0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線(xiàn)課程
  • 觀(guān)看技術(shù)視頻
  • 寫(xiě)文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

煤炭礦區(qū)耕地土壤有機(jī)質(zhì)無(wú)人機(jī)高光譜遙感估測(cè)

萊森光學(xué) ? 來(lái)源:萊森光學(xué) ? 作者:萊森光學(xué) ? 2023-09-20 11:54 ? 次閱讀

引言

本文以山西省長(zhǎng)治王莊煤礦周邊3種處于不同沉陷階段的耕地為例,在研究區(qū)內(nèi)進(jìn)行樣品采集,并使用無(wú)人機(jī)搭載高光譜相機(jī)進(jìn)行影像獲取,利用多元線(xiàn)性回歸、偏最小二乘回歸和BP神經(jīng)網(wǎng)絡(luò)3種模型對(duì)有機(jī)質(zhì)含量進(jìn)行預(yù)測(cè),并對(duì)模型預(yù)測(cè)結(jié)果進(jìn)行精度評(píng)價(jià),將優(yōu)選模型代入無(wú)人機(jī)高光譜影像進(jìn)行有機(jī)質(zhì)填圖,得到耕地范圍內(nèi)的有機(jī)質(zhì)分布情況,并對(duì)處于不同沉陷階段的耕地土壤有機(jī)質(zhì)空 間分布差異情況及驅(qū)動(dòng)因子進(jìn)行分析討論,為無(wú)人機(jī)高光譜遙感在礦區(qū)復(fù)墾、養(yǎng)分快速估測(cè)等提供參考。

2、材料與方法

2.1 研究區(qū)概況

研究區(qū)位于長(zhǎng)治市王莊煤礦(112°58′25″E~113°03′21″E,36°14′04″N~36°24′35″N),地處潞安礦區(qū)的東北部,跨長(zhǎng)治市潞州區(qū)、屯留縣、襄垣縣3個(gè)行政區(qū),地處黃土高原暖溫帶半干旱大陸性季風(fēng)氣候區(qū),溫差變化大,年平均氣溫8.9℃。研究區(qū)土壤以碳酸鹽褐土和草甸土為主,其中礦區(qū)內(nèi)主要分布碳酸鹽褐土,自然肥力較高,有明顯的黏化質(zhì)和鈣化質(zhì),田塊呈連片化分布。王莊煤礦的生產(chǎn)能力為596×104t/a,多年的開(kāi)采活動(dòng)導(dǎo)致井田內(nèi)形成了大范圍的采煤塌陷區(qū),對(duì)當(dāng)?shù)氐耐恋刭Y源、生態(tài)環(huán)境及農(nóng)業(yè)生產(chǎn)造成了明顯影響。在研究區(qū)內(nèi)選定3個(gè)試驗(yàn)小區(qū),其中試驗(yàn)小區(qū)A為煤炭開(kāi)采擾動(dòng)區(qū)農(nóng)田,試驗(yàn)小區(qū)B為煤炭開(kāi)采擾動(dòng)穩(wěn)沉區(qū)農(nóng)田,試驗(yàn)小區(qū)C為煤炭開(kāi)采未擾動(dòng)區(qū)農(nóng)田,3個(gè)試驗(yàn)小區(qū)面積均為1.4hm2,均位于王莊煤礦平原區(qū),屬同一農(nóng)業(yè)種植區(qū)域。煤炭開(kāi)采前,3個(gè)小區(qū)的氣候、地貌、土壤特征一致,作物類(lèi)型為春玉米,于每年4月采用旋耕機(jī)作業(yè)整地,10月收割,一年一熟;煤炭開(kāi)采后的地表裂縫經(jīng)過(guò)掩埋推平,種植作物類(lèi)型和耕作方式與開(kāi)采前一致,但由于煤炭開(kāi)采沉陷使3個(gè)小區(qū)分別處于開(kāi)采擾動(dòng)、穩(wěn)沉和未擾動(dòng)3個(gè)不同階段,生態(tài)驅(qū)動(dòng)因素發(fā)生變化,導(dǎo)致土壤理化性質(zhì)、地表植被、人類(lèi)管理方式發(fā)生改變。

wKgaomUKbPOAdP6pAAQRrYQXSFo429.png

圖 1 研究區(qū)概況

表 1 樣品有機(jī)質(zhì)含量

wKgZomUKbPOAALYRAAB-Tf6X8cE986.png

2.2 數(shù)據(jù)獲取與預(yù)處理

2.2.1 土壤樣品采集與處理

2020年分別在煤炭開(kāi)采擾動(dòng)區(qū)(擾動(dòng)區(qū)),煤炭開(kāi)采擾動(dòng)穩(wěn)沉區(qū)(穩(wěn)沉區(qū))及煤炭開(kāi)采未擾動(dòng)區(qū)(對(duì)照區(qū))內(nèi)按棋盤(pán)式布點(diǎn),利用取土器采集地面表層0~20cm深度的土壤,每個(gè)采樣點(diǎn)按中心點(diǎn)周?chē)鶻形的5個(gè)樣地土壤混合為一個(gè)土樣。若采樣點(diǎn)落在農(nóng)田設(shè)施上則取附近耕地土壤代替,同時(shí)使用GPS記錄采樣點(diǎn)地理坐標(biāo)。將采集的57個(gè)土樣送回實(shí)驗(yàn)室,待風(fēng)干、研磨、過(guò)篩后將土樣分為兩部分,一部分過(guò)0.15mm篩,用于進(jìn)行土壤養(yǎng)分理化性質(zhì)實(shí)驗(yàn),采用重鉻酸鉀外加熱法測(cè)定有機(jī)質(zhì)含量,測(cè)定結(jié)果如表1,另一部分用于室內(nèi)土壤光譜測(cè)量。

2.2.2 無(wú)人機(jī)影像獲取與預(yù)處理

在所選3個(gè)試驗(yàn)小區(qū)內(nèi),采用無(wú)人機(jī)搭載高光譜光譜儀于2020年 10月30日飛行拍攝高光譜影像,拍攝時(shí)段選擇當(dāng)?shù)貢r(shí)間10:00—15:00,此時(shí)段內(nèi)有足夠的太陽(yáng)高度角,光照條件穩(wěn)定;地面能見(jiàn)度不小于15km,無(wú)卷云、濃積云等;測(cè)量時(shí)間內(nèi)空中風(fēng)力小于4 級(jí),地面風(fēng)力小于3級(jí):飛行高度100m,速度4m/s。對(duì)高光譜影像進(jìn)行輻射率轉(zhuǎn)換、反射率轉(zhuǎn)換、幾何校正、大氣校正、鑲嵌和裁剪、道路掩膜等預(yù)處理,結(jié)果如圖2所示。

wKgaomUKbPSAMnM3AAuVCmK-wcA260.png

圖2 預(yù)處理后高光譜影像

3、結(jié)果與分析

3.1 特征波段選擇

將原始土壤光譜曲線(xiàn)及4種不同形式變換的土壤光譜曲線(xiàn)與實(shí)測(cè)樣本有機(jī)質(zhì)含量做相關(guān)性分析,計(jì)算光譜與土壤有機(jī)質(zhì)含量的相關(guān)系數(shù),結(jié)果如圖3所示。

wKgZomUKbPSAXn6vAAB0eYIQ66g118.png

圖3 土壤有機(jī)質(zhì)與各種光譜變換形式相關(guān)性分析

從圖3中可以看出,未經(jīng)變換和經(jīng)過(guò)倒數(shù)變換的反 射率光譜曲線(xiàn)與有機(jī)質(zhì)呈整體正相關(guān),相關(guān)系數(shù)低于0.4。反射率光譜曲線(xiàn)經(jīng)過(guò)一階微分變換與有機(jī)質(zhì)含量的相關(guān)性有所增強(qiáng),表現(xiàn)為在386.64~414.25nm內(nèi)正相關(guān),在414.25~835.76、875.18~1 012.93nm內(nèi)負(fù)相關(guān)。反射率光譜曲線(xiàn)經(jīng)過(guò)二階微分變換與有機(jī)質(zhì)含量的相關(guān)性增強(qiáng)最為明顯,相關(guān)系數(shù)曲線(xiàn)波動(dòng)劇烈,與有機(jī)質(zhì)含量正相關(guān)系數(shù)的峰值主要位于1021.92、1017.42、805.27、 744.77nm處,最大正相關(guān)系數(shù)為0.61,負(fù)相關(guān)系數(shù)的峰值主要位于680.62、655.16、650.93nm附近,最大負(fù)相關(guān)系數(shù)為-0.62。反射率光譜曲線(xiàn)經(jīng)過(guò)多元散射校正變換與有機(jī)質(zhì)含量的相關(guān)系數(shù)曲線(xiàn)整體呈現(xiàn)為“M”型,相關(guān)系數(shù)曲線(xiàn)存在兩個(gè)正峰值,主要位于932.58nm和471.94nm處,最大相關(guān)系數(shù)位于932.58nm附近,相關(guān)系數(shù)為 0.63。

通過(guò)分析不同光譜變換與土壤有機(jī)質(zhì)含量的相關(guān)性,篩選出的特征波段如表2所示

表2 不同光譜變換下的有機(jī)質(zhì)特征波段

wKgaomUKbPSAGrsUAADyzPxfpNY241.png

3.2 建模結(jié)果

3.2.1 經(jīng)過(guò)光譜變換篩選出的特征波段建模結(jié)果

在軟件中分別構(gòu)建多元線(xiàn)性回歸模型和偏最小二乘回歸模型,對(duì)有機(jī)質(zhì)實(shí)測(cè)值與經(jīng)過(guò)不同光譜變換方式篩選出的特征波段光譜反射率進(jìn)行回歸分析,并驗(yàn)證模型精度。3 種模型精度評(píng)價(jià)指標(biāo)均選用決定系數(shù)R2和均方根誤差RMSE,模型精度評(píng)價(jià)結(jié)果和模型預(yù)測(cè)結(jié)果如表3所示。

wKgZomUKbPWAIGNYAAHBZWUwyks120.png

表3 3種模型預(yù)測(cè)有機(jī)質(zhì)含量精度評(píng)價(jià)

從表3可以看出,利用多元線(xiàn)性回歸模型建立的有機(jī)質(zhì)反演結(jié)果中,4種光譜變換方式用于有機(jī)質(zhì)反演建模整體精度不高,其中倒數(shù)、一階微分、二階微分變換方式建模和驗(yàn)證集 R2不足0.5,比未變換的光譜 建模精度更低,多元散射校正變換方式建模和預(yù)測(cè)R2分別為0.699和0.654,為同組最高,可用于粗略估計(jì)有機(jī)質(zhì)含量。利用偏最小二乘回歸模型建立的有機(jī)質(zhì)反演結(jié)果中,對(duì)特征波段光譜反射率做倒數(shù)、二階微分、多元散射校正變換的模型的建模R2都達(dá)到0.6以上,相比未經(jīng)變換的特征波段建模精度大幅提高,模型的擬合效果較好,其中,多元散射校正變換的建模和驗(yàn)證R2均達(dá)到0.8以上,具有較高的預(yù)測(cè)精度。

4、討論

本文探索了高光譜數(shù)據(jù)用于土壤有機(jī)質(zhì)含量預(yù)測(cè)和無(wú)人機(jī)高光譜影像用于分析煤炭開(kāi)采對(duì)耕地土壤有機(jī)質(zhì)含量影響的適用性,通過(guò)將變換處理后的土壤光譜與實(shí)測(cè)土壤有機(jī)質(zhì)含量進(jìn)行相關(guān)性分析,提取相關(guān)系數(shù)較高的光譜波段,研究發(fā)現(xiàn)有機(jī)質(zhì)含量與多元散射校正后的 光譜反射率相關(guān)系數(shù)最高,敏感波段為463.75~492.45nm,870.79~932.58nm處。對(duì)不同光譜變換方式下篩選出的特征波段分別使用多元線(xiàn)性回歸、偏最小二乘回歸、BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行模型構(gòu)建,結(jié)果表明相較于多元線(xiàn)性回歸模型而言,偏最小二乘回歸和BP 神經(jīng)網(wǎng)絡(luò)模型具有更高的精度。對(duì)比幾種光譜變換形式,經(jīng)過(guò)多元散射校正變換的建模結(jié)果更好。將無(wú)人機(jī)航拍的高光譜影像基于模型進(jìn)行有機(jī)質(zhì)含量估測(cè),得到土壤有機(jī)質(zhì)含量的空間分布規(guī)律為煤炭開(kāi)采未擾動(dòng)區(qū)耕地>煤炭開(kāi)采擾動(dòng)區(qū)耕地>煤炭開(kāi)采擾動(dòng)穩(wěn)沉區(qū)耕地,這是因?yàn)槊禾块_(kāi)采導(dǎo)致多方面驅(qū)動(dòng)因子變化。

推薦

無(wú)人機(jī)機(jī)載高光譜成像系統(tǒng)iSpecHyper-VM100

一款基于小型多旋翼無(wú)人機(jī)機(jī)載高光譜成像系統(tǒng),該系統(tǒng)由高光譜成像相機(jī)、穩(wěn)定云臺(tái)、機(jī)載控制與數(shù)據(jù)采集模塊、機(jī)載供電模塊等部分組成。無(wú)人機(jī)機(jī)載高光譜成像系統(tǒng)通過(guò)獨(dú)特的內(nèi)置式或外部掃描和穩(wěn)定控制,有效地解決了在微型無(wú)人機(jī)搭載推掃式高光譜照相機(jī)時(shí),由于振動(dòng)引起的圖像質(zhì)量較差的問(wèn)題,并具備較高的光譜分辨率和良好的成像性能。

wKgaomUKbPWAAUzqAABJinx5T6w10.jpeg



審核編輯 黃宇

聲明:本文內(nèi)容及配圖由入駐作者撰寫(xiě)或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀(guān)點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 神經(jīng)網(wǎng)絡(luò)

    關(guān)注

    42

    文章

    4733

    瀏覽量

    100415
  • 遙感
    +關(guān)注

    關(guān)注

    0

    文章

    243

    瀏覽量

    16776
  • 無(wú)人機(jī)
    +關(guān)注

    關(guān)注

    226

    文章

    10301

    瀏覽量

    179128
  • 高光譜
    +關(guān)注

    關(guān)注

    0

    文章

    326

    瀏覽量

    9901
收藏 人收藏

    評(píng)論

    相關(guān)推薦

    基于無(wú)人機(jī)光譜遙感的河湖水環(huán)境探測(cè)

    本研究基于實(shí)測(cè)和無(wú)人機(jī)光譜遙感反射率數(shù)據(jù)計(jì)算水體顏色參量并反演水質(zhì)參數(shù),利用Hueangle對(duì)水體進(jìn)行分類(lèi),通過(guò)水體顏色參量和水質(zhì)參數(shù)反演結(jié)果,分析上海市崇明島河湖小水體的水體顏色變
    的頭像 發(fā)表于 09-20 17:43 ?180次閱讀
    基于<b class='flag-5'>無(wú)人機(jī)</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b><b class='flag-5'>遙感</b>的河湖水環(huán)境探測(cè)

    基于無(wú)人機(jī)光譜遙感的棉花生長(zhǎng)參數(shù)和產(chǎn)量估算

    無(wú)人機(jī)平臺(tái)能夠快速獲取時(shí)空分辨率的遙感數(shù)據(jù),以山東省濱州市棉花為研究對(duì)象,利用安裝在無(wú)人機(jī)上的多光譜相機(jī)獲取
    的頭像 發(fā)表于 08-21 14:29 ?386次閱讀
    基于<b class='flag-5'>無(wú)人機(jī)</b>多<b class='flag-5'>光譜</b><b class='flag-5'>遙感</b>的棉花生長(zhǎng)參數(shù)和產(chǎn)量估算

    無(wú)人機(jī)機(jī)載光譜成像系統(tǒng)的應(yīng)用及優(yōu)勢(shì)

      隨著無(wú)人機(jī)技術(shù)的快速發(fā)展,基于無(wú)人機(jī)平臺(tái)的光譜成像系統(tǒng)在多個(gè)領(lǐng)域中得到了廣泛應(yīng)用。本文將介紹一款小型多旋翼無(wú)人機(jī)機(jī)載
    的頭像 發(fā)表于 08-15 15:03 ?510次閱讀
    <b class='flag-5'>無(wú)人機(jī)</b>機(jī)載<b class='flag-5'>高</b><b class='flag-5'>光譜</b>成像系統(tǒng)的應(yīng)用及優(yōu)勢(shì)

    基于無(wú)人機(jī)光譜謠感的蘊(yùn)地退化指示物種的識(shí)別

    青藏高原典型泥炭沼澤分布區(qū)域若爾蓋高原為研究區(qū),以無(wú)人機(jī)光譜數(shù)據(jù)和地物光譜儀實(shí)測(cè)數(shù)據(jù)為基礎(chǔ),結(jié)合野外調(diào)查,完成了該區(qū)域草地退化指示物種的識(shí)別,分析了不同退化梯度退化指示物種的差異,為
    的頭像 發(fā)表于 08-01 15:29 ?320次閱讀
    基于<b class='flag-5'>無(wú)人機(jī)</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b>謠感的蘊(yùn)地退化指示物種的識(shí)別

    基于無(wú)人機(jī)遙感的作物長(zhǎng)勢(shì)監(jiān)測(cè)研究進(jìn)展

    產(chǎn)量和品質(zhì),降低了農(nóng)業(yè)生產(chǎn)成本和減少了資源浪費(fèi) 一、引言 無(wú)人機(jī)農(nóng)業(yè)遙感技術(shù)是將無(wú)人機(jī)遙感技術(shù)相結(jié)合,用于對(duì)農(nóng)田進(jìn)行高精度、高分辨率的遙感
    的頭像 發(fā)表于 07-12 14:14 ?481次閱讀
    基于<b class='flag-5'>無(wú)人機(jī)</b><b class='flag-5'>遙感</b>的作物長(zhǎng)勢(shì)監(jiān)測(cè)研究進(jìn)展

    基于無(wú)人機(jī)光譜遙感的荒漠化草原地物分類(lèi)研究2.0

    草原退化調(diào)查監(jiān)測(cè)須獲取實(shí)測(cè)數(shù)據(jù),無(wú)人機(jī)搭載光譜成像儀進(jìn)行低空遙感,是荒漠化草原地物分類(lèi)的重要手段,可提供地物精細(xì)分類(lèi)所需的遙感數(shù)據(jù),充分發(fā)
    的頭像 發(fā)表于 06-17 15:33 ?256次閱讀
    基于<b class='flag-5'>無(wú)人機(jī)</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b><b class='flag-5'>遙感</b>的荒漠化草原地物分類(lèi)研究2.0

    基于無(wú)人機(jī)光譜遙感的典型草原打草對(duì)植被表型差異分析

    利用無(wú)人機(jī)光譜遙感數(shù)據(jù)結(jié)合實(shí)測(cè)數(shù)據(jù),分析植被光譜反射率和窄波段植被指數(shù)等表型參數(shù)對(duì)打草行為的敏感性,通過(guò)獲取特征波段和植被指數(shù),揭示打草前
    的頭像 發(fā)表于 06-14 10:38 ?315次閱讀
    基于<b class='flag-5'>無(wú)人機(jī)</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b><b class='flag-5'>遙感</b>的典型草原打草對(duì)植被表型差異分析

    基于無(wú)人機(jī)光譜遙感的荒漠化草原地物分類(lèi)研究1.0

    本研究利用無(wú)人機(jī)光譜遙感技術(shù)采集荒漠化草原遙感數(shù)據(jù),運(yùn)用人工智能圖像分類(lèi)技術(shù),解決荒漠化草原地物分類(lèi)與識(shí)別問(wèn)題,具有自動(dòng)化程度
    的頭像 發(fā)表于 06-12 11:48 ?314次閱讀
    基于<b class='flag-5'>無(wú)人機(jī)</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b><b class='flag-5'>遙感</b>的荒漠化草原地物分類(lèi)研究1.0

    基于光譜遙感的山區(qū)耕地土壤有機(jī)質(zhì)反演研究2.0

    貴州省地形復(fù)雜且氣候多變,土壤干旱和侵蝕較為嚴(yán)重,耕地分布零碎同時(shí)土壤類(lèi)型多樣,使得部分地區(qū)農(nóng)田耕作化程度低,造成土壤資源浪費(fèi)。合理的方法定量監(jiān)測(cè)出山區(qū)
    的頭像 發(fā)表于 06-11 11:45 ?362次閱讀
    基于<b class='flag-5'>高</b><b class='flag-5'>光譜</b><b class='flag-5'>遙感</b>的山區(qū)<b class='flag-5'>耕地</b><b class='flag-5'>土壤有機(jī)質(zhì)</b>反演研究2.0

    基于光譜遙感的山區(qū)耕地土壤有機(jī)質(zhì)反演研究V1.0

    貴州省地形復(fù)雜且氣候多變,土壤干旱和侵蝕較為嚴(yán)重,耕地分布零碎同時(shí)土壤類(lèi)型多樣,使得部分地區(qū)農(nóng)田耕作化程度低,造成土壤資源浪費(fèi)。合理的方法定量監(jiān)測(cè)出山區(qū)
    的頭像 發(fā)表于 05-31 15:50 ?337次閱讀
    基于<b class='flag-5'>高</b><b class='flag-5'>光譜</b><b class='flag-5'>遙感</b>的山區(qū)<b class='flag-5'>耕地</b><b class='flag-5'>土壤有機(jī)質(zhì)</b>反演研究V1.0

    比較基于無(wú)人機(jī)光譜影像和傳統(tǒng)方法的土壤類(lèi)型分類(lèi)精度

    遙感技術(shù)的應(yīng)用為土壤分類(lèi)提供了新的可能性。光譜影像技術(shù)是無(wú)人機(jī)遙感中的重要組成部分,其能夠提供
    的頭像 發(fā)表于 02-19 16:55 ?410次閱讀
    比較基于<b class='flag-5'>無(wú)人機(jī)</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b>影像和傳統(tǒng)方法的<b class='flag-5'>土壤</b>類(lèi)型分類(lèi)精度

    無(wú)人機(jī)光譜影像是否真的可以提升農(nóng)業(yè)生產(chǎn)效率?

    農(nóng)業(yè)是全球經(jīng)濟(jì)中的重要組成部分,而提高農(nóng)業(yè)生產(chǎn)效率一直是農(nóng)業(yè)領(lǐng)域的重要挑戰(zhàn)之一。隨著科技的不斷發(fā)展,無(wú)人機(jī)光譜影像技術(shù)逐漸引起了廣泛關(guān)注。這項(xiàng)技術(shù)利用無(wú)人機(jī)搭載的
    的頭像 發(fā)表于 01-30 11:53 ?420次閱讀
    <b class='flag-5'>無(wú)人機(jī)</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b>影像是否真的可以提升農(nóng)業(yè)生產(chǎn)效率?

    基于無(wú)人機(jī)光譜影像的黑土區(qū)玉米農(nóng)田土壤有機(jī)質(zhì)估算

    基于無(wú)人機(jī)光譜影像的黑土區(qū)玉米農(nóng)田土壤有機(jī)質(zhì)估算 引言 東北黑土區(qū)作為我國(guó)重要的糧食生產(chǎn)優(yōu)勢(shì)區(qū)及商品糧供給地,玉米作為其主要作物之一,每年的產(chǎn)量占全國(guó)總產(chǎn)量的30%以上。長(zhǎng)期以來(lái)對(duì)黑
    的頭像 發(fā)表于 01-23 17:47 ?614次閱讀
    基于<b class='flag-5'>無(wú)人機(jī)</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b>影像的黑土區(qū)玉米農(nóng)田<b class='flag-5'>土壤有機(jī)質(zhì)</b>估算

    [萊森光學(xué)]使用無(wú)人機(jī)光譜成像系統(tǒng)進(jìn)行地表監(jiān)測(cè)

    近年來(lái),隨著遙感技術(shù)的迅速發(fā)展和無(wú)人機(jī)(Unmanned Aerial Vehicle,UAV)技術(shù)的普及,使用無(wú)人機(jī)搭載光譜成像系統(tǒng)進(jìn)行
    的頭像 發(fā)表于 01-17 13:51 ?385次閱讀
    [萊森光學(xué)]使用<b class='flag-5'>無(wú)人機(jī)</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b>成像系統(tǒng)進(jìn)行地表監(jiān)測(cè)

    土壤礦物對(duì)松嫩平原主要土壤類(lèi)型反射光譜特征的影響機(jī)理2.0

    引言 土壤礦物包括土壤固相物質(zhì)中除土壤有機(jī)質(zhì)(SOM)和生物體以外的所有無(wú)機(jī)質(zhì)部分,構(gòu)成了土壤的骨骼,分為原生礦物(如石英、長(zhǎng)石、云母、角閃
    的頭像 發(fā)表于 11-21 19:06 ?280次閱讀
    <b class='flag-5'>土壤</b>礦物對(duì)松嫩平原主要<b class='flag-5'>土壤</b>類(lèi)型反射<b class='flag-5'>光譜</b>特征的影響機(jī)理2.0