Surface soil moisture quantification models from reflectance data under field conditions
4
2008
... 了解不同时空尺度上的土壤含水量θ对于监测和模拟水文过程、植物生长、气候变化、土壤侵蚀、土地退化和荒漠化是十分重要的[1].传统上,土壤含水量是直接用称重法估计的[2].该方法虽然最准确,但需要大量的人力进行采样和测量,且样品本身也会遭到破坏,使得测量结果无法重现.其他需要采样取点测量的间接方法包括张量计、时域反射计、中子仪探针、电容传感器和伽马射线扫描仪等[3⇓⇓-6],这些方法存在时空异质性,不适合在不同时空尺度下表征土壤含水量. ...
... 式中: λi和 为2个连续的波长; λj为与λi不连续的波长; a和b为辅助参数.在这类方法中,式(5)表示的是特定波长下光谱反射率的值; 式(6)表示的是比值指数法,即2个离散波长的反射率比值,如基于1 300 nm和1 450 nm波长的土壤含水量指数法(WISOIL); 式(7)表示的差分指数法和式(8)的导数法均由刘伟东等[22]提出,2种方法都尽量减少其他混杂因素的影响,以提高R对θ的敏感性,导数法近似于2个连续波长之间的有限差分而不是算术差分,当在计算中使用连续波长,即当λi+1=λj时,差分指数法和导数法则会产生相同的结果; 式(9)所示的归一化指数法是2个特定波长下的差值与反射率值之和的比值,如基于1 800 nm和2 119 nm波长的归一化土壤含水量指数[1]就属于归一化指数法. ...
... Comparison of different methods for estimating soil water content using hyperspectral characteristics
Tab.1 类别 | 方法 | 波长/nm | N① | R2② | RMSE③ | 代表性文献 | 优点 | 缺点 |
波谱反射率法 | 反射率差分指数法 | 2 062,2 250 | 18 | 0.69 | 0.08 | Haubrock等[1] | 土壤类型影响小 | 计算相对复杂 |
反射率指数模型法 | 350~2 500 | 4 | - | - | Lobell等[10] | 短波红外范围应用良好 | 不适用土壤体积含水量低于20%的情况 |
反射率比值指数法 | 1 944 | 18 | 0.68 | 0.08 | 刘伟东等[13] | 计算方便快速 | 依赖干燥土壤光谱信息 |
反射率一阶导数法 | 1 834,1 836 | 18 | 0.63 | 0.08 | 刘伟东等[13] | 无需先验土壤信息 | 产生冗余的光谱信息 |
相对反射率法 | 1 998 | 10 | 0.84 | 0.04 | 刘伟东[15] | 计算简单快速 | 不适用于野外 |
反射率物理模型法 | 350~2 100 | 1 | >0.99 | - | van Genuchten[27] | 考虑到土壤的物理特性 | 需获取特定初始信息,应用具有局限性 |
函数法 | 反高斯函数法 | 1 200~2 500 | 257 | 0.92 | 0.03 | Whiting等[29] | 可以结合各类高光谱模式使用 | 难以确定输入信息,须对光谱进行额外处理 |
模型法 | 光学模型法 | 350~2 100 | 1 | >0.97 | - | Haubrock等[1] | 无需考虑高光谱反射率 | 应用具有局限性 |
机器学习法 | SMLR | 1 623~2 467 | 1 571 | 0.88 | 5.19 | 申艳等[38] | 减少变量间的共线性问题 | 信息易丢失,导致模型的过适应性 |
PCR | 400~2 498 | 802 | 0.84 | 0.005 | 申艳等[38] | 应用全部的光谱信息 | 计算繁琐 |
PLSR | 401~1 699 | 360 | 0.97 | 0.02 | Svante等[40] |
830~2 630 | 403 | 0.96 | 0.60 | 李晓明[39] | 应用全部的光谱信息 | 无法解释土壤光谱间的非线性效应 |
370~1 979 | 1 160 | 0.66 | 0.76 | Svante等[40] |
ANN | 420~800 | - | 0.77 | 2.00 | Leila等[45] | 自动学习分析,无需基础辅助参数 | 容易过度拟合 |
SVMR | 370~1 979 | 1 160 | 0.69 | 0.72 | Vapnik等[46] | 无需基础辅助参数 | 仅适用于密集型计算 |
MLR | 450~2 500 | 40 | 0.68~0.96 | - | 贾学勤等[47] | 不受土壤类型影响 | 忽略某些点的光谱信息 |
MARS | 370~1 979 | 1 160 | 0.73 | 0.67 | Friedman[48] | 自动建立联系,无需基础辅助参数 | 过程繁琐 |
①N为土壤样例数; ②R2为相关系数; ③RMSE为均方根误差. ...
... [
1]
无需考虑高光谱反射率 | 应用具有局限性 | 机器学习法 | SMLR | 1 623~2 467 | 1 571 | 0.88 | 5.19 | 申艳等[38] | 减少变量间的共线性问题 | 信息易丢失,导致模型的过适应性 |
PCR | 400~2 498 | 802 | 0.84 | 0.005 | 申艳等[38] | 应用全部的光谱信息 | 计算繁琐 |
PLSR | 401~1 699 | 360 | 0.97 | 0.02 | Svante等[40] |
830~2 630 | 403 | 0.96 | 0.60 | 李晓明[39] | 应用全部的光谱信息 | 无法解释土壤光谱间的非线性效应 |
370~1 979 | 1 160 | 0.66 | 0.76 | Svante等[40] |
ANN | 420~800 | - | 0.77 | 2.00 | Leila等[45] | 自动学习分析,无需基础辅助参数 | 容易过度拟合 |
SVMR | 370~1 979 | 1 160 | 0.69 | 0.72 | Vapnik等[46] | 无需基础辅助参数 | 仅适用于密集型计算 |
MLR | 450~2 500 | 40 | 0.68~0.96 | - | 贾学勤等[47] | 不受土壤类型影响 | 忽略某些点的光谱信息 |
MARS | 370~1 979 | 1 160 | 0.73 | 0.67 | Friedman[48] | 自动建立联系,无需基础辅助参数 | 过程繁琐 |
①N为土壤样例数; ②R2为相关系数; ③RMSE为均方根误差. ...
The gravimetric method of soil moisture determination Part III:An examination of factors influencing soil moisture variability
1
1970
... 了解不同时空尺度上的土壤含水量θ对于监测和模拟水文过程、植物生长、气候变化、土壤侵蚀、土地退化和荒漠化是十分重要的[1].传统上,土壤含水量是直接用称重法估计的[2].该方法虽然最准确,但需要大量的人力进行采样和测量,且样品本身也会遭到破坏,使得测量结果无法重现.其他需要采样取点测量的间接方法包括张量计、时域反射计、中子仪探针、电容传感器和伽马射线扫描仪等[3⇓⇓-6],这些方法存在时空异质性,不适合在不同时空尺度下表征土壤含水量. ...
A method of measuring soil moisture by time-domain reflectometry
1
1986
... 了解不同时空尺度上的土壤含水量θ对于监测和模拟水文过程、植物生长、气候变化、土壤侵蚀、土地退化和荒漠化是十分重要的[1].传统上,土壤含水量是直接用称重法估计的[2].该方法虽然最准确,但需要大量的人力进行采样和测量,且样品本身也会遭到破坏,使得测量结果无法重现.其他需要采样取点测量的间接方法包括张量计、时域反射计、中子仪探针、电容传感器和伽马射线扫描仪等[3⇓⇓-6],这些方法存在时空异质性,不适合在不同时空尺度下表征土壤含水量. ...
Field measurement of soil moisture using neutron probes
1
1996
... 了解不同时空尺度上的土壤含水量θ对于监测和模拟水文过程、植物生长、气候变化、土壤侵蚀、土地退化和荒漠化是十分重要的[1].传统上,土壤含水量是直接用称重法估计的[2].该方法虽然最准确,但需要大量的人力进行采样和测量,且样品本身也会遭到破坏,使得测量结果无法重现.其他需要采样取点测量的间接方法包括张量计、时域反射计、中子仪探针、电容传感器和伽马射线扫描仪等[3⇓⇓-6],这些方法存在时空异质性,不适合在不同时空尺度下表征土壤含水量. ...
Soil moisture measurement by an improved 400 capacitance technique,Part I.Sensor design and performance
1
1987
... 了解不同时空尺度上的土壤含水量θ对于监测和模拟水文过程、植物生长、气候变化、土壤侵蚀、土地退化和荒漠化是十分重要的[1].传统上,土壤含水量是直接用称重法估计的[2].该方法虽然最准确,但需要大量的人力进行采样和测量,且样品本身也会遭到破坏,使得测量结果无法重现.其他需要采样取点测量的间接方法包括张量计、时域反射计、中子仪探针、电容传感器和伽马射线扫描仪等[3⇓⇓-6],这些方法存在时空异质性,不适合在不同时空尺度下表征土壤含水量. ...
Applications of microwave remote sensing of soil moisture for water resources and agriculture
1
1991
... 了解不同时空尺度上的土壤含水量θ对于监测和模拟水文过程、植物生长、气候变化、土壤侵蚀、土地退化和荒漠化是十分重要的[1].传统上,土壤含水量是直接用称重法估计的[2].该方法虽然最准确,但需要大量的人力进行采样和测量,且样品本身也会遭到破坏,使得测量结果无法重现.其他需要采样取点测量的间接方法包括张量计、时域反射计、中子仪探针、电容传感器和伽马射线扫描仪等[3⇓⇓-6],这些方法存在时空异质性,不适合在不同时空尺度下表征土壤含水量. ...
Lithology identification of the north Qilian belt by surface temperature and spectral emissivity information derived from ASTER TIR data
1
2013
... 随着遥感技术的广泛应用,微波、热红外和光学遥感估算土壤含水量的潜力也被大家所认可[7-8].在微波遥感(5~1 000 mm)估算土壤含水量与波长后向散射系数有关,其在大范围的应用中效果明显,但是不足之处是它的空间分辨率较低,不适用于小尺度以及野外测量; 对于热红外遥感(3.5~14μm)监测反演土壤含水量,一般来说,当与能够提供植被指数的光学传感器协同使用时,其估算精度较高[9],但反演计算过程中涉及多种复杂的导数,反演解算过程较为繁琐,研究小范围的土壤含水量情况下不推荐使用该方法,更推荐在大面积情况下使用; 高光谱分辨率的光学遥感(400~2 500 nm),通常称为高光谱遥感(hyperspectral remote sensing, HRS),由于土壤含水量θ与土壤的高光谱反射率R之间的相关性较大,将其与地面、机载和高空传感系统结合使用,可以在不同时空尺度上估算出土壤含水量.因此,HRS被认为是解决上述估计土壤含水量θ存在空间分辨率低、适用范围小等问题上最有前途的遥感技术之一. ...
Optical fiber meta magnetics
1
2011
... 随着遥感技术的广泛应用,微波、热红外和光学遥感估算土壤含水量的潜力也被大家所认可[7-8].在微波遥感(5~1 000 mm)估算土壤含水量与波长后向散射系数有关,其在大范围的应用中效果明显,但是不足之处是它的空间分辨率较低,不适用于小尺度以及野外测量; 对于热红外遥感(3.5~14μm)监测反演土壤含水量,一般来说,当与能够提供植被指数的光学传感器协同使用时,其估算精度较高[9],但反演计算过程中涉及多种复杂的导数,反演解算过程较为繁琐,研究小范围的土壤含水量情况下不推荐使用该方法,更推荐在大面积情况下使用; 高光谱分辨率的光学遥感(400~2 500 nm),通常称为高光谱遥感(hyperspectral remote sensing, HRS),由于土壤含水量θ与土壤的高光谱反射率R之间的相关性较大,将其与地面、机载和高空传感系统结合使用,可以在不同时空尺度上估算出土壤含水量.因此,HRS被认为是解决上述估计土壤含水量θ存在空间分辨率低、适用范围小等问题上最有前途的遥感技术之一. ...
A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status
1
2002
... 随着遥感技术的广泛应用,微波、热红外和光学遥感估算土壤含水量的潜力也被大家所认可[7-8].在微波遥感(5~1 000 mm)估算土壤含水量与波长后向散射系数有关,其在大范围的应用中效果明显,但是不足之处是它的空间分辨率较低,不适用于小尺度以及野外测量; 对于热红外遥感(3.5~14μm)监测反演土壤含水量,一般来说,当与能够提供植被指数的光学传感器协同使用时,其估算精度较高[9],但反演计算过程中涉及多种复杂的导数,反演解算过程较为繁琐,研究小范围的土壤含水量情况下不推荐使用该方法,更推荐在大面积情况下使用; 高光谱分辨率的光学遥感(400~2 500 nm),通常称为高光谱遥感(hyperspectral remote sensing, HRS),由于土壤含水量θ与土壤的高光谱反射率R之间的相关性较大,将其与地面、机载和高空传感系统结合使用,可以在不同时空尺度上估算出土壤含水量.因此,HRS被认为是解决上述估计土壤含水量θ存在空间分辨率低、适用范围小等问题上最有前途的遥感技术之一. ...
View angle effects on canopy reflectance and spectral mixture analysis of coniferous forests using AVIRIS
4
2002
... 图1反映的是土壤反射率随波长的变化关系.从图1可看出不同波长所对应土壤的反射率不尽相同,在1 450 nm和1 900 nm波长附近土壤反射率较低,出现了明显的波谷,在1 300 nm和1 700 nm波长附近土壤反射率达到了一个较高值,出现了较为明显的波峰,因此可以根据这几个波长范围与土壤反射率之间的相互关系来估算出土壤含水量.作为HRS应用于估计土壤含水量的一个步骤,一些实验室研究使用近距离高光谱传感器(通常也称为漫反射光谱)来研究不同θ下R的变化[10].一般来说,增加R会产生2个显著的影响: 一是整体R的非线性程度降低使得其对湿度较为敏感的波段的吸收增加; 二是非线性R随θ的增大而增大,其原因是土壤-水-空气界面的反射指数减小[11],从而降低了入射光的散射和由于水-空气界面上的附加反射而引起的散射光的深度传播[12],这种关系在电磁光谱的短波红外波段(1 400~2 500 nm)比可见光(400~700 nm)和近红外波段(700~400 nm)区域更为显著[13].另一方面,在湿度敏感波长(吸水特性)下的吸收增加主要出现在波长为900 nm,1 400 nm和1 900 nm附近[14],是由于水中羟基(O-H)键特别的组合,但是在1 400 nm和1 900 nm附近,土壤的吸水特性被大气吸收所掩盖[15],因此,除了近距离的高光谱传感器外,其他仪器则无法对其进行测量. ...
... [
10]
Variation of θ - RFig.1
HRS方法的主要先决条件是建立θ-R模型,该模型可用于从新样本的R估计θ.但是,开发具有合理精度的θ-R模型仍然是一项艰巨的任务,因为R不仅取决于θ,而且还受土壤的颜色、结构、矿物成分、有机质含量、粒度分布、表面粗糙度、干燥度以及测量条件的影响[16⇓⇓-19].近几十年来,已有许多学者结合模型法对θ-R关系进行了研究,Bablet等[20]基于MARMIT(土壤反射多层辐射传输模型),将土壤反射光谱与土壤含水量以及水膜厚度建立联系,反演得出更高精度的土壤含水量; Gao等[21]测量了来自江苏省东台东北部潮滩的土壤样品的多角度反射率后基于粒子群优化算法,利用土壤光谱双向反射模型测出土壤表面的光谱特征,并通过引入土壤的等效水膜厚度来反演出更高精度的土壤含水量.虽然许多结合模型的θ-R研究方法都获得不错的结果,但大多数使用的都是经验模型,而不同的条件下使用经验模型也会产生许多不同的情况,还不能达到稳定的效果.因此,本文对现有的推导θ-R关系的方法进行了综述,并对它们的潜力和局限性进行了分析. ...
... Philpot [30]提出了一个类似于Lobell等[10]的简单模型来描述光谱反射率,包括水面的菲涅耳反射率Rw、土壤颗粒的反射率Rs、液态水的吸收系数aw和光通过孔隙仪的日平均光程d,公式为: ...
... Comparison of different methods for estimating soil water content using hyperspectral characteristics
Tab.1 类别 | 方法 | 波长/nm | N① | R2② | RMSE③ | 代表性文献 | 优点 | 缺点 |
波谱反射率法 | 反射率差分指数法 | 2 062,2 250 | 18 | 0.69 | 0.08 | Haubrock等[1] | 土壤类型影响小 | 计算相对复杂 |
反射率指数模型法 | 350~2 500 | 4 | - | - | Lobell等[10] | 短波红外范围应用良好 | 不适用土壤体积含水量低于20%的情况 |
反射率比值指数法 | 1 944 | 18 | 0.68 | 0.08 | 刘伟东等[13] | 计算方便快速 | 依赖干燥土壤光谱信息 |
反射率一阶导数法 | 1 834,1 836 | 18 | 0.63 | 0.08 | 刘伟东等[13] | 无需先验土壤信息 | 产生冗余的光谱信息 |
相对反射率法 | 1 998 | 10 | 0.84 | 0.04 | 刘伟东[15] | 计算简单快速 | 不适用于野外 |
反射率物理模型法 | 350~2 100 | 1 | >0.99 | - | van Genuchten[27] | 考虑到土壤的物理特性 | 需获取特定初始信息,应用具有局限性 |
函数法 | 反高斯函数法 | 1 200~2 500 | 257 | 0.92 | 0.03 | Whiting等[29] | 可以结合各类高光谱模式使用 | 难以确定输入信息,须对光谱进行额外处理 |
模型法 | 光学模型法 | 350~2 100 | 1 | >0.97 | - | Haubrock等[1] | 无需考虑高光谱反射率 | 应用具有局限性 |
机器学习法 | SMLR | 1 623~2 467 | 1 571 | 0.88 | 5.19 | 申艳等[38] | 减少变量间的共线性问题 | 信息易丢失,导致模型的过适应性 |
PCR | 400~2 498 | 802 | 0.84 | 0.005 | 申艳等[38] | 应用全部的光谱信息 | 计算繁琐 |
PLSR | 401~1 699 | 360 | 0.97 | 0.02 | Svante等[40] |
830~2 630 | 403 | 0.96 | 0.60 | 李晓明[39] | 应用全部的光谱信息 | 无法解释土壤光谱间的非线性效应 |
370~1 979 | 1 160 | 0.66 | 0.76 | Svante等[40] |
ANN | 420~800 | - | 0.77 | 2.00 | Leila等[45] | 自动学习分析,无需基础辅助参数 | 容易过度拟合 |
SVMR | 370~1 979 | 1 160 | 0.69 | 0.72 | Vapnik等[46] | 无需基础辅助参数 | 仅适用于密集型计算 |
MLR | 450~2 500 | 40 | 0.68~0.96 | - | 贾学勤等[47] | 不受土壤类型影响 | 忽略某些点的光谱信息 |
MARS | 370~1 979 | 1 160 | 0.73 | 0.67 | Friedman[48] | 自动建立联系,无需基础辅助参数 | 过程繁琐 |
①N为土壤样例数; ②R2为相关系数; ③RMSE为均方根误差. ...
Prediction of soil organic carbon at the European scale by visible and near infrared reflectance spectroscopy
1
2013
... 图1反映的是土壤反射率随波长的变化关系.从图1可看出不同波长所对应土壤的反射率不尽相同,在1 450 nm和1 900 nm波长附近土壤反射率较低,出现了明显的波谷,在1 300 nm和1 700 nm波长附近土壤反射率达到了一个较高值,出现了较为明显的波峰,因此可以根据这几个波长范围与土壤反射率之间的相互关系来估算出土壤含水量.作为HRS应用于估计土壤含水量的一个步骤,一些实验室研究使用近距离高光谱传感器(通常也称为漫反射光谱)来研究不同θ下R的变化[10].一般来说,增加R会产生2个显著的影响: 一是整体R的非线性程度降低使得其对湿度较为敏感的波段的吸收增加; 二是非线性R随θ的增大而增大,其原因是土壤-水-空气界面的反射指数减小[11],从而降低了入射光的散射和由于水-空气界面上的附加反射而引起的散射光的深度传播[12],这种关系在电磁光谱的短波红外波段(1 400~2 500 nm)比可见光(400~700 nm)和近红外波段(700~400 nm)区域更为显著[13].另一方面,在湿度敏感波长(吸水特性)下的吸收增加主要出现在波长为900 nm,1 400 nm和1 900 nm附近[14],是由于水中羟基(O-H)键特别的组合,但是在1 400 nm和1 900 nm附近,土壤的吸水特性被大气吸收所掩盖[15],因此,除了近距离的高光谱传感器外,其他仪器则无法对其进行测量. ...
Long term trends in fertility of soils under continuous cultivation and cereal cropping in southern Queensland.II.Total organic carbon and its rate of loss from the soil profile
1
1986
... 图1反映的是土壤反射率随波长的变化关系.从图1可看出不同波长所对应土壤的反射率不尽相同,在1 450 nm和1 900 nm波长附近土壤反射率较低,出现了明显的波谷,在1 300 nm和1 700 nm波长附近土壤反射率达到了一个较高值,出现了较为明显的波峰,因此可以根据这几个波长范围与土壤反射率之间的相互关系来估算出土壤含水量.作为HRS应用于估计土壤含水量的一个步骤,一些实验室研究使用近距离高光谱传感器(通常也称为漫反射光谱)来研究不同θ下R的变化[10].一般来说,增加R会产生2个显著的影响: 一是整体R的非线性程度降低使得其对湿度较为敏感的波段的吸收增加; 二是非线性R随θ的增大而增大,其原因是土壤-水-空气界面的反射指数减小[11],从而降低了入射光的散射和由于水-空气界面上的附加反射而引起的散射光的深度传播[12],这种关系在电磁光谱的短波红外波段(1 400~2 500 nm)比可见光(400~700 nm)和近红外波段(700~400 nm)区域更为显著[13].另一方面,在湿度敏感波长(吸水特性)下的吸收增加主要出现在波长为900 nm,1 400 nm和1 900 nm附近[14],是由于水中羟基(O-H)键特别的组合,但是在1 400 nm和1 900 nm附近,土壤的吸水特性被大气吸收所掩盖[15],因此,除了近距离的高光谱传感器外,其他仪器则无法对其进行测量. ...
应用高光谱遥感数据估算土壤表层水分的研究
3
2004
... 图1反映的是土壤反射率随波长的变化关系.从图1可看出不同波长所对应土壤的反射率不尽相同,在1 450 nm和1 900 nm波长附近土壤反射率较低,出现了明显的波谷,在1 300 nm和1 700 nm波长附近土壤反射率达到了一个较高值,出现了较为明显的波峰,因此可以根据这几个波长范围与土壤反射率之间的相互关系来估算出土壤含水量.作为HRS应用于估计土壤含水量的一个步骤,一些实验室研究使用近距离高光谱传感器(通常也称为漫反射光谱)来研究不同θ下R的变化[10].一般来说,增加R会产生2个显著的影响: 一是整体R的非线性程度降低使得其对湿度较为敏感的波段的吸收增加; 二是非线性R随θ的增大而增大,其原因是土壤-水-空气界面的反射指数减小[11],从而降低了入射光的散射和由于水-空气界面上的附加反射而引起的散射光的深度传播[12],这种关系在电磁光谱的短波红外波段(1 400~2 500 nm)比可见光(400~700 nm)和近红外波段(700~400 nm)区域更为显著[13].另一方面,在湿度敏感波长(吸水特性)下的吸收增加主要出现在波长为900 nm,1 400 nm和1 900 nm附近[14],是由于水中羟基(O-H)键特别的组合,但是在1 400 nm和1 900 nm附近,土壤的吸水特性被大气吸收所掩盖[15],因此,除了近距离的高光谱传感器外,其他仪器则无法对其进行测量. ...
... Comparison of different methods for estimating soil water content using hyperspectral characteristics
Tab.1 类别 | 方法 | 波长/nm | N① | R2② | RMSE③ | 代表性文献 | 优点 | 缺点 |
波谱反射率法 | 反射率差分指数法 | 2 062,2 250 | 18 | 0.69 | 0.08 | Haubrock等[1] | 土壤类型影响小 | 计算相对复杂 |
反射率指数模型法 | 350~2 500 | 4 | - | - | Lobell等[10] | 短波红外范围应用良好 | 不适用土壤体积含水量低于20%的情况 |
反射率比值指数法 | 1 944 | 18 | 0.68 | 0.08 | 刘伟东等[13] | 计算方便快速 | 依赖干燥土壤光谱信息 |
反射率一阶导数法 | 1 834,1 836 | 18 | 0.63 | 0.08 | 刘伟东等[13] | 无需先验土壤信息 | 产生冗余的光谱信息 |
相对反射率法 | 1 998 | 10 | 0.84 | 0.04 | 刘伟东[15] | 计算简单快速 | 不适用于野外 |
反射率物理模型法 | 350~2 100 | 1 | >0.99 | - | van Genuchten[27] | 考虑到土壤的物理特性 | 需获取特定初始信息,应用具有局限性 |
函数法 | 反高斯函数法 | 1 200~2 500 | 257 | 0.92 | 0.03 | Whiting等[29] | 可以结合各类高光谱模式使用 | 难以确定输入信息,须对光谱进行额外处理 |
模型法 | 光学模型法 | 350~2 100 | 1 | >0.97 | - | Haubrock等[1] | 无需考虑高光谱反射率 | 应用具有局限性 |
机器学习法 | SMLR | 1 623~2 467 | 1 571 | 0.88 | 5.19 | 申艳等[38] | 减少变量间的共线性问题 | 信息易丢失,导致模型的过适应性 |
PCR | 400~2 498 | 802 | 0.84 | 0.005 | 申艳等[38] | 应用全部的光谱信息 | 计算繁琐 |
PLSR | 401~1 699 | 360 | 0.97 | 0.02 | Svante等[40] |
830~2 630 | 403 | 0.96 | 0.60 | 李晓明[39] | 应用全部的光谱信息 | 无法解释土壤光谱间的非线性效应 |
370~1 979 | 1 160 | 0.66 | 0.76 | Svante等[40] |
ANN | 420~800 | - | 0.77 | 2.00 | Leila等[45] | 自动学习分析,无需基础辅助参数 | 容易过度拟合 |
SVMR | 370~1 979 | 1 160 | 0.69 | 0.72 | Vapnik等[46] | 无需基础辅助参数 | 仅适用于密集型计算 |
MLR | 450~2 500 | 40 | 0.68~0.96 | - | 贾学勤等[47] | 不受土壤类型影响 | 忽略某些点的光谱信息 |
MARS | 370~1 979 | 1 160 | 0.73 | 0.67 | Friedman[48] | 自动建立联系,无需基础辅助参数 | 过程繁琐 |
①N为土壤样例数; ②R2为相关系数; ③RMSE为均方根误差. ...
... [
13]
无需先验土壤信息 | 产生冗余的光谱信息 | 相对反射率法 | 1 998 | 10 | 0.84 | 0.04 | 刘伟东[15] | 计算简单快速 | 不适用于野外 |
反射率物理模型法 | 350~2 100 | 1 | >0.99 | - | van Genuchten[27] | 考虑到土壤的物理特性 | 需获取特定初始信息,应用具有局限性 |
函数法 | 反高斯函数法 | 1 200~2 500 | 257 | 0.92 | 0.03 | Whiting等[29] | 可以结合各类高光谱模式使用 | 难以确定输入信息,须对光谱进行额外处理 |
模型法 | 光学模型法 | 350~2 100 | 1 | >0.97 | - | Haubrock等[1] | 无需考虑高光谱反射率 | 应用具有局限性 |
机器学习法 | SMLR | 1 623~2 467 | 1 571 | 0.88 | 5.19 | 申艳等[38] | 减少变量间的共线性问题 | 信息易丢失,导致模型的过适应性 |
PCR | 400~2 498 | 802 | 0.84 | 0.005 | 申艳等[38] | 应用全部的光谱信息 | 计算繁琐 |
PLSR | 401~1 699 | 360 | 0.97 | 0.02 | Svante等[40] |
830~2 630 | 403 | 0.96 | 0.60 | 李晓明[39] | 应用全部的光谱信息 | 无法解释土壤光谱间的非线性效应 |
370~1 979 | 1 160 | 0.66 | 0.76 | Svante等[40] |
ANN | 420~800 | - | 0.77 | 2.00 | Leila等[45] | 自动学习分析,无需基础辅助参数 | 容易过度拟合 |
SVMR | 370~1 979 | 1 160 | 0.69 | 0.72 | Vapnik等[46] | 无需基础辅助参数 | 仅适用于密集型计算 |
MLR | 450~2 500 | 40 | 0.68~0.96 | - | 贾学勤等[47] | 不受土壤类型影响 | 忽略某些点的光谱信息 |
MARS | 370~1 979 | 1 160 | 0.73 | 0.67 | Friedman[48] | 自动建立联系,无需基础辅助参数 | 过程繁琐 |
①N为土壤样例数; ②R2为相关系数; ③RMSE为均方根误差. ...
应用高光谱遥感数据估算土壤表层水分的研究
3
2004
... 图1反映的是土壤反射率随波长的变化关系.从图1可看出不同波长所对应土壤的反射率不尽相同,在1 450 nm和1 900 nm波长附近土壤反射率较低,出现了明显的波谷,在1 300 nm和1 700 nm波长附近土壤反射率达到了一个较高值,出现了较为明显的波峰,因此可以根据这几个波长范围与土壤反射率之间的相互关系来估算出土壤含水量.作为HRS应用于估计土壤含水量的一个步骤,一些实验室研究使用近距离高光谱传感器(通常也称为漫反射光谱)来研究不同θ下R的变化[10].一般来说,增加R会产生2个显著的影响: 一是整体R的非线性程度降低使得其对湿度较为敏感的波段的吸收增加; 二是非线性R随θ的增大而增大,其原因是土壤-水-空气界面的反射指数减小[11],从而降低了入射光的散射和由于水-空气界面上的附加反射而引起的散射光的深度传播[12],这种关系在电磁光谱的短波红外波段(1 400~2 500 nm)比可见光(400~700 nm)和近红外波段(700~400 nm)区域更为显著[13].另一方面,在湿度敏感波长(吸水特性)下的吸收增加主要出现在波长为900 nm,1 400 nm和1 900 nm附近[14],是由于水中羟基(O-H)键特别的组合,但是在1 400 nm和1 900 nm附近,土壤的吸水特性被大气吸收所掩盖[15],因此,除了近距离的高光谱传感器外,其他仪器则无法对其进行测量. ...
... Comparison of different methods for estimating soil water content using hyperspectral characteristics
Tab.1 类别 | 方法 | 波长/nm | N① | R2② | RMSE③ | 代表性文献 | 优点 | 缺点 |
波谱反射率法 | 反射率差分指数法 | 2 062,2 250 | 18 | 0.69 | 0.08 | Haubrock等[1] | 土壤类型影响小 | 计算相对复杂 |
反射率指数模型法 | 350~2 500 | 4 | - | - | Lobell等[10] | 短波红外范围应用良好 | 不适用土壤体积含水量低于20%的情况 |
反射率比值指数法 | 1 944 | 18 | 0.68 | 0.08 | 刘伟东等[13] | 计算方便快速 | 依赖干燥土壤光谱信息 |
反射率一阶导数法 | 1 834,1 836 | 18 | 0.63 | 0.08 | 刘伟东等[13] | 无需先验土壤信息 | 产生冗余的光谱信息 |
相对反射率法 | 1 998 | 10 | 0.84 | 0.04 | 刘伟东[15] | 计算简单快速 | 不适用于野外 |
反射率物理模型法 | 350~2 100 | 1 | >0.99 | - | van Genuchten[27] | 考虑到土壤的物理特性 | 需获取特定初始信息,应用具有局限性 |
函数法 | 反高斯函数法 | 1 200~2 500 | 257 | 0.92 | 0.03 | Whiting等[29] | 可以结合各类高光谱模式使用 | 难以确定输入信息,须对光谱进行额外处理 |
模型法 | 光学模型法 | 350~2 100 | 1 | >0.97 | - | Haubrock等[1] | 无需考虑高光谱反射率 | 应用具有局限性 |
机器学习法 | SMLR | 1 623~2 467 | 1 571 | 0.88 | 5.19 | 申艳等[38] | 减少变量间的共线性问题 | 信息易丢失,导致模型的过适应性 |
PCR | 400~2 498 | 802 | 0.84 | 0.005 | 申艳等[38] | 应用全部的光谱信息 | 计算繁琐 |
PLSR | 401~1 699 | 360 | 0.97 | 0.02 | Svante等[40] |
830~2 630 | 403 | 0.96 | 0.60 | 李晓明[39] | 应用全部的光谱信息 | 无法解释土壤光谱间的非线性效应 |
370~1 979 | 1 160 | 0.66 | 0.76 | Svante等[40] |
ANN | 420~800 | - | 0.77 | 2.00 | Leila等[45] | 自动学习分析,无需基础辅助参数 | 容易过度拟合 |
SVMR | 370~1 979 | 1 160 | 0.69 | 0.72 | Vapnik等[46] | 无需基础辅助参数 | 仅适用于密集型计算 |
MLR | 450~2 500 | 40 | 0.68~0.96 | - | 贾学勤等[47] | 不受土壤类型影响 | 忽略某些点的光谱信息 |
MARS | 370~1 979 | 1 160 | 0.73 | 0.67 | Friedman[48] | 自动建立联系,无需基础辅助参数 | 过程繁琐 |
①N为土壤样例数; ②R2为相关系数; ③RMSE为均方根误差. ...
... [
13]
无需先验土壤信息 | 产生冗余的光谱信息 | 相对反射率法 | 1 998 | 10 | 0.84 | 0.04 | 刘伟东[15] | 计算简单快速 | 不适用于野外 |
反射率物理模型法 | 350~2 100 | 1 | >0.99 | - | van Genuchten[27] | 考虑到土壤的物理特性 | 需获取特定初始信息,应用具有局限性 |
函数法 | 反高斯函数法 | 1 200~2 500 | 257 | 0.92 | 0.03 | Whiting等[29] | 可以结合各类高光谱模式使用 | 难以确定输入信息,须对光谱进行额外处理 |
模型法 | 光学模型法 | 350~2 100 | 1 | >0.97 | - | Haubrock等[1] | 无需考虑高光谱反射率 | 应用具有局限性 |
机器学习法 | SMLR | 1 623~2 467 | 1 571 | 0.88 | 5.19 | 申艳等[38] | 减少变量间的共线性问题 | 信息易丢失,导致模型的过适应性 |
PCR | 400~2 498 | 802 | 0.84 | 0.005 | 申艳等[38] | 应用全部的光谱信息 | 计算繁琐 |
PLSR | 401~1 699 | 360 | 0.97 | 0.02 | Svante等[40] |
830~2 630 | 403 | 0.96 | 0.60 | 李晓明[39] | 应用全部的光谱信息 | 无法解释土壤光谱间的非线性效应 |
370~1 979 | 1 160 | 0.66 | 0.76 | Svante等[40] |
ANN | 420~800 | - | 0.77 | 2.00 | Leila等[45] | 自动学习分析,无需基础辅助参数 | 容易过度拟合 |
SVMR | 370~1 979 | 1 160 | 0.69 | 0.72 | Vapnik等[46] | 无需基础辅助参数 | 仅适用于密集型计算 |
MLR | 450~2 500 | 40 | 0.68~0.96 | - | 贾学勤等[47] | 不受土壤类型影响 | 忽略某些点的光谱信息 |
MARS | 370~1 979 | 1 160 | 0.73 | 0.67 | Friedman[48] | 自动建立联系,无需基础辅助参数 | 过程繁琐 |
①N为土壤样例数; ②R2为相关系数; ③RMSE为均方根误差. ...
Surface soil moisture quantification models from reflectance data under field conditions
1
2008
... 图1反映的是土壤反射率随波长的变化关系.从图1可看出不同波长所对应土壤的反射率不尽相同,在1 450 nm和1 900 nm波长附近土壤反射率较低,出现了明显的波谷,在1 300 nm和1 700 nm波长附近土壤反射率达到了一个较高值,出现了较为明显的波峰,因此可以根据这几个波长范围与土壤反射率之间的相互关系来估算出土壤含水量.作为HRS应用于估计土壤含水量的一个步骤,一些实验室研究使用近距离高光谱传感器(通常也称为漫反射光谱)来研究不同θ下R的变化[10].一般来说,增加R会产生2个显著的影响: 一是整体R的非线性程度降低使得其对湿度较为敏感的波段的吸收增加; 二是非线性R随θ的增大而增大,其原因是土壤-水-空气界面的反射指数减小[11],从而降低了入射光的散射和由于水-空气界面上的附加反射而引起的散射光的深度传播[12],这种关系在电磁光谱的短波红外波段(1 400~2 500 nm)比可见光(400~700 nm)和近红外波段(700~400 nm)区域更为显著[13].另一方面,在湿度敏感波长(吸水特性)下的吸收增加主要出现在波长为900 nm,1 400 nm和1 900 nm附近[14],是由于水中羟基(O-H)键特别的组合,但是在1 400 nm和1 900 nm附近,土壤的吸水特性被大气吸收所掩盖[15],因此,除了近距离的高光谱传感器外,其他仪器则无法对其进行测量. ...
2
2002
... 图1反映的是土壤反射率随波长的变化关系.从图1可看出不同波长所对应土壤的反射率不尽相同,在1 450 nm和1 900 nm波长附近土壤反射率较低,出现了明显的波谷,在1 300 nm和1 700 nm波长附近土壤反射率达到了一个较高值,出现了较为明显的波峰,因此可以根据这几个波长范围与土壤反射率之间的相互关系来估算出土壤含水量.作为HRS应用于估计土壤含水量的一个步骤,一些实验室研究使用近距离高光谱传感器(通常也称为漫反射光谱)来研究不同θ下R的变化[10].一般来说,增加R会产生2个显著的影响: 一是整体R的非线性程度降低使得其对湿度较为敏感的波段的吸收增加; 二是非线性R随θ的增大而增大,其原因是土壤-水-空气界面的反射指数减小[11],从而降低了入射光的散射和由于水-空气界面上的附加反射而引起的散射光的深度传播[12],这种关系在电磁光谱的短波红外波段(1 400~2 500 nm)比可见光(400~700 nm)和近红外波段(700~400 nm)区域更为显著[13].另一方面,在湿度敏感波长(吸水特性)下的吸收增加主要出现在波长为900 nm,1 400 nm和1 900 nm附近[14],是由于水中羟基(O-H)键特别的组合,但是在1 400 nm和1 900 nm附近,土壤的吸水特性被大气吸收所掩盖[15],因此,除了近距离的高光谱传感器外,其他仪器则无法对其进行测量. ...
... Comparison of different methods for estimating soil water content using hyperspectral characteristics
Tab.1 类别 | 方法 | 波长/nm | N① | R2② | RMSE③ | 代表性文献 | 优点 | 缺点 |
波谱反射率法 | 反射率差分指数法 | 2 062,2 250 | 18 | 0.69 | 0.08 | Haubrock等[1] | 土壤类型影响小 | 计算相对复杂 |
反射率指数模型法 | 350~2 500 | 4 | - | - | Lobell等[10] | 短波红外范围应用良好 | 不适用土壤体积含水量低于20%的情况 |
反射率比值指数法 | 1 944 | 18 | 0.68 | 0.08 | 刘伟东等[13] | 计算方便快速 | 依赖干燥土壤光谱信息 |
反射率一阶导数法 | 1 834,1 836 | 18 | 0.63 | 0.08 | 刘伟东等[13] | 无需先验土壤信息 | 产生冗余的光谱信息 |
相对反射率法 | 1 998 | 10 | 0.84 | 0.04 | 刘伟东[15] | 计算简单快速 | 不适用于野外 |
反射率物理模型法 | 350~2 100 | 1 | >0.99 | - | van Genuchten[27] | 考虑到土壤的物理特性 | 需获取特定初始信息,应用具有局限性 |
函数法 | 反高斯函数法 | 1 200~2 500 | 257 | 0.92 | 0.03 | Whiting等[29] | 可以结合各类高光谱模式使用 | 难以确定输入信息,须对光谱进行额外处理 |
模型法 | 光学模型法 | 350~2 100 | 1 | >0.97 | - | Haubrock等[1] | 无需考虑高光谱反射率 | 应用具有局限性 |
机器学习法 | SMLR | 1 623~2 467 | 1 571 | 0.88 | 5.19 | 申艳等[38] | 减少变量间的共线性问题 | 信息易丢失,导致模型的过适应性 |
PCR | 400~2 498 | 802 | 0.84 | 0.005 | 申艳等[38] | 应用全部的光谱信息 | 计算繁琐 |
PLSR | 401~1 699 | 360 | 0.97 | 0.02 | Svante等[40] |
830~2 630 | 403 | 0.96 | 0.60 | 李晓明[39] | 应用全部的光谱信息 | 无法解释土壤光谱间的非线性效应 |
370~1 979 | 1 160 | 0.66 | 0.76 | Svante等[40] |
ANN | 420~800 | - | 0.77 | 2.00 | Leila等[45] | 自动学习分析,无需基础辅助参数 | 容易过度拟合 |
SVMR | 370~1 979 | 1 160 | 0.69 | 0.72 | Vapnik等[46] | 无需基础辅助参数 | 仅适用于密集型计算 |
MLR | 450~2 500 | 40 | 0.68~0.96 | - | 贾学勤等[47] | 不受土壤类型影响 | 忽略某些点的光谱信息 |
MARS | 370~1 979 | 1 160 | 0.73 | 0.67 | Friedman[48] | 自动建立联系,无需基础辅助参数 | 过程繁琐 |
①N为土壤样例数; ②R2为相关系数; ③RMSE为均方根误差. ...
2
2002
... 图1反映的是土壤反射率随波长的变化关系.从图1可看出不同波长所对应土壤的反射率不尽相同,在1 450 nm和1 900 nm波长附近土壤反射率较低,出现了明显的波谷,在1 300 nm和1 700 nm波长附近土壤反射率达到了一个较高值,出现了较为明显的波峰,因此可以根据这几个波长范围与土壤反射率之间的相互关系来估算出土壤含水量.作为HRS应用于估计土壤含水量的一个步骤,一些实验室研究使用近距离高光谱传感器(通常也称为漫反射光谱)来研究不同θ下R的变化[10].一般来说,增加R会产生2个显著的影响: 一是整体R的非线性程度降低使得其对湿度较为敏感的波段的吸收增加; 二是非线性R随θ的增大而增大,其原因是土壤-水-空气界面的反射指数减小[11],从而降低了入射光的散射和由于水-空气界面上的附加反射而引起的散射光的深度传播[12],这种关系在电磁光谱的短波红外波段(1 400~2 500 nm)比可见光(400~700 nm)和近红外波段(700~400 nm)区域更为显著[13].另一方面,在湿度敏感波长(吸水特性)下的吸收增加主要出现在波长为900 nm,1 400 nm和1 900 nm附近[14],是由于水中羟基(O-H)键特别的组合,但是在1 400 nm和1 900 nm附近,土壤的吸水特性被大气吸收所掩盖[15],因此,除了近距离的高光谱传感器外,其他仪器则无法对其进行测量. ...
... Comparison of different methods for estimating soil water content using hyperspectral characteristics
Tab.1 类别 | 方法 | 波长/nm | N① | R2② | RMSE③ | 代表性文献 | 优点 | 缺点 |
波谱反射率法 | 反射率差分指数法 | 2 062,2 250 | 18 | 0.69 | 0.08 | Haubrock等[1] | 土壤类型影响小 | 计算相对复杂 |
反射率指数模型法 | 350~2 500 | 4 | - | - | Lobell等[10] | 短波红外范围应用良好 | 不适用土壤体积含水量低于20%的情况 |
反射率比值指数法 | 1 944 | 18 | 0.68 | 0.08 | 刘伟东等[13] | 计算方便快速 | 依赖干燥土壤光谱信息 |
反射率一阶导数法 | 1 834,1 836 | 18 | 0.63 | 0.08 | 刘伟东等[13] | 无需先验土壤信息 | 产生冗余的光谱信息 |
相对反射率法 | 1 998 | 10 | 0.84 | 0.04 | 刘伟东[15] | 计算简单快速 | 不适用于野外 |
反射率物理模型法 | 350~2 100 | 1 | >0.99 | - | van Genuchten[27] | 考虑到土壤的物理特性 | 需获取特定初始信息,应用具有局限性 |
函数法 | 反高斯函数法 | 1 200~2 500 | 257 | 0.92 | 0.03 | Whiting等[29] | 可以结合各类高光谱模式使用 | 难以确定输入信息,须对光谱进行额外处理 |
模型法 | 光学模型法 | 350~2 100 | 1 | >0.97 | - | Haubrock等[1] | 无需考虑高光谱反射率 | 应用具有局限性 |
机器学习法 | SMLR | 1 623~2 467 | 1 571 | 0.88 | 5.19 | 申艳等[38] | 减少变量间的共线性问题 | 信息易丢失,导致模型的过适应性 |
PCR | 400~2 498 | 802 | 0.84 | 0.005 | 申艳等[38] | 应用全部的光谱信息 | 计算繁琐 |
PLSR | 401~1 699 | 360 | 0.97 | 0.02 | Svante等[40] |
830~2 630 | 403 | 0.96 | 0.60 | 李晓明[39] | 应用全部的光谱信息 | 无法解释土壤光谱间的非线性效应 |
370~1 979 | 1 160 | 0.66 | 0.76 | Svante等[40] |
ANN | 420~800 | - | 0.77 | 2.00 | Leila等[45] | 自动学习分析,无需基础辅助参数 | 容易过度拟合 |
SVMR | 370~1 979 | 1 160 | 0.69 | 0.72 | Vapnik等[46] | 无需基础辅助参数 | 仅适用于密集型计算 |
MLR | 450~2 500 | 40 | 0.68~0.96 | - | 贾学勤等[47] | 不受土壤类型影响 | 忽略某些点的光谱信息 |
MARS | 370~1 979 | 1 160 | 0.73 | 0.67 | Friedman[48] | 自动建立联系,无需基础辅助参数 | 过程繁琐 |
①N为土壤样例数; ②R2为相关系数; ③RMSE为均方根误差. ...
Modeling soil moisture-reflectance
1
2001
... HRS方法的主要先决条件是建立θ-R模型,该模型可用于从新样本的R估计θ.但是,开发具有合理精度的θ-R模型仍然是一项艰巨的任务,因为R不仅取决于θ,而且还受土壤的颜色、结构、矿物成分、有机质含量、粒度分布、表面粗糙度、干燥度以及测量条件的影响[16⇓⇓-19].近几十年来,已有许多学者结合模型法对θ-R关系进行了研究,Bablet等[20]基于MARMIT(土壤反射多层辐射传输模型),将土壤反射光谱与土壤含水量以及水膜厚度建立联系,反演得出更高精度的土壤含水量; Gao等[21]测量了来自江苏省东台东北部潮滩的土壤样品的多角度反射率后基于粒子群优化算法,利用土壤光谱双向反射模型测出土壤表面的光谱特征,并通过引入土壤的等效水膜厚度来反演出更高精度的土壤含水量.虽然许多结合模型的θ-R研究方法都获得不错的结果,但大多数使用的都是经验模型,而不同的条件下使用经验模型也会产生许多不同的情况,还不能达到稳定的效果.因此,本文对现有的推导θ-R关系的方法进行了综述,并对它们的潜力和局限性进行了分析. ...
Visible and near infrared spectroscopy in soil science
1
2010
... HRS方法的主要先决条件是建立θ-R模型,该模型可用于从新样本的R估计θ.但是,开发具有合理精度的θ-R模型仍然是一项艰巨的任务,因为R不仅取决于θ,而且还受土壤的颜色、结构、矿物成分、有机质含量、粒度分布、表面粗糙度、干燥度以及测量条件的影响[16⇓⇓-19].近几十年来,已有许多学者结合模型法对θ-R关系进行了研究,Bablet等[20]基于MARMIT(土壤反射多层辐射传输模型),将土壤反射光谱与土壤含水量以及水膜厚度建立联系,反演得出更高精度的土壤含水量; Gao等[21]测量了来自江苏省东台东北部潮滩的土壤样品的多角度反射率后基于粒子群优化算法,利用土壤光谱双向反射模型测出土壤表面的光谱特征,并通过引入土壤的等效水膜厚度来反演出更高精度的土壤含水量.虽然许多结合模型的θ-R研究方法都获得不错的结果,但大多数使用的都是经验模型,而不同的条件下使用经验模型也会产生许多不同的情况,还不能达到稳定的效果.因此,本文对现有的推导θ-R关系的方法进行了综述,并对它们的潜力和局限性进行了分析. ...
Diffuse reflectance spectroscopic approach for the characterization of soil aggregate size distribution
1
2014
... HRS方法的主要先决条件是建立θ-R模型,该模型可用于从新样本的R估计θ.但是,开发具有合理精度的θ-R模型仍然是一项艰巨的任务,因为R不仅取决于θ,而且还受土壤的颜色、结构、矿物成分、有机质含量、粒度分布、表面粗糙度、干燥度以及测量条件的影响[16⇓⇓-19].近几十年来,已有许多学者结合模型法对θ-R关系进行了研究,Bablet等[20]基于MARMIT(土壤反射多层辐射传输模型),将土壤反射光谱与土壤含水量以及水膜厚度建立联系,反演得出更高精度的土壤含水量; Gao等[21]测量了来自江苏省东台东北部潮滩的土壤样品的多角度反射率后基于粒子群优化算法,利用土壤光谱双向反射模型测出土壤表面的光谱特征,并通过引入土壤的等效水膜厚度来反演出更高精度的土壤含水量.虽然许多结合模型的θ-R研究方法都获得不错的结果,但大多数使用的都是经验模型,而不同的条件下使用经验模型也会产生许多不同的情况,还不能达到稳定的效果.因此,本文对现有的推导θ-R关系的方法进行了综述,并对它们的潜力和局限性进行了分析. ...
Relationship between surface soil water content,evaporation rate,and water absorption band depths in SWIR reflectance spectra
1
2015
... HRS方法的主要先决条件是建立θ-R模型,该模型可用于从新样本的R估计θ.但是,开发具有合理精度的θ-R模型仍然是一项艰巨的任务,因为R不仅取决于θ,而且还受土壤的颜色、结构、矿物成分、有机质含量、粒度分布、表面粗糙度、干燥度以及测量条件的影响[16⇓⇓-19].近几十年来,已有许多学者结合模型法对θ-R关系进行了研究,Bablet等[20]基于MARMIT(土壤反射多层辐射传输模型),将土壤反射光谱与土壤含水量以及水膜厚度建立联系,反演得出更高精度的土壤含水量; Gao等[21]测量了来自江苏省东台东北部潮滩的土壤样品的多角度反射率后基于粒子群优化算法,利用土壤光谱双向反射模型测出土壤表面的光谱特征,并通过引入土壤的等效水膜厚度来反演出更高精度的土壤含水量.虽然许多结合模型的θ-R研究方法都获得不错的结果,但大多数使用的都是经验模型,而不同的条件下使用经验模型也会产生许多不同的情况,还不能达到稳定的效果.因此,本文对现有的推导θ-R关系的方法进行了综述,并对它们的潜力和局限性进行了分析. ...
MARMIT:A multilayer radiative transfer model of soil reflectance to estimate surface soil moisture content in the solar domain (400-2 500 nm)
1
2018
... HRS方法的主要先决条件是建立θ-R模型,该模型可用于从新样本的R估计θ.但是,开发具有合理精度的θ-R模型仍然是一项艰巨的任务,因为R不仅取决于θ,而且还受土壤的颜色、结构、矿物成分、有机质含量、粒度分布、表面粗糙度、干燥度以及测量条件的影响[16⇓⇓-19].近几十年来,已有许多学者结合模型法对θ-R关系进行了研究,Bablet等[20]基于MARMIT(土壤反射多层辐射传输模型),将土壤反射光谱与土壤含水量以及水膜厚度建立联系,反演得出更高精度的土壤含水量; Gao等[21]测量了来自江苏省东台东北部潮滩的土壤样品的多角度反射率后基于粒子群优化算法,利用土壤光谱双向反射模型测出土壤表面的光谱特征,并通过引入土壤的等效水膜厚度来反演出更高精度的土壤含水量.虽然许多结合模型的θ-R研究方法都获得不错的结果,但大多数使用的都是经验模型,而不同的条件下使用经验模型也会产生许多不同的情况,还不能达到稳定的效果.因此,本文对现有的推导θ-R关系的方法进行了综述,并对它们的潜力和局限性进行了分析. ...
Retrieving photometric properties and soil moisture content of tidal flats using bidirectional spectral reflectance
1
2021
... HRS方法的主要先决条件是建立θ-R模型,该模型可用于从新样本的R估计θ.但是,开发具有合理精度的θ-R模型仍然是一项艰巨的任务,因为R不仅取决于θ,而且还受土壤的颜色、结构、矿物成分、有机质含量、粒度分布、表面粗糙度、干燥度以及测量条件的影响[16⇓⇓-19].近几十年来,已有许多学者结合模型法对θ-R关系进行了研究,Bablet等[20]基于MARMIT(土壤反射多层辐射传输模型),将土壤反射光谱与土壤含水量以及水膜厚度建立联系,反演得出更高精度的土壤含水量; Gao等[21]测量了来自江苏省东台东北部潮滩的土壤样品的多角度反射率后基于粒子群优化算法,利用土壤光谱双向反射模型测出土壤表面的光谱特征,并通过引入土壤的等效水膜厚度来反演出更高精度的土壤含水量.虽然许多结合模型的θ-R研究方法都获得不错的结果,但大多数使用的都是经验模型,而不同的条件下使用经验模型也会产生许多不同的情况,还不能达到稳定的效果.因此,本文对现有的推导θ-R关系的方法进行了综述,并对它们的潜力和局限性进行了分析. ...
高光谱遥感土壤湿度信息提取研究
4
2004
... 刘伟东等[22]证明了简单线性和非线性函数估算土壤含水量的效用,并描述了土壤在每个波段的反射率R与相对反射率R*(在非干燥条件下)之间的关系,公式为: ...
... 一般来说,光谱反射率指数表示2个或2个以上波长的光谱反射率值的组合[22],可以是特定波长下光谱反射率的值(spectral index, SI)或它们变量的比值指数(ratio index,RI)、差分指数(difference index,DI)、导数(derivative,Der)和归一化指数(normalized difference index,NDI),通过一系列简单快速的计算,就可增强并获取相应目标土壤含水量的光谱特征,十分方便.公式分别为: ...
... 式中: λi和 为2个连续的波长; λj为与λi不连续的波长; a和b为辅助参数.在这类方法中,式(5)表示的是特定波长下光谱反射率的值; 式(6)表示的是比值指数法,即2个离散波长的反射率比值,如基于1 300 nm和1 450 nm波长的土壤含水量指数法(WISOIL); 式(7)表示的差分指数法和式(8)的导数法均由刘伟东等[22]提出,2种方法都尽量减少其他混杂因素的影响,以提高R对θ的敏感性,导数法近似于2个连续波长之间的有限差分而不是算术差分,当在计算中使用连续波长,即当λi+1=λj时,差分指数法和导数法则会产生相同的结果; 式(9)所示的归一化指数法是2个特定波长下的差值与反射率值之和的比值,如基于1 800 nm和2 119 nm波长的归一化土壤含水量指数[1]就属于归一化指数法. ...
... 刘伟东等[22]比较了相对反射率法、导数法和差分法估算土壤含水量的性能,得出一阶导数法估算土壤含水量优于其他方法的结论.最近,Tian等[23]建立了基于辐射传输的模型支持下的短波归一化指数(shortwave normalization index,SNI)用于土壤含水量估算,经验证,在土壤干燥阶段过程中,SNI指数所使用的分割方法显著提高了土壤含水量估计精度; Yue等[24]通过使用短波红外波段的不同吸水率特性,评估了3种标准化短波红外差异裸土水分指数(normalized shortwave-infrared difference soil moisture indices,NSDSI)估算裸土的含水量,得到2个短波红外波段比单一短波红外波段对裸土湿度估计更准确的结论; 另外,Fabre等[25]提出另外2个新的归一化指数,即使用近红外和短波红外波段从线性和非线性角度估算土壤含水量,线性回归法使用的是2 076 nm和2 230 nm的波长(R2=0.87; RMSE=4.4),而非线性回归法是基于2 122 nm和2 230 nm的波长(R2=0.74~0.85; RMSE=4.8~6.2),经过比较得出非线性回归法估算土壤含水量的结果要优于其他方法的结论. ...
高光谱遥感土壤湿度信息提取研究
4
2004
... 刘伟东等[22]证明了简单线性和非线性函数估算土壤含水量的效用,并描述了土壤在每个波段的反射率R与相对反射率R*(在非干燥条件下)之间的关系,公式为: ...
... 一般来说,光谱反射率指数表示2个或2个以上波长的光谱反射率值的组合[22],可以是特定波长下光谱反射率的值(spectral index, SI)或它们变量的比值指数(ratio index,RI)、差分指数(difference index,DI)、导数(derivative,Der)和归一化指数(normalized difference index,NDI),通过一系列简单快速的计算,就可增强并获取相应目标土壤含水量的光谱特征,十分方便.公式分别为: ...
... 式中: λi和 为2个连续的波长; λj为与λi不连续的波长; a和b为辅助参数.在这类方法中,式(5)表示的是特定波长下光谱反射率的值; 式(6)表示的是比值指数法,即2个离散波长的反射率比值,如基于1 300 nm和1 450 nm波长的土壤含水量指数法(WISOIL); 式(7)表示的差分指数法和式(8)的导数法均由刘伟东等[22]提出,2种方法都尽量减少其他混杂因素的影响,以提高R对θ的敏感性,导数法近似于2个连续波长之间的有限差分而不是算术差分,当在计算中使用连续波长,即当λi+1=λj时,差分指数法和导数法则会产生相同的结果; 式(9)所示的归一化指数法是2个特定波长下的差值与反射率值之和的比值,如基于1 800 nm和2 119 nm波长的归一化土壤含水量指数[1]就属于归一化指数法. ...
... 刘伟东等[22]比较了相对反射率法、导数法和差分法估算土壤含水量的性能,得出一阶导数法估算土壤含水量优于其他方法的结论.最近,Tian等[23]建立了基于辐射传输的模型支持下的短波归一化指数(shortwave normalization index,SNI)用于土壤含水量估算,经验证,在土壤干燥阶段过程中,SNI指数所使用的分割方法显著提高了土壤含水量估计精度; Yue等[24]通过使用短波红外波段的不同吸水率特性,评估了3种标准化短波红外差异裸土水分指数(normalized shortwave-infrared difference soil moisture indices,NSDSI)估算裸土的含水量,得到2个短波红外波段比单一短波红外波段对裸土湿度估计更准确的结论; 另外,Fabre等[25]提出另外2个新的归一化指数,即使用近红外和短波红外波段从线性和非线性角度估算土壤含水量,线性回归法使用的是2 076 nm和2 230 nm的波长(R2=0.87; RMSE=4.4),而非线性回归法是基于2 122 nm和2 230 nm的波长(R2=0.74~0.85; RMSE=4.8~6.2),经过比较得出非线性回归法估算土壤含水量的结果要优于其他方法的结论. ...
Soil moisture content estimate with drying process segmentation using shortwave infrared bands
1
2021
... 刘伟东等[22]比较了相对反射率法、导数法和差分法估算土壤含水量的性能,得出一阶导数法估算土壤含水量优于其他方法的结论.最近,Tian等[23]建立了基于辐射传输的模型支持下的短波归一化指数(shortwave normalization index,SNI)用于土壤含水量估算,经验证,在土壤干燥阶段过程中,SNI指数所使用的分割方法显著提高了土壤含水量估计精度; Yue等[24]通过使用短波红外波段的不同吸水率特性,评估了3种标准化短波红外差异裸土水分指数(normalized shortwave-infrared difference soil moisture indices,NSDSI)估算裸土的含水量,得到2个短波红外波段比单一短波红外波段对裸土湿度估计更准确的结论; 另外,Fabre等[25]提出另外2个新的归一化指数,即使用近红外和短波红外波段从线性和非线性角度估算土壤含水量,线性回归法使用的是2 076 nm和2 230 nm的波长(R2=0.87; RMSE=4.4),而非线性回归法是基于2 122 nm和2 230 nm的波长(R2=0.74~0.85; RMSE=4.8~6.2),经过比较得出非线性回归法估算土壤含水量的结果要优于其他方法的结论. ...
Development of soil moisture indices from differences in water absorption between shortwave-infrared bands
1
2019
... 刘伟东等[22]比较了相对反射率法、导数法和差分法估算土壤含水量的性能,得出一阶导数法估算土壤含水量优于其他方法的结论.最近,Tian等[23]建立了基于辐射传输的模型支持下的短波归一化指数(shortwave normalization index,SNI)用于土壤含水量估算,经验证,在土壤干燥阶段过程中,SNI指数所使用的分割方法显著提高了土壤含水量估计精度; Yue等[24]通过使用短波红外波段的不同吸水率特性,评估了3种标准化短波红外差异裸土水分指数(normalized shortwave-infrared difference soil moisture indices,NSDSI)估算裸土的含水量,得到2个短波红外波段比单一短波红外波段对裸土湿度估计更准确的结论; 另外,Fabre等[25]提出另外2个新的归一化指数,即使用近红外和短波红外波段从线性和非线性角度估算土壤含水量,线性回归法使用的是2 076 nm和2 230 nm的波长(R2=0.87; RMSE=4.4),而非线性回归法是基于2 122 nm和2 230 nm的波长(R2=0.74~0.85; RMSE=4.8~6.2),经过比较得出非线性回归法估算土壤含水量的结果要优于其他方法的结论. ...
Estimation of soil moisture content from the spectral reflectance of bare soils in the 0.4-2.5 mm domain
1
2015
... 刘伟东等[22]比较了相对反射率法、导数法和差分法估算土壤含水量的性能,得出一阶导数法估算土壤含水量优于其他方法的结论.最近,Tian等[23]建立了基于辐射传输的模型支持下的短波归一化指数(shortwave normalization index,SNI)用于土壤含水量估算,经验证,在土壤干燥阶段过程中,SNI指数所使用的分割方法显著提高了土壤含水量估计精度; Yue等[24]通过使用短波红外波段的不同吸水率特性,评估了3种标准化短波红外差异裸土水分指数(normalized shortwave-infrared difference soil moisture indices,NSDSI)估算裸土的含水量,得到2个短波红外波段比单一短波红外波段对裸土湿度估计更准确的结论; 另外,Fabre等[25]提出另外2个新的归一化指数,即使用近红外和短波红外波段从线性和非线性角度估算土壤含水量,线性回归法使用的是2 076 nm和2 230 nm的波长(R2=0.87; RMSE=4.4),而非线性回归法是基于2 122 nm和2 230 nm的波长(R2=0.74~0.85; RMSE=4.8~6.2),经过比较得出非线性回归法估算土壤含水量的结果要优于其他方法的结论. ...
Moisture effects on soil reflectance
1
2002
... Lobell等[26]提出的物理模型解释了湿润状态下θ与R之间的关系,公式为: ...
A closed-form equation for predicting the hydraulic conductivity of unsaturated soils
2
1980
... van Genuchten[27]提出描述基本电位h与θ关系的一种常用经验模型; Nolet等[28]在此基础上提出了用R代替模型中基本电位h的方法来描述θ-R之间的关系.公式为: ...
... Comparison of different methods for estimating soil water content using hyperspectral characteristics
Tab.1 类别 | 方法 | 波长/nm | N① | R2② | RMSE③ | 代表性文献 | 优点 | 缺点 |
波谱反射率法 | 反射率差分指数法 | 2 062,2 250 | 18 | 0.69 | 0.08 | Haubrock等[1] | 土壤类型影响小 | 计算相对复杂 |
反射率指数模型法 | 350~2 500 | 4 | - | - | Lobell等[10] | 短波红外范围应用良好 | 不适用土壤体积含水量低于20%的情况 |
反射率比值指数法 | 1 944 | 18 | 0.68 | 0.08 | 刘伟东等[13] | 计算方便快速 | 依赖干燥土壤光谱信息 |
反射率一阶导数法 | 1 834,1 836 | 18 | 0.63 | 0.08 | 刘伟东等[13] | 无需先验土壤信息 | 产生冗余的光谱信息 |
相对反射率法 | 1 998 | 10 | 0.84 | 0.04 | 刘伟东[15] | 计算简单快速 | 不适用于野外 |
反射率物理模型法 | 350~2 100 | 1 | >0.99 | - | van Genuchten[27] | 考虑到土壤的物理特性 | 需获取特定初始信息,应用具有局限性 |
函数法 | 反高斯函数法 | 1 200~2 500 | 257 | 0.92 | 0.03 | Whiting等[29] | 可以结合各类高光谱模式使用 | 难以确定输入信息,须对光谱进行额外处理 |
模型法 | 光学模型法 | 350~2 100 | 1 | >0.97 | - | Haubrock等[1] | 无需考虑高光谱反射率 | 应用具有局限性 |
机器学习法 | SMLR | 1 623~2 467 | 1 571 | 0.88 | 5.19 | 申艳等[38] | 减少变量间的共线性问题 | 信息易丢失,导致模型的过适应性 |
PCR | 400~2 498 | 802 | 0.84 | 0.005 | 申艳等[38] | 应用全部的光谱信息 | 计算繁琐 |
PLSR | 401~1 699 | 360 | 0.97 | 0.02 | Svante等[40] |
830~2 630 | 403 | 0.96 | 0.60 | 李晓明[39] | 应用全部的光谱信息 | 无法解释土壤光谱间的非线性效应 |
370~1 979 | 1 160 | 0.66 | 0.76 | Svante等[40] |
ANN | 420~800 | - | 0.77 | 2.00 | Leila等[45] | 自动学习分析,无需基础辅助参数 | 容易过度拟合 |
SVMR | 370~1 979 | 1 160 | 0.69 | 0.72 | Vapnik等[46] | 无需基础辅助参数 | 仅适用于密集型计算 |
MLR | 450~2 500 | 40 | 0.68~0.96 | - | 贾学勤等[47] | 不受土壤类型影响 | 忽略某些点的光谱信息 |
MARS | 370~1 979 | 1 160 | 0.73 | 0.67 | Friedman[48] | 自动建立联系,无需基础辅助参数 | 过程繁琐 |
①N为土壤样例数; ②R2为相关系数; ③RMSE为均方根误差. ...
Measuring and modeling the effect of surface moisture on the spectral reflectance of coastal beach sand
1
2014
... van Genuchten[27]提出描述基本电位h与θ关系的一种常用经验模型; Nolet等[28]在此基础上提出了用R代替模型中基本电位h的方法来描述θ-R之间的关系.公式为: ...
Predicting water content using Gaussian model on soil spectra
2
2004
... Whiting等[29]将反高斯函数g(λ)与土壤光谱反射面相结合来估算土壤含水量,其反射面积A和振幅Z的参数与θ相关联.当使用短波红外波长进行计算时,辅助参数与反射面积A高度相关,2 800 nm左右的波长范围对其影响较大.g(λ),A和Z的计算公式分别为: ...
... Comparison of different methods for estimating soil water content using hyperspectral characteristics
Tab.1 类别 | 方法 | 波长/nm | N① | R2② | RMSE③ | 代表性文献 | 优点 | 缺点 |
波谱反射率法 | 反射率差分指数法 | 2 062,2 250 | 18 | 0.69 | 0.08 | Haubrock等[1] | 土壤类型影响小 | 计算相对复杂 |
反射率指数模型法 | 350~2 500 | 4 | - | - | Lobell等[10] | 短波红外范围应用良好 | 不适用土壤体积含水量低于20%的情况 |
反射率比值指数法 | 1 944 | 18 | 0.68 | 0.08 | 刘伟东等[13] | 计算方便快速 | 依赖干燥土壤光谱信息 |
反射率一阶导数法 | 1 834,1 836 | 18 | 0.63 | 0.08 | 刘伟东等[13] | 无需先验土壤信息 | 产生冗余的光谱信息 |
相对反射率法 | 1 998 | 10 | 0.84 | 0.04 | 刘伟东[15] | 计算简单快速 | 不适用于野外 |
反射率物理模型法 | 350~2 100 | 1 | >0.99 | - | van Genuchten[27] | 考虑到土壤的物理特性 | 需获取特定初始信息,应用具有局限性 |
函数法 | 反高斯函数法 | 1 200~2 500 | 257 | 0.92 | 0.03 | Whiting等[29] | 可以结合各类高光谱模式使用 | 难以确定输入信息,须对光谱进行额外处理 |
模型法 | 光学模型法 | 350~2 100 | 1 | >0.97 | - | Haubrock等[1] | 无需考虑高光谱反射率 | 应用具有局限性 |
机器学习法 | SMLR | 1 623~2 467 | 1 571 | 0.88 | 5.19 | 申艳等[38] | 减少变量间的共线性问题 | 信息易丢失,导致模型的过适应性 |
PCR | 400~2 498 | 802 | 0.84 | 0.005 | 申艳等[38] | 应用全部的光谱信息 | 计算繁琐 |
PLSR | 401~1 699 | 360 | 0.97 | 0.02 | Svante等[40] |
830~2 630 | 403 | 0.96 | 0.60 | 李晓明[39] | 应用全部的光谱信息 | 无法解释土壤光谱间的非线性效应 |
370~1 979 | 1 160 | 0.66 | 0.76 | Svante等[40] |
ANN | 420~800 | - | 0.77 | 2.00 | Leila等[45] | 自动学习分析,无需基础辅助参数 | 容易过度拟合 |
SVMR | 370~1 979 | 1 160 | 0.69 | 0.72 | Vapnik等[46] | 无需基础辅助参数 | 仅适用于密集型计算 |
MLR | 450~2 500 | 40 | 0.68~0.96 | - | 贾学勤等[47] | 不受土壤类型影响 | 忽略某些点的光谱信息 |
MARS | 370~1 979 | 1 160 | 0.73 | 0.67 | Friedman[48] | 自动建立联系,无需基础辅助参数 | 过程繁琐 |
①N为土壤样例数; ②R2为相关系数; ③RMSE为均方根误差. ...
Spectral reflectance of wetted soils
2
2010
... Philpot [30]提出了一个类似于Lobell等[10]的简单模型来描述光谱反射率,包括水面的菲涅耳反射率Rw、土壤颗粒的反射率Rs、液态水的吸收系数aw和光通过孔隙仪的日平均光程d,公式为: ...
... 反高斯函数法是通过近红外和短波红外区域1.2~2.5 μm的反射率下降来估计水分含量,基本吸水率在2.8 μm处的扩散,对其影响较少,因此,该方法可与所有高光谱反射率测量模式结合使用.但是,它需要对光谱进行额外的预处理,以削弱短波红外区域的噪声,同时其面临难以确定的输入信息[50].Philpot[30]所证明的简单的概念模型在实验研究中被发现是成功的,可以解释4种土壤类型的θ-R关系,但是这种模式是“肤浅”的,不足以令人信服. ...
1
1981
... 式中fw为水面反射辐射的表面积分数百分比.近红外波长范围的吸收系数值aw可以从Segelstein[31]和Kou等[32]的研究中获得. ...
Indices of water and ice in the 0.65 to 2.5 mm spectral range
1
1993
... 式中fw为水面反射辐射的表面积分数百分比.近红外波长范围的吸收系数值aw可以从Segelstein[31]和Kou等[32]的研究中获得. ...
Measuring and modeling the effect of surface moisture on the spectral reflectance of coastal beach sand
1
2014
... Nolet等[33]针对小面积湿润土壤反映出来的土壤反射率的变化很小,因而忽略了该部分造成的影响,并提出了一个基于兰伯特定律的针对沿海海滩砂砾进行分析的简单指数模型,公式为: ...
A linear physically-based model for remote sensing of soil moisture using short wave infrared bands
1
2015
... Sadeghi等[34]提出了一个简单的线性物理模型,该模型将土壤反射率即吸收与散射系数之比转换为干燥与饱和状态下土壤反射率的比值,公式为: ...
Simultaneous determination of moisture,organic carbon, and total nitrogen by near infrared reflectance spectrophotometry
1
1986
... Dalal等[35]使用MLR建立θ-R之间的关系,而王涛等[36]则采用了SMLR分析它们之间的关系,但这2种方法都存在一个缺点,即只用了某些特征波长点的光谱信息, 忽略其他点的信息,从而造成信息丢失, 导致模型的过适应性.PCR方法很好地解决了这个问题[37],PCR涉及到数学过程,通过正交变换将多个可能相关的变量转换为多个不相关的变量,这类变换可以通过数据协方差矩阵的特征值分解或数据矩阵的奇异值分解来实现.与PCR类似的方法是PLSR方法[38],它们最显著的特点是利用了全部的光谱信息,在PLSR中,预测变量和响应变量都被用于建立预测能力最强的分数,PLSR算法集成了压缩和回归步骤,并选择了连续的正交因子,使预测变量和响应变量之间的协方差最大化,从而提高了预测精度,因此该方法在土壤光谱研究中广受欢迎,并已被广泛用于估算土壤含水量[39]. ...
MLR和PLSR的沙壤土盐分含量光谱检测对比研究
1
2018
... Dalal等[35]使用MLR建立θ-R之间的关系,而王涛等[36]则采用了SMLR分析它们之间的关系,但这2种方法都存在一个缺点,即只用了某些特征波长点的光谱信息, 忽略其他点的信息,从而造成信息丢失, 导致模型的过适应性.PCR方法很好地解决了这个问题[37],PCR涉及到数学过程,通过正交变换将多个可能相关的变量转换为多个不相关的变量,这类变换可以通过数据协方差矩阵的特征值分解或数据矩阵的奇异值分解来实现.与PCR类似的方法是PLSR方法[38],它们最显著的特点是利用了全部的光谱信息,在PLSR中,预测变量和响应变量都被用于建立预测能力最强的分数,PLSR算法集成了压缩和回归步骤,并选择了连续的正交因子,使预测变量和响应变量之间的协方差最大化,从而提高了预测精度,因此该方法在土壤光谱研究中广受欢迎,并已被广泛用于估算土壤含水量[39]. ...
MLR和PLSR的沙壤土盐分含量光谱检测对比研究
1
2018
... Dalal等[35]使用MLR建立θ-R之间的关系,而王涛等[36]则采用了SMLR分析它们之间的关系,但这2种方法都存在一个缺点,即只用了某些特征波长点的光谱信息, 忽略其他点的信息,从而造成信息丢失, 导致模型的过适应性.PCR方法很好地解决了这个问题[37],PCR涉及到数学过程,通过正交变换将多个可能相关的变量转换为多个不相关的变量,这类变换可以通过数据协方差矩阵的特征值分解或数据矩阵的奇异值分解来实现.与PCR类似的方法是PLSR方法[38],它们最显著的特点是利用了全部的光谱信息,在PLSR中,预测变量和响应变量都被用于建立预测能力最强的分数,PLSR算法集成了压缩和回归步骤,并选择了连续的正交因子,使预测变量和响应变量之间的协方差最大化,从而提高了预测精度,因此该方法在土壤光谱研究中广受欢迎,并已被广泛用于估算土壤含水量[39]. ...
Near-infrared reflectance spectroscopy-principal components regression analyses of soil properties
1
2001
... Dalal等[35]使用MLR建立θ-R之间的关系,而王涛等[36]则采用了SMLR分析它们之间的关系,但这2种方法都存在一个缺点,即只用了某些特征波长点的光谱信息, 忽略其他点的信息,从而造成信息丢失, 导致模型的过适应性.PCR方法很好地解决了这个问题[37],PCR涉及到数学过程,通过正交变换将多个可能相关的变量转换为多个不相关的变量,这类变换可以通过数据协方差矩阵的特征值分解或数据矩阵的奇异值分解来实现.与PCR类似的方法是PLSR方法[38],它们最显著的特点是利用了全部的光谱信息,在PLSR中,预测变量和响应变量都被用于建立预测能力最强的分数,PLSR算法集成了压缩和回归步骤,并选择了连续的正交因子,使预测变量和响应变量之间的协方差最大化,从而提高了预测精度,因此该方法在土壤光谱研究中广受欢迎,并已被广泛用于估算土壤含水量[39]. ...
近红外光谱法在土壤有机质研究中的应用
3
2010
... Dalal等[35]使用MLR建立θ-R之间的关系,而王涛等[36]则采用了SMLR分析它们之间的关系,但这2种方法都存在一个缺点,即只用了某些特征波长点的光谱信息, 忽略其他点的信息,从而造成信息丢失, 导致模型的过适应性.PCR方法很好地解决了这个问题[37],PCR涉及到数学过程,通过正交变换将多个可能相关的变量转换为多个不相关的变量,这类变换可以通过数据协方差矩阵的特征值分解或数据矩阵的奇异值分解来实现.与PCR类似的方法是PLSR方法[38],它们最显著的特点是利用了全部的光谱信息,在PLSR中,预测变量和响应变量都被用于建立预测能力最强的分数,PLSR算法集成了压缩和回归步骤,并选择了连续的正交因子,使预测变量和响应变量之间的协方差最大化,从而提高了预测精度,因此该方法在土壤光谱研究中广受欢迎,并已被广泛用于估算土壤含水量[39]. ...
... Comparison of different methods for estimating soil water content using hyperspectral characteristics
Tab.1 类别 | 方法 | 波长/nm | N① | R2② | RMSE③ | 代表性文献 | 优点 | 缺点 |
波谱反射率法 | 反射率差分指数法 | 2 062,2 250 | 18 | 0.69 | 0.08 | Haubrock等[1] | 土壤类型影响小 | 计算相对复杂 |
反射率指数模型法 | 350~2 500 | 4 | - | - | Lobell等[10] | 短波红外范围应用良好 | 不适用土壤体积含水量低于20%的情况 |
反射率比值指数法 | 1 944 | 18 | 0.68 | 0.08 | 刘伟东等[13] | 计算方便快速 | 依赖干燥土壤光谱信息 |
反射率一阶导数法 | 1 834,1 836 | 18 | 0.63 | 0.08 | 刘伟东等[13] | 无需先验土壤信息 | 产生冗余的光谱信息 |
相对反射率法 | 1 998 | 10 | 0.84 | 0.04 | 刘伟东[15] | 计算简单快速 | 不适用于野外 |
反射率物理模型法 | 350~2 100 | 1 | >0.99 | - | van Genuchten[27] | 考虑到土壤的物理特性 | 需获取特定初始信息,应用具有局限性 |
函数法 | 反高斯函数法 | 1 200~2 500 | 257 | 0.92 | 0.03 | Whiting等[29] | 可以结合各类高光谱模式使用 | 难以确定输入信息,须对光谱进行额外处理 |
模型法 | 光学模型法 | 350~2 100 | 1 | >0.97 | - | Haubrock等[1] | 无需考虑高光谱反射率 | 应用具有局限性 |
机器学习法 | SMLR | 1 623~2 467 | 1 571 | 0.88 | 5.19 | 申艳等[38] | 减少变量间的共线性问题 | 信息易丢失,导致模型的过适应性 |
PCR | 400~2 498 | 802 | 0.84 | 0.005 | 申艳等[38] | 应用全部的光谱信息 | 计算繁琐 |
PLSR | 401~1 699 | 360 | 0.97 | 0.02 | Svante等[40] |
830~2 630 | 403 | 0.96 | 0.60 | 李晓明[39] | 应用全部的光谱信息 | 无法解释土壤光谱间的非线性效应 |
370~1 979 | 1 160 | 0.66 | 0.76 | Svante等[40] |
ANN | 420~800 | - | 0.77 | 2.00 | Leila等[45] | 自动学习分析,无需基础辅助参数 | 容易过度拟合 |
SVMR | 370~1 979 | 1 160 | 0.69 | 0.72 | Vapnik等[46] | 无需基础辅助参数 | 仅适用于密集型计算 |
MLR | 450~2 500 | 40 | 0.68~0.96 | - | 贾学勤等[47] | 不受土壤类型影响 | 忽略某些点的光谱信息 |
MARS | 370~1 979 | 1 160 | 0.73 | 0.67 | Friedman[48] | 自动建立联系,无需基础辅助参数 | 过程繁琐 |
①N为土壤样例数; ②R2为相关系数; ③RMSE为均方根误差. ...
... [
38]
应用全部的光谱信息 | 计算繁琐 | PLSR | 401~1 699 | 360 | 0.97 | 0.02 | Svante等[40] |
830~2 630 | 403 | 0.96 | 0.60 | 李晓明[39] | 应用全部的光谱信息 | 无法解释土壤光谱间的非线性效应 |
370~1 979 | 1 160 | 0.66 | 0.76 | Svante等[40] |
ANN | 420~800 | - | 0.77 | 2.00 | Leila等[45] | 自动学习分析,无需基础辅助参数 | 容易过度拟合 |
SVMR | 370~1 979 | 1 160 | 0.69 | 0.72 | Vapnik等[46] | 无需基础辅助参数 | 仅适用于密集型计算 |
MLR | 450~2 500 | 40 | 0.68~0.96 | - | 贾学勤等[47] | 不受土壤类型影响 | 忽略某些点的光谱信息 |
MARS | 370~1 979 | 1 160 | 0.73 | 0.67 | Friedman[48] | 自动建立联系,无需基础辅助参数 | 过程繁琐 |
①N为土壤样例数; ②R2为相关系数; ③RMSE为均方根误差. ...
近红外光谱法在土壤有机质研究中的应用
3
2010
... Dalal等[35]使用MLR建立θ-R之间的关系,而王涛等[36]则采用了SMLR分析它们之间的关系,但这2种方法都存在一个缺点,即只用了某些特征波长点的光谱信息, 忽略其他点的信息,从而造成信息丢失, 导致模型的过适应性.PCR方法很好地解决了这个问题[37],PCR涉及到数学过程,通过正交变换将多个可能相关的变量转换为多个不相关的变量,这类变换可以通过数据协方差矩阵的特征值分解或数据矩阵的奇异值分解来实现.与PCR类似的方法是PLSR方法[38],它们最显著的特点是利用了全部的光谱信息,在PLSR中,预测变量和响应变量都被用于建立预测能力最强的分数,PLSR算法集成了压缩和回归步骤,并选择了连续的正交因子,使预测变量和响应变量之间的协方差最大化,从而提高了预测精度,因此该方法在土壤光谱研究中广受欢迎,并已被广泛用于估算土壤含水量[39]. ...
... Comparison of different methods for estimating soil water content using hyperspectral characteristics
Tab.1 类别 | 方法 | 波长/nm | N① | R2② | RMSE③ | 代表性文献 | 优点 | 缺点 |
波谱反射率法 | 反射率差分指数法 | 2 062,2 250 | 18 | 0.69 | 0.08 | Haubrock等[1] | 土壤类型影响小 | 计算相对复杂 |
反射率指数模型法 | 350~2 500 | 4 | - | - | Lobell等[10] | 短波红外范围应用良好 | 不适用土壤体积含水量低于20%的情况 |
反射率比值指数法 | 1 944 | 18 | 0.68 | 0.08 | 刘伟东等[13] | 计算方便快速 | 依赖干燥土壤光谱信息 |
反射率一阶导数法 | 1 834,1 836 | 18 | 0.63 | 0.08 | 刘伟东等[13] | 无需先验土壤信息 | 产生冗余的光谱信息 |
相对反射率法 | 1 998 | 10 | 0.84 | 0.04 | 刘伟东[15] | 计算简单快速 | 不适用于野外 |
反射率物理模型法 | 350~2 100 | 1 | >0.99 | - | van Genuchten[27] | 考虑到土壤的物理特性 | 需获取特定初始信息,应用具有局限性 |
函数法 | 反高斯函数法 | 1 200~2 500 | 257 | 0.92 | 0.03 | Whiting等[29] | 可以结合各类高光谱模式使用 | 难以确定输入信息,须对光谱进行额外处理 |
模型法 | 光学模型法 | 350~2 100 | 1 | >0.97 | - | Haubrock等[1] | 无需考虑高光谱反射率 | 应用具有局限性 |
机器学习法 | SMLR | 1 623~2 467 | 1 571 | 0.88 | 5.19 | 申艳等[38] | 减少变量间的共线性问题 | 信息易丢失,导致模型的过适应性 |
PCR | 400~2 498 | 802 | 0.84 | 0.005 | 申艳等[38] | 应用全部的光谱信息 | 计算繁琐 |
PLSR | 401~1 699 | 360 | 0.97 | 0.02 | Svante等[40] |
830~2 630 | 403 | 0.96 | 0.60 | 李晓明[39] | 应用全部的光谱信息 | 无法解释土壤光谱间的非线性效应 |
370~1 979 | 1 160 | 0.66 | 0.76 | Svante等[40] |
ANN | 420~800 | - | 0.77 | 2.00 | Leila等[45] | 自动学习分析,无需基础辅助参数 | 容易过度拟合 |
SVMR | 370~1 979 | 1 160 | 0.69 | 0.72 | Vapnik等[46] | 无需基础辅助参数 | 仅适用于密集型计算 |
MLR | 450~2 500 | 40 | 0.68~0.96 | - | 贾学勤等[47] | 不受土壤类型影响 | 忽略某些点的光谱信息 |
MARS | 370~1 979 | 1 160 | 0.73 | 0.67 | Friedman[48] | 自动建立联系,无需基础辅助参数 | 过程繁琐 |
①N为土壤样例数; ②R2为相关系数; ③RMSE为均方根误差. ...
... [
38]
应用全部的光谱信息 | 计算繁琐 | PLSR | 401~1 699 | 360 | 0.97 | 0.02 | Svante等[40] |
830~2 630 | 403 | 0.96 | 0.60 | 李晓明[39] | 应用全部的光谱信息 | 无法解释土壤光谱间的非线性效应 |
370~1 979 | 1 160 | 0.66 | 0.76 | Svante等[40] |
ANN | 420~800 | - | 0.77 | 2.00 | Leila等[45] | 自动学习分析,无需基础辅助参数 | 容易过度拟合 |
SVMR | 370~1 979 | 1 160 | 0.69 | 0.72 | Vapnik等[46] | 无需基础辅助参数 | 仅适用于密集型计算 |
MLR | 450~2 500 | 40 | 0.68~0.96 | - | 贾学勤等[47] | 不受土壤类型影响 | 忽略某些点的光谱信息 |
MARS | 370~1 979 | 1 160 | 0.73 | 0.67 | Friedman[48] | 自动建立联系,无需基础辅助参数 | 过程繁琐 |
①N为土壤样例数; ②R2为相关系数; ③RMSE为均方根误差. ...
基于PLSR的土壤水分光谱特征研究
2
2017
... Dalal等[35]使用MLR建立θ-R之间的关系,而王涛等[36]则采用了SMLR分析它们之间的关系,但这2种方法都存在一个缺点,即只用了某些特征波长点的光谱信息, 忽略其他点的信息,从而造成信息丢失, 导致模型的过适应性.PCR方法很好地解决了这个问题[37],PCR涉及到数学过程,通过正交变换将多个可能相关的变量转换为多个不相关的变量,这类变换可以通过数据协方差矩阵的特征值分解或数据矩阵的奇异值分解来实现.与PCR类似的方法是PLSR方法[38],它们最显著的特点是利用了全部的光谱信息,在PLSR中,预测变量和响应变量都被用于建立预测能力最强的分数,PLSR算法集成了压缩和回归步骤,并选择了连续的正交因子,使预测变量和响应变量之间的协方差最大化,从而提高了预测精度,因此该方法在土壤光谱研究中广受欢迎,并已被广泛用于估算土壤含水量[39]. ...
... Comparison of different methods for estimating soil water content using hyperspectral characteristics
Tab.1 类别 | 方法 | 波长/nm | N① | R2② | RMSE③ | 代表性文献 | 优点 | 缺点 |
波谱反射率法 | 反射率差分指数法 | 2 062,2 250 | 18 | 0.69 | 0.08 | Haubrock等[1] | 土壤类型影响小 | 计算相对复杂 |
反射率指数模型法 | 350~2 500 | 4 | - | - | Lobell等[10] | 短波红外范围应用良好 | 不适用土壤体积含水量低于20%的情况 |
反射率比值指数法 | 1 944 | 18 | 0.68 | 0.08 | 刘伟东等[13] | 计算方便快速 | 依赖干燥土壤光谱信息 |
反射率一阶导数法 | 1 834,1 836 | 18 | 0.63 | 0.08 | 刘伟东等[13] | 无需先验土壤信息 | 产生冗余的光谱信息 |
相对反射率法 | 1 998 | 10 | 0.84 | 0.04 | 刘伟东[15] | 计算简单快速 | 不适用于野外 |
反射率物理模型法 | 350~2 100 | 1 | >0.99 | - | van Genuchten[27] | 考虑到土壤的物理特性 | 需获取特定初始信息,应用具有局限性 |
函数法 | 反高斯函数法 | 1 200~2 500 | 257 | 0.92 | 0.03 | Whiting等[29] | 可以结合各类高光谱模式使用 | 难以确定输入信息,须对光谱进行额外处理 |
模型法 | 光学模型法 | 350~2 100 | 1 | >0.97 | - | Haubrock等[1] | 无需考虑高光谱反射率 | 应用具有局限性 |
机器学习法 | SMLR | 1 623~2 467 | 1 571 | 0.88 | 5.19 | 申艳等[38] | 减少变量间的共线性问题 | 信息易丢失,导致模型的过适应性 |
PCR | 400~2 498 | 802 | 0.84 | 0.005 | 申艳等[38] | 应用全部的光谱信息 | 计算繁琐 |
PLSR | 401~1 699 | 360 | 0.97 | 0.02 | Svante等[40] |
830~2 630 | 403 | 0.96 | 0.60 | 李晓明[39] | 应用全部的光谱信息 | 无法解释土壤光谱间的非线性效应 |
370~1 979 | 1 160 | 0.66 | 0.76 | Svante等[40] |
ANN | 420~800 | - | 0.77 | 2.00 | Leila等[45] | 自动学习分析,无需基础辅助参数 | 容易过度拟合 |
SVMR | 370~1 979 | 1 160 | 0.69 | 0.72 | Vapnik等[46] | 无需基础辅助参数 | 仅适用于密集型计算 |
MLR | 450~2 500 | 40 | 0.68~0.96 | - | 贾学勤等[47] | 不受土壤类型影响 | 忽略某些点的光谱信息 |
MARS | 370~1 979 | 1 160 | 0.73 | 0.67 | Friedman[48] | 自动建立联系,无需基础辅助参数 | 过程繁琐 |
①N为土壤样例数; ②R2为相关系数; ③RMSE为均方根误差. ...
基于PLSR的土壤水分光谱特征研究
2
2017
... Dalal等[35]使用MLR建立θ-R之间的关系,而王涛等[36]则采用了SMLR分析它们之间的关系,但这2种方法都存在一个缺点,即只用了某些特征波长点的光谱信息, 忽略其他点的信息,从而造成信息丢失, 导致模型的过适应性.PCR方法很好地解决了这个问题[37],PCR涉及到数学过程,通过正交变换将多个可能相关的变量转换为多个不相关的变量,这类变换可以通过数据协方差矩阵的特征值分解或数据矩阵的奇异值分解来实现.与PCR类似的方法是PLSR方法[38],它们最显著的特点是利用了全部的光谱信息,在PLSR中,预测变量和响应变量都被用于建立预测能力最强的分数,PLSR算法集成了压缩和回归步骤,并选择了连续的正交因子,使预测变量和响应变量之间的协方差最大化,从而提高了预测精度,因此该方法在土壤光谱研究中广受欢迎,并已被广泛用于估算土壤含水量[39]. ...
... Comparison of different methods for estimating soil water content using hyperspectral characteristics
Tab.1 类别 | 方法 | 波长/nm | N① | R2② | RMSE③ | 代表性文献 | 优点 | 缺点 |
波谱反射率法 | 反射率差分指数法 | 2 062,2 250 | 18 | 0.69 | 0.08 | Haubrock等[1] | 土壤类型影响小 | 计算相对复杂 |
反射率指数模型法 | 350~2 500 | 4 | - | - | Lobell等[10] | 短波红外范围应用良好 | 不适用土壤体积含水量低于20%的情况 |
反射率比值指数法 | 1 944 | 18 | 0.68 | 0.08 | 刘伟东等[13] | 计算方便快速 | 依赖干燥土壤光谱信息 |
反射率一阶导数法 | 1 834,1 836 | 18 | 0.63 | 0.08 | 刘伟东等[13] | 无需先验土壤信息 | 产生冗余的光谱信息 |
相对反射率法 | 1 998 | 10 | 0.84 | 0.04 | 刘伟东[15] | 计算简单快速 | 不适用于野外 |
反射率物理模型法 | 350~2 100 | 1 | >0.99 | - | van Genuchten[27] | 考虑到土壤的物理特性 | 需获取特定初始信息,应用具有局限性 |
函数法 | 反高斯函数法 | 1 200~2 500 | 257 | 0.92 | 0.03 | Whiting等[29] | 可以结合各类高光谱模式使用 | 难以确定输入信息,须对光谱进行额外处理 |
模型法 | 光学模型法 | 350~2 100 | 1 | >0.97 | - | Haubrock等[1] | 无需考虑高光谱反射率 | 应用具有局限性 |
机器学习法 | SMLR | 1 623~2 467 | 1 571 | 0.88 | 5.19 | 申艳等[38] | 减少变量间的共线性问题 | 信息易丢失,导致模型的过适应性 |
PCR | 400~2 498 | 802 | 0.84 | 0.005 | 申艳等[38] | 应用全部的光谱信息 | 计算繁琐 |
PLSR | 401~1 699 | 360 | 0.97 | 0.02 | Svante等[40] |
830~2 630 | 403 | 0.96 | 0.60 | 李晓明[39] | 应用全部的光谱信息 | 无法解释土壤光谱间的非线性效应 |
370~1 979 | 1 160 | 0.66 | 0.76 | Svante等[40] |
ANN | 420~800 | - | 0.77 | 2.00 | Leila等[45] | 自动学习分析,无需基础辅助参数 | 容易过度拟合 |
SVMR | 370~1 979 | 1 160 | 0.69 | 0.72 | Vapnik等[46] | 无需基础辅助参数 | 仅适用于密集型计算 |
MLR | 450~2 500 | 40 | 0.68~0.96 | - | 贾学勤等[47] | 不受土壤类型影响 | 忽略某些点的光谱信息 |
MARS | 370~1 979 | 1 160 | 0.73 | 0.67 | Friedman[48] | 自动建立联系,无需基础辅助参数 | 过程繁琐 |
①N为土壤样例数; ②R2为相关系数; ③RMSE为均方根误差. ...
PLS-regression:A basic tool of chemometrics
3
2001
... MARS[40],ANN[41]和SVMR[42]作为强大的非参数预测工具,其性能也被广泛用于检验线性和非线性θ-R间的关系.SVMR是一种基于核的学习方法,将输入数据映射到高维特征空间,在SVMR中,训练数据被用来获得一个损失函数,根据训练数据的最大偏差映射输入数据,利用损失函数作为与实际值“差距”的度量,对大于损失函数的误差进行剔除,以获得较低复杂度的训练数据子集,从而提高估算精度.尚天浩等[43]对盐渍地区土壤原始光谱反射率进行多种数学变换,运用逐步回归(stepwise regression, SR)和灰色关联度(grey correlation degree, GCD)筛选敏感波段,比较MLR,PLSR和SVMR这3种方法模拟土壤含水量的精度情况,得出SVM模型为供试土壤含水量拟合的最佳模型,能够准确获取重度盐渍化研究区土壤含水量状况的结论; 吴士文等[44]也对比分析不同光谱预处理方法与PLSR,SVMR建模方法两两组合条件下对土壤含水量的精度预测,结果表明, 同一光谱预处理方法的SVMR模型预测精度均高于PLSR模型,因此也间接表明了SVMR法在某些方面优于一般的线性回归统计学习方法. ...
... Comparison of different methods for estimating soil water content using hyperspectral characteristics
Tab.1 类别 | 方法 | 波长/nm | N① | R2② | RMSE③ | 代表性文献 | 优点 | 缺点 |
波谱反射率法 | 反射率差分指数法 | 2 062,2 250 | 18 | 0.69 | 0.08 | Haubrock等[1] | 土壤类型影响小 | 计算相对复杂 |
反射率指数模型法 | 350~2 500 | 4 | - | - | Lobell等[10] | 短波红外范围应用良好 | 不适用土壤体积含水量低于20%的情况 |
反射率比值指数法 | 1 944 | 18 | 0.68 | 0.08 | 刘伟东等[13] | 计算方便快速 | 依赖干燥土壤光谱信息 |
反射率一阶导数法 | 1 834,1 836 | 18 | 0.63 | 0.08 | 刘伟东等[13] | 无需先验土壤信息 | 产生冗余的光谱信息 |
相对反射率法 | 1 998 | 10 | 0.84 | 0.04 | 刘伟东[15] | 计算简单快速 | 不适用于野外 |
反射率物理模型法 | 350~2 100 | 1 | >0.99 | - | van Genuchten[27] | 考虑到土壤的物理特性 | 需获取特定初始信息,应用具有局限性 |
函数法 | 反高斯函数法 | 1 200~2 500 | 257 | 0.92 | 0.03 | Whiting等[29] | 可以结合各类高光谱模式使用 | 难以确定输入信息,须对光谱进行额外处理 |
模型法 | 光学模型法 | 350~2 100 | 1 | >0.97 | - | Haubrock等[1] | 无需考虑高光谱反射率 | 应用具有局限性 |
机器学习法 | SMLR | 1 623~2 467 | 1 571 | 0.88 | 5.19 | 申艳等[38] | 减少变量间的共线性问题 | 信息易丢失,导致模型的过适应性 |
PCR | 400~2 498 | 802 | 0.84 | 0.005 | 申艳等[38] | 应用全部的光谱信息 | 计算繁琐 |
PLSR | 401~1 699 | 360 | 0.97 | 0.02 | Svante等[40] |
830~2 630 | 403 | 0.96 | 0.60 | 李晓明[39] | 应用全部的光谱信息 | 无法解释土壤光谱间的非线性效应 |
370~1 979 | 1 160 | 0.66 | 0.76 | Svante等[40] |
ANN | 420~800 | - | 0.77 | 2.00 | Leila等[45] | 自动学习分析,无需基础辅助参数 | 容易过度拟合 |
SVMR | 370~1 979 | 1 160 | 0.69 | 0.72 | Vapnik等[46] | 无需基础辅助参数 | 仅适用于密集型计算 |
MLR | 450~2 500 | 40 | 0.68~0.96 | - | 贾学勤等[47] | 不受土壤类型影响 | 忽略某些点的光谱信息 |
MARS | 370~1 979 | 1 160 | 0.73 | 0.67 | Friedman[48] | 自动建立联系,无需基础辅助参数 | 过程繁琐 |
①N为土壤样例数; ②R2为相关系数; ③RMSE为均方根误差. ...
... [
40]
ANN | 420~800 | - | 0.77 | 2.00 | Leila等[45] | 自动学习分析,无需基础辅助参数 | 容易过度拟合 |
SVMR | 370~1 979 | 1 160 | 0.69 | 0.72 | Vapnik等[46] | 无需基础辅助参数 | 仅适用于密集型计算 |
MLR | 450~2 500 | 40 | 0.68~0.96 | - | 贾学勤等[47] | 不受土壤类型影响 | 忽略某些点的光谱信息 |
MARS | 370~1 979 | 1 160 | 0.73 | 0.67 | Friedman[48] | 自动建立联系,无需基础辅助参数 | 过程繁琐 |
①N为土壤样例数; ②R2为相关系数; ③RMSE为均方根误差. ...
Potential of visible and near-infrared spectroscopy to derive colour groups utilising the munsell soil colour charts
1
2007
... MARS[40],ANN[41]和SVMR[42]作为强大的非参数预测工具,其性能也被广泛用于检验线性和非线性θ-R间的关系.SVMR是一种基于核的学习方法,将输入数据映射到高维特征空间,在SVMR中,训练数据被用来获得一个损失函数,根据训练数据的最大偏差映射输入数据,利用损失函数作为与实际值“差距”的度量,对大于损失函数的误差进行剔除,以获得较低复杂度的训练数据子集,从而提高估算精度.尚天浩等[43]对盐渍地区土壤原始光谱反射率进行多种数学变换,运用逐步回归(stepwise regression, SR)和灰色关联度(grey correlation degree, GCD)筛选敏感波段,比较MLR,PLSR和SVMR这3种方法模拟土壤含水量的精度情况,得出SVM模型为供试土壤含水量拟合的最佳模型,能够准确获取重度盐渍化研究区土壤含水量状况的结论; 吴士文等[44]也对比分析不同光谱预处理方法与PLSR,SVMR建模方法两两组合条件下对土壤含水量的精度预测,结果表明, 同一光谱预处理方法的SVMR模型预测精度均高于PLSR模型,因此也间接表明了SVMR法在某些方面优于一般的线性回归统计学习方法. ...
Comparison between random forests,artificial neural networks and gradient boosted machines methods of on-line VIS-NIR spectroscopy measurements of soil total nitrogen and total carbon
1
2017
... MARS[40],ANN[41]和SVMR[42]作为强大的非参数预测工具,其性能也被广泛用于检验线性和非线性θ-R间的关系.SVMR是一种基于核的学习方法,将输入数据映射到高维特征空间,在SVMR中,训练数据被用来获得一个损失函数,根据训练数据的最大偏差映射输入数据,利用损失函数作为与实际值“差距”的度量,对大于损失函数的误差进行剔除,以获得较低复杂度的训练数据子集,从而提高估算精度.尚天浩等[43]对盐渍地区土壤原始光谱反射率进行多种数学变换,运用逐步回归(stepwise regression, SR)和灰色关联度(grey correlation degree, GCD)筛选敏感波段,比较MLR,PLSR和SVMR这3种方法模拟土壤含水量的精度情况,得出SVM模型为供试土壤含水量拟合的最佳模型,能够准确获取重度盐渍化研究区土壤含水量状况的结论; 吴士文等[44]也对比分析不同光谱预处理方法与PLSR,SVMR建模方法两两组合条件下对土壤含水量的精度预测,结果表明, 同一光谱预处理方法的SVMR模型预测精度均高于PLSR模型,因此也间接表明了SVMR法在某些方面优于一般的线性回归统计学习方法. ...
宁夏银北地区盐碱化土壤水分光谱特征及模型拟合精度分析
1
2020
... MARS[40],ANN[41]和SVMR[42]作为强大的非参数预测工具,其性能也被广泛用于检验线性和非线性θ-R间的关系.SVMR是一种基于核的学习方法,将输入数据映射到高维特征空间,在SVMR中,训练数据被用来获得一个损失函数,根据训练数据的最大偏差映射输入数据,利用损失函数作为与实际值“差距”的度量,对大于损失函数的误差进行剔除,以获得较低复杂度的训练数据子集,从而提高估算精度.尚天浩等[43]对盐渍地区土壤原始光谱反射率进行多种数学变换,运用逐步回归(stepwise regression, SR)和灰色关联度(grey correlation degree, GCD)筛选敏感波段,比较MLR,PLSR和SVMR这3种方法模拟土壤含水量的精度情况,得出SVM模型为供试土壤含水量拟合的最佳模型,能够准确获取重度盐渍化研究区土壤含水量状况的结论; 吴士文等[44]也对比分析不同光谱预处理方法与PLSR,SVMR建模方法两两组合条件下对土壤含水量的精度预测,结果表明, 同一光谱预处理方法的SVMR模型预测精度均高于PLSR模型,因此也间接表明了SVMR法在某些方面优于一般的线性回归统计学习方法. ...
宁夏银北地区盐碱化土壤水分光谱特征及模型拟合精度分析
1
2020
... MARS[40],ANN[41]和SVMR[42]作为强大的非参数预测工具,其性能也被广泛用于检验线性和非线性θ-R间的关系.SVMR是一种基于核的学习方法,将输入数据映射到高维特征空间,在SVMR中,训练数据被用来获得一个损失函数,根据训练数据的最大偏差映射输入数据,利用损失函数作为与实际值“差距”的度量,对大于损失函数的误差进行剔除,以获得较低复杂度的训练数据子集,从而提高估算精度.尚天浩等[43]对盐渍地区土壤原始光谱反射率进行多种数学变换,运用逐步回归(stepwise regression, SR)和灰色关联度(grey correlation degree, GCD)筛选敏感波段,比较MLR,PLSR和SVMR这3种方法模拟土壤含水量的精度情况,得出SVM模型为供试土壤含水量拟合的最佳模型,能够准确获取重度盐渍化研究区土壤含水量状况的结论; 吴士文等[44]也对比分析不同光谱预处理方法与PLSR,SVMR建模方法两两组合条件下对土壤含水量的精度预测,结果表明, 同一光谱预处理方法的SVMR模型预测精度均高于PLSR模型,因此也间接表明了SVMR法在某些方面优于一般的线性回归统计学习方法. ...
高光谱成像的土壤剖面水分含量反演及制图
1
2019
... MARS[40],ANN[41]和SVMR[42]作为强大的非参数预测工具,其性能也被广泛用于检验线性和非线性θ-R间的关系.SVMR是一种基于核的学习方法,将输入数据映射到高维特征空间,在SVMR中,训练数据被用来获得一个损失函数,根据训练数据的最大偏差映射输入数据,利用损失函数作为与实际值“差距”的度量,对大于损失函数的误差进行剔除,以获得较低复杂度的训练数据子集,从而提高估算精度.尚天浩等[43]对盐渍地区土壤原始光谱反射率进行多种数学变换,运用逐步回归(stepwise regression, SR)和灰色关联度(grey correlation degree, GCD)筛选敏感波段,比较MLR,PLSR和SVMR这3种方法模拟土壤含水量的精度情况,得出SVM模型为供试土壤含水量拟合的最佳模型,能够准确获取重度盐渍化研究区土壤含水量状况的结论; 吴士文等[44]也对比分析不同光谱预处理方法与PLSR,SVMR建模方法两两组合条件下对土壤含水量的精度预测,结果表明, 同一光谱预处理方法的SVMR模型预测精度均高于PLSR模型,因此也间接表明了SVMR法在某些方面优于一般的线性回归统计学习方法. ...
高光谱成像的土壤剖面水分含量反演及制图
1
2019
... MARS[40],ANN[41]和SVMR[42]作为强大的非参数预测工具,其性能也被广泛用于检验线性和非线性θ-R间的关系.SVMR是一种基于核的学习方法,将输入数据映射到高维特征空间,在SVMR中,训练数据被用来获得一个损失函数,根据训练数据的最大偏差映射输入数据,利用损失函数作为与实际值“差距”的度量,对大于损失函数的误差进行剔除,以获得较低复杂度的训练数据子集,从而提高估算精度.尚天浩等[43]对盐渍地区土壤原始光谱反射率进行多种数学变换,运用逐步回归(stepwise regression, SR)和灰色关联度(grey correlation degree, GCD)筛选敏感波段,比较MLR,PLSR和SVMR这3种方法模拟土壤含水量的精度情况,得出SVM模型为供试土壤含水量拟合的最佳模型,能够准确获取重度盐渍化研究区土壤含水量状况的结论; 吴士文等[44]也对比分析不同光谱预处理方法与PLSR,SVMR建模方法两两组合条件下对土壤含水量的精度预测,结果表明, 同一光谱预处理方法的SVMR模型预测精度均高于PLSR模型,因此也间接表明了SVMR法在某些方面优于一般的线性回归统计学习方法. ...
Assessment of surface soil moisture using high-resolution multi-spectral imagery and artificial neural networks
2
2015
... MARS[45]是一种非参数回归技术,它利用基函数自动建立预测-响应联系(即不需要任何假设).为了开发基函数,输入数据空间被细分为具有特定回归模型(分段线性回归)的区域或样条曲线.在进行分段线性回归时,允许回归模型的斜率沿预测轴改变n个节点,将由线性和非线性组合以及二阶和三阶变量因子组成的基函数,作为新的预测变量用于建模,通过一个严格的前向和后向逐步查找过程,找到一个具有最佳节点数和基函数的模型.正向逐步法通过增加基函数来构造一个过拟合模型,而反向逐步消除法消除了对模型精度贡献不足的函数,相比于线性回归模型,MARS模型更加灵活. ...
... Comparison of different methods for estimating soil water content using hyperspectral characteristics
Tab.1 类别 | 方法 | 波长/nm | N① | R2② | RMSE③ | 代表性文献 | 优点 | 缺点 |
波谱反射率法 | 反射率差分指数法 | 2 062,2 250 | 18 | 0.69 | 0.08 | Haubrock等[1] | 土壤类型影响小 | 计算相对复杂 |
反射率指数模型法 | 350~2 500 | 4 | - | - | Lobell等[10] | 短波红外范围应用良好 | 不适用土壤体积含水量低于20%的情况 |
反射率比值指数法 | 1 944 | 18 | 0.68 | 0.08 | 刘伟东等[13] | 计算方便快速 | 依赖干燥土壤光谱信息 |
反射率一阶导数法 | 1 834,1 836 | 18 | 0.63 | 0.08 | 刘伟东等[13] | 无需先验土壤信息 | 产生冗余的光谱信息 |
相对反射率法 | 1 998 | 10 | 0.84 | 0.04 | 刘伟东[15] | 计算简单快速 | 不适用于野外 |
反射率物理模型法 | 350~2 100 | 1 | >0.99 | - | van Genuchten[27] | 考虑到土壤的物理特性 | 需获取特定初始信息,应用具有局限性 |
函数法 | 反高斯函数法 | 1 200~2 500 | 257 | 0.92 | 0.03 | Whiting等[29] | 可以结合各类高光谱模式使用 | 难以确定输入信息,须对光谱进行额外处理 |
模型法 | 光学模型法 | 350~2 100 | 1 | >0.97 | - | Haubrock等[1] | 无需考虑高光谱反射率 | 应用具有局限性 |
机器学习法 | SMLR | 1 623~2 467 | 1 571 | 0.88 | 5.19 | 申艳等[38] | 减少变量间的共线性问题 | 信息易丢失,导致模型的过适应性 |
PCR | 400~2 498 | 802 | 0.84 | 0.005 | 申艳等[38] | 应用全部的光谱信息 | 计算繁琐 |
PLSR | 401~1 699 | 360 | 0.97 | 0.02 | Svante等[40] |
830~2 630 | 403 | 0.96 | 0.60 | 李晓明[39] | 应用全部的光谱信息 | 无法解释土壤光谱间的非线性效应 |
370~1 979 | 1 160 | 0.66 | 0.76 | Svante等[40] |
ANN | 420~800 | - | 0.77 | 2.00 | Leila等[45] | 自动学习分析,无需基础辅助参数 | 容易过度拟合 |
SVMR | 370~1 979 | 1 160 | 0.69 | 0.72 | Vapnik等[46] | 无需基础辅助参数 | 仅适用于密集型计算 |
MLR | 450~2 500 | 40 | 0.68~0.96 | - | 贾学勤等[47] | 不受土壤类型影响 | 忽略某些点的光谱信息 |
MARS | 370~1 979 | 1 160 | 0.73 | 0.67 | Friedman[48] | 自动建立联系,无需基础辅助参数 | 过程繁琐 |
①N为土壤样例数; ②R2为相关系数; ③RMSE为均方根误差. ...
Bounds on error expectation for support vector machines
2
2000
... ANN [46]是一种用于模拟“输入-输出”联系的技术.它由各种相互关联的计算单元(节点或人工神经元)组成,可分为学习和优化2个阶段.在学习阶段,人工神经元则聚合成隐藏层,这些层能够对输入进行不同的转换,然后通过调整人工神经元相互影响的“权重”及其相互关系结构来表征系统行为的输入-输出关系; 在优化阶段,ANN通过对已知信息的反复学习训练,并逐步调整改变节点权重,达到处理信息、模拟输入输出信息的目的. ...
... Comparison of different methods for estimating soil water content using hyperspectral characteristics
Tab.1 类别 | 方法 | 波长/nm | N① | R2② | RMSE③ | 代表性文献 | 优点 | 缺点 |
波谱反射率法 | 反射率差分指数法 | 2 062,2 250 | 18 | 0.69 | 0.08 | Haubrock等[1] | 土壤类型影响小 | 计算相对复杂 |
反射率指数模型法 | 350~2 500 | 4 | - | - | Lobell等[10] | 短波红外范围应用良好 | 不适用土壤体积含水量低于20%的情况 |
反射率比值指数法 | 1 944 | 18 | 0.68 | 0.08 | 刘伟东等[13] | 计算方便快速 | 依赖干燥土壤光谱信息 |
反射率一阶导数法 | 1 834,1 836 | 18 | 0.63 | 0.08 | 刘伟东等[13] | 无需先验土壤信息 | 产生冗余的光谱信息 |
相对反射率法 | 1 998 | 10 | 0.84 | 0.04 | 刘伟东[15] | 计算简单快速 | 不适用于野外 |
反射率物理模型法 | 350~2 100 | 1 | >0.99 | - | van Genuchten[27] | 考虑到土壤的物理特性 | 需获取特定初始信息,应用具有局限性 |
函数法 | 反高斯函数法 | 1 200~2 500 | 257 | 0.92 | 0.03 | Whiting等[29] | 可以结合各类高光谱模式使用 | 难以确定输入信息,须对光谱进行额外处理 |
模型法 | 光学模型法 | 350~2 100 | 1 | >0.97 | - | Haubrock等[1] | 无需考虑高光谱反射率 | 应用具有局限性 |
机器学习法 | SMLR | 1 623~2 467 | 1 571 | 0.88 | 5.19 | 申艳等[38] | 减少变量间的共线性问题 | 信息易丢失,导致模型的过适应性 |
PCR | 400~2 498 | 802 | 0.84 | 0.005 | 申艳等[38] | 应用全部的光谱信息 | 计算繁琐 |
PLSR | 401~1 699 | 360 | 0.97 | 0.02 | Svante等[40] |
830~2 630 | 403 | 0.96 | 0.60 | 李晓明[39] | 应用全部的光谱信息 | 无法解释土壤光谱间的非线性效应 |
370~1 979 | 1 160 | 0.66 | 0.76 | Svante等[40] |
ANN | 420~800 | - | 0.77 | 2.00 | Leila等[45] | 自动学习分析,无需基础辅助参数 | 容易过度拟合 |
SVMR | 370~1 979 | 1 160 | 0.69 | 0.72 | Vapnik等[46] | 无需基础辅助参数 | 仅适用于密集型计算 |
MLR | 450~2 500 | 40 | 0.68~0.96 | - | 贾学勤等[47] | 不受土壤类型影响 | 忽略某些点的光谱信息 |
MARS | 370~1 979 | 1 160 | 0.73 | 0.67 | Friedman[48] | 自动建立联系,无需基础辅助参数 | 过程繁琐 |
①N为土壤样例数; ②R2为相关系数; ③RMSE为均方根误差. ...
基于SPA-MLR方法的土壤含水量光谱预测模型研究
1
2018
... Comparison of different methods for estimating soil water content using hyperspectral characteristics
Tab.1 类别 | 方法 | 波长/nm | N① | R2② | RMSE③ | 代表性文献 | 优点 | 缺点 |
波谱反射率法 | 反射率差分指数法 | 2 062,2 250 | 18 | 0.69 | 0.08 | Haubrock等[1] | 土壤类型影响小 | 计算相对复杂 |
反射率指数模型法 | 350~2 500 | 4 | - | - | Lobell等[10] | 短波红外范围应用良好 | 不适用土壤体积含水量低于20%的情况 |
反射率比值指数法 | 1 944 | 18 | 0.68 | 0.08 | 刘伟东等[13] | 计算方便快速 | 依赖干燥土壤光谱信息 |
反射率一阶导数法 | 1 834,1 836 | 18 | 0.63 | 0.08 | 刘伟东等[13] | 无需先验土壤信息 | 产生冗余的光谱信息 |
相对反射率法 | 1 998 | 10 | 0.84 | 0.04 | 刘伟东[15] | 计算简单快速 | 不适用于野外 |
反射率物理模型法 | 350~2 100 | 1 | >0.99 | - | van Genuchten[27] | 考虑到土壤的物理特性 | 需获取特定初始信息,应用具有局限性 |
函数法 | 反高斯函数法 | 1 200~2 500 | 257 | 0.92 | 0.03 | Whiting等[29] | 可以结合各类高光谱模式使用 | 难以确定输入信息,须对光谱进行额外处理 |
模型法 | 光学模型法 | 350~2 100 | 1 | >0.97 | - | Haubrock等[1] | 无需考虑高光谱反射率 | 应用具有局限性 |
机器学习法 | SMLR | 1 623~2 467 | 1 571 | 0.88 | 5.19 | 申艳等[38] | 减少变量间的共线性问题 | 信息易丢失,导致模型的过适应性 |
PCR | 400~2 498 | 802 | 0.84 | 0.005 | 申艳等[38] | 应用全部的光谱信息 | 计算繁琐 |
PLSR | 401~1 699 | 360 | 0.97 | 0.02 | Svante等[40] |
830~2 630 | 403 | 0.96 | 0.60 | 李晓明[39] | 应用全部的光谱信息 | 无法解释土壤光谱间的非线性效应 |
370~1 979 | 1 160 | 0.66 | 0.76 | Svante等[40] |
ANN | 420~800 | - | 0.77 | 2.00 | Leila等[45] | 自动学习分析,无需基础辅助参数 | 容易过度拟合 |
SVMR | 370~1 979 | 1 160 | 0.69 | 0.72 | Vapnik等[46] | 无需基础辅助参数 | 仅适用于密集型计算 |
MLR | 450~2 500 | 40 | 0.68~0.96 | - | 贾学勤等[47] | 不受土壤类型影响 | 忽略某些点的光谱信息 |
MARS | 370~1 979 | 1 160 | 0.73 | 0.67 | Friedman[48] | 自动建立联系,无需基础辅助参数 | 过程繁琐 |
①N为土壤样例数; ②R2为相关系数; ③RMSE为均方根误差. ...
基于SPA-MLR方法的土壤含水量光谱预测模型研究
1
2018
... Comparison of different methods for estimating soil water content using hyperspectral characteristics
Tab.1 类别 | 方法 | 波长/nm | N① | R2② | RMSE③ | 代表性文献 | 优点 | 缺点 |
波谱反射率法 | 反射率差分指数法 | 2 062,2 250 | 18 | 0.69 | 0.08 | Haubrock等[1] | 土壤类型影响小 | 计算相对复杂 |
反射率指数模型法 | 350~2 500 | 4 | - | - | Lobell等[10] | 短波红外范围应用良好 | 不适用土壤体积含水量低于20%的情况 |
反射率比值指数法 | 1 944 | 18 | 0.68 | 0.08 | 刘伟东等[13] | 计算方便快速 | 依赖干燥土壤光谱信息 |
反射率一阶导数法 | 1 834,1 836 | 18 | 0.63 | 0.08 | 刘伟东等[13] | 无需先验土壤信息 | 产生冗余的光谱信息 |
相对反射率法 | 1 998 | 10 | 0.84 | 0.04 | 刘伟东[15] | 计算简单快速 | 不适用于野外 |
反射率物理模型法 | 350~2 100 | 1 | >0.99 | - | van Genuchten[27] | 考虑到土壤的物理特性 | 需获取特定初始信息,应用具有局限性 |
函数法 | 反高斯函数法 | 1 200~2 500 | 257 | 0.92 | 0.03 | Whiting等[29] | 可以结合各类高光谱模式使用 | 难以确定输入信息,须对光谱进行额外处理 |
模型法 | 光学模型法 | 350~2 100 | 1 | >0.97 | - | Haubrock等[1] | 无需考虑高光谱反射率 | 应用具有局限性 |
机器学习法 | SMLR | 1 623~2 467 | 1 571 | 0.88 | 5.19 | 申艳等[38] | 减少变量间的共线性问题 | 信息易丢失,导致模型的过适应性 |
PCR | 400~2 498 | 802 | 0.84 | 0.005 | 申艳等[38] | 应用全部的光谱信息 | 计算繁琐 |
PLSR | 401~1 699 | 360 | 0.97 | 0.02 | Svante等[40] |
830~2 630 | 403 | 0.96 | 0.60 | 李晓明[39] | 应用全部的光谱信息 | 无法解释土壤光谱间的非线性效应 |
370~1 979 | 1 160 | 0.66 | 0.76 | Svante等[40] |
ANN | 420~800 | - | 0.77 | 2.00 | Leila等[45] | 自动学习分析,无需基础辅助参数 | 容易过度拟合 |
SVMR | 370~1 979 | 1 160 | 0.69 | 0.72 | Vapnik等[46] | 无需基础辅助参数 | 仅适用于密集型计算 |
MLR | 450~2 500 | 40 | 0.68~0.96 | - | 贾学勤等[47] | 不受土壤类型影响 | 忽略某些点的光谱信息 |
MARS | 370~1 979 | 1 160 | 0.73 | 0.67 | Friedman[48] | 自动建立联系,无需基础辅助参数 | 过程繁琐 |
①N为土壤样例数; ②R2为相关系数; ③RMSE为均方根误差. ...
Multivariate adaptive regression splines
1
1991
... Comparison of different methods for estimating soil water content using hyperspectral characteristics
Tab.1 类别 | 方法 | 波长/nm | N① | R2② | RMSE③ | 代表性文献 | 优点 | 缺点 |
波谱反射率法 | 反射率差分指数法 | 2 062,2 250 | 18 | 0.69 | 0.08 | Haubrock等[1] | 土壤类型影响小 | 计算相对复杂 |
反射率指数模型法 | 350~2 500 | 4 | - | - | Lobell等[10] | 短波红外范围应用良好 | 不适用土壤体积含水量低于20%的情况 |
反射率比值指数法 | 1 944 | 18 | 0.68 | 0.08 | 刘伟东等[13] | 计算方便快速 | 依赖干燥土壤光谱信息 |
反射率一阶导数法 | 1 834,1 836 | 18 | 0.63 | 0.08 | 刘伟东等[13] | 无需先验土壤信息 | 产生冗余的光谱信息 |
相对反射率法 | 1 998 | 10 | 0.84 | 0.04 | 刘伟东[15] | 计算简单快速 | 不适用于野外 |
反射率物理模型法 | 350~2 100 | 1 | >0.99 | - | van Genuchten[27] | 考虑到土壤的物理特性 | 需获取特定初始信息,应用具有局限性 |
函数法 | 反高斯函数法 | 1 200~2 500 | 257 | 0.92 | 0.03 | Whiting等[29] | 可以结合各类高光谱模式使用 | 难以确定输入信息,须对光谱进行额外处理 |
模型法 | 光学模型法 | 350~2 100 | 1 | >0.97 | - | Haubrock等[1] | 无需考虑高光谱反射率 | 应用具有局限性 |
机器学习法 | SMLR | 1 623~2 467 | 1 571 | 0.88 | 5.19 | 申艳等[38] | 减少变量间的共线性问题 | 信息易丢失,导致模型的过适应性 |
PCR | 400~2 498 | 802 | 0.84 | 0.005 | 申艳等[38] | 应用全部的光谱信息 | 计算繁琐 |
PLSR | 401~1 699 | 360 | 0.97 | 0.02 | Svante等[40] |
830~2 630 | 403 | 0.96 | 0.60 | 李晓明[39] | 应用全部的光谱信息 | 无法解释土壤光谱间的非线性效应 |
370~1 979 | 1 160 | 0.66 | 0.76 | Svante等[40] |
ANN | 420~800 | - | 0.77 | 2.00 | Leila等[45] | 自动学习分析,无需基础辅助参数 | 容易过度拟合 |
SVMR | 370~1 979 | 1 160 | 0.69 | 0.72 | Vapnik等[46] | 无需基础辅助参数 | 仅适用于密集型计算 |
MLR | 450~2 500 | 40 | 0.68~0.96 | - | 贾学勤等[47] | 不受土壤类型影响 | 忽略某些点的光谱信息 |
MARS | 370~1 979 | 1 160 | 0.73 | 0.67 | Friedman[48] | 自动建立联系,无需基础辅助参数 | 过程繁琐 |
①N为土壤样例数; ②R2为相关系数; ③RMSE为均方根误差. ...
Kolmogorov’s theorem and multilayer neural networks
1
1992
... 表1中相对反射率法考虑了不同土壤类型、粗糙度和结构的具体特征,虽然它是经验性的,但在1944年主要验证光谱反射率波长的实验室条件下,该方法是有效的,但却不适用于野外条件,因为野外条件下土壤的反射率被大气吸收所掩盖,此外,该方法还依赖于每种土壤在干燥条件下的光谱反射率信息,如在土壤样品干燥时,光谱反射率会随方向相位角变化而变化[49],但由于空间和时间上的异质性使得干土光谱反射率信息难以获取,因此该方法也难以实现.差分和导数法使用多个波段进行计算,土壤类型对其产生的影响较小,土壤总反照率的损失也降低了,更有利于波段组合计算,因此差分和导数法相对更为稳定.在导数法中,样品光谱在不同波长处的反射率值可以相互关联,因此不需要先验的土壤信息,且该方法不需要考虑水蒸气吸收波长的影响,因此能够与野外、机载和星载测量方法结合使用.然而,由于使用具有强相关性的连续波段,导数法会带来冗余的光谱信息,相比之下,差分法可以使用相关性较小且光谱分离程度较低的具有独立信息的波段进行计算.指数模型最适合用短波红外波段的光谱反射率来估算土壤质量θm或体积含水量θv,它们与可见光和近红外波段结合使用可能不适合于土壤体积含水量低于20%的情况,且其受不同土壤类型的影响,而为了减少土壤类型的影响,目前的指数模型已发展为使用土壤饱和含水量来代替土壤质量含水量θm或体积含水量θv来计算; 土壤物理模型则需要残余含水量θr和饱和含水量θs作为初始信息输入,但其应用只局限于θr -θs范围内. ...
Diffuse reflectance spectroscopic approach for the characterization of soil aggregate size distribution
1
2014
... 反高斯函数法是通过近红外和短波红外区域1.2~2.5 μm的反射率下降来估计水分含量,基本吸水率在2.8 μm处的扩散,对其影响较少,因此,该方法可与所有高光谱反射率测量模式结合使用.但是,它需要对光谱进行额外的预处理,以削弱短波红外区域的噪声,同时其面临难以确定的输入信息[50].Philpot[30]所证明的简单的概念模型在实验研究中被发现是成功的,可以解释4种土壤类型的θ-R关系,但是这种模式是“肤浅”的,不足以令人信服. ...
基PLSR方法的青海茶卡—共和盆地土壤盐分高光谱遥感反演
1
2010
... 尽管与其他方法相比,机器学习方法在计算上比较复杂,但在光学领域它们能够较好地证明θ-R之间的关系,并且无需考虑土壤类型.由于MLR中的预测变量必须是不相关的,不适合处理与高光谱反射率相关的多个共线光谱变量; PCR和PLSR方法都是通过正交变换来解决多共线问题的经典方法,但PCR只考虑了光谱信息,而PLSR方法不再直接考虑因变量与自变量的回归建模,而是对变量系统中的信息重新进行综合筛选,从中选取若干对系统具有最佳解释能力的新成分用于回归建模,经过这样的信息筛选,排除了对因变量无解释作用的噪声,不仅提高了其计算效率,使得计算结果更可靠[51-52].但这2种经典的方法无法解释土壤光谱和属性之间的非线性效应(由于土壤的光谱复杂性),特别是在大型土壤光谱数据库中,在这种情况下,可以选择SVMR,MARS和ANN等替代技术来开发性能更好的高光谱反射率模型,SVMR方法解释了模型开发时过度拟合的原因[53],并由此产生了一个处理高维光谱变量的高效全球模型[54],然而,这种模型的识别是计算密集型的,因为它涉及2次规划和非线性方程组的求解[55].MARS是一种非参数方法,更像是线性回归的一种扩展,它将高光谱反射率简单地转换为图像像素,因此,它被认为比经典的线性回归模型更灵活、更准确[56].ANN模型相比其他方法拥有更好的性能,但是它容易过度拟合,并且结果过于依赖于初始化参数,因而不可避免地含有误差而无法保证对土壤含水量进行预测时有较高的精度[57]. ...
基PLSR方法的青海茶卡—共和盆地土壤盐分高光谱遥感反演
1
2010
... 尽管与其他方法相比,机器学习方法在计算上比较复杂,但在光学领域它们能够较好地证明θ-R之间的关系,并且无需考虑土壤类型.由于MLR中的预测变量必须是不相关的,不适合处理与高光谱反射率相关的多个共线光谱变量; PCR和PLSR方法都是通过正交变换来解决多共线问题的经典方法,但PCR只考虑了光谱信息,而PLSR方法不再直接考虑因变量与自变量的回归建模,而是对变量系统中的信息重新进行综合筛选,从中选取若干对系统具有最佳解释能力的新成分用于回归建模,经过这样的信息筛选,排除了对因变量无解释作用的噪声,不仅提高了其计算效率,使得计算结果更可靠[51-52].但这2种经典的方法无法解释土壤光谱和属性之间的非线性效应(由于土壤的光谱复杂性),特别是在大型土壤光谱数据库中,在这种情况下,可以选择SVMR,MARS和ANN等替代技术来开发性能更好的高光谱反射率模型,SVMR方法解释了模型开发时过度拟合的原因[53],并由此产生了一个处理高维光谱变量的高效全球模型[54],然而,这种模型的识别是计算密集型的,因为它涉及2次规划和非线性方程组的求解[55].MARS是一种非参数方法,更像是线性回归的一种扩展,它将高光谱反射率简单地转换为图像像素,因此,它被认为比经典的线性回归模型更灵活、更准确[56].ANN模型相比其他方法拥有更好的性能,但是它容易过度拟合,并且结果过于依赖于初始化参数,因而不可避免地含有误差而无法保证对土壤含水量进行预测时有较高的精度[57]. ...
耦合高光谱数据估算土壤含水率的方法
1
2017
... 尽管与其他方法相比,机器学习方法在计算上比较复杂,但在光学领域它们能够较好地证明θ-R之间的关系,并且无需考虑土壤类型.由于MLR中的预测变量必须是不相关的,不适合处理与高光谱反射率相关的多个共线光谱变量; PCR和PLSR方法都是通过正交变换来解决多共线问题的经典方法,但PCR只考虑了光谱信息,而PLSR方法不再直接考虑因变量与自变量的回归建模,而是对变量系统中的信息重新进行综合筛选,从中选取若干对系统具有最佳解释能力的新成分用于回归建模,经过这样的信息筛选,排除了对因变量无解释作用的噪声,不仅提高了其计算效率,使得计算结果更可靠[51-52].但这2种经典的方法无法解释土壤光谱和属性之间的非线性效应(由于土壤的光谱复杂性),特别是在大型土壤光谱数据库中,在这种情况下,可以选择SVMR,MARS和ANN等替代技术来开发性能更好的高光谱反射率模型,SVMR方法解释了模型开发时过度拟合的原因[53],并由此产生了一个处理高维光谱变量的高效全球模型[54],然而,这种模型的识别是计算密集型的,因为它涉及2次规划和非线性方程组的求解[55].MARS是一种非参数方法,更像是线性回归的一种扩展,它将高光谱反射率简单地转换为图像像素,因此,它被认为比经典的线性回归模型更灵活、更准确[56].ANN模型相比其他方法拥有更好的性能,但是它容易过度拟合,并且结果过于依赖于初始化参数,因而不可避免地含有误差而无法保证对土壤含水量进行预测时有较高的精度[57]. ...
耦合高光谱数据估算土壤含水率的方法
1
2017
... 尽管与其他方法相比,机器学习方法在计算上比较复杂,但在光学领域它们能够较好地证明θ-R之间的关系,并且无需考虑土壤类型.由于MLR中的预测变量必须是不相关的,不适合处理与高光谱反射率相关的多个共线光谱变量; PCR和PLSR方法都是通过正交变换来解决多共线问题的经典方法,但PCR只考虑了光谱信息,而PLSR方法不再直接考虑因变量与自变量的回归建模,而是对变量系统中的信息重新进行综合筛选,从中选取若干对系统具有最佳解释能力的新成分用于回归建模,经过这样的信息筛选,排除了对因变量无解释作用的噪声,不仅提高了其计算效率,使得计算结果更可靠[51-52].但这2种经典的方法无法解释土壤光谱和属性之间的非线性效应(由于土壤的光谱复杂性),特别是在大型土壤光谱数据库中,在这种情况下,可以选择SVMR,MARS和ANN等替代技术来开发性能更好的高光谱反射率模型,SVMR方法解释了模型开发时过度拟合的原因[53],并由此产生了一个处理高维光谱变量的高效全球模型[54],然而,这种模型的识别是计算密集型的,因为它涉及2次规划和非线性方程组的求解[55].MARS是一种非参数方法,更像是线性回归的一种扩展,它将高光谱反射率简单地转换为图像像素,因此,它被认为比经典的线性回归模型更灵活、更准确[56].ANN模型相比其他方法拥有更好的性能,但是它容易过度拟合,并且结果过于依赖于初始化参数,因而不可避免地含有误差而无法保证对土壤含水量进行预测时有较高的精度[57]. ...
Prediction of soil moisture-holding capacity with support vector machines in dry subhumid tropics
1
2018
... 尽管与其他方法相比,机器学习方法在计算上比较复杂,但在光学领域它们能够较好地证明θ-R之间的关系,并且无需考虑土壤类型.由于MLR中的预测变量必须是不相关的,不适合处理与高光谱反射率相关的多个共线光谱变量; PCR和PLSR方法都是通过正交变换来解决多共线问题的经典方法,但PCR只考虑了光谱信息,而PLSR方法不再直接考虑因变量与自变量的回归建模,而是对变量系统中的信息重新进行综合筛选,从中选取若干对系统具有最佳解释能力的新成分用于回归建模,经过这样的信息筛选,排除了对因变量无解释作用的噪声,不仅提高了其计算效率,使得计算结果更可靠[51-52].但这2种经典的方法无法解释土壤光谱和属性之间的非线性效应(由于土壤的光谱复杂性),特别是在大型土壤光谱数据库中,在这种情况下,可以选择SVMR,MARS和ANN等替代技术来开发性能更好的高光谱反射率模型,SVMR方法解释了模型开发时过度拟合的原因[53],并由此产生了一个处理高维光谱变量的高效全球模型[54],然而,这种模型的识别是计算密集型的,因为它涉及2次规划和非线性方程组的求解[55].MARS是一种非参数方法,更像是线性回归的一种扩展,它将高光谱反射率简单地转换为图像像素,因此,它被认为比经典的线性回归模型更灵活、更准确[56].ANN模型相比其他方法拥有更好的性能,但是它容易过度拟合,并且结果过于依赖于初始化参数,因而不可避免地含有误差而无法保证对土壤含水量进行预测时有较高的精度[57]. ...
Support vector machine regression (SVR/LS-SVM)-an alternative to neural networks (ANN) for analytical chemistry ? Comparison of nonlinear methods on near infrared (NIR) spectroscopy data
1
2011
... 尽管与其他方法相比,机器学习方法在计算上比较复杂,但在光学领域它们能够较好地证明θ-R之间的关系,并且无需考虑土壤类型.由于MLR中的预测变量必须是不相关的,不适合处理与高光谱反射率相关的多个共线光谱变量; PCR和PLSR方法都是通过正交变换来解决多共线问题的经典方法,但PCR只考虑了光谱信息,而PLSR方法不再直接考虑因变量与自变量的回归建模,而是对变量系统中的信息重新进行综合筛选,从中选取若干对系统具有最佳解释能力的新成分用于回归建模,经过这样的信息筛选,排除了对因变量无解释作用的噪声,不仅提高了其计算效率,使得计算结果更可靠[51-52].但这2种经典的方法无法解释土壤光谱和属性之间的非线性效应(由于土壤的光谱复杂性),特别是在大型土壤光谱数据库中,在这种情况下,可以选择SVMR,MARS和ANN等替代技术来开发性能更好的高光谱反射率模型,SVMR方法解释了模型开发时过度拟合的原因[53],并由此产生了一个处理高维光谱变量的高效全球模型[54],然而,这种模型的识别是计算密集型的,因为它涉及2次规划和非线性方程组的求解[55].MARS是一种非参数方法,更像是线性回归的一种扩展,它将高光谱反射率简单地转换为图像像素,因此,它被认为比经典的线性回归模型更灵活、更准确[56].ANN模型相比其他方法拥有更好的性能,但是它容易过度拟合,并且结果过于依赖于初始化参数,因而不可避免地含有误差而无法保证对土壤含水量进行预测时有较高的精度[57]. ...
Multivariate calibration with least-squares support vector machines
1
2004
... 尽管与其他方法相比,机器学习方法在计算上比较复杂,但在光学领域它们能够较好地证明θ-R之间的关系,并且无需考虑土壤类型.由于MLR中的预测变量必须是不相关的,不适合处理与高光谱反射率相关的多个共线光谱变量; PCR和PLSR方法都是通过正交变换来解决多共线问题的经典方法,但PCR只考虑了光谱信息,而PLSR方法不再直接考虑因变量与自变量的回归建模,而是对变量系统中的信息重新进行综合筛选,从中选取若干对系统具有最佳解释能力的新成分用于回归建模,经过这样的信息筛选,排除了对因变量无解释作用的噪声,不仅提高了其计算效率,使得计算结果更可靠[51-52].但这2种经典的方法无法解释土壤光谱和属性之间的非线性效应(由于土壤的光谱复杂性),特别是在大型土壤光谱数据库中,在这种情况下,可以选择SVMR,MARS和ANN等替代技术来开发性能更好的高光谱反射率模型,SVMR方法解释了模型开发时过度拟合的原因[53],并由此产生了一个处理高维光谱变量的高效全球模型[54],然而,这种模型的识别是计算密集型的,因为它涉及2次规划和非线性方程组的求解[55].MARS是一种非参数方法,更像是线性回归的一种扩展,它将高光谱反射率简单地转换为图像像素,因此,它被认为比经典的线性回归模型更灵活、更准确[56].ANN模型相比其他方法拥有更好的性能,但是它容易过度拟合,并且结果过于依赖于初始化参数,因而不可避免地含有误差而无法保证对土壤含水量进行预测时有较高的精度[57]. ...
Predictive performance of mobile VIS-NIR infrared spectroscopy for key soil properties at different geographical scales by using spiking and data mining techniques
1
2017
... 尽管与其他方法相比,机器学习方法在计算上比较复杂,但在光学领域它们能够较好地证明θ-R之间的关系,并且无需考虑土壤类型.由于MLR中的预测变量必须是不相关的,不适合处理与高光谱反射率相关的多个共线光谱变量; PCR和PLSR方法都是通过正交变换来解决多共线问题的经典方法,但PCR只考虑了光谱信息,而PLSR方法不再直接考虑因变量与自变量的回归建模,而是对变量系统中的信息重新进行综合筛选,从中选取若干对系统具有最佳解释能力的新成分用于回归建模,经过这样的信息筛选,排除了对因变量无解释作用的噪声,不仅提高了其计算效率,使得计算结果更可靠[51-52].但这2种经典的方法无法解释土壤光谱和属性之间的非线性效应(由于土壤的光谱复杂性),特别是在大型土壤光谱数据库中,在这种情况下,可以选择SVMR,MARS和ANN等替代技术来开发性能更好的高光谱反射率模型,SVMR方法解释了模型开发时过度拟合的原因[53],并由此产生了一个处理高维光谱变量的高效全球模型[54],然而,这种模型的识别是计算密集型的,因为它涉及2次规划和非线性方程组的求解[55].MARS是一种非参数方法,更像是线性回归的一种扩展,它将高光谱反射率简单地转换为图像像素,因此,它被认为比经典的线性回归模型更灵活、更准确[56].ANN模型相比其他方法拥有更好的性能,但是它容易过度拟合,并且结果过于依赖于初始化参数,因而不可避免地含有误差而无法保证对土壤含水量进行预测时有较高的精度[57]. ...
基于ANN的复垦土壤水分特征曲线的预测研究
1
2008
... 尽管与其他方法相比,机器学习方法在计算上比较复杂,但在光学领域它们能够较好地证明θ-R之间的关系,并且无需考虑土壤类型.由于MLR中的预测变量必须是不相关的,不适合处理与高光谱反射率相关的多个共线光谱变量; PCR和PLSR方法都是通过正交变换来解决多共线问题的经典方法,但PCR只考虑了光谱信息,而PLSR方法不再直接考虑因变量与自变量的回归建模,而是对变量系统中的信息重新进行综合筛选,从中选取若干对系统具有最佳解释能力的新成分用于回归建模,经过这样的信息筛选,排除了对因变量无解释作用的噪声,不仅提高了其计算效率,使得计算结果更可靠[51-52].但这2种经典的方法无法解释土壤光谱和属性之间的非线性效应(由于土壤的光谱复杂性),特别是在大型土壤光谱数据库中,在这种情况下,可以选择SVMR,MARS和ANN等替代技术来开发性能更好的高光谱反射率模型,SVMR方法解释了模型开发时过度拟合的原因[53],并由此产生了一个处理高维光谱变量的高效全球模型[54],然而,这种模型的识别是计算密集型的,因为它涉及2次规划和非线性方程组的求解[55].MARS是一种非参数方法,更像是线性回归的一种扩展,它将高光谱反射率简单地转换为图像像素,因此,它被认为比经典的线性回归模型更灵活、更准确[56].ANN模型相比其他方法拥有更好的性能,但是它容易过度拟合,并且结果过于依赖于初始化参数,因而不可避免地含有误差而无法保证对土壤含水量进行预测时有较高的精度[57]. ...
基于ANN的复垦土壤水分特征曲线的预测研究
1
2008
... 尽管与其他方法相比,机器学习方法在计算上比较复杂,但在光学领域它们能够较好地证明θ-R之间的关系,并且无需考虑土壤类型.由于MLR中的预测变量必须是不相关的,不适合处理与高光谱反射率相关的多个共线光谱变量; PCR和PLSR方法都是通过正交变换来解决多共线问题的经典方法,但PCR只考虑了光谱信息,而PLSR方法不再直接考虑因变量与自变量的回归建模,而是对变量系统中的信息重新进行综合筛选,从中选取若干对系统具有最佳解释能力的新成分用于回归建模,经过这样的信息筛选,排除了对因变量无解释作用的噪声,不仅提高了其计算效率,使得计算结果更可靠[51-52].但这2种经典的方法无法解释土壤光谱和属性之间的非线性效应(由于土壤的光谱复杂性),特别是在大型土壤光谱数据库中,在这种情况下,可以选择SVMR,MARS和ANN等替代技术来开发性能更好的高光谱反射率模型,SVMR方法解释了模型开发时过度拟合的原因[53],并由此产生了一个处理高维光谱变量的高效全球模型[54],然而,这种模型的识别是计算密集型的,因为它涉及2次规划和非线性方程组的求解[55].MARS是一种非参数方法,更像是线性回归的一种扩展,它将高光谱反射率简单地转换为图像像素,因此,它被认为比经典的线性回归模型更灵活、更准确[56].ANN模型相比其他方法拥有更好的性能,但是它容易过度拟合,并且结果过于依赖于初始化参数,因而不可避免地含有误差而无法保证对土壤含水量进行预测时有较高的精度[57]. ...