CN109738380B - 一种土壤盐渍化程度的高光谱遥感判断方法 - Google Patents
一种土壤盐渍化程度的高光谱遥感判断方法 Download PDFInfo
- Publication number
- CN109738380B CN109738380B CN201910071917.3A CN201910071917A CN109738380B CN 109738380 B CN109738380 B CN 109738380B CN 201910071917 A CN201910071917 A CN 201910071917A CN 109738380 B CN109738380 B CN 109738380B
- Authority
- CN
- China
- Prior art keywords
- soil
- model
- sample
- soil sample
- formula
- 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.)
- Active
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种土壤盐渍化程度的高光谱遥感判断方法,涉及地理技术领域。本发明方法包括:采集土壤表层以下未扰动土样作为原始土样;测量原始土样和干燥后重量,计算土样含水率;测量原始土样光谱反射率,得到原始光谱反射率;对原始光谱反射率进行SG平滑去噪;将原始土样按土壤盐分含量从高到低排序,划分建模集和样本集;对高光谱数据进行预处理;分数阶微分处理;利用处理数据建立土壤盐分偏最小二乘回归模型;过比较RMSEc、R2 c、RMSEp、R2 p、RPD,筛选出最优模型用以研究区土壤盐分含量反演;通过最优模型,输入未知土样高光谱信息,可快速、准确获得土样盐分含量,对比盐渍化分级标准表可准确判断土壤盐渍化程度。
Description
技术领域
本发明涉及地理技术领域,尤其涉及一种土壤盐渍化程度的高光谱遥感判断方法。
背景技术
土壤盐渍化(soil salinization)是指土壤底层或地下水的盐分随毛管水上升到地表,水分蒸发后,使盐分积累在表层土壤中的过程。是指易溶性盐分在土壤表层积累的现象或过程,也称盐碱化。中国盐渍土或称盐碱土的分布范围广、面积大、类型多,总面积约1亿hm2。主要发生在干旱、半干旱和半湿润地区。盐碱土的可溶性盐主要包括钠、钾、钙、镁等的硫酸盐、氯化物、碳酸盐和重碳酸盐。硫酸盐和氯化物一般为中性盐,碳酸盐和重碳酸盐为碱性盐。土壤盐渍化程度对区域作物生长有较大影响,快速诊断不同等级土壤盐渍化程度的成果,可以有效指导作物种植结构优化布局和动态调整。
传统测定不同田块的土壤电导率或土壤盐分含量方法费时费力,而且往往实测点数量有限,导致盐分预测精度低和信息丢失等缺陷。
因此,需要寻找一种可准确、快速判断或鉴定出土壤盐渍化程度的方法。
发明内容
有鉴于此,本发明实施例提供了一种土壤盐渍化程度的高光谱遥感判断方法,主要目的是解决判断方法不准确、耗时耗力的问题。
为达到上述目的,本发明主要提供了如下技术方案:
一方面,本发明实施例提供了一种土壤盐渍化程度的高光谱遥感判断方法,所述方法包括以下步骤:
采集土壤表层以下未扰动的土样作为原始土样;
分别测量所述原始土样和干燥后土样的重量,计算所述土样的含水率;
测量所述原始土样的光谱反射率,得到原始光谱反射率;
对所述原始光谱反射率进行SG平滑去噪;
将所述原始土样按土壤盐分含量从高到低排序,划分建模集和样本集;
按照公式1,对所述SG平滑去噪后的400~2400nm原始光谱反射率及其对应的吸光率、标准正态变换及对数之倒数变换分别进行0~2阶分数阶微分处理数据,利用所述处理数据建立土壤盐分偏最小二乘回归模型;
公式1:
通过比较以下模型参数确定最佳土壤盐分含量高光谱反演模型;校正均方根误差(root mean square error of calibration,RMSEc)、建模决定系数(determinationofcoefficients,R2 c)、预测均方根误差(root mean square error of prediction,RMSEp)、预测决定系数(predicting determination of coefficients,R2 p)、相对分析误差(relative prediction deviation,RPD),筛选出最优模型用以研究区土壤盐分含量的反演;R2 c,R2 p用以判定模型的稳定程度,越接近于1说明模型的稳定性越好;RMSEc及RMSEp用于表征模型的准确性,其值越小表明模型的精度越高;当RPD<1.4时,模型无法对样本进行预测;当1.4<RPD<2时,表明模型具有较好的定量预测能力;当RPD>2.0时表示模型具有极好的预测能力;其中计算R2、RMSE、及RPD的公式如下:
其中,S.D为样本观测值得方差;RMSE为两种不同处理的均方根误差,为RMSEc及RMSEp;
利用最优模型,输入未知土样高光谱信息,获得该土样的盐分含量;将所述盐分含量与盐渍化分级标准表进行对比,即可得知该土壤样品的盐渍化程度。
作为优选,所述方法包括以下具体步骤:
步骤1:用深度和直径分别为5.5、7.5cm的环刀采集土壤表层5cm以下处的土壤,获得未扰动土样,收集时剔除浸入体;
步骤2:将环刀放入塑料盒中密封、编号、称重并带回实验室;从环刀内取20g左右有代表性的土样放入铝盒内,盖上盖称重,记录铝盒的编号和重量,将没加盖的铝盒放入干燥箱内,在105℃、24h恒温条件下用干燥法测得土壤样本质量含水率ωm,ωm的公式为:
式中,M1为原状土样(含铝盒)质量;M2为干燥后原状土样(含铝盒)质量;M3为空铝盒质量;
步骤3:利用ASD FieldSpec 3光谱仪在照明控制的暗室中测量土壤的光谱反射率;先将制备好的土壤样品装入黑色容器(直径10cm,深度2cm),填充后将表面刮平;光谱测定的光源为50W卤素灯,使用视场角5°的光纤探头;测量时距土壤样品表面距离定为50cm,光源的天顶角定为50°,探头至待测样品的表面距离定为15cm;
步骤4:数据收集:在每次光谱测定之前,去除暗电流并校准白板;每个土壤样品在4个方向测量(3次旋转,每次90度),每个方向保存5条光谱曲线,总共20条;利用ViewSpecProV6.0.11软件进行算术平均计算,得到土壤样品的实际反射光谱数据;
步骤5:SG平滑:在Unscrambler X软件中,选择主菜单→Tasks→Tranform→Smoothing:Savitzky–Golay Smoothing,启动滤波器;将Parameters中的Polynomialroder设置为3;将soomthing points设为5;点击OK开始平滑滤波;
步骤6:高光谱数据预处理:对原始光谱反射率(reflectivity,REF)及其对应的吸光率(absorbance,ABS)、标准正态变换(standard normal variable reflectance,SNV)、对数之倒数变换(log-inverse reflectance,LI)进行0~2阶微分处理(阶数间隔为0.1);
1)吸光率(ABS)处理:在Unscrambler X软件中,选择主菜单→Tasks→Tranform→Compute General,启动Compute General数学处理工具;输入对数之倒数的数学公式即可完成数据处理;公式如下:
式中:R为原始光谱反射率;
2)对数之倒数处理:在Unscrambler X软件中,选择主菜单→Tasks→Tranform→Compute General,启动Compute General数学处理工具。输入对数之倒数的数学公式即可完成数据处理。公式如下:
式中:R为原始光谱反射率。
3)标准正态变换处理:在Unscrambler X软件中,选择主菜单→Tasks→Tranform→standard normal variable reflectance,启动SNV处理工具。输入所要处理的数据即可完成数据处理。具体公式如下:
式中:n是变量个数,xi,j是第i个样本的第j个变量的值;d是自定义的偏移量;
步骤7:分数阶微分处理:数据分数微分:利用matlab2017R软件,选择Home→Current Folder→放入自行设计的代码→Editor,输入对数之倒数处理后的数据,点击Run,程序即可完成微分处理;具体公式如下:
步骤8:建模集和样本集的划分:将样本按土壤盐分含量从高到低进行排序,等间隔选取2/3作为建模集,1/3作为验证集分别用于模型的建立以及精度验证;
步骤9:建模预测:对SG平滑去噪后的400~2400nm REF及其对应的ABS、SNV、LI分别进行0~2阶(阶数间隔为0.1)分数阶微分处理数据,利用这些数据建立土壤盐分偏最小二乘回归模型;具体流程:在Unscrambler X软件中,选择主菜单→Tasks→Analyze→Partial least squares regression,然后将分数阶微分处理后的数据导入,定义自变量和应变量及最大主成分数,接着点击两次Next,把Cross Validation Setup设置为Full;
步骤10:模型的对比筛选:通过比较以下模型参数确定最佳模型;校正均方根误差(root mean square error of calibration,RMSEc)、建模决定系数(determinationofcoefficients,R2 c)、预测均方根误差(root mean square error of prediction,RMSEp)、预测决定系数(predicting determination of coefficients,R2 p)、相对分析误差(relative prediction deviation,RPD),筛选出最优模型用以研究区土壤盐分含量的反演;R2 c,R2 p用以判定模型的稳定程度,越接近于1说明模型的稳定性越好;RMSEc及RMSEp用于表征模型的准确性,其值越小表明模型的精度越高;另外,当RPD<1.4时,模型几乎无法对样本进行预测;当1.4<RPD<2时,表明模型具有较好的定量预测能力;当RPD>2.0时表示模型具有极好的预测能力;其中,计算R2、RMSE、及RPD的公式如下:
式中,S.D为样本观测值得方差;RMSE为均方根误差;
步骤11:采集待测地区具有代表性的土壤样品,利用ASD FieldSpec 3光谱仪在照明控制的暗室中测量土壤的光谱反射率,将上述光谱反射率经上述数据预处理后,输入最佳模型中,获得土壤盐分含量;利用所得土壤盐分含量与盐渍化分级标准表进行对比,即可判定待测土样的盐渍化程度。
与现有技术相比,本发明的有益效果是:
本发明针对传统方法判断土壤盐渍化程度具有不准确、工作量大、耗时耗力的技术问题,采用高光谱遥感数据微分处理反演耕地土壤盐渍化程度的技术手段,达到快速、准确挖掘数据潜在信息、反演精度高、预测效果好的技术效果。
附图说明
图1是本发明提供的采用高光谱遥感数据微分处理反演耕地土壤盐渍化程度的技术路线图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下以较佳实施例,对依据本发明申请的具体实施方式、技术方案、特征及其功效,详细说明如后。下述说明中的多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
实施例1
步骤1:用深度和直径分别为5.5、7.5cm的环刀采集土壤表层5cm以下处的土壤,获得未扰动土样,收集时剔除浸入体;
步骤2:将环刀放入塑料盒中密封、编号、称重并带回实验室;从环刀内取20g左右有代表性的土样放入铝盒内,盖上盖称重,记录铝盒的编号和重量,将没加盖的铝盒放入干燥箱内,在105℃、24h恒温条件下用干燥法测得土壤样本质量含水率ωm,ωm的公式为:
式中,M1为原状土样(含铝盒)质量;M2为干燥后原状土样(含铝盒)质量;M3为空铝盒质量;
步骤3:利用ASD FieldSpec 3光谱仪在照明控制的暗室中测量土壤的光谱反射率;先将制备好的土壤样品装入黑色容器(直径10cm,深度2cm),填充后将表面刮平;光谱测定的光源为50W卤素灯,使用视场角5°的光纤探头;测量时距土壤样品表面距离定为50cm,光源的天顶角定为50°,探头至待测样品的表面距离定为15cm;
步骤4:数据收集:在每次光谱测定之前,去除暗电流并校准白板;每个土壤样品在4个方向测量(3次旋转,每次90度),每个方向保存5条光谱曲线,总共20条;利用ViewSpecProV6.0.11软件进行算术平均计算,得到土壤样品的实际反射光谱数据;
步骤5:SG平滑:在Unscrambler X软件中,选择主菜单→Tasks→Tranform→Smoothing:Savitzky–Golay Smoothing,启动滤波器;将Parameters中的Polynomialroder设置为3;将soomthing points设为5;点击OK开始平滑滤波;
步骤6:高光谱数据预处理:对原始光谱反射率(reflectivity,REF)及其对应的吸光率(absorbance,ABS)、标准正态变换(standard normal variable reflectance,SNV)、对数之倒数变换(log-inverse reflectance,LI)进行0~2阶微分处理(阶数间隔为0.1);
1)吸光率(ABS)处理:在Unscrambler X软件中,选择主菜单→Tasks→Tranform→Compute General,启动Compute General数学处理工具;输入对数之倒数的数学公式即可完成数据处理;公式如下:
式中:R为原始光谱反射率;
2)对数之倒数处理:在Unscrambler X软件中,选择主菜单→Tasks→Tranform→Compute General,启动Compute General数学处理工具。输入对数之倒数的数学公式即可完成数据处理。公式如下:
式中:R为原始光谱反射率。
3)标准正态变换处理:在Unscrambler X软件中,选择主菜单→Tasks→Tranform→standard normal variable reflectance,启动SNV处理工具。输入所要处理的数据即可完成数据处理。具体公式如下:
式中:n是变量个数,xi,j是第i个样本的第j个变量的值;d是自定义的偏移量;
步骤7:分数阶微分处理:数据分数微分:利用matlab2017R软件,选择Home→Current Folder→放入自行设计的代码→Editor,输入对数之倒数处理后的数据,点击Run,程序即可完成微分处理;具体公式如下:
步骤8:建模集和样本集的划分:将样本按土壤盐分含量从高到低进行排序,等间隔选取2/3作为建模集,1/3作为验证集分别用于模型的建立以及精度验证;
步骤9:建模预测:对SG平滑去噪后的400~2400nm REF及其对应的ABS、SNV、LI分别进行0~2阶(阶数间隔为0.1)分数阶微分处理数据,利用这些数据建立土壤盐分偏最小二乘回归模型;具体流程:在Unscrambler X软件中,选择主菜单→Tasks→Analyze→Partial least squares regression,然后将分数阶微分处理后的数据导入,定义自变量和应变量及最大主成分数,接着点击两次Next,把Cross Validation Setup设置为Full;
步骤10:模型的对比筛选:通过比较以下模型参数确定最佳模型;校正均方根误差(root mean square error of calibration,RMSEc)、建模决定系数(determinationofcoefficients,R2 c)、预测均方根误差(root mean square error of prediction,RMSEp)、预测决定系数(predicting determination of coefficients,R2 p)、相对分析误差(relative prediction deviation,RPD),筛选出最优模型用以研究区土壤盐分含量的反演;R2 c,R2 p用以判定模型的稳定程度,越接近于1说明模型的稳定性越好;RMSEc及RMSEp用于表征模型的准确性,其值越小表明模型的精度越高;另外,当RPD<1.4时,模型几乎无法对样本进行预测;当1.4<RPD<2时,表明模型具有较好的定量预测能力;当RPD>2.0时表示模型具有极好的预测能力;其中,计算R2、RMSE、及RPD的公式如下:
式中,S.D为样本观测值得方差;RMSE为两种不同处理时的均方根误差,如RMSEc或RMSEp,此处两种参数的计算为模型软件自计算得到;
步骤11:采集待测地区具有代表性的土壤样品,利用ASD FieldSpec 3光谱仪在照明控制的暗室中测量土壤的光谱反射率,将上述光谱反射率经上述数据预处理后,输入最佳模型中,获得土壤盐分含量;利用所得土壤盐分含量与盐渍化分级标准表进行对比,即可判定待测土样的盐渍化程度。
表1.盐渍化分级标准
本发明实施例中未尽之处,本领域技术人员均可从现有技术中选用。
以上公开的仅为本发明的具体实施方式,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揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以上述权利要求的保护范围为准。
Claims (1)
1.一种土壤盐渍化程度的判断方法,其特征在于,所述方法包括以下步骤:
采集土壤表层以下未扰动的土样作为原始土样;
分别测量所述原始土样和干燥后土样的重量,计算所述土样的含水率;
测量所述原始土样的光谱反射率,得到原始光谱反射率;
对所述原始光谱反射率进行SG平滑去噪;
将所述原始土样按土壤盐分含量从高到低排序,划分建模集和样本集;
按照公式1,对所述SG平滑去噪后的400~2400nm原始光谱反射率及其对应的吸光率、标准正态变换及对数之倒数变换分别进行0~2阶分数阶微分处理数据,利用所述处理数据建立土壤盐分偏最小二乘回归模型;
通过比较以下模型参数确定最佳土壤盐分含量高光谱反演模型;校正均方根误差RMSEc、建模决定系数R2 c、预测均方根误差RMSEp、预测决定系数R2 p、相对分析误差RPD,筛选出最优模型用以研究区土壤盐分含量的反演;R2 c,R2 p用以判定模型的稳定程度,越接近于1说明模型的稳定性越好;RMSEc及RMSEp用于表征模型的准确性,其值越小表明模型的精度越高;当RPD<1.4时,模型无法对样本进行预测;当1.4<RPD<2时,表明模型具有较好的定量预测能力;当RPD>2.0时表示模型具有极好的预测能力;其中计算R2、RMSE、及RPD的公式如下:
其中,S.D为样本观测值得方差;如RMSE为均方根误差;
利用地面土壤水盐最优模型,输入未知土样高光谱信息,同时获得该土样的水盐含量,
对比盐渍化分级标准表,可得该土壤样品的盐渍化程度;
所述判断方法具体包括以下步骤:
步骤1:用深度和直径分别为5.5、7.5cm的环刀采集土壤表层5cm以下处的土壤,获得未扰动土样,收集时剔除浸入体;
步骤2:将环刀放入塑料盒中密封、编号、称重并带回实验室;从环刀内取20g左右有代表性的土样放入铝盒内,盖上盖称重,记录铝盒的编号和重量,将没加盖的铝盒放入于燥箱内,在105℃、24h恒温条件下用干燥法测得土壤样本质量含水率的ωm,ωm公式为:
式中,M1为原状土样质量;M2为干燥后原状土样质量;M3为空铝盒质量;
步骤3:利用ASD FieldSpec3光谱仪在照明控制的暗室中测量土壤的光谱反射率;先将制备好的土壤样品装入黑色容器,填充后将表面刮平;光谱测定的光源为50W卤素灯,使用视场角5°的光纤探头;测量时距土壤样品表面距离定为50cm,光源的天顶角定为50°,探头至待测样品的表面距离定为15cm;
步骤4:数据收集:在每次光谱测定之前,去除暗电流并校准白板;每个土壤样品在4个方向测量,3次旋转,每次90度,每个方向保存5条光谱曲线,总共20条;利用ViewSpecProV6.0.11软件进行算术平均计算,得到土壤样品的实际反射光谱数据;
步骤5:SG平滑:在Unscrambler X软件中,选择主菜单Tasks Tranform Smoothing:Savitzky-Golay Smoothing,启动滤波器;将Parameters中的Polynomial roder设置为3;将soomthing points设为5;点击OK开始平滑滤波;
步骤6:高光谱数据预处理:对原始光谱反射率REF及其对应的吸光率ABS、标准正态变换SNV、对数之倒数变换LI进行0~2阶微分处理,阶数间隔为0.1;
1)吸光率ABS处理:在Unscrambler X软件中,选择主菜单Tasks Tranform ComputeGenerab启动Compute General数学处理工具;输入对数之倒数的数学公式即可完成数据处理;公式如下:
式中:R为原始光谱反射率;
2)对数之倒数处理:在Unscrambler X软件中,选择主菜单Tasks Tranform ComputeGeneral,启动Compute General数学处理工具,输入对数之倒数的数学公式即可完成数据处理,公式如下:
式中:R为原始光谱反射率;
3)标准正态变换处理:在Unscrambler X软件中,选择主菜单Tasks Tranformstandard normal variable reflectance,启动SNV处理工具,输入所要处理的数据即可完成数据处理;具体公式如下:
式中:n是变量个数,xi,j是第i个样本的第j个变量的值;d是自定义的偏移量;
步骤7:高光谱数据预处理:对原始光谱反射率REF进行0~2阶微分处理,微分步长为0.1;分数阶微分处理:利用matlab2017R软件,选择Home Current Folder放入自行设计的代码Editor,输入对数之倒数处理后的数据,点击Run,程序即可完成微分处理;具体公式如下:
步骤8:建模集和样本集的划分:将样本按土壤盐分含量从高到低进行排序,等间隔选取2/3作为建模集,1/3作为验证集分别用于模型的建立以及精度验证;
步骤9:建模预测:对SG平滑去噪后的400~2400nmREF进行0~2阶分数阶微分处理数据,利用这些数据建立土壤盐分偏最小二乘回归模型;具体流程:在Unscrambler X软件中,选择主菜单Tasks Analyze Partial least squares regression,然后将分数阶微分处理后的数据导入,定义自变量和应变量及最大主成分数,接着点击两次Next,把CrossValidation Setup设置为Full;
步骤10:模型的对比筛选:通过比较以下模型参数确定最佳模型;校正均方根误差RMSEC、建模决定系数R2、预测均方根误差RMSEP、预测决定系数R2 p、相对分析误差RPD,筛选出最优模型用以研究区土壤盐分含量的反演;R2 c,R2 P用以判定模型的稳定程度,越接近于1说明模型的稳定性越好;RMSEc及RMSEp用于表征模型的准确性,其值越小表明模型的精度越高;另外,当RPD<1.4时,模型几乎无法对样本进行预测;当1.4<RPD<2时,表明模型具有较好的定量预测能力;当RPD>2.0时表示模型具有极好的预测能力;其中计算R2、RMSE、及RPD的公式如下:
式中,S.D为样本观测值得方差;RMSE为均方根误差;
步骤11:采集待测地区具有代表性的土壤样品,利用ASD FieldSpec3光谱仪在照明控制的暗室中测量土壤的光谱反射率,将反射率经上述数据预处理后,输入最佳模型中,获得土壤盐分含量,利用所得土壤盐分含量对照表1盐渍化分级标准,即可判定待测土样的盐渍化程度
表1盐渍化分级标准
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910071917.3A CN109738380B (zh) | 2019-01-25 | 2019-01-25 | 一种土壤盐渍化程度的高光谱遥感判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910071917.3A CN109738380B (zh) | 2019-01-25 | 2019-01-25 | 一种土壤盐渍化程度的高光谱遥感判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109738380A CN109738380A (zh) | 2019-05-10 |
CN109738380B true CN109738380B (zh) | 2022-09-30 |
Family
ID=66366077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910071917.3A Active CN109738380B (zh) | 2019-01-25 | 2019-01-25 | 一种土壤盐渍化程度的高光谱遥感判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109738380B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783288B (zh) * | 2020-06-19 | 2022-12-02 | 青岛农业大学 | 基于Landsat8对黄河三角洲土壤盐分的反演方法 |
CN113155747B (zh) * | 2021-01-15 | 2022-12-06 | 西安科技大学 | 一种构建分数阶微分光谱指数及其监测小麦条锈病的方法 |
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 |
CN114279976B (zh) * | 2021-12-27 | 2023-09-19 | 北京建筑大学 | 基于反射光谱的壁画可溶性盐含量检测方法 |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103424368A (zh) * | 2012-05-24 | 2013-12-04 | 上海海洋大学 | 土壤盐渍化现场快速检测方法及装置 |
CN104596943A (zh) * | 2014-12-30 | 2015-05-06 | 中国矿业大学 | 一种矿区复垦场地有毒有害元素室内光谱分层测量方法 |
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 |
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 |
KR101873003B1 (ko) * | 2018-04-10 | 2018-07-02 | (주)아세아항측 | 초분광영상과 분광각도 변수를 이용한 토양내 중금속 탐지방법 |
-
2019
- 2019-01-25 CN CN201910071917.3A patent/CN109738380B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103424368A (zh) * | 2012-05-24 | 2013-12-04 | 上海海洋大学 | 土壤盐渍化现场快速检测方法及装置 |
CN104596943A (zh) * | 2014-12-30 | 2015-05-06 | 中国矿业大学 | 一种矿区复垦场地有毒有害元素室内光谱分层测量方法 |
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 |
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 |
KR101873003B1 (ko) * | 2018-04-10 | 2018-07-02 | (주)아세아항측 | 초분광영상과 분광각도 변수를 이용한 토양내 중금속 탐지방법 |
Non-Patent Citations (3)
Title |
---|
"分数阶微分在土壤盐渍化遥感监测中的应用研究";张东;《中国博士学位论文全文数据库 农业科技辑》;20170915;第23、28-31、49、53-56、67-72、75-76、81页 * |
"基于无人机多光谱遥感的土壤含水率反演研究";张智韬 等;《农业机械学报》;20180228;第175页 * |
Haifeng Wang 等." Quantitatively estimating main soil water-soluble salt ions content based on Visible-near infrared wavelength selected using GC, SR and VIP".《PeerJ》.2018, * |
Also Published As
Publication number | Publication date |
---|---|
CN109738380A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109738380B (zh) | 一种土壤盐渍化程度的高光谱遥感判断方法 | |
Jin et al. | Remote estimation of soil organic matter content in the Sanjiang Plain, Northest China: The optimal band algorithm versus the GRA-ANN model | |
Zhang et al. | Application of near-infrared hyperspectral imaging with variable selection methods to determine and visualize caffeine content of coffee beans | |
Palacios-Orueta et al. | Remote sensing of soil properties in the Santa Monica Mountains I. Spectral analysis | |
Wang et al. | Modeling salinity effects on soil reflectance under various moisture conditions and its inverse application: A laboratory experiment | |
Croft et al. | On the use of remote sensing techniques for monitoring spatio-temporal soil organic carbon dynamics in agricultural systems | |
Gomez et al. | Laboratory Vis–NIR spectroscopy as an alternative method for estimating the soil aggregate stability indexes of Mediterranean soils | |
Srivastava et al. | Visible-near infrared reflectance spectroscopy for rapid characterization of salt-affected soil in the Indo-Gangetic Plains of Haryana, India | |
Bilgili et al. | The use of hyperspectral visible and near infrared reflectance spectroscopy for the characterization of salt-affected soils in the Harran Plain, Turkey | |
CN104897592A (zh) | 基于高光谱技术的盐渍化土壤盐分离子含量监测方法 | |
CN109886962B (zh) | 基于lai和多角度数据的植被覆盖与管理措施因子的遥感反演方法 | |
CN104697937A (zh) | 一种土壤属性高光谱识别的技术方法 | |
Srivastava et al. | Development of hyperspectral model for rapid monitoring of soil organic carbon under precision farming in the Indo-Gangetic Plains of Punjab, India | |
Wu et al. | Soil respiration mapped by exclusively use of MODIS data for forest landscapes of Saskatchewan, Canada | |
Gholizadeh et al. | Models for estimating the physical properties of paddy soil using visible and near infrared reflectance spectroscopy | |
CN108982406A (zh) | 一种基于算法融合的土壤氮素近红外光谱特征波段选取方法 | |
CN113436153A (zh) | 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 | |
Xiong et al. | The total P estimation with hyper-spectrum–a novel insight into different P fractions | |
JP5968759B2 (ja) | コンクリート面の補修工法選定方法 | |
CN111595806A (zh) | 一种利用中红外漫反射光谱监测土壤碳组分的方法 | |
Xu et al. | An improved Vis-NIR estimation model of soil organic matter through the artificial samples enhanced calibration set | |
JP2003344121A (ja) | 遠隔観測による岩盤斜面安定性評価方法及びその装置 | |
Kopel et al. | Spectroscopy as a diagnostic tool for urban soil | |
Shevyrnogov et al. | Application of satellite data for investigation of dynamic processes in inland water bodies: Lake Shira (Khakasia, Siberia), a case study | |
Vibhute et al. | Assessment of soil organic matter through hyperspectral remote sensing data (VNIR spectroscopy) using PLSR method |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |