基于高光谱的潍北平原土壤有机质预测与空间格局研究

发布时间：2020-11-21 22:58

　　 土壤有机质(SOM)是植物生长的重要营养来源,可以调整土壤结构并改善其理化性质,是衡量土壤质量的重要指标之一。传统上对于区域土壤有机质含量的监测,均需要大量布置样点和实验室分析测试,费事费力且实验结果不可重复,同时很难实现大区域内的多时相动态监测,实用价值受到限制。随着高空遥感技术的发展,土壤有机质含量信息的获取不受时空地域的限制,可以连续获得土壤有机质的动态变化信息,基于地物光谱反射特征的土壤定量遥感技术已逐渐被广泛接受,地物光谱技术可以快速准确的获取区域内土壤有机质含量信息。本文以潍北平原为主要研究区,结合前期在室内样点布置规划的基础上,对野外土壤样点进行实地高光谱数据采集和土壤理化组成化学分析,结合同时相遥感影像数据,探索土壤有机质含量值与光谱反射率数据间的内在关系,最终建立高光谱数据和Landsat数据支持下的有机质含量值遥感预测模型,实现区域尺度上土壤有机质遥感数字制图和土地质量动态监测工作。本研究主要包括以下研究内容及成果:(1)通过对地面采样点的实测高光谱数据与其对应的Landsat-8_OLI影像像元上的反射率特征进行分析,总结出与SOM密切相关的敏感波段主要是345、491、594、627、718、723、748、810、873、889、931、981和1075nm处共13个特征波段,遥感影像上各波段光谱值与土壤有机质关系密切。在可见光-近红外(Vis-NIR)范围不同样点土壤反射率存在显著差异,有机质含量越高,土壤光谱反射率越低,在600nm-800nm范围内光谱反射峰出现的位置与土壤退化有关.这些细微的变化特征都为以后滨海盐渍土理化性质的遥感估算研究奠定了基础。(2)利用地面实测的高光谱数据可以有效的预测土壤有机质含量,导入光谱指数的SVM模型预测精度和稳定性最高。原始高光谱数据与SOM的相关性较弱,判断特征波段较为困难,光谱一阶倒数微分变换处理可以突出高光谱数据与SOM相关的特征波段,变换后与SOM的相关系数正负交替出现,相关系数绝对值增大,便于选取特征波段。在完成特征波段的选择之后,运用主成分分析法将波段光谱信息转换为6个线性不相关的光谱主成分,在此基础上构建差值光谱指数(DI_1和DI_2),接下来将提取的光谱指数和SOM实测值分别作为自变量和因变量建立多元线性回归(MLR)模型、误差反向传输多层感知神经网络回归(BP)模型和支持向量机回归(SVM)模型,反演效果达到预期目标要求,SVM模型的预测效果最佳,决定系数(R~2)和均方根误差(RMSE)分别为0.803和0.223,BP模型的R~2和RMSE分别为0.764和0.161,MLR模型预测精度和稳定性一般,R~2和RMSE为0.704和0.151。(3)对Landsat-8_OLI原始影像光谱数据进行一定的数学变换,可以消除水分等背景信息的影响,运用倒数变换(CD)构建光谱指数的BP模型预测效果最佳,反演得到研究区土壤有机质空间分布。一阶微分变换可以提高多元线性回归(MLR)模型的精确度和稳定性,模型的R~2和RMES分别为0.585和0.268,相对未变换之前R~2提高了0.11。对于BP神经网络模型来说,倒数变换(CD)能够突出各波段的光谱特征,变换后模型运行效果参数R~2和RMSE分别为0.65和0.250,高于原始波段数据和其余数学变换形式,RPD值为1.24,模型可以接受,但仍有进一步提高的空间;支持向量机回归(SVM)模型在利用影像光谱及其数学变换数据估算SOM含量值时,因出现大样本过拟合问题,无法正确寻求局部最小值,预测效果相对其他模型精度较差,R~2和RMSE分别为0.272和0.185。(4)潍北平原地区土壤有机质空间分布格局呈现出土壤有机质含量南多北少依次递减的总体趋势。基于MLR、BP、SVM和普通克里格法(Ordinary Krige,以下简称OK)预测模型均能很好拟合出土壤有机质总的空间变化趋势,研究区东部和西部地区土壤有机质含量高,中部白浪河和潍河区域受海水倒灌影响,土壤发生退化,有机质含量较低。对于不同模型的预测效果差异主要体现在小范围内的小块区域间的预测值,BP模型的预测效果最佳,而MLR模型和SVM回归则无法很好处理特异值,导致土壤有机质含量值在整个区域内变化过大或者过小。普通克里格基于区域变量的半变异函数模型确定未知点的含量值,受人为布点影响较大,本模型可单独进行分析,也可作为遥感反演模型验证的有力工具,遥感反演可以充分借鉴地统计法区域变化变量关联规律,为反演模型改进提供依据。
【学位单位】：山东师范大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP751;S153.621
【部分图文】：

技术流程图

野外调研及实地采样图

图 2-1 研究区位置及采样点示意图a.野外调研 b.土壤取样图 2-2 野外调研及实地采样图据的获取与处理光谱测量壤反射光谱的测定采用FieldSpec HH（Analytical Spectra
【相似文献】

相关期刊论文 前10条

1 田彦平;陶超;邹峥嵘;杨钊霞;何小飞;;主动学习与图的半监督相结合的高光谱影像分类[J];测绘学报;2015年08期

2 冯海亮;潘竞文;黄鸿;;半监督邻域保持嵌入在高光谱影像分类中的应用[J];计算机科学;2014年S1期

3 杨哲海;张俊;李之歆;;低通滤波器在高光谱影像分类中的应用[J];海洋测绘;2011年05期

4 陈军丽;黄睿;;利用多属性剖面概率融合的高光谱影像分类[J];遥感信息;2019年02期

5 杨可明;刘飞;孙阳阳;魏华锋;史钢强;;谐波分析光谱角制图高光谱影像分类[J];中国图象图形学报;2015年06期

6 杨可明;张涛;王立博;钱小丽;刘士文;王林伟;;高光谱影像的谐波分析融合算法研究[J];中国矿业大学学报;2014年03期

7 冯海亮;潘竞文;黄鸿;;一种改进的邻域保持嵌入高光谱影像分类方法[J];光电工程;2014年09期

8 覃环虎;张立福;刘凯;;高光谱影像库的数据存取技术研究[J];计算机工程;2012年16期

9 刘天乐;高伟;刘修国;陈启浩;;矢量量化压缩算法在高光谱影像上的研究实现[J];计算机工程与应用;2008年34期

10 原传纲;张广有;吴迪;杨哲海;;面向应用的高光谱影像分类方法[J];测绘科学技术学报;2007年02期

相关博士学位论文 前10条

1 王明威;基于万有引力算法和集成学习的高光谱影像分类研究[D];武汉大学;2018年

2 郑向涛;高光谱影像质量改善及降维研究[D];中国科学院大学(中国科学院西安光学精密机械研究所);2017年

3 杨丽霞;稀疏学习机及其在高光谱影像分类中的应用[D];西安电子科技大学;2016年

4 路威;面向目标探测的高光谱影像特征提取与分类技术研究[D];中国人民解放军信息工程大学;2005年

5 杜辉强;高光谱遥感影像滤波和边缘提取方法研究[D];武汉大学;2004年

6 杨哲海;高光谱影像分类若干关键技术的研究[D];解放军信息工程大学;2006年

7 龚?;基于HDA和MRF的高光谱影像同质区分析[D];武汉大学;2007年

8 王凯;基于多特征融合的高光谱影像地物精细分析方法研究[D];武汉大学;2013年

9 黄风华;云环境下基于并行支持向量机的高光谱影像分类研究[D];福建师范大学;2014年

10 贺威;高光谱影像多类型噪声分析的低秩与稀疏方法研究[D];武汉大学;2017年

相关硕士学位论文 前10条

1 侯增福;基于协同表示与非监督最邻近规则子空间的高光谱影像异常探测[D];中国矿业大学;2019年

2 赵扬;基于深度神经网络的高光谱影像地物分类技术研究[D];中国科学技术大学;2019年

3 周星;基于CNN及集成学习的高光谱影像分类方法研究[D];哈尔滨工程大学;2019年

4 徐夕博;基于高光谱的潍北平原土壤有机质预测与空间格局研究[D];山东师范大学;2019年

5 张雅春;基于稀疏约束最小二乘光谱解混算法的湿地精细分类[D];哈尔滨师范大学;2018年

6 刘畅;无人机影像‘图—谱’信息融合在作物氮素诊断中的应用研究[D];西安科技大学;2018年

7 马伟波;基于HyMAP-C航空高光谱影像土壤重金属浓度估算[D];中国矿业大学;2018年

8 宋淑;基于空间信息与网络学习的高光谱影像分类[D];西安电子科技大学;2018年

9 张文豪;基于特征学习和深度学习的高光谱影像分类[D];西安电子科技大学;2018年

10 王新旺;高光谱影像水面小目标检测与识别[D];华中科技大学;2018年

本文编号：2893731