学位论文 > 优秀研究生学位论文题录展示

基于高光谱遥感的土壤有机质预测建模研究

作　者: 李曦
导　师: 史舟
学　校: 浙江大学
专　业: 农业遥感与信息技术
关键词: 可见近红外光谱建模方法有机质氧化铁中国土壤光谱库
分类号: S158
类　型: 硕士论文
年　份: 2013年
下　载: 256次
引　用: 0次
阅　读: 论文下载

内容摘要

随着高光谱遥感技术的发展,近年来,利用光谱技术获取土壤养分信息已获得越来越广泛的关注,土壤有机质作为土壤的重要组成部分,无论在土壤肥力、环境保护还是农业可持续发展等方面都发挥着重要的作用和意义。利用高光谱遥感技术估测土壤有机质含量是现代农业的发展的迫切需要,也是精准农业发展的必然要求。本研究对来自全国14个省份16种土类共1581个土壤样品进行光谱测量和理化分析,做出在350-2500nm的光谱反射率、一阶微分曲线和连续统曲线,并对土壤有机质含量和光谱反射率及其一阶微分曲线进行相关性分析。研究发现,不同有机质等级下,随着有机质含量的降低,土壤反射率的一阶微分曲线图和连续统曲线的波峰波谷更为明显,表现为在特殊波段的特征更突出。有机质含量较低时,土壤的反射光谱受到如氧化铁等其他因素的影响更为明显。全谱范围内不同类型的土壤在土壤反射率一阶微分曲线图和连续统曲线图中显示出较大的差异,其中,黑土、红壤、紫色土和潮土这几类由于有机质含量的较大差异而表现出的特征最为明显。600-800nm波段可以作为研究区域内不同类型土壤共同的有机质光谱响应波段。可见/近红外高光谱技术与建模方法是当前土壤近地传感器研究领域的重要方向,可应于土壤养分信息的快速获取和农田作物的精确施肥管理等方面。本研究以浙江省水稻土为研究对象,利用以非线性模型为核心的数据挖掘技术,包括支持向量机(SVM)、随机森林(RF)和人工神经网络(ANN)方法分别建立了不同建模集和验证集的原始光谱与有机质含量的估测模型。结果表明：研究所选用的三种样本模式划分,即1：1、3：1和全部样本建模并全部验证对建模的结果有一定的影响。此外,相较于目前被普遍运用的偏最小二乘回归(PLSR)建模方法而言,非线性模型RF、SVM也能取得较好的建模精度,三种模式下其RDP值均大于1.4。特别是采用SVM建模方法所得模型具有很好的预测能力,模式二下其R2高达0.927,RDP值也达到2.16。同时对单一PLSR引入ANN方法改进建立的PLSR-ANN方法能显著提高PLSR的模型预测能力,其RDF达到2.36,预测效果甚至好于非线性的SVM方法。再通过分析湖南、浙江、福建三省不同氧化铁和有机质含量共253个土样的高光谱数据,研究了氧化铁对有机质高光谱特征及定量反演的影响。结果表明,氧化铁的高光谱特征波段为600-1400nm；并且,氧化铁含量大于30g/kg时,氧化铁会掩盖有机质的高光谱信息,含量在20-30g/kg时,对有机质可见光波段的高光谱信息有影响,而对近红外波段的影响不大,含量小于20g/kg时对有机质的高光谱信息没有影响；同时,氧化铁与有机质的含量比值大于2.21时,氧化铁会完全掩盖有机质的高光谱信息,比值为1.05-2时,对有机质400-1300nm波段的高光谱信息有影响,对1300-2400nm波段的影响不大,而比值小于0.726时对有机质的高光谱信息没有影响；此外,氧化铁对有机质的高光谱定量反演也有影响,随氧化铁含量的增加或氧化铁与有机质含量比值的增大,模型的稳定性与预测能力有所下降,但氧化铁含量小于20g/kg、氧化铁与有机质含量的比值小于2.0时,氧化铁对有机质高光谱定量反演的影响不大。

全文目录

致谢  7-8
摘要  8-10
Abstract  10-12
目录  12-15
图目录  15-17
表目录  17-19
第一章绪论  19-32
  1.1 研究背景  19-20
  1.2 高光谱遥感发展及研究现状  20-21
  1.3 高光谱遥感在土壤学中的应用  21-29
    1.3.1 土壤有机质Vis-NIR光谱特性及大范围土壤光谱库的建立  21-24
    1.3.2 土壤有机质高光谱预测建模研究进展  24-28
    1.3.3 影响土壤有机质高光谱特征的研究进展  28-29
  1.4 研究目标,研究内容及技术路线  29-32
    1.4.1 研究目标  29
    1.4.2 研究内容  29-30
    1.4.3 技术路线  30-32
第二章土壤高光谱数据获取和预处理方法  32-39
  2.1 样品采集与测试分析  32-35
    2.1.1 土壤样品采集  32-33
    2.1.2 室内理化指标测试分析  33
    2.1.3 土壤光谱室内测试  33-35
      2.1.3.1 光谱仪与测试条件  33-35
      2.1.3.2 光谱数据预处理  35
  2.2 土壤光谱数据预处理  35-39
    2.2.1 移动平均法  35-36
    2.2.2 Savitzky-Golay卷积平滑法  36
    2.2.3 小波变换  36-37
    2.2.4 微分处理技术  37-38
    2.2.5 连续统处理  38-39
第三章土壤Vis-NIR光谱特性及有机质响应波段研究  39-54
  3.1 土壤Vis-NIR光谱曲线的特征分析  39-49
    3.1.1 总体土壤样本反射光谱特征  39-42
    3.1.2 不同有机质含量水平的土壤反射光谱特征  42-45
    3.1.3 不同类型土壤的反射光谱特征  45-49
  3.2 土壤的光谱反射率与有机质含量的相关性分析  49-54
    3.2.1 总体土壤样本光谱反射率与有机质含量的相关性  49-51
    3.2.2 不同分类处理下土壤样本光谱反射率与有机质含量的相关性  51-54
第四章基于Vis-NIR的土壤有机质含量预测模型的建立  54-70
  4.1 土壤光谱预测建模技术  54-60
    4.1.1 线性模型  54-56
      4.1.1.1 主成分回归(PCR)  54-55
      4.1.1.2 偏最小二乘回归(PLSR)  55-56
    4.1.2 非线性模型  56-60
      4.1.2.1 随机森林(RF)  56-57
      4.1.2.2 支持向量机(SVM)  57-59
      4.1.2.3 人工神经网络(ANN)  59-60
  4.2 土壤光谱预测精度评价  60-62
    4.2.1 模型精度评价方法及指标  60-61
    4.2.2 交叉验证(CrossValidation)方法  61-62
  4.3 PLSR、RF、SVM建模方法在不同建模样本数量下建模结果比较  62-67
    4.3.1 不同建模样本数量下PLSR建模结果  62-64
    4.3.2 不同建模样本数量下RF建模结果  64-65
    4.3.3 不同建模样本数量下SVM建模结果  65-67
  4.4 不同建模方法精度比较  67-70
    4.4.1 三种建模方法精度比较  67-68
    4.4.2 PLSR和PLSR-ANN方法的预测精度比较  68-70
第五章氧化铁对有机质高光谱特征的影响  70-79
  5.1 氧化铁的高光谱特征  70-71
  5.2 氧化铁对有机质高光谱特征的影响  71-74
  5.3 氧化铁对有机质高光谱定量反演的影响  74-79
第六章结论与展望  79-82
  6.1 主要研究成果与结论  79-80
    6.1.1 土壤Vis-NIR光谱特性及有机质响应波段  79
    6.1.2 基于Vis-NIR的土壤有机质含量预测模型的建立  79-80
    6.1.3 氧化铁对有机质高光谱特征的影响  80
  6.2 存在的问题与展望  80-82
参考文献  82-87

基于高光谱遥感的土壤有机质预测建模研究

内容摘要

全文目录

相似论文