CN113971989A - 一种基于opls的森林土壤有机碳含量高光谱建模方法 - Google Patents

一种基于opls的森林土壤有机碳含量高光谱建模方法 Download PDF

Info

Publication number
CN113971989A
CN113971989A CN202111061451.2A CN202111061451A CN113971989A CN 113971989 A CN113971989 A CN 113971989A CN 202111061451 A CN202111061451 A CN 202111061451A CN 113971989 A CN113971989 A CN 113971989A
Authority
CN
China
Prior art keywords
soil
organic carbon
spectral
model
carbon content
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
Application number
CN202111061451.2A
Other languages
English (en)
Inventor
唐健
赵隽宇
石媛媛
覃祚玉
宋贤冲
潘波
覃其云
邓小军
黄小芮
孟中磊
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.)
Guangxi Zhuang Autonomous Region Forestry Research Institute
Original Assignee
Guangxi Zhuang Autonomous Region Forestry Research Institute
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 Guangxi Zhuang Autonomous Region Forestry Research Institute filed Critical Guangxi Zhuang Autonomous Region Forestry Research Institute
Priority to CN202111061451.2A priority Critical patent/CN113971989A/zh
Publication of CN113971989A publication Critical patent/CN113971989A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Data Mining & Analysis (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供一种基于OPLS的森林土壤有机碳含量高光谱建模方法，属于土壤光谱采集与分析技术领域。该方法包括以下技术步骤：(1)土壤样品采集与处理；(2)土壤有机碳测定；(3)光谱反射率数据测定；(4)光谱反射率数据预处理；(5)光谱反射率数据变换；(6)初始模型建立与检验；(7)高光谱预测模型建立。本发明方法相较于传统的PLS方法，计算量少、稳定性好、精确度高、预测性能好，具有很好的实际应用价值。

Description

一种基于OPLS的森林土壤有机碳含量高光谱建模方法
技术领域
本发明属于土壤光谱采集与分析技术领域，具体涉及一种基于OPLS的森林土壤有机碳含量高光谱建模方法。
背景技术
森林土壤碳库是全球土壤碳库中最重要的部分，其碳储量约占全球土壤碳储量的39％。土壤有机碳(Soil Organic Carbon)是碳循环研究的一个关键步骤，土壤有机碳的定量化研究对于土壤管理，土壤制图以及土壤固碳等具有重要意义。但耗时长且成本较高的传统化学分析方法使得区域尺度的SOC评估成本高昂。
近年来高光谱(Hyperspectra)技术的迅速发展提供了一种无破坏性、快速、准确、低成本地获取SOC含量的手段。研究表明SOC在高光谱波段620-810nm、1450-1625nm具有强烈且独特的吸收特性，然而，由于土壤理化状态复杂，土壤水分、矿质元素与SOC的光谱吸收峰存在干扰、叠加。因此，如何筛选有效的SOC光谱响应波段以及如何优化预测模型是提高预测精度的关键。
偏最小二乘法(Partial Least-Square,PLS)可以较好地解决自变量之间的多重共线性、样本数少于变量数和计算复杂等问题，因此PLS在土壤有机质含量与光谱反射率数据建模中应用较为广泛。采用多元线性回归、主成分回归、偏最小二成回归等三种线性回归模型模型建立了中国高纬度地区草地土壤有机碳高光谱预测模型，结果表明PLSR为最优估测模型。曾有研究者选择中国东北典型黑土区为研究区域，建立了黑土有机质含量多种预测模型，认为PLS模型预测效果最佳，决定系数R2为0.71，均方根误差RMSE为2.29。当前研究普遍采用PLS方法建立土壤有机质高光谱预测模型，但模型精度较低，需对PLS模型进行优化改良。同时，目前的研究对象主要为农业生产用地，农用地土壤由于熟化程度较高，植被类型单一，SOC来源较为单一、稳定，成土母质、环境因素对土壤SOC光谱影响较小，反演模型的精度与稳定性较高。但针对森林土壤有机质高光谱反演模型有所缺失。受地上植被类型、经营方式、地理环境的影响，森林土壤有机质的组成如富里酸、胡敏素等成分与草地、农业用地差异较大，光谱吸收特性也因此不同，现有的方法并不能实现森林土壤有机碳的精确预测。
综上所述，鉴于现有技术的上述模型缺陷，以森林土壤有机碳为对象的光谱模型缺失，迫切需要研究出一种森林土壤有机碳含量高光谱预测模型的建模方法。
发明内容
针对以上问题，本发明提供一种基于OPLS的森林土壤有机碳含量高光谱建模方法，通过土壤样品采集与处理、土壤有机碳测定、光谱反射率数据测定、光谱反射率数据预处理、光谱反射率数据变换、初始模型建立与检验和高光谱预测模型建立，使得本发明方法相较于传统的PLS方法，计算量少、稳定性好、精确度高、预测性能好，具有很好的实际应用价值。
本发明通过以下技术方案实现：
一种基于OPLS的森林土壤有机碳含量高光谱建模方法，包括以下步骤：
(1)土壤样品采集与处理：采集若干个土壤样品，并对土壤样品进行处理；
(2)土壤有机碳测定：测定土壤样品中的有机碳含量；
(3)光谱反射率数据测定：测定土壤样品的光谱反射率数据，将每次测定获得的若干光谱反射率数据进行算数平均，将每个平均值作为每个土壤样品的光谱反射率数据；
(4)光谱反射率数据预处理：对光谱反射率数据进行预处理，包括去除噪声较大的边缘波段、断点校正以及平滑处理；
(5)光谱反射率数据变换：为变非线性关系为线性关系，对光谱反射率数据作对数、一阶导数和对数一阶导数的变换处理；
(6)初始模型建立与检验：建立土壤有机碳含量的光谱反射率数据初始模型，并对该初始模型进行检验；
(7)高光谱预测模型建立：基于初始模型，选出最优模型，建立土壤有机碳含量与光谱反射率数据的线性回归方程进行独立样本验证。
作为技术方案的优选，步骤(6)中，所述初始模型建立为随机选取样本总数的3/5-4/5作为建模集，其余样本作为独立验证集，初始模型建立采用统计分析软件SIMCA14.1Umetrics，利用软件内置的PLS、OPLS模块，建立R、FDL、FDR三种光谱反射率数据与土壤有机碳含量之间的反演模型；所述初始模型检验为采用软件Origin 8.0进行数据模型拟合，利用均方根误差RMSE和决定系数R2两个指标来评价初始模型的质量，从初始模型的稳定性和估算能力两个方面对初始模型进行检验，初始模型的稳定性用决定系数R2的大小检验，反演模型的估算能力用均方根误差RMSE进行检验。
作为技术方案的优选，步骤(4)中，所述噪声较大的边缘波段为350-400nm和2400-2500nm波段；所述断点校正为采用软件ViewSpecPro 6.0进行断点校正，消除仪器自身原因产生的断点；所述平滑处理为对光谱反射率数据进行Savitzky-Golay平滑处理。
作为技术方案的优选，步骤(2)中，所述土壤有机碳含量测定为采用灼烧法测定待测土壤样品有机碳含量，灼烧温度为450-600℃。
作为技术方案的优选，步骤(3)中，所述光谱反射率数据测定为采用地物反射光谱仪测定土壤样品的光谱反射率，光谱分辨率为1nm，光谱测定范围为350-2500nm，探头视场角为12-15°，光源入射角为30-45°；将灼烧后的土壤样品置于深度1-1.5cm、直径为4-8cm的托盘中，并将土壤表面压平，探头距土壤表面3-6cm；为消除外部光线不一致的影响，测定之前用白色参考版校准仪器，并扣除空气背景值；为增加仪器的信噪比，每次测定的重复扫描次数设置为25-30次，将每次测定的光谱反射率数据的平均值作为每个土壤样品的光谱反射率数据。
作为技术方案的优选，步骤(1)中，所述土壤样品采集为以W型多点随机取样，每个采样点确保5个以上的取样点，采集距离地面表层0-20cm土层深度的土壤，将采集的土样混合均匀后，用四分法取0.8-2kg土壤样品；所述土壤样品处理为将土壤样品在实验室经自然风干，去除杂物，研磨后过0.1-0.2mm孔筛，成待测土壤样品。
正交偏最小二乘法Orthogonal partial least squares(OPLS)是偏最小二乘法的延伸，通过对PLS增加正交验证以消除不相关变量减少模型的复杂性，使建立的模型具有更好的拟合度，OPLS方法利用响应变量Y中的信息把X分成三部分，如公式(1)所示。
Figure BDA0003256548050000031
其中，Tp表示X的预测的得分矩阵，
Figure BDA0003256548050000032
表示X的预测载荷矩阵，To表示X与Y的正交成分(称为OPLS成分)的得分矩阵，
Figure BDA0003256548050000033
表示对应的载荷矩阵，E为残差矩阵。
与现有技术相比，本发明的优点及有益效果为：
1、本发明提供一种基于OPLS的森林土壤有机碳含量高光谱建模方法，该方法改进传统的PLS建模方法，提高模型精度与稳定性。OPLS是偏最小二乘法的延伸，把连续的变量正交投射到潜在变量中，从而把变量分成了可以预测的和无关的两种，通过对PLS增加正交验证以消除不相关变量减少模型的复杂性，使建立的模型具有更好的拟合度与稳定性。相较于对比例1中利用传统PLS建立土壤有机碳预测模型，本发明采用OPLS建立有机碳含量预测模型可以使得特征光谱个数减少50％，模型精度提高29.61％，独立样本验证精度提高49.81％，大幅度减少了模型计算量，大大提高了模型预测效果和模型稳定性，具有很好的实际应用价值。
2、本发明方法填补南亚热带森林土壤有机碳光谱反演模型的研究空白，提供一种具有模型简单、变量少、便于计算、精确度高、预测性能好等特点的森林土壤有机碳预测模型。
3、本发明土壤有机碳测定采用灼烧法，传统的重铬酸钾外加热法前处理复杂，测定成本高，同时废液处理不当会造成环境污染，而灼烧法操作简便，可直接测定原土样，无需磨碎，灼烧过程中也无需添加任何化学试剂，减少了对样品的污染，适合大批量土样的测定。
附图说明
图1为本发明实施例1研究区位置。
图2为本发明实施例1不同有机碳含量的土壤反射率的平均光谱曲线图。
图3为本发明实施例1不同有机碳含量的土壤反射率一阶导数的平均光谱曲线图。
图4为本发明实施例1不同有机碳含量的土壤反射率对数一阶导数的平均光谱曲线图。
图5为本发明实施例1土壤有机碳含量与原始光谱反射率(R)显著相关波段图。
图6为本发明实施例1土壤有机碳含量与一阶导数(FDR)显著相关波段图。
图7为本发明实施例1土壤有机碳含量与对数一阶导数(FDL)显著相关波段图。
图8为本发明实施例1基于FDR-OPLS全波段模型预测结果图。
具体实施方式
下面通过实施例对本发明做进一步地详细说明，这些实施例仅用来说明本发明，并不限制本发明的保护范围。
实施例1
本实施例提供一种基于OPLS的森林土壤有机碳含量高光谱建模方法，包括以下步骤：
土壤样品来自中国广西壮族自治区柳州市国有黄冕林场的桉树人工林主要种植区域，林场地处低纬度地区(经度108°18′26″、纬度25°21′32″)，为典型亚热带季风气候区，研究区如图1所示，土壤类型主要为砂页岩发育来的红壤，砾石含量≤10％。采样点布设采用Arcgis10.1网格化布点方式完成，研究区域地形受到明显切割与分化，地形地貌复杂，成土母质较为统一，结合实地考察情况，布点精度设置为每200hm2布设1个采样点，共计104个采样点。
(1)土壤样品采集与处理：实地采样时选取长势均匀、人为活动较少的林地，以W型多点随机取样，每个采样点确保5个以上的取样点，采集距离地面表层0-20cm土层深度的土壤，将采集的土样混合均匀后，用四分法取1kg土壤样品；所述土壤样品处理为将土壤样品在实验室经自然风干，去除杂物，研磨后过0.149mm孔筛，成待测土壤样品；
(2)土壤有机碳测定：采用灼烧法测定待测土壤样品中的有机碳含量，灼烧温度为550℃；
(3)光谱反射率数据测定：采用ASD F4地物反射光谱仪测定土壤样品的光谱反射率，光谱分辨率为1nm，光谱测定范围为350-2500nm，探头视场角为12-15°，光源入射角为30-45°；将灼烧后的土壤样品置于深度1.5cm、直径为6cm的托盘中，并将土壤表面压平，探头距土壤表面5cm；为消除外部光线不一致的影响，测定之前用白色参考版校准仪器，并扣除空气背景值；为增加仪器的信噪比，每次测定的重复扫描次数设置为30次，将每次测定的光谱反射率数据的平均值作为每个土壤样品的光谱反射率数据，不同有机碳含量的土壤反射率的平均光谱曲线如图2所示；
(4)光谱反射率数据预处理：对光谱反射率数据进行预处理，包括去除所述噪声较大的边缘波段为350-400nm和2400-2500nm波段；采用软件ViewSpecPro 6.0进行断点校正，消除仪器自身原因产生的断点；对光谱反射率数据进行Savitzky-Golay平滑处理；
(5)光谱反射率数据变换：为变非线性关系为线性关系，对光谱反射率数据作对数、一阶导数和对数一阶导数的变换处理，不同有机碳含量的土壤反射率一阶导数的平均光谱曲线如图3所示，不同有机碳含量的土壤反射率对数一阶导数的平均光谱曲线如图4所示；光谱反射率数据经对数变换后减少了因光照条件变化引起的乘性因素的影响；一阶导数处理可以消除背景噪声的干扰，分解混合重叠峰，提高光谱分辨率和灵敏度，易找到相关性高的波段；
(6)初始模型建立与检验：土壤样本总数为104个，随机选取76个作为建模集，另28个作为独立验证集，其统计学特征如表1所示；初始模型建立采用统计分析软件SIMCA14.1Umetrics，利用软件内置的PLS、OPLS模块，建立R、FDL、FDR三种光谱反射率数据与土壤有机碳含量之间的反演模型，如表2所示；初始模型检验为采用软件Origin 8.0进行数据模型拟合，利用均方根误差RMSE和决定系数R2两个指标来评价初始模型的质量，从初始模型的稳定性和估算能力两个方面对初始模型进行检验，初始模型的稳定性用决定系数R2的大小检验，初始模型的估算能力用均方根误差RMSE进行检验，RMSE越小，说明模型估算能力越好，R2越接近于1，说明模型的稳定性越好、拟合程度越高；
表1土壤有机碳含量统计学特征
Figure BDA0003256548050000051
表2全波段、显著性波段PLS、OPLS反演模型
Figure BDA0003256548050000052
PLS、OPLS两种模型以R与两种变换形式FDR、FDL全波段建立的模型，R2、RMSE等参数均优于显著性波段建立的模型；从全波段反演模型来看，OPLS建立的反演模型主成分个数均低于PLS，正交验证对自变量的筛选更加精确，能显著降低模型的复杂程度，提高模型精度；全波段的R-PLS、R-OPLS模型精度R2分别为0.643、0.707，明显低于经过预处理后的光谱数据建立的模型，说明一阶导数、对数一阶导数变换均能显著消除土壤中的冗余信息，增强高光谱对土壤有机碳的敏感性；FDR-PLS、FDR-OPLS模型R2分别为0.739、0.787，RMSE分别为4.68、4.12，均优于FDL建立的土壤有机碳反演模型；FDR-OPLS、FDL-OPLS模型精度R2均在0.75以上，说明模型能够较好的预测土壤有机碳含量，FDR-OPLS模型R2为0.787，RMSE为4.12，为最优模型；采用显著性波段建立的PLS、OPLS反演模型拟合精度排序为：FDL-OPLS(R2＝0.693)>FDL-PLS(R2＝0.684)>FDR-OPLS(R2＝0.636)>FDR-PLS(R2＝0.622)>R-OPLS(R2＝0.587)>R-PLS(R2＝0.561)，FDL-OPLS为最优模型，但显著性波段模型拟合精度R2均未达到0.75，只能粗略估测土壤有机碳含量，土壤有机碳含量与原始光谱反射率(R)显著相关波段如图5所示，土壤有机碳含量与一阶导数(FDR)显著相关波段如图6所示，土壤有机碳含量与对数一阶导数(FDL)显著相关波段如图7所示；基于显著性波段建立的光谱反演模型虽然R2、RMSE相较与全波段模型有一定差距，但筛选的主成分个数均低于全波段反演模型，模型的复杂程度显著降低，数据量极大缩减，提高了模型的实际应用价值；
(7)高光谱预测模型建立：基于初始模型，选出最优模型，采用origin2018建立土壤有机碳含量与光谱反射率数据的线性回归模型进行独立样本验证；从全波段、显著性波段建立的6个土壤有机碳含量光谱反演模型中，选出精度最高的FDR-OPLS模型，对其进行验证，基于FDR-OPLS全波段模型预测结果如图8所示；经线性拟合后，线性回归方程y＝0.8813*X+2.170，R2＝0.7931，RPD＝2.01，说明模型精度高，预测性能好，具有很好的实际应用价值。
对比例1
以文献(周伟,谢利娟,杨晗,黄露,李浩然,杨猛.基于高光谱的三江源区土壤有机质含量反演[J/OL].土壤通报,2021(03):564-574.)中利用传统PLS建立土壤有机碳预测模型作为对比例。该文献以三江源区域的145个土壤样品，利用传统PLS建立土壤有机碳预测模型，用于建模的特征光谱个数为6个，模型精度0.6072，独立样本验证精度0.5294。
而本发明采用OPLS建立有机碳含量预测模型，特征光谱个数为3个，最优模型精度为0.787，独立样本验证精度为0.7931。
相较于对比例中利用传统PLS建立土壤有机碳预测模型，本发明采用OPLS建立有机碳含量预测模型可以使得特征光谱个数减少50％，模型精度提高29.61％，独立样本验证精度提高49.81％，大幅度减少了模型计算量，大大提高了模型预测效果和模型稳定性，具有很好的实际应用价值。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于OPLS的森林土壤有机碳含量高光谱建模方法，其特征在于，包括以下步骤：
(1)土壤样品采集与处理：采集若干个土壤样品，并对土壤样品进行处理；
(2)土壤有机碳测定：测定土壤样品中的有机碳含量；
(3)光谱反射率数据测定：测定土壤样品的光谱反射率数据，将每次测定获得的若干光谱反射率数据进行算数平均，将每个平均值作为每个土壤样品的光谱反射率数据；
(4)光谱反射率数据预处理：对光谱反射率数据进行预处理，包括去除噪声较大的边缘波段、断点校正以及平滑处理；
(5)光谱反射率数据变换：为变非线性关系为线性关系，对光谱反射率数据作对数、一阶导数和对数一阶导数的变换处理；
(6)初始模型建立与检验：建立土壤有机碳含量的光谱反射率数据初始模型，并对该初始模型进行检验；
(7)高光谱预测模型建立：基于初始模型，选出最优模型，建立土壤有机碳含量与光谱反射率数据的线性回归方程进行独立样本验证。
2.根据权利要求1所述的基于OPLS的森林土壤有机碳含量高光谱建模方法，其特征在于，步骤(6)中，所述初始模型建立为随机选取样本总数的3/5-4/5作为建模集，其余样本作为独立验证集，初始模型建立采用统计分析软件SIMCA 14.1 Umetrics，利用软件内置的PLS、OPLS模块，建立R、FDL、FDR三种光谱反射率数据与土壤有机碳含量之间的反演模型；所述初始模型检验为采用软件Origin 8.0进行数据模型拟合，利用均方根误差RMSE和决定系数R2两个指标来评价初始模型的质量，从初始模型的稳定性和估算能力两个方面对初始模型进行检验，初始模型的稳定性用决定系数R2的大小检验，初始模型的估算能力用均方根误差RMSE进行检验。
3.根据权利要求1所述的基于OPLS的森林土壤有机碳含量高光谱建模方法，其特征在于，步骤(4)中，所述噪声较大的边缘波段为350-400nm和2400-2500nm波段；所述断点校正为采用软件ViewSpecPro 6.0进行断点校正，消除仪器自身原因产生的断点；所述平滑处理为对光谱反射率数据进行Savitzky-Golay平滑处理。
4.根据权利要求1所述的基于OPLS的森林土壤有机碳含量高光谱建模方法，其特征在于，步骤(2)中，所述土壤有机碳含量测定为采用灼烧法测定待测土壤样品有机碳含量，灼烧温度为450-600℃。
5.根据权利要求1所述的基于OPLS的森林土壤有机碳含量高光谱建模方法，其特征在于，步骤(3)中，所述光谱反射率数据测定为采用地物反射光谱仪测定土壤样品的光谱反射率，光谱分辨率为1nm，光谱测定范围为350-2500nm，探头视场角为12-15°，光源入射角为30-45°；将灼烧后的土壤样品置于深度1-1.5cm、直径为4-8cm的托盘中，并将土壤表面压平，探头距土壤表面3-6cm；为消除外部光线不一致的影响，测定之前用白色参考版校准仪器，并扣除空气背景值；为增加仪器的信噪比，每次测定的重复扫描次数设置为25-30次，将每次测定的光谱反射率数据的平均值作为每个土壤样品的光谱反射率数据。
6.根据权利要求1所述的基于OPLS的森林土壤有机碳含量高光谱建模方法，其特征在于，步骤(1)中，所述土壤样品采集为以W型多点随机取样，每个采样点确保5个以上的取样点，采集距离地面表层0-20cm土层深度的土壤，将采集的土样混合均匀后，用四分法取0.8-2kg土壤样品；所述土壤样品处理为将土壤样品在实验室经自然风干，去除杂物，研磨后过0.1-0.2mm孔筛，成待测土壤样品。
CN202111061451.2A 2021-09-10 2021-09-10 一种基于opls的森林土壤有机碳含量高光谱建模方法 Pending CN113971989A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111061451.2A CN113971989A (zh) 2021-09-10 2021-09-10 一种基于opls的森林土壤有机碳含量高光谱建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111061451.2A CN113971989A (zh) 2021-09-10 2021-09-10 一种基于opls的森林土壤有机碳含量高光谱建模方法

Publications (1)

Publication Number Publication Date
CN113971989A true CN113971989A (zh) 2022-01-25

Family

ID=79586476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111061451.2A Pending CN113971989A (zh) 2021-09-10 2021-09-10 一种基于opls的森林土壤有机碳含量高光谱建模方法

Country Status (1)

Country Link
CN (1) CN113971989A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114509404A (zh) * 2022-02-16 2022-05-17 安徽农业大学 一种高光谱土壤有效硼含量预测方法
CN116818687A (zh) * 2023-06-21 2023-09-29 浙江大学杭州国际科创中心 基于光谱引导集成学习的土壤有机碳光谱预测方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114509404A (zh) * 2022-02-16 2022-05-17 安徽农业大学 一种高光谱土壤有效硼含量预测方法
CN116818687A (zh) * 2023-06-21 2023-09-29 浙江大学杭州国际科创中心 基于光谱引导集成学习的土壤有机碳光谱预测方法及装置
CN116818687B (zh) * 2023-06-21 2024-02-20 浙江大学杭州国际科创中心 基于光谱引导集成学习的土壤有机碳光谱预测方法及装置

Similar Documents

Publication Publication Date Title
Hong et al. Estimating lead and zinc concentrations in peri-urban agricultural soils through reflectance spectroscopy: Effects of fractional-order derivative and random forest
CN114018833B (zh) 基于高光谱遥感技术估算土壤重金属含量的方法
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
CN107478580B (zh) 基于高光谱遥感的土壤重金属含量估算方法及装置
Wei et al. Common spectral bands and optimum vegetation indices for monitoring leaf nitrogen accumulation in rice and wheat
CN111488926B (zh) 一种基于优化模型的土壤有机质测定方法
CN113971989A (zh) 一种基于opls的森林土壤有机碳含量高光谱建模方法
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
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
CN104596957A (zh) 基于可见光近红外光谱技术的土壤铜含量估算方法
CN101806730A (zh) 一种醋糟有机基质含水量的检测方法
CN109669023A (zh) 一种基于多传感器融合的土壤属性预测方法
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
CN105486655A (zh) 基于红外光谱智能鉴定模型的土壤有机质快速检测方法
CN104596943A (zh) 一种矿区复垦场地有毒有害元素室内光谱分层测量方法
Hu et al. Soil phosphorus and potassium estimation by reflectance spectroscopy
CN114676636A (zh) 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
CN116485263A (zh) 河流湿地碳汇监测评估方法
Yang et al. Prediction of soil heavy metal concentrations in copper tailings area using hyperspectral reflectance
CN111595806A (zh) 一种利用中红外漫反射光谱监测土壤碳组分的方法
CN116818687B (zh) 基于光谱引导集成学习的土壤有机碳光谱预测方法及装置
CN113049499A (zh) 水体总氮浓度间接遥感反演方法、存储介质和终端设备
Gholizadeh et al. Quantification and depth distribution analysis of carbon to nitrogen ratio in forest soils using reflectance spectroscopy
Ogrič et al. Soil organic carbon predictions in Subarctic Greenland by visible–near infrared spectroscopy
CN115392305A (zh) 基于改进时间卷积网络的土壤有机质含量高光谱建模方法

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