【摘要】：為實(shí)現(xiàn)干旱地區(qū)土壤水分含量(soil moisture content,SMC)的快速監(jiān)測(cè),該文以渭干河-庫(kù)車河綠洲為靶區(qū),采用小波變換(wavelet transform,WT)對(duì)反射光譜進(jìn)行1~8層小波分解,通過相關(guān)性分析確定最大分解層數(shù),再通過競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)(competitive adaptive reweighted sampling,CARS)濾除冗余變量,篩選出與SMC相關(guān)性較好的波長(zhǎng)變量,并疊加各層特征光譜的優(yōu)選波長(zhǎng)變量作為最優(yōu)變量集,用偏最小二乘回歸(partial least squares regression,PLSR)構(gòu)建土壤水分含量預(yù)測(cè)模型并進(jìn)行分析。結(jié)果顯示:1)小波分解過程中,土壤反射率與SMC的相關(guān)性不斷增強(qiáng),到小波變換第6層分解(L6)處達(dá)到最高,因此小波變換最大分解層數(shù)為6層分解;2)通過對(duì)土樣進(jìn)行WT-CARS耦合算法篩選出變量,得出的最優(yōu)變量集包括400~500、1 320~1 461、1 851~1 961、2 125~2 268 nm區(qū)域之間共131個(gè)波長(zhǎng)變量;3)相對(duì)于全波段預(yù)測(cè)模型,各層特征光譜的CARS優(yōu)選變量預(yù)測(cè)模型的精度均高,并且基于最優(yōu)變量集的預(yù)測(cè)模型的精度最高,該模型的建模集均方根誤差0.021、建模集決定系數(shù)0.721、預(yù)測(cè)集均方根誤差0.028、預(yù)測(cè)集決定系數(shù)0.924、相對(duì)分析誤差2.607。說明WT-CARS耦合算法使其在建立模型時(shí)盡可能少地?fù)p失光譜細(xì)節(jié)、較為徹底的去除噪聲,同時(shí)還能對(duì)無信息變量進(jìn)行有效去除,為該研究區(qū)SMC的預(yù)測(cè)提供新的思路。
【圖文】：

的研究處理[17]，而在SMC估算中的應(yīng)用尚有待進(jìn)一步探究。本研究以渭庫(kù)-綠洲土壤樣品為研究對(duì)象，基于小波變換對(duì)反射光譜進(jìn)行分解，，并結(jié)合CARS算法構(gòu)建出SMC最優(yōu)變量子集，以期盡可能少地?fù)p失光譜細(xì)節(jié)、較為徹底的去除噪聲，同時(shí)對(duì)無信息變量進(jìn)行有效去除，最終構(gòu)建基于最優(yōu)變量集的PLSR預(yù)測(cè)模型，為土壤水分等研究及當(dāng)?shù)鼐珳?zhǔn)農(nóng)業(yè)提供科學(xué)支撐和參考。1材料與方法1.1土壤樣本以新疆南部、塔里木盆地中北部的渭-庫(kù)綠洲（41°08′～41°55′N、81°06′～83°37′E）為研究區(qū)，根據(jù)研究區(qū)特點(diǎn)，共布設(shè)39個(gè)樣點(diǎn)（圖1），并利用GPS記錄樣點(diǎn)位置，以便用于驗(yàn)證。各樣點(diǎn)采用5點(diǎn)混合法采集土樣，深度0～20cm，各采樣點(diǎn)采集2份樣本（一份通過鋁盒帶回、另一份用塑料袋帶回），帶回實(shí)驗(yàn)室后，對(duì)鋁盒中的樣品進(jìn)行室內(nèi)烘干法（將鋁盒中的樣品置于105℃恒溫箱烘干48h）獲得相應(yīng)的土壤水分含量，另一份樣本在室內(nèi)自然風(fēng)干、研磨并用2mm孔篩篩過后獲取高光譜數(shù)據(jù)。圖1野外樣點(diǎn)分布Fig.1Fieldsampledistribution使用美國(guó)ASD（AnalyticalSpectralDevices）公司生產(chǎn)的FieldSpec3型光譜儀，在暗室中采集光譜數(shù)據(jù)，其波長(zhǎng)范圍為350～2500nm，350～1000nm波長(zhǎng)范圍采樣間隔為1.4nm，1000～2500nm范圍采樣間隔為2nm，重采樣間隔1nm。把通過2mm篩的土樣將黑色器皿（直徑11cm，深1.4cm）裝滿，并且將其表面刮平。在暗室中所用光源為50W的鹵素?zé)�，光源與試驗(yàn)樣品之間相隔50cm，鹵素?zé)籼祉斀菫?5°，光譜儀探頭與樣品之間的相距10cm。每次測(cè)量前均用漫反射標(biāo)準(zhǔn)參考板定標(biāo)。本試驗(yàn)各土樣采集10條光譜曲線，其算術(shù)平均值為該土樣的光譜數(shù)據(jù)。1.2小波變換小波變換繼承傅里葉分析的優(yōu)勢(shì)，并克服了傅里葉分析不能對(duì)局部信號(hào)的局部頻譜特征進(jìn)行分析

tisticalcharacteristicsofsoilmoisturecontent(SMC)ofsoilsamples樣品集Samplesset土壤樣本數(shù)Samples均值Mean標(biāo)準(zhǔn)差SD最大值Max最小值Min變異系數(shù)CV全部Wholeset390.1470.0570.3390.0150.389建模集Calibrationset270.1460.0500.2110.0200.341驗(yàn)證集Validationset120.1480.0730.3390.0150.4952.2小波變換及最大分解層本研究在MatlabR2012a中以db4小波母函數(shù)對(duì)原始光譜數(shù)據(jù)進(jìn)行8層小波分解，然后對(duì)分解后的每一層小波系數(shù)分別進(jìn)行小波重構(gòu)，得到各層的特征光譜，分別用L1～L8表征。如圖2所示。圖2a（L0為未經(jīng)過小波變換的原始光譜）中，土壤在1400、1900nm周圍存在顯著的水分吸收峰，而450、2200nm周圍較為微弱。L1噪聲較多，這是由于原始反射率噪聲傳遞導(dǎo)致，在350～400nm處較為明顯，體現(xiàn)為該范圍內(nèi)的“小毛刺”；隨著分解的進(jìn)行，高頻信號(hào)被進(jìn)一步去除，噪聲傳遞現(xiàn)象越來越弱，到L5時(shí)噪聲很少；由于光譜細(xì)節(jié)被不斷去除，導(dǎo)致光譜曲線逐漸趨于平滑，使得某些表征土壤水分的吸收峰消失，例如在L6中1400、1900nm處還存在顯著吸收峰，而在L7中幾乎不能表現(xiàn)出來。進(jìn)行CARS算法的前提是確定合適的小波分解層。根據(jù)各層特征光譜與SMC的相關(guān)分析（表2）。L1特征光譜與SMC之間的相關(guān)性通過顯著性為0.01（閾值為±0.408）的波段數(shù)為393個(gè)，隨著分解層數(shù)的增加，相應(yīng)的特征光譜與SMC的顯著性波段數(shù)逐漸增加，到L6時(shí)達(dá)到最多，為602個(gè)，并且在L4處達(dá)到最大正相關(guān)，為0.619，但隨著分解層數(shù)進(jìn)一步的增加，L7及以后特征光譜的顯著性波段數(shù)快速減少，同時(shí)最大相關(guān)性也快速降低�？傮w來說L6處特征光譜不僅能去噪，還盡量保存原始光譜信息。因此，本研究確定最大分解層數(shù)為6層，并在L1～L6的基礎(chǔ)上進(jìn)一步分析?

【相似文獻(xiàn)】

相關(guān)期刊論文 前3條

1 李景福;趙進(jìn)輝;龍志軍;劉詩(shī)安;;基于離散小波變換的農(nóng)業(yè)圖像處理研究[J];安徽農(nóng)學(xué)通報(bào);2007年03期

2 唐鵬欽;吳文斌;姚艷敏;楊鵬;;基于小波變換的華北平原耕地復(fù)種指數(shù)提取[J];農(nóng)業(yè)工程學(xué)報(bào);2011年07期

3 楊苗;左月明;楊萍果;;基于小波變換的近紅外光譜預(yù)測(cè)土壤有機(jī)質(zhì)[J];山西農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年02期

本文編號(hào)：2584127