详情

原文传递一种土壤盐渍化程度的高光谱遥感判断方法

专利名称：	一种土壤盐渍化程度的高光谱遥感判断方法
摘要：	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、R2c、RMSEp、R2p、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。
专利类型：	发明专利
国家地区组织代码：	陕西;61
申请人：	西北农林科技大学
发明人：	张智韬;劳聪聪;王海峰
专利状态：	有效
申请日期：	2019-01-25T00:00:00+0800
发布日期：	2019-05-10T00:00:00+0800
申请号：	CN201910071917.3
公开号：	CN109738380A
代理机构：	北京方圆嘉禾知识产权代理有限公司
代理人：	董芙蓉
分类号：	G01N21/31(2006.01);G;G01;G01N;G01N21
申请人地址：	712100 陕西省咸阳市杨凌区邰城路3号
主权项：	1.一种土壤盐渍化程度的高光谱遥感判断方法，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；公式1：其中，f(λ)为一维光谱，v为微分阶数值，为Gamma函数；通过比较以下模型参数确定最优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(determination ofcoefficients，R2c)、预测均方根误差(root mean square error of prediction,RMSEp)、预测决定系数(predicting determination of coefficients，R2p)及相对分析误差(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；其中，R2c，R2p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和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：公式2：其中，yi和分别为检验样本的观测值和预测值；为样本观测值得平均值；n为预测样本数；R2为两种不同处理的相关系数，为R2c或R2p；公式3：其中，yi和分别为验证样本的观测值和预测值；n为预测样本数；公式4：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或RMSEp；利用所述最优模型，输入未知土样的高光谱信息，获得所述未知土样的盐分含量；将所述土壤的盐分含量与盐渍化分级标准表进行对比，即可得知所述未知土样的盐渍化程度。 2.如权利要求1所述的一种土壤盐渍化程度的高光谱遥感判断方法，其特征在于，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为干燥后原状土样质量，含铝盒；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，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→CurrentFolder→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：式中：f(λ)为一维光谱，v为微分阶数值，为Gamma函数；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→Partialleast 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优模型；校正均方根误差(root mean square error of calibration，RMSEc)、建模决定系数(determination ofcoefficients，R2c)、预测均方根误差(root mean square error of prediction,RMSEp)、预测决定系数(predicting determination of coefficients，R2p)、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；R2c，R2p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，yi和分别为检验样本的观测值和预测值；为样本观测值得平均值；n为预测样本数；式中，yi和分别为验证样本的观测值和预测值；n为预测样本数；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，将反射率经上述数据预处理后，输入最优模型中，获得土壤盐分含量；将所述土壤盐分含量与盐渍化分级标准对比，获得待测土样的盐渍化程度。
所属类别：	发明专利