基于原位vis-NIR高光谱的鄱阳湖湿地土壤有机碳预测研究

发布时间：2020-10-28 08:53

　　 鄱阳湖湿地是中国最大的淡水湖生态湿地,是陆地上重要的有机碳库,土壤中有机碳的密度很高,可以在较长的时间里储存碳,其土壤中有机碳含量的变化反映了大气中氧气和二氧化碳的动态平衡。随着人们对湿地碳循环的日益关注,及时精准的获取有机碳含量也成为了一项重要的研究课题。随着遥感技术,尤其是高光谱遥感技术的广泛应用,其光谱分辨率高和波段多的优势为我们提供了一种准确,快速,无损的方法去及时有效的获得土壤有机碳含量指标。然而,土壤高光谱反映的是土壤理化性质的综合信息,如何有效地在具有复杂性质的光谱中准确提取出土壤有机碳的特征光谱和敏感信息已成为当务之急。这对于降低土壤有机碳估算模型的复杂性,提高估算模型的精确度具有深远的理论意义,对于实现区域范围或单一田块土壤有机碳的快速监测具有重要的应用价值。本研究围绕上述热点与难点,以江西省鄱阳湖流域湿地土壤为研究对象,选择246个采样点在原位静态利用ASD FielDSpec Pro FR型光谱仪采集其原位vis-NIR光谱,然后在实验室经风干、研磨、过筛处理后采集其室内光谱,同时利用化学方法获得所有样本有机碳含量数据,研究基于原位vis-NIR光谱对土壤有机碳(OC)进行预测的可行性。接下来分别采用吸收率转换(Absorptivity conversion)、SG卷积平滑(Savitzky-Golay smoothing)、吸收率转换+SG(Absorptivity conversion+Savitzky-Golay smoothing)、一阶微分+SG(First derivative+SG)、连续统去除(Continuous removal)五种方法进行光谱数据的预处理,将处理后的光谱数据分别进行线性偏最小二乘回归(Partial Least Square Regression,PLSR)和非线性最小二乘-支持向量机回归(Least Square Support Vector Machine Regression,LS-SVMR)建模分析,对同一种模型,纵向比对不同预处理方法对模型精度的影响;对同一种预处理方法,横向比对不同模型的预测效果。同时,比较室内及野外原位光谱在在相同预处理方法下的建模精度。在此基础上,采用额外参数正交化法(External parameter orthognolization,EPO)、光谱转换法,其中又分为直接转换(Direct Standardization,DS)以及分段转换(Piecewise Direct Standardization,PDS),广义最小二乘加权算法(Generalized least squares weighting algorithm,GLSW)四种方法对吸收率转换后的原位光谱中的环境影响因素进行去除。最后,将经过去水分后的原始光谱进行偏最小二乘回归建模,并对比四种去水分算法处理后的建模精度。研究发现:(1)在使用连续统去除(即去包络线消除)算法后,光谱吸收特征开始凸显,尤其是在1450nm和1940nm波段附近,而这两处正是水分存在的波段,原始光谱和和经过连续统去除后的光谱出现了较大差异。其中,野外原为光谱在水分波段处的吸收谷要明显大于经连续统去除后的室内光谱,究其原因,湿地土壤长期浸水导致了这一现象。wavelength t检验也验证了这一结果。因此可以断定,水分因素是鄱阳湖湿地原位光谱测量过程中的主要环境影响因素。(2)在所有光谱预处理方法中,经吸收率转换+SG平滑处理后的光谱建模精度最高。对原位光谱而言,经过吸收率转换+SG平滑处理后所建立的PLSR模型相比未经处理所建立的模型RPD由1.96提升到2.52,R~2由0.74提升到0.84;其次提升最大的是经一阶微分+SG平滑处理后的光谱,其RPD由1.96提升到2.34,R~2由0.74提升到0.81;两种预处理方法皆可较大幅度提升OC预测建模精度,达到有效的定量预测的目的。同时,对比几种光谱预处理方法,我们还发现单一的处理方法对建模精度的提升要弱于两种预处理相结合的方法,这是因为两种相结合的方法既兼顾到光谱特征的放大,又平衡了噪声和无效信息的引入。(3)无论是对室内光谱还是原位光谱,基于非线性的数据挖掘算法LS-SVM所建立的模型在预测精度上要优于基于线性的数据挖掘算法PLSR所建立的模型。将野外原位光谱与室内光谱建模结果对比后发现,每一种预处理方法下的室内光谱的预测精度都要优于野外原位光谱。这是因为光谱数据由于其高维属性的特征,导致其与有机碳含量之间的关系十分复杂,常规线性方法往往难以对土壤的vis-NIR光谱进行解析。而非线性的数据挖掘算法由于具有较强的分布式数据运算处理以及学习能力,在大型特种空间的运算当中能充分逼近复杂的非线性关系。同时,因为室内光谱消除了环境因素(尤其是水分)对SOC光谱特征的遮盖,从而增加了对SOC光谱信息的有效提取,导致室内光谱的预测精度要优于原位光谱。(4)经四种去水分算法处理后的原始吸收率光谱都能建立较高精度的有机碳预测模型,其中经EPO和GLSW处理后的原始光谱建模精度提升最大,同只经过简单吸收率转换处理后的光谱相比,EPO处理后的光谱建模精度R~2可以达到0.84,RPD可以达到2.55;GLSW处理后的光谱建模精度R~2可以达到0.81,略低于EPO,RPD则达到2.58,高于EPO。在四种算法中,EPO、DS和PDS需要从整个样本集中选择具有代表性的小部分样本带回实验室,分别获取其野外原位光谱和室内光谱,通过两者的对应关系建立转换矩阵,同时计算转换系数。GLSW则利用样本全集一一对应建立滤波矩阵。研究发现,在建立转换矩阵的过程中,PDS转换后的光谱出现了奇异锐峰,可能会影响到接下来的建模精度,对PDS光谱进行一阶微分处理可以消除这种情况。四种算法处理后的建模精度从低到高排列分别是DS、PDS、EPO、GLSW。
【学位单位】：江西财经大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：S153.6
【文章目录】：
摘要
abstract
1 绪论
    1.1 研究背景
    1.2 研究意义
    1.3 国内外相关研究进展
        1.3.1 基于室内vis-NIR高光谱技术的土壤属性预测研究进展
        1.3.2 基于原位vis-NIR高光谱技术的土壤属性预测研究进展
        1.3.3 土壤属性原位vis-NIR光谱建模水分去除研究进展
    1.4 研究目标及内容
        1.4.1 研究目标
        1.4.2 研究内容
        1.4.3 研究技术路线
2 主要理论和研究方法
    2.1 基于vis-NIR光谱的土壤近地传感器技术基本原理
    2.2 研究方法
        2.2.1 土壤光谱预处理方法
        2.2.2 建模集与验证集的划分
        2.2.3 土壤光谱预测建模技术
        2.2.4 土壤光谱水分影响因素去除研究
        2.2.5 光谱模型精度评价方法
3 研究区概况和数据获取
    3.1 研究区概况
    3.2 数据获取与处理
        3.2.1 土壤样本采集
        3.2.2 土壤有机碳理化数据分析
        3.2.3 土壤vis-NIR光谱数据测定
        3.2.4 土壤vis-NIR光谱数据分析及预处理
4 鄱阳湖湿地土壤有机碳原位光谱预测建模分析
    4.1 基于PLSR室内及原位光谱建模分析
        4.1.1 PLSR最佳因子数的确定
        4.1.2 基于原位光谱的PLSR模型预测结果
        4.1.3 与基于室内光谱PLSR模型的比较
    4.2 基于LS-SVM的室内及原位光谱建模分析
        4.2.1 基于野外原位光谱的LS-SVM模型预测结果
        4.2.2 与基于室内光谱LS-SVM模型的比较
    4.3 基于原位光谱的PLSR与 LS-SVM建模精度比较
    4.4 本章小结
5 基于多水分去除算法的原位光谱土壤有机碳预测研究
    5.1 转换子集的选取
    5.2 利用额外参数正交化算法（EPO）去除野外原位光谱中土壤水分的影响
    5.3 利用光谱转换法去除野外原位光谱中土壤水分的影响
        5.3.1 光谱直接转换法（DS）
        5.3.2 光谱间接转换法（PDS）
    5.4 利用广义最小二乘加权算法去除野外原位光谱中土壤水分的影响
    5.5 不同水分去除算法的预测精度比较
    5.6 本章小结
6 结论与展望
    6.1 结论
    6.2 创新点
    6.3 研究的不足与展望
        6.3.1 研究不足
        6.3.2 研究展望
参考文献
攻读硕士期间研究成果
致谢

【参考文献】

相关期刊论文 前10条

1 杨爱霞;丁建丽;;新疆艾比湖湿地土壤有机碳含量的光谱测定方法对比[J];农业工程学报;2015年18期

2 张娟娟;熊淑萍;时雷;马新明;王高;;基于近红外光谱分析的土壤全氮含量估测研究[J];土壤;2015年04期

3 刘其琛;穆炜炜;;最小二乘支持向量机的核函数及参数选择算法研究[J];电脑知识与技术;2015年19期

4 刘硕;吴泉源;张龙龙;蔡东全;周历媛;刘娜;曹学江;;基于野外实测光谱的污灌区土壤重金属污染快速监测[J];安全与环境学报;2015年02期

5 何东健;陈煦;任嘉琛;王梅嘉;;土壤速效磷含量近红外光谱田间快速测定方法[J];农业机械学报;2015年03期

6 卢延年;刘艳芳;陈奕云;姜庆虎;;江汉平原土壤有机碳含量高光谱预测模型优选[J];中国农学通报;2014年26期

7 郭燕;纪文君;吴宏海;史舟;;基于野外Vis-NIR光谱的土壤有机质预测与制图[J];光谱学与光谱分析;2013年04期

8 安晓飞;李民赞;郑立华;刘玉萌;孙红;;土壤水分对近红外光谱实时检测土壤全氮的影响研究[J];光谱学与光谱分析;2013年03期

9 纪文君;李曦;李成学;周银;史舟;;基于全谱数据挖掘技术的土壤有机质高光谱预测建模研究[J];光谱学与光谱分析;2012年09期

10 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

本文编号：2859866