无码精品一区二区三区在线,欲性游乐场(高H),日日橹狠狠爱欧美视频,欧美日韩精品

1、引言

銀川平原是我國西部地區重要的耕地保護資源和灌溉農業區。然而，長期引黃灌溉加之干旱少雨、蒸發強烈等因素導致該區形成了大面積鹽堿化土壤，成為制約該地區農業可持續發展的主要問題。土壤含水量、ｐＨ值和含鹽量作為鹽堿地農業監測的重要指標，在評估土壤墑情、農作物生長狀況和產量方面具有指導作用。因此，快速、準確地獲取銀川平原土壤水鹽信息，對實現鹽堿地綜合治理至關重要。

本研究以銀川平原鹽堿化農田為對象，基于無人機高光譜數據進行土壤水鹽指標的最優光譜變換形式篩選，采用ＣＡＲＳ算法進行建模變量提取，構建偏最小二乘回歸（ＰＬＳＲ）、ＲＦ和ＸＧＢ_ｏｏｓｔ模型，最終確定土壤含水量、ｐＨ值和土壤含鹽量的最佳反演模型，以期通過無人機高光譜實現鹽堿化農田土壤水鹽指標估測，為精準農業生產提供理論依據和技術支持。

2、研究地區與研究方法

2.1 研究區概況

本研究以位于寧夏回族自治區吳忠市紅寺堡區柳泉鄉豹子灘村和石嘴山市平羅縣渠口鄉交濟村的鹽堿農田為對象（圖１），其中，紅寺堡區是全國最大的生態移民集中安置區之一，而平羅縣則是寧夏鹽堿地分布最廣的地區。

圖 １ 研究區及采樣點分布

2.2 土壤樣品采集及處理

土壤樣品采集時間為２０２２年７月底，采樣時研究區覆蓋作物均為玉米（生育期為抽雄期）。采集前布設２５ｍ×２５ｍ采樣網格（實際采樣過程中，因道路和溝渠等因素對采樣點進行了適當調整），采集表土０～２０ｃｍ土樣。土樣采集共８０個有效樣點，將土樣風干后分別采用烘干法、酸度計法和電導法進行土壤含水量、含鹽量和ｐＨ值的測定。同時測量樣點處玉米葉綠素相對含量（ＳＰＡＤ）每株玉米選擇植株中上部完全展開葉４片進行測量（避開中脈），每片葉測量６個ＳＰＡＤ值，取平均值為該葉片的ＳＰＡＤ值。

2.3 光譜數據處理

2.３.１ 高光譜數據變換

為挖掘對土壤水鹽指標響應更強的光譜形式，對原始光譜進行４種數學變換，得到反射率（Ｒ）、ＳＮＶ、多元散射校正（ＭＳＣ）、反射率的一階微分（ＦＤＲ）和反射率的二階微分（ＳＤＲ）５種光譜。

2.３.２ 高光譜特征波段提取

ＣＡＲＳ算法是基于迭代統計信息的光譜變量篩選方法，其依據達爾文“適者生存”的思想，逐步淘汰不適應的波長變量，利用蒙特卡羅模型采樣進行建模分析，再以ＰＬＳＲ回歸系數絕對值的百分比作為目標變量的重要性，在Ｎ次迭代過程中逐步確定迭代采樣變量，最終對比基于所篩選變量建立的ＰＬＳＲ模型的交互驗證均方差值（ＲＭＳＥＣＶ），該值的最小變量集合即為所求敏感變量。

2.4 建模方法與精準評價

利用（Ｋ?Ｓ）算法將２／３的樣點（５６個）用于建模，１／３的樣點（２４個）用于驗證，選用ＰＬＳＲ、ＲＦ和ＸＧＢ_ｏｏｓｔ進行建模。所建模型精度將通過決定系數（Ｒ２）、均方根誤差（ＲＭＳＥ）和相對分析誤差（ＲＰＤ）進行評估。其中，Ｒ２越大，ＲＭＳＥ越小，模型預測效果越好。ＲＰＤ≤１．４，表明模型的擬合性和魯棒性非常差；１．４＜ＲＰＤ≤１．８，表明模型的預測結果較為合理；１．８＜ＲＰＤ≤２．０，表明模型的預測能力較好；ＲＰＤ＞２．０，表明模型具有極佳的預測能力。

3、結果分析

3.1 土壤水鹽指標及 ＳＰＡＤ 值統計分析

由研究區土壤含水量、ｐＨ值、土壤含鹽量和ＳＰＡＤ值統計結果可知（表１），土壤含鹽量變化幅度較大，范圍為０．４１～２６．３７ｇ·ｋｇ^－１，呈強變異程度，說明該地區土壤受到不同程度鹽化影響較為顯著。土壤含水量呈中等變異，這可能是由于采樣時處于夏季降雨集中期，土壤含水量較高，數值間波動也較大ＳＰＡＤ值呈中等變異，ｐＨ值變異較小。

表１土壤水鹽指標及玉米葉片ＳＰＡＤ值統計

3.2 土壤水鹽指標及玉米葉片 ＳＰＡＤ 值無人機高光譜響應特征

3.２.１ 不同水鹽指標和玉米葉片 ＳＰＡＤ 值下高光譜特征

為直觀呈現不同指標與玉米冠層光譜之間的響應關系，根據分級方法，將ｐＨ值和土壤含鹽量劃分為不同梯度（表２）。隨著土壤含水量增加，反射率呈上升趨勢，并在近紅外波段（７７０～１０００ｎｍ）內差異更顯著（圖２ａ）。隨著鹽堿化程度的加重，植被冠層ＳＰＡＤ值呈現出逐漸降低的趨勢。不同鹽堿程度下光譜曲線基本上具有相似的趨勢，表現出典型綠色植物的獨特光譜特征（圖２ｂ、２ｃ），在可見光波段（４００～７００ｎｍ）內，光譜反射率呈“先升后降”的變化規律；在綠波段（５５０ｎｍ附近）存在明顯的反射峰；在紅波段（６８０ｎｍ附近），曲線逐步上升；在７７０～８８０ｎｍ之間變化趨勢較平緩；之后在８８０～１０００ｎｍ波動下降。土壤堿化程度越低，其反射率越高，重度堿化土壤反射率最低（圖２ｂ）；而在土壤鹽化程度方面，反射率與土壤含鹽量呈反比（圖２ｃ）。在可見光范圍內，光譜反射率與ＳＰＡＤ值呈負相關，而在近紅外波段內，隨著ＳＰＡＤ值的增加，反射率也相應提高（圖２ｄ）。

表２ 土壤鹽堿化分級標準

圖2 不同土壤含水量(a),pH 值( b)含量(c)和葉片 SPAD 值(d)下植被冠層光譜曲線

3.２.２ 不同光譜變換形式及其與土壤水鹽指標間的相關性

對原始光譜Ｒ分別進行ＳＮＶ、ＭＳＣ、ＦＤＲ和ＳＤＲ變換。由圖３可知，ＳＮＶ變換后的光譜曲線整體上吸收谷（９５０ｎｍ附近）和反射峰（５５０ｎｍ附近）的特征明顯增強，ＦＤＲ和ＳＤＲ顯著縮小了不同波段間光譜反射率差異，ＭＳＣ變換的曲線特征與Ｒ趨于一致。將５種光譜類型分別與土壤含水量、ｐＨ值和土壤含鹽量進行Ｐｅａｒｓｏｎ相關性分析，其最大相關系數絕對值（ＭＡＣＣ）如表３所示

表３ 不同光譜變換形式與土壤水鹽指標最大相關系數絕對值

提取不同土壤水鹽指標對應的敏感光譜形式，Ｒ、ＦＤＲ和ＭＳＣ分別為最佳光譜變換形式，所對應的ＭＡＣＣ分別為０．７３０、０．４７２和０．６５４，且均通過０．０１顯著性檢驗。

圖 ３ 不同光譜變換方式下冠層光譜曲線

3.3 ＣＡＲＳ 算法特征波長選擇

利用ＣＡＲＳ算法，分別對原始光譜Ｒ、ＦＤＲ和ＭＳＣ針對土壤含水量、ｐＨ和土壤含鹽量指標進行特征波長的篩選，基于交叉驗證集ＲＭＳＥＣＶ最小值，選擇對應采樣次數的變量作為優選出的特征子集，即最具代表性的光譜特征波長。以土壤含水量指標的原始光譜選擇過程為例：隨著ＣＡＲＳ算法運行次數逐漸增加，變量個數在前４０次采樣過程中有明顯遞減（圖４），說明被篩選出的光譜波長數逐漸減少，當采樣運行次數為５２次時，ＲＭＳＥＣＶ達到最小值，表明此時光譜中與土壤含水量無關的信息或噪聲最少。原始光譜Ｒ、ＦＤＲ和ＭＳＣ的特征選擇結果見表４。

表４ ＣＡＲＳ 提取后光譜特征波段與運行結果

3.4 土壤水鹽指標反演模型構建與驗證

為探究光譜變換形式與建模方法的效果，以經ＣＡＲＳ算法篩選出的原始光譜Ｒ、ＦＤＲ和ＭＳＣ特征波長分別為輸入變量，土壤含水量、ｐＨ和土壤含鹽量為輸出變量，分別構建基于ＰＬＳＲ、ＲＦ和ＸＧＢｏｏｓｔ的土壤水鹽指標反演模型，并進行精度驗證（表５）

表５ 基于 ＰＬＳＲ、ＲＦ 和ＸＧＢｏｏｓｔ的土壤水鹽指標反演模型

結果表明，ＰＬＳＲ構建的土壤水鹽指標模型驗證決定系數（Ｒｐ２）為 ０．１６８～ ０．４５０，相對分析誤差（ＲＰＤ）為１．１２ ～ １．１７，模型的擬合性和穩定性都非常差。

3.5 土壤水鹽指標反演模型構建與驗證

為探究光譜變換形式與建模方法的效果，以經 ＣＡＲＳ 算法篩選出的原始光譜 Ｒ、ＦＤＲ 和 ＭＳＣ 特征 波長分別為輸入變量，土壤含水量、ｐＨ和土壤含鹽 量為輸出變量，分別構建基于ＰＬＳＲ、ＲＦ 和ＸＧＢ_ｏｏｓｔ的土壤水鹽指標反演模型，并進行精度驗證（表 ５）。結果表明，ＰＬＳＲ 構建的土壤水鹽指標模型驗證決定系數（Ｒ_ｐ^２）為 ０．１６８～ ０．４５０，相對分析誤差（ＲＰＤ） 為１．１２ ～ １．１７，模型的擬合性和穩定性都非常差。ＲＦ和ＸＧＢ_ｏｏｓｔ的模型精度均顯著優于ＰＬＳＲ模型，Ｒｐ２在 ０．４００ 以上，其中，土壤含水量和 ｐＨ 值均以ＸＧＢ_ｏｏｓｔ模型表現最佳，Ｒｐ２分別達０．９２７和０．７４３，ＲＰＤ分別達 ３．９３ 和 ２．４５；土壤含鹽量以ＲＦ模型為 最優，Ｒｐ２和ＲＰＤ分別為 ０．４２７ 和 １．６４。土壤含水量和土壤含鹽量最優模型 ＲＰＤ 均大于 ２．０，說明模 型具有極好的預測能力和穩定性。土壤含水量和ｐＨ值實測值與預測值擬合度較高（圖 ５），樣點數值集中于趨勢線附近，說明ＸＧＢ_ｏｏｓｔｔ算法具有相對較強的學習性能，可以應用于土壤水鹽指標遙感反演。

圖５土壤水鹽指標實測值與最優模型預測值對比

推薦：

無人機高光譜成像系統iSpecHyper-VM100

一款基于小型多旋翼無人機機載高光譜成像系統，該系統由高光譜成像相機、穩定云臺、機載控制與數據采集模塊、機載供電模塊等部分組成。無人機機載高光譜成像系統通過獨特的內置式或外部掃描和穩定控制，有效地解決了在微型無人機搭載推掃式高光譜照相機時，由于振動引起的圖像質量較差的問題，并具備較高的光譜分辨率和良好的成像性能。