三江源区土壤全氮、全碳和碳氮比的高光谱反演

发布时间：2020-11-22 00:51

【摘要】：随着科学技术的飞速发展，日益成熟的高光谱遥感技术已成为估算土壤重要成分的最有效的手段。土壤环境的严重污染和土壤质量的每况愈下，使得高光谱遥感技术反演土壤成分扮演着越来越重要的角色。 本文利用2012年和2013年两期三江源区的土壤全氮、全碳和碳氮比数据结合美国ASD FieldSpec4型地物光谱仪测得的土壤样品室内光谱反射率数据进行MSLR（多元逐步线性回归）、PLSR（偏最小二乘回归）和BPNN（BP神经网络）方法的模型建模。光谱数据主要由原始光谱反射率（REF）经过九点加权滑动平均处理后变换成4种形式的数据：一阶微分（FDR）、二阶微分（SDR）、倒数对数（Log（1/R））和波段深度（BD）进行建模分析。为了突显不同土壤类型之间的差异，将样本划分为总体样本和5种土壤类型：高山草甸土、高山草原土、山地草甸土、灰褐土和沼泽土，得出以下结论： （1）高山草原土光谱曲线上的“帽状”特征是土壤中各种成分响应的综合反映，可以作为光谱数据划分土壤类型的依据； （2）BPNN模型能较为稳定的估算研究区土壤的全氮、全碳和碳氮比，其中最佳RPD是全氮含量全波段建模（沼泽土，REF，RPD=3.47）；MSLR和PLSR一般达不到如此好的精度，而更能突显各土壤类型和各变换指标之间的差异性； （3）总体样本建模比分土壤类型建模具备更好模型稳定性，也就是说总体样本建模方式的5种指标的RPD基本都在1.4以上； （4）特征波段（500~900nm、1400~1500nm、1900~2000nm和2200~2300nm）建模和全波段（350~2500nm）建模两种方法在模型精度上存在着各自的特征：虽然特征波段的模型精度和全波段的相当，但特征波段的建模方式具有稳定性更强、变量更少、效率更高的优点； （5）土壤中氮素和碳素在进行比值运算后，趋于减弱其与土壤光谱反射率数据和碳氮比之间的线性相关关系，使得碳氮比的反演精度不理想。 （6）五种变换形式的指标中，REF、Log（1/R）和BD的形式能达到较好的精度结果，而FDR和SDR只有在BPNN模型中才能达到较为理想的结果。
【学位授予单位】：青海师范大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：X144;X87
【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
    1.3 研究目标
    1.4 研究内容及研究特色
        1.4.1 研究内容
        1.4.2 研究特色
    1.5 技术路线
第二章 数据获取及预处理
    2.1 研究区概况
        2.1.1 地理位置
        2.1.2 自然地理特征
        2.1.3 人口、社会经济特征
    2.2 样品采集及处理
        2.2.1 风干研磨
        2.2.2 过筛处理
        2.2.3 样品保存
    2.3 光谱数据测量
    2.4 实验室土壤成分测定
    2.5 光谱数据预处理
        2.5.1 平滑处理
        2.5.2 光谱变换
第三章 数据建模方法
    3.1 多元逐步线性回归
    3.2 偏最小二乘回归
    3.3 BP 神经网络
    3.4 模型检验方法
第四章 光谱特征分析和特征波段提取
    4.1 土壤原始反射率
    4.2 各类型土壤光谱反射率
    4.3 光谱变换形式分析
        4.3.1 一阶微分
        4.3.2 二阶微分
        4.3.3 倒数的对数
        4.3.4 波段深度
    4.4 相关性分析与特征波段提取
第五章 不同土壤类型全波段高光谱反演
    5.1 全氮含量全波段反演
        5.1.1 多元逐步线性回归模型
        5.1.2 偏最小二乘回归模型
        5.1.3 BP 神经网络模型
    5.2 全碳含量全波段反演
        5.2.1 多元逐步回归线性模型
        5.2.2 偏最小二乘回归模型
        5.2.3 BP 神经网络模型
    5.3 碳氮比全波段反演
        5.3.1 多元逐步回归线性模型
        5.3.2 偏最小二乘回归模型
        5.3.3 BP 神经网络模型
    5.4 本章小结
第六章 不同土壤类型特征波段高光谱反演
    6.1 全氮含量特征波段反演
        6.1.1 多元逐步线性回归模型
        6.1.2 偏最小二乘回归模型
        6.1.3 BP 神经网络模型
    6.2 全碳含量特征波段反演
        6.2.1 多元逐步线性回归模型
        6.2.2 偏最小二乘回归模型
        6.2.3 BP 神经网络模型
    6.3 碳氮比特征波段反演
        6.3.1 多元逐步线性回归模型
        6.3.2 偏最小二乘回归模型
        6.3.3 BP 神经网络模型
    6.4 本章小结
第七章 结论与展望
    7.1 结论与讨论
        7.1.1 讨论与分析
        7.1.2 结论
    7.2 论文不足与展望
参考文献
致谢
个人简历

【参考文献】

中国期刊全文数据库 前3条

1 纪文君;史舟;周清;周炼清;;几种不同类型土壤的VIS-NIR光谱特性及有机质响应波段[J];红外与毫米波学报;2012年03期

2 彭玉魁,张建新,何绪生,卢恩双;土壤水分、有机质和总氮含量的近红外光谱分析研究[J];土壤学报;1998年04期

3 徐彬彬;土壤剖面的反射光谱研究[J];土壤;2000年06期

本文编号：2893858