06-08 | 2024-07-09 | S4 Mobile Laboratories, LLC | Method and apparatus for mapping distribution of chemical compounds in soil |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130247655A1 (en) * | 2009-05-07 | 2013-09-26 | Solum, Inc. | Automated soil measurement device |
CN103926204A (zh) * | 2014-05-13 | 2014-07-16 | 泰顺派友科技服务有限公司 | 基于多光谱图像特征的土壤酸碱度快速检测方法 |
CN103969195A (zh) * | 2013-01-29 | 2014-08-06 | 常州储能材料与器件研究院 | 一种新型的基于光学方法的pH值检测仪器 |
CN104897592A (zh) * | 2015-06-11 | 2015-09-09 | 石河子大学 | 基于高光谱技术的盐渍化土壤盐分离子含量监测方法 |
-
2017
- 2017-05-19 CN CN201710356540.7A patent/CN107144535A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130247655A1 (en) * | 2009-05-07 | 2013-09-26 | Solum, Inc. | Automated soil measurement device |
CN103969195A (zh) * | 2013-01-29 | 2014-08-06 | 常州储能材料与器件研究院 | 一种新型的基于光学方法的pH值检测仪器 |
CN103926204A (zh) * | 2014-05-13 | 2014-07-16 | 泰顺派友科技服务有限公司 | 基于多光谱图像特征的土壤酸碱度快速检测方法 |
CN104897592A (zh) * | 2015-06-11 | 2015-09-09 | 石河子大学 | 基于高光谱技术的盐渍化土壤盐分离子含量监测方法 |
Non-Patent Citations (2)
Title |
---|
文虎: "绿洲农田盐碱斑土壤表层盐分和pH值的光谱特征研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
李焱 等: "基于高光谱反射特性的土壤全氮含量预测分析", 《遥感技术与应用》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108663330A (zh) * | 2018-04-19 | 2018-10-16 | 中国国土资源航空物探遥感中心 | 一种基于叶片实测光谱的植被覆盖区土壤铜元素反演方法 |
CN108694391A (zh) * | 2018-05-16 | 2018-10-23 | 黄铁成 | 基于高光谱遥感的胡杨林春尺蠖灾害监测方法 |
CN108694391B (zh) * | 2018-05-16 | 2021-11-09 | 黄铁成 | 基于高光谱遥感的胡杨林春尺蠖灾害监测方法 |
CN109187441A (zh) * | 2018-08-27 | 2019-01-11 | 中国水利水电科学研究院 | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 |
CN109187441B (zh) * | 2018-08-27 | 2022-06-10 | 中国水利水电科学研究院 | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 |
CN109253976A (zh) * | 2018-10-22 | 2019-01-22 | 北京麦飞科技有限公司 | 基于光感模块的高光谱实时辐射定标方法 |
CN109738380B (zh) * | 2019-01-25 | 2022-09-30 | 西北农林科技大学 | 一种土壤盐渍化程度的高光谱遥感判断方法 |
CN109738380A (zh) * | 2019-01-25 | 2019-05-10 | 西北农林科技大学 | 一种土壤盐渍化程度的高光谱遥感判断方法 |
CN113385531A (zh) * | 2021-07-12 | 2021-09-14 | 西藏自治区农牧科学院农业质量标准与检测研究所 | 高原高背景砷污染土壤的修复治理方法 |
CN114814167A (zh) * | 2022-04-08 | 2022-07-29 | 中科吉安生态环境研究院 | 融合多源环境变量与光谱信息的土壤重金属含量反演方法 |
WO2023240179A1 (en) * | 2022-06-08 | 2023-12-14 | S4 Mobile Laboratories, LLC | Method and apparatus for mapping distribution of chemical compounds in soil |
CN115018394A (zh) * | 2022-08-08 | 2022-09-06 | 成都数联云算科技有限公司 | 旱情评估方法、装置、存储介质、设备及计算机程序产品 |
CN115018394B (zh) * | 2022-08-08 | 2022-10-25 | 成都数联云算科技有限公司 | 旱情评估方法、装置、存储介质及设备 |
US12031906B2 (en) | 2023-06-08 | 2024-07-09 | S4 Mobile Laboratories, LLC | Method and apparatus for mapping distribution of chemical compounds in soil |
CN117630000A (zh) * | 2024-01-26 | 2024-03-01 | 北京观微科技有限公司 | 土壤含盐量评估方法、装置、电子设备及存储介质 |
CN117630000B (zh) * | 2024-01-26 | 2024-04-02 | 北京观微科技有限公司 | 土壤含盐量评估方法、装置、电子设备及存储介质 |
CN117890184A (zh) * | 2024-03-14 | 2024-04-16 | 中国科学院地质与地球物理研究所 | 一种模拟火星土壤及其制备方法 |
CN117890184B (zh) * | 2024-03-14 | 2024-05-28 | 中国科学院地质与地球物理研究所 | 一种模拟火星土壤及其制备方法 |
CN117894158A (zh) * | 2024-03-15 | 2024-04-16 | 江苏省气象台 | 一种基于智能网格气温预报的寒潮灾害危险性预评估方法 |
CN117894158B (zh) * | 2024-03-15 | 2024-06-18 | 江苏省气象台 | 一种基于智能网格气温预报的寒潮灾害危险性预评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107144535A (zh) | 一种基于高光谱技术的碱化土壤空间酸碱度监测方法 | |
Hartemink et al. | Towards digital soil morphometrics | |
Yang et al. | Estimating soil salinity under various moisture conditions: An experimental study | |
Zoffoli et al. | Sentinel-2 remote sensing of Zostera noltei-dominated intertidal seagrass meadows | |
Gomez et al. | Laboratory Vis–NIR spectroscopy as an alternative method for estimating the soil aggregate stability indexes of Mediterranean soils | |
Yong-Ling et al. | A spectral index for estimating soil salinity in the Yellow River Delta Region of China using EO-1 Hyperion data | |
Dierssen et al. | Ocean color remote sensing of seagrass and bathymetry in the Bahamas Banks by high‐resolution airborne imagery | |
Rossel et al. | In situ measurements of soil colour, mineral composition and clay content by vis–NIR spectroscopy | |
CN103293111B (zh) | 一种土壤背景干扰下小麦叶层氮含量光谱监测模型及建模方法 | |
CN107796764A (zh) | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 | |
CN105628581B (zh) | 一种基于高光谱技术的致密砂岩储层露头孔隙度表征方法 | |
CN106645037A (zh) | 基于高光谱技术检测煤矸石充填复垦重构土壤重金属含量的方法 | |
Zhang et al. | A bio-optical model based method of estimating total suspended matter of Lake Taihu from near-infrared remote sensing reflectance | |
CN108171210B (zh) | 一种植被覆盖区蚀变遥感异常信息的提取方法及系统 | |
CN112989692A (zh) | 基于遥感数据的湖泊富营养化反演方法 | |
Ogen et al. | 3D spectral analysis in the VNIR–SWIR spectral region as a tool for soil classification | |
CN110687053B (zh) | 一种基于高光谱影像的区域有机质含量估算方法和装置 | |
Ainiwaer et al. | Regional scale soil moisture content estimation based on multi-source remote sensing parameters | |
Wang et al. | Remote-sensing inversion model of surface water suspended sediment concentration based on in situ measured spectrum in Hangzhou Bay, China | |
CN107132190A (zh) | 一种土壤有机质光谱反演模型校正样本集构建方法 | |
Mao et al. | How can UAV bridge the gap between ground and satellite observations for quantifying the biomass of desert shrub community? | |
Wu et al. | Mapping the salt content in soil profiles using Vis‐NIR hyperspectral imaging | |
Onoyama et al. | Potential of hyperspectral imaging for constructing a year-invariant model to estimate the nitrogen content of rice plants at the panicle initiation stage | |
Mammadov et al. | Visible and near-infrared reflectance spectroscopy for assessment of soil properties in the Caucasus Mountains, Azerbaijan | |
Dilbone et al. | Spectrally based bathymetric mapping of a dynamic, sand‐bedded channel: Niobrara River, Nebraska, USA |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170908 |
|
WD01 | Invention patent application deemed withdrawn after publication |