發(fā)布時間：2021-03-03 05:07

　　【目的】本文旨在探究礦業(yè)復墾土壤有機質(zhì)含量的快速估測方法,為礦業(yè)復墾土壤質(zhì)量快速監(jiān)測提供技術(shù)參考�！痉椒ā恳院笔∧车V業(yè)復墾區(qū)作為研究對象,對復墾土壤光譜反射率進行了3種光譜變換;以全波段和顯著性波段（與有機質(zhì)含量的相關(guān)系數(shù)通過P=0.05檢驗）為2種建模數(shù)據(jù),采用偏最小二乘回歸（Partial Least Squares Regression,PLSR）、隨機森林回歸（Random Forest Regression,RFR）以及支持向量機（Support Vector Machine, SVM）3種方法,建立并優(yōu)化遴選土壤有機質(zhì)含量反演模型,并基于優(yōu)化模型進行算術(shù)平均值二次估測�！窘Y(jié)果】對于PLSR與SVM模型,采用顯著性波段建模R²和RPD整體上更高,而RFR模型采用全波段建模R²和RPD較高;基于顯著性波段建立的一階微分PLSR模型穩(wěn)定性與預測能力最好,R²和RPD分別為0.77和2.14;與傳統(tǒng)的單一模型相比,采用算術(shù)平均值二次估測能夠在一定程度上提升估測精度,尤其是標準正態(tài)變換方式下提升空間更大,表現(xiàn)出了較好... 

【文章來源】：西南農(nóng)業(yè)學報. 2020,33(02)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

原始光譜反射率及其數(shù)學形式與土壤有機質(zhì)含量的相關(guān)分析

研究結(jié)果表明,光譜數(shù)據(jù)與有機質(zhì)含量之間存在較高的相關(guān)性,在對光譜數(shù)據(jù)進行數(shù)學變換后相關(guān)性有了進一步提升[23],尤其是在一階微分形式下,由于該變換可以較好的突顯出原曲線的拐點以及波峰對應的波長位置[24],相關(guān)性顯著增強,相關(guān)系數(shù)的絕對值最高達到了0.8左右。且由估測結(jié)果的衡量指標可以發(fā)現(xiàn),光譜經(jīng)一階微分變換后得到的模型展現(xiàn)出了更好的估測效果,這表明該變換可有效降低土壤質(zhì)地、成土母質(zhì)等其他因素的影響,建立更優(yōu)的估測模型[25]。因此嘗試數(shù)學變換可以進一步提升光譜數(shù)據(jù)對土壤有機質(zhì)含量的估測效果,也表明光譜數(shù)據(jù)對有機質(zhì)含量擁有很好的解釋能力,可以作為一種快速估測土壤有機質(zhì)含量的方法;在全波段和顯著性波段建模形式下,各模型之間存在一定的差異,對于PLSR模型,顯著性波段建模存在一定的優(yōu)勢,RFR模型則在全波段建模中體現(xiàn)出了更好的估測能力,而SVM模型在本次驗證集估測中整體效果不太理想,且從整體估測結(jié)果上可以看出SVM也較于傾向顯著波段建模。上述現(xiàn)象表明,在光譜數(shù)據(jù)的四種數(shù)學形式下,相較于包含大量數(shù)據(jù)的訓練集,在將去除數(shù)據(jù)冗余的信息作為訓練集的情況下,PLSR(除SNV形式)、SVM可以擁有較好的估測效果。而對于RFR(除R形式)而言,在將所有波段反射率作為訓練集的情況下,可以更好的識別光譜曲線的特性,擁有更高的識別精度;此外,從基于算術(shù)平均值的二次估測結(jié)果中可以看出,模型之間的估測結(jié)果經(jīng)平均處理后可以實現(xiàn)相互校正,從而進一步提升估測精度,尤其是標準正態(tài)形式下估測精度有了較大提升。值得指出的是,由于土壤反射光譜受多種要素的影響[8],如水分、氧化物與重金屬等,有機質(zhì)含量的估測精度有待于進一步提高,還需要綜合考慮其它影響因素進行進一步分析和實踐對比。4 結(jié) 論

【參考文獻】：
期刊論文
[1]不同粒徑處理的土壤全氮含量高光譜特征擬合模型[J]. 王海江,劉凡,YUNGER John A,崔靜,馬玲.  農(nóng)業(yè)機械學報. 2019(02)
[2]一種新的光譜參量預測黑土養(yǎng)分含量模型[J]. 張東輝,趙英俊,秦凱.  光譜學與光譜分析. 2018(09)
[3]基于三種空間預測模型的海南島土壤有機質(zhì)空間分布研究[J]. 姜賽平,張懷志,張認連,李兆君,謝良商,徐愛國.  土壤學報. 2018(04)
[4]土壤重金屬高光譜反演研究綜述[J]. 郭穎,畢如田,鄭超,袁宇志,柴敏,郭治興.  環(huán)境科技. 2018(01)
[5]煤矸石充填復墾重構(gòu)土壤重金屬含量高光譜反演[J]. 徐良驥,李青青,朱小美,劉曙光.  光譜學與光譜分析. 2017(12)
[6]土壤有機質(zhì)高光譜估算模型研究進展[J]. 章濤,于雷.  湖北農(nóng)業(yè)科學. 2017(17)
[7]基于遙感與隨機森林算法的陜西省土壤有機質(zhì)空間預測[J]. 齊雁冰,王茵茵,陳洋,劉姣姣,張亮亮.  自然資源學報. 2017(06)
[8]天山北麓土壤有機質(zhì)高光譜特征分析[J]. 管延龍,王讓會,李成,姚健,耿列超.  環(huán)境科學與技術(shù). 2015(09)
[9]基于偏最小二乘回歸的土壤有機質(zhì)含量高光譜估算[J]. 于雷,洪永勝,耿雷,周勇,朱強,曹雋雋,聶艷.  農(nóng)業(yè)工程學報. 2015(14)
[10]荒漠土壤有機質(zhì)含量高光譜估算模型[J]. 侯艷軍,塔西甫拉提·特依拜,買買提·沙吾提,張飛.  農(nóng)業(yè)工程學報. 2014(16)

博士論文
[1]基于遙感數(shù)據(jù)的工礦復墾區(qū)分類與反演方法研究[D]. 陳元鵬.中國地質(zhì)大學(北京) 2018



本文編號：3060668