不同土地利用类型下土壤有机碳含量的高光谱反演
发布时间：2021-02-03 21:23
不同土地利用类型下土壤光谱信息存在差异,了解不同土地利用类型下合适的建模方法可以高效准确地进行土壤有机碳含量反演。本研究以江西省奉新县中北部林地、耕地和园地3种土地利用类型共248个土壤样本为对象,首先对土壤原始光谱反射率曲线使用Savitzky-Golay（SG）滤波去噪并进行10 nm重采样减少数据冗余,之后采用偏最小二乘回归（PLSR）、基于网格搜索法的支持向量机回归（GRID-SVR）和基于粒子群算法的支持向量机回归（PSO-SVR）3种方法分别构建土壤有机碳含量的反演模型。结果表明:构建单一土地利用类型反演模型时,PLSR方法在林地、耕地和园地的相对分析误差（RPD）分别为1.536、1.315和1.493,采用GRID-SVR方法时,其RPD分别提升0.150、0.183和0.502。采用PSO-SVR方法时精度最高,相较GRID-SVR方法,其林地、耕地和园地的RPD分别提高20.8%、10.0%和2.7%,林地和园地的RPD分别为2.036和2.049,可以极好地预测土壤有机碳含量,耕地的RPD为1.647,可以对土壤有机碳含量进行粗略估测。PSO-SVR方法对不同土地...
【文章来源】：应用生态学报. 2020,31(03)北大核心
【文章页数】：9 页
【部分图文】：
研究区位置与采样点分布
采用决定系数(R2)、均方根误差(RMSE)和相对分析误差(RPD)评价模型预测效果。R2和RPD越大、RMSE越小,说明模型预测效果越好[29]。当RPD<1.4时,模型无法预测;当1.4<RPD<2.0时,模型只能粗略估测;当RPD>2.0时,模型能极好预测[30]。R 2 =1- ∑ i=1 n ( y m -y p ) 2 ∑ i=1 n ( y m - y ˉ ) 2 ?????? ??? (4) RΜSE= 1 n ∑ i=1 n ( y m -y p ) 2 ?????? ??? (5) RΡD= SD RΜSE V ?????? ??? (6)
表1 土壤有机碳描述性统计Table 1 Descriptive statistics of soil organic carbon content 土地利用类型Land use type 样本类型Sample type 样本数Samplesize 最小值Minimum(g·kg-1) 最大值Maximum(g·kg-1) 平均值Mean(g·kg-1) 标准差SD 变异系数CV(%) 全部 Ⅰ 248 2.60 38.60 19.85 8.89 44.8 Total Ⅱ 165 3.50 38.60 20.03 9.14 45.6 Ⅲ 83 2.60 35.10 19.49 8.42 43.2 林地 Ⅰ 93 3.50 37.90 19.75 8.73 44.2 Forest Ⅱ 62 3.50 37.90 19.34 9.13 47.2 Ⅲ 31 3.90 35.10 20.56 7.94 38.6 耕地 Ⅰ 98 10.80 38.60 25.24 5.34 21.2 Cultivated land Ⅱ 65 10.80 38.60 25.79 5.55 21.5 Ⅲ 33 15.00 33.90 24.14 4.80 19.9 园地 Ⅰ 57 2.60 27.00 10.75 6.26 58.2 Orchard Ⅱ 38 3.50 27.00 11.31 6.52 57.7 Ⅲ 19 2.60 25.40 9.65 5.71 59.2 Ⅰ: 全集Complete dataset; Ⅱ: 建模集Calibration dataset; Ⅲ: 验证集Validation dataset.图4 土壤有机碳含量与不同预处理后光谱的相关分析
【参考文献】：
期刊论文
[1]土地利用方式和地形对半干旱区土壤有机碳含量的影响[J]. 李龙,秦富仓,姜丽娜,姚雪玲,王晓军. 土壤. 2019(02)
[2]基于高光谱反演的复垦区土壤重金属含量经验模型优选[J]. 陈元鹏,张世文,罗明,郧文聚,鞠正山,李少帅. 农业机械学报. 2019(01)
[3]粒子群优化神经网络的土壤有机质高光谱估测[J]. 邹慧敏,李西灿,尚璇,苗传红,黄超,路杰晖. 测绘科学. 2019(05)
[4]煤矿区土壤有机碳含量的高光谱预测模型[J]. 孙问娟,李新举. 水土保持学报. 2018(05)
[5]基于高光谱数据的高寒草地土壤有机碳预测模型研究[J]. 崔霞,宋清洁,张瑶瑶,胥刚,孟宝平,高金龙. 草业学报. 2017(10)
[6]江西省红壤地区主要土壤类型的高光谱特性研究[J]. 赵小敏,杨梅花. 土壤学报. 2018(01)
[7]艾比湖流域不同土地覆盖类型土壤养分高光谱反演模型研究[J]. 蒋烨林,王让会,李焱,李成,彭擎,吴晓全. 中国生态农业学报. 2016(11)
[8]母质与土地利用类型对土壤光谱反演模型的影响[J]. 邬登巍,张甘霖. 土壤. 2016(01)
[9]粒子群优化算法综述[J]. 赵乃刚,邓景顺. 科技创新导报. 2015(26)
[10]基于惯性权重对数递减的粒子群优化算法[J]. 戴文智,杨新乐. 计算机工程与应用. 2015(17)
硕士论文
[1]基于智能算法的支持向量机结合木材近红外光谱应用研究[D]. 于仕兴.北京林业大学 2014
[2]基于近红外光谱技术预测森林土壤有机碳含量的研究[D]. 汪洪涛.东北林业大学 2014
本文编号：3017178
【文章来源】：应用生态学报. 2020,31(03)北大核心
【文章页数】：9 页
【部分图文】：
研究区位置与采样点分布
采用决定系数(R2)、均方根误差(RMSE)和相对分析误差(RPD)评价模型预测效果。R2和RPD越大、RMSE越小,说明模型预测效果越好[29]。当RPD<1.4时,模型无法预测;当1.4<RPD<2.0时,模型只能粗略估测;当RPD>2.0时,模型能极好预测[30]。R 2 =1- ∑ i=1 n ( y m -y p ) 2 ∑ i=1 n ( y m - y ˉ ) 2 ?????? ??? (4) RΜSE= 1 n ∑ i=1 n ( y m -y p ) 2 ?????? ??? (5) RΡD= SD RΜSE V ?????? ??? (6)
表1 土壤有机碳描述性统计Table 1 Descriptive statistics of soil organic carbon content 土地利用类型Land use type 样本类型Sample type 样本数Samplesize 最小值Minimum(g·kg-1) 最大值Maximum(g·kg-1) 平均值Mean(g·kg-1) 标准差SD 变异系数CV(%) 全部 Ⅰ 248 2.60 38.60 19.85 8.89 44.8 Total Ⅱ 165 3.50 38.60 20.03 9.14 45.6 Ⅲ 83 2.60 35.10 19.49 8.42 43.2 林地 Ⅰ 93 3.50 37.90 19.75 8.73 44.2 Forest Ⅱ 62 3.50 37.90 19.34 9.13 47.2 Ⅲ 31 3.90 35.10 20.56 7.94 38.6 耕地 Ⅰ 98 10.80 38.60 25.24 5.34 21.2 Cultivated land Ⅱ 65 10.80 38.60 25.79 5.55 21.5 Ⅲ 33 15.00 33.90 24.14 4.80 19.9 园地 Ⅰ 57 2.60 27.00 10.75 6.26 58.2 Orchard Ⅱ 38 3.50 27.00 11.31 6.52 57.7 Ⅲ 19 2.60 25.40 9.65 5.71 59.2 Ⅰ: 全集Complete dataset; Ⅱ: 建模集Calibration dataset; Ⅲ: 验证集Validation dataset.图4 土壤有机碳含量与不同预处理后光谱的相关分析
【参考文献】：
期刊论文
[1]土地利用方式和地形对半干旱区土壤有机碳含量的影响[J]. 李龙,秦富仓,姜丽娜,姚雪玲,王晓军. 土壤. 2019(02)
[2]基于高光谱反演的复垦区土壤重金属含量经验模型优选[J]. 陈元鹏,张世文,罗明,郧文聚,鞠正山,李少帅. 农业机械学报. 2019(01)
[3]粒子群优化神经网络的土壤有机质高光谱估测[J]. 邹慧敏,李西灿,尚璇,苗传红,黄超,路杰晖. 测绘科学. 2019(05)
[4]煤矿区土壤有机碳含量的高光谱预测模型[J]. 孙问娟,李新举. 水土保持学报. 2018(05)
[5]基于高光谱数据的高寒草地土壤有机碳预测模型研究[J]. 崔霞,宋清洁,张瑶瑶,胥刚,孟宝平,高金龙. 草业学报. 2017(10)
[6]江西省红壤地区主要土壤类型的高光谱特性研究[J]. 赵小敏,杨梅花. 土壤学报. 2018(01)
[7]艾比湖流域不同土地覆盖类型土壤养分高光谱反演模型研究[J]. 蒋烨林,王让会,李焱,李成,彭擎,吴晓全. 中国生态农业学报. 2016(11)
[8]母质与土地利用类型对土壤光谱反演模型的影响[J]. 邬登巍,张甘霖. 土壤. 2016(01)
[9]粒子群优化算法综述[J]. 赵乃刚,邓景顺. 科技创新导报. 2015(26)
[10]基于惯性权重对数递减的粒子群优化算法[J]. 戴文智,杨新乐. 计算机工程与应用. 2015(17)
硕士论文
[1]基于智能算法的支持向量机结合木材近红外光谱应用研究[D]. 于仕兴.北京林业大学 2014
[2]基于近红外光谱技术预测森林土壤有机碳含量的研究[D]. 汪洪涛.东北林业大学 2014
本文编号：3017178
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3017178.html
