高光谱土壤元素估测
相关主题
- 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)。
关键词：高光谱遥感；土壤有机质；光谱分析；含量估测
Hyperspectral remote sensing in the estimation of
soil organic matter content
Abstract:Hyperspectral remote sensing technology with its high spectral resolution band continuity, richdata, which has been widely applied in the soil nutrient research.With the hyperspectral remote sensing analysisofsoil organic matter,we canfully understand the condition and dynamic changes of soil nutrients, andalso canprovide a scientific basis for the guidance of agricultural production and the protection of agricultural ecological environment. Thisarticleanalyzes the spectral characteristics of the soil organic matter,and anestimation method basedonhyperspectral.
高光谱遥感的基础是测谱学,主要在电磁波谱的紫外、可见光、近红外和中红外区域,获取许多非常窄且光谱连续的图像数据的技术。成像光谱仪为每个像元提供数十个至数百个窄波段(通常波段宽度<10nm)的光谱信息,能产生一条完整而连续的光谱曲线。国际遥感界公认:光谱分辨率在10-1λ次数量级范围的定为多光谱(Mult1spectral),这样的遥感器在可见光和近红外光谱区域通常只有几个波段,如美国LandsatMSS、TM,法国的SPOT等;而光谱分辨率在10-2λ认的遥感信息称之为高光谱(Hyperspectral);随着遥感光谱分辨率的进一步提高,当达到10-3λ以上时,遥感即进入超高光谱(Ul-traspectral)阶段，许多物质的特征往往表现在一些狭窄的光谱范围内,如何捕获物体的这种特征而又不失其整体形态及与周围地物的关系,这就是高光谱分辨率遥感产生和发展的基础和要回答的问题。高光谱遥感的特点是光谱分辨率高,波段连续性强,能获得多光谱传感器无法获得的精细的光谱信息,由于其光谱分辨率高达纳米数量级,因此传感器在0.4-2.5μm范围内可细分成几十个,甚至几百个波段,光谱分辨率为5-10nm。
另外，得到拟合 h 个成分的回归方程后，计算所有样本点预测值 y′i，并求其误差平方和SS(h):SS(h)= 。PRESS(h)/SS(h-1)值越小越好，一般设定限制值为0.05，当PRESS(h)/SS(h-1)>(1-0.05)2时，增加新的成分，对减小方程预测误差无明显改善作用。如此，可确定偏最小二乘法所提取的因子数。偏最小二乘回归分析在建模的过程中集中了主成分分析，典型相关分析和线性回归分析方法的特点，因此在分析结果中，除了可以提供一个更为合理的回归模型外，还可以同时完成一些类似主成分分析和典型相关分析的研究内容，提供更丰富、深入的一些信息。
高光谱遥感的在估测土壤有机质含量上的应用
摘要：高光谱遥感技术以其光谱分辨率高、波段连续性强、数据丰富的特点，因而在土壤养分研究中得到广泛应用。通过土壤有机质的高光谱遥感分析，可以充分了解土壤养分的状况及动态变化，为指导农业生产及保护农业生态环境提供科学依据。本文分析了土壤有机质的光谱特征，介绍了一种基于高光谱的土壤有机质估测方法。
2.2土壤有机质含量估测方法
2.2.1土壤样品采集
采集0 ～ 20cm 深的土层土壤。土壤样本经风干、研磨后过 2mm 孔筛。每个样品分 2 份，一份用于光谱测量；一份用于有机质含量分析。
2.2.2土壤有机质分析
土壤有机质含量用高温外热重铬酸钾氧化-容量法[1]测 定。
2.2.3光谱测量
运用便携式光谱仪 ASD FieldSpec Pro 测量土壤样品的反射光谱，波长范围为 350 ～ 2500nm(350 ～1000nm 之间光谱采样间隔为1.4nm，光谱分辨率为 3nm；1000 ～ 2500nm 范围内光谱采样间隔为 2nm，光谱分辨率为 10nm；光谱仪最后将数据重采样成 1nm)。将每个土样测得的10条反射光谱曲线经算术平均后则为该土样的实际反射光谱数据。
Key words:remote sensing; soil organic matter; spectral analysis; content prediction
1高光谱简介
高光谱遥感是高光谱分辨率遥感（Hyperspectral Remote Sensing）的简称，是上世纪80年代发展以来的遥感科学的前沿领域,她的出现是遥感界的一场革命。它是指利用很多窄的电磁波波段获取物体有关数据的技术，它可在电磁波的紫外、可见光、近红外、中红外以至热红外区域，获取许多非常窄且光谱连续的图像数据。这样，在传统的二维遥感的基础上增加了光谱维，形成了一种独特的三维遥感。鉴于高光谱遥感的诸多优点，人们逐渐尝试在植被、生态、大气、环境、考古、农业等方面进行应用，取得了一系列的进展和很多成就，使高光谱遥感成为科研必不可少的工具和技术。
2.2.4光源自文库数据预处理
（1）光谱数据的数学变换
光谱一阶微分和倒数的对数是两种常用的光谱处理方法[13]，其中，对光谱曲线作一阶微分变换，可以对重叠混合光谱进行分解以便识别，扩大样品之间的光谱特征差异；光谱反射率经倒数的对数变换后，不仅趋向于增强可见光区的光谱差异，而且趋向于减少因光照条件变化引起的乘性因素影响[14]。
（2）偏最小二乘回归模型
偏最小二乘回归(partial least squares regression，PLSR)考虑 p个因变量与 m 个自变量的建模问题，基本做法是首先在自变量集中提取第1成分t1，同时在因变量集中提取第 1 成分u1，要求t1和u1相关程度达到最大. 然后建立因变量与t1的回归，如果回归方程已达到满意的精度，则算法终止. 否则继续对第 2 对成分的提取，直到达到满意的精度为止。最终对自变量集提取 r 个成分t1，t2，…，tr，偏最小二乘回归将建立因变量与t1，t2，…，tr的回归式，然后再表示为因变量与原自变量的回归方程式，即偏最小二乘回归方程式［17］。为避免过拟合，检验所建模型的有效性，PLSR 所选择的成分数量 h 可通过交叉有效性检验确定. 例如对于某个应变量，具体做法为:将 m 个样本中m-1个用作训练样本，的 1 个样本作检验样本. 第1 次先将第 1 个样本作检验样本，用其余 m-1 个样本建模，用检验样本代入模型，可以求得 1 个估计值，记为y1，-1，第 2 次再将第 2 个样本留下作检验样本，用其余样本建模，将 2 个样本代入模型求得估计值y2，-2，如果循环 m 次，将这 m 个残差值平方求和，用PRESS(h)表示该值，表达式为:
3问题与展望
土壤光谱是其各种成分的光谱响应的综合反映,土壤是由固、液、气三相物质共同组成的多相分散体系,光有机质的组成就相当复杂,铁在土壤中存在也形式多样,每种成分的光谱响应都是不一样的,如有机质中的胡敏酸和富里酸就有不同光谱反射曲线。在以后的研究中,应该进行更细致的研究,了解土壤各种成分光谱响应机理,区分出哪些特征是其本质的特征表现。这样便于光谱分析研究。
土壤有机质是存在于土壤中所有含碳的有机物质，包括土壤中各种动植物残体、微生物体及其分解和合成的各种有机物质，是土壤中各种营养元素的重要来源(如:氮、磷等)。它即含有刺激植物生长的胡敏酸等物质，又具有胶体特性能吸附较多的阳离了，使土壤具有保肥力和缓冲性。同时它还能使土壤疏松并形成结构，从而改善土壤理化特性。它是微生物必不可少的碳源和能源。因此，土壤有机质含量的多少，是土壤肥力的一个重要指标[2]。通过高光谱估测土壤有机质含量，建立有机质高光谱预测模型，旨在快速评价有机质含量，可以为提高土壤有机质含量水平，改善土壤条件服务；同时对提高作物产量有着重要意义[3]。
（2）特征吸收带的提取
剔除水吸收峰影响严重的波段区域。进行相应去包络线操作，获得光谱波段深度曲线每一样点土壤反射率归一到对应的光谱背景上，有利于光谱曲线之间特征波段的比较，并且可以有效地突出光谱曲线的吸收和反射特征。
2.2.5反演模型
（1）多元线性逐步回归模型
多元线性逐步回归分析(stepwise multiple linear regression，SMLR)的基本思想是:对全部的自变量，按它们对因变量贡献的大小进行比较，并通过 F 检验法，选择偏回归平方和显著的变量进入回归方程，每一步只引入 1 个变量，同时建立一个偏回归方程。当 1 个变量被引入后，对原已引入回归方程的变量，逐个检验它们的偏回归平方和。如果由于引入新的变量而使得已进入方程的变量变为不显著时，则及时从偏回归方程中剔除。在引入了 2 个自变量以后，便开始考虑是否有需要剔除的变量。只有当回归方程中的所有自变量对因变量都有显著影响而不需要剔除时，再考虑从未选入方程的自变量中，挑选有显著影响的新的变量进入方程。不论引入还是剔除一个变量都称为一步。断重复这一过程，直至无法剔除已引入的变量，也无法再引入新的自变量时，逐步回归过程结束。
综上所述，土壤有机质敏感波段主要位于可见光及近红外区，多变量回归分析方法常用于土壤有机质含量分析，包括线性和非线性分析方法. 其中非线性分析方法，例如人工神经网络，可能得到的精度会较高，但模型复杂且不具备稳定性和可靠性. Vasques 等［12］用高光谱数据预测土壤含碳量时比较了各种线性及非线性的多变量分析方法，发现采用多元线性逐步回归法和偏最小二乘法得到的预测效果最好且最稳定. 高光谱预测土壤有机质含量的研究虽然很多，但针对不同地区建立的模型往往差别很大，主要原因是成土母质对土壤光谱影响很大;同时建模波段及建模方法的选择也会影响研究结果。
2高光谱遥感的土壤有机质含量估测
土壤是万物生存的物质基础,是人类财富的主要来源,是我们祖先最早利用的生产资料。土壤是地壳表层岩石矿物的风化产物(母质),在气候、生物、地形等环境条件和时间综合因素的作用下形成的一种特殊自然体。土壤是一种复杂的混合体,它的物理与化学性质是由其组分所决定，这些有着不同理化特征的土壤成分及其质地和结构决定着各种土壤类型及其独特的光谱特性[1]。
2.1土壤有机质光谱特征分析
早在 1965 年 Bowers 等［4］指出，影响土壤反射率的因素主要有土壤质地，表面粗糙度、氧化铁含量、土壤水分及有机质含量，其中有机质是影响土壤色调进而影响光谱反射特性的重要因素. Gunasulis等［5］研究表明，土壤有机质含量与红光波段反射率有较强的相关性. Chang 等［6］从有机质结构组成的角度解释了近红外区的光谱特征，认为有机质增加一般会降低谱线的反射率值. 徐彬彬等［7］通过比较去除有机质前后的土壤光谱反射率曲线，发现有机质的影响主要在可见光和近红外波段. 贺军亮等［8］利用统计单相关分析方法确定 511nm 为诊断土壤有机质含量的敏感波段，并对 507 ～ 516nm 敏感范围反射率做均值标准化处理后获得有机质诊断指数. 刘焕军等［9］通过研究东北地区黑土土壤有机质反射光谱特征，发现黑土土壤有机质敏感波段主要在 350 ～ 1100nm，其中 680 ～ 810nm 最为显著，并利用多元逐步回归分析建立了土壤有机质预测模型. 张娟娟等［10］构建了近红外区反射率差值指数预测土壤有机质含量. 沈润平等［11］应用多元线性逐步回归法和人工神经网络建立了有机质反演模型，结果表明人工神经网络模型普遍优于回归模型。
尽管国内外对土壤有机质含量的光谱效应进行了大量的研究工作，但在认识上还存在一定的分歧，主要是由于以上研究大多基于多种土壤类型，不同的土壤，由于受气候、母质、地形、生物等成土因素不同和成土年龄的差异，以及人类活动的影响，其理化特性具有明显差别。土壤组成物质的多样性以及每种组成物质独特光谱特性，使得各类土壤光谱具有自己的特点。因此，将其他研究结果应用到特定土壤时，都可能产生较大误差。对于土壤有机质估测，模型的适用性往往较差，建立一种实用而且通用的模型是现阶段探索的目标之一。要建立准确的土壤反射率特征参量的反射率反演模型需要进行大量而精确的实验室与田间的光谱测量,若将其推广到图像上则需进行严格地校正和大量反复的实验。
Hyperspectral remote sensing in the estimation of
soil organic matter content
Abstract:Hyperspectral remote sensing technology with its high spectral resolution band continuity, richdata, which has been widely applied in the soil nutrient research.With the hyperspectral remote sensing analysisofsoil organic matter,we canfully understand the condition and dynamic changes of soil nutrients, andalso canprovide a scientific basis for the guidance of agricultural production and the protection of agricultural ecological environment. Thisarticleanalyzes the spectral characteristics of the soil organic matter,and anestimation method basedonhyperspectral.
高光谱遥感的基础是测谱学,主要在电磁波谱的紫外、可见光、近红外和中红外区域,获取许多非常窄且光谱连续的图像数据的技术。成像光谱仪为每个像元提供数十个至数百个窄波段(通常波段宽度<10nm)的光谱信息,能产生一条完整而连续的光谱曲线。国际遥感界公认:光谱分辨率在10-1λ次数量级范围的定为多光谱(Mult1spectral),这样的遥感器在可见光和近红外光谱区域通常只有几个波段,如美国LandsatMSS、TM,法国的SPOT等;而光谱分辨率在10-2λ认的遥感信息称之为高光谱(Hyperspectral);随着遥感光谱分辨率的进一步提高,当达到10-3λ以上时,遥感即进入超高光谱(Ul-traspectral)阶段，许多物质的特征往往表现在一些狭窄的光谱范围内,如何捕获物体的这种特征而又不失其整体形态及与周围地物的关系,这就是高光谱分辨率遥感产生和发展的基础和要回答的问题。高光谱遥感的特点是光谱分辨率高,波段连续性强,能获得多光谱传感器无法获得的精细的光谱信息,由于其光谱分辨率高达纳米数量级,因此传感器在0.4-2.5μm范围内可细分成几十个,甚至几百个波段,光谱分辨率为5-10nm。
另外，得到拟合 h 个成分的回归方程后，计算所有样本点预测值 y′i，并求其误差平方和SS(h):SS(h)= 。PRESS(h)/SS(h-1)值越小越好，一般设定限制值为0.05，当PRESS(h)/SS(h-1)>(1-0.05)2时，增加新的成分，对减小方程预测误差无明显改善作用。如此，可确定偏最小二乘法所提取的因子数。偏最小二乘回归分析在建模的过程中集中了主成分分析，典型相关分析和线性回归分析方法的特点，因此在分析结果中，除了可以提供一个更为合理的回归模型外，还可以同时完成一些类似主成分分析和典型相关分析的研究内容，提供更丰富、深入的一些信息。
高光谱遥感的在估测土壤有机质含量上的应用
摘要：高光谱遥感技术以其光谱分辨率高、波段连续性强、数据丰富的特点，因而在土壤养分研究中得到广泛应用。通过土壤有机质的高光谱遥感分析，可以充分了解土壤养分的状况及动态变化，为指导农业生产及保护农业生态环境提供科学依据。本文分析了土壤有机质的光谱特征，介绍了一种基于高光谱的土壤有机质估测方法。
2.2土壤有机质含量估测方法
2.2.1土壤样品采集
采集0 ～ 20cm 深的土层土壤。土壤样本经风干、研磨后过 2mm 孔筛。每个样品分 2 份，一份用于光谱测量；一份用于有机质含量分析。
2.2.2土壤有机质分析
土壤有机质含量用高温外热重铬酸钾氧化-容量法[1]测 定。
2.2.3光谱测量
运用便携式光谱仪 ASD FieldSpec Pro 测量土壤样品的反射光谱，波长范围为 350 ～ 2500nm(350 ～1000nm 之间光谱采样间隔为1.4nm，光谱分辨率为 3nm；1000 ～ 2500nm 范围内光谱采样间隔为 2nm，光谱分辨率为 10nm；光谱仪最后将数据重采样成 1nm)。将每个土样测得的10条反射光谱曲线经算术平均后则为该土样的实际反射光谱数据。
Key words:remote sensing; soil organic matter; spectral analysis; content prediction
1高光谱简介
高光谱遥感是高光谱分辨率遥感（Hyperspectral Remote Sensing）的简称，是上世纪80年代发展以来的遥感科学的前沿领域,她的出现是遥感界的一场革命。它是指利用很多窄的电磁波波段获取物体有关数据的技术，它可在电磁波的紫外、可见光、近红外、中红外以至热红外区域，获取许多非常窄且光谱连续的图像数据。这样，在传统的二维遥感的基础上增加了光谱维，形成了一种独特的三维遥感。鉴于高光谱遥感的诸多优点，人们逐渐尝试在植被、生态、大气、环境、考古、农业等方面进行应用，取得了一系列的进展和很多成就，使高光谱遥感成为科研必不可少的工具和技术。
2.2.4光源自文库数据预处理
（1）光谱数据的数学变换
光谱一阶微分和倒数的对数是两种常用的光谱处理方法[13]，其中，对光谱曲线作一阶微分变换，可以对重叠混合光谱进行分解以便识别，扩大样品之间的光谱特征差异；光谱反射率经倒数的对数变换后，不仅趋向于增强可见光区的光谱差异，而且趋向于减少因光照条件变化引起的乘性因素影响[14]。
（2）偏最小二乘回归模型
偏最小二乘回归(partial least squares regression，PLSR)考虑 p个因变量与 m 个自变量的建模问题，基本做法是首先在自变量集中提取第1成分t1，同时在因变量集中提取第 1 成分u1，要求t1和u1相关程度达到最大. 然后建立因变量与t1的回归，如果回归方程已达到满意的精度，则算法终止. 否则继续对第 2 对成分的提取，直到达到满意的精度为止。最终对自变量集提取 r 个成分t1，t2，…，tr，偏最小二乘回归将建立因变量与t1，t2，…，tr的回归式，然后再表示为因变量与原自变量的回归方程式，即偏最小二乘回归方程式［17］。为避免过拟合，检验所建模型的有效性，PLSR 所选择的成分数量 h 可通过交叉有效性检验确定. 例如对于某个应变量，具体做法为:将 m 个样本中m-1个用作训练样本，的 1 个样本作检验样本. 第1 次先将第 1 个样本作检验样本，用其余 m-1 个样本建模，用检验样本代入模型，可以求得 1 个估计值，记为y1，-1，第 2 次再将第 2 个样本留下作检验样本，用其余样本建模，将 2 个样本代入模型求得估计值y2，-2，如果循环 m 次，将这 m 个残差值平方求和，用PRESS(h)表示该值，表达式为:
3问题与展望
土壤光谱是其各种成分的光谱响应的综合反映,土壤是由固、液、气三相物质共同组成的多相分散体系,光有机质的组成就相当复杂,铁在土壤中存在也形式多样,每种成分的光谱响应都是不一样的,如有机质中的胡敏酸和富里酸就有不同光谱反射曲线。在以后的研究中,应该进行更细致的研究,了解土壤各种成分光谱响应机理,区分出哪些特征是其本质的特征表现。这样便于光谱分析研究。
土壤有机质是存在于土壤中所有含碳的有机物质，包括土壤中各种动植物残体、微生物体及其分解和合成的各种有机物质，是土壤中各种营养元素的重要来源(如:氮、磷等)。它即含有刺激植物生长的胡敏酸等物质，又具有胶体特性能吸附较多的阳离了，使土壤具有保肥力和缓冲性。同时它还能使土壤疏松并形成结构，从而改善土壤理化特性。它是微生物必不可少的碳源和能源。因此，土壤有机质含量的多少，是土壤肥力的一个重要指标[2]。通过高光谱估测土壤有机质含量，建立有机质高光谱预测模型，旨在快速评价有机质含量，可以为提高土壤有机质含量水平，改善土壤条件服务；同时对提高作物产量有着重要意义[3]。
（2）特征吸收带的提取
剔除水吸收峰影响严重的波段区域。进行相应去包络线操作，获得光谱波段深度曲线每一样点土壤反射率归一到对应的光谱背景上，有利于光谱曲线之间特征波段的比较，并且可以有效地突出光谱曲线的吸收和反射特征。
2.2.5反演模型
（1）多元线性逐步回归模型
多元线性逐步回归分析(stepwise multiple linear regression，SMLR)的基本思想是:对全部的自变量，按它们对因变量贡献的大小进行比较，并通过 F 检验法，选择偏回归平方和显著的变量进入回归方程，每一步只引入 1 个变量，同时建立一个偏回归方程。当 1 个变量被引入后，对原已引入回归方程的变量，逐个检验它们的偏回归平方和。如果由于引入新的变量而使得已进入方程的变量变为不显著时，则及时从偏回归方程中剔除。在引入了 2 个自变量以后，便开始考虑是否有需要剔除的变量。只有当回归方程中的所有自变量对因变量都有显著影响而不需要剔除时，再考虑从未选入方程的自变量中，挑选有显著影响的新的变量进入方程。不论引入还是剔除一个变量都称为一步。断重复这一过程，直至无法剔除已引入的变量，也无法再引入新的自变量时，逐步回归过程结束。
综上所述，土壤有机质敏感波段主要位于可见光及近红外区，多变量回归分析方法常用于土壤有机质含量分析，包括线性和非线性分析方法. 其中非线性分析方法，例如人工神经网络，可能得到的精度会较高，但模型复杂且不具备稳定性和可靠性. Vasques 等［12］用高光谱数据预测土壤含碳量时比较了各种线性及非线性的多变量分析方法，发现采用多元线性逐步回归法和偏最小二乘法得到的预测效果最好且最稳定. 高光谱预测土壤有机质含量的研究虽然很多，但针对不同地区建立的模型往往差别很大，主要原因是成土母质对土壤光谱影响很大;同时建模波段及建模方法的选择也会影响研究结果。
2高光谱遥感的土壤有机质含量估测
土壤是万物生存的物质基础,是人类财富的主要来源,是我们祖先最早利用的生产资料。土壤是地壳表层岩石矿物的风化产物(母质),在气候、生物、地形等环境条件和时间综合因素的作用下形成的一种特殊自然体。土壤是一种复杂的混合体,它的物理与化学性质是由其组分所决定，这些有着不同理化特征的土壤成分及其质地和结构决定着各种土壤类型及其独特的光谱特性[1]。
2.1土壤有机质光谱特征分析
早在 1965 年 Bowers 等［4］指出，影响土壤反射率的因素主要有土壤质地，表面粗糙度、氧化铁含量、土壤水分及有机质含量，其中有机质是影响土壤色调进而影响光谱反射特性的重要因素. Gunasulis等［5］研究表明，土壤有机质含量与红光波段反射率有较强的相关性. Chang 等［6］从有机质结构组成的角度解释了近红外区的光谱特征，认为有机质增加一般会降低谱线的反射率值. 徐彬彬等［7］通过比较去除有机质前后的土壤光谱反射率曲线，发现有机质的影响主要在可见光和近红外波段. 贺军亮等［8］利用统计单相关分析方法确定 511nm 为诊断土壤有机质含量的敏感波段，并对 507 ～ 516nm 敏感范围反射率做均值标准化处理后获得有机质诊断指数. 刘焕军等［9］通过研究东北地区黑土土壤有机质反射光谱特征，发现黑土土壤有机质敏感波段主要在 350 ～ 1100nm，其中 680 ～ 810nm 最为显著，并利用多元逐步回归分析建立了土壤有机质预测模型. 张娟娟等［10］构建了近红外区反射率差值指数预测土壤有机质含量. 沈润平等［11］应用多元线性逐步回归法和人工神经网络建立了有机质反演模型，结果表明人工神经网络模型普遍优于回归模型。
尽管国内外对土壤有机质含量的光谱效应进行了大量的研究工作，但在认识上还存在一定的分歧，主要是由于以上研究大多基于多种土壤类型，不同的土壤，由于受气候、母质、地形、生物等成土因素不同和成土年龄的差异，以及人类活动的影响，其理化特性具有明显差别。土壤组成物质的多样性以及每种组成物质独特光谱特性，使得各类土壤光谱具有自己的特点。因此，将其他研究结果应用到特定土壤时，都可能产生较大误差。对于土壤有机质估测，模型的适用性往往较差，建立一种实用而且通用的模型是现阶段探索的目标之一。要建立准确的土壤反射率特征参量的反射率反演模型需要进行大量而精确的实验室与田间的光谱测量,若将其推广到图像上则需进行严格地校正和大量反复的实验。