利用区域土壤光谱库研究土壤有机碳反演模型传递性

刘会增, 石铁柱, 王俊杰, 陈奕云, 邬国锋

刘会增, 石铁柱, 王俊杰, 陈奕云, 邬国锋. 利用区域土壤光谱库研究土壤有机碳反演模型传递性[J]. 武汉大学学报 ( 信息科学版), 2016, 41(7): 889-895. DOI: 10.13203/j.whugis20140294
引用本文: 刘会增, 石铁柱, 王俊杰, 陈奕云, 邬国锋. 利用区域土壤光谱库研究土壤有机碳反演模型传递性[J]. 武汉大学学报 ( 信息科学版), 2016, 41(7): 889-895. DOI: 10.13203/j.whugis20140294
LIU Huizeng, SHI Tiezhu, WANG Junjie, CHEN Yiyun, WU Guofeng. Transferability of Retrieval Models for Estimating Soil Organic Carbon Contents Based on Regional Soil Spectral Libraries[J]. Geomatics and Information Science of Wuhan University, 2016, 41(7): 889-895. DOI: 10.13203/j.whugis20140294
Citation: LIU Huizeng, SHI Tiezhu, WANG Junjie, CHEN Yiyun, WU Guofeng. Transferability of Retrieval Models for Estimating Soil Organic Carbon Contents Based on Regional Soil Spectral Libraries[J]. Geomatics and Information Science of Wuhan University, 2016, 41(7): 889-895. DOI: 10.13203/j.whugis20140294

利用区域土壤光谱库研究土壤有机碳反演模型传递性

基金项目: 

林业公益性行业科研专项基金 201404305

详细信息
    作者简介:

    刘会增,硕士,主要从事环境遥感定量反演理论与方法研究。zhongzheng@whu.edu.cn

    通讯作者:

    邬国锋,博士,教授。guofen.wu@szu.edu.cn

  • 中图分类号: TP751;P951

Transferability of Retrieval Models for Estimating Soil Organic Carbon Contents Based on Regional Soil Spectral Libraries

  • 摘要: 土壤有机碳的有效评估对全球碳循环和农业可持续发展具有重要作用。可见光-近红外光谱技术已广泛用于土壤有机碳含量的反演研究。然而,基于可见光-近红外光谱的土壤有机碳反演模型通常具有一定的区域局限性。本文基于湖北钟祥市和洪湖市两个区域的土壤光谱和有机碳量测数据(样本数分别为100和96),探究土壤有机碳反演模型在不同区域间的传递性。结果表明,钟祥市或洪湖市区域模型都不能用于另一个区域,但基于钟祥样本全集与洪湖区域30个土壤样本数据建立的模型对洪湖区域土壤有机碳含量有很好的预测效果(R2=0.88, RMSE=2.51 g·kg-1)。尽管模型在不同区域间的传递性非常有限,但将少量目标区域样本添加到现有区域土壤光谱库中所建立的偏最小二乘回归模型能够估算目标区域土壤有机碳的含量,降低目标区域的采样和量测成本。
    Abstract: Assessing soil organic carbon (SOC) effectively is crucial to understand the global carbon cycle and achieve sustainable management of agricultural systems. Visible/near-infrared spectroscopy has been widely used to retrieve SOC content. However, retrieval models with visible/near-infrared spectroscopy generally have regional limitations. The objective of our work was to study the transferability of models between regions using the spectra and SOC measurements of the soil samples collected from Zhongxiang and Honghu(number of samples are 100 and 96 respectively), Hubei province, Peoples Republic of China. Our results show that the regional model calibrated with Zhongxiang or Honghu datasets could not be used in another region. However, the model calibrated with the entire Zhongxiang dataset and 30 samples from Honghu performed well when estimating the SOC contents in Honghu (R2=0.88, RMSE=2.51 g·kg-1). Although the transferability of this regional model is very limited, nevertheless, this study illustrates that by combining a small set of samples from target region with the regional soil spectral library of anther region can improve the performance when estimating SOC contents in target region, and thus can reduce the cost of sampling,measurement, and determination in a target region.
  • 以总体最小二乘作为误差变量(errors-in-variables,EIV)模型的严密估计方法在大地测量领域已经得到了深入的研究[1-6]。随着空间数据的种类越来越多样化,如何有效地确定相对权比来统一各类数据,从而自适应调整各类观测数据对模型参数估值的贡献,成为解决联合平差问题的关键。文献[7]给出了大地测量、地震和地质三类数据的联合反演模式和水准测量、GPS和重力三种数据联合反演断层参数的具体公式,介绍了求解优化问题所有全局最优解的区间算法;文献[8]通过大地测量数据与地震数据的联合反演,提出了联合反演中确定相对权比的方法;文献[9-13]采用分组平差(序贯平差)方法,将观测向量分为多组,降低了矩阵求逆的阶数,但分组平差过程中,未对各组数据附加相对权比;文献[14]提出了一种确定联合反演中相对权比的两步法,通过赫尔默特方差分量估计对不同种类数据进行归一化,再建立顾及相对权比的联合反演模型求解;文献[15]基于赫尔默特方差分量估计公式提出了联合反演的序贯算法;面对参数间存在约束条件的问题,文献[16]提出了附加约束条件的序贯平差;文献[17]研究了等式约束反演和联合反演的反演模型及目标函数的构建方法。但上述联合平差方法均基于最小二乘原理展开,未能顾及到模型系数矩阵的误差,且实际应用中,系数矩阵往往是由含有误差的观测元素组成的。文献[18-20]从方差分量估计的角度出发,分别给出了不同的总体最小二乘方差分量估计方法,直接求解不同类数据的单位权方差,然而,当数据种类增多时其方差分量往往存在不可估性问题。

    基于此,本文在各类数据各自等精度的条件下,提出了一种将总体最小二权方法用于联合平差的新方法。

    设有两种不同类的观测数据,则总体最小二乘联合平差问题建立的函数模型为:

    (1)

    式中,L1∈Rn1×1为第Ⅰ类观测向量;e1为第Ⅰ类观测向量的随机误差;L2∈Rn2×1为第Ⅱ类观测向量;e2为第Ⅱ类观测向量的随机误差;B1∈Rn1×m为第Ⅰ类观测方程列满秩系数矩阵;EB1为系数矩阵B1的误差;B2∈Rn2×m为第Ⅱ类观测方程列满秩系数矩阵;EB2为系数矩阵B2的误差;X∈Rm×1为m×1待估参数向量。

    联合平差的随机模型为:

    (2)

    式中,eB1和eB2分别是将矩阵EB1和EB2按列拉直得到的列向量;σ012和σ022分别为第Ⅰ类和第Ⅱ类观测值及系数矩阵元素的验前单位权方差;Im、In1、In2分别为m阶、n1阶和n2阶单位阵;vec(·)表示矩阵拉直运算;ⓧ表示Kronecker积。

    将式(1) 改造,可得:

    (3)

    式中,

    (4)

    根据式(3) ,由协因数传播定律容易得到e1e2的协因数阵[6]

    (5)

    (6)

    e1的平差值为V1e2的平差值为V2,X的平差值为${\hat{X}}$ ,则式(3) 变为:

    (7)

    则总体最小二乘联合平差准则为:

    (8)

    式中,;τ为相对权比,用来衡量两类观测数据对模型参数估值贡献的大小,0<τ<1,即

    (9)

    由式(9) ,根据求函数自由极值的方法,得:

    (10)

    将式(7) 代入式(10) 得:

    (11)

    (12)

    ,且

    则有法方程:

    (13)

    解法方程,得:

    (14)

    式(14) 通过多次迭代可以得到较准确的参数解。

    同理,将两类观测数据扩展到k类观测数据的一般情况,可得到k类数据条件下,总体最小二乘联合平差的参数估值:

    (15)

    式中,,且

    在实际应用中,由于各类型的数据之间具有不同的单位权方差,且联合平差前各类数据元素定权不准确,为使总体最小二乘联合平差法合理,应考虑不同类数据的相对权比,本节以两种方法为例说明。

    由函数模型(1) 和随机模型(2) 可知,两类数据的验前单位权方差分别为σ012和σ022,则总体最小二乘联合平差中相对权比τ为:

    (16)

    由迭代解算得到参数估值,计算步骤为:

    (17)

    (18)

    (19)

    (20)

    时,计算结束。式中‖·‖表示向量的2范数。

    可知,当σ022012≠0时,τ=0.5,此时为不考虑相对权比的联合平差问题,也即视第Ⅰ类数据和第Ⅱ类数据在联合平差中所占的权重等同。

    选定一个步长,让权比例因子τ遍历整个取值区间,将每个τ的取值代入式(17) ~(20) 中计算,可得到对应联合平差的参数估值${\hat{X}}$,由式(7) 得到相应的V1和V2,可得判别函数的估值为:

    (21)

    把式(21) 中的最小值对应的相对权比τ和此时相对权比下的参数估值作为最终结果。其他常用的函数将在§3中具体讨论。

    模拟一个线性参数估计问题,满足BtruetrueXtrue=Ltrue,其中Btrue、Ltrue为设计矩阵和观测值的真值,具体见表 1。模型参数的真值Xtrue=[111]T。现对前5组观测值向量和设计矩阵真值加入e1~N(0,σ2I)的噪声,其中σ012=0.5,作为第Ⅰ类平差数据;对后7组观测值向量和设计矩阵元素加入e2~N(0,σ022I)的噪声,其中σ022=0.1,作为第Ⅱ类平差数据;它们是分别采用① τ=1的总体最小二乘法; ② τ=0的总体最小二乘法; ③ τ=0.5的总体最小二乘联合平差法; ④ 验前单位权方差法,由(1-τ)/τ=σ012022确定τ值; ⑤ =[τV1TV1+(1-τ)V2TV2]/(1+T)的判别函数最小化法; ⑥ =(V1TV1+V2TV2)/(1+T)的判别函数最小化法; ⑦ =V1TV1+V2TV2的判别函数最小化法; ⑧的判别函数最小化法; ⑨ $\Phi =$的判别函数最小化法共9种方案进行平差。

    表  1  线性方程组观测向量和设计矩阵的真值
    Table  1.  True Values of Observation Vectors and Design Matrice
    数据类型BtrueLtrue
    2.0-5.2 3.1 -0.1
    3.6 4.5 2.9 5.2
    I -1.5 6.8 3.4 8.7
    4.0 7.3 -9.1 2.2
    6.71 -3.3 -4.5 -1.09
    10.4 12.7 -5.8 17.3
    -5.5 -7.6 -2.1 -15.2
    8.2 4.5 -9.0 3.7
    II -4.2 -2.3 8.6 2.1
    -2.3 11.5 4.0 13.2
    7.4 3.6 -4.2 6.8
    9.1 -7.1 2.0 4.0
    下载: 导出CSV 
    | 显示表格

    对这9种方案模拟100次。在方案①~④中,由于相对权比事先给定,计算该相对权比下对应各方案的参数估值和差值范数,最后对100次计算结果取平均值;在方案⑤~⑨的判别函数最小化法计算时,由于τ是按一定的步长(本文中步长取0.001) 遍历整个取值区间的(τ∈(0,1) ,因联合反演故τ不取0和1[15]),为保证对应某一相对权比下取值的一致性,每模拟一次数据,便计算每个τ对应的参数估值和差值范数,在完成100次运算后,取各相对权比下计算结果的均值,并把均值结果中判别函数值取最小时对应的相对权比及在此相对权比下计算结果的均值作为最终值,参数平差结果见表 2。本文还绘制了方案⑤~⑨的判别函数与相对权比之间的关系,如图 1所示。

    图  1  线性方程组算例各方案判别函数与相对比关系图
    Figure  1.  Relationship Between Discriminate Function and Weight Scaling Factor in Linear Equation Group
    表  2  参数平差结果
    Table  2.  Results of Inversion Parameters
    方案${\hat{X}}$1${\hat{X}}$2${\hat{X}}$3τΔ${\hat{X}}$‖
    真值 1.0000 1.0000 1.000 0 / /
    1.037 0 1.023 4 1.044 3 1.000 0.380 7
    0.997 2 1.004 8 1.002 1 0.000 0.074 6
    0.997 7 1.006 1 1.006 2 0.500 0.089 8
    0.997 3 1.005 1 1.003 1 0.167 0.071 4
    0.997 2 1.004 8 1.002 2 0.001 0.074 6
    0.997 7 1.006 1 1.006 2 0.500 0.089 8
    0.997 7 1.006 1 1.006 0 0.490 0.088 6
    0.997 4 1.005 4 1.003 8 0.270 0.072 7
    0.997 4 1.005 4 1.003 9 0.286 0.073 2
    注:验前单位权方差法确定方案④的相对权比,(1-τ)/τ=0.5/0.1,即τ=0.167。‖Δ‖表示模型参数平差结果与真值差值的范数;τ为各方法计算的相对权比。
    下载: 导出CSV 
    | 显示表格

    表 2可知,由于数据量相对较少,数据精度相对较低,因此第I类数据的总体最小二乘平差结果最差(方案①);方案③对各类数据附加了相同的相对权比(τ=0.5) ,即视联合平差中各类数据的权重相等,因而结果相对较差;比较方案⑤与方案②,不难发现,若不加0<τ<1的限制,方案⑤与方案②等价,图 1(a)中散点图的最小值在最左端处取得,可见方案⑤的结果并没有起到权衡各类数据的作用;方案⑤与方案⑦也存在同样的问题,其判别函数求得的权比值为0.5和0.49,与实际值0.167相差较大,因而其解算结果较第II类数据的总体最小二乘平差结果要差(方案②),此时联合平差结果不如单一数据的平差结果;而方案⑧与方案⑨的结果则优于方案②,可见判别函数的选取对平差结果的影响很大。

    在二维平面情况下,利用应变参数反演模型模拟生成反演应变参数的GPS坐标位移数据和边角网平差数据,其真值见表 3表 4;坐标位移反演应变参数的公式为[21]

    表  3  GPS坐标数据及坐标位移真值[14]
    Table  3.  True Values of GPS Coordinate and Displacement[14]
    序号X/kmY/kmu1/mmv1/mm
    1 100.000 100.000 1.000 20.200
    2 100.000 300.000 -1.000 18.600
    3 100.000 500.000 -3.000 17.000
    4 300.000 100.000 5.000 62.200
    5 300.000 300.000 3.000 60.600
    6 300.000 500.000 1.000 59.000
    7 500.000 100.000 9.000 104.200
    8 500.000 300.000 7.000 102.600
    9 500.000 500.000 5.000 101.000
    下载: 导出CSV 
    | 显示表格
    表  4  边角网的坐标数据及位移真值[14]
    Table  4.  True Values of Side-angle Network Coordinate and Displacement[14]
    序号X/kmY/kmu2/mmv2/mm
    1 100.000 100.000 1.000 20.200
    2 100.000 600.000 -4.000 16.200
    3 600.000 100.000 11.000 125.200
    4 600.000 600.000 6.000 121.200
    下载: 导出CSV 
    | 显示表格

    (22)

    式中,(xiyi)为第i点近似坐标;ui为第i点纵坐标位移量;vi为第i点横坐标位移量;εx、εy分别为x、y轴方向上的线应变;γxy=2εxy为x、y方向上的剪应变;ω为转动惯量。

    对GPS坐标数据及坐标位移真值加入e1~N(0,σ012I)的随机噪声,其中σ012=0.5 mm022;对边角网的坐标数据及位移真值加入e2~N(0,σ2I)的随机噪声,其中σ022=2.0 mm2,得到两类数据的模拟观测值。 采用表 2中的9种方案,模拟100次,按照§3.1中算例方法获得应变参数反演结果,见表 5。应变参数反演方案⑤~⑨的判别函数与相对权比之间的关系如图 2所示。

    应变参数反演的算例中,方案⑥与方案⑦等价,且两方案所确定的相对权比与方案③相同,均为0.5,均未能合理反映每类数据在联合平差中的比重;而方案⑤确定的相对权比0.999(非常接近于1) ,其结果与方案①近似。可见在方案⑤下,联合平差退化为单一数据的总体最小二乘平差,这就意味着失去了联合平差的意义,显然不合理。

    表  5  应变参数反演结果
    Table  5.  Inversion Results of Model Parameters
    方案${\hat{\varepsilon }}$x/10-9${\hat{\varepsilon }}$ y/10-9${\hat{\varepsilon }}$ xy/10-9 ${\hat{\omega }}$/10-9 τΔ${\hat{X}}$‖
    真值20.000 0 -8.000 0 100.000 0 110.000 0 / /
    1 19.987 3 -7.808 4 99.954 9 109.932 7 1.000 1.691 5
    2 20.270 4 -8.143 8 99.967 0 110.129 6 0.000 3.217 7
    3 20.126 2 -7.972 4 99.961 8 110.039 4 0.500 1.845 7
    4 20.042 6 -7.873 6 99.957 8 109.977 0 0.800 1.511 0
    5 19.987 6 -7.808 8 99.954 9 109.932 9 0.999 1.689 9
    6 20.126 2 -7.972 4 99.961 8 110.039 4 0.500 1.845 7
    7 20.126 2 -7.972 4 99.961 8 110.039 4 0.500 1.845 7
    8 20.092 4 -7.932 4 99.960 3 110.014 9 0.621 1.643 8
    9 20.092 4 -7.932 4 99.960 3 110.014 9 0.621 1.6438
    注:验前单位权方差法确定方案④的相对权比,(1-τ)/τ=0.5/2.0,即τ=0.8。
    下载: 导出CSV 
    | 显示表格

    综合§3.1与§3.2中算例可知,两算例中验前单位权方差法(方案④)的差值范数最小,这与理论相符,这是因为给定的相对权比为实际权比;然而,在实际数据处理过程中,当验前随机模型不准确时,观测数据对参数解贡献的比重将不再合理,所以验前单位权方差法并不具备操作性;相比较而言,方案⑧与方案⑨的平差结果是判别函数最小化中最好的,从图 1(c)1(d)图 2(c)2(d)中不难发现,其取得最小值的点相对接近各自的实际权比值,因此,在先验信息不准确时,采用以方案⑧、方案⑨为判别函数的判别函数最小化法可以取得更为有效的结果。

    图  2  应变参数反演各方案判别函数与相对比的关系图
    Figure  2.  Relationship Between Discriminate Function and Weight Scaling Factor in Strain Parameters

    为了进一步探究加入的随机噪声对确定相对权比的影响,对§3.1和§3.2中算例模拟加入不同大小的随机噪声做模拟计算,结果见表 6表 7

    表  6  §3.1中算例不同精度对确定相对权比的影响
    Table  6.  Influence to theWeight Scaling Factor Determined by Adding Different Noise to Example in §3.1
    σ012σ022 相对权比τ
    方案⑤方案⑥方案⑦方案⑧方案⑨
    0.5 0.000 5 0.001 0.500 0.494 0.260 0.270
    0.5 0.001 0.001 0.500 0.483 0.350 0.380
    0.5 0.005 0.001 0.500 0.497 0.720 0.720
    0.5 0.01 0.001 0.500 0.497 0.131 0.131
    0.5 0.05 0.001 0.500 0.486 0.169 0.183
    0.5 0.1 0.001 0.500 0.490 0.270 0.286
    0.1 0.1 0.999 0.500 0.499 0.441 0.441
    0.05 0.1 0.999 0.500 0.502 0.480 0.473
    0.01 0.1 0.999 0.500 0.500 0.685 0.688
    0.005 0.1 0.999 0.500 0.500 0.746 0.749
    0.0005 0.1 0.999 0.500 0.500 0.869 0.873
    σ012σ022分别代表第I、II类数据的单位权方差。
    下载: 导出CSV 
    | 显示表格
    表  7  §3.2中算例不同精度对确定相对权比的影响
    Table  7.  Influence to the Weight Scaling Factor Determined by Adding Different Noise to Example in §3.2
    σ012σ022 相对权比τ
    方案⑤方案⑥方案⑦方案⑧方案⑨
    0.000 5 2.0 0.999 0.500 0.500 0.984 0.984
    0.005 2.0 0.999 0.500 0.500 0.953 0.953
    0.01 2.0 0.999 0.500 0.500 0.926 0.926
    0.05 2.0 0.999 0.500 0.500 0.863 0.863
    0.1 2.0 0.999 0.500 0.500 0.826 0.826
    0.5 2.0 0.999 0.500 0.500 0.676 0.676
    0.5 0.5 0.001 0.500 0.500 0.472 0.472
    0.5 0.1 0.001 0.500 0.500 0.280 0.280
    0.5 0.01 0.001 0.500 0.500 0.102 0.102
    0.5 0.001 0.001 0.500 0.500 0.043 0.043
    0.5 0.000 1 0.001 0.500 0.500 0.016 0.016
    σ012σ022分别代表GPS数据和边角网数据的单位权方差。
    下载: 导出CSV 
    | 显示表格

    不难发现,对于方案⑤,随着各类数据加入的误差不同,其判别函数永远在两端处取到最小值。可见在不同的观测数据精度下,判别函数Φ=[τV1TV1+(1-τ)V2TV2]/(1+T)所确定的相对权比本身不能很好地拟合各类数据,因而其相对权比的取值与其他各方案的差别较大;而方案⑥、方案⑦的相对权比保持在0.5及附近,并没有起到权衡各类数据的作用;随着各类数据加入的误差不同,两算例中方案⑧与方案⑨所确定的相对权比相差不大,且比较靠近实际的相对权比值,结果更能反映实际情况,可知联合平差中权比例关系在求解模型参数中起着很重要的作用;但并不能以相对权比的大小来评价方案的好坏[22]

    本文将总体最小二乘方法应用于联合平差问题,推导了附有相对权比的总体最小二乘联合平差方法,并推广得到了多类数据情况下的一般平差计算公式。相对权比的确定是联合平差中求 解参数的关键,本文在两类数据各自等精度的前提下,分析了多种判别函数确定相对权比的方法,并对比了各自权比下的解算结果。然而本文在模拟算例中假设两类数据各自是等精度的,对于不等精度情况下的总体最小二乘联合平差还需要进一步研究,同时对于相对权比的确定方法也需要通过实际应用进一步验证和改进。

  • 图  1   研究区域及采样点在钟祥市和洪湖市的分布

    Figure  1.   Study Area and the Distribution of Soil Samples in Zhongxiang City and Honghu City

    图  2   钟祥和洪湖各组土壤样本的平均光谱

    Figure  2.   Mean Reflectance of Each Group of Soil Samples from Zhongxiang and Honghu

    图  3   土壤光谱主成分分析得分图

    上标数字表示样本集的个数

    Figure  3.   Score Plots of the Principal Component Analysis of Soil Spectra

    图  4   4个PLSR模型得分图的前三个主成分空间中建模集和验证集样本的分布

    Figure  4.   Scores Plots Showing the Distribution of Calibration and Validation Samples in the First Three Components Space of Four PLSR Models

    表  1   钟祥和洪湖各样本集土壤有机碳的统计特征

    Table  1   Statistical Descriptions of Soil Organic Carbon of Each Dataset of Zhongxiang and Honghu

    样本最小值最大值均值中值标准差
    钟祥967.9433.9916.8715.954.16
    洪湖934.8627.4616.0316.586.08
    钟祥307.9433.9916.6214.535.57
    钟祥6610.1625.9616.9916.203.37
    洪湖304.8627.4615.7015.336.24
    洪湖634.9225.5916.1917.046.04
    钟祥96+洪湖304.8533.9916.6015.774.74
    洪湖93+钟祥304.8633.9916.1815.615.94
    下载: 导出CSV

    表  2   4组PLSR模型的独立验证结果

    Table  2   Statistics of Independent Validation Results of the PLSR Models

    模型决定系数预测偏差/(g\5kg-1)均方根误差/(g\5kg-1)相对分析误差
    钟祥模型0.514.046.620.91
    洪湖模型0.12-16.6118.210.19
    钟祥-洪湖模型0.88-1.202.512.41
    洪湖-钟祥模型0.380.623.261.03
    下载: 导出CSV
  • [1]

    Brown D J, Shepherd K D, Walsh M G, et al. Global Soil Characterization with VNIR Diffuse Reflectance Spectroscopy [J]. Geoderma, 2006, 132(3/4): 273-290

    [2] 彭小婷, 高文秀, 王俊杰. 基于包络线去除和偏最小二乘的土壤参数光谱反演[J]. 武汉大学学报·信息科学版, 2014,39(7):862-866)

    Peng Xiaoting, Gao Wenxiu, Wang Junjie. Inversion of Soil Parameters from Hyperspectra Based on Continuum Removal and Partial Least Squares Regression[J]. Geometics and Information Science of Wuhan University, 2014,39(7):862-866

    [3]

    Barnes E M, Sudduth K A, Hummel J W, et al. Remote and Ground-Based Sensor Techniques to Map Soil Properties[J]. Photogrammetric Engineering and Remote Sensing, 2003,69: 619-630

    [4] 史舟, 郭燕, 金希,等. 土壤近地传感器研究进展 [J]. 土壤学报, 2011(6): 1274-1281)

    Shi Zhou, Guo Yan, Jin Xi, et al. Advance Mentin Study on Proximal Soil Sensing[J]. Acta Pedologica Sinica, 2011(6):1274-1281

    [5] 何挺, 王静, 林宗坚, 等, 土壤有机质光谱特征研究[J]. 武汉大学学报·信息科学版, 2006, 31(11): 975-979)

    He Ting, Wang Jing, Lin Zongjian, et al. Spectral Features of Soil Organic Matter[J]. Geometics and Information Science of Wuhan University, 2006, 31(11): 975-979

    [6] 鲁明星, 徐辉, 贺立源,等. 湖北省钟祥市耕地土壤养分时空变化分析 [J]. 华中农业大学学报, 2009,28(4): 431-437)

    Lu Mingxing, Xu Hui, He Liyuan, et al. The Spatial and Temporal Changes of the Farmland Soil Fertilities in the Zhongxiang City, Hubei Province[J]. Journal of Huazhong Agricultural University, 2009,28(4):431-437

    [7] 刘刚, 沈守云, 闫文德, 等. 洪湖湿地生态系统土壤有机碳及养分含量特征 [J]. 生态学报, 2011, 24: 7625-7631)

    Liu Gang, Shen Shouyun, Yan Wende, et al. Characteristics of Organic Carbon and Nutrient Content in Five Soil Types in Honghu Wetland Ecosystems[J]. Acta Ecologica Sinica, 2011,24:7625-7631

    [8] 周清, 周斌, 王人潮, 等. 室内几何测试条件对土壤高光谱数据离散性的影响 [J]. 华南农业大学学报, 2005, 26(1): 31-35)

    Zhou Qing, Zhou Bin,Wang Renchao, et al. Effect of Geometric Conditions on Soil Hyperspectral Data Scatter Characteristic in Laboratory Test[J]. Journal of South China Agricultural University, 2005,26(1): 31-35

    [9]

    Esbensen K, Guyot D, Westad F, et al. Multivariate Data Analysis-in Practice: An Introduction to Multivariate Data Analysis and Experimental Design[M]. Osto, Norway: CAMO Press, 2001

    [10]

    Galvao R K H, Araujo M C U, José G E, et al. A Method for Calibration and Validation Subset Partitioning[J]. Talanta, 2005, 67(4): 736-740

    [11]

    Vasques G M S, Grunwald J O, Sickman. Comparison of Multivariate Methods for Inferential Modeling of Soil Carbon Using Visible/Near-infrared Spectra[J]. Geoderma, 2008, 146(1/2): 14-25

    [12]

    Wise B, Gallagher N, Bro R,et al. PLS_Toolbox for Use with MATLAB, Version 5.5.1[R]. Eigenvector Research, Inc,Wenatchee, USA,2009

    [13]

    Viscarra Rossel R A , Jeon Y S, Odeh I O A, et al. Using a Legacy Soil Sample to Develop a Mid-IR Spectral Library[J]. Soil Research, 2008, 46(1): 1-16

    [14]

    Chang C W, Laird D A. Near-infrared Reflectance Spectroscopic Analysis of Soil C and N[J]. Soil Science, 2002, 167(2): 110-116

    [15]

    Brown D J. Using a Global VNIR Soil-spectral Library for Local Soil Characterization and Landscape Modeling in a 2nd-order Uganda Watershed[J]. Geoderma, 2007, 140(4): 444-453

    [16]

    Sankey J B, Brown D J, Bernard M L, et al. Comparing Local vs. Global Visible and Near-infrared (VisNIR) Diffuse Reflectance Spectroscopy (DRS) Calibrations for the Prediction of Soil Clay, Organic C and Inorganic C[J]. Geoderma, 2008, 148(2): 149-158

    [17] 纪文君, 史舟, 周清, 等. 几种不同类型土壤的VIS-NIR光谱特性及有机质响应波段 [J]. 红外与毫米波学报, 2012, 31(3): 277-282)

    Ji Wenjun, Shi Zhou, Zhou Qing, et al. VIS-NIR Reflectance Spectroscopy of the Organic Matterin Several Types of Soils[J]. J Infrared Millim Waves,2012, 31(3):277-282

    [18]

    Brown D J, Bricklemyer R S, Miller R. Validation Requirements for Diffuse Reflectance Soil Characterization Models With a Case Study of VNIR Soil C Prediction in Montana[J]. Geoderma, 2005, 129(3): 251-267

    [19]

    Honorato F A, Galvao R K H, Pimentel M F, et al. Robust Modeling for Multivariate Calibration Transfer by the Successive Projections Algorithm[J]. Chemometrics and Intelligent Laboratory Systems, 2005, 76(1): 65-72

    [20]

    Brunet D, Barthès B G, Chotte J L, et al. Determination of Carbon and Nitrogen Contents in Alfisols, Oxisols and Ultisols from Africa and Brazil Using NIRS Analysis: Effects of Sample Grinding and Set Heterogeneity[J]. Geoderma, 2007, 139(1/2): 106-117

图(4)  /  表(2)
计量
  • 文章访问数:  1506
  • HTML全文浏览量:  103
  • PDF下载量:  240
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-03-31
  • 发布日期:  2016-07-04

目录

/

返回文章
返回