土壤有机质高光谱正反向灰色关联度间接估测模型研究
发布时间：2021-06-01 23:00
土壤有机质是土壤的重要组成成分,是衡量土壤肥力的重要指标之一,借助高光谱技术精准、快速地监测大范围土壤有机质信息,对发展精准农业具有重要的指导意义。目前的土壤有机质化学测量方法过程复杂且时效低、花费大,难以满足大范围土壤监测的需要,而高光谱遥感因其波段多、波段窄、信息丰富等优点已成为土壤有机质监测的一种新技术。由于土壤光谱测量受到众多因素的影响,造成土壤有机质光谱估测存在不确定性,估测精度不高。因此,本研究以在山东省济南市章丘区采集的表层土壤样本与耕层土壤样本各76个作为研究对象,根据土壤光谱分析中的不确定性,采用成因分析、统计分析和灰色关联分析等方法开展研究,主要研究内容和结论如下:（1）确定了表层土壤有机质光谱估测因子对采用小波变换去噪以及剔除异常样本后的光谱反射率数据进行9种方法变换,根据极大相关性原则,同时尽量使特征波段离散的方法选择特征因子。结果表明对数、倒数、平方根等的效果不明显,而一阶微分及其组合变换的效果较好,变换后的光谱数据与表层土壤有机质含量相关性在某些波段出现大幅提高,其中对数倒数的一阶微分方法在540nm、1200nm、1460nm-1650nm、1980nm-...
【文章来源】：山东农业大学山东省
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
土壤样点空间分布图
土壤有机质高光谱正反向灰色关联度间接估测模型研究12图2-1土壤样点空间分布图Fig.2-1Thespatialdistributionmapofsoilsamples如图2-1所示，除东南和西南山区外，土壤样点在的章丘地区分布均匀，空间代表性强。2.2.2土壤样本室外光谱信息采集选择晴朗无云、无风的天气，在10-14点时间段，选择室外太阳能够照射的空旷地带对土壤样本进行光谱信息采集。实验过程中使用ASDFieldSpecProFR型光谱仪，采样时，将土壤样本用刮板摊平，传感器与土壤样本距离为15cm，3°视场角。为减少误差，对每个土壤样本进行10次测量，10次测量得到的数据进行平均获得所测土壤样本的光谱数据，每测量10个土壤样本后，重新进行白板校正再继续试验。最终得到光谱分辨率为1nm，波段范围为350nm-2500nm的土壤光谱反射率数据。图2-2为土壤样本信息采集时所拍照片之一。图2-2室外光谱采集图Fig.2-2Thephotoofoutdoorspectralacquisition
土壤有机质高光谱正反向灰色关联度间接估测模型研究14地剔除异常样本的，必须要考虑土壤水含量的影响。绘制76个表层土壤的光谱曲线图，综合考虑土壤水含量与其他因素的影响，观察光谱曲线形状和趋势，剔除异常的样本。图2-3异常样本剔除示意图Fig.2-3Schematicdiagramofabnormalsampleelimination以图2-3中样本为例，样本号3、8、10、4、32的土壤有机质含量分别为26.266g/kg、24.465g/kg、26.021g/kg、17.263g/kg、25.682g/kg，水含量分别为17.3%、15.2%、20.1%、17.4%、12.5%。以3、8、10、4、32土壤样本为例，根据图2-3与各土壤样本的有机质含量与水含量展开简单分析，3号样本与4号样本水含量基本一致，因此其光谱反射率不同的原因主要是由土壤有机质含量高低不同引起，3号样本的光谱反射率低于4号样本，这符合反射率大小与有机质含量成反比这一规律；8号样本与10号样本不论是有机质含量还是水含量皆为8号样本低于10号样本，并且8号样本的光谱反射率高于10号样本，这符合反射率与有机质含量成反比这一规律，同时也符合反射率与水含量成反比的规律，同理也可分析3号样本和8号样本，4号样本和10号样本；3号样本和10号样本有机质含量基本一致，因此其光谱反射率的高低主要受有水量不同影响，3号样本水含量低于10号样本，其光谱反射率也符合上述规律；而8号样本和4号样本相比其有机质含量高，但是水含量低，这涉及到水与有机质交互作用方面，仅仅通过图形分析较为困难，本文不做深入探讨，不过其光谱曲线走势符合整体趋势，因此不予剔除；32号样本水含量最低，有机质含量低于3号样本和8号样本，理论上其光谱曲线应该在上方，其光谱反射率在350nm-750nm符合上述规律，但
【参考文献】：
期刊论文
[1]基于灰色关联度的GM（1,1）-BP神经网络组合模型研究[J]. 吴京龙. 重庆理工大学学报(自然科学). 2019(11)
[2]高光谱小波能量特征估测土壤有机质含量[J]. 章涛,于雷,易军,聂艳,周勇. 光谱学与光谱分析. 2019(10)
[3]玉兔号月球车巡视点矿物丰度及粒径分布高光谱反演[J]. 林红磊,张霞,杨亚洲,郭弟均,吴兴,戚文超. 遥感学报. 2019(05)
[4]农业高光谱遥感研究进展及发展趋势[J]. 陈云浩,王思佳,赵逸飞,王明国. 地理与地理信息科学. 2019(05)
[5]基于PLSR-BP复合模型的红壤有机质含量反演研究[J]. 国佳欣,赵小敏,郭熙,徐喆,朱青,江叶枫. 土壤学报. 2020(03)
[6]高光谱影像在海洋环境监测中的应用[J]. 王锦锦,李真,朱玉玲. 卫星应用. 2019(08)
[7]耕层土壤有机质高光谱间接估测模型[J]. 钟浩,李西灿,翟浩然,周钰. 测绘科学技术学报. 2019(01)
[8]谈高光谱遥感技术的应用、发展与展望[J]. 庞云璇. 中国新通信. 2019(11)
[9]基于灰色关联度的组合优化模型研究[J]. 张和平,解晓龙. 统计与决策. 2019(09)
[10]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)
博士论文
[1]松辽平原黑土有机质及相关元素遥感定量反演研究[D]. 程彬.吉林大学 2007
硕士论文
[1]土壤有机质高光谱灰色关联估测的修正模型研究[D]. 苗传红.山东农业大学 2019
[2]基于灰色关联分析的土壤铬含量高光谱估测研究[D]. 路杰晖.山东农业大学 2019
[3]基于灰色区间的土壤有机质高光谱PSO-BPNN估测模型[D]. 邹慧敏.山东农业大学 2019
[4]有机质与含水量对土壤高光谱的交互影响及其估测模型[D]. 尚璇.山东农业大学 2018
[5]基于模糊识别的土壤含水量高光谱预测模型研究[D]. 徐邮邮.山东农业大学 2018
[6]土壤有机质高光谱灰色关联度估测模型研究[D]. 李明亮.山东农业大学 2017
[7]火山碎屑物发育土壤有机质含量的高光谱预测模型研究[D]. 刘金宝.沈阳农业大学 2017
[8]遥感技术在月球、火星岩矿信息提取中的研究与应用[D]. 于艳梅.中国地质大学（北京） 2010
本文编号：3210325
【文章来源】：山东农业大学山东省
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
土壤样点空间分布图
土壤有机质高光谱正反向灰色关联度间接估测模型研究12图2-1土壤样点空间分布图Fig.2-1Thespatialdistributionmapofsoilsamples如图2-1所示，除东南和西南山区外，土壤样点在的章丘地区分布均匀，空间代表性强。2.2.2土壤样本室外光谱信息采集选择晴朗无云、无风的天气，在10-14点时间段，选择室外太阳能够照射的空旷地带对土壤样本进行光谱信息采集。实验过程中使用ASDFieldSpecProFR型光谱仪，采样时，将土壤样本用刮板摊平，传感器与土壤样本距离为15cm，3°视场角。为减少误差，对每个土壤样本进行10次测量，10次测量得到的数据进行平均获得所测土壤样本的光谱数据，每测量10个土壤样本后，重新进行白板校正再继续试验。最终得到光谱分辨率为1nm，波段范围为350nm-2500nm的土壤光谱反射率数据。图2-2为土壤样本信息采集时所拍照片之一。图2-2室外光谱采集图Fig.2-2Thephotoofoutdoorspectralacquisition
土壤有机质高光谱正反向灰色关联度间接估测模型研究14地剔除异常样本的，必须要考虑土壤水含量的影响。绘制76个表层土壤的光谱曲线图，综合考虑土壤水含量与其他因素的影响，观察光谱曲线形状和趋势，剔除异常的样本。图2-3异常样本剔除示意图Fig.2-3Schematicdiagramofabnormalsampleelimination以图2-3中样本为例，样本号3、8、10、4、32的土壤有机质含量分别为26.266g/kg、24.465g/kg、26.021g/kg、17.263g/kg、25.682g/kg，水含量分别为17.3%、15.2%、20.1%、17.4%、12.5%。以3、8、10、4、32土壤样本为例，根据图2-3与各土壤样本的有机质含量与水含量展开简单分析，3号样本与4号样本水含量基本一致，因此其光谱反射率不同的原因主要是由土壤有机质含量高低不同引起，3号样本的光谱反射率低于4号样本，这符合反射率大小与有机质含量成反比这一规律；8号样本与10号样本不论是有机质含量还是水含量皆为8号样本低于10号样本，并且8号样本的光谱反射率高于10号样本，这符合反射率与有机质含量成反比这一规律，同时也符合反射率与水含量成反比的规律，同理也可分析3号样本和8号样本，4号样本和10号样本；3号样本和10号样本有机质含量基本一致，因此其光谱反射率的高低主要受有水量不同影响，3号样本水含量低于10号样本，其光谱反射率也符合上述规律；而8号样本和4号样本相比其有机质含量高，但是水含量低，这涉及到水与有机质交互作用方面，仅仅通过图形分析较为困难，本文不做深入探讨，不过其光谱曲线走势符合整体趋势，因此不予剔除；32号样本水含量最低，有机质含量低于3号样本和8号样本，理论上其光谱曲线应该在上方，其光谱反射率在350nm-750nm符合上述规律，但
【参考文献】：
期刊论文
[1]基于灰色关联度的GM（1,1）-BP神经网络组合模型研究[J]. 吴京龙. 重庆理工大学学报(自然科学). 2019(11)
[2]高光谱小波能量特征估测土壤有机质含量[J]. 章涛,于雷,易军,聂艳,周勇. 光谱学与光谱分析. 2019(10)
[3]玉兔号月球车巡视点矿物丰度及粒径分布高光谱反演[J]. 林红磊,张霞,杨亚洲,郭弟均,吴兴,戚文超. 遥感学报. 2019(05)
[4]农业高光谱遥感研究进展及发展趋势[J]. 陈云浩,王思佳,赵逸飞,王明国. 地理与地理信息科学. 2019(05)
[5]基于PLSR-BP复合模型的红壤有机质含量反演研究[J]. 国佳欣,赵小敏,郭熙,徐喆,朱青,江叶枫. 土壤学报. 2020(03)
[6]高光谱影像在海洋环境监测中的应用[J]. 王锦锦,李真,朱玉玲. 卫星应用. 2019(08)
[7]耕层土壤有机质高光谱间接估测模型[J]. 钟浩,李西灿,翟浩然,周钰. 测绘科学技术学报. 2019(01)
[8]谈高光谱遥感技术的应用、发展与展望[J]. 庞云璇. 中国新通信. 2019(11)
[9]基于灰色关联度的组合优化模型研究[J]. 张和平,解晓龙. 统计与决策. 2019(09)
[10]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)
博士论文
[1]松辽平原黑土有机质及相关元素遥感定量反演研究[D]. 程彬.吉林大学 2007
硕士论文
[1]土壤有机质高光谱灰色关联估测的修正模型研究[D]. 苗传红.山东农业大学 2019
[2]基于灰色关联分析的土壤铬含量高光谱估测研究[D]. 路杰晖.山东农业大学 2019
[3]基于灰色区间的土壤有机质高光谱PSO-BPNN估测模型[D]. 邹慧敏.山东农业大学 2019
[4]有机质与含水量对土壤高光谱的交互影响及其估测模型[D]. 尚璇.山东农业大学 2018
[5]基于模糊识别的土壤含水量高光谱预测模型研究[D]. 徐邮邮.山东农业大学 2018
[6]土壤有机质高光谱灰色关联度估测模型研究[D]. 李明亮.山东农业大学 2017
[7]火山碎屑物发育土壤有机质含量的高光谱预测模型研究[D]. 刘金宝.沈阳农业大学 2017
[8]遥感技术在月球、火星岩矿信息提取中的研究与应用[D]. 于艳梅.中国地质大学（北京） 2010
本文编号：3210325
本文链接：https://www.wllwen.com/shoufeilunwen/zaizhiyanjiusheng/3210325.html
教材专著
