本文關鍵詞：基于TM影像的沱江中游土壤重金屬預測研究　出處：《四川農(nóng)業(yè)大學》2015年碩士論文　論文類型：學位論文

  更多相關文章： TM 土壤重金屬 預測建模 空間特征

【摘要】：為找到一種簡便快捷的土壤重金屬污染定量化監(jiān)測方法,本文利用TM遙感影像的各波段光譜反射率、9種植被指數(shù)、4種地面輔助因子和80%樣點土壤重金屬含量實測值建立線性回歸預測模型,將未參與建模但與土壤重金屬含量顯著相關的因子作為修正因子進行蒙特卡羅模擬。剩余的20%樣點作為檢驗點對各類模型進行趨勢分析和誤差統(tǒng)計檢驗。最后采用普通克里格方法反演實測值、預測值的空間分布狀況,對比其差異。主要結論如下：運用TM影像光譜信息和其他因子可以通過建立模型預測土壤中重金屬砷、汞、鉻、鎘、銅、鉛、有效錳、有效鐵、有效鋅的含量,其中有效鐵的預測效果最優(yōu)。使用的建模因子是從TM遙感影像、數(shù)字高程模型中提取的,容易獲取,能有效節(jié)約成本和時間。遙感影像各波段光譜反射率單獨建模、結合地面因子共同建模、不同地貌分別建模這三種建模均可預測研究區(qū)土壤重金屬含量(P0.01),R2值、平均誤差、總均方根誤差及平均相對誤差值顯示三種建模方式的精度是遞增的。因此在地貌復雜的地區(qū)利用遙感研究土壤重金屬有必要分地貌建立預測模型。蒙特卡羅模擬對預測模型有修正作用,砷、汞、鉻、鎘、銅、鉛、有效錳、有效鐵、有效鋅蒙特卡羅模擬修正后的預測模型其均方根誤差比修正前的線性回歸預測模型分別降低了22.7%、18.0%、37.7%、36.2%、13.5%、30.5%、5.4%、25.2%、11.9%,表明蒙特卡羅模擬可以提高模型精度。但修正因子與目標值相關程度的差異會使不同修正因子的效果不同。趨勢分析、誤差統(tǒng)計檢驗以及空間分布圖顯示：砷的波段2和大氣抗阻植被指數(shù)平均法修正預測模型效果最佳,汞的波段3修正預測模型效果最佳,鉻的歸一化植被指數(shù)修正預測模型效果最佳,鎘的坡度修正預測模型效果最優(yōu),銅的有效葉面積植被指數(shù)修正預測模型效果最優(yōu),鉛的波段5和土壤顯色指數(shù)幾何平均法修正預測模型效果最佳,有效錳的波段3修正預測模型效果最佳,有效鐵的波段1修正預測模型效果最佳,有效鋅的波段7和有效葉面積植被指數(shù)幾何平均法修正預測模型效果最佳。
[Abstract]:In order to find a simple and fast quantitative monitoring method for soil heavy metal pollution, the spectral reflectance of TM remote sensing image was used to measure the soil heavy metal pollution by using the spectral reflectance of the TM image. A linear regression prediction model was established for 4 kinds of ground auxiliary factors and 80% sample soil heavy metal contents. Monte Carlo simulation was carried out by using factors which were not involved in modeling but were significantly related to soil heavy metal content. The remaining 20% samples were used as test points for trend analysis and error statistical test of various models. Then the common Kriging method is used to retrieve the measured data. The main conclusions are as follows: using TM image spectral information and other factors, we can predict the heavy metals arsenic, mercury, chromium, cadmium, copper and lead in soil by establishing models. The content of available manganese, iron and zinc, among which the prediction effect of available iron is the best. The modeling factors used are extracted from TM remote sensing image, digital elevation model, easy to obtain. It can save cost and time effectively. The spectral reflectance of each band of remote sensing image can be modeled separately and combined with ground factors. The three models can predict the soil heavy metal content (P0.01C ~ (2)) and average error in the study area. The total root mean square error and the average relative error show that the accuracy of the three modeling methods is increasing. Therefore, it is necessary to establish a geomorphological prediction model by remote sensing in areas with complex geomorphology. It can modify the prediction model. For arsenic, mercury, chromium, cadmium, copper, lead, available manganese, available iron and available zinc, the root-mean-square error of the modified model is 22.7% lower than that of the linear regression model. 18.0 37.7%, 36.2%, 30.5%, 30.5%, and 30.5%, about 25.20.5% and 11.9%. The results show that Monte Carlo simulation can improve the accuracy of the model, but the difference between the correction factor and the target value will make the effect of different correction factors different. The error statistical test and spatial distribution map showed that the modified prediction model of arsenic in band 2 and the average method of atmospheric resistance vegetation index was the best, and the modified model of mercury in band 3 was the best. The effect of normalized vegetation index correction model of chromium is the best, that of cadmium slope correction model is the best, and that of copper effective leaf area vegetation index correction model is the best. Band 5 of lead and geometric average of soil color index were the best, band 3 of effective manganese and band 1 of effective iron were the best. Band 7 of available zinc and geometric average of vegetation index of effective leaf area are the best.
【學位授予單位】：四川農(nóng)業(yè)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：X87;X833

【相似文獻】

相關期刊論文 前10條

1 邱兆寶;成紗質量預測模型研討[J];紡織學報;1988年09期

2 劉沐宇,鄭澤岱;灰色預測模型及在巷道收斂位移中的應用[J];非金屬礦;1992年05期

3 黃伏生;趙永勝;;一種含水預測模型的補充說明[J];石油勘探與開發(fā);1992年02期

4 黃建,沈菁,李謙,甘云潤;大氣中硫氧化物預測模型的建立[J];干旱環(huán)境監(jiān)測;1993年04期

5 徐玉卿，魏運財;人才需求的預測模型[J];吉林化工學院學報;1996年04期

6 趙秀菊;水污染的灰色預測模型及其應用[J];昌濰師專學報;2000年05期

7 王香菊,顧濤;專門人才預測模型的應用研究[J];煤炭經(jīng)濟研究;2003年06期

8 趙永勝;黃秀禎;;遞減曲線的多功能預測模型[J];石油勘探與開發(fā);1985年05期

9 高建華;灰色災變預測模型的改進及實例分析[J];自然災害學報;1995年02期

10 王新泉，陳東生，，長井茂明，日下部信幸;灰色預測模型在紡織工業(yè)上的應用[J];鄭州紡織工學院學報;1995年03期

相關會議論文 前10條

1 鄢小彬;肖新平;;基于灰色馬爾可夫模型的煤礦安全預測[A];第九屆中國青年信息與管理學者大會論文集[C];2007年

2 羅榮桂;黃敏鎂;;基于自適應神經(jīng)模糊推理系統(tǒng)的服務業(yè)發(fā)展預測模型[A];Well-off Society Strategies and Systems Engineering--Proceedings of the 13th Annual Conference of System Engineering Society of China[C];2004年

3 王亮;劉豹;徐德民;;預測模型的選擇及其智能化實現(xiàn)[A];科學決策與系統(tǒng)工程——中國系統(tǒng)工程學會第六次年會論文集[C];1990年

4 肖健華;吳今培;;基于支持向量機的預測模型及應用[A];2003年中國智能自動化會議論文集（下冊）[C];2003年

5 李陽旭;鄧輝文;;一種新的企業(yè)市場預測模型及其比較研究[A];2004年中國管理科學學術會議論文集[C];2004年

6 馬志元;;城市區(qū)域經(jīng)濟、人口、能源、環(huán)境綜合系統(tǒng)預測模型及應用[A];中國城市建設與環(huán)境保護實踐——城市建設與環(huán)境保護學術研討會論文集[C];1997年

7 李兆芹;姚克敏;;一種新的疾病發(fā)病率預測模型研究[A];首屆長三角氣象科技論壇論文集[C];2004年

8 李兆芹;姚克敏;;一種新的疾病發(fā)病率預測模型研究[A];首屆長三角科技論壇——氣象科技發(fā)展論壇論文集[C];2004年

9 張曉f^;;全球煤炭產(chǎn)量的灰色預測模型[A];中國現(xiàn)場統(tǒng)計研究會第十三屆學術年會論文集[C];2007年

10 肖會敏;樊為剛;;基于神經(jīng)網(wǎng)絡的糧食產(chǎn)量預測模型[A];04'中國企業(yè)自動化和信息化建設論壇暨中南六省區(qū)自動化學會學術年會專輯[C];2004年

相關重要報紙文章 前10條

1 劉慶;“預測模型”要緩行[N];網(wǎng)絡世界;2006年

2 特約記者 劉京濤;華東化工銷售員工設計價格預測模型見成效[N];中國石油報;2010年

3 南方日報記者 彭琳　實習生 周鵬程;預測世界杯之外 大數(shù)據(jù)還能做什么[N];南方日報;2014年

4 本報記者 張超;預測模型：推算SARS起落潮[N];科技日報;2003年

5 本報記者 段佳;機器“品肉師”替您“嘗鮮”[N];大眾科技報;2010年

6 BMC首席IT技術官 Mahendra Durai　IDC顧問 Eric Hatcher Randy Perry;預測智能：管理復雜基礎架構的鎖鑰[N];中國計算機報;2010年

7 張琳 趙偉;巧用Excel構建利潤預測模型[N];財會信報;2007年

8 楊宜勇（作者為國家發(fā)改委經(jīng)濟研究所副所長）;發(fā)揮信息化對就業(yè)的“增補效應”[N];第一財經(jīng)日報;2005年

9 本報記者 湯潯芳　實習記者 董文萍;“孵化器”模式：大數(shù)據(jù)的垂直運營樣本[N];21世紀經(jīng)濟報道;2014年

10 本報記者 安豐;深部找礦的探鏡[N];中國國土資源報;2006年

相關博士學位論文 前10條

1 師懿;城市交通規(guī)劃環(huán)評中空氣污染預測模型研究[D];中國地質大學;2015年

2 張麗;牦牛肉用品質特性及近紅外預測模型和產(chǎn)量等級系統(tǒng)的研究[D];中國農(nóng)業(yè)科學院;2015年

3 吳利豐;分數(shù)階灰色預測模型及其應用研究[D];南京航空航天大學;2015年

4 周闖;原發(fā)性肝癌術后轉移復發(fā)分子預測模型的優(yōu)化整合與臨床轉化[D];復旦大學;2012年

5 孫忠林;煤礦安全生產(chǎn)預測模型的研究[D];山東科技大學;2009年

6 王冬光;控制技術在投資預測模型建立中的應用研究[D];哈爾濱工程大學;2005年

7 張麗峰;中國能源供求預測模型及發(fā)展對策研究[D];首都經(jīng)濟貿易大學;2006年

8 王育紅;灰色預測模型與灰色證據(jù)組合模型研究及應用[D];南京航空航天大學;2010年

9 崔立志;灰色預測技術及其應用研究[D];南京航空航天大學;2010年

10 崔杰;灰色不確定系統(tǒng)建模的理論與方法研究[D];南京航空航天大學;2010年

相關碩士學位論文 前10條

1 劉冰;基于神經(jīng)網(wǎng)絡的纖維熱磨過程能耗預測模型的研究[D];東北林業(yè)大學;2015年

2 張念;鐵路軌道幾何不平順趨勢預測的關鍵算法研究[D];西南交通大學;2015年

3 田振偉;城市能源預測模型的研究與應用[D];昆明理工大學;2015年

4 吳迪;基于模糊決策樹算法的安全庫存量預測模型[D];中國地質大學(北京);2015年

5 齊雯;采用灰色預測模型改進的HHT算法在故障診斷中的應用[D];華南理工大學;2015年

6 王萍;膀胱癌遺傳分數(shù)的計算及發(fā)病風險預測模型的構建[D];復旦大學;2013年

7 石大宏;基于序列的蛋白質—核苷酸綁定位點預測研究[D];南京理工大學;2015年

8 熊盛華;基于BP神經(jīng)網(wǎng)絡的混合預測模型的實例研究[D];蘭州大學;2015年

9 趙Z

本文編號：1426755