【目的】本文旨在探究礦業(yè)復(fù)墾土壤有機(jī)質(zhì)含量的快速估測(cè)方法,為礦業(yè)復(fù)墾土壤質(zhì)量快速監(jiān)測(cè)提供技術(shù)參考�！痉椒ā恳院笔∧车V業(yè)復(fù)墾區(qū)作為研究對(duì)象,對(duì)復(fù)墾土壤光譜反射率進(jìn)行了3種光譜變換;以全波段和顯著性波段（與有機(jī)質(zhì)含量的相關(guān)系數(shù)通過(guò)P=0.05檢驗(yàn)）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(jī)森林回歸（Random Forest Regression,RFR）以及支持向量機(jī)（Support Vector Machine, SVM）3種方法,建立并優(yōu)化遴選土壤有機(jī)質(zhì)含量反演模型,并基于優(yōu)化模型進(jìn)行算術(shù)平均值二次估測(cè)�！窘Y(jié)果】對(duì)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(yù)測(cè)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(cè)能夠在一定程度上提升估測(cè)精度,尤其是標(biāo)準(zhǔn)正態(tài)變換方式下提升空間更大,表現(xiàn)出了較好... 

【文章來(lái)源】：西南農(nóng)業(yè)學(xué)報(bào). 2020,33(02)北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

原始光譜反射率及其數(shù)學(xué)形式與土壤有機(jī)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(jī)質(zhì)含量之間存在較高的相關(guān)性,在對(duì)光譜數(shù)據(jù)進(jìn)行數(shù)學(xué)變換后相關(guān)性有了進(jìn)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(diǎn)以及波峰對(duì)應(yīng)的波長(zhǎng)位置[24],相關(guān)性顯著增強(qiáng),相關(guān)系數(shù)的絕對(duì)值最高達(dá)到了0.8左右。且由估測(cè)結(jié)果的衡量指標(biāo)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(cè)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(cè)模型[25]。因此嘗試數(shù)學(xué)變換可以進(jìn)一步提升光譜數(shù)據(jù)對(duì)土壤有機(jī)質(zhì)含量的估測(cè)效果,也表明光譜數(shù)據(jù)對(duì)有機(jī)質(zhì)含量擁有很好的解釋能力,可以作為一種快速估測(cè)土壤有機(jī)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(duì)于PLSR模型,顯著性波段建模存在一定的優(yōu)勢(shì),RFR模型則在全波段建模中體現(xiàn)出了更好的估測(cè)能力,而SVM模型在本次驗(yàn)證集估測(cè)中整體效果不太理想,且從整體估測(cè)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(xué)形式下,相較于包含大量數(shù)據(jù)的訓(xùn)練集,在將去除數(shù)據(jù)冗余的信息作為訓(xùn)練集的情況下,PLSR(除SNV形式)、SVM可以擁有較好的估測(cè)效果。而對(duì)于RFR(除R形式)而言,在將所有波段反射率作為訓(xùn)練集的情況下,可以更好的識(shí)別光譜曲線的特性,擁有更高的識(shí)別精度;此外,從基于算術(shù)平均值的二次估測(cè)結(jié)果中可以看出,模型之間的估測(cè)結(jié)果經(jīng)平均處理后可以實(shí)現(xiàn)相互校正,從而進(jìn)一步提升估測(cè)精度,尤其是標(biāo)準(zhǔn)正態(tài)形式下估測(cè)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(jī)質(zhì)含量的估測(cè)精度有待于進(jìn)一步提高,還需要綜合考慮其它影響因素進(jìn)行進(jìn)一步分析和實(shí)踐對(duì)比。4 結(jié) 論

【參考文獻(xiàn)】：
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(jī)械學(xué)報(bào). 2019(02)
[2]一種新的光譜參量預(yù)測(cè)黑土養(yǎng)分含量模型[J]. 張東輝,趙英俊,秦凱.  光譜學(xué)與光譜分析. 2018(09)
[3]基于三種空間預(yù)測(cè)模型的海南島土壤有機(jī)質(zhì)空間分布研究[J]. 姜賽平,張懷志,張認(rèn)連,李兆君,謝良商,徐愛國(guó).  土壤學(xué)報(bào). 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(fù)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(xué)與光譜分析. 2017(12)
[6]土壤有機(jī)質(zhì)高光譜估算模型研究進(jìn)展[J]. 章濤,于雷.  湖北農(nóng)業(yè)科學(xué). 2017(17)
[7]基于遙感與隨機(jī)森林算法的陜西省土壤有機(jī)質(zhì)空間預(yù)測(cè)[J]. 齊雁冰,王茵茵,陳洋,劉姣姣,張亮亮.  自然資源學(xué)報(bào). 2017(06)
[8]天山北麓土壤有機(jī)質(zhì)高光譜特征分析[J]. 管延龍,王讓會(huì),李成,姚健,耿列超.  環(huán)境科學(xué)與技術(shù). 2015(09)
[9]基于偏最小二乘回歸的土壤有機(jī)質(zhì)含量高光譜估算[J]. 于雷,洪永勝,耿雷,周勇,朱強(qiáng),曹雋雋,聶艷.  農(nóng)業(yè)工程學(xué)報(bào). 2015(14)
[10]荒漠土壤有機(jī)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(xué)報(bào). 2014(16)

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



本文編號(hào)：3060668