基于微分变换定量反演土壤有机质及全氮含量

发布时间：2021-03-13 18:59

　　以河北省安平县32个地块的土壤参数及其高光谱数据为数据源,利用预处理后光谱数据（反射率）及其倒数、对数、开平方根、光谱吸收峰深度、开方根等8种基本变换及其一阶微分、二阶微分处理共计24种光谱变换方法处理分析土壤光谱数据,结合相关性分析算法提取光谱敏感波段,并利用偏最小二乘算法分别构建土壤有机质、全氮含量的预测模型。研究结果表明:与基本变换相比,在基本变换的基础上进行微分变换后的光谱信息对土壤养分含量的预测能力明显提升;经微分处理后的光谱信息与未处理的土壤光谱信息对土壤有机质含量的预测能力由强到弱依次为基本变换结合一阶微分变换>基本变换结合二阶微分变换>基本变换,对土壤全氮含量的预测能力由强到弱依次为基本变换结合二阶微分变换>基本变换结合一阶微分变换>基本变换;此外,在24种变换中,以倒数的一阶微分变换构建的有机质含量的预测能力预测模型最佳,其确定系数为0.803,以开平方根的一阶微分变换构建的全氮含量预测模型的预测能力最佳,其确定系数为0.831。这表明采用微分光谱技术可以更有效地进行土壤有机质及全氮含量的实时监测。 

【文章来源】：江苏农业科学. 2020,48(24)

【文章页数】：6 页

【文章目录】：
1 材料与方法
    1.1 土样采集与处理
    1.2 光谱处理
    1.3 微分光谱分析
    1.4 模型精度验证
2 结果与分析
    2.1 相关性分析
    2.2 有机质含量建模
    2.3 全氮含量建模
    2.4 模型分析
3 讨论
4 结论


【参考文献】：
期刊论文
[1]连续小波变换定量反演土壤有机质含量[J]. 王延仓,张兰,王欢,顾晓鹤,庄连英,段龙方,李佳俊,林靖.  光谱学与光谱分析. 2018(11)
[2]基于综合光谱指数的不同程度人类干扰下土壤有机质含量预测[J]. 郑曼迪,熊黑钢,乔娟峰,刘靖朝.  江苏农业学报. 2018(05)
[3]基于小波变换与偏最小二乘耦合模型估测北方潮土有机质含量[J]. 王延仓,杨贵军,朱金山,顾晓鹤,徐鹏,廖钦洪.  光谱学与光谱分析. 2014(07)
[4]利用反射光谱及模拟多光谱数据定量反演北方潮土有机质含量[J]. 王延仓,顾晓鹤,朱金山,龙慧灵,徐鹏,廖钦洪.  光谱学与光谱分析. 2014(01)
[5]南四湖区农田土壤有机质和微量元素空间分布特征及影响因素[J]. 武婕,李玉环,李增兵,方正,钟豫.  生态学报. 2014(06)
[6]精准施肥技术的研究现状与发展趋势[J]. 陈桂芬,马丽,陈航.  吉林农业大学学报. 2013(03)
[7]高光谱遥感在土壤研究中的应用[J]. 吴良超,刘晓,高佩玲.  安徽农业科学. 2013(02)
[8]光谱分辨率对黑土有机质预测模型的影响[J]. 刘焕军,吴炳方,赵春江,赵云升.  光谱学与光谱分析. 2012(03)
[9]近红外光谱技术在土壤养分分析中的研究进展及应用前景[J]. 丁海泉,卢启鹏.  光谱学与光谱分析. 2012(01)
[10]松嫩平原典型土壤高光谱定量遥感研究[J]. 刘焕军,张柏,刘殿伟,王宗明,宋开山,杨飞.  遥感学报. 2008(04)

博士论文
[1]松辽平原黑土有机质及相关元素遥感定量反演研究[D]. 程彬.吉林大学 2007
[2]土壤有机质含量高光谱预测模型及其差异性研究[D]. 周清.浙江大学 2004



本文编号：3080746