锰铀污染土壤反射光谱特征及其含量反演研究

发布时间：2020-10-27 03:09

　　 锰、铀矿资源的开发不当造成土壤污染,并危害人类健康,因此对锰、铀污染的土壤进行监测有重要意义。传统监测方法主要为化学测试,该方法较为耗时,而高光谱遥感改善了这一状况。对未受污染的土样添加金属锰(浓度800-9600mg/kg)、铀(浓度25-800mg/kg),待螯合数月后采样,通过地物波谱仪PSR-2500获取土样反射光谱。光谱平滑后使用微分变换、倒数对数变换方法凸显土壤光谱有效信息,获取光谱特征参数。利用Pearson法,计算土壤光谱与锰、铀含量间的相关系数。选取土壤光谱的特征波段与土壤特征参数作为解释变量进行光谱建模反演,并构建土壤光谱库。主要研究成果如下:(1)受锰污染土壤光谱反射率介于5%-40%,在400-900nm波段,土壤反射率随锰浓度升高而降低,当浓度达到4800mg/kg的反射率最低,浓度继续提高后,反射率回升。受铀污染土壤光谱反射率介于5%-35%,在400-900nm波段,土壤的反射率随铀浓度提高而降低,当铀浓度约275mg/kg时土样光谱反射率最低;在900-2500nm区间内,未受污染的土样反射率最高,受铀污染后,反射率随着浓度的增加逐渐降低,当铀浓度为375mg/kg时土样光谱反射率最低。(2)平滑后的光谱经一阶微分变换,锰污染下的特征波段集中在420-610nm、660-960nm、1032-1421nm、2147-2230nm;铀污染下的特征波段多位于440-830nm和红外波段。光谱经二阶微分变换,锰污染下的特征波段分布在全波段;铀污染下的特征波段分布在350-420nm、1408nm、2130nm附近。光谱经倒数对数变换,锰污染下的特征波段在380-980nm、1635-2360nm、2530nm;铀污染下的特征波段多在330-400nm、510-2535nm。锰污染下通过p=0.05检验的光谱特征参数是土壤吸收谷宽度、深度、面积、蓝边峰值;铀污染下通过p=0.05检验的参数是吸收谷深度、位置和面积。(3)运用多元线性回归分析、神经网络模型建立土壤光谱与土壤锰、铀元素含量间关系模型。结果表明:锰元素含量最佳反演模型是光谱二阶微分变换后的神经网络模型,R~2为0.966,RMSE为0.488。铀元素含量最佳反演模型是光谱一阶微分变换后的神经网络模型,R~2为0.956,RMSE为0.142。(4)建立实验土壤光谱库,其中包含了不同浓度锰、铀污染下的土壤光谱曲线。论文成果能够扩宽矿区土壤锰、铀含量监测渠道。
【学位单位】：西南科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：X753;X53;X87
【部分图文】：

土壤光谱测量示意图

西南科技大学硕士学位论文2.2.1 平滑处理通过平滑处理来获取高讯噪比的光谱是一种成熟手段。平滑是在目标点的一定误间范围内获取多个点进行平均，进而降低 锯齿 发生[36]。平滑的方法有多种，针对不同情况有不同的平滑方法。如临近均匀法是运算目标学平均值；图像平滑滤波算法（SG 平滑）-（Savitzky-Golay）是多项式回归数据保存原特征；百分位滤波器是用分位值来代表原数据，它多用于电信号平滑；本文采用 SG 平滑，在 SG 滤波需要设置适合的点数及拟合次数，取平滑点数越光谱曲线越平滑，但同时会损失部分信息，本研究采用基于 5 窗口点不设边界条二次多项式平滑，在 Origin 2017 行处理。土样光谱曲线平滑前后的图 2-3。

图 3-4 吸收深度和面积示意图波长位置， s表示吸收始点处的波长， e表： D 1 R' 深度， 'R 是去包络线后的光谱值， 是波长特征明显的 420-430nm 区间的特征吸收谷，计大小，是由谷宽度和深度微积分运算得到。响下的土壤光谱特征分析壤的吸收深度和吸收面积特征变量分析结果如表土壤、800mg/kg、1600mg/kg、3200mg/kg、4800参数特征的平均值。表 3-1 锰污染下的土壤特征参数表深度 谷宽度 吸收面积 吸收斜率 蓝边位置 30 158.577 99.927 -0.007 368.702
【相似文献】

相关期刊论文 前10条

1 沈金祥;陈曦;杨辽;包安明;吴晓波;王杰;;基于影像光谱库的遥感波段模拟方法研究[J];光谱学与光谱分析;2011年09期

2 姜训鹏;杨增玲;刘贤;韩鲁佳;;肉骨粉显微近红外标准光谱库的快速构建方法[J];农业机械学报;2012年07期

3 李文霞;朱妙飞;陈勇;;DAD光谱库在中成药非法添加化学成分检测中的应用[J];中国药师;2011年03期

4 万余庆,张凤丽,闫永忠;矿物岩石高光谱数据库分析[J];地球信息科学;2001年03期

5 王亚军;蔺启忠;王钦军;李帅;;应用区域光谱库及分段滤波方法改进矿物识别精度的研究[J];光谱学与光谱分析;2012年08期

6 Ronald A.Holser;Samanth A.Hawkins;张彩凤;;用红外光谱检测禽饲料中脂质添加物[J];饲料与畜牧;2012年10期

7 孙中爱;纤维鉴别新方法(续二)[J];纤维标准与检验;1997年03期

8 张桂华;刘玉伟;;紫外光谱法在毒物分析中的应用[J];光谱仪器与分析;1995年Z1期

9 方凤;粟晖;姚志湘;陈成;梁晓梅;黄丽梅;;采用向量扣减方法分析化妆品中对羟基苯甲酸酯[J];分析测试学报;2013年06期

10 黄婷婷;韦志辉;修连存;吴泽彬;;基于吸收峰加权的岩矿光谱匹配方法研究[J];岩矿测试;2011年05期

相关博士学位论文 前1条

1 孙乐;空谱联合先验的高光谱图像解混与分类方法[D];南京理工大学;2014年

相关硕士学位论文 前10条

1 赵浩舟;锰铀污染土壤反射光谱特征及其含量反演研究[D];西南科技大学;2019年

2 刘小珊;土壤二向反射特性研究与标准光谱库的应用[D];华中农业大学;2015年

3 王乾龙;基于土壤可见—近红外光谱库的土壤全氮预测建模研究[D];浙江大学;2015年

4 葛魏东;基于光谱库的空谱联合高光谱稀疏解混方法研究[D];南京信息工程大学;2017年

5 吴健康;基于稀疏表示的高光谱图像解混研究[D];西安电子科技大学;2014年

6 王玉;基于时序光谱库的棉花种植面积信息提取研究[D];中国地质大学（北京）;2013年

7 李丹;基于稀疏表示的高光谱图像解混算法研究[D];北方民族大学;2017年

8 丁新峰;基于高光谱成像技术的文物颜料研究[D];北京建筑大学;2015年

9 丁玲;基于光谱指数的喀斯特石漠化地物覆盖度信息提取研究[D];山东科技大学;2011年

10 陈琪蒙;基于低秩表示的高光谱图像解混算法研究[D];西安电子科技大学;2014年

本文编号：2857940