华南地区土壤有机质含量高光谱反演
发布时间：2021-11-07 01:41
为实现对土壤有机质含量的快速监测,在对土壤有机质含量作倒数变换的同时将土壤高光谱数据进行多种数据变换处理,筛选出与土壤有机质含量倒数变换后相关性最高的光谱指标,最后构建了土壤有机质含量高光谱反演的最佳模型,实现对土壤有机质含量的反演。结果表明:估算土壤有机质含量的最佳光谱指标为反射率一阶微分波段组合R(（587,126）*R（734,049）*R（1 095,892）,相关系数为0.769;在此基础上构建的土壤有机质含量高光谱反演模型最佳(Y=5×1016x3-5×1010x2+59 471.000 0x+0.101 1),其决定系数R2为0.65,均方根误差（RMSE）为0.040 mg/kg。将其验证样本预测值与实测值进行比较,平均相对误差为27.00%,RMSE为4.19 mg/kg。该验证结果证明利用该模型进行华南地区土壤有机质含量的快速监测是可行的。
【文章来源】：江苏农业学报. 2020,36(02)北大核心CSCD
【文章页数】：8 页
【部分图文】：
研究区土壤样点分布图
采用Savitzky-Golay平滑方法对实验室采集的光谱数据进行平滑处理以降低噪声的影响。从图2可见,采集的土壤光谱曲线变化趋势大致相同,总体呈现先增加后降低的抛物线型。在可见光和部分近红外波段范围(400～1 100 nm),反射光谱随着波长的增加而上升,在1 100 nm附近形成一个峰值,之后光谱变化趋缓。在1 400 nm、1 900 nm和2 200 nm附近有3个明显的吸收峰,深度略有差别,这可能是黏土矿物中所含的水分子和羟基的吸收带[15],基本符合土壤光谱的曲线特征。1.3.2 构建光谱指标
在获得4种光谱指标最高相关性所对应的波段组合的基础上,采用6种常用的回归模型方法,分别以各光谱指标最佳波段组合为自变量x和倒数变换后的土壤全有机质含量为因变量y,构建各项光谱指标[反射率光谱平滑(REF)、一阶微分(FDR)、二阶微分(SDR)、倒数对数(lg(1/R)]与土壤有机质含量之间的高光谱估算模型。当部分自变量x出现负数时,对数函数和幂函数模型被剔除(表3)。从表3可以看出,采用4～6种基本模型分别对4种光谱指标与土壤有机质含量的高光谱估算模型的效果差异较大。其中建模的决定系数(R2)介于0.17与0.65之间,均方根误差(RMSE)介于0.040 mg/kg与0.061 mg/kg之间;模型建立后进行验证获取的R2介于0.02与0.73之间,RMSE介于0.040 mg/kg与0.049 mg/kg之间。对比和分析表3中所有模型的效果可知,基于反射率一阶微分(FDR)波段组合的土壤有机质含量估算模型的反演效果要明显优于其他模型,这是因为在一阶微分变换后,光谱反射率变得更加平缓,而部分特征却得到了明显的增强,使得光谱估算模型的效果得到提升。在反射率一阶微分(FDR)波段组合的4种估算模型中,一元三次函数模型Y=5×1016x3-5×1010x2+59 471.000 0x+0.101 1的R2达到0.65,RMSE为0.040 mg/kg, R2较大且RMSE小,拟合效果最好,其拟合图见图4。
【参考文献】：
期刊论文
[1]土壤有机质高光谱估算模型研究进展[J]. 章涛,于雷. 湖北农业科学. 2017(17)
[2]基于偏最小二乘回归的土壤有机质含量高光谱估算[J]. 于雷,洪永胜,耿雷,周勇,朱强,曹隽隽,聂艳. 农业工程学报. 2015(14)
[3]基于高光谱遥感土壤有机质含量预测研究[J]. 李媛媛,李微,刘远,郭锡杰,牟蒙,刘长发. 土壤通报. 2014(06)
[4]荒漠土壤有机质含量高光谱估算模型[J]. 侯艳军,塔西甫拉提·特依拜,买买提·沙吾提,张飞. 农业工程学报. 2014(16)
[5]基于地面实测光谱的土壤有机质含量预测[J]. 官晓,周萍,陈圣波. 国土资源遥感. 2014(02)
[6]高光谱土壤有机质估测模型对比研究[J]. 袁征,李希灿,于涛,张广波. 测绘科学. 2014(05)
[7]广东耕地土壤有机质的变化趋势及其驱动力分析[J]. 曾招兵,汤建东,刘一峰,张满红,林碧姗. 土壤. 2013(01)
[8]基于不同模型的土壤有机质含量高光谱反演比较分析[J]. 栾福明,张小雷,熊黑钢,张芳,王芳. 光谱学与光谱分析. 2013(01)
[9]土壤有机质测定方法综述[J]. 李婧. 分析试验室. 2008(S1)
[10]基于高光谱的土壤有机质含量预测模型的建立与评价[J]. 卢艳丽,白由路,杨俐苹,王红娟. 中国农业科学. 2007(09)
本文编号：3480916
【文章来源】：江苏农业学报. 2020,36(02)北大核心CSCD
【文章页数】：8 页
【部分图文】：
研究区土壤样点分布图
采用Savitzky-Golay平滑方法对实验室采集的光谱数据进行平滑处理以降低噪声的影响。从图2可见,采集的土壤光谱曲线变化趋势大致相同,总体呈现先增加后降低的抛物线型。在可见光和部分近红外波段范围(400～1 100 nm),反射光谱随着波长的增加而上升,在1 100 nm附近形成一个峰值,之后光谱变化趋缓。在1 400 nm、1 900 nm和2 200 nm附近有3个明显的吸收峰,深度略有差别,这可能是黏土矿物中所含的水分子和羟基的吸收带[15],基本符合土壤光谱的曲线特征。1.3.2 构建光谱指标
在获得4种光谱指标最高相关性所对应的波段组合的基础上,采用6种常用的回归模型方法,分别以各光谱指标最佳波段组合为自变量x和倒数变换后的土壤全有机质含量为因变量y,构建各项光谱指标[反射率光谱平滑(REF)、一阶微分(FDR)、二阶微分(SDR)、倒数对数(lg(1/R)]与土壤有机质含量之间的高光谱估算模型。当部分自变量x出现负数时,对数函数和幂函数模型被剔除(表3)。从表3可以看出,采用4～6种基本模型分别对4种光谱指标与土壤有机质含量的高光谱估算模型的效果差异较大。其中建模的决定系数(R2)介于0.17与0.65之间,均方根误差(RMSE)介于0.040 mg/kg与0.061 mg/kg之间;模型建立后进行验证获取的R2介于0.02与0.73之间,RMSE介于0.040 mg/kg与0.049 mg/kg之间。对比和分析表3中所有模型的效果可知,基于反射率一阶微分(FDR)波段组合的土壤有机质含量估算模型的反演效果要明显优于其他模型,这是因为在一阶微分变换后,光谱反射率变得更加平缓,而部分特征却得到了明显的增强,使得光谱估算模型的效果得到提升。在反射率一阶微分(FDR)波段组合的4种估算模型中,一元三次函数模型Y=5×1016x3-5×1010x2+59 471.000 0x+0.101 1的R2达到0.65,RMSE为0.040 mg/kg, R2较大且RMSE小,拟合效果最好,其拟合图见图4。
【参考文献】：
期刊论文
[1]土壤有机质高光谱估算模型研究进展[J]. 章涛,于雷. 湖北农业科学. 2017(17)
[2]基于偏最小二乘回归的土壤有机质含量高光谱估算[J]. 于雷,洪永胜,耿雷,周勇,朱强,曹隽隽,聂艳. 农业工程学报. 2015(14)
[3]基于高光谱遥感土壤有机质含量预测研究[J]. 李媛媛,李微,刘远,郭锡杰,牟蒙,刘长发. 土壤通报. 2014(06)
[4]荒漠土壤有机质含量高光谱估算模型[J]. 侯艳军,塔西甫拉提·特依拜,买买提·沙吾提,张飞. 农业工程学报. 2014(16)
[5]基于地面实测光谱的土壤有机质含量预测[J]. 官晓,周萍,陈圣波. 国土资源遥感. 2014(02)
[6]高光谱土壤有机质估测模型对比研究[J]. 袁征,李希灿,于涛,张广波. 测绘科学. 2014(05)
[7]广东耕地土壤有机质的变化趋势及其驱动力分析[J]. 曾招兵,汤建东,刘一峰,张满红,林碧姗. 土壤. 2013(01)
[8]基于不同模型的土壤有机质含量高光谱反演比较分析[J]. 栾福明,张小雷,熊黑钢,张芳,王芳. 光谱学与光谱分析. 2013(01)
[9]土壤有机质测定方法综述[J]. 李婧. 分析试验室. 2008(S1)
[10]基于高光谱的土壤有机质含量预测模型的建立与评价[J]. 卢艳丽,白由路,杨俐苹,王红娟. 中国农业科学. 2007(09)
本文编号：3480916
本文链接：https://www.wllwen.com/kejilunwen/nykj/3480916.html
