CN108663330A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN108663330A
CN108663330A CN201810353788.2A CN201810353788A CN108663330A CN 108663330 A CN108663330 A CN 108663330A CN 201810353788 A CN201810353788 A CN 201810353788A CN 108663330 A CN108663330 A CN 108663330A
Authority
CN
China
Prior art keywords
vegetation
soil
spectrum
sample
copper
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.)
Granted
Application number
CN201810353788.2A
Other languages
English (en)
Other versions
CN108663330B (zh
Inventor
尚坤
甘甫平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Aero Geophysical Survey & Remote Sensing Center For Land And Resources
Original Assignee
China Aero Geophysical Survey & Remote Sensing Center For Land And Resources
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Aero Geophysical Survey & Remote Sensing Center For Land And Resources filed Critical China Aero Geophysical Survey & Remote Sensing Center For Land And Resources
Priority to CN201810353788.2A priority Critical patent/CN108663330B/zh
Publication of CN108663330A publication Critical patent/CN108663330A/zh
Application granted granted Critical
Publication of CN108663330B publication Critical patent/CN108663330B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/02—Devices for withdrawing samples
    • G01N1/04—Devices for withdrawing samples in the solid state, e.g. by cutting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/34—Purifying; Cleaning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/38—Diluting, dispersing or mixing samples
    • 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
    • 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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
    • G01N21/73—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited using plasma burners or torches
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
    • G01N2001/2866—Grinding or homogeneising
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/38—Diluting, dispersing or mixing samples
    • G01N2001/386—Other diluting or mixing processes
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits

Landscapes

  • Physics & Mathematics (AREA)
  • General 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)
  • Immunology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Plasma & Fusion (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Algebra (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及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，步骤如下：步骤一、影像获取与预处理；步骤二、现场采样；步骤三、对样本进行处理；步骤四、叶片光谱测量与预处理；步骤五、土壤样本铜元素含量测量；步骤六、植被指数与光谱参量计算；步骤七、相关性分析与参量选择；步骤八、模型构建；步骤九、大面积反演土壤铜元素含量。本发明可得到植被覆盖区大面积土壤铜元素含量图像，为矿产资源调查提供指示信息和找矿线索，为土地质量评价与土壤综合治理提供科学依据。同时，可以在此基础上，通过多时相分析，获得土壤重金属污染扩散情况与防治效果评价。本发明具有可探测范围大、速度快、可实时监测等优点。

Description

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
技术领域
本发明涉及植被覆盖区土壤铜元素含量反演技术领域，具体的说是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。
背景技术
在地质找矿中，植被一直是制约遥感找矿的一个重要因素，为常规地质勘探和矿产资源勘查带来了极大困难。世界上大约有三分之二的陆地表面为植被所覆盖，中国植被覆盖率约70％，森林覆盖率约25％。我国一些主要的成矿带，如得尔布干成矿带、秦岭成矿带、云南三江成矿带等植被茂密，地形陡峻，风化覆盖层较厚，地表土壤中元素淋失严重，给深部隐伏矿床的勘查带来了很大的困难。因此，利用植被冠层遥感数据进行大尺度的地球化学信息反演，得到土壤地球化学信息分布数据，对获得我国大面积植被覆盖区的矿产资源信息具有现实意义。
理论上，植被在生长过程中，会通过其根系吸收地下的成矿元素并向上部的茎和叶部位运输。大量的矿物元素会在植被的体内聚集和积累，超过其毒性阈值时，元素会对植被产生毒化效应，导致植被出现一系列的生理生态变异，产生植被地球化学效应。所以可以通过对植被光谱地球化学效应比较分析，反演出下伏土壤地球化学信息，从而推断地下可能存在的隐伏矿藏。
传统的植被地球化学找矿主要是采用实地调查采样、实验室分析测试的方法，需要耗费大量的人力、物力。同时，还有大量由于地形、地势、植被覆盖等因素影响，无法进行实地调查采样的区域，难以获取区域性的矿产资源分布线索信息。高光谱数据具有连续的光谱曲线和纳米级的光谱分辨率，在植被覆盖区可以通过植被光谱差异来判断叶片理化信息等是否异常，进而得到区域的地球化学信息分布情况，为矿产资源调查提供指示信息和找矿线索，在植被覆盖区地质找矿中具有非常好的应用前景。
发明内容
本发明的目的在于克服现有方法不足，提供一种基于叶片实测光谱的植被覆盖区土壤铜元素含量反演方法。
为了实现上述功能，本发明一种基于叶片实测光谱的植被覆盖区土壤铜元素含量反演方法，将采用以下技术方案：
步骤一、影像获取与预处理
根据研究区范围，搜集获取航空航天高光谱影像，并根据高光谱影像产品级别，利用ENVI软件，首先根据原始数据辐射校正系数进行辐射校正，然后选择FLAASH模型进行大气校正，并根据地面控制点进行几何精校正或正射校正，之后获取研究区与高光谱影像空间分辨率匹配的DEM数据，进行地形及太阳光度校正，最终得到研究区地表反射率影像；
步骤二、现场采样
在研究区根据预先收集的资料，结合研究区土壤、地势、地物分布特点，按照平均分布原则设置采样点，采集B层土壤与优势乔木或灌木植被叶片，在同一采样点采集多处土壤样本进行混合，并选择多棵植株叶片进行混合，记录采样点的经纬度坐标、海拔、土壤采样深度与种类、植被类型等信息；
步骤三、对样本进行处理
土壤样本去除砂砾、石块和植物残体，并进行风干、研磨、过筛处理，将处理好的土样分为2份，分别用于化学分析和保存备用；植被样本在采集后应冷藏密封保存，注意保鲜，并尽快开展光谱测量；
步骤四、叶片光谱测量与预处理
在进行植被叶片光谱测量时，采用美国ASD(Analytical Spectral Device)公司的FieldSpec Pro FR光谱仪，光谱仪将数据重采样为1nm。测量植被叶片的反射光谱时，每个采样点选5个叶片部位测量光谱曲线，求其平均值，以消除测量的不稳定性，并采用ViewSpec软件中的Splice Correction修正功能对数据在光谱连接处可能会出现台阶跳跃进行修正，之后按照步骤一预处理后的高光谱影像各波段波长与半高宽情况，利用ENVI软件对叶片光谱进行重采样；
步骤五、土壤样本铜元素含量测量
主要参照GB/T14506.18-2010《硅酸盐岩石化学分析方法第18部分：铜量测定》或GB/T14506.30-2010《硅酸盐岩石化学分析方法第30部分：44个元素量测定》执行，使用等离子体质谱仪、等离子体反射光谱仪或火焰原子吸收分光光度法等对土壤样本进行分析；
步骤六、植被指数与光谱参量计算
在植被指数计算方面，考虑到铜元素含量升高对植被叶绿素的胁迫作用，主要选择对叶绿素较为敏感的植被光谱指数，具体包括表1中BGI等64种植被指数；在光谱参量计算方面，为消除背景噪声、增强相似光谱之间的差别、突出光谱的特征值，计算光谱一阶微分和光谱倒数对数；
步骤七、相关性分析与参量选择
通过对步骤四所测得的植被叶片光谱反射率、步骤六得到的光谱一阶微分和光谱倒数对数与步骤五得到的土壤样本铜元素含量进行相关性分析，得到各光谱参量、植被指数与土壤铜元素含量间的皮尔森相关系数(Pearson correlation coefficient)，根据相关性分析结果，选取相关系数较大的30个光谱参量与30个植被指数，公式为其中X为光谱参量与植被指数，Y为对应的土壤铜元素含量，E为数学期望；
步骤八、模型构建
以步骤七选取的60个光谱参量或植被指数为自变量，以对应样本的土壤铜元素含量为因变量，构建偏最小二乘回归模型(PLSR)，调整参数，并评价回归方程对样本的拟合度，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，模型稳健性就好，最后选择最优参数组合建立反演模型；
步骤九、大面积反演土壤铜元素含量
利用步骤一处理得到的地表反射率影像，根据光谱波段设置情况，计算步骤七优选出的光谱参量与植被指数，并应用步骤八构建的模型，得到反演结果图像。
本发明一种基于叶片实测光谱的植被覆盖区土壤铜元素含量反演方法，其有益效果：本发明以江西德兴地区为研究区域，基于野外实测叶片光谱数据与样品元素含量测试结果，通过提取光谱特征参量，具体包括原始光谱、一阶微分、倒数对数等，并计算植被指数，分析各光谱特征与铜元素含量的相关性，建立偏最小二乘回归模型，并应用到经过预处理的高光谱影像数据中实现大规模反演，得到植被覆盖区大面积土壤铜元素含量图像，为矿产资源调查提供指示信息和找矿线索，为土地质量评价与土壤综合治理提供科学依据。同时，可以在此基础上，通过多时相分析，获得土壤重金属污染扩散情况与防治效果评价。本发明具有可探测范围大、速度快、可实时监测等优点。
附图说明
图1为本发明实施流程图。
图2为土壤铜元素与原始光谱反射率和一阶微分光谱、倒数对数光谱的相关系数图。
图3为土壤铜元素与植被指数的相关系数图。
图4为偏最小二乘回归模型对样本的拟合度。
具体实施方式
下面将结合附图对本发明作进一步的说明，如图1所示，本发明方法步骤如下：
步骤一，影像获取与预处理：根据江西德兴研究区范围，搜集获取Hyperion高光谱影像L1T级产品，利用ENVI5.3软件，首先根据原始数据辐射校正系数进行辐射校正，然后选择FLAASH模型进行大气校正，并根据地面控制点进行几何精校正，之后获取到研究区与高光谱影像空间分辨率匹配的DEM数据，利用ENVI5.3软件完成地形及太阳光度校正，并进行条带噪声去除等，获得研究区的地表反射率影像；
步骤二，现场采样：在江西德兴研究区根据预先收集的资料，结合研究区土壤、地势、地物分布特点，按照平均分布原则设置采样点，在尾矿库及周边地区采集B层土壤与优势乔木或灌木植被叶片，以青冈、苦槠、冬青、枫香居多，并在同一采样点采集多处土壤样本进行混合，同类叶片采集多棵植株进行混合，记录采样点的经纬度坐标、海拔、土壤采样深度与种类、植被类型等信息；
步骤三，对样本进行处理：土壤样本去除砂砾、石块和植物残体，并进行风干、研磨、过筛处理，将处理好的土样分为2份，分别用于化学分析和保存备用；植被样本在采集后应冷藏密封保存，注意保鲜，回到工作驻地后立刻开展叶片光谱测量；
步骤四，叶片光谱测量与预处理：在进行植被叶片光谱测量时，采用美国ASD(Analytical Spectral Device)公司的FieldSpec Pro FR光谱仪，设置数据重采样为1nm，每个采样点选5个叶片部位测量光谱曲线，求其平均值，并采用ViewSpec软件中的SpliceCorrection修正功能对数据在光谱连接处可能会出现台阶跳跃进行修正，之后按照步骤一预处理后的高光谱影像各波段波长与半高宽情况，利用ENVI软件对叶片光谱进行重采样；
步骤五，土壤样本铜元素含量测量：主要参照GB/T14506.30-2010《硅酸盐岩石化学分析方法第30部分：44个元素量测定》执行，使用等离子体质谱仪、等离子体反射光谱仪等对土壤样本进行分析，测定铜元素含量；
步骤六，植被指数与光谱参量计算：利用Matlab软件编写函数，计算植被指数与光谱参量，在植被指数计算方面，选择对叶绿素较为敏感的植被光谱指数，具体包括BGI等64种植被指数(下表1)；在光谱参量计算方面，计算光谱一阶微分和光谱倒数对数，公式如下，
1)光谱一阶微分
其中：λi+1、λi、λi-1为相邻波长，R’(λi)为波长λi的一阶微分反射光谱，
2)光谱倒数对数
其中：λi为波长，R’(λi)为波长λi的倒数对数反射光谱；
步骤七，相关性分析与参量选择：通过对所得植被叶片光谱反射率、光谱一阶微分、光谱倒数对数、植被指数与土壤铜元素含量进行相关性分析，得到各光谱参量、植被指数与土壤铜元素含量间的皮尔森相关系数(Pearson correlation coefficient)，根据相关性分析结果(见图2与图3)，选取相关系数较大的30个光谱参量与30个植被指数，其中，本研究选取的光谱参量包括1376.60nm与1366.50nm波长的原始光谱、1376.60nm与1366.50nm波长的光谱倒数对数、以及548.92nm、732.07nm、671.02nm、742.25nm、660.85nm、721.90nm、467.52nm、2254.20nm、691.37nm、1265.60nm、2213.90nm、701.55nm、650.67nm、640.50nm、2244.20nm、2203.80nm、2193.70nm、752.43nm、2183.60nm、1416.90nm、2173.50nm、1426.90nm、1275.70nm、2264.30nm、2224.00nm、2153.30nm波长的光谱一阶微分，植被指数包括R520_R500、NDVI、BGI1、PPR、BGI2、BRI2、BRI1、MTCI、MCARI_OSAVI、SIPI、R_M、R515_R670、MSR705、DCNI、NRI、CIrededge、SR2、TCARI_OSAVI、TCARI_OSAVI、PRI4、MCARI、TCARI、LCI、MCARI_MTVI2、GreenNDVI、MCARI2、PRI、SR705、PI、PI2等；
步骤八，模型构建：以步骤七选取的60个光谱参量或植被指数为自变量，以对应样本的土壤铜元素含量为因变量，保留的主成分数量设置为30，构建偏最小二乘回归模型(PLSR)，并评价回归方程对样本的拟合度，具体见图4，R2为0.9773；
步骤九，大面积反演土壤铜元素含量：利用步骤一处理得到的地表反射率影像，根据光谱波段设置情况，计算步骤七优选出的光谱参量与植被指数，并应用步骤八构建的模型，得到反演结果图像，并进行彩色渲染。
本发明的目的在于克服目前植被覆盖区地质找矿中对于土壤元素含量探测技术的不足、以及传统地球化学采样方法难以开展大面积常态化监测等问题，基于野外实测叶片光谱数据与样品元素含量测试结果，通过提取光谱特征参量并计算植被指数，分析各光谱特征与铜元素含量的相关性，建立偏最小二乘回归模型，并应用到经过预处理的高光谱影像数据中实现大规模反演，得到植被覆盖区大面积土壤铜元素含量图像，为需求方提供可靠的决策依据。同时，可以在此基础上，通过多时相分析，获得土壤重金属污染扩散情况与防治效果评价。
应当指出，对于相关技术领域的从业人员来说，在不脱离本发明技术框架的前提下，可进行一定的改进或润饰，这些改进或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。
表1。

Claims (4)

1.一种基于叶片实测光谱的植被覆盖区土壤铜元素含量反演方法，其特征在于：该方法步骤如下：
步骤一、影像获取与预处理
根据研究区范围，搜集获取航空航天高光谱影像，并根据高光谱影像产品级别，利用ENVI软件，进行辐射校正、大气校正、几何校正、地形及太阳光度校正的预处理，得到地表反射率影像；
步骤二、现场采样
在研究区根据预先收集的资料，结合研究区土壤、地势、地物分布特点，按照平均分布原则设置采样点，采集B层土壤与优势乔木或灌木植被叶片，在同一采样点采集多处土壤样本进行混合，并选择多棵植株叶片进行混合，记录采样点的经纬度坐标、海拔、土壤采样深度与种类、植被类型信息；
步骤三、对样本进行处理
土壤样本去除砂砾、石块和植物残体，并进行风干、研磨、过筛处理，将处理好的土样分为2份，分别用于化学分析和保存备用；植被样本在采集后应冷藏密封保存；
步骤四、叶片光谱测量与预处理
在进行植被叶片光谱测量时，光谱仪将数据重采样为1nm；测量植被叶片的反射光谱时，每个采样点选5个叶片部位测量光谱曲线，求其平均值，并对数据在光谱连接处可能会出现台阶跳跃进行修正，之后按照步骤一预处理后的高光谱影像各波段波长与半高宽情况，利用ENVI软件对叶片光谱进行重采样；
步骤五、土壤样本铜元素含量测量
使用等离子体质谱仪、等离子体反射光谱仪或火焰原子吸收分光光度法对土壤样本进行分析；
步骤六、植被指数与光谱参量计算
在植被指数计算方面，选择对叶绿素较为敏感的植被光谱指数；在光谱参量计算方面，计算光谱一阶微分和光谱倒数对数；
步骤七、相关性分析与参量选择
通过对步骤四所测得的植被叶片光谱反射率、步骤六得到的光谱一阶微分和光谱倒数对数与步骤五得到的土壤样本铜元素含量进行相关性分析，得到各光谱参量、植被指数与土壤铜元素含量间的皮尔森相关系数，根据相关性分析结果，选取相关系数较大的30个光谱参量与30个植被指数，公式为其中X为选取光谱参量与植被指数，Y为对应的土壤铜元素含量，ρX，Y为X与Y的相关系数，E为数学期望；
步骤八、模型构建
以步骤七选取的60个光谱参量或植被指数为自变量，以对应样本的土壤铜元素含量为因变量，构建偏最小二乘回归模型，调整参数，并评价回归方程对样本的拟合度，选择最优参数组合建立反演模型；
步骤九、大面积反演土壤铜元素含量
利用步骤一处理得到的地表反射率影像，根据光谱波段设置情况，计算步骤七优选出的光谱参量与植被指数，并应用步骤八构建的模型，得到反演结果图像。
2.根据权利要求1所述的一种基于叶片实测光谱的植被覆盖区土壤铜元素含量反演方法，其特征在于：所述步骤一中利用ENVI软件，首先根据原始数据辐射校正系数进行辐射校正，然后选择FLAASH模型进行大气校正，并根据地面控制点进行几何精校正或正射校正，之后获取研究区与高光谱影像空间分辨率匹配的DEM数据，进行地形及太阳光度校正，最终得到研究区地表反射率影像。
3.根据权利要求1所述的一种基于叶片实测光谱的植被覆盖区土壤铜元素含量反演方法，其特征在于：所述步骤六中对叶绿素较为敏感的植被光谱指数，具体选择64种植被指数：BGI1、BGI2、BRI1、BRI2、CIgreen、CIrededge、DCNI、GreenNDVI、HI、LCI、MCARI、MCARI/MTVI2、MCARI_OSAVI、MCARI2、MSAVI、MSR705、MTCI、MTVI、NDPI、NDVI(g-b)、NDVI3、NPCI、NPQI、NRI、OSAVI、PI、PI2、PPR、PRI、PRI00、PRI01、PRI2、PRI3、PRI4、PRI5、PRI6、PRI7、PRI8、PRI9、PSDNa、PSDNb、PSDNc、PSSRa、PSSRb、R515_R570、R515_R670、R520_R500、RDVI、R-M、RVII、RVI_II、SI、SIPI、SIPI2、SR、SR2、SR705、SRI、TCARI、TCARI/OSAVI、TCARI_OSAVI、TVI、VIopt、VOG4。
4.根据权利要求1所述的一种基于叶片实测光谱的植被覆盖区土壤铜元素含量反演方法，其特征在于：所述步骤八，是通过计算决定系数R2和均方根误差RMSE以评价回归方程对样本的拟合度，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，模型预测精度越高，模型稳健性就好。
CN201810353788.2A 2018-04-19 2018-04-19 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 Active CN108663330B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810353788.2A CN108663330B (zh) 2018-04-19 2018-04-19 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810353788.2A CN108663330B (zh) 2018-04-19 2018-04-19 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

Publications (2)

Publication Number Publication Date
CN108663330A true CN108663330A (zh) 2018-10-16
CN108663330B CN108663330B (zh) 2019-08-16

Family

ID=63780358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810353788.2A Active CN108663330B (zh) 2018-04-19 2018-04-19 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

Country Status (1)

Country Link
CN (1) CN108663330B (zh)

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109460789A (zh) * 2018-11-07 2019-03-12 中国农业科学院农田灌溉研究所 一种基于贝叶斯最大熵的土壤水分融合方法
CN109540811A (zh) * 2018-12-25 2019-03-29 核工业北京地质研究院 一种通过光谱变换提高黑土养分含量预测精度的方法
CN109583311A (zh) * 2018-10-31 2019-04-05 中化地质矿山总局地质研究院 采矿区周边粉尘影响评价方法及系统
CN109702006A (zh) * 2018-12-26 2019-05-03 美丽国土（北京）生态环境工程技术研究院有限公司 土壤重金属钝化剂变量施用联合方法及装置
CN109738372A (zh) * 2018-12-25 2019-05-10 核工业北京地质研究院 一种航空高光谱岩矿探测多元数据处理方法
CN109754127A (zh) * 2019-01-31 2019-05-14 浙江大学 基于无人机成像高光谱的水稻籽粒直链淀粉含量估测方法
CN110376138A (zh) * 2019-08-05 2019-10-25 北京绿土科技有限公司 基于航空高光谱的土地质量监测方法
CN110610054A (zh) * 2019-09-23 2019-12-24 北京师范大学 一种土壤湿度长方体反演模型构建方法及系统
CN110851789A (zh) * 2019-09-30 2020-02-28 广州地理研究所 基于极端梯度提升的岛礁浅海水深预测方法
CN110967300A (zh) * 2019-12-24 2020-04-07 中央民族大学 一种维管植物物种丰富度估测的高光谱遥感方法
US10620175B2 (en) * 2015-05-13 2020-04-14 Raytheon Company Apparatus and processes for photosynthetic activity measurement and mapping
CN111650129A (zh) * 2020-03-05 2020-09-11 广州地理研究所 一种荔枝叶片钙含量预测方法及预测装置
CN111721738A (zh) * 2020-06-23 2020-09-29 陕西理工大学 基于高光谱的植物生长状态与土壤含氮量关系的分析方法
CN111751342A (zh) * 2020-06-30 2020-10-09 中国农业科学院农业资源与农业区划研究所 一种基于夫琅和费暗线反演日光诱导叶绿素荧光的方法
CN111858700A (zh) * 2020-06-16 2020-10-30 南京国准数据有限责任公司 一种基于地理探测器的黄土沟壑发育影响机理分析方法
CN112378864A (zh) * 2020-10-27 2021-02-19 核工业北京地质研究院 一种机载高光谱土壤信息反演方法
CN112577906A (zh) * 2020-11-18 2021-03-30 上海市园林科学规划研究院 城市绿地土壤含水率检测方法
CN112649383A (zh) * 2020-12-31 2021-04-13 核工业北京地质研究院 一种基于光谱特征的万年青叶片铀含量反演预测方法
CN112683822A (zh) * 2020-12-17 2021-04-20 淮阴师范学院 基于可见光波段的植被与非植被识别方法
CN113466143A (zh) * 2021-07-01 2021-10-01 中煤航测遥感集团有限公司 土壤养分反演方法、装置、设备及介质
CN113552075A (zh) * 2021-07-28 2021-10-26 云南大学 一种金地球化学元素反演方法和系统
CN114076738A (zh) * 2021-11-22 2022-02-22 浙江大学 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法
CN114128568A (zh) * 2021-11-26 2022-03-04 泉州市金草生物技术有限公司 一种林下金线莲仿野生种植方法
CN114676636A (zh) * 2022-04-01 2022-06-28 自然资源部国土卫星遥感应用中心 一种综合植被和生境特征的草原区土壤水分快速反演方法
CN115758855A (zh) * 2022-08-18 2023-03-07 中国人民解放军61540部队 一种基于lstm及注意力机制的地表反射率反演方法
CN117269078A (zh) * 2023-11-21 2023-12-22 核工业北京地质研究院 土壤阳离子交换量的确定方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130327683A1 (en) * 2012-06-08 2013-12-12 The Governors Of The University Of Alberta Ore froth processing
CN105954226A (zh) * 2016-06-08 2016-09-21 北京大学深圳研究生院 对叶表结构不敏感的叶绿素含量的检测方法
CN106650604A (zh) * 2016-10-21 2017-05-10 河北工程大学 一种基于植被指数思想的地物信息遥感提取方法
CN107144535A (zh) * 2017-05-19 2017-09-08 南京信息工程大学 一种基于高光谱技术的碱化土壤空间酸碱度监测方法
CN107478580A (zh) * 2017-07-31 2017-12-15 中国科学院遥感与数字地球研究所 基于高光谱遥感的土壤重金属含量估算方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130327683A1 (en) * 2012-06-08 2013-12-12 The Governors Of The University Of Alberta Ore froth processing
CN105954226A (zh) * 2016-06-08 2016-09-21 北京大学深圳研究生院 对叶表结构不敏感的叶绿素含量的检测方法
CN106650604A (zh) * 2016-10-21 2017-05-10 河北工程大学 一种基于植被指数思想的地物信息遥感提取方法
CN107144535A (zh) * 2017-05-19 2017-09-08 南京信息工程大学 一种基于高光谱技术的碱化土壤空间酸碱度监测方法
CN107478580A (zh) * 2017-07-31 2017-12-15 中国科学院遥感与数字地球研究所 基于高光谱遥感的土壤重金属含量估算方法及装置

Cited By (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10620175B2 (en) * 2015-05-13 2020-04-14 Raytheon Company Apparatus and processes for photosynthetic activity measurement and mapping
CN109583311A (zh) * 2018-10-31 2019-04-05 中化地质矿山总局地质研究院 采矿区周边粉尘影响评价方法及系统
CN109460789B (zh) * 2018-11-07 2021-07-27 中国农业科学院农田灌溉研究所 一种基于贝叶斯最大熵的土壤水分融合方法
CN109460789A (zh) * 2018-11-07 2019-03-12 中国农业科学院农田灌溉研究所 一种基于贝叶斯最大熵的土壤水分融合方法
CN109540811A (zh) * 2018-12-25 2019-03-29 核工业北京地质研究院 一种通过光谱变换提高黑土养分含量预测精度的方法
CN109738372A (zh) * 2018-12-25 2019-05-10 核工业北京地质研究院 一种航空高光谱岩矿探测多元数据处理方法
CN109702006A (zh) * 2018-12-26 2019-05-03 美丽国土（北京）生态环境工程技术研究院有限公司 土壤重金属钝化剂变量施用联合方法及装置
CN109754127A (zh) * 2019-01-31 2019-05-14 浙江大学 基于无人机成像高光谱的水稻籽粒直链淀粉含量估测方法
CN110376138A (zh) * 2019-08-05 2019-10-25 北京绿土科技有限公司 基于航空高光谱的土地质量监测方法
CN110610054B (zh) * 2019-09-23 2021-03-23 北京师范大学 一种土壤湿度长方体反演模型构建方法及系统
CN110610054A (zh) * 2019-09-23 2019-12-24 北京师范大学 一种土壤湿度长方体反演模型构建方法及系统
CN110851789A (zh) * 2019-09-30 2020-02-28 广州地理研究所 基于极端梯度提升的岛礁浅海水深预测方法
CN110967300A (zh) * 2019-12-24 2020-04-07 中央民族大学 一种维管植物物种丰富度估测的高光谱遥感方法
CN110967300B (zh) * 2019-12-24 2022-03-25 中央民族大学 一种维管植物物种丰富度估测的高光谱遥感方法
CN111650129A (zh) * 2020-03-05 2020-09-11 广州地理研究所 一种荔枝叶片钙含量预测方法及预测装置
CN111858700A (zh) * 2020-06-16 2020-10-30 南京国准数据有限责任公司 一种基于地理探测器的黄土沟壑发育影响机理分析方法
CN111721738A (zh) * 2020-06-23 2020-09-29 陕西理工大学 基于高光谱的植物生长状态与土壤含氮量关系的分析方法
CN111751342A (zh) * 2020-06-30 2020-10-09 中国农业科学院农业资源与农业区划研究所 一种基于夫琅和费暗线反演日光诱导叶绿素荧光的方法
CN111751342B (zh) * 2020-06-30 2021-10-22 中国农业科学院农业资源与农业区划研究所 一种基于夫琅和费暗线反演日光诱导叶绿素荧光的方法
CN112378864A (zh) * 2020-10-27 2021-02-19 核工业北京地质研究院 一种机载高光谱土壤信息反演方法
CN112577906A (zh) * 2020-11-18 2021-03-30 上海市园林科学规划研究院 城市绿地土壤含水率检测方法
CN112577906B (zh) * 2020-11-18 2023-09-22 上海市园林科学规划研究院 城市绿地土壤含水率检测方法
CN112683822A (zh) * 2020-12-17 2021-04-20 淮阴师范学院 基于可见光波段的植被与非植被识别方法
CN112683822B (zh) * 2020-12-17 2024-04-05 淮阴师范学院 基于可见光波段的植被与非植被识别方法
CN112649383A (zh) * 2020-12-31 2021-04-13 核工业北京地质研究院 一种基于光谱特征的万年青叶片铀含量反演预测方法
CN113466143B (zh) * 2021-07-01 2023-08-29 中煤航测遥感集团有限公司 土壤养分反演方法、装置、设备及介质
CN113466143A (zh) * 2021-07-01 2021-10-01 中煤航测遥感集团有限公司 土壤养分反演方法、装置、设备及介质
CN113552075A (zh) * 2021-07-28 2021-10-26 云南大学 一种金地球化学元素反演方法和系统
CN114076738A (zh) * 2021-11-22 2022-02-22 浙江大学 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法
CN114076738B (zh) * 2021-11-22 2023-04-18 浙江大学 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法
CN114128568A (zh) * 2021-11-26 2022-03-04 泉州市金草生物技术有限公司 一种林下金线莲仿野生种植方法
CN114676636A (zh) * 2022-04-01 2022-06-28 自然资源部国土卫星遥感应用中心 一种综合植被和生境特征的草原区土壤水分快速反演方法
CN114676636B (zh) * 2022-04-01 2023-08-29 自然资源部国土卫星遥感应用中心 一种综合植被和生境特征的草原区土壤水分快速反演方法
CN115758855A (zh) * 2022-08-18 2023-03-07 中国人民解放军61540部队 一种基于lstm及注意力机制的地表反射率反演方法
CN115758855B (zh) * 2022-08-18 2024-04-12 中国人民解放军61540部队 一种基于lstm及注意力机制的地表反射率反演方法
CN117269078A (zh) * 2023-11-21 2023-12-22 核工业北京地质研究院 土壤阳离子交换量的确定方法
CN117269078B (zh) * 2023-11-21 2024-03-22 核工业北京地质研究院 土壤阳离子交换量的确定方法

Also Published As

Publication number Publication date
CN108663330B (zh) 2019-08-16

Similar Documents

Publication Publication Date Title
CN108663330B (zh) 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
Liu et al. Improving the potential of red SIF for estimating GPP by downscaling from the canopy level to the photosystem level
Malenovský et al. Retrieval of spruce leaf chlorophyll content from airborne image data using continuum removal and radiative transfer
CN103383348B (zh) 植被覆盖区高光谱遥感蚀变矿物提取方法
Jiapaer et al. A comparison of methods for estimating fractional vegetation cover in arid regions
CN108801934A (zh) 一种土壤有机碳含量高光谱预测模型的建模方法
Ustin et al. Opportunities for using the EOS imaging spectrometers and synthetic aperture radar in ecological models
Chabrillat et al. Quantitative soil spectroscopy
Luo et al. Using composite fingerprints to quantify the potential dust source contributions in northwest China
Lu et al. Rapid inversion of heavy metal concentration in karst grain producing areas based on hyperspectral bands associated with soil components
Roberto et al. 10 Optical Remote Sensing of Vegetation Water Content
CN107328741B (zh) 土壤侵蚀方程中植被覆盖与管理因子c改进方法
Xi et al. Total suspended matter observation in the Pearl River estuary from in situ and MERIS data
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
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
CN114018833A (zh) 基于高光谱遥感技术估算土壤重金属含量的方法
CN108286962A (zh) 一种水环境光谱库的建立方法及系统
Li et al. A multi-angular invariant spectral index for the estimation of leaf water content across a wide range of plant species in different growth stages
Wu et al. Degraded land detection by soil particle composition derived from multispectral remote sensing data in the Otindag Sandy Lands of China
Zhang et al. Retrieval of sun-induced chlorophyll fluorescence using statistical method without synchronous irradiance data
Kuang et al. Cloud optical thickness variations during 1983–1991: Solar cycle or ENSO?
Jun et al. Spectral geometric triangle properties of chlorophyll-a inversion in Taihu Lake based on TM data
Schaepman-Strub et al. Towards spatial assessment of carbon sequestration in peatlands: spectroscopy based estimation of fractional cover of three plant functional types
Simic et al. Improving clumping and LAI algorithms based on multiangle airborne imagery and ground measurements
Tagesson et al. Deriving seasonal dynamics in ecosystem properties of semi-arid savanna grasslands from in situ-based hyperspectral reflectance

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
CB02 Change of applicant information

Address after: 100083 Beijing Haidian District North Fourth Ring Road 267 Olympic Building

Applicant after: China Natural Resources Aviation Geophysical and Remote Sensing Center

Address before: 100083 Beijing Haidian District North Fourth Ring Road 267 Olympic Building

Applicant before: China Aero Geophysical Survey & Remote Sensing Center for Land and Resources

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant