北京理加联合科技有限公司

LICA United Technology Limited

服务热线: 13910499761 010-51292601
企业邮箱
应用支持 Application Support
News 应用支持

使用无人机高光谱图像和小型校准数据集对田间土壤有机质进行高分辨率测绘

日期: 2024-04-15
浏览次数: 355

中国农业发生于新石器时代。中国农业的生产结构包括种植业、林业、畜牧业、渔业和副业;但数千年来一直以种植业为主。

东北地区的黑土地,是宝贵的农业资源。黑土地的土壤富含有机质,深黑色的沃土,沉甸甸的感觉让人感受到这片土地的肥沃。

在现代农业生产中,科技的应用在这片沃土上也发挥着至关重要的作用,科研团队利用机载高光谱对黑土地的土壤有机质做了相关研究。

使用无人机高光谱图像和小型校准数据集对田间土壤有机质进行高分辨率测绘

使用无人机高光谱图像和小型校准数据集对田间土壤有机质进行高分辨率测绘

快速获取田间尺度土壤有机质(SOM)的高分辨率空间分布对于精准农业至关重要。无人机成像高光谱技术以其高空间分辨率和时效性,可以填补地面监测和遥感的研究空白。本研究旨在测试在中国东北典型低地势黑土地区使用无人机高光谱数据(400–1000 nm)和小型校准样本集进行1 m分辨率SOM绘图的可行性。

该实验在大约20公顷的土地上进行。为了进行校准,使用 100 × 100 m 网格采样策略收集了 20 个样品,同时随机收集了 20 个样品进行独立验证。无人机捕获空间分辨率为0.05×0.05 m的高光谱图像。

然后对每 1 × 1 m 内提取的光谱进行平均以代表该网格的光谱。在应用各种光谱预处理(包括吸光度转换、多重散射校正、Savitzky-Golay 平滑滤波和一阶微分)后,SOM 光谱相关系数的绝对最大值从 0.41 增加到 0.58。最佳随机森林(RF)模型的重要性分析表明,SOM 的特征波段位于 450-600 和 750-900 nm 区域。当使用RF模型时,无人机高光谱数据(UAV-RF)能够成功预测SOM,R 为0.53,RMSE为1.48 g kg−1。

然后将预测精度与使用相同数量校准样本的普通克里金法(OK)和基于近端传感的射频模型(PS-RF)获得的预测精度进行比较。然而,由于采样密度较低,OK 方法无法预测 SOM 精度(RMSE = 2.17 g kg−1;R2 = 0.02)。半协方差函数无法有效描述SOM的空间变异性。当采样密度增加到50×50 m时,OK成功预测了SOM,RMSE = 1.37 g kg−1,R2 = 0.59,其结果与UAV-RF的结果相当。PS-RF的预测精度与UAV-RF基本一致,RMSE值分别为1.41 g kg−1和1.48 g kg−1,R2值分别为0.57和0.53,表明基于UAV的SOM预测是可行的。

此外,与PS平台相比,无人机高光谱技术可以同时提供数十甚至数百个连续波段的光谱信息和空间信息。该研究为进一步研究和开发无人机高光谱技术进行少量样本精细尺度SOM测绘提供了参考。

使用无人机高光谱图像和小型校准数据集对田间土壤有机质进行高分辨率测绘

研究区土壤样本分布

研究区域位于中国吉林省梨树县,面积20公顷。该地区属季风气候,年平均降水量553.5毫米,平均气温6.5℃。此外,它的特点是地势平坦,平均海拔160 m。由于这些特征,该地区成为北半球三大富含有机质的黑土地之一,主要农作物是大豆。

使用无人机高光谱图像和小型校准数据集对田间土壤有机质进行高分辨率测绘

Resonon-Pika-L 机载高光谱成像仪

本研究采用Resonon公司的Resonon-Pika-L高光谱成像仪由高光谱成像光谱仪、六旋翼无人机、GPS和计算机组成。于2020年6月15日获取了覆盖整个研究区、像素大小为0.05×0.05 m的高光谱图像。高光谱图像提取的光谱范围为400~1000 nm,光谱分辨率为2.1 nm。

使用无人机高光谱图像和小型校准数据集对田间土壤有机质进行高分辨率测绘

经过 (a) 吸光度转换、(b) 乘性散射校正、(c) Savitzky–Golay 后土壤有机质 (SOM) 与土壤光谱特征的相关系数(窗口大小为 5,拟合次数为 2) )和(d)一阶导数方法。

根据Pearson相关系数的绝对值评价预处理方法的性能,以选择最佳的预处理方法组合。如所示,基于吸光度转换的MSC后,最小相关系数值发生变化(450-500 nm处为-0.4-0.6),总体相关系数在600-700 nm处增加,相关系数绝对值最大 在 700–800 nm 处增加,相关系数发生变化(800–900 nm 处为 -0.35–0.3 至 -0.5–0.3)。

使用无人机高光谱图像和小型校准数据集对田间土壤有机质进行高分辨率测绘

使用无人机高光谱 (UAV-RF) 预测土壤有机质 (SOM) 的 RF 模型的重要性分析 (a) 和图 (b)

本研究比较了使用无人机高光谱数据、观测到的土壤数据和 RF 模型进行田间尺度 SOM 预测的 OK 技术。

研究结果如下

01 吸光度转换、MSC、SG 和 FD 技术对SOM的预测效果良好。经过这些预处理后,光谱和 SOM 之间的绝对最大相关系数从 0.41 增加到 0.58。

02 SOM的特征波段位于450-600 nm和750-900 nm,这可能是由于O-H、C-H和N-H特征官能团的振动频率造成的。

03 采用100 m × 100 m网格采样设计,UAV-RF模型预测SOM的R2为0.53,RMSE为1.48 g kg−1,而采用相同采样策略的OK方法未能预测SOM(RMSE = 2.17g kg−1;R2 = 0.02)。预测精度较差是因为样本密度低从而削弱了半协方差函数描述SOM空间变异性的能力。只有当采样密度增加时,才能使用 OK 成功预测 SOM,其结果与UAV-RF相当。

04 基于PS-RF的SOM预测结果与基于UAV-RF的预测结果基本一致,RMSE值为1.41 g kg−1和1.48 g kg−1,R2值为0.57和0.53。这些研究结果为未来研究和发展无人机高光谱技术在减少样本量的情况下进行SOM预测提供了参考。


请点击下方链接,阅读原文:

https://mp.weixin.qq.com/s/rQg24iUDAQZruT1teTP2Kg


News / 相关新闻 More
2026 - 11 - 16
研究背景土壤盐碱化是影响农业生产和土地资源利用的重要因素。山西省大同盆地分布着较大面积的苏打型盐碱土,土壤中较高的CO₃²⁻和HCO₃⁻含量对作物生长造成了一定限制。如何改善盐碱土壤环境、提高土地利用效率,是当地农业生产面临的重要问题。沙土掺混能够改变土壤质地和孔隙结构,进而影响水分入渗及盐分迁移。但掺沙比例不同,对土壤水分保持和氮、磷、钾等养分分布的影响也存在差异。尤其是在促进盐分淋洗的同时,是否会加剧养分向深层迁移,仍需要进一步研究。针对这一问题,山西农业大学崔清亮老师团队以大同盆地中度盐碱土为研究对象,通过室内土柱试验和田间试验,探究沙土掺混与养分管理对土壤水盐、养分迁移及谷子生长的影响,为晋北苏打型盐碱土改良和谷子栽培提供依据。图1.土柱实验的设置。研究方法研究土壤采自山西省怀仁市中度盐碱农田,属于大同盆地苏打型盐碱土。研究分为室内土柱入渗试验和田间种植试验:室内土柱试验...
2026 - 11 - 09
研究背景土壤有机碳(SOC)是反映土壤质量、土壤肥力及生态系统碳循环的重要指标。传统湿化学测定方法虽然准确性较高,但存在耗时长、成本高、操作复杂等问题。相比之下,可见光—近红外(Vis-NIR)光谱技术具有快速、无损、低成本等优势,为SOC快速估算提供了新的技术途径。然而,光谱预测模型高度依赖大量代表性样本。在实际调查中,受采样成本及实验条件限制,往往难以获得充足的校准数据,小样本条件下模型容易出现过拟合,影响预测精度与泛化能力。针对这一问题,外部光谱数据库迁移学习和深度生成模型数据增强成为两种潜在解决途径。但不同生成模型的增强效果如何?外部光谱库能否有效改善本地模型预测性能?数据增强倍数又将如何影响模型表现?为此,山西农业大学徐占军老师团队通过构建统一实验框架,系统比较四种深度生成模型与外部土壤光谱数据库的应用效果,探索小样本条件下SOC光谱估算的有效数据增强策略。图1.研究区域概况。研...
2026 - 11 - 09
研究背景地下水是高寒地区水循环的重要组成部分,其补给过程受到冻融循环的显著调控。随着气候变暖,青藏高原冻土退化、活动层加深,土壤水分的储存与迁移条件发生变化,进而影响降水、融雪水、土壤水与地下水之间的水文联系。然而,不同冻融阶段地下水补给来源的变化及其迁移路径仍缺乏系统认识。针对这一问题,北京师范大学李小雁老师团队以青海湖流域为研究区,结合氢氧稳定同位素示踪与MixSIAR贝叶斯混合模型,定量解析不同冻融阶段地下水的补给来源,揭示冻融过程对土壤水文连通性及地下水补给路径的影响。图1.(a) QLB在青藏高原(QTP)上的位置。(b) QLB内多年冻土的时空分布;其中灰色代表季节性冻土,橙色代表多年冻土。(c) QLB的位置及采样点分布。(d) 地下水采样。(e) 降水采样。(f) 在相邻地点每月采集土壤样品。研究方法研究设计:研究区位于青藏高原东北部青海湖流域。2025年5—10月,研究团...
2026 - 11 - 02
研究背景河流和溪流是大气甲烷(CH₄)的重要来源。已有研究发现,源头河流通常具有较高的CH₄排放强度,是河流CH₄排放的重要热点。但在高海拔冰冻圈地区,这一规律是否依然适用?受低温和有机碳底物匮乏等因素影响,该区域的CH₄过程可能受到限制。与此同时,冰川融水的持续输入也可能进一步改变河流的CH₄排放特征。那么,冰川融水究竟如何影响河流CH₄排放?其背后的作用机制又是什么?针对这一问题,兰州大学高坛光老师团队以青藏高原北部黑河上游为研究区域,通过2020—2023年连续观测,系统分析了冰川补给河流与非冰川补给河流的CH₄排放特征,并进一步探讨冰川融水对河流CH₄排放的调控机制。图1. (a) 研究区域概况。(b) 在三次不同的野外考察期间,使用浮动气室法进行气体采样的现场照片。研究方法实验设计:研究以青藏高原北缘黑河上游为研究区域。2020—202年,在该研究区域上游设置25个采样点(冰川补...
【关闭窗口】【打印】
Copyright ©2018-2023 北京理加联合科技有限公司
犀牛云提供企业云服务

北京理加联合科技有限公司

地址:北京市海淀区安宁庄东路18号光华创业园5号楼(生产研发)
          光华创业园科研楼四层
电话:13910499761 13910124070  010-51292601
传真:010-82899770-8014
邮箱:info@li-ca.com
邮编:100085

 



 


 


  • 您的姓名:
  • *
  • 公司名称:
  • *
  • 地址:
  • *
  • 电话:
  • *
  • 传真:
  • *
  • 电子邮箱:
  • *
  • 邮政编码:
  • *
  • 留言主题:
  • *
  • 详细说明:
  • *
在线留言
关注我们
  • 官方微信
  • 官方手机端
友情链接:
X
1

QQ设置

3

SKYPE 设置

4

阿里旺旺设置

等待加载动态数据...

等待加载动态数据...

5

电话号码管理

  • 010-51292601
6

二维码管理

等待加载动态数据...

等待加载动态数据...

展开