SVCHR-1024介绍
不同含水量尾砂的光谱特征与遥感模型

不同含水量尾砂的光谱特征与遥感模型虞茉莉; 刘善军; 宋亮; 黄建伟; 李天子; 王东【期刊名称】《《光谱学与光谱分析》》【年(卷),期】2019(039)010【总页数】6页(P3096-3101)【关键词】可见光-近红外光谱; 尾砂; 含水量; 预测【作者】虞茉莉; 刘善军; 宋亮; 黄建伟; 李天子; 王东【作者单位】东北大学资源与土木工程学院辽宁沈阳 110819【正文语种】中文【中图分类】P237引言尾矿是原矿石经选矿流程后有用组分含量低而无法用于生产的部分,目前全国有尾矿库11 000多座,存储各类尾砂约70亿吨,主要集中于华北、东北、华中地区。
在低含水量条件下,风力作用引起尾砂的扬尘会对周边环境造成污染[1],所以尾矿库又被称为“城市沙漠”。
传统的尾砂含水量监测方法有烘干法、中子法、TDR 法等[2],这些方法均需从地面点状采样,其效率低下且成本高。
尾矿库面积大、含水量变化快、表面稳定性差,传统方法难以满足尾矿库的大面积、实时、快速监测需求。
国务院《关于生态环境监测网络建设方案的通知》中提出,需要对矿区特殊地物类型的遥感模型与方法进行进一步研究。
因此,利用遥感手段对尾矿库表面含水量进行预测,对矿区环境监测与保护具有非常重要的意义。
目前,利用热红外和微波遥感对土壤的含水量进行监测已经取得了大量研究成果[3-6],但热红外和微波遥感的空间分辨率较低,不适用于小尺度的地物目标[3]。
利用可见光-近红外波段,通过反射光谱直接建立与含水量的关系,具有较高的空间分辨率,卫星数据易获取,适用于裸地表层部位的含水量预测[7-9]。
Haubrock[10-11]等构建了归一化土壤水分指数(NSMI),预测多种类型的土壤的含水量。
Zeng[12]等利用改进的反高斯模型+人工神经网络的方法,成功预测了内蒙古河套地区盐渍土的含水量。
Zhu[13]利用偏最小二乘模型很好的预测了人造石英砂和路易斯安那州地区土壤的含水量。
S1024技术说明书

H3C S1016/1024以太网交换机用户手册杭州华为三康技术有限公司资料版本:T1-UM-20061116-1.04声明Copyright ©2004-2006 杭州华为三康技术有限公司版权所有,保留一切权利。
非经本公司书面许可,任何单位和个人不得擅自摘抄、复制本书内容的部分或全部,并不得以任何形式传播。
H3C、Aolynk、、IRF、H3Care、、Neocean、、TOP G、SecEngine、SecPath、COMWARE、VVG、V2G、V n G、PSPT、NetPilot、XGbus均为杭州华为三康技术有限公司的商标。
对于本手册中出现的其它公司的商标、产品标识及商品名称,由各自权利人拥有。
除非另有约定,本手册仅作为使用指导,本手册中的所有陈述、信息和建议不构成任何明示或暗示的担保。
如需要获取最新手册,请登录。
技术支持用户支持邮箱:soho@技术支持热线电话:400-810-0504网址:前言本书约定1. 各类标志本书还采用各种醒目标志来表示在操作过程中应该特别注意的地方,这些标志的意义如下:小心、注意:提醒操作中应注意的事项,不当的操作可能会导致数据丢失或者交换机损坏。
说明、提示、窍门、思考:对操作内容的描述进行必要的补充和说明。
环境保护本产品符合关于环境保护方面的设计要求,产品的存放、使用和弃置应遵照相关国家法律、法规要求进行。
目录第1章产品介绍...............................................................................1-11.1 产品简介.............................................................................1-11.2 产品特性.............................................................................1-11.3 硬件介绍.............................................................................1-21.3.1 产品外观..................................................................1-21.3.2 指示灯说明...............................................................1-4第2章安装......................................................................................2-12.1 安装前的准备......................................................................2-12.1.1 安全注意事项...........................................................2-12.1.2 安装场所要求...........................................................2-22.1.3 电磁环境要求...........................................................2-22.2 安装交换机.........................................................................2-32.2.1 脚垫安装..................................................................2-32.2.2 电源线连接...............................................................2-32.2.3 安装完成后检查.......................................................2-3第1章产品介绍1.1 产品简介H3C S1016/1024以太网交换机是无管理的桌面级二层线速以太网交换产品。
IBMSVC及EMCVPLEX介绍

• 以 为单位对 提供 (也称为 )服务,使得 可 通过 可访问被提供 服务的 。
的策略
• 对于的标准 集群,所有节点都位 于同一个位置(即同一个数据中心)
• 一套集群最少包含2个节点,最大 8个节点
• 一套集群最大可以包含4个
• 当由2个以上引擎构成时需要 有额外的一对交换机及
• 每个 6引擎 • 1.前置后置各8个16 接口 • 2. ® ®
子系统逻辑结构
2 引擎参数
分布式缓存一致性
• 没有强求所有的都保持统一 • 基于目录形式来跟踪细小的内存
块通过锁的粒度来加强扩展能力 • 每个引擎的分为本地 ( )和全局 ( ) • 每引擎的本地 只有26,其余为全
2. Reverse FlashCopy operation
source OR
source
仲裁机制
仲裁顺序: 1.配置节点 2.距离仲裁站点近的节点 3.距离仲裁站点远的节点
基于 的本地双活解决方案
• 节点与节点之间的路径不经 过交换机的级联线
• 一个节点直接连接到本端的 交换机和远端的交换机上
产品家族
2010
2011
• 横向扩展的体系 • 整合异构阵列,屏蔽异构
阵列管理的差异性
• 实现跨异构阵列的数据无
中断迁移
• 实现跨阵列的数据镜像 • 实现跨阵列的容量聚合
• 实现数据跨站点的共享和无
中断迁移
• 提供资源使用效率 • 提供系统的灵活性 • 构建“双活”数据中心 • 提高可用性
仲裁机制:
局
读写过程
读: 1.读的时候先读 ,如命中直接读取 2.如在中命中,则从对应的引擎中将其读取到 , 再反馈主机 3.如没有命中,则从本地后端的存储中读取到中, 并同时修改和 中的信息与索引信息
基于连续统去除和偏最小二乘回归的油菜SPAD高光谱估算

基于连续统去除和偏最小二乘回归的油菜SPAD高光谱估算郑煜;常庆瑞;王婷婷;杨景【摘要】[目的]探讨油菜叶绿素含量的高光谱估算方法,为实现油菜叶片叶绿素含量的高效、无损、大面积监测提供理论依据.[方法]以陕西省关中地区油菜叶片为研究对象,分别测定苗期、蕾薹期、开花期及角果期的叶片高光谱数据和SPAD值,提取各生育期连续统去除光谱和7类光谱吸收特征参数,分析原始光谱、连续统去除光谱、光谱吸收特征参数与SPAD值之间的相关关系,构建基于原始光谱特征波段、连续统去除光谱特征波段、光谱吸收特征参数的SPAD估算模型,并对模型精度进行验证.[结果]在可见光范围,光谱反射率由蕾薹期、开花期、苗期到角果期依次递增,最大吸收深度和吸收谷面积逐渐增大.利用连续统去除光谱特征波段与吸收特征参数,分别建立的油菜各生育期叶片SPAD估算模型均优于原始光谱.运用连续统去除光谱特征波段结合最优吸收特征参数构建的偏最小二乘回归估算模型,是进行油菜叶片SPAD估算的最优模型.[结论]连续统去除法对不同生育期油菜叶片叶绿素相对含量具有较好的预测能力,是估算油菜叶片SPAD值的一种实时高效方法.【期刊名称】《西北农林科技大学学报(自然科学版)》【年(卷),期】2019(047)008【总页数】9页(P37-45)【关键词】连续统去除法;油菜;叶绿素测定;SPAD估算【作者】郑煜;常庆瑞;王婷婷;杨景【作者单位】西北农林科技大学资源环境学院,陕西杨凌712100;西北农林科技大学资源环境学院,陕西杨凌712100;西北农林科技大学资源环境学院,陕西杨凌712100;西北农林科技大学资源环境学院,陕西杨凌712100【正文语种】中文【中图分类】Q433;S565.4叶绿素是植物进行光合作用吸收和传递光能的主要物质,其含量与植被的光合能力、发育阶段有较好的相关性[1],是表征作物生长情况、病虫害胁迫以及营养状况的重要指标。
传统的叶绿素含量获取方法包括分光光度计法、高效液相色谱法、原子吸收法等[2],这些方法提取叶绿素的过程复杂繁琐,容易导致叶绿素含量损失[3-4]。
基于可见光-近红外-中红外全谱段信息的天然与合成宝石分析

【学术研究】Academic Research062Vol.192随着消费水平的提高,人们对于珠宝玉石一类奢侈品的消费能力逐渐增强①,对于宝石光谱分析手段也逐渐提出新的要求。
目前,红外光谱检测技术手段对于宝石的应用最为广泛,其他较为常用的手段如拉曼光谱以及X射线荧光光谱②。
但是,这些检测手段都较为复杂、昂贵,每种检测手段都有其不足。
例如,红外光谱对红宝石、蓝宝石的研究,仅仅是在2.5~25μm波段范围内得出分辨宝石的真伪③,而拉曼光谱④以及X射线荧光⑤光谱主要针对的是对宝石散射得到的光谱数据,容易受相互元素干扰和叠加峰的影响。
这些分析手段虽然已经广泛应用,但是较难形成完整连续的分析波谱,对于含有吸附水、致色阳离子以及各种阴离子基团等复杂成分的宝石的分析是不利的。
人工合成的宝石是由自然界已有的对应宝石的成分组成的晶质体、非晶质体或集合体,其物理、化学成分与晶体结构和对应的天然宝石基本相同。
因此,对于一些合成宝石与天然宝石的区分需要更多的光谱信息。
如何降低检测成本,获得更多有效的光谱波段信息是宝石光谱检测未来的发展方向。
作为鉴定的新方向,结合SVC便携式地物光谱仪HR-1024i与傅里叶红外光谱仪Tensor27分别可以获取0.35~2.5μm以及2.5~25μm的光谱数据,这样可以测得珠宝玉石比较全面的光谱曲线。
利用该曲线能够快速、准确地定性分析宝石组成,从而进一步对珠宝玉石的种类、产地以及品质做出高效的鉴定。
本文以红宝石、尖晶石、合成红宝石、合成尖晶石的可见光-近红外-中红外光谱为例进行全面的光谱曲线分析。
1 实验部分1.1 实验样品依据珠宝玉石国际分类标准可以将珠宝玉石大致分为天然玉石、合成宝石、人造宝石等。
天然宝石包括红宝石、蓝宝石、堇青石、石榴石等;天然玉石有翡翠、软玉、玛瑙等;合成宝石则包括合成红宝石、合成尖晶石、合成祖母绿等;而人造宝石则包括玻璃、塑料等。
本次实验为了减少其他人为因素对光谱的影响,选取氧化物宝石【作者简介】李坤恒,男,中国矿业大学(北京)地球科学与测绘工程学院测绘工程专业硕士研究生,主要从事高光谱遥感研究。
IBM SVC 介绍

供应商 甲 拷贝服务
供应商 乙 拷贝服务
当需要改变存储架构 时,主机应用不得不 被迫中断
异构环境下的技术问题 . . .
磁盘的利用率高吗?
数据迁移造成的停机时
间是否很多?
驱动 A
没空间了
驱动 A
没空间了
驱动 B
驱动 B
驱动 C
能否跨存储服务器实施
拷贝服务?
需要有几套存储管理界
面?
扩充磁盘容量的时候是
两中心 数据灾备
HACMP/XD Metro Mirror
两中心 业务连续性
HACMP/XD Metro Mirror with
Business Continuity
存储现状:现有SAN环境分析(架构角度)
目前的异构环境……
管理工作必须在不同 的要素间进行
•多路径驱动程序 •管理软件 •拷贝服务应用接口
节省空间虚拟磁盘 SEV-提高存储系统利用率
• SEV是在SVC上实现了业界著名的thin provisioning功能。 • 原来的虚拟磁盘(Vdisk )占用与其容量完全相等的物理磁盘空间
– 像使用传统的磁盘阵列系统方式一样
• 使用SEV, 只有当进行写数据时,才使用物理磁盘空间
– 大大减少实际使用物理磁盘容量
Switch
Appliance
Virtualization
Array
• 基于主机的虚拟化 (Veritas)
▪ 软件运行于主机上 ▪ 从与主机连接的存储上创建虚拟卷
• 基于网络的虚拟化 (IBM, EMC, Incipient, FalconStor)
▪ 软件运行于SAN内的某个设备或者 交换机上
▪ 从与SAN连接的存储上创建虚拟卷
高光谱技术——生态学领域研究的新方法
高光谱技术——生态学领域研究的新方法姜庆虎;童芳;余明珠;章影;廖畅;刘峰【摘要】高光谱技术是一种新的地物探测技术,该技术以其敏锐的地物光谱特征探测能力为精准识别地物属性提供了强有力的手段,在生态系统过程与属性研究中具有广阔的应用前景.该文以可见光-近红外光谱分析技术为例概述了高光谱技术的原理、特点与优势,以及高光谱技术分析的流程;总结并归纳了其在土壤、植物生理、农产品品质检测、凋落物分解方面的研究应用,指出高光谱技术与遥感成像技术结合在生态监测研究中的优势;归纳了高光谱技术应用中面临的问题,并希望高光谱技术在生态学领域研究中得到更广泛的应用.【期刊名称】《植物科学学报》【年(卷),期】2015(033)005【总页数】8页(P633-640)【关键词】高光谱;分析流程;生态监测;信息提取;参数反演【作者】姜庆虎;童芳;余明珠;章影;廖畅;刘峰【作者单位】中国科学院武汉植物园水生植物与流域生态重点实验室,武汉430074;中国科学院武汉植物园水生植物与流域生态重点实验室,武汉430074;中国科学院大学,北京100049;中国科学院武汉植物园水生植物与流域生态重点实验室,武汉430074;中国科学院大学,北京100049;中国科学院武汉植物园水生植物与流域生态重点实验室,武汉430074;中国科学院大学,北京100049;中国科学院武汉植物园水生植物与流域生态重点实验室,武汉430074;中国科学院大学,北京100049;中国科学院武汉植物园水生植物与流域生态重点实验室,武汉430074【正文语种】中文【中图分类】Q948近年来,随着人类活动和全球环境变化的加剧,生态系统过程及其功能发生了显著的变化。
为此,学者们在国家、区域尺度上开展了一系列的土壤、植被调查,并通过不同时空尺度信息的挖掘来分析人类活动及气候变化对生态系统演替过程中生物量、生物多样性、稳定性以及碳、氮、水养分循环等生态系统过程及其属性的影响[1]。
基于连续小波变换的土壤有机质含量高光谱反演
中国农业科技导报ꎬ2021ꎬ23(5):132-142JournalofAgriculturalScienceandTechnology㊀收稿日期:2020 ̄08 ̄24ꎻ接受日期:2020 ̄10 ̄24㊀基金项目:内蒙古自治区科技重大专项(2019ZD003)ꎮ㊀联系方式:陈昊宇E ̄mail:chenhaoyu0807@163.comꎻ∗通信作者杨光E ̄mail:yg331@126.com基于连续小波变换的土壤有机质含量高光谱反演陈昊宇ꎬ㊀杨光∗ꎬ㊀韩雪莹ꎬ㊀刘昕ꎬ㊀刘峰ꎬ㊀王宁(内蒙古农业大学沙漠治理学院ꎬ内蒙古自治区风沙物理与防沙治沙工程重点实验室ꎬ呼和浩特010010)摘㊀要:以托克托县境内120个土壤有机质含量以及对应光谱数据为数据源ꎬ探究了不同土壤类型与土地利用类型下土壤有机质高光谱反演研究的可行性ꎬ采用连续小波变换对原始光谱(R)㊁光谱倒数(1/R)㊁光谱对数(LnR)㊁光谱一阶微分(Rᶄ)进行分解生成小波系数并与土壤有机质进行相关系分析ꎬ提取特征波段建立BP神经网络与支持向量机模型(SVM)ꎮ结果表明:①R㊁1/R㊁LnR㊁Rᶄ与土壤有机质相关系数经过连续小波变换后ꎬ较之前增加了0.204㊁0.090㊁0.199㊁0.252ꎬ表明连续小波变换可深度挖掘光谱潜在信息ꎬ提升与有机质含量之间的相关系数ꎮ②未经过连续小波处理前ꎬSVM无法实现对当地土壤有机质含量的预测ꎬ经过处理后ꎬ模型SVM ̄CWT ̄R与SVM ̄CWT ̄Rᶄ的精度决定系数分别达到了050㊁0.56ꎬ均方根误差为0.17㊁0.15ꎬ相对分析误差为1.62㊁1.53ꎬ实现了对土壤有机质的有效估算ꎮ③经过连续小波变换后BP神经网络预测模型结果得到提升ꎬ其中BP ̄CWT ̄LnR预测模型效果最佳ꎬ精度决定系数达到0.76ꎬ较之前BP ̄LnR提升了0.2ꎻ均方根误差达到0 15ꎬ降低0.04ꎻ相对分析误差为2.12ꎬ增加了0.87ꎮ因此利用BP ̄CWT ̄LnR高光谱反演模型进行区域土壤有机质遥感监测ꎬ可为当今精准农业提供理论参考与技术支持ꎮ关键词:连续小波变换ꎻBP神经网络ꎻ支持向量机ꎻ精准农业doi:10.13304/j.nykjdb.2020.0742中图分类号:S127㊀㊀㊀文献标识码:A㊀㊀㊀文章编号:1008 ̄0864(2021)05 ̄0132 ̄11HyperspectralInversionofSoilOrganicMatterContentBasedonContinuousWaveletTransformCHENHaoyuꎬYANGGuang∗ꎬHANXueyingꎬLIUXinꎬLIUFengꎬWANGNing(KeyLaboratoryofAeolianPhysicsandDesertificationControlEngineeringfromInnerMongoliaAutonomousRegionꎬCollegeofDesertControlScienceandEngineeringꎬInnerMongoliaAgriculturalUniversityꎬHohhot010010ꎬChina)Abstract:Takingorganicmattercontentsof120soilsamplesandcorrespondingspectraldatainTuoketuoCountyasdatasourcesꎬthefeasibilitiesofhyperspectralinversionofsoilorganicmattersunderdifferenttypeofsoilsandlandsofdifferentusewereexplored.Theoriginalspectrum(R)ꎬspectralreciprocal(1/R)ꎬspectrallogarithm(LnR)andspectralfirst ̄orderdifferential(Rᶄ)weredecomposedbycontinuouswavelettransformtogeneratewaveletcoefficientsꎬandthecorrelationbetweensoilorganicmatterandwaveletcoefficientswasanalyzedꎬandBPneuralnetworkandsupportvectormachine(SVM)wereestablishedbyextractingthecharacteristicbands.Theresultswerefollowed.①ThecorrelationcoefficientsbetweenRꎬ1/RꎬLnRꎬRᶄandsoilorganicmatterwereincreasedby0.204ꎬ0.090ꎬ0.199and0.252aftercontinuouswavelettransformꎬrespectivelyꎬwhichshowedthatcontinuouswavelettransformcoulddeeplyminethepotentiallyspectralinformationandenhancethecorrelationwithorganicmattercontent.②BeforecontinuouswaveletprocessingꎬSVMcouldnotpredictthecontentofsoilorganicmatterꎬwhileafterprocessingꎬtheaccuracies(R2)ofSVM ̄CWT ̄RandSVM ̄CWT ̄Rᶄwere0.50and0.56ꎬRootmeansquareerrors(RMSE)were0.17and0.15ꎬresidualpredictivedeviations(RPD)were1.62and1.53ꎬrespectivelyꎬwhichrealizedtheeffectiveestimationofSOM.③AftercontinuouswavelettransformꎬtheresultsofBPneuralnetworkpredictionmodelwereimproved.AmongthemꎬBP ̄CWT ̄LnRpredictionmodelhadthebesteffectꎬR2was0.76ꎬwhichwashigherthanBP ̄lnRꎬRMSEwas0.15reducedby0.04ꎬRPDwas2.12increasedby0.87.ThereforeꎬtheBP ̄CWT ̄LnRhyperspectralinversionmodelcouldprovidetheoreticalreferenceandtechnicalsupportforprecisionagriculture.Keywords:continuouswavelettransformꎻBPneuralnetworkꎻsupportvectormachineꎻprecisionagriculture㊀㊀精准农业作为目前农业发展的主要方向ꎬ是一种基于信息和知识管理的现代化生产系统ꎬ主要是通过3S(GPS㊁GIS和RS)技术与现代农业相结合ꎬ最大限度地提高农业生产力ꎮ所以快速㊁无损㊁精确地获取土壤中水分㊁养分的空间分布成为了实现精准农业的关键环节ꎬ近年来ꎬ光谱分析在土壤化学分析领域得到了迅猛发展ꎬ为实现土壤养分的快速诊断提供了新思路[1]ꎮ有机质是土壤养分供应能力和肥力的重要指标之一ꎬ在全球碳循环中发挥着重要作用ꎮ因此ꎬ快速准确地估测土壤有机质含量对于发展精准农业具有重要意义[2]ꎮ传统的土壤有机质测定方法虽然精度比较高ꎬ但周期较长㊁成本较高ꎬ只能达到瞬测量ꎬ很难进行长时间大面积测量ꎮ高光谱遥感具有波段多㊁波段窄㊁信息丰富和实时高效等特点ꎬ为快速测量土壤有机质含量提供了一种新的方法和手段[3]ꎮ国内外已经有大量研究表明ꎬ通过对光谱数据进行不同的数学变换(主要通过对光谱进行倒数㊁对数㊁微分㊁平方根㊁吸收峰深度㊁包络线去除等方法)可以有效提高光谱数据与土壤有机质含量之间的相关系数ꎬ有效筛选出光谱信息中的敏感波段[4]ꎮ现在各学者主要将研究重心放到了模型建立上[5]ꎬ普遍运用的线性模型有多元逐步回归与偏最小二乘回归[6]ꎻ常见的非线性模型包括BP神经网络[7]㊁支持向量机[8]㊁决策树[9]等ꎬ而且随着非线性模型算法的逐步改良与完善ꎬ在土壤有机质含量估算中已经成为不可取代的一部分ꎮ随着小波算法的改进与发展ꎬ最初仅运用于植物叶绿素㊁冠层成分含量预测中[10 ̄11]ꎬ目前已成为土壤养分预测的热点问题[12 ̄13]ꎬ连续小波变换是目前被广泛应用的一种方法ꎮ王祥浩[14]选择土地裸露地区为样区ꎬ利用神经网络算法对光谱连续小波变换㊁一阶导数㊁对光谱的平均值处理㊁光谱背景及深度4种方法建模ꎬ模型结果表明ꎬ小波变换方法得到的神经网络模型精度最高ꎻ包青岭等[15]选择渭干河-库车河三角洲具有代表性的干旱区绿洲为研究区ꎬ对光谱进行8层分解ꎬ结果表明小波变换不同分解层ꎬ从低频到高频范围内与土壤有机质含量的相关性呈现先减后增的趋势ꎬ结合随机森岭模型可以对干旱区土壤有机质含量进行有效的估算ꎻ王延仓等[16]以北京东部区潮土为例ꎬ对不同梯度重采样的光谱进行连续小波变换后ꎬ利用偏最小二乘法建立模型ꎬ结果表明连续小波分析算法可深入挖掘土壤光谱内的有益信息ꎬ提升对有机质含量的估测能力ꎬ与土壤高光谱反射率相比ꎬ经连续小波技术处理后ꎬ模型精度得到了有效的提升ꎻ叶红云等[17]同样针对干旱区土壤ꎬ通过对两种常用光谱变换Rᶄ㊁Ln(1/R)进行连续小波变换建立偏最小二乘模型ꎬ结果表明连续小波变换不会因人类干扰程度的提高而使模型精度大幅度降低ꎬ更加适用于干旱区有机质含量的预测ꎻ林鹏达等[18]通过解决黑土有机质高光谱野外反演的困难ꎬ同样证明了连续小波变换可有效提升模型精度ꎮ小波技术在土壤有机质高光谱反演研究中逐渐趋于成熟ꎬ但目前学者的研究多数都在同一土壤类型下或同一区域内ꎬ对于不同土壤类型及土地利用下土壤有机质高光谱反演是否存在影响的研究目前并不多ꎮ本文研究区内土壤类型主要包括3类:沙壤土㊁栗钙土㊁盐碱土ꎬ且部分区域土壤盐渍化程度严重ꎬ导致土壤养分空间分布上存在较大差异ꎬ取样表层土地利用类型主要包括:耕地㊁林地㊁草地㊁盐渍地㊁荒地ꎮ通过对原始光谱(R)㊁原始光谱倒数(1/R)㊁原始光谱对数(LnR)以及原始光谱一阶微分(Rᶄ)4种不同情况进行连续小波变换ꎬ利用BP神经网络以及支持向量机2种模型ꎬ探究了不同土壤类型与不同土地利用类型下是否会对土壤有机质高光谱反演模型产生影响ꎬ小波变换前后土壤有机质反演模型的精度ꎬ旨为区域土壤有机质含量监测及实现精准农业提供理论与技术支持ꎮ1㊀材料与方法1.1㊀研究区概况托克托县隶属于内蒙古自治区呼和浩特市ꎬ位于自治区中部㊁大青山南麓㊁黄河上中游分界处北岸的土默川平原上(图1)ꎮ地理坐标东经3315期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演111ʎ2ᶄ30ᵡ 111ʎ32ᶄ21ᵡ㊁北纬40ʎ5ᶄ55ᵡ 40ʎ35ᶄ15ᵡꎬ总面积1409.67km2ꎬ平均海拔1117mꎬ属于温带大陆性干旱气候ꎬ年均气温7.3ħꎬ年均降雨362mmꎮ托克托县耕地总面积达400km2ꎬ其中古城镇㊁新营子镇和五申镇的耕地较多ꎬ占全县耕地面积的60%以上[19]ꎬ主要作物包括小麦㊁玉米㊁莜麦ꎮ工农业及生产生活用水主要来源于大黑河和黄河水资源ꎬ整个地形以大黑河为轴ꎬ呈现由丘陵向平原过渡的趋势ꎬ地势为东南高㊁西北和西南低ꎮ东南向西北土壤类型依次为栗钙土㊁砂壤石灰性冲积土㊁盐渍化石灰性冲积土[20]ꎬ土壤类型的不同导致土壤养分存在差异性分布ꎮ植被类型从西向东依次为草甸草原㊁干草原和退化灌丛草原分布ꎮ以Landsat8OLI影像为基础数据源ꎬ运用人工目视解译与BP神经网络分类法得到托克托县2019年7月份土地利用数据ꎬ其中耕地面积最大为730.12km2ꎬ占51.79%ꎻ林草地338.7km2ꎬ占24.02%ꎻ盐碱地141.1km2ꎬ占10.00%ꎮ详细土地利用空间分布见图1ꎮ图1㊀土样采集点及土地利用空间分布Fig.1㊀Collectionpointsofsoilsamplesandspatialdistributionoflanduse1.2㊀研究方法1.2.1㊀土样采集与处理㊀土壤样本点均匀地分布在托克托县境内ꎬ采集方法为五点采样法ꎬ采集深度为0 20cmꎬ共采集120个点ꎮ采集的土样置于通风干燥室内进行自然风干㊁研磨ꎬ过10目筛ꎬ进行土壤光谱测定ꎻ过100目筛ꎬ采用重铬酸钾外加热法进行土壤有机质含量测定ꎮ1.2.2㊀光谱测量及光谱处理㊀土壤光谱于暗室内测量ꎬ采用SVCHR ̄1024(北京东方佳气科技有限公司)便携式光谱仪ꎬ光谱范围在350~2500nmꎮ在350~1000nm波段之间光谱分辨率ɤ3.5nmꎻ在1000~1850nm波段之间ꎬ光谱分辨率ɤ9.5nmꎻ在1850~2500nm波段之间ꎬ光谱分辨率ɤ6.5nmꎮ光源采用与太阳光接近的50W卤素灯ꎬ将土壤样品放入深2cm㊁宽10cm的黑色器皿内ꎬ用直尺将土壤表面刮平ꎬ探头距离土样10cmꎬ光源距离土壤表面30cmꎬ天顶角为15ʎꎮ测量前用白板进行标定ꎬ每个土样采集5条光谱作为该土样的光谱数据ꎮ由于受噪音与仪器暗电流的的影响ꎬ导致光谱数据混入噪音等信息ꎬ因此删除350~399nm和2400~2500nm的波段ꎬ采用五点平滑法对光谱进行平滑处理ꎬ并将光谱重采样至5nmꎬ同时对原始光谱(R)进行一阶微分(Rᶄ)㊁倒数(1/R)㊁对数(LnR)等传统数学变换ꎮ1.2.3㊀连续小波变换㊀采用连续小波变换ꎬ并用Mexh小波母函数对原始光谱㊁原始光谱的倒数㊁对数㊁一阶微分进行10层小波变换ꎬ生成一系列小波系数ꎮΨaꎬb=1㊀aΨλ-baæèçöø÷(1)式中ꎬa为伸缩因子ꎬb为平移因子ꎬλ为土壤高光谱数据的波段数ꎮWfaꎬb()=fꎬΨaꎬb()=ʏ+ɕ-ɕfλ()Ψaꎬbλ()dy(2)式中ꎬfλ()为土壤光谱反射率ꎬ小波系数Wfaꎬb()包含二维ꎬ分别为波长(350~2500)与分解尺度(1ꎬ2ꎬ3 10)ꎬ故小波系数行为尺度数ꎬ列为波长数的矩阵[16]ꎮ1.2.4㊀模型及精度验证㊀采用BP神经网络与支持向量机模型(supportvectormachineꎬSVM)建立土壤有机质预测模型ꎬ支持向量机采用线性核函数ꎬ相对于径向基函数(radialbasisfunctionꎬ431中国农业科技导报23卷RBF)来说计算高效ꎬ不易过拟合ꎮBP神经网络的迭代次数设置为1000ꎬ学习率0.01ꎬ训练的均方根误差(rootmeansquareerrorꎬRMSE)小于0.001ꎮ依据相关系数筛选的特征波段以及小波系数作为自变量ꎬ土壤有机质含量为因变量ꎬ分别建立模型ꎬ模型精度采用决定系数(R2)㊁均方根误差(RMSE)㊁相对分析误差(relativepercentdeviationꎬRPD)以及1ʒ1线共同评价ꎮR2表征模型的稳定性ꎬ越接近于1模型越稳定ꎬ拟合程度越好ꎮ均方根误差(RMSE)用来检验模型的预报能力ꎬRMSE越小则表明模型的估测能力越好ꎮRPD是样本的标准差与RMSE的比值ꎬRPD<1.4时ꎬ模型无法对样品进行预测ꎻ1.4ɤRPD<2时ꎬ模型效果一般ꎬ可以用来对样品进行粗略评估ꎻRPDȡ2时ꎬ模型具有极好的预测能力ꎮ1ʒ1线表示实测值与预测值构成的点偏离y=x线的程度[21]ꎮ2㊀结果与分析2.1㊀土壤有机质含量统计分析建模样品集㊁不同土地利用方式㊁不同土壤类型下土壤有机质含量描述性统计见表1ꎮ本研采样点内土地利用方式主要包括林地㊁草地㊁耕地㊁盐渍地ꎬ土壤有机质在草地内均值含量最大(0 80%)ꎬ其次为林地(0.72%)㊁耕地(0.67%)㊁盐渍地有机质含量最低(0.63%)ꎻ土壤有机质含量最大值位于耕地(1.28%)ꎬ最小值位于林地(0 19%)ꎮ采样点内主要土壤类型为栗钙土㊁沙壤土㊁盐碱土ꎬ沙壤土有机质含量最高(0.77%)ꎬ其次为盐碱土(0.68%)和栗钙土(0.67%)ꎬ土壤有机质含量最大值位于沙壤土内(1.28%)ꎬ最小值位于盐碱土内(0.19%)ꎮ表1㊀土壤有机质含量描述性统计结果Table1㊀Descriptivestatisticsresultsoforganicmattercontentinsoilsamples项目Item样品集及类型Samplesetandtype土样数Numberofsamples最大值Maximum/%最小值Minimumvalue/%均值Meanvalue/%标准差Standarddeviation/%模型样品集Modelsampleset样品全集Wholeset1201.200.1940.710.276建模集Modelingset901.200.190.720.227验证集Validationset301.280.250.70.257土地利用方式Landusepattern耕地Cultivatedland551.280.200.670.20林地Woodland201.150.190.720.23草地Grassland251.180.250.800.21盐渍地Salinesoil201.030.250.630.22土壤类型Soiltype栗钙土Chestnutsoil541.20.20.670.22沙壤土Sandyloam511.280.250.770.24盐碱土Saline ̄alkalisoil151.150.190.680.222.2㊀土壤反射光谱特征对R㊁1/R㊁LnR㊁Rᶄ进行小波变换ꎬ变换结果如图2所示ꎬR㊁1/R㊁LnR光谱曲线较为平滑ꎬ分解曲线随波峰波谷变化.Rᶄ其光谱曲线并不规则存在较多波峰波谷ꎬ分解小波系数与前三者不同ꎮR㊁1/R㊁LnR㊁Rᶄ分解后ꎬ小波系数均随分解尺度的增加而增加ꎬ同时可以看出ꎬ由Mexh小波母函数进行的连续小波变换ꎬ对于光谱波峰与波谷有较高的敏感性ꎬ对于放大㊁挖掘光谱信息有着显著的作用ꎮ2.3㊀相关性分析2.3.1㊀不同导数变换光谱与土壤有机质含量相关性㊀土壤有机质含量与光谱相关性曲线及敏感波段见图3ꎮR与土壤有机质含量呈负相关关系(相关系数r=-0.463)ꎬ主要集中于735~780nm处波段ꎻ1/R与土壤有机质的相关性则与R相反ꎬ呈正相关关系(r=0.462)ꎬ集中于600~800nm与1800~2200nm处波段ꎻLnR的相关性曲线图与R相关性曲线类似ꎬ总体呈现负相关关系ꎬ相关系数(r=-0.465)ꎬ主要集中于745~7955315期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演nm处的波段ꎻRᶄ相关性在500nm(r=-0.589)与1400nm(r=-0.411)处为负相关ꎬ在800nm(r=0.408)与1380nm(r=0.412)处为正相关ꎬ相关系数曲线变换趋势与前三者不同ꎬ呈无规律变化ꎮ2.3.2㊀不同分解尺度小波系数与土壤有机质含量的相关性㊀图4为不同光谱变换方式经过连续小波变换后与土壤有机质含量的相关系数矩阵图ꎬ其中红色代表相关性高的区域ꎬ蓝色代表相关性低的区域ꎮR在800~1000㊁1400~1600nm处相关性明显增加ꎬ在500㊁800㊁2200nm波段处相关系数达到最大值(r=0.667)ꎻ1/R在800~1200nm处相关系数达到最大值(r=0.552)ꎬ在2400~2500nm处相系数达到0.4ꎬ受噪音和仪器本身的影响ꎬ此波段的相关系数不进行相关性参考ꎻLnR在分解尺度1下相关性较低ꎬ在2~10尺度下ꎬ相关性出现最大值(r=0.664)ꎻRᶄ相关性主要集中在500~900㊁1200~1600㊁2100~2300nm处ꎮ筛选的敏感波段与尺度如表2所示ꎮ有效的光谱信息主要存在于低分解尺度ꎬ随分解尺度的增加呈递减趋势ꎬ相关性最大值较未处理前分别增加了0.204㊁0.09㊁0.199㊁0.252ꎬ对于挖掘潜在光谱信息有着重要意义ꎮ2.4㊀土壤有机质高光谱模型建立2.4.1㊀BP神经网络预测模型㊀采用BP神经网络构建反演模型ꎬ结果如表3所示ꎮ未进行连续小波变换处理的模型中ꎬBP ̄R与BP ̄Rᶄ效果较好ꎬR2分别为0.69和0.73ꎬRPD为1.45与1.53ꎬ模型能粗略估算土壤有机含量ꎬBP ̄LnR与BP ̄1/R样本外预测能力较差ꎬ同时RPD未达到1.4以上ꎬ不能对土壤有机质未能进行有效预测ꎻ连续小图2㊀连续小波变换光谱特性Fig.2㊀Spectralcharacteristicsofcontinuouswavelettransform631中国农业科技导报23卷图3㊀土壤光谱相关性曲线及敏感波段Fig.3㊀Correlationcurveandsensitivebandofsoilspectrum图4㊀土壤有机质与小波系数相关性Fig.4㊀Correlationbetweensoilorganicmatterandwaveletcoefficients7315期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演表2㊀筛选的敏感波段Table2㊀Sensitivebandforscreening处理方式Treatmentmethod相关系数Correlationcoefficient分解尺度Decompositionscale敏感波段Sensitiveband/nmCWT ̄R0.6671~10214㊁212㊁91㊁91㊁109㊁109㊁109㊁110㊁111㊁112CWT ̄1/R0.5521~7400㊁212㊁108㊁108㊁108㊁108㊁109CWT ̄LnR0.6642~8213㊁212㊁45㊁45㊁45㊁109㊁110CWT ̄Rᶄ0.6641~10212㊁215㊁215㊁216㊁99㊁99㊁99㊁98㊁98㊁98波变换处理之后的模型ꎬ仅BP ̄CWT ̄1/R模型RPD未达到预测水平ꎬ其余3种模型R2与RPD较未处理前均有所增加ꎬRMSE均减少ꎬ其中BP ̄CWT ̄LnR模型预测效果较好ꎬRPD达到2.12可以有效地对土壤有机质进行预测ꎮ将BP ̄CWT处理的4个模型的实测值与预测值进行1ʒ1线分析ꎮ由图5可知ꎬ除BP ̄CWT ̄1/R模型外ꎬ其余模型的实测值与预测值样点基本分布在1ʒ1线附近ꎬBP ̄CWT ̄LnR效果较为明显ꎬ且估算精度高ꎬ可较好地进行土壤有机质含量的估算ꎮ2.4.2㊀支持向量机预测模型㊀SVM构建反演模型ꎬ结果如表4所示ꎮ未经过连续小波处理的光谱特征波段未能较好地对土壤有机质进行预测反演ꎬ经过CWT后模型SVM ̄CWT ̄R与SVM ̄CWT ̄Rᶄ预测结果较之前有较大的提升ꎬR2分别达到了0.50与0.56ꎬ二者RPD均达到1.4以上ꎬ可以粗表3㊀土壤有机质BP神经网络估测模型结果Table3㊀ResultsofBPneuralnetworkestimationmodelforsoilorganicmatter模型Model建模集ModelingsetR2RMSE验证集ValidationsetR2RMSERPDBP ̄R0.690.170.520.191.45BP ̄1/R0.680.170.330.221.25BP ̄LnR0.560.190.240.221.25BP ̄Rᶄ0.730.160.520.181.53BP ̄CWT ̄R0.800.140.540.171.62BP ̄CWT ̄1/R0.640.180.210.280.98BP ̄CWT ̄LnR0.760.150.740.132.12BP ̄CWT ̄Rᶄ0.770.140.660.161.72表4㊀土壤有机质支持向量机估测模型结果Table4㊀Supportvectormachineestimationmodelresultsofsoilorganicmatter模型Model建模集ModelingsetR2RMSE验证集ValidationsetR2RMSERPDSVM ̄R0.210.200.190.201.38SVM ̄1/R0.210.200.200.211.31SVM ̄LnR0.210.200.200.211.31SVM ̄Rᶄ0.430.170.270.201.38SVM ̄CWT ̄R0.500.160.480.171.62SVM ̄CWT ̄1/R0.290.190.160.211.31SVM ̄CWT ̄LnR0.490.160.270.201.38SVM ̄CWT ̄Rᶄ0.560.150.410.181.53831中国农业科技导报23卷图5㊀BP ̄CWT模型土壤实测值与预测值对比Fig.5㊀ComparisonofmeasuredvalueandpredictedvalueofBP ̄CWTmodel略地对土壤有机质进行预测ꎮ同时根据图6ꎬSVM ̄CWT模型进行1:1线分析ꎬ二者实测值与预测值分布情况在4种模型下较好ꎬ虽然模型SVM ̄CWTLnR分布同样较为集中ꎬ但其样本外预测情况较差(RPD=1.38)ꎬ综合考虑不对其进行土壤有机质预测ꎮ结合表3和表4的结果分析ꎬ连续小波变换能够有效地提升模型精度与模型泛化能力ꎬ对于光谱信息挖掘有着重要意义ꎬBP神经网络与支持向量机对CWT ̄R与CWT ̄Rᶄ都能够提升R2减少RMSEꎬ可对土壤有机质做出较好的预测ꎮ虽然BP神经网络与支持向量机在处理非线性回归问题中有较强的能力ꎬ但本身模型中存在不稳定性ꎬ对模型的环境设置同样要求较高ꎬ所以未能对所有数据集进行良好的预测ꎮ3㊀讨论本研究采用连续小波变换对光谱进行处理ꎬ用BP神经网络与支持向量机(SVM)两种模型对土壤有机质含量进行反演预测ꎮ未经过连续小波变换前ꎬR㊁1/R㊁LnR㊁Rᶄ与土壤有机质的相关系系数最大值分别为-0.463㊁0.462㊁-0.465㊁0.589ꎬ可以看出ꎬRᶄ与土壤有机质的相关系数最高ꎬ与吴倩等[22]㊁张新乐等[23]的研究结果相同ꎻ经过连续小波变换后ꎬCWT ̄R㊁CWT ̄1/R㊁CWT ̄LnR㊁CWT ̄Rᶄ相关系数最大值分别为0 667㊁0.552㊁0 664㊁0.662ꎬ较之前分别增加了0 20㊁0.09㊁0.19㊁0.07ꎮ王延仓等[1]㊁于雷等[4]㊁叶红云等[17]等同样证明连续小波变换可有效提高与土壤有机质含量的相关系数ꎮ不同分解尺度对于光谱数据的深度挖掘有着重要意义ꎬ本研究只利用Mexh小波母函数进行处理ꎬ未对其他函数进行考虑ꎬ分解层数同样是根据前人经验所得[4ꎬ10]ꎬ小波技术的研究与发展仍然有很大的探索空间ꎮ相对于两种模型来看ꎬ未进行连续小波处理9315期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演图6㊀利用SVM ̄CWT模型土壤实测值与预测值的对比Fig.6㊀ComparisonofsoilmeasuredvalueandpredictedvalueofSVM ̄CWTmodel的支持向量机模型中ꎬ只有SVM ̄Rᶄ模型R2最高达到0.43ꎬ其余三者均未到达0.4ꎮ综合多种模型评价方法ꎬ由于其RPD未达到1.4以上ꎬ无法对土壤有机质含量进行预测ꎮ经过连续小波处理后ꎬ各模型的R2有明显提高ꎬ其中SVM ̄CWT ̄R与SVM ̄CWT ̄Rᶄ模型效果较好ꎬR2分别提高了0.29㊁0.13ꎬRPD达到1.62与1.53实现了对土壤有机质有效的预测ꎬ但预测结果较BP神经网络较低ꎮ在BP神经网络预测模型中ꎬ未进行连续小波变换前ꎬBP ̄R与BP ̄Rᶄ预测效果较好ꎬR2达到0.69与0.73ꎬRPD为1.45与1.53ꎻ进行连续小波处理后ꎬ除SVM ̄CWT ̄1/R模型未到达预测效果ꎬ其余3种模型预测结果较之前均有明显改善ꎬ可实现对土壤有机质较好的预测ꎬ其中BP ̄CWT ̄LnR预测模型效果最佳R2达到0.76ꎬRPD达到2.12ꎮ根据1:1线分析图也可看出ꎬ其实测值与预测值分布较为集中ꎬ于雷等[4]㊁叶红云等[17]㊁林鹏达等[18]同样通过连续小波变换有效提升了模型的精度与泛化能力ꎮ针对土壤有机质高光谱反演研究中ꎬ姚聪[24]对耕层土壤通过BP神经网络与支持向量机模型ꎬ反演精度R2分别为0.42与0.67ꎻ叶红云等[17]采用连续小波变换对干旱区土壤有机质反演ꎬ模型精度R2=0.75㊁EMSE=0.71ꎻ谢文[25]在森林土壤有机质反演研究中ꎬBP神经网络模型R2=0 78㊁EMSE=0.77ꎬ支持向量机模型R2=0.87㊁EMSE=0.76ꎮ本研究对耕地㊁林草地㊁盐碱地㊁栗钙土㊁沙壤土㊁盐渍土等不同土地利用类型与土壤类型进行综合反演ꎬ最佳反演模型为BP ̄CWTLnRꎬR2=0.76㊁EMSE=0.15㊁RPD=2.12ꎬ与前人研究的结果基本相符ꎬ证明通过连续小波变换处理ꎬ不同土壤类型与土地利用类型未对土壤反演模型精度产生影响ꎮ所以采用连续小波变换进行光谱数据挖掘ꎬ采用BP ̄CWT ̄LnR神经网络建041中国农业科技导报23卷立反演模型ꎬ可对不同土地利用于土壤类型条件下土壤有机质高光谱反演提供一定的理论支持与应用价值ꎮ参㊀考㊀文㊀献[1]㊀王延仓ꎬ杨秀峰ꎬ赵起超ꎬ等.二进制小波技术定量反演北方潮土土壤有机质含量[J].光谱学与光谱分析ꎬ2019ꎬ39(9):2855-2861.WANGYCꎬYANGXFꎬZHAOQCꎬetal..Quantitativeinversionofsoilbasedonbinarywavelettransform[J].SpectroscopySpectralAnal.ꎬ2019ꎬ39(9):2855-2861. [2]㊀于雷ꎬ洪永胜ꎬ耿雷ꎬ等.基于偏最小二乘回归的土壤有机质含量高光谱估算[J].农业工程学ꎬ2015ꎬ31(14):103-109.YULꎬHONGYSꎬGENGLꎬetal..Hyperspectralestimationofsoilorganicmattercontentbasedonpartialleastsquaresregression[J].Trans.CSAEꎬ2015ꎬ31(14):103-109. [3]㊀钟浩ꎬ李西灿ꎬ翟浩然ꎬ等.耕层土壤有机质高光谱间接估测模型[J].测绘科学技术学报ꎬ2019ꎬ36(1):74-78ꎬ85.ZHONGHꎬLIXCꎬZhAIHRꎬetal..Hyperspectralindirectestimationmodelofsoilorganicmattercontentinploughlayer[J].J.GeomaticsTechnol.ꎬ2019ꎬ36(1):74-78ꎬ85. [4]㊀于雷ꎬ洪永胜ꎬ周勇ꎬ等.连续小波变换高光谱数据的土壤有机质含量反演模型构建[J].光谱学与光谱分析ꎬ2016ꎬ36(5):1428-1433.YULꎬHONGYSꎬZHOUYꎬetal..Inversionofsoilorganicmattercontentusinghyperspectraldatabasedoncontinuouswavelettransformation[J].SpectroscopySpectralAnal.ꎬ2016ꎬ36(5):1428-1433.[5]㊀STENBERGBꎬVISCARRARRAꎬMOUAZENAMꎬeta1..Visibleandnearinfraredspectroscopyinsoilscience[J].Adv.Agron.ꎬ2010ꎬ107:163-215.[6]㊀聂哲ꎬ李秀芬ꎬ吕家欣ꎬ等.东北典型黑土区表层土壤有机质含量高光谱反演研究[J].土壤通报ꎬ2019ꎬ50(6):1285-1293.NIEZꎬLIUXFꎬLYUJXꎬetal..HyperspectralretrievalofsurfacesoilorganicmattercontentinatypicalblacksoilregionofnortheastChina[J].Chin.J.SoilSci.ꎬ2019ꎬ50(6):1285-1293.[7]㊀沈润平ꎬ丁国香ꎬ魏国栓ꎬ等.基于人工神经网络的土壤有机质含量高光谱反演[J].土壤学报ꎬ2009ꎬ46(3):391-397.SHENRPꎬDINGGXꎬWEIGSꎬetal..Retrievalofsoilorganicmattercontentfromhyper ̄spectrumbaseonAnn[J].ActaPedol.Sin.ꎬ2009ꎬ46(3):391-397.[8]㊀沈强ꎬ张世文ꎬ夏沙沙ꎬ等.基于支持向量机的土壤有机质高光谱反演[J].安徽理工大学学报(自然科学版)ꎬ2019ꎬ39(4):39-45.SHENQꎬZHANGSWꎬXIASSꎬetal..Hyperspectralinversionofsoilorganicmatterbasedonsupportvectormachine[J].J.AnhuiUniv.Sci.Technol.(Nat.Sci.)ꎬ2019ꎬ39(4):39-45.[9]㊀BREIMANLꎬFRIEDMANJHꎬOLSHENRAꎬetal..ClassificationandRegressionTrees[M].Belmont:WadsworthInternationalGroupꎬ1984.[10]㊀方圣辉ꎬ乐源ꎬ梁琦.基于连续小波分析的混合植被叶绿素反演[J].武汉大学学报ꎬ2015ꎬ40(3):296-302.FANGSHꎬLEYꎬLIANGQ.Retrievalofchlorophyllcontentusingcontinuouswaveletanalysisacrossarangeofvegetationspecies[J].GeomaticsInform.Sci.WuHanUniv.ꎬ2015ꎬ40(3):296-302.[11]㊀何汝艳ꎬ乔小军ꎬ蒋金豹ꎬ等.小波法反演条锈病胁迫下冬小麦冠层叶片全氮含量[J].农业工程学报ꎬ2015ꎬ31(2):141-146.HERYꎬQIAOXJꎬJIANGJBꎬetal..Retrievingcanopyleaftotalnitrogencontentofwinterwheatbycontinuouswavelettransform[J].Trans.CSAEꎬ2015ꎬ31(2):141-146. [12]㊀陈红艳ꎬ赵庚星ꎬ李希灿ꎬ等.小波分析用于土壤速效钾含量高光谱估测研究[J].中国农业科学ꎬ2012ꎬ45(7):1425-1431.CHENHYꎬZHAOGXꎬLIXCꎬetal..Applicationofwaveletanalysisforestimationofsoilavailablepotassiumcontentwithhyperspectralreflectance[J].Sci.Agric.Sin.ꎬ2012ꎬ45(7):1425-1431.[13]㊀高洪智ꎬ卢启鹏.土壤主要养分近红外光谱分析及其测量系统[J].光谱学与光谱分析ꎬ2011ꎬ31(5):1245-1249.GAOHZꎬLUQP.Nearinfraredspectralanalysisandmeasuringsystemforprimarynutrientofsoil[J].SpectroscopySpectralAnal.ꎬ2011ꎬ31(5):1245-1249.[14]㊀王祥浩.土壤有机质高光谱反演模型研究[J].黑龙江工程学院学报ꎬ2019ꎬ33(5):34-39.WANGXH.Researchonhighspectralinversionmodelofsoilorganicmatter[J].J.HeilongjiangInstituteTechnol.ꎬ2019ꎬ33(5):34-39.[15]㊀包青岭ꎬ丁建丽ꎬ王敬哲ꎬ等.基于随机森林算法的土壤有机质含量高光谱检测[J].干旱区地理ꎬ2019ꎬ42(6):1404-1414.BAOQLꎬDINGJLꎬWANGJZꎬetal..Hyperspectraldetectionoforganicmattercontentbasedonrandomforestalgorithm[J].AridLandGeographyꎬ2019ꎬ42(6):1404-1414.[16]㊀王延仓ꎬ张兰ꎬ王欢ꎬ等.连续小波变换定量反演土壤有机质含量[J].光谱学与光谱分析ꎬ2018ꎬ38(11):3521-3527.WANGYCꎬZHANGLꎬWANGHꎬetal..Quantitativeinversionofsoilorganicmattercontentbasedoncontinuouswavelettransform[J].SpectroscopySpectralAnal.ꎬ2018ꎬ38(11):3521-3527.[17]㊀叶红云ꎬ熊黑钢ꎬ张芳ꎬ等.基于CWT的人类不同程度干扰下干旱区土壤有机质含量估算研究[J].激光与光电子学进展ꎬ2019ꎬ56(5):115-124.YEHYꎬXIONGHGꎬZHANGFꎬetal..CWT ̄Basedestimationofsoilorganicmattercontentinaridareaunderdifferenthumandisturbancedegrees[J].LaserOptoelectronicsProgr.ꎬ2019ꎬ56(5):115-124.[18]㊀林鹏达ꎬ佟志军ꎬ张继权ꎬ等.基于CWT的黑土有机质含量野外高光谱反演模型[J].水土保持研究ꎬ2018ꎬ25(2):46-52ꎬ57.LINPDꎬTONGZJꎬZHANGJQꎬetal..Inversionofblacksoilorganicmattercontentwithfieldhyperspectralreflectancebasedoncontinuouswavelettransformation[J].Res.SoilWaterConnserv.ꎬ2018ꎬ25(2):46-52ꎬ57.1415期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演[19]㊀范晓冰ꎬ鲁丽波ꎬ范海娇.托克托县耕地动态变化及驱动因子分析[J].内蒙古师范大学学报ꎬ2017ꎬ46(1):151-155.FANGXBꎬLULBꎬFANGHJꎬetal..AnanalysisofdynamicchangesanddrivingfactorsofarablelandinTogtohcounty[J].J.InnerMongoliaNorm.Univ.ꎬ2017ꎬ46(1):151-155. [20]㊀李政葵.内蒙古托克托县潜水与土壤中氟化物的分布规律及其相关性研究[D].呼和浩特:内蒙古大学ꎬ硕士学位论文ꎬ2015.LIKZ.DistributionandcorrelationoffluoridebetweenunconfinedwaterandsoilofInnerMongoliaTuoketuocounty[D].Hohhot:InnerMongoliaUniversityꎬMasterDissertationꎬ2015.[21]㊀VISCARRARAꎬMCGLYNNRNꎬMCBRATNEYAB.Determiningthecompositionofmineral ̄organicmixesusingUV ̄vis ̄NIRdiffusereflectancespectroscopy[J].Geodermaꎬ2007ꎬ137(1/2):70-82.[22]㊀吴倩ꎬ姜琦刚ꎬ史鹏飞ꎬ等.基于高光谱的土壤碳酸钙含量估算模型研究[J/OL].国土资源遥感ꎬ2020:[2020-09-16].https://kns.cnki.net/kcms/detail/11.2514.P.20200810.1518.004.html.WUQꎬJIANGQGꎬSHIPFꎬetal..Estimationofsoilcalciumcarbonatecontentbasedonhyperspectraldata[J/OL].RemoteSensingLandResourcesꎬ2020:[2020-09-16].https://kns.cnki.net/kcms/detail/11.2514.P.20200810.1518.004.html.[23]㊀张新乐ꎬ于滋洋ꎬ李厚萱ꎬ等.东北水稻叶片SPAD遥感光谱估算模型[J].中国农业大学学报ꎬ2020ꎬ25(1):66-75.ZHANGXLꎬYUZYꎬLIHXꎬetal..RemotesensingestimationmodelofSPADforriceleavesinNortheastChina[J].J.Chin.Agric.Univ.ꎬ2020ꎬ25(1):66-75.[24]㊀姚聪.基于卷积神经网络的耕层土壤有机质含量估测模型研究[D].山东泰安:山东农业大学ꎬ硕士学位论文ꎬ2020.YAOC.Studyonestmationmodelofsoilorganicmattercontentinplowedlayerbasedonconvolutionalneuralnetwork[D].ShandongTaian:ShandongAgriculturalUniversityꎬMasterDissertationꎬ2020.[25]㊀谢文.基于高光谱技术的森林土壤不同养分含量光谱特征及估测模型研究[D].南昌:江西农业大学ꎬ博士学文论文ꎬ2017.XIEW.Studyonspectralcharacteristicsandestimationmodelsofdifferentnutrientcontentsinforestsoilsbasedonhyperspectraltechnology[D].Nanchang:JiangsuAgriculturalUniversityꎬDoctorDissertationꎬ2017.(责任编辑:陈凌云)241中国农业科技导报23卷。
北疆地区不同雪粒径光谱特征观测及反演研究
北疆地区不同雪粒径光谱特征观测及反演研究郝晓华;王杰;王建;张璞;黄春林【摘要】雪粒径反演是冰冻圈遥感的重要研究内容之一.本研究通过设计不同雪粒径观测方案,在我国北疆地区利用SVC HR-1024野外便携式光谱仪观测了不同雪粒径的光谱特征;同时利用可拍照显微镜测量了雪粒径的大小和形状,并通过DSPP方法计算其等效粒径;最后,基于渐进式积雪辐射传输模型(ART)对反演波段和积雪形状因子进行优化,反演并验证雪粒径.研究表明DSPP方法获取积雪等效粒径是可行的,但由于同层积雪中样本选择存在较大差异,在样本选择方面需要进一步改进;近红外波段还是区分雪粒径的有效波段,在研究区积雪是干雪的条件下,基于ART优化反演波段和积雪形状因子优化方法反演雪粒径是可行的,根据试验获取在该地区雪粒径反演最佳波段为1.20 μm,最佳积雪形状因子b值为3.62.%The retrieval of snow grain size is one of the important research directions for cryosphere snow remote sensing. In the present study, we designed the measurement plan of different snow grain size by different snow layer. A SVC HR-1024 ground-based spectral radiometer was used for measuring the spectral property of different snow grain size in northern Xinjiang, China. At the same time, the snow grain size and shape were measured by a hand-loupe with scale. Then the DSPP method was used to calculate the equivalent snow grain size. Finally, the asymptotic radiative transfer (ART) theory was applied to retrieve the snow grain size from measured snow spectral reflectance of different snow layer by optimizing the inversion band and the snow grain size factor "b". The retrieved snow grain size was validated by the measured snow grain size from DSPP method. The resultsshowed that the DSPP method is an effective means of measuring the equivalent snow grain size. However, there is a large deviation of the snow grain size sample in the same snow layer. It is necessary to improve the measurement method of the single snow grain size sample; The study showed that the near-infrared bands are the most effective selection for retrieval of snow grain size. The retrieval algorithm from ART is feasible. When the snow is dry, the authors optimize the inversion band and the snow grain size factor b in the Northern Xinjiang, China. The optimal band wavelength is 1. 20 μm and b is 3. 62.【期刊名称】《光谱学与光谱分析》【年(卷),期】2013(033)001【总页数】6页(P190-195)【关键词】雪粒径;光谱特征;DSPP;ART【作者】郝晓华;王杰;王建;张璞;黄春林【作者单位】中国科学院寒区旱区环境与工程研究所,甘肃兰州 730000【正文语种】中文【中图分类】TP751.1积雪是冰冻圈重要的组成部分,具有较高的反照率且季节变化明显,也是影响地球能量平衡进而影响全球气候的重要因素。
基于MODIS-MOD09Q1数据的雅氏落叶松尺蠖灾区提取及其适生气候特征分析
收稿日期:2022-11-05基金项目:国家自然科学基金项目(41861056);内蒙古自治区科技计划项目(2021GG0183);内蒙古高校青年科技英才支持计划项目(NJYT22030);内蒙古自然科学基金项目(2022MS04005);内蒙古师范大学引进高层次人才科研启动经费项目(2020YJRC051)作者简介:青格乐(1998-),男,内蒙古兴安盟人,在读硕士研究生,研究方向为自然灾害遥感监测预警,(电话)188****1536(电子信箱)*****************;通信作者,黄晓君(1984-),男,内蒙古兴安盟人,副教授,博士,主要从事自然灾害监测与预警研究,(电话)134****0301(电子信箱)************。
青格乐,黄晓君,百里嘎,等.基于MODIS-MOD09Q1数据的雅氏落叶松尺蠖灾区提取及其适生气候特征分析[J ].湖北农业科学,2024,63(1):169-176.基于MODIS-MOD09Q1数据的雅氏落叶松尺蠖灾区提取及其适生气候特征分析青格乐1a ,黄晓君1a ,1b,百里嘎1a ,Ganbat Dashzebeg 2,Tsagaantsooj Nanzad 2,Altanchimeg Dorjsuren 3,Davaadorj Enkhnasan 3,Mungunkhuyag Ariunaa 2(1.内蒙古师范大学,a.地理科学学院/内蒙古自治区遥感与地理信息系统重点实验室;b.内蒙古自治区蒙古高原灾害与生态安全重点实验室,呼和浩特010022;2.蒙古国科学院地理与地质研究所,乌兰巴托15170;3.蒙古国科学院综合实验生物学研究所,乌兰巴托13330)摘要:通过MODIS-MOD09Q1遥感数据,使用归一化植被指数(NDVI )、比值植被指数(RVI )和近红外波段反射率(NIR )3个易获取且与虫害发生程度具有响应的指标,划分灾区受害度等级植被指数的变化,构建虫害综合指数(PCI )模型,实现雅氏落叶松尺蠖(Eeannis jacobssoni )灾区信息快速提取。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
(二)HR-1024特点
➢ 在该光谱范围内提供最高光谱分辨率的地物波谱仪 ➢ 采用100%线阵探测器技术和冷却InGaAs探测器 ➢ 固定的前置光学保证了可靠性和可靠的光学通道 ➢ 关键光学部件被固定在光谱仪平台上 ➢ 提供快速全谱段测量而没有可移动光栅 ➢ 内置CPU允许在没有外部计算机的情况下进行测量 ➢ 全谱段测量只需1秒 ➢ 最小安装时间和暖机时间的设计 ➢ 内存可以最高储存多达500组光谱数据 ➢ 提供轻便的PAD/蓝牙无线连接操作,GPS和数据展示 ➢ 现场可替换的光导光纤 ➢ 集成和可拆除锂电池增强了可移动性 ➢ 小型轻便,便于一个人操作
2020/5/30
2020/5/30
AutoDark :当该选项启用,系统将 会在每次测量前自动进行暗电流校 正(第一次测量除外),如果该选 项禁用,每次将会需要操作者根据 需要手动进行暗电流校正 Scan Time: 该参数允许操作者设 定具体扫描时间 Optic :该选项允许操作者根据具 体情况更改入口光学,我们可以通 过该选项测量DN值等不同数据。 Integration :该自动积分时间功能 被启用,HR-1024可以根据实际情 况自己设置最佳积分时间,如果该 选项被禁用,我们需手动控制积分 时间,其中:
2020/5/30
目录
1 . 概述 2 . HR-1024特点 3 . 产品图片 4 . 产品应用领域 5 . HR-1024主要技术参数 6 . 硬件概述 7 . 数据的采集 8 . HR-1024测试样张
2020/5/30
(一)概述
根据20年在遥测领域方面的经验,SVC公司再次在便携式分 光辐射度计的领域上提高了其技术水平。其最新式的SVC HR-1024能够在整个VIS-NIR-SWIR领域内提供目前世界最高 水平的光谱分辨率。SVC HR-1024的每一个设计元素均反映 了对于野外数据采集需求的需求: 1)坚固设计:固定的前置光学和牢固安装的内置分光计元 件提供了一个 坚固的光路。在保证SVC HR-1024可以获得最 稳定可靠的数据同时,也保证了机器的坚固性。这正是多年 来科研工作者所追求的。 2)独立工作模式 3)仅为3.3公斤的超轻重量,极大缓解了科研工作者的疲劳 。
2020/5/30
2020/5/30
4)坚固、轻便,内置GPS的PDA通过无线蓝牙技术可 以使用户在进行测量工作时实时查看,处理,分析 数据。 5)系统有多个可选择的光镜和光纤光学包,因此便 于在野外进行更换。所有的系统元件都装置在一个 坚固的、防水的容器内。 除了上述优点外,HR-1024还配送两个版本SVC版权 的软件——PC软件及PDA软件。该软件用户界面友好 ,操作简单,功能丰富,方便操作者进行数据后期 处理。 总之,SVC HR-1024 野外便携式光谱仪作为一种安 全、精确、高效的波谱采集分析仪器在解决不同应 用领域中科研难题的过程中,发挥着越来越大的作 用,成为从事遥感、环境资源和水利调查,农作物 研究方面科研专家的得力助手。
>Reflectance模式, 反射比曲线也将会自动被显示在屏幕上 10. 存储数据: 在自动保存模式下,每次测得的数据将会被自动保存,
如果自动保存模式关闭,每次系统将会提示操作者保 存保存数据 11.下载软件:安装好启动以后PC将会识别PDA并且允许操作者将数据导 入到PC
PDA操作软件说明
打开PDA电源,点击开始菜 单可找出HR-1024应用软件, 如左图所示,双击进入该程 序
代表蓝牙接口 5. 选择完毕后PDA将会与HR-1024连接并可进行一系列相关设置 6. 所有的HR-1024设置将会显示在对话框当中. 7. 选择好之后对所有设置点击OK项进行保存 8. 开始测量
a.点击“DARK” 键进行一次暗电流校正 b.点击“REFERENCE”以获得一个参考值 c. 点击 “TARGET”获得被测目标的辐射值. 9. 观看数据: >Radiance模式, 辐射率曲线将会自动显示在屏幕上
DRK x.xx 代表将进行暗电流测量,暗电流将会被保 存并用于数据后处理,现在的电池电池电量为x.xx 伏 或者“LBAT” (电量低) .状态信息
SCANNING:SCANNING代表仪器正在进行光谱数据的测 量工作。
BUSY :BUSY 代表正在进行一次长时间的内部操作。
2020/5/30
数据采集之独立工作模式
(六)数据采集之独立工作模 式
第1行信息:扫描类型,状态信息及电池电量。
扫描类型可以通过扫描键进行选择:
REF x.xx 代表一个光谱数据将要作为参考值被存储, 现在的电池电池电量为x.xx 伏或者“LBAT” (电量低) .
TAR x.xx代表一个光谱数据将要作为目标值被存储, 现在的电池电池电量为x.xx 伏或者“LBAT” (电量低) .
• 激光指示器:目标校准,测量按钮。 • 控制面板:HR-1024的控制面板主要包含三个控制键
,3个指示灯及一块LCD显示屏,通过控制键和显示 屏,我们可以进行前面提到的独立工作模式的操作 。
2020/5/30
控制面板介绍
2020/5/30
2020/5/30
控制面板介绍
– 串口: HR-1024与电脑或者PDA连接的方式主 要有三种,COM,USB及蓝牙连接。其中,USB 连接器及蓝牙连接器都位于机器的控制面板上 ,而COM接口则位于机 器的右侧。
• 透镜镜筒 :此处可进行前置光学与光纤光学的转换 。目前有以下几种视场角的光学镜 头可以选择。 (1) 4° 视场前置光学镜头(标配) (2) 14° 视 场前置光学镜头(选配) (3) 25° 视场光纤光学 (选配)(4) 180° Diffuser (选配)
• 电池:HR-1024采用的是7.4伏大容量锂电池,使用 时将电池插入机器的电池槽内即可,当操作时电池 电量低于工作电量时,系统会提示电量低并自动关 机,然后将电池放在随机搭配的充电器中充电即可 。
– 指示灯:控制面板上有3个指示灯,分别是电源 指示灯,激光指示灯及连接指示灯。电源开始 及激光校准开启的时候,电源指示灯与激光指 示灯会显示,当没有蓝牙连接的时候,连接指 示灯会显示。
– 电源:负责仪器的开关。
– 控制键:可以进行扫描,调出菜单及编辑设计 三方面控制。
– LCD显示屏:可对控制键上的操作给予显示, 主要包含2行信息。我们将在独立工作模式中做 详细介绍
2020/5/30
显示当前所选曲线, 一组单一光谱数据 曲线包含 Reference 和Target辐射率位于 Y坐标轴右侧,我们 可以通过左侧的反 射比选项得出反射 比曲线
样品曲线如图:
Reference Radiance (红)
Target Radiance (黄)
Reflectance(黑)
光谱分辨率(FWHM) ≦3.5nm, 350 – 1000 nm ≦9.5nm, 1000 – 1850 nm ≦6.5nm, 1850 – 2500 nm
光谱采样带宽(最小) ≦1.5 nm, 350 – 1000 nm ≦3.6 nm, 1000 – 1850 nm ≦2.5 nm, 1850 – 2500 nm
2020/5/30
第2行信息:参数信息 参数菜单选项可以通过按动菜单按钮进行调节,它主要包含以下参数,MEM#, DRK, STIM, O:, 及LSCN。 MEM# xxx 菜单中XXX数字显示的是接下来将要存储的曲线数,它的范围是从1500,这个数字不可以通过按键进行调整。除非你清除所有的内存数据,清除内 存的办法是同时按下<MENU> 和<EDIT>键,清除后所有数据将不可恢复。 DRK xxxx 降低暗电流有两种模式: 1)AUTO (自动模式)–当自动模式被选择时候,暗电流测量将会在每一次扫描 之前自动进行,同样设置下在目标扫描时暗电流也将被自动获得 2)SCLD – 当SCLD 模式被启用的时候,我们需要手动调节暗电流 STIM xxx STIM xxx 代表扫描时间.其有效值为1-100 O:xxxxxx 入口光学选项,详情如下: (1) LENS 4 – 4度视场光学镜头 (2) FIBER1 – 标准25度视场光纤光学 (3) LENS14 – 14度视场光学镜头 (4) RAW DN – 无刻度校准 (5) COSINE –余弦接收器 LSCN xxx 激光瞄准开关. 当激光开关在ON的状态时候,当按下激光按钮时, 独立模式测量数据启动,当激光开关在OFF状态的时候,只会校准被测物体位置 ,而不会测量数据 修改参数:通过MENU按钮找到你要编辑的参数,然后按下EDIT键进行编辑,编辑 完毕后按下MENU键用于保存编辑的数据。
2020/5/30
2020/5/30
我们可以在HR-1024应用软件主页面见到4组菜单 栏,分别为“Menu”, “Files”, “Graph”, and “DevCntrl”和三个大操作按钮,分别为 “Reference” “Target” and “Dark” ,如 图所 示
菜单按钮 “GRAPH”
独立工作模式
独立工作模式数据下载
可通过随机赠送的数据处理软件将独立工 作模式下的测量数据导入到计算机
2020/5/30
2020/5/30
(七)数据测量之PC模式
2020/5/30
除了上述的独立工作模式外,HR-1024还支持用基于XP操作系统的 电脑(这里以笔记本电脑为例)及专门为野外应用开发的PDA进行 数据采集工作,以下为详细介绍。
HR-1024随机配送一套SVC版权后处理软件。该软件可以与普通的基 于XP系统的笔记本电脑和台式电脑兼容。该软件用户界面友好,操 作简单,功能丰富,方便操作者进行数据后期处理。
利用该软件,操作者可以修改HR-1024的各种参数,同时也可以完成 对光谱的测量与下载工作。
该软件主要有以下特点: 1)测量数据将会以SIG格式的文件存储在操作者使用的电脑中,将数
据采集与后处理软件集成在一个操作见面内,方便操作者轻松的调 出所测数据进行后期分析处理。 2)操作者可以选择将测量数据以ASCII格式保存以便做相应的研究 3)存储文件夹可以自动被创建,在每次数据获得后可按照测量顺序提 供相应编号(按时间顺序自动命名) 4)数据采集方式除鼠标控制之外还可以用软件的热键完成,轻松快捷