使用反射光谱技术和人工神经网络评估水下渗率到土壤剖面

文摘

我们探讨了雨滴的影响能量水渗透进入土壤和土壤的NIR-SWIR光谱反射率(1200 - 2400海里)。7个土壤具有不同物理形态性质从以色列和美国受到人为的暴雨。地壳形成的光谱特性分析了土壤表面使用人工神经网络(ANN)。相同的人口的一项研究结果进行了比较,偏最小二乘(PLS)回归应用。得出两种模型(PLS回归和安)是通用的,因为他们是基于属性与物理外壳,如粘土含量、水含量和有机质。尽管如此,更好的结果之间的联系渗透速率和光谱特性与非线性安技术实现的统计值(RMSE安PLS回归为17.3%和10%)。此外,虽然两者都是运行在选定的波长和评估他们的准确性是一个独立的外部组样品,没有应用于反射数据预处理过程在使用安。随着渗透速率与土壤反射率之间的关系不是线性的,安研究这种关系的方法有优势,许多土壤被分析。

1。介绍

1.1。物理地壳和渗透速率

径流雨水和开销灌溉的主要原因是结构性的一代土壤结皮(1,2]。地壳形成结果雨滴动能的影响和土壤的水平稳定的聚合物(1,2]。几分钟内地壳结构生成和显著减少土壤渗透速率(IR)。评估红外可持续土地管理是至关重要的,尤其是在半干旱和干旱地区恶劣的气候条件导致土壤退化和破坏农业地区。因此,监测土壤结皮土壤条件适当的管理是至关重要的,从一个农业和土地退化的视角。

1.2。反射光谱

之前的研究表明,反射光谱技术可以提供一个有价值的评估土壤结皮的状况和评估相关的问题。光谱反射率提供信息大部分物质的化学和物理条件(实验室)和表面(领域),可以用来评估土壤结皮的状况和评估相关的问题(例如,渗透速率,径流潜力)(3,4]。两个重要机制通常发生在地壳的形成可以通过光谱学:独立跟踪改变颗粒大小和矿产分布在地壳表面的变化,这两个与反照率(5,6]。

最近的研究由Goldshleger et al。5,7- - - - - -9)和Ben-Dor et al。10)表明,选择特定波长红外评估至关重要。作者生成每个土壤类型的光谱库,受到各种雨能量。他们显示不同的回归谱之间的相关性存在阅读和地壳为每个研究土壤状况。此外,土壤的反射性质可以作为指标的结壳过程由雨滴的影响(5,8,10,11]。

1.3。校准发展:线性和非线性建模技术

大部分的上述的研究利用近红外光谱(NIRS)开发了一个spectral-based模型评估土壤结皮的地位。NIRS被称为一种分析技术,使许多学科进行实时监控程序(12]。近年来有上升的使用定性和定量检测技术的应用来确定土壤质量指标(13和沉积物14]。在大多数情况下,技术需要一个参考技术建立校准的例程和保证适当的维护建立校准参考异常值检测和故障诊断。因此,主要问题包括光谱测量VIS-NIR-SWIR地区(400 - 2400海里),光谱校准,校准模型的光谱预处理和验证。最后,它应该强调技术不是一个常规工具但同时有着巨大的潜力,因为它可以提供独特的信息与其他技术无法访问(15]。

成分和土壤的性质和/或沉积物分析了反射光谱技术结合参考校准建模包括水分、铁氧化物、有机和粘土物质内容,有机C, N, P, K和Ca,总大小(6,18- - - - - -23]。此外,NIRS策略被用来确定光谱响应之间的关系和地壳状态(24,25]。定量建模VIS-NIR-SWIR光谱经常使用多种多元技术执行,包括逐步回归、偏最小二乘(PLS)回归,请修改,分类和回归树,和主成分回归。所有这些技术都被应用到模型引用土壤化学和物理属性之间的关系和光谱数据(26,27]。线性PLS回归模型方法已被用于一些响应变量同时而有效地处理强烈共线和嘈杂的独立变量(28]。最近,Viscarra Rossel et al。22,23)显示,请回归技术可成功地用于预测土壤属性从反射,即使土壤的不同类型和性质。他们收集了全球超过2000土壤的光谱和化学性质,并演示了一个通用的生成模型的所有选定的土壤,无论类型。布朗et al。29日和布朗30.)建立了一个全球soil-spectral图书馆估计粘粒材料的数量。

神经网络是一种“机”,大脑是设计模型的方式执行一个特定任务或函数(31日]。人工神经网络(ann)有能力模型线性或非线性的输入和输出变量之间的关系(32]。Viscarra Rossel和behren23请]一些数据挖掘技术相比,布朗et al。29日)经常使用数据挖掘作为一个标准方法的研究。虽然这些应用程序在土壤科学,我们认为它可以检查他们的表现感兴趣的土壤材料,特别是在房地产,展品高变化土壤光谱特征的物理外壳。Farifteh et al。33]表明,ANN和PLS回归方法估算红外潜力巨大。此外,这两种方法显示出类似的预测土壤盐度的精确性。

客观的
在这项研究中,土壤结壳的光谱反射率(由大变异特征)进行了分析以评估适用的模型预测的IR值通过非线性安和线性PLS回归。四个来自以色列和三种土壤的土壤从美国被选为测试人口审查。安和PLS回归结果选择土壤数量也比较来评估不同的程序的性能。

2。材料和方法

2.1。土壤样品

四种土壤从以色列和三个来自美国,从砂质粘土质,被用于这项研究。表1提供他们的物理和化学成分。

2.2。实验暴雨模拟(红外测量)

2毫米的土壤样本筛分网和相同挤进30×50×4厘米多孔土壤盒一层粗砂。箱子放在一个旋转木马在坡度5%,5箱每运行相同的土壤,受到模拟暴雨(34使用蒸馏水)。经过,通过土壤中的水和砂层的多孔土壤框在一个连续的模拟暴雨大约代表瞬时IR。土壤的红外是暴雨期间连续测量。首先,模拟暴雨提供了一个雾式雨(能量),与每个土壤的初始红外类似强度来衡量。这场风暴一直持续到测量的速度渗透达到先前测量的红外模拟的暴雨强度。然后降雨停止和土壤的盒子直到所有盒子停止排水。一个土箱是随机选择的。其余土壤箱子受到连续暴雨的强度大约类似于土壤的初始IR, ~ 22.3 J能量。瞬时模拟计算了暴雨莫林et al。34),每个暴雨的积累(直接)能量取决于深度强度(mm)的设计风暴。土壤为每个剩余的盒子,增加水平的累积暴雨能量(通过增加曝光时间暴雨)是应用(表2(一)和2(b))。两个连续的运行进行了对于每个土壤,造成土壤10盒水平增加的结壳(由于增加累积暴雨能量水平)。每次暴雨后对于给定的土壤,盒子是烤箱干48 h在105°C(模拟旱地条件)和光谱阅读干燥表面的反射率。

2.3。光谱测量

光谱反射率的测量进行了量子1200 +实验室光谱仪。仪器进行优化NIR-SWIR地区(1200 - 2400纳米)的带宽10 nm(1200光谱波段)。贝索₄粉用作白色参考,使测量数据转化为反射率值。平均频谱每累计降雨能量进行了计算,使用五个复制。

2.4。数据分析

红外和反射率数据来生成一个spectral-based分析模型预测的红外单纯依靠光谱测量。为安分析,重要的是,它是不可能包括所有测量波长的数组,它必须减少基于数量的观察(例如,自由度)。因此,首先,最重要的波长被确定(如下一节中介绍)和建模是基于这一选择。相比之下,我们也应用线性PLS回归分析评估IR值的土壤。

土壤反射光谱七(64个样本)及其相应的红外测量中仔细检查错误IR值(例如,过大或小的红外测量值的具体示例,- variable)和土壤反射光谱(NIR-SWIR范围,变量)。对于这两个变量,未发现异常。

提到ANN建模是很重要的,而生红外用于请是基于日志IR值。除了原始光谱,ANN建模,而对于请被认为用二阶导数光谱吸光度。,请和安运行在同一个减少光谱范围波长(48)。

2.5。波长选择一个模型

我们调查的影响,选择单个波长产生最优校准模型来评估红外光谱在土壤。为此,我们请了模型对整个波长区域,目的是识别重要的波长。重要变量估计使用Martens的不确定性测试(35),评估的稳定性请回归。很多情节和相关的测试结果,可以估计模型的稳定性,确定扰动样品或变量,并选择意义重大变量。测试执行与交叉验证和执行第一个对整个光谱范围。因此,每个请模型(原材料预处理)首次运行在整个光谱范围,,然后,局限于重要的波长被确定基于Martens的测试。我们还包括额外的波长(例如,监督/手动选择)基于知识的土壤吸收性(例如,包括吸光度粘土在2200 nm)。然后该模型运行只在选定的波长和重新评估,直到接受的结果(模型的稳定性和预测精度)。所有数据管理、计算、请分析和不同光谱预处理使用最优化的9.2版本软件进行辨音器(这种软件,奥斯陆,挪威)。

2.6。建模方法:请

请使用模型相关性土壤反射光谱和红外光谱。请回归基于潜变量分解两个街区的变量,和矩阵,包含光谱数据和任何参考化学变量,分别。回归的目标是找到少量请组件有效地预测当使用(35]。请分析预测块之间建立一个关系,矩阵和响应,,通过innerrelation分数。的分数,描述对象的变化预测块(在这种情况下光谱矩阵)和相应的变化响应块的分数。什么请是最大化这些内在变量之间的协方差(也称为潜在的结构)。每个请组件的计算权向量的贡献进行评估- variable的解释在那个特定的组件。

请回归模型是由交叉验证。由于数量有限的样本,统计参数标定模型(49个样本)的计算是通过leave-one-out-cross-validation(只有一个样本保存校准和用于预测)。模型受到外部验证,执行一组11个样本,从校准矩阵,选择和孤立作为测试集,测试集是相同的请和ANN模型。此外,反射光谱被认为是使用二阶导数吸光度作为预处理技术基于Goldshleger et al。9]。

2.7。建模方法:安

安有三层的神经元:输入、隐藏、输出(31日]。每一层的神经元都连接到相邻的神经元层。隐层神经元执行两个任务:他们和加权输入,然后,通过得到的总和在相邻层神经元通过s形的处理函数称为激活函数。这个函数通常决定了神经元的输出和地图的时间间隔()到()。隐藏的加权输入和输出神经元可以调整转变整个求和的方向,有助于减少错误。激活函数本质上部队每个神经元的总和之间设置限制,0和1,之前被传递到下一层神经元。最常见的学习算法是基于误差反向传播监管,一个数据集的系统输入和输出(训练集)提出了一个神经网络初始假设连接权重。一个错误计算计算,通过比较实际的输出,因此,修改连接权值减少平方误差的总和。这个培训过程反复进行,直到误差收敛到一个小明显的价值。网络通过处理另一组输入测试(测试集),比较网络输出和测试集,如果由此产生的误差足够小,网络被认为是训练有素的,它可能被用于预测输出。神经元用于训练网络的数字4和12之间是不同的系统,允许后续选择最合适的网络规模的基于测试数据集上的性能(36]。ANN建模,计算机软件MatLab,内部程序和使用神经网络工具箱(Mathworks Inc .,纳蒂克,妈,美国)。

对于每一个研究的规模,每个数据集都分为三个子集,一个用于培训(输入数据的一半),一个用于验证(输入数据的四分之一),一个用于测试(输入数据的四分之一)。Levenberg-Marquardt算法(37),它提供了一种快速优化,用于网络培训。训练网络的性能评估通过对比均方误差(MSE)和均方误差(RMSE)计算从培训、验证和测试数据的子集。只有一个训练数据子集用于更新网络权重和偏见。在培训期间,监测误差对验证数据子集。当验证错误指定的迭代次数增加,训练是停了。误差对测试数据子集不是监控在训练而是量化评估最后一个训练有素的ANN模型的性能。

安的分析,所有光谱测量的数据手动分为三个子集:一套校准(训练集)包含37个样本(建立模型),验证集,由12个样本训练集(验证),和一个外部测试集组成的11个样本(检查整个模型的预测能力)。注意,相同的测试集是用于请分析。在我们选择校准/验证集和测试集,提出土壤样本相对而言,土壤类型和测量红外。

所有模型的预测能力比较的相对标准误差的校准和验证集(RMSECV表示(%)和RMSEP (%):

除了我们使用的比率预测偏差(RPD),它被定义为引用的标准偏差值的比率(例如,IR)交叉验证的均方根误差(RMSECV)或预测(RMSEP) [38]。RPD值低于1.5被送往表明模型是不可用,而高于3.0被认为是优秀的。

3所示。结果与讨论

3.1。光谱变化

土壤反射率的产物粒度分布(表示为基准高度或物理反照率效应)和化学成分(表示为吸收峰)。在所有的土壤测试日期,土壤结皮浓度(表达的反照率变化)成为光明的随着累计降雨能量的增加。此外,一个明显的地表反射率序列中观察到所有土壤(9]。例如,在以色列的土壤,累积能量范围从最低(基线约0.25,0.15,0.4,0.55),最高(基线约0.4,0.3,0.5,0.7),Grumusol红土,黄土,和哈姆拉土壤,分别8]。

图1提供反射光谱在近红外光谱范围内(1200 - 2400纳米)的能量治疗用于所有四个土壤:,红土,黄土,Grumosol。哈姆拉的沙质土壤相对石英含量高(90%)和粘土的一小部分(5%);红土是一种红粘土土壤风化产生的石灰岩。黄土是一种风成沉积物形成的积累的风积淤泥,一般在20 ~ 50岁不等μm尺寸范围,粘土20%或更少,其余部分砂和粉砂。Grumosol高膨胀性粘土含量超过50%就可以得出结论,一个主要crust-formation模式是在土壤而异常模式可以获得nonclayey土壤。增加了雨能源应用于这些土壤造成反照率的增加模式与粘土含量增加有关。这是一个细粒度偏析造成的结壳过程中粘土矿物通常占据了细粒分数。此外,有证据表明地壳的变化与降雨能量(图1),包括拆迁的粘土层或洗砂颗粒。上述结果表明反射的有用性作为一种工具来监测地壳形成过程在一个特定的土壤。

3.2。校准使用请分析建模

获得更清晰的spectroscopic-IR变化的情节因素载荷(LV,或回归系数)与波长的最佳预处理技术(吸光度运行在选定波长的二阶导数),如图2。红外的波长选择的预测是基于貂的测试选择和集中在1230年,1385年,1390 - 1407,1436,1447,1850,1866,1912,1940,2016,2180,2200,2250,2292,2315,2351 nm。这些波长可以可怕地分配给哦在水中(1400和1900海里)39),有机物(2016和2290海里)6),Al-OH粘土矿物(2200和2250海里)39,40]。这些是所有土壤类型,因此一般特征,可以确定为一个通用的预测红外光谱足迹。

使用请分析,最好的模型时生成一阶导数应用反射率值但只运行使用重要的波长(貂的测试)。图3上面板显示了交叉验证的测量值和预测值之间的关系。获得的统计数据是RMSECV 10.2%和13.6%的土壤,略大0.70和RPD值在2.0和2.1之间。轻微但不明显更好的模型可以实现交叉验证数据集的数据集没有IS4(54在交叉验证集样本),增加到0.73。较低的面板图3显示了这个最适合模型的情节当应用于外部混合数据集来衡量LT光谱仪(11个样本)。线性情节展品斜率为0.75,= 0.46,相对较高的RMSEP(%)为15%。

3.3。校准使用ANN建模方法

数据4和5现在每个土壤类型的测量与预测值的校准和测试集,分别使用ANN方法。测试集的构造校正模型的代表,包括不同的土壤类型覆盖各种IR值(即。宽动态范围)。图5显示了为测试集和RMSE值(= 0.91,RMSE = 10.6%),而对于校正集,= 0.96 (RMSE = 6.5%)。这些结果表明,ANN模型学习系统,有很好的推广和评估能力。相反,当请模型上运行相同的测试集(见图3较低的面板进行比较),较低的值(0.46)和RMSEP(15%)接受了。在这方面,安方法给出更好的结果的评估红外比请回归分析。然而,这两种方法都表明生成一个通用模型,用来评估的可能性IR,即使局外人集团(地壳的形成)(在我们的例子中,Is4)涉及交叉验证或校准/验证测试集。有趣的是,当同一土壤样本在校准相结合,验证集和测试集来评估红外用PLS回归和安分析,后者提供了更好的精度。

在我们的分析中,安的主要优点是利用一个独立的测试集生IR值,消除了需要申请任何反射光谱数据预处理。红外和土壤反射率之间的关系不是线性的,安方法有优势,许多土壤被分析。

实际上,当评估红外通过PLS回归或安为异构组土壤分析,光谱范围需要降低识别的波长光谱数据给最好的分析行为。在我们的研究中,基于貂的测试选择的结果,我们使用波长高亮显示在图2获得的,这是类似Goldshleger et al。8和Ben-Dor et al。10]以色列土壤类型。这个结果证实,不同种类的土壤可以建模使用特定的波长范围。额外的应用可以得出结论,从这个结果是构建一个简单的未来红外传感器的可能性评估领域的基于特定的波长区域,目的是预测红外在线。探索一个更大的样本集与其它土壤类型和更广泛的动态范围(或其他)红外组合是必要的。

4所示。结束语

土壤从以色列和美国进行可能的预测使用红外光谱测量。我们得出的结论是,ANN方法给出更好的结果的评估红外在异构比请回归分析样本集。我们对两种模型使用特定的波长范围。本研究中使用的校准模型开发和与其他土壤可以被转移到使用。

请模型运行时使用的原始光谱(变量)也请运行时使用原始不对数转换值(- variable),更低的准确性红外被接受(RMSE ~ 30 - 50%),所以结果没有报告。相比之下,原始光谱和原始IR值被用于ANN方法显示的另一个优点使用ANN方法评估红外基于原始光谱数据使用我们的数据集。注意,虽然安建模允许高精度估计土壤IR,这两种方法都依赖于波长选择和这样的选择必须,因此,模型被认为是被应用之前。

最后,选择读取和红外波长之间的重要关系进行的研究表明,评估的红外反射光谱技术不仅可行而且可靠。

引用

1. m·阿加西i Shainberg j·莫兰,“雨滴效果影响能源和水盐度钠的土壤入渗率,”美国土壤科学学会杂志》上,45卷,不。1,第851 - 848页,1981。视图:谷歌学术搜索
2. m·阿加西j·莫兰,i Shainberg“雨滴效果影响能源和水盐度钠的土壤入渗率,”美国土壤科学学会杂志》上卷,49号1,第190 - 186页,1985。视图:谷歌学术搜索
3. s·m·德容,“分光镜的数据地图的分析地中海侵蚀土壤、土壤类型和土壤外壳”土技术,5卷,不。3、199 - 211年,1992页。视图:谷歌学术搜索
4. j . a . m . Dematte r·c·坎波斯·m·c·阿尔维斯·r·Fiorio和m . r . Nanni”Visible-NIR反射:土壤评价新方法,”Geoderma,卷121,不。1 - 2、95 - 112年,2004页。视图:出版商的网站|谷歌学术搜索
5. n . Goldshleger e . Ben-Dor y Benyamini, d·g·布隆伯格和m .阿加西,“土壤结壳和渗透过程监测土壤反射光谱的短波红外成像区域,”国际遥感杂志》上,23卷,不。19日,3909 - 3920年,2002页。视图:出版商的网站|谷歌学术搜索
6. e . Ben金龟子n . Goldshleger m . Eshel诉Mirablis和森,“主动和被动遥感相结合方法来评估土壤盐碱化,”土壤盐渍化遥感:影响和土地管理a、g . Metternicht Zinck, Eds。,pp. 235–255, CRC Press, Boca Raton, Fla, USA, 2009.视图:谷歌学术搜索
7. n . Goldshleger e . Ben-Dor y Benyamini, d·布隆伯格和m .阿加西,”土壤光谱反射率的短波红外成像地区的地壳结构(1.2 - -2.5μ米),”“特拉诺瓦”,13卷,不。1、12 - 17,2001页。视图:出版商的网站|谷歌学术搜索
8. n . Goldshleger e . Ben-Dor y Benyamini, m·阿加西”土壤反射率作为一种工具来评估物理地壳安排四个典型土壤在以色列,”土壤科学,卷169,不。10日,677 - 687年,2004页。视图:出版商的网站|谷歌学术搜索
9. n . Goldshleger大肠Ben-Dor、答:为了纪念和m·阿加西”土壤反射率作为评估的通用工具渗透速率引起的地壳结构的非均匀土壤,“欧洲的土壤科学》杂志上,60卷,不。6,1038 - 1051年,2009页。视图:出版商的网站|谷歌学术搜索
10. e . Ben-Dor n . Goldlshleger y Benyamini, d·g·布隆伯格和m .阿加西,”土壤的光谱反射特性结构外壳1.2 - 2.5μm光谱区。”美国土壤科学学会杂志》上,卷67,不。1,第299 - 289页,2003。视图:谷歌学术搜索
11. e . Ben-Dor n . Goldshleger o·布劳恩et al .,“监控使用机载高光谱技术在半干旱土壤入渗率,”国际遥感杂志》上,25卷,不。13日,2607 - 2624年,2004页。视图:出版商的网站|谷歌学术搜索
12. p•威廉姆斯和k·诺里斯近红外技术在农业和食品行业,1987年美国谷物化学家协会。
13. e . Ben-Dor k . Patkin a Banin, a . Karnieli”映射的几个土壤属性使用讲台- 7915高光谱扫描数据组织案例研究在土壤在以色列,”国际遥感杂志》上,23卷,不。6,1043 - 1062年,2002页。视图:出版商的网站|谷歌学术搜索
14. r·克拉克“岩石和矿物的光谱,”手动的遥感,艾德。a . Rencz页。3-58,约翰威利& Sons, 1999。视图:谷歌学术搜索
15. h·w·Siesler、y Ozaki s Kawata和h . m .接着,Eds。近红外光谱。原理、仪器、应用程序Wiley-VCH,德国魏因海姆,2002年。
16. y丹和z拉兹,土壤协会以色列的地图,Volcani农业研究所,以色列,1970。
17. 关键土壤分类、土壤调查人员,“土壤分类:土壤系统分类和interapating土壤调查,”美国农业部,1999。视图:谷歌学术搜索
18. 大肠Ben-Dor和a . Banin”,可见和近红外(0.4 - -1.1毫米)分析干旱和半干旱的土壤,“环境遥感,48卷,不。3、261 - 274年,1995页。视图:谷歌学术搜索
19. l . Kooistra r . Wehrens w .鲁汶和l . Buydens”可见近红外光谱学的可能性评估土壤污染的河流冲积平原,”分析Chimica学报,卷446,不。1 - 2、97 - 105年,2001页。视图:出版商的网站|谷歌学术搜索
20. l . Kooistra g .游荡,r . Epemac w .鲁汶l . Wehrens和l . Buydens”领域的潜力光谱学在河泛滥平原沉积物属性的评价,“分析Chimica学报,卷484,不。2、189 - 200年,2003页。视图:出版商的网站|谷歌学术搜索
21. g . i Metternicht和j . a . Zinck遥感土壤盐度:潜力和限制,“环境遥感,卷85,不。1,1,2003页。视图:出版商的网站|谷歌学术搜索
22. r . a . Viscarra Rossel、r·n·麦克格林和a . b . McBratney”决定mineral-organic组成的混合使用UV-vis-NIR漫反射光谱,”Geoderma,卷137,不。1 - 2、70 - 82年,2006页。视图:出版商的网站|谷歌学术搜索
23. r . a . Viscarra Rossel和t . behren”使用数据挖掘模型和解释土壤漫反射光谱,”Geoderma,卷158,不。1 - 2,页46 - 54岁,2010年。视图:出版商的网站|谷歌学术搜索
24. t·欧文,“紫外可见光谱的进步”,导数光谱,卷1,58 - 64、1987页。视图:谷歌学术搜索
25. f·蔡和w·d·Philpot”derivative-aided覆盖分类、高光谱图像分析系统”IEEE地球科学和遥感,40卷,不。2、416 - 425年,2002页。视图:出版商的网站|谷歌学术搜索
26. t . Udelhoven、c·艾默灵和t . jarm”定量分析土壤化学性质与漫反射光谱法和偏最小二乘回归分析:可行性研究,“植物和土壤,卷251,不。2、319 - 329年,2003页。视图:出版商的网站|谷歌学术搜索
27. j .摩洛人m . j . Martinez-Sanchez c . Perez-Sirvent s Garrigues和m . de la Guardia”测试的穆尔西亚地区土壤近红外漫反射光谱和化学计量学,”Talanta,卷78,不。2、388 - 398年,2009页。视图:出版商的网站|谷歌学术搜索
28. 美国荒原,m . Sjostrom和l·埃里克森“pls回归:化学计量学的一个基本工具,”化学计量学和智能实验室系统,卷。58岁的没有。2、109 - 130年,2001页。视图:出版商的网站|谷歌学术搜索
29. d·布朗,英国牧羊犬,m·沃尔什·m·梅斯和t . Reinsch”全球土壤特性与VNIR漫反射光谱,”Geoderma,卷132,不。3 - 4、273 - 290年,2006页。视图:出版商的网站|谷歌学术搜索
30. d·j·布朗”,使用全局VNIR soil-spectral图书馆对当地土壤特性和景观建模在二阶乌干达分水岭”Geoderma,卷140,不。4、444 - 453年,2007页。视图:出版商的网站|谷歌学术搜索
31. r . Hecht-NielsenNeurocomputing,addison - wesley, 1990。
32. c c。杨,s·o·普拉舍,p . Enright et al .,“决策树技术的应用,对于使用遥感数据的图像分类,“农业系统,卷76,不。3、1101 - 1117年,2003页。视图:出版商的网站|谷歌学术搜索
33. j . Farifteh f·范德梅尔,c . Atzberger和e·卡”被盐化土壤反射光谱定量分析:比较两种自适应方法(PLSR &安),“环境遥感,卷110,不。1,59 - 78年,2007页。视图:出版商的网站|谷歌学术搜索
34. j .莫林·d·戈德堡,歌手,“降雨模拟器与旋转磁盘,”美国农业工程师学会的事务,10卷,第77 - 74页,1967年。视图:谷歌学术搜索
35. k . Esbensen多元数据分析。介绍多元数据分析和实验设计埃斯比约,Aalborg大学、丹麦、第五版,2002年版。
36. a . j . Adeloye和a . De Munari”,基于人工神经网络的广义storage-yield-reliability模型使用Levenberg-Marquardt算法,”《水文,卷326,不。1 - 4、215 - 230年,2006页。视图:出版商的网站|谷歌学术搜索
37. h·德穆斯和m .比尔使用Matlab的神经网络工具箱、MathWorks纳蒂克,质量,美国,2004年。
38. a . m . Mouazen w . Saeys j .兴j . De Baerdemaeker h·拉蒙,“近红外光谱学农业材料:乐器比较,”近红外光谱学杂志》上,13卷,不。2、87 - 97年,2005页。视图:谷歌学术搜索
39. g·r·亨特,“微粒矿物的光谱特征,在可见和近红外,”地球物理学,42卷,不。3、501 - 513年,1977页。视图:谷歌学术搜索
40. g·r·亨特,j·w·索尔兹伯里,a . Lenhoff”可见,nearinftatrd光谱矿物和岩石。”现代地质学IIIoxides和氢氧化物,2卷,第205 - 195页,1971年。视图:谷歌学术搜索

版权

版权©2012 Naftali来说Goldshleger等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。