本文關(guān)鍵詞：連續(xù)小波變換高光譜數(shù)據(jù)的土壤有機(jī)質(zhì)含量反演模型構(gòu)建

  更多相關(guān)文章： 土壤有機(jī)質(zhì) 高光譜 連續(xù)小波變換 偏最小二乘回歸 BP神經(jīng)網(wǎng)絡(luò) 支持向量機(jī)回歸

【摘要】：土壤有機(jī)質(zhì)含量是反映土壤肥力的重要指標(biāo),對(duì)其進(jìn)行動(dòng)態(tài)監(jiān)測(cè)是實(shí)施精準(zhǔn)農(nóng)業(yè)的重要措施。近年來(lái),眾多學(xué)者嘗試采用土壤近地傳感(proximal soil sensing),尤其是近地高光譜技術(shù),在田間和實(shí)驗(yàn)室獲取不同形態(tài)土壤的高光譜數(shù)據(jù),不斷引入新方法建立適用于不同地域和不同土壤類型的有機(jī)質(zhì)含量的反演模型。該研究在實(shí)驗(yàn)室內(nèi)利用ASD FS3采集了土壤高光譜數(shù)據(jù),采用"重鉻酸鉀-外加熱法"測(cè)得了土壤有機(jī)質(zhì)含量;分析了土壤原始光譜反射率(R)與有機(jī)質(zhì)含量的相關(guān)性,選取R~20.15的敏感波段的反射率;利用CWT對(duì)土壤原始光譜反射率(R)、光譜反射率的連續(xù)統(tǒng)去除(CR)進(jìn)行不同尺度的分解,分析小波系數(shù)與土壤有機(jī)質(zhì)含量的相關(guān)性,選取R~20.3的敏感波段的小波系數(shù);利用R選取的波段信息和R-CWT,CRCWT的選取的小波系數(shù),分別建立偏最小二乘回歸(PLSR)、BP神經(jīng)網(wǎng)絡(luò)(BPNN)、支持向量機(jī)回歸(SVMR)三種不同的土壤有機(jī)質(zhì)含量反演模型。結(jié)果表明:相比R與土壤有機(jī)質(zhì)含量的決定系數(shù)R~2,RCWT,CR-CWT變換后得到的小波系數(shù)與土壤有機(jī)質(zhì)含量的決定系數(shù)R~2分別提高了0.15和0.2左右;CR-CWT-SVMR的模型效果最為顯著,預(yù)測(cè)集的R~2和RMSE分別為0.83,4.02,RPD值為2.48,具有較高的估測(cè)精度,能夠全面穩(wěn)定地估算土壤有機(jī)質(zhì)含量;CR-CWT-PLSR的模型精度與CR-CWT-BPNN,CRCWT-SVMR相比雖有一定差距,但是其計(jì)算量要明顯小于非線性的BPNN和SVMR方法,具有模型簡(jiǎn)單、運(yùn)算速度快等特點(diǎn),對(duì)開(kāi)發(fā)與設(shè)計(jì)田間傳感器具有較大的應(yīng)用價(jià)值。
【作者單位】： 華中師范大學(xué)地理過(guò)程分析與模擬湖北省重點(diǎn)實(shí)驗(yàn)室;華中師范大學(xué)城市與環(huán)境科學(xué)學(xué)院;
【關(guān)鍵詞】： 土壤有機(jī)質(zhì) 高光譜 連續(xù)小波變換 偏最小二乘回歸 BP神經(jīng)網(wǎng)絡(luò) 支持向量機(jī)回歸
【基金】：國(guó)家自然科學(xué)基金項(xiàng)目(41401232,41271534) 中央高�；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)(CCNU15A05006,CCNU15A05004)資助
【分類號(hào)】：S153.621
【正文快照】： 引言土壤有機(jī)質(zhì)是土壤固相屬性的重要組成部分,盡管其含量只占土壤總量的很小一部分,但它對(duì)土壤形成、土壤肥力、環(huán)境保護(hù)及農(nóng)林業(yè)可持續(xù)發(fā)展等方面都有著及其重要的作用[1]。傳統(tǒng)土壤有機(jī)質(zhì)含量的測(cè)定常采用土壤農(nóng)化分析的方法,這類方法雖精度較高,但由于耗資大、費(fèi)力多、周

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前2條

1 鄒揚(yáng)慶;羅紅霞;Habtom Yemane Tekle;王俊;余天霞;張銳;;基于高光譜和農(nóng)學(xué)參數(shù)數(shù)據(jù)的柑橘估產(chǎn)模型構(gòu)建(英文)[J];Agricultural Science & Technology;2013年10期

2 ;[J];;年期

，

本文編號(hào)：518032