【摘要】：土壤含水量(θ)是影響作物生長和作物產(chǎn)量的主要因素之一。旨在評估基于光譜特征參數(shù)的各種回歸模型估算土壤含水量的精度,并比較人工神經(jīng)網(wǎng)絡(luò)(BP-ANN)和光譜特征參數(shù)模型的性能。2014年在室內(nèi)獲取砂土和壤土的土壤含水量和光譜反射率數(shù)據(jù)。結(jié)果表明:(1)當砂土容重為1.40 g·cm~(-3)時,900~970 nm最大反射率和900~970 nm反射率總和估算口達到極顯著水平(R~2超過0.90);容重為1.50 g·cm~(-3)時,用藍邊最大反射率和900~970 nm反射率總和估算θ相關(guān)性最好(超過0.70);容重為1.60 g·cm~(-3)時,780~970 nm反射率總和與560~760 nm歸一化吸收深度的R~2均超過0.90,達到極顯著水平;容重為1.70 g·cm~(-3)時,900~970 nm最大反射率和900~970 nm反射率總和的R~2為0.88,呈極顯著水平。(2)當土壤類型為壤土時,用900~970 nm最大反射率和900~970 nm反射率總和估算θ相關(guān)性最好。(3)藍邊反射率總和(R~2=0.26和RMSE=0.09 m~3·m~(-3))和780~970 nm吸收深度(R~2=0.32和RMSE=0.10m~3·m~(-3))估算砂土的含水量相關(guān)性最好。在估算壤土的含水量時,900~970 nm最大反射率(R~2=0.92和RMSE=0.05 m~3·m~(-3))與900~970 nm反射率總和估算模型的精度最高(R~2=0.92和RMSE=0.04 m~3·m~(-3))。(4)用人工神經(jīng)網(wǎng)絡(luò)模型能夠更好地估算兩種土壤的含水量(R~2=0.87和RMSE=0.05m~3·m~(-3))。因此,人工神經(jīng)網(wǎng)絡(luò)模型對θ估算具有巨大的潛力。
[Abstract]:Soil moisture content (胃) is one of the main factors affecting crop growth and crop yield. The purpose of this study was to evaluate the accuracy of various regression models based on spectral characteristic parameters for estimating soil water content. The performances of artificial neural network (BP-ANN) and spectral characteristic parameter model were compared. The soil moisture content and spectral reflectance data of sandy soil and loam soil were obtained indoors in 2014. The results are as follows: (1) when the bulk density of sand is 1.40g cm~ (-3), the summation estimation of the maximum reflectance of 900g 970 nm and the summation of reflectance of 900,970 nm reaches a very significant level (r _ (2) > 0.90); When the bulk density is 1.50g cm~ (-3), the correlation between the maximum reflectivity of blue edge and the sum of reflectance of 900g / 970 nm is the best (over 0.70). When the bulk density is 1.60g cm~ (-3), the total reflectance of 780g / 970 nm and the normalized absorption depth of 560g / 760 nm are over 0.90, which is extremely significant. When the bulk density is 1.70g cm~ (-3), the maximum reflectance of 900,970 nm and the sum of reflectance of 900,970 nm are 0.88, which is extremely significant. (2) when the soil type is loam, Theta correlation between the maximum reflectivity of 900g 970 nm and the summation of reflectance of 900g 970 nm is best. (3) the summation of blue edge reflectance (RP2O0.26 and RMSE=0.09 m3m-3) and the absorption depth of 780m970 nm (RG2O0.32 and RMSE=0.10m~3 m-) 3) the correlation of estimating the moisture content of sand is the best. In estimating the water content of loam, The summation estimation models of the maximum reflectance of 900N970 nm (RG2N0. 92 and RMSE=0.05 mt3m-3) and 900N970 nm have the highest accuracy (RM2M0. 92 and RMSE=0.04 mN3m-3). (4). Good enough to estimate the water content of the two soils (RC2N 0.87 and RMSE=0.05m~3 m-3).) Therefore, the artificial neural network model has great potential for 胃 estimation.
【作者單位】： 中國農(nóng)業(yè)大學(xué)資環(huán)學(xué)院土壤與水科學(xué)系;
【基金】：國家重點研發(fā)計劃項目(2016YFD0800102) 國家自然科學(xué)基金項目(41371231)資助
【分類號】：S152.7

【相似文獻】

相關(guān)期刊論文 前10條

1 李美婷;武紅旗;蔣平安;盧響軍;付彥博;;利用土壤的近紅外光譜特征測定土壤含水量[J];光譜學(xué)與光譜分析;2012年08期

2 朱鶴健;;栽培冬作物時土壤的鎮(zhèn)壓(摘要)[J];西北農(nóng)業(yè)科學(xué);1958年01期

3 洪重光;硫酸注射法快速測定土壤含水量[J];土壤通報;1960年02期

4 ;怎樣測定土壤含水量[J];農(nóng)田水利;1960年04期

5 孫福廷;電阻值法測土壤含水量[J];吉林水利;2002年07期

6 張成才,吳澤寧,余弘婧;遙感計算土壤含水量方法的比較研究[J];灌溉排水學(xué)報;2004年02期

7 左玉萍,賈志寬;土壤含水量對秸稈分解的影響及動態(tài)變化[J];西北農(nóng)林科技大學(xué)學(xué)報(自然科學(xué)版);2004年05期

8 張學(xué)禮,胡振琪,初士立;土壤含水量測定方法研究進展[J];土壤通報;2005年01期

9 徐玉英;土壤含水量計算方法[J];東北水利水電;2005年07期

10 謝恒星;張振華;劉繼龍;譚春英;李清翠;;蘋果園土壤含水量測定取樣點數(shù)目及插值方法研究[J];萊陽農(nóng)學(xué)院學(xué)報;2005年04期

相關(guān)會議論文 前10條

1 王二虎;仝文偉;魯建立;霍繼超;王娟;;暴雨過程對不同深度土壤含水量的影響分析[A];第27屆中國氣象學(xué)會年會現(xiàn)代農(nóng)業(yè)氣象防災(zāi)減災(zāi)與糧食安全分會場論文集[C];2010年

2 王春梅;左強;楊鶴松;;應(yīng)用隨機組合方法分析不同尺度表層土壤含水量合理取樣數(shù)目[A];農(nóng)業(yè)工程科技創(chuàng)新與建設(shè)現(xiàn)代農(nóng)業(yè)——2005年中國農(nóng)業(yè)工程學(xué)會學(xué)術(shù)年會論文集第二分冊[C];2005年

3 武紅旗;李美婷;蔣平安;盧響軍;付彥博;;北疆典型鹽漬土土壤含水量光譜特征研究[A];面向未來的土壤科學(xué)（上冊）——中國土壤學(xué)會第十二次全國會員代表大會暨第九屆海峽兩岸土壤肥料學(xué)術(shù)交流研討會論文集[C];2012年

4 匡亞紅;陸桂華;吳志勇;;中國近60年模擬土壤含水量時空特征分析[A];中國水文科技新發(fā)展——2012中國水文學(xué)術(shù)討論會論文集[C];2012年

5 紀瑞鵬;班顯秀;張淑杰;張玉書;馮銳;陳鵬獅;;基于遙感的農(nóng)田土壤含水量面預(yù)報方法研究[A];中國氣象學(xué)會2006年年會“衛(wèi)星遙感技術(shù)進展及應(yīng)用”分會場論文集[C];2006年

6 楊云貴;寇建村;趙昆;;土壤含水量對草坪草出苗和早期生長的影響[A];草坪與地被科學(xué)進展論文匯編[C];2006年

7 鄒洪濤;黃毅;張玉龍;孫占祥;;東北風沙半干旱區(qū)不同栽培模式春播前土壤墑情變化的研究[A];中國農(nóng)作制度研究進展2008[C];2008年

8 顧靜;;西安地區(qū)麥地不同降水年份土壤含水量研究[A];中國地理學(xué)會2007年學(xué)術(shù)年會論文摘要集[C];2007年

9 張素芳;馬禮;;壩上高原林草地表層土壤含水量對比研究[A];自然地理學(xué)與生態(tài)安全學(xué)術(shù)論文摘要集[C];2012年

10 王學(xué)軍;李懷耿;崔少君;;土壤含水量監(jiān)測與智能灌溉系統(tǒng)應(yīng)用研究[A];濟寧市技術(shù)創(chuàng)新與可持續(xù)發(fā)展論文選編[C];2005年

相關(guān)重要報紙文章 前10條

1 記者 劉凱;挖掘灌溉潛力 打贏抗旱戰(zhàn)役[N];運城日報;2009年

2 瞿可;內(nèi)澇地小麥這樣種[N];農(nóng)民日報;2003年

3 趙永春;農(nóng)田保墑是關(guān)鍵[N];沈陽日報;2006年

4 府谷縣園藝站 郝里子;旱作果園咋保墑[N];陜西科技報;2008年

5 記者 張梅　實習生 顏薇;我省部分地區(qū)旱情持續(xù)[N];陜西日報;2009年

6 記者 李寧波;一場雨雪潤了干渴運城[N];山西日報;2009年

7 周鴻彩;天麻的生殖特性[N];云南科技報;2008年

8 記者 許怡平;全市旱情基本解除[N];安慶日報;2011年

9 楊建輝;華池伏旱加劇 45萬畝大秋作物面臨威脅[N];甘肅經(jīng)濟日報;2007年

10 正定縣農(nóng)牧局 劉麗云;小麥遇大旱 春季巧施肥[N];河北科技報;2009年

相關(guān)博士學(xué)位論文 前6條

1 刁萬英;基于可見-近紅外波段反射率估算表層土壤含水量[D];中國農(nóng)業(yè)大學(xué);2016年

2 朱鶴;面向農(nóng)業(yè)用水管理的土壤含水量多源數(shù)據(jù)同化方法與應(yīng)用研究[D];中國水利水電科學(xué)研究院;2016年

3 魯清林;旱地小麥不同種植模式水熱效應(yīng)及對產(chǎn)量形成的影響[D];甘肅農(nóng)業(yè)大學(xué);2014年

4 王立權(quán);雪被—農(nóng)田土壤復(fù)合系統(tǒng)復(fù)雜性分析及水熱互作效應(yīng)研究[D];東北農(nóng)業(yè)大學(xué);2014年

5 陳俊英;污灌土壤斥水性的機理研究[D];西北農(nóng)林科技大學(xué);2010年

6 周萍;高光譜土壤成分信息的量化反演[D];中國地質(zhì)大學(xué)（北京）;2006年

相關(guān)碩士學(xué)位論文 前10條

1 孫艷茹;山東煙區(qū)綠肥作物冬牧70黑麥生長的適宜水分溫度條件研究[D];中國農(nóng)業(yè)科學(xué)院;2015年

2 張正;電容法原位估測植物根系生物量應(yīng)用研究[D];西北農(nóng)林科技大學(xué);2015年

3 祝倩;晉西北黃土區(qū)三種植被類型土壤含水量變化特征研究[D];山西大學(xué);2014年

4 張廣波;基于3S技術(shù)的蘋果園信息提取與管理系統(tǒng)開發(fā)[D];山東農(nóng)業(yè)大學(xué);2015年

5 徐志松;溫度對韭菜遲眼蕈蚊儲存蛋白的影響和土壤含水量對該害蟲生存與生殖的影響[D];山東農(nóng)業(yè)大學(xué);2015年

6 柯麗娟;遙感反演土壤含水量在灌溉用水管理中的應(yīng)用研究[D];蘭州交通大學(xué);2015年

7 金夢婷;基于合成孔徑雷達衛(wèi)星數(shù)據(jù)反演表層土壤含水量的研究[D];杭州師范大學(xué);2016年

8 王健美;基于環(huán)境衛(wèi)星數(shù)據(jù)的彰武地區(qū)干旱反演模型研究[D];沈陽農(nóng)業(yè)大學(xué);2016年

9 賈秋洪;低丘紅壤區(qū)農(nóng)田小氣候特征及土壤水分動態(tài)模擬[D];南京信息工程大學(xué);2016年

10 曾令軍;基于SAR圖像的輸電走廊含水量分布信息提取方法研究[D];電子科技大學(xué);2016年

，

本文編號：2365418