不同土地利用類型下土壤光譜信息存在差異,了解不同土地利用類型下合適的建模方法可以高效準(zhǔn)確地進(jìn)行土壤有機(jī)碳含量反演。本研究以江西省奉新縣中北部林地、耕地和園地3種土地利用類型共248個(gè)土壤樣本為對(duì)象,首先對(duì)土壤原始光譜反射率曲線使用Savitzky-Golay（SG）濾波去噪并進(jìn)行10 nm重采樣減少數(shù)據(jù)冗余,之后采用偏最小二乘回歸（PLSR）、基于網(wǎng)格搜索法的支持向量機(jī)回歸（GRID-SVR）和基于粒子群算法的支持向量機(jī)回歸（PSO-SVR）3種方法分別構(gòu)建土壤有機(jī)碳含量的反演模型。結(jié)果表明:構(gòu)建單一土地利用類型反演模型時(shí),PLSR方法在林地、耕地和園地的相對(duì)分析誤差（RPD）分別為1.536、1.315和1.493,采用GRID-SVR方法時(shí),其RPD分別提升0.150、0.183和0.502。采用PSO-SVR方法時(shí)精度最高,相較GRID-SVR方法,其林地、耕地和園地的RPD分別提高20.8%、10.0%和2.7%,林地和園地的RPD分別為2.036和2.049,可以極好地預(yù)測(cè)土壤有機(jī)碳含量,耕地的RPD為1.647,可以對(duì)土壤有機(jī)碳含量進(jìn)行粗略估測(cè)。PSO-SVR方法對(duì)不同土地... 

【文章來源】：應(yīng)用生態(tài)學(xué)報(bào). 2020,31(03)北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

研究區(qū)位置與采樣點(diǎn)分布

采用決定系數(shù)(R2)、均方根誤差(RMSE)和相對(duì)分析誤差(RPD)評(píng)價(jià)模型預(yù)測(cè)效果。R2和RPD越大、RMSE越小,說明模型預(yù)測(cè)效果越好[29]。當(dāng)RPD<1.4時(shí),模型無法預(yù)測(cè);當(dāng)1.4<RPD<2.0時(shí),模型只能粗略估測(cè);當(dāng)RPD>2.0時(shí),模型能極好預(yù)測(cè)[30]。R 2 =1- ∑ i=1 n ( y m -y p ) 2 ∑ i=1 n ( y m - y ˉ ) 2 ?????? ??? (4) RΜSE= 1 n ∑ i=1 n ( y m -y p ) 2 ?????? ??? (5) RΡD= SD RΜSE V ?????? ??? (6)

表1 土壤有機(jī)碳描述性統(tǒng)計(jì)Table 1 Descriptive statistics of soil organic carbon content 土地利用類型Land use type 樣本類型Sample type 樣本數(shù)Samplesize 最小值Minimum(g·kg-1) 最大值Maximum(g·kg-1) 平均值Mean(g·kg-1) 標(biāo)準(zhǔn)差SD 變異系數(shù)CV(%) 全部 Ⅰ 248 2.60 38.60 19.85 8.89 44.8 Total Ⅱ 165 3.50 38.60 20.03 9.14 45.6 Ⅲ 83 2.60 35.10 19.49 8.42 43.2 林地 Ⅰ 93 3.50 37.90 19.75 8.73 44.2 Forest Ⅱ 62 3.50 37.90 19.34 9.13 47.2 Ⅲ 31 3.90 35.10 20.56 7.94 38.6 耕地 Ⅰ 98 10.80 38.60 25.24 5.34 21.2 Cultivated land Ⅱ 65 10.80 38.60 25.79 5.55 21.5 Ⅲ 33 15.00 33.90 24.14 4.80 19.9 園地 Ⅰ 57 2.60 27.00 10.75 6.26 58.2 Orchard Ⅱ 38 3.50 27.00 11.31 6.52 57.7 Ⅲ 19 2.60 25.40 9.65 5.71 59.2 Ⅰ: 全集Complete dataset; Ⅱ: 建模集Calibration dataset; Ⅲ: 驗(yàn)證集Validation dataset.圖4 土壤有機(jī)碳含量與不同預(yù)處理后光譜的相關(guān)分析

【參考文獻(xiàn)】：
期刊論文
[1]土地利用方式和地形對(duì)半干旱區(qū)土壤有機(jī)碳含量的影響[J]. 李龍,秦富倉(cāng),姜麗娜,姚雪玲,王曉軍.  土壤. 2019(02)
[2]基于高光譜反演的復(fù)墾區(qū)土壤重金屬含量經(jīng)驗(yàn)?zāi)Ｐ蛢?yōu)選[J]. 陳元鵬,張世文,羅明,鄖文聚,鞠正山,李少帥.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(01)
[3]粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的土壤有機(jī)質(zhì)高光譜估測(cè)[J]. 鄒慧敏,李西燦,尚璇,苗傳紅,黃超,路杰暉.  測(cè)繪科學(xué). 2019(05)
[4]煤礦區(qū)土壤有機(jī)碳含量的高光譜預(yù)測(cè)模型[J]. 孫問娟,李新舉.  水土保持學(xué)報(bào). 2018(05)
[5]基于高光譜數(shù)據(jù)的高寒草地土壤有機(jī)碳預(yù)測(cè)模型研究[J]. 崔霞,宋清潔,張瑤瑤,胥剛,孟寶平,高金龍.  草業(yè)學(xué)報(bào). 2017(10)
[6]江西省紅壤地區(qū)主要土壤類型的高光譜特性研究[J]. 趙小敏,楊梅花.  土壤學(xué)報(bào). 2018(01)
[7]艾比湖流域不同土地覆蓋類型土壤養(yǎng)分高光譜反演模型研究[J]. 蔣燁林,王讓會(huì),李焱,李成,彭擎,吳曉全.  中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào). 2016(11)
[8]母質(zhì)與土地利用類型對(duì)土壤光譜反演模型的影響[J]. 鄔登巍,張甘霖.  土壤. 2016(01)
[9]粒子群優(yōu)化算法綜述[J]. 趙乃剛,鄧景順.  科技創(chuàng)新導(dǎo)報(bào). 2015(26)
[10]基于慣性權(quán)重對(duì)數(shù)遞減的粒子群優(yōu)化算法[J]. 戴文智,楊新樂.  計(jì)算機(jī)工程與應(yīng)用. 2015(17)

碩士論文
[1]基于智能算法的支持向量機(jī)結(jié)合木材近紅外光譜應(yīng)用研究[D]. 于仕興.北京林業(yè)大學(xué) 2014
[2]基于近紅外光譜技術(shù)預(yù)測(cè)森林土壤有機(jī)碳含量的研究[D]. 汪洪濤.東北林業(yè)大學(xué) 2014



本文編號(hào)：3017178