【目的】建立更為精確的高光譜預測模型,以便更加精準地、快速地測定土壤表土氮磷量,進一步推動多源遙感技術在現(xiàn)代化高標準農業(yè)生產與管理中的應用和發(fā)展�！痉椒ā恳詢让晒藕犹坠鄥^(qū)解放閘灌域為試驗區(qū),利用地面實測光譜反射率,聯(lián)合C波段微波雷達SAR（Synthetic Aperture Radar）四極化后向散射數(shù)據(jù),通過對土壤氮磷特征波段的選擇,建模評價土壤氮磷量。首先利用光譜反射率,及其對數(shù)、一階與二階導數(shù)4種光譜數(shù)據(jù),進行相關性分析而濾選獲取了與氮磷相關系數(shù)均大于0.4的近紅外1 480、2 050、2 314 nm等特征波段,同時利用1～8層小波分析與重構圖譜技術去除噪聲,排除特異值干擾。小波去噪后找到相關性強的特征波段,結合SAR后向散射系數(shù),與氮磷做回歸及神經網絡輸入,形成神經網絡模型�！窘Y果】通過對高光譜數(shù)據(jù)的小波分解和重構,能夠有效提高反射率及其3種變換形式與土壤氮磷的相關性,尤其是低頻分量的1～3層、高頻分量的4～6層的效果更好。反射率一階導數(shù)的神經網絡模型為最佳預測模型,其對土壤氮、磷量的預測R²分別為0.749 6、0.759 2,均方差RMSE均為0... 

【文章來源】：灌溉排水學報. 2020,39(12)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

小波分解重構分量與土壤氮磷量的相關性分析

圖3 小波分解重構分量與土壤氮磷量的相關性分析通過選取篩選后1層低頻重構光譜、5層和6層高頻重構光譜中的特征波段，結合微波雷達RADARSAT-2四極化后向散射系數(shù)VV、VH、HH、HV及其2種組合HH/VV、HV/VH以及地表粗糙度ZS建立線性回歸模型，結果如式（1）所示。其模型反演與實測值決定系數(shù)R2為0.46，均方差RMSE=0.172 9，如圖4(a）所示。將線性回歸模型中的參量帶入神經網絡中，其模型反演與實測值決定系數(shù)R2為0.749 6，均方差RMSE=0.110 2，如圖4(b）所示。

式中：X1 679、X2 133、X2 319分別為2層低頻重構光譜1 679～1 688、2 133～2 142、2 319～2 328 nm的波段的算術平均數(shù)；X1 443、X2 275、X2 371分別為6層高頻重構光譜1 443～1 452、2 275～2 284、2 371～2 380 nm的波段的算術平均數(shù)，ZS為地表組合粗糙度。圖6 土壤全氮與土壤全磷量反演預測結果

【參考文獻】：
期刊論文
[1]土壤總氮和總磷含量的高光譜遙感預測[J]. 徐麗華,謝德體.  農機化研究. 2012(04)
[2]小波分析用于土壤速效鉀含量高光譜估測研究[J]. 陳紅艷,趙庚星,李希燦,陸文利,隋龍.  中國農業(yè)科學. 2012(07)
[3]基于人工智能計算技術的區(qū)域性土壤水鹽環(huán)境動態(tài)監(jiān)測[J]. 劉全明,陳亞新,魏占民,屈忠義,趙培清.  農業(yè)工程學報. 2006(10)



本文編號：3241923