基于可见—近红外光谱的土壤有机碳密度特征分析及空间模拟

发布时间：2018-04-24 10:44

本文选题：土壤有机碳密度 + 土壤反射光谱　；参考：《武汉大学》2017年硕士论文

【摘要】：土壤作为自然资源的一种,具有经济价值和生态价值。土壤不仅为作物生长提供养分库,为人类提供食物保障,还与城市建设、人类健康等热点问题密切相关,同时是地球陆地表层最为活跃的有机碳库之一,是陆地生态系统的重要组成。土壤有机碳密度(soil organic carbon density,SOCD)是衡量土壤碳储量的重要指标,其时空信息的便捷有效获取是未来地理国情监测和土地资源调查工作开展的重要方向。可见—近红外光谱技术能够达到便捷准确、节约成本、精确度高的要求,逐渐成为土壤组分估算预测的新方法,在土壤属性定量获取、土壤资源调查、数字土壤制图和精准农业发展等方面最具有广阔的应用前景。本文以"鱼米之乡"湖北省洪湖地区的汊河镇为研究区,采集土壤样本共232个,实验室获取可见—近红外(Visible/nearinfrared,VIS/NIR)光谱数据和有机碳密度值。分析了该地区土壤有机碳密度的空间分布和土壤光谱的响应特征,并揭示了土壤有机碳密度和土壤光谱存在的空间自相关性。洪湖地区土壤有机碳密度较低,均值为4.62kg/m2,变化范围在1.32～8.16kg/m2之间。随着SOCD值的增高,光谱反射率不断降低,两者大致呈负相关关系。对原始光谱数据进行预处理之后,相关性得到加强。随着SOCD值的增高,水浇地和水田的平均光谱曲线特征差异增大,土地利用类型对土壤光谱反射率的影响增强。对光谱数据进行主成分提取,前4个主成分的累积贡献率可达80%以上,能够一定程度地代表光谱信息。光谱主成分变量与SOCD之间均表现出正相关的关系,其中第一主成分的相关性最高,第四主成分的相关性最低。全局趋势分析发现,SOCD和光谱主成分在东-西和南-北方向上存在一阶或二阶趋势。各向同性构建半变异函数模型,SOCD和土壤光谱第二主成分的最优拟合模型为指数模型,土壤光谱第一、三、四主成分的最优拟合模型为球面模型。在研究区域内,SOCD和光谱第一、二、三、四主成分的块基比分别为59.32%、68.45%、26.34%、57.37%和71.44%,均处于25%～75%范围内,各变量在空间上的具有中等程度相关性。从0°、45°、90°、135°这四个方向的半变异函数曲线图来看,SOCD和土壤光谱主成分的各向异性特征明显,各向同性特征不显著,在四个方向上具有相同的块金值和偏基台值,表现为几何各向异性。计算SOCD和土壤光谱主成分的空间自相关性指数Moran'sI,SOCD的Moran'sI为0.44,PC1的 Moran'sI 为 0.13,PC2 的 Moran's I 为 0.30,PC3 的 Moran'sI 为 0.26,PC4 的Moran's I为0.23,这五种情况的p值均小于0.05,z值均大于1.96,表明SOCD和光谱主成分信息均存在显著的空间自相关性,存在一定的空间结构,与半变异函数模拟所得的结果比较一致。本研究比较了偏最小二乘回归、普通克里格、协同克里格和回归克里格模型的SOCD空间预测结果精度,OK模型的预测精度较差,验证集决定系数R2-Pred仅为0.004,COK模型的预测精度也不理想,R2-Pred为0.007,PLSR模型和RK模型的预测精度较高,R2-Pred分别为0.605和0.617。回归克里格模型的建模精度(R2-CV=0.778)、预测精度(R2-Pred=0.617)和相对分析误差(RPD=1.614)均最高,是土壤有机碳密度空间预测最优模型,说明同时考虑光谱反射率和土壤属性的空间特性可以提高预测精度,考虑多元线性回归模型残差的空间结构能够更加真实的反映出土壤属性的空间变异情况。偏最小二乘回归模型中,Savitzky-Golay平滑处理、一阶求导和标准正态变换的组合是最佳预处理方法,预测结果的相对分析误差RPD为1.523,仅次于回归克里格模型。普通克里格、协同克里格和回归克里格的预测结果图中,研究区域内整体趋势一致,西北-东南连线呈高值带状分布,中部和南部呈低值面状分布。
[Abstract]:Soil organic carbon density ( SOCD ) is one of the most active carbon pools in the land surface of Hubei Province . The results show that the spatial self - correlation index Moran ' s I of PC 2 - Pred is 0 . The combination of first - order derivation and normal normal - state transformation is the best pretreatment method . The relative analysis error RPD of the prediction results is 1.523 , which is second only to the regression Kriging model .

【学位授予单位】：武汉大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：S153.6

【相似文献】