三江源区土壤特性高光谱估算方法比较研究

发布时间：2017-10-05 17:14

  本文关键词：三江源区土壤特性高光谱估算方法比较研究

  更多相关文章： 土壤特性 估算方法 高光谱数据 平滑去噪方法 特征波段选择方法 建模方法 三江源区

【摘要】：本文以三江源为研究区,以野外采集的149个表层土壤(0~30cm)样本为数据源,从实验室测定的17种土壤特性(包括全氮、全碳、碳氮比、有机质、pH值及硅、铝、铁、镁、锰、砷、铅、锌、镉和铬元素)含量与土壤光谱反射率入手,经过三种平滑方法平滑(Savitzky Golay平滑、小波变换和九点加权移动平均)和一阶微分变换后的光谱反射率,分别采用相关性分析法、多元逐步回归分析以及遗传算法,筛选主要土壤特性的特征谱段,并构建了各种土壤特性的偏最小二乘回归(PLSR)、BP神经网络(BPNN)和支持向量机(SVM)模型。确定每种土壤特性的最佳估算模型并优选出最佳光谱平滑去噪方法以及最优筛选特征波段方法,并与基于全波段建立的PLSR、BPNN和SVM模型做对比,研究结论如下:(1)利用Savitzky-Golay卷积平滑(SG)、小波变换(WT)和九点加权移动平均(NWA)法对土壤光谱反射率进行平滑去噪,结果表明:在本研究中WT相较于其他两种平滑去噪方法(SG和NWA)更适合去除本研究中土壤样本的光谱反射率噪声;(2)基于PLSR、BPNN和SVM三种方法分别建立的光谱全波段与17种土壤特性含量之间的估算模型,结果表明模型估算能力顺序为SVM模型BPNN模型PLSR模型;土壤特性与光谱之间并非简单的线性关系,因此PLSR模型表现出了一定的局限性,而BPNN和SVM模型能够较好的处理光谱与土壤特性之间的非线性关系;(3)基于三种特征波段选择方法,即相关分析法(CA)、多元逐步回归分析方法(SMLR)及遗传算法(GA),分别与PLSR、BPNN和SVM方法相结合构建的估算模型结果表明:对PLSR模型来说,GASMLRCA;对BPNN模型来说,GASMLR和CA,而SMLR与CA估算能力基本相当;对SVM模型来说,SMLRGACA。不同的建模方法与最佳模型精度特征波段挑选方法相互选择,应根据不同建模方法去选择相适应的特征波段选择方法,总体来说GA和SMLR这两种挑选特征波段的方法与三种建模方法所构建的模型精度优于CA,今后可以代替传统的CA法去挑选特征波段。(4)相较于全波段建模,特征波段建模精度整体比全波段建模精度低,但特征波段建模所需要的波段少、数据冗余度低、模型运行效率快、模型更加稳定,在该研究区能够代替全波段建模估算土壤特性含量。(5)综合比较全波段与特征波段的估算模型发现,所有模型均对全氮(TN)、全碳(TC)和有机质(SOM)具有极好的估算能力,对硅(Si)、锰(Mn)、铜(Cu)和汞(Hg)元素不具备估算能力;大多数模型对碳氮比(C:N)、pH值、铝(Al)、铁(Fe)、镁(Mg)、砷(As)、铅(Pb)、镉(Cd)和铬(Cr)具有粗略估算能力。故在该研究区高光谱技术对大多数土壤特性的估算起到了有效的作用,但不适合于估算土壤Si、Mn、Cu和Hg四种元素。
【关键词】：土壤特性 估算方法 高光谱数据 平滑去噪方法 特征波段选择方法 建模方法 三江源区
【学位授予单位】：青海师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：S151.9
【目录】：

• 中文摘要3-5
• Abstract5-9
• 第一章 绪论9-19
• 1.1 研究背景和意义9-10
• 1.2 高光谱遥感的发展10
• 1.3 国内外土壤特性高光谱遥感研究文献综述10-13
• 1.4 土壤高光谱方法研究进展13-15
• 1.5 研究目标与研究内容15-16
• 1.5.1 研究目标15
• 1.5.2 研究内容15-16
• 1.6 研究特色与创新点16
• 1.7 拟解决的科学问题16
• 1.8 技术路线与论文框架16-19
• 1.8.1 本文技术路线16-18
• 1.8.2 论文框架18-19
• 第二章 数据的采集与测定19-24
• 2.1 研究区概况19
• 2.2 野外土壤样本采集及其预处理19-20
• 2.3 土壤样品实验室分析20-21
• 2.3.1 SOM含量测定20
• 2.3.2 土壤TN、TC含量测定20-21
• 2.3.3 土壤pH值测定21
• 2.3.4 土壤常规及重金属元素含量测定21
• 2.4 土壤样品光谱反射率测定21-24
• 2.4.1 地物光谱仪21-22
• 2.4.2 室内光谱测量22-24
• 第三章 土壤异常样本剔除及光谱数据预处理24-36
• 3.1 土壤样本剔除24-28
• 3.1.1 土壤属性异常样本识别与剔除24
• 3.1.2 土壤样本光谱异常值剔除24-25
• 3.1.3 土壤特性含量的描述性统计25-28
• 3.1.4 土壤重金属赋存特征分析28
• 3.2 土壤光谱数据预处理28-36
• 3.2.1 光谱增强28-30
• 3.2.2 光谱曲线去噪与平滑30-34
• 3.2.3 光谱数据重采样34
• 3.2.4 数学变换34-36
• 第四章 模型构建方法36-42
• 4.1 偏最小二乘回归(Partial least squares regression，PLSR)36-37
• 4.2 BP神经网络（Error back propagation neural network，BPNN）37-38
• 4.3 支持向量机（Support vector machines，SVM）38-40
• 4.4 校准样本与验证样本的选择方法40
• 4.5 模型精度评价方法40-42
• 第五章 土壤特性光谱特征波段的选择42-54
• 5.1 特征波段选择方法42-45
• 5.2 结果与分析45-54
• 5.2.1 基于相关分析的特征波段的选择45-48
• 5.2.2 基于多元逐步回归的特征波段的选择48-49
• 5.2.3 基于遗传算法的特征波段的挑选49-54
• 第六章 基于全波段的土壤特性高光谱估算54-65
• 6.1 偏最小二乘回归模型54-57
• 6.2 BP神经网络模型57-60
• 6.3 支持向量机模型60-63
• 6.4 模型估算结果的纵向对比63-65
• 第七章 基于特征谱段的土壤特性含量高光谱估算65-96
• 7.1 偏最小二乘回归模型65-75
• 7.1.1 基于CA挑选特征波段建模65-68
• 7.1.2 基于SMLR挑选的特征光谱波段建模68-75
• 7.2 BP神经网络模型75-85
• 7.2.1 基于CA挑选的特征波段建模75-78
• 7.2.2 基于SMLR筛选特征波段建模78-85
• 7.3 基于支持向量机方法建模85-96
• 7.3.1 基于CA法挑选的特征波段建模85-88
• 7.3.2 基于SMLR分析法挑选的特征波段建模88-91
• 7.3.3 基于GA挑选特征波段建模91-94
• 7.3.4 基于三种特征波段挑选方法构建的支持向量机模型方法纵向比较94-96
• 第八章 结论与展望96-102
• 8.1 讨论和分析96-99
• 8.2 结论99-100
• 8.3 展望100-102
• 参考文献102-109
• 致谢109-110
• 个人简历110

，

本文编号：977997