CN113376104A - 石灰质土壤无机磷含量高光谱估算方法 - Google Patents
石灰质土壤无机磷含量高光谱估算方法 Download PDFInfo
- Publication number
- CN113376104A CN113376104A CN202110671021.6A CN202110671021A CN113376104A CN 113376104 A CN113376104 A CN 113376104A CN 202110671021 A CN202110671021 A CN 202110671021A CN 113376104 A CN113376104 A CN 113376104A
- Authority
- CN
- China
- Prior art keywords
- soil
- phosphorus
- sample
- estimation
- inorganic phosphorus
- 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.)
- Withdrawn
Links
Images
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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及石灰质土壤无机磷含量高光谱估算方法,基于风干研磨后的土壤样品,分别测试土壤无机磷及其主要矿物磷成分含量和室内高光谱数据,对光谱数据进行断点校正和重采样处理,经过不同的数学变换后,利用多元逐步回归构建不同矿物磷的估算模型,耦合得到无机磷估算模型。采用本发明的方法能够实现土壤无机磷的高光谱估算,首次提出利用在我国广泛分布的石灰质土壤的特征,基于石灰质土壤中大量矿物磷间接估算无机磷,避免了有机质、土壤水分等物质对反射光谱的影响,有助于大范围土壤无机磷含量制图和土壤肥力评价,为精准农业和土壤资源的可持续利用提供参考依据。
Description
技术领域
本发明属于遥感技术领域,具体涉及一种石灰质土壤无机磷含量高光谱估算方法。
背景技术
土壤是农业生产的基础,了解土壤的理化性质对农业用地进行分等划级,提高粮食产量,检测土壤的污染情况,实现精准农业等有着深刻的意义。因此,如何快速有效的获取土壤信息,实现动态监测,实时监测,并提高监测水平,扩展监测内容(张晋,2008)成为人类社会发展的重要课题。随着现代农业的发展和人地矛盾的日益突出,对土壤信息获取提出了新的要求(丁国香,2008)。传统的土壤调查虽然精度较高,但是需要通过复杂的室内分析,不仅费时费力,而且无法揭示土壤的空间异质性规律,不能满足农业、水文、气象等部门以及陆地生态系统相关研究对土壤时空变异状况的要求(刘焕军等,2007)。土壤反射光谱特性是土壤的基本特征之一,它受到土壤水分、土壤有机质含量、铁的氧化物、土壤质地等诸多因素的影响(彭杰等,2009),与土壤的理化性质有着密切的关系。这种关系是土壤遥感技术的物理基础,而且也为研究土壤本身的属性提供了一个新的途径和指标(徐彬彬和季耿善,1987)。与传统分析技术相比,土壤光学遥感利用土壤的反射光谱信息,可以实现土壤参数的快速测定;同时土壤光谱信息与遥感影像数据的结合应用,可以改进土壤参数测定方法,揭示土壤时空变异规律,真正实现对土壤参数与质量的动态监测,为相关生产与研究提供土壤时空信息支持(刘焕军等,2007)。
土壤磷是土壤肥力评价的重要指标,其存在形态复杂,可分为有机磷和无机磷(IP),其中,IP一般占土壤全磷的60%-80%(Sunet al.,2011),主要包括土壤中残存的原生含磷矿物、各种次生的无机磷酸盐和磷酸根离子,归类为3种形态:水溶态、吸附态和矿物态,其中矿物态占比90%以上,与土壤中铁、钙和铝等元素的结合十分密切(Bezerraetal.,2015;Hinsinger,2001;Beckand Sanchez,1996)。
由于磷自身并无显著的光谱特征(Lin et al.,2015;徐丽华等,2013),而实验室内测得土壤光谱主要受到土壤粒径、有机质和铁的影响(Oliveiraetal.,2015;彭杰等,2013;Rivero et al.,2009),因此,虽然土壤磷中仅有1/4的磷为有机磷,但是磷的光谱估算却受到有机质严重影响。例如,章文龙等(2015)发现闽江河口湿地的土壤总磷与有机质诊断指数在360-560nm波段内呈现出高度相关。因此,在土壤磷含量光谱估算研究中,一般使用经验算法构建模型(贾生尧等,2015;Bogrekci andLee,2007;Rossel et al.,2006),土壤磷的光谱测定虽然具有一定的准确性,但是受土壤理化属性的影响严重,很不稳定。例如Rossel等(2006),通过偏最小二乘法估算速效磷含量,R2仅有0.2。Hu(2013)同样应用偏最小二乘模型估算了总磷含量,R2达到了0.65。但是,影响土壤磷光谱估算结果首先应该是磷自身的特性,尤其是占比较高的矿物磷,因此,Sridhar等(2009)等研究了矿物磷的光谱特征,发现在1100-1500nm波段存在IP的光谱特征;Bogrekci和Lee(2004)认为土壤中铁、钙、镁、铝与磷的结合十分密切,发现这几种金属元素与磷的结合物在紫外和近红外有着较为明显的反射特征。目前土壤磷含量光谱估算研究主要针对总磷展开,而且由于受到有机质和总氮等土壤理化特性的影响,总磷模拟结果参差,土壤总磷含量高光谱估算研究一度陷入困境。
参考文献
Bendor,E.and Banin,A.1995.Near-Infrared Analysis as a Rapid Method toSimultaneously Evaluate Several Soil Properties.Soil SciSocAm J 59(2),364-372.
Bezerra,R.P.M.,Loss,A.,Pereira,M.G.and Perin,A.2015.Phosphorusfractions and correlation with soil attributes under no-tillage and crop-livestock integration systems in Cerrado of Goias.Semin-CiencAgrar 36(3),1287-1306.
Bogrekci,I.and Lee,W.S.2004.Spectral signatures of common phosphatesin soils and their effect on absorbance spectra of soil samples withdifferent phosphorus concentrations,p.1,American Society ofAgricultural andBiological Engineers.
Hinsinger,P.2001.Bioavailability of soil inorganic P in therhizosphere as affected by root-induced chemical changes:a review.Plant Soil237(2),173-195.
Hu,X.Y.2013.Application of Visible/Near-Infrared Spectra in Modelingof Soil Total Phosphorus.Pedosphere 23(4),417-421.
Lin,C.,Ma,R.H.,Zhu,Q.and Li,J.T.2015.Using hyper-spectral indices todetect soil phosphorus concentration for various landuse patterns.EnvironMonitAssess 187(1).
Oliveira,J.F.D.,Brossard,M.,Corazza,E.J.,R.L.,Vendrame,P.R.S.,Brito,O.R.,M.D.F.,Oliveira,J.F.D.,Brossard,M.and Corazza,E.J.2015.VIS-NIR spectrometry,soil phosphate extraction methods andinteractions ofsoil attributes.Quím Nova 38(00),1-9.
Rivero,R.G.,Grunwald,S.,Binford,M.W.and Osborne,T.Z.2009.Integratingspectral indices into prediction models of soil phosphorus in a subtropicalwetland.Remote Sens Environ113(11),2389-2402.
Rossel,R.A.V.,Walvoort,D.J.J.,Mcbratney,A.B.,Janik,L.J.and Skjemstad,J.O.2006.Visible,near infrared,mid infrared or combined diffuse reflectancespectroscopy for simultaneous assessment ofvarious soil properties.Geoderma131(1–2),59-75.
Sanyal,S.K.and De Datta,S.K.1991.Advances in Soil Science:Volume16.Stewart,B.A.(ed),pp.1-120,Springer New York,New York,NY.
Sridhar,B.B.,Vincent,R.K.,Witter,J.D.and Spongberg,A.L.2009.Mappingthe total phosphorus concentration of biosolid amended surface soils usingLANDSAT TM data.Sci Total Environ 407(8),2894-2899.
Sun,G.F.,Jin,J.Y.and Shi,Y.L.2011.Research advance on soilphosphorous forms and their availability to crops in soil.Soil&FertilizerSciences in China 2,1-9.
丁国香.2008.基于神经网络的土壤有机质及全铁含量的高光谱反演研究.硕士,南京信息工程大学.
贾生尧,杨祥龙,李光和张建明.2015.近红外光谱技术结合递归偏最小二乘算法对土壤速效磷与速效钾含量测定研究.光谱学与光谱分析35(09),2516-2520.
刘焕军,张柏,杨立,宋开山,王宗明和段洪涛.2007.土壤光学遥感研究进展.土壤通报(06),1196-1202.
彭杰,向红英,周清,张杨珠,王家强和庞新安.2013.土壤氧化铁的高光谱响应研究.光谱学与光谱分析33(02),502-506.
彭杰,张杨珠,周清,庞新安和伍维模.2009.土壤理化特性与土壤光谱特征关系的研究进展.土壤通报(05),1204-1208.
徐彬彬和季耿善.1987.土壤光谱反射特性研究及其应用.土壤学进展15(1),3-11.
徐丽华,谢德体,魏朝富和李兵.2013.紫色土土壤全氮和全磷含量的高光谱遥感预测.光谱学与光谱分析33(3),723-727.
张晋.2008.土壤光谱特性的研究.硕士,西北农林科技大学.
章文龙,曾从盛,高灯州,陈晓艳和林伟.2015.闽江河口湿地土壤全磷高光谱遥感估算.生态学报35(24),8085-8093.
发明内容
本发明的目的在于提供一种可应用于石灰质土壤的无机磷含量高光谱估算方法。
为达成上述目的,本发明所采用的技术方案如下:
石灰质土壤无机磷含量高光谱估算方法,包括如下步骤:
1)采集石灰质土壤样品,在室内自然风干后,研磨过筛;
2)取一份研磨过筛后的样品,测定无机磷及其主要矿物磷成分含量;
3)另取一份研磨过筛后的样品,在室内测定其光谱反射率,并将原始光谱进行断点校正和重采样预处理,得到处理好的反射率光谱Rrs;
4)利用Rrs及其不同数学变换形式与对应样品各类矿物磷含量进行相关分析,利用多元逐步回归构建各类矿物磷含量的高光谱估算模型;
5)耦合不同形态矿物磷的估算模型,得到无机磷的估算模型。
作为本发明的进一步改进,所述步骤1)中,采用四分法采集表层0-20cm的土壤样品,装于自封袋中保持样品阴凉避光带回实验室,在实验室避光自然风干后,使用玛瑙研磨钵将其磨碎过筛。
作为本发明的进一步改进,所述步骤2)中,无机磷及主要矿物磷含量测定采用欧洲标准测试委员会框架下发展的SMT磷分级提取方法,IP被分为Fe/Al-P和Ca-P。目前存在多种磷组分测试方法,不同方法测出来的形态和含量存在很大差异,会导致磷组分测试结果产生偏差。由于石灰质土壤中铁磷含量很低,同时铁元素和铝元素在土壤矿物中互相络合共存,分离困难,本发明采用欧标的测试方法可直接测得铁和铝络合的铁铝磷Fe/Al-P,基于Ca-P和Fe/Al-P这两种无机磷成分耦合的矿物磷估算模型具有较高的精度。
作为本发明的进一步改进,所述步骤3)中,室内光谱测定在黑暗实验室内进行,自设光源的入射角为与垂直方向夹角15°,光源距离样品30cm,探头视场角5°。实验室内光谱测试是为了模拟太阳光情况下的土壤反射光谱,为了模拟正午阳光,光源入射角需要尽量小,本发明设置了15°,小角度设计容易造成探头的影子遮挡在样品表面,因此将探头距离升高,增大探头对下平面的探测范围。
进一步的,样品置于铝制圆盒内,压实并刮平表面后接受光谱测定;圆盒的尺寸根据探头高度、视场角确定,以保证探头不会接收到样品之外的信息为准。相比于前人直接将样品置于工作台上,将样品放在铝制圆盒内压实并刮平表面后接受光谱测定,能够有效避免测试过程不严谨导致的实验误差甚至实验错误:1)样品厚度均一;2)压实后不会出现缝隙,刮平后不会出现阴影;3)一个样品对应一个铝盒,不会发生样品互相混入;4)装入铝盒压实之后可以抵抗细微的桌面震动,降低土壤颗粒受到仪器运行、实验人员走动等因素影响产生的抖动。
进一步的,光谱仪采用FieldSpec 3便携式光谱分析仪,每采集5个样品的光谱数据后,重新用参照白板进行校正。
进一步的,利用ASD自带软件ViewSpecPro对光谱数据进行断点校正,并对20条光谱曲线计算平均值,利用卷积平滑法对光谱数据进行5nm重采样后作为该样品的光谱曲线。本发明中光谱仪由三个子传感器组成,所以分别在1000nm和1800nm附近会出现由于仪器转换产生的断点,对光谱进行处理后获取可用于建模的光谱数据。
作为本发明的进一步改进,所述步骤4)中,将Rrs进行一阶导数(FD)、二阶导数(SD)、对数(LN)、倒数(RE)、开方(SR)和连续统去除(CR)处理,连续统去除利用ENVI5.3,首先构建光谱数据库,导入Rrs数据后选择Continuum Removed工具,然后导出即可。
进一步的,各成分矿物磷含量估算模型采用多元线性回归方法构建,由于光谱变量众多,变量纳入和剔除标准定为P<0.01和P<0.05,并利用SPSS共线性诊断,剔除VIF值大于2的变量后重新拟合。各类矿物磷含量估算模型采用多元线性回归方法构建,采用5层刀切法对模型精度进行交叉验证,通过5组随机选择的训练集和验证集,基于平均RMSE和RPD对模型性能进行评价,选择精度效果最好的模型作为最终的模型。
IP作为影响植被生长的主要磷形态,石灰质土壤中IP在总磷中占比可达80%以上,本发明的石灰质土壤IP含量高光谱估算方法,基于石灰质土壤高矿物质含量的特征,利用不同土壤矿物质的反射光谱特征估算各类矿物磷含量,能有效减少有机质对反射光谱的影响,结合各类矿物磷光谱特征,构建各类矿物磷的估算模型,通过矿物磷和IP的之间的数学关系,间接推导IP含量,实现IP估算模型构建。该发明不仅为土壤理化特性高光谱估算提供了新的思路,而且有助于大范围土壤IP含量制图和土壤肥力评价,为农业智能化和土壤资源的可持续利用提供参考依据。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外,所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制,在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示,为了清晰起见,在每个图中,并非每个组成部分均被标记,其中:
图1是IP和各矿物磷含量测试结果(a)SMT方法测试结果;(b)Hupfer方法测试结果。
图2是光谱测试装置示意图。
图3是断点校正示意图。
图4是不同IP含量的Rrs。
图5是IP估算模型构建流程图。
图6经过数学变换之后的光谱曲线(a)FD变换;(b)SD变化;(c)LN变换;(d)RE变换;(e)SR变换;(f)CR变换。
图7是SMT法的矿物磷估算模型精度(a)Fe/Al-P建模集;(b)Fe/Al-P验证集;(c)Ca-P建模集;(d)Ca-P验证集。
图8是Hupfer法的矿物磷估算模型精度(a)Fe/Al-P建模集;(b)Fe/Al-P验证集;(c)Ca-P建模集;(d)Ca-P验证集。
图9是耦合Fe/Al-P和Ca-P的IP估算模型的精度
前述图示1-9中,作为英文形式表达的各坐标、标识或其他表示,均为本领域所公知的,并不在本例中再做赘述。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解,上面介绍的多种构思和实施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施,这是应为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
实施例1
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
步骤1、采集石灰质土壤样品,在室内自然风干后,研磨过100目筛,用于测试IP及其主要矿物磷成分含量;
在安徽大别山区域,使用四分法采集林地和耕地表层(0-20cm)土壤样品共70个,装于自封袋中保持样品阴凉避光带回实验室。将样品盛于金属托盘中,放在室内避光通风处,约2-3周的自然风干后,先用小锤将土块砸碎,然后使用玛瑙研磨钵进行研磨,过100目网筛,分为两份,一份用于土壤矿物磷及其成分化学测定,一份用于室内光谱测定。
IP的测定方法:取0.2g样品放入离心管中,移入20mL 1mol/L的HCl溶液,振荡离心后,取上清液使用钼锑抗比色法测定磷浓度,即为IP;
SMT磷组分测试方法:1)取0.2g样品放入离心管中,移入20mL 1mol/mL的NaOH溶液,摇匀振荡16h,离心后提取上清液10mL,移入4mL 3.5mol/LHCl溶液,振荡后静置16h,离心后取上清液使用钼锑抗比色法测定磷浓度,即为Fe/Al-P;2)取上一步剩下的残渣,移入20mL 1mol/LHCl,振荡离心后,取上清液使用钼锑抗比色法测定磷浓度,即为Ca-P。
Huper磷组分测试方法:1)取0.2g样品放入离心管中,移入20mL 1mol/mL的NH4Cl溶液,振荡离心后,取上清液使用钼锑抗比色法测定磷浓度,即为弱吸附态磷;2)取上一步剩下的残渣,移入20mL 0.11mol/LNaHCO3,振荡离心后,取上清液使用钼锑抗比色法测定磷浓度,即为Fe-P;3)取上一步剩下的残渣,移入20mL 1mol/mL的NaOH溶液,振荡离心后提取上清液使用钼锑抗比色法测定磷浓度a,再取上清液,移入过硫酸钾溶液消解,使用钼锑抗比色法测定磷浓度b,a与b的差值即为Al-P;4)取上一步剩下的残渣,移入20mL0.5mol/LHCl,振荡离心后,取上清液使用钼锑抗比色法测定磷浓度,即为Ca-P。
测试结果如图1所示。该区域土壤磷含量较低,IP含量在167-1103mg/kg区间范围,平均含量为381mg/kg。SMT和Hupfer测试结果存在较大差异,SMT测试结果表明:Fe/Al-P含量在17-737mg/kg区间范围,平均含量为91mg/kg;Ca-P含量在124-433mg/kg区间范围,平均含量为246mg/kg。Hupfer测试结果表明:由于Fe-P和Al-P络合紧密,提取的Fe-P含量较低,平均含量仅有44mg/kg,所以后文中将其与Al-P共同计算;Al-P含量在23-648mg/kg区间范围,平均含量为86mg/kg,Ca-P含量在102-400mg/kg区间范围,平均含量为220mg/kg。
步骤2、另取一份研磨过100目筛后的样品,在室内测定其光谱反射率,并将原始光谱进行断点校正和重采样预处理,得到处理好的反射率光谱Rrs;
如图2所示,土壤光谱测量在封闭的黑暗实验室中进行;光谱仪采用FieldSpec 3便携式光谱分析仪,探头采用5度视场角(B=2.5°)垂直于土样观测,距土壤样品(H)15cm,探测半径(R2)为0.655cm;光源为一盏50W卤素灯,与垂直方向角度(A)为15°,距离样品(L)30cm;盛样容器为半径(R1)为2.5cm,深1cm的铝制小圆盒,小圆盒置于黑色自动旋转平台上方。采集土壤光谱前首先去除暗电流,然后利用40×40cm漫反射标准参照板获取绝对反射率,光谱采集过程中,先用直尺把土壤表面刮平,将装有土样的小圆盒放在黑色自动旋转平台上面,随着小圆盒匀速转动一周的时间内,光谱仪等时间间隔采集20条光谱曲线,并且每采集5个土样的光谱数据后,重新用参照白板进行校正,尽量减小光谱数据的误差。
测得的原始光谱需要经过一系列预处理后才能用于模型构建:1)光谱仪由三个子光谱仪组成,分别接收350~1100nm,1000~1800nm,1700~2500nm三个波段范围的反射光谱,所以在1000nm和1800nm附近会出现由于仪器转换产生的断点,利用ASD光谱仪自带的光谱数据处理软件ViewSpecPro对原始光谱数据进行断点校正(图3);2)每个样品测定了20条光谱,计算20条光谱反射率的平均值;3)此时的光谱曲线仍然存在一定的噪声和阶跃,需要通过预处理来平滑去噪以减少噪声的干扰,采用目前应用较广泛的去噪方法-卷积平滑法,以5nm为间隔对光谱曲线进行重采样,得到处理好的反射率光谱Rrs。将样本根据IP含量降序排序,以10个样本为一组,共7组样本的Rrs如图4所示,随着IP含量增加样本的Rrs也逐渐降低。
步骤3、将Rrs进行数学变换后,与对应样品各类矿物磷含量进行相关分析,利用多元逐步回归构建各类矿物磷含量的高光谱估算模型,耦合不同形态矿物磷的估算模型,推导得到IP的估算模型。估算流程如图5所示。
本实施例中,上述数学变换处理包括一阶导数(FD)、二阶导数(SD)、对数(LN)、倒数(RE)、开方(SR)和连续统去除(CR)处理,连续统去除利用ENVI5.3,首先构建光谱数据库,导入Rrs数据后选择Continuum Removed工具,然后导出即可。6种数学变换后的光谱曲线如图6所示。
进一步的,采用多元线性回归方法分别构建不同形态矿物磷的估算模型,随机选取50个样本用于建模,20个样本用于验证。采用5层刀切法对模型精度进行交叉验证,通过5组随机选择的训练集和验证集,基于平均RMSE和RPD对模型性能进行评价,由于光谱变量众多,变量纳入和剔除标准分别定为P<0.01和P<0.05,并利用SPSS进行共线性诊断,剔除VIF值大于2的变量后重新拟合。SMT法的Fe/Al-P和Ca-P的估算精度如图7所示,验证集R2分别达到了0.77和0.45,高于Hupfer法的Fe/Al-P和Ca-P估算精度,因此,用SMT方法测得的矿物磷可利用高光谱进行估算。
进一步的,本实施例基于以上步骤得到Fe/Al-P和Ca-P的估算模型为:
Fe/Al-P=253772.883*FD2010+100675.417*FD2380-187533.942*FD2125+176109.029*FD2180+468.731(公式1)
Ca-P=52844.743*FD1840+557583.888*FD1545-316006.897*FD1495-35868.145*FD2375+156.428(公式2)式中FD2010、FD2380、FD2125、FD2180、FD1840、FD1545、FD1495和FD2375分别表示Rrs的在2010、2380、2125、2180、1840、1545、1495和2375nm处的一阶导数。Fe/Al-P的建模精度为0.65,RMSE为106.91mg/kg,RPD为1.69,验证精度达到0.77,RMSE为111.56mg/kg,RPD为1.67,Fe/Al-P的模拟精度良好;Ca-P的建模精度为0.45,RMSE为52.07mg/kg,RPD为1.33,验证精度达到0.45,RMSE为39.51mg/kg,RPD为1.40。
进一步的,基于Fe/Al-P和Ca-P的含量,推导IP含量,本实施例得到的IP估算模型为:
IP=1.007*Fe/Al-P+0.599*Ca-P+72.659(公式3)
式中Fe/Al-P表示Fe/Al-P估算值,Ca-P表示Ca-P估算值。IP的估算精度良好(图9),IP的建模精度为0.64,RMSE为116.17mg/kg,RPD为1.66,验证精度达到0.70,RMSE为66.43mg/kg,RPD为2.78,该模型可用于IP估算。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。
Claims (10)
1.石灰质土壤无机磷含量高光谱估算方法,其特征在于,包括如下步骤:
1)采集石灰质土壤样品,在室内自然风干后,研磨过筛;
2)取一份研磨过筛后的样品,测定无机磷及其主要矿物磷成分含量;
3)另取一份研磨过筛后的样品,在室内测定其光谱反射率,并将原始光谱进行断点校正和重采样预处理,得到处理好的反射率光谱Rrs;
4)利用Rrs及其不同数学变换形式与对应样品各类矿物磷含量进行相关分析,利用多元逐步回归构建各类矿物磷含量的高光谱估算模型;
5)耦合不同形态矿物磷的估算模型,得到无机磷的估算模型。
2. 根据权利要求1所述的方法,其特征在于,所述步骤1)中,采用四分法采集表层0-20cm的土壤样品,在室内避光自然风干。
3.根据权利要求1所述的方法,其特征在于,所述步骤2)中,无机磷及主要矿物磷含量测定采用欧洲标准测试委员会框架下发展的SMT磷分级提取方法,无机磷被分为铁铝磷Fe/Al-P和钙磷Ca-P。
4. 根据权利要求3所述的方法,其特征在于,所述步骤3)中,室内光谱测定在黑暗实验室内进行,自设光源的入射角为与垂直方向夹角15°,光源距离样品30 cm,探头视场角5°。
5.根据权利要求1或4所述的方法,其特征在于,所述步骤3)中,样品置于铝制圆盒内,压实并刮平表面后接受光谱测定。
6. 根据权利要求3所述的方法,其特征在于,所述步骤3)中,光谱仪采用FieldSpec 3便携式光谱分析仪,每采集5个样品的光谱数据后,重新用参照白板进行校正。
7. 根据权利要求6所述的方法,其特征在于,所述步骤3)中,利用ASD自带软件ViewSpecPro对光谱数据进行断点校正,并对20条光谱曲线计算平均值,利用卷积平滑法对光谱数据进行5 nm重采样后作为该样品的Rrs。
8.根据权利要求1所述的方法,其特征在于,所述步骤4)中,数学变换包括一阶导数FD、二阶导数SD、对数LN、倒数RE、开方SR和连续统去除CR。
9. 根据权利要求8所述的方法,其特征在于,连续统去除采用ENVI的ContinuumRemoved工具实现。
10. 根据权利要求1所述的方法,其特征在于,所述步骤4)中,各类矿物磷含量估算模型采用多元线性回归方法构建,变量纳入和剔除标准定为P<0.01和P<0.05,并利用SPSS 共线性诊断,剔除VIF值大于2的变量后重新拟合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110671021.6A CN113376104A (zh) | 2021-06-17 | 2021-06-17 | 石灰质土壤无机磷含量高光谱估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110671021.6A CN113376104A (zh) | 2021-06-17 | 2021-06-17 | 石灰质土壤无机磷含量高光谱估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113376104A true CN113376104A (zh) | 2021-09-10 |
Family
ID=77577545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110671021.6A Withdrawn CN113376104A (zh) | 2021-06-17 | 2021-06-17 | 石灰质土壤无机磷含量高光谱估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113376104A (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108801934A (zh) * | 2018-04-10 | 2018-11-13 | 安徽师范大学 | 一种土壤有机碳含量高光谱预测模型的建模方法 |
-
2021
- 2021-06-17 CN CN202110671021.6A patent/CN113376104A/zh not_active Withdrawn
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108801934A (zh) * | 2018-04-10 | 2018-11-13 | 安徽师范大学 | 一种土壤有机碳含量高光谱预测模型的建模方法 |
Non-Patent Citations (1)
Title |
---|
JUNFENG XIONGA ET AL.: "The total P estimation with hyper-spectrum – A novel insight into different P fractions", 《CATENA》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Hyperspectral inversion of soil heavy metals in Three-River Source Region based on random forest model | |
Andrade et al. | Prediction of soil fertility via portable X-ray fluorescence (pXRF) spectrometry and soil texture in the Brazilian Coastal Plains | |
CN104897592B (zh) | 基于高光谱技术的盐渍化土壤盐分离子含量监测方法 | |
Sorenson et al. | High resolution measurement of soil organic carbon and total nitrogen with laboratory imaging spectroscopy | |
Rossel et al. | In situ measurements of soil colour, mineral composition and clay content by vis–NIR spectroscopy | |
CN107478580B (zh) | 基于高光谱遥感的土壤重金属含量估算方法及装置 | |
CN106918565B (zh) | 基于室内标样高光谱特征的土壤重金属Cd含量反演建模及其光谱响应特征波段识别方法 | |
CN104596957A (zh) | 基于可见光近红外光谱技术的土壤铜含量估算方法 | |
CN110596028B (zh) | 一种沉积型稀土La元素含量的高光谱反演方法 | |
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 | |
CN113436153B (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 | |
CN113866102B (zh) | 一种基于光谱的土壤健康调查监测方法 | |
CN111579500A (zh) | 联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法 | |
Al Maliki et al. | Prediction of lead concentration in soil using reflectance spectroscopy | |
Gozukara et al. | Soil particle size prediction using Vis-NIR and pXRF spectra in a semiarid agricultural ecosystem in Central Anatolia of Türkiye | |
CN113971989A (zh) | 一种基于opls的森林土壤有机碳含量高光谱建模方法 | |
CN113742919A (zh) | 一种基于高低频土壤介电常数的土壤重金属污染度预测方法及其系统 | |
CN117629971A (zh) | 一种提高激光诱导击穿光谱测量页岩中碳元素精度的方法 | |
CN111595806A (zh) | 一种利用中红外漫反射光谱监测土壤碳组分的方法 | |
CN113376104A (zh) | 石灰质土壤无机磷含量高光谱估算方法 | |
Zheng et al. | Evolution of paddy soil fertility in a millennium chronosequence based on imaging spectroscopy | |
Patil et al. | A review on determination of soil organic matter and soil moisture content using conventional methods and image processing techniques | |
CN110243773B (zh) | 一种利用土壤高光谱反射率计算土壤全盐含量的方法 | |
CN109668862B (zh) | 一种基于激光诱导击穿光谱的铝电解质分子比检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210910 |