[發(fā)明專利]一種土壤鹽漬化程度的高光譜遙感判斷方法

有效

• 申請?zhí)枺?/td>: 201910071917.3
• 申請日: 2019-01-25
• 公開（公告）號: CN109738380B
• 公開（公告）日: 2022-09-30
• 發(fā)明（設(shè)計）人: 張智韜;勞聰聰;王海峰
• 申請（專利權(quán)）人: 西北農(nóng)林科技大學(xué)
• 主分類號: G01N21/31
• 分類號: G01N21/31;G01N5/04
• 代理公司: 北京睿智保誠專利代理事務(wù)所(普通合伙) 11732
• 代理人: 周新楣

1.一種土壤鹽漬化程度的判斷方法，其特征在于，所述方法包括以下步驟：

采集土壤表層以下未擾動的土樣作為原始土樣；

分別測量所述原始土樣和干燥后土樣的重量，計算所述土樣的含水率；

測量所述原始土樣的光譜反射率，得到原始光譜反射率；

對所述原始光譜反射率進(jìn)行SG平滑去噪；

將所述原始土樣按土壤鹽分含量從高到低排序，劃分建模集和樣本集；

按照公式1，對所述SG平滑去噪后的400～2400nm原始光譜反射率及其對應(yīng)的吸光率、標(biāo)準(zhǔn)正態(tài)變換及對數(shù)之倒數(shù)變換分別進(jìn)行0～2階分?jǐn)?shù)階微分處理數(shù)據(jù)，利用所述處理數(shù)據(jù)建立土壤鹽分偏最小二乘回歸模型；

公式1：:

其中，f(λ)為一維光譜，v為微分階數(shù)值，為Gamma函數(shù)；

通過比較以下模型參數(shù)確定最佳土壤鹽分含量高光譜反演模型；校正均方根誤差RMSE_c、建模決定系數(shù)R²_c、預(yù)測均方根誤差RMSE_p、預(yù)測決定系數(shù)R²_p、相對分析誤差RPD，篩選出最優(yōu)模型用以研究區(qū)土壤鹽分含量的反演；R²_c，R²_p用以判定模型的穩(wěn)定程度，越接近于1說明模型的穩(wěn)定性越好；RMSE_c及RMSE_p用于表征模型的準(zhǔn)確性，其值越小表明模型的精度越高；當(dāng)RPD1.4時，模型無法對樣本進(jìn)行預(yù)測；當(dāng)1.4＜RPD＜2時，表明模型具有較好的定量預(yù)測能力；當(dāng)RPD2.0時表示模型具有極好的預(yù)測能力；其中計算R²、RMSE、及RPD的公式如下：

公式2：

其中，y_i和分別為檢驗樣本的觀測值和預(yù)測值；y_i為樣本觀測值得平均值；n為預(yù)測樣本數(shù)；

公式3：

其中，y_i和分別為驗證樣本的觀測值和預(yù)測值；n為預(yù)測樣本數(shù)；

公式4：；

其中，S.D為樣本觀測值得方差；如RMSE為均方根誤差；

利用地面土壤水鹽最優(yōu)模型，輸入未知土樣高光譜信息，同時獲得該土樣的水鹽含量，

對比鹽漬化分級標(biāo)準(zhǔn)表，可得該土壤樣品的鹽漬化程度；

所述判斷方法具體包括以下步驟：

步驟1：用深度和直徑分別為5.5、7.5cm的環(huán)刀采集土壤表層5cm以下處的土壤，獲得未擾動土樣，收集時剔除浸入體；

步驟2：將環(huán)刀放入塑料盒中密封、編號、稱重并帶回實驗室；從環(huán)刀內(nèi)取20g左右有代表性的土樣放入鋁盒內(nèi)，蓋上蓋稱重，記錄鋁盒的編號和重量，將沒加蓋的鋁盒放入于燥箱內(nèi)，在105℃、24h恒溫條件下用干燥法測得土壤樣本質(zhì)量含水率的ω_m，ω_m公式為:

式中，M₁為原狀土樣質(zhì)量；M₂為干燥后原狀土樣質(zhì)量；M₃為空鋁盒質(zhì)量；

步驟3：利用ASD FieldSpec3光譜儀在照明控制的暗室中測量土壤的光譜反射率；先將制備好的土壤樣品裝入黑色容器，填充后將表面刮平；光譜測定的光源為50W鹵素?zé)簦褂靡晥鼋?°的光纖探頭；測量時距土壤樣品表面距離定為50cm，光源的天頂角定為50°，探頭至待測樣品的表面距離定為15cm；

步驟4：數(shù)據(jù)收集：在每次光譜測定之前，去除暗電流并校準(zhǔn)白板；每個土壤樣品在4個方向測量，3次旋轉(zhuǎn)，每次90度，每個方向保存5條光譜曲線，總共20條；利用ViewSpecProV6.0.11軟件進(jìn)行算術(shù)平均計算，得到土壤樣品的實際反射光譜數(shù)據(jù)；

步驟5：SG平滑：在Unscrambler X軟件中，選擇主菜單Tasks Tranform Smoothing:Savitzky-Golay Smoothing，啟動濾波器；將Parameters中的Polynomial roder設(shè)置為3；將soomthing points設(shè)為5；點(diǎn)擊OK開始平滑濾波；

步驟6：高光譜數(shù)據(jù)預(yù)處理：對原始光譜反射率REF及其對應(yīng)的吸光率ABS、標(biāo)準(zhǔn)正態(tài)變換SNV、對數(shù)之倒數(shù)變換LI進(jìn)行0～2階微分處理，階數(shù)間隔為0.1；

1)吸光率ABS處理:在Unscrambler X軟件中，選擇主菜單Tasks Tranform ComputeGenerab啟動Compute General數(shù)學(xué)處理工具；輸入對數(shù)之倒數(shù)的數(shù)學(xué)公式即可完成數(shù)據(jù)處理；公式如下：

式中：R為原始光譜反射率；

2)對數(shù)之倒數(shù)處理：在Unscrambler X軟件中，選擇主菜單Tasks Tranform ComputeGeneral，啟動Compute General數(shù)學(xué)處理工具，輸入對數(shù)之倒數(shù)的數(shù)學(xué)公式即可完成數(shù)據(jù)處理，公式如下：

式中：R為原始光譜反射率；

3)標(biāo)準(zhǔn)正態(tài)變換處理:在Unscrambler X軟件中，選擇主菜單Tasks Tranformstandard normal variable reflectance，啟動SNV處理工具，輸入所要處理的數(shù)據(jù)即可完成數(shù)據(jù)處理；具體公式如下：

式中：n是變量個數(shù)，x_i,j是第i個樣本的第j個變量的值；d是自定義的偏移量；

步驟7：高光譜數(shù)據(jù)預(yù)處理：對原始光譜反射率REF進(jìn)行0～2階微分處理，微分步長為0.1；分?jǐn)?shù)階微分處理：利用matlab2017R軟件，選擇Home Current Folder放入自行設(shè)計的代碼Editor，輸入對數(shù)之倒數(shù)處理后的數(shù)據(jù)，點(diǎn)擊Run，程序即可完成微分處理；具體公式如下：

式中：f(λ)為一維光譜，v為微分階數(shù)值，為Gamma函數(shù)；

步驟8：建模集和樣本集的劃分：將樣本按土壤鹽分含量從高到低進(jìn)行排序，等間隔選取2/3作為建模集，1/3作為驗證集分別用于模型的建立以及精度驗證；

步驟9：建模預(yù)測：對SG平滑去噪后的400～2400nmREF進(jìn)行0～2階分?jǐn)?shù)階微分處理數(shù)據(jù)，利用這些數(shù)據(jù)建立土壤鹽分偏最小二乘回歸模型；具體流程：在Unscrambler X軟件中，選擇主菜單Tasks Analyze Partial least squares regression，然后將分?jǐn)?shù)階微分處理后的數(shù)據(jù)導(dǎo)入，定義自變量和應(yīng)變量及最大主成分?jǐn)?shù)，接著點(diǎn)擊兩次Next，把CrossValidation Setup設(shè)置為Full；

步驟10：模型的對比篩選：通過比較以下模型參數(shù)確定最佳模型；校正均方根誤差RMSE_C、建模決定系數(shù)R²、預(yù)測均方根誤差RMSE_P、預(yù)測決定系數(shù)R²_p、相對分析誤差RPD，篩選出最優(yōu)模型用以研究區(qū)土壤鹽分含量的反演；R²_c，R²_P用以判定模型的穩(wěn)定程度，越接近于1說明模型的穩(wěn)定性越好；RMSE_c及RMSEp用于表征模型的準(zhǔn)確性，其值越小表明模型的精度越高；另外，當(dāng)RPD1.4時，模型幾乎無法對樣本進(jìn)行預(yù)測；當(dāng)1.4RPD2時，表明模型具有較好的定量預(yù)測能力；當(dāng)RPD2.0時表示模型具有極好的預(yù)測能力；其中計算R²、RMSE、及RPD的公式如下：

式中，y_i和分別為檢驗樣本的觀測值和預(yù)測值；為樣本觀測值得平均值；n為預(yù)測樣本數(shù)；

式中，y_i和分別為驗證樣本的觀測值和預(yù)測值；n為預(yù)測樣本數(shù)；

式中，S.D為樣本觀測值得方差；RMSE為均方根誤差；

步驟11：采集待測地區(qū)具有代表性的土壤樣品，利用ASD FieldSpec3光譜儀在照明控制的暗室中測量土壤的光譜反射率，將反射率經(jīng)上述數(shù)據(jù)預(yù)處理后，輸入最佳模型中，獲得土壤鹽分含量，利用所得土壤鹽分含量對照表1鹽漬化分級標(biāo)準(zhǔn)，即可判定待測土樣的鹽漬化程度

表1鹽漬化分級標(biāo)準(zhǔn)

。