基于高光譜遙感的土壤有機質預測建模研究.pdf

1、隨著高光譜遙感技術的發(fā)展，近年來，利用光譜技術獲取土壤養(yǎng)分信息已獲得越來越廣泛的關注，土壤有機質作為土壤的重要組成部分，無論在土壤肥力、環(huán)境保護還是農業(yè)可持續(xù)發(fā)展等方面都發(fā)揮著重要的作用和意義。利用高光譜遙感技術估測土壤有機質含量是現代農業(yè)的發(fā)展的迫切需要，也是精準農業(yè)發(fā)展的必然要求。
　　 本研究對來自全國14個省份16種土類共1581個土壤樣品進行光譜測量和理化分析，做出在350-2500nm的光譜反射率、一階微分曲線和連續(xù)

2、統(tǒng)曲線，并對土壤有機質含量和光譜反射率及其一階微分曲線進行相關性分析。研究發(fā)現，不同有機質等級下，隨著有機質含量的降低，土壤反射率的一階微分曲線圖和連續(xù)統(tǒng)曲線的波峰波谷更為明顯，表現為在特殊波段的特征更突出。有機質含量較低時，土壤的反射光譜受到如氧化鐵等其他因素的影響更為明顯。全譜范圍內不同類型的土壤在土壤反射率一階微分曲線圖和連續(xù)統(tǒng)曲線圖中顯示出較大的差異，其中，黑土、紅壤、紫色土和潮土這幾類由于有機質含量的較大差異而表現出的特征最為

3、明顯。600-800nm波段可以作為研究區(qū)域內不同類型土壤共同的有機質光譜響應波段。
　　 可見/近紅外高光譜技術與建模方法是當前土壤近地傳感器研究領域的重要方向，可應于土壤養(yǎng)分信息的快速獲取和農田作物的精確施肥管理等方面。本研究以浙江省水稻土為研究對象，利用以非線性模型為核心的數據挖掘技術，包括支持向量機(SVM)、隨機森林(RF)和人工神經網絡(ANN)方法分別建立了不同建模集和驗證集的原始光譜與有機質含量的估測模型。結果表

4、明：研究所選用的三種樣本模式劃分，即1:1、3:1和全部樣本建模并全部驗證對建模的結果有一定的影響。此外，相較于目前被普遍運用的偏最小二乘回歸(PLSR)建模方法而言，非線性模型RF、SVM也能取得較好的建模精度，三種模式下其RDP值均大于1.4。特別是采用SVM建模方法所得模型具有很好的預測能力，模式二下其R2高達0.927，RDP值也達到2.16。同時對單一PLSR引入ANN方法改進建立的PLSR-ANN方法能顯著提高PLSR的模型

5、預測能力，其RDF達到2.36，預測效果甚至好于非線性的SVM方法。
　　 再通過分析湖南、浙江、福建三省不同氧化鐵和有機質含量共253個土樣的高光譜數據，研究了氧化鐵對有機質高光譜特征及定量反演的影響。結果表明，氧化鐵的高光譜特征波段為600-1400nm；并且，氧化鐵含量大于30g/kg時，氧化鐵會掩蓋有機質的高光譜信息，含量在20-30g/kg時，對有機質可見光波段的高光譜信息有影響，而對近紅外波段的影響不大，含量小于20

6、g/kg時對有機質的高光譜信息沒有影響；同時，氧化鐵與有機質的含量比值大于2.21時，氧化鐵會完全掩蓋有機質的高光譜信息，比值為1.05-2時，對有機質400-1300nm波段的高光譜信息有影響，對1300-2400nm波段的影響不大，而比值小于0.726時對有機質的高光譜信息沒有影響；此外，氧化鐵對有機質的高光譜定量反演也有影響，隨氧化鐵含量的增加或氧化鐵與有機質含量比值的增大，模型的穩(wěn)定性與預測能力有所下降，但氧化鐵含量小于20g/