松嫩平原典型土壤有机质高光谱预测模型研究

发布时间：2017-09-19 11:33

  本文关键词：松嫩平原典型土壤有机质高光谱预测模型研究

  更多相关文章： 高光谱遥感 土壤有机质 土壤光谱分类

【摘要】：利用高光谱遥感建立精确的土壤有机质预测模型,是实现土壤有机质的快速测定、精准农业、土壤碳库估算的必然要求。准确的掌握土壤分布信息是土壤制图及建立土壤数据库的重要依据,对我国土地管理及土地利用规划具有重要的指导意义。土壤高光谱遥感预测模型已被用于土壤有机质、氧化铁、水分等属性的快速测定,其中,偏最小二乘回归(PLSR)因其能够有效解决变量存在的共线性,而被广泛应用于土壤理化性质高光谱预测模型,但模型输入量(高光谱反射率的数学变换形式、波长范围、光谱分辨率等)的确定存在明显的主观性。本研究以实验室测得土壤反射率为研究对象,通过正交试验设计(Orthogonal experimental design,OED)确定土壤有机质PLSR预测模型最优输入量,并运用单一土类(黑土)及不同土壤类型进行了验证。经过验证发现,OED能够有效的确定土壤有机质PLSR模型最优输入量,单一土类(黑土)的最优输入量为光谱分辨率25nm下,1000-2450nm的倒数对数微分(RPD=3.45);不同土壤类型最优输入量为光谱分辨率5nm下,400-2450nm的倒数对数微分(RPD=2.58),两者最优数学变换形式均为倒数对数微分,该结果为土壤有机质PLSR模型预测提供新的途径同时也增强了不同学者研究成果的可比性。为减少模型输入量,本研究绘制了土壤有机质与不同数学变换形式光谱分辨率的相关系数曲线图,分别提取了13个关键点作为PLSR和MSR模型的输入量。结果表明:1)采用关键点作为土壤有机质PLSR预测模型的输入量可以有效减少模型输入量个数并保持与最优输入量相似的预测能力(RPD=3.12,2.33),为有机质含量速测提供了新途径。2)采取关键点作为输入量PLSR土壤有机质预测能力要高于MSR模型,二者均可以满足黑土有机质的快速测定(RPD3.0),对于不同土壤类型有机质含量预测二者预测能力相似(2.0RPD2.5)。3)不同土壤类型由于成土母质、理化性质的不同,土壤光谱特征也存在差异,因此导致模型精度普遍低于单一土类。基于层次的模糊K均值聚类对土壤进行分类,最终将土壤分为五类,分类结果大体与实际采样结果相似。土壤经过光谱分类后,全局模型精度由原来的0.76和2.04提高到0.83和2.42。4)基于光谱特征参数提取的光谱角匹配将土壤光谱曲线分为三类,全局模型预测精度季稳定性均有所提高(0.85和2.60),模型RPD2.5,有很好的预测能力。综上所述,土壤光谱定量分类能够有效的提高土壤有机质预测模型精度,且基于光谱特征参数的光谱角匹配能够获取较高的预测精度,为土壤光谱分类提供了新的思路。
【关键词】：高光谱遥感 土壤有机质 土壤光谱分类
【学位授予单位】：东北农业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：S153.621;S127
【目录】：

• 摘要8-9
• 英文摘要9-11
• 1 引言11-20
• 1.1 研究目的及意义11-13
• 1.1.1 研究背景11
• 1.1.2 研究目的意义11-13
• 1.2 国内外研究动态13-17
• 1.2.1 土壤高光谱遥感研究动态13-14
• 1.2.2 土壤有机质高光谱预测模型研究进展14-16
• 1.2.3 土壤光谱分类在土壤有机质含量预测中的应用16-17
• 1.3 研究内容、研究方法及技术路线17-19
• 1.3.1 研究内容及方法17-18
• 1.3.2 技术路线18-19
• 1.4 研究重点和难点19
• 1.5 预期创新点19-20
• 2 理论基础与建模方法20-25
• 2.1 遥感相关概念20
• 2.2 土壤有机质高光谱建模方法20-23
• 2.2.1 偏最小二乘回归20-21
• 2.2.2 多元逐步回归21-22
• 2.2.3 正交试验设计22-23
• 2.3 土壤有机质高光谱预测模型精度评价23-25
• 2.3.1 交叉验证方法23-24
• 2.3.2 模型精度评价方法及指标24-25
• 3 研究区概况与数据处理25-30
• 3.1 研究区概况25-26
• 3.1.1 地理位置25
• 3.1.2 气候条件25
• 3.1.3 土壤条件25-26
• 3.2 样品采集与测试26-27
• 3.2.1 土壤样品采集26
• 3.2.2 室内土壤高光谱测试26-27
• 3.3 光谱数据预处理27-30
• 3.3.1 九点加权移动平均法28
• 3.3.2 连续统处理28
• 3.3.3 微分处理技术28-29
• 3.3.4 光谱数据重采样29-30
• 4 松嫩平原典型土壤有机质含量高光谱预测30-41
• 4.1 土壤有机质反射光谱特征分析30-32
• 4.1.1 单一土壤（黑土）有机质反射光谱特征分析30-31
• 4.1.2 不同类型土壤有机质高光谱特征分析31-32
• 4.2 土壤有机质高光谱PLSR最优输入量的确定32-36
• 4.2.1 正交试验设计确定土壤有机质高光谱PLSR最优输入量32-33
• 4.2.2 单一土类（黑土）正交试验设计结果验证33-35
• 4.2.3 不同土壤类型正交试验设计结果验证35-36
• 4.3 基于反射光谱特征的土壤有机质含量预测36-38
• 4.3.1 土壤光谱特征关键点（KP）的提取36-37
• 4.3.2 PLSR及MSR建模结果对比分析37-38
• 4.4 小结38-41
• 5 光谱定量分类在土壤有机质高光谱预测中的应用41-53
• 5.1 基于土壤反射光谱聚类分析的有机质预测模型42-47
• 5.1.1 两阶聚类确定最佳分类数目43-44
• 5.1.2 基于聚类分析分类的预测模型44-47
• 5.2 基于土壤反射光谱角分类的有机质预测模型47-51
• 5.2.1 光谱角度匹配47
• 5.2.2 基于土壤特征参数提取的光谱角匹配47-48
• 5.2.3 基于土壤反射光谱特征分类的预测模型48-51
• 5.3 小结51-53
• 6 结论与展望53-55
• 6.1 结论53-54
• 6.2 不足与展望54-55
• 致谢55-57
• 参考文献57-63
• 攻读硕士学位期间发表的学术论文63

，

本文编号：881400