土壤有機質(zhì)(SOM)是植物生長的重要營養(yǎng)來源,可以調(diào)整土壤結構并改善其理化性質(zhì),是衡量土壤質(zhì)量的重要指標之一。傳統(tǒng)上對于區(qū)域土壤有機質(zhì)含量的監(jiān)測,均需要大量布置樣點和實驗室分析測試,費事費力且實驗結果不可重復,同時很難實現(xiàn)大區(qū)域內(nèi)的多時相動態(tài)監(jiān)測,實用價值受到限制。隨著高空遙感技術的發(fā)展,土壤有機質(zhì)含量信息的獲取不受時空地域的限制,可以連續(xù)獲得土壤有機質(zhì)的動態(tài)變化信息,基于地物光譜反射特征的土壤定量遙感技術已逐漸被廣泛接受,地物光譜技術可以快速準確的獲取區(qū)域內(nèi)土壤有機質(zhì)含量信息。本文以濰北平原為主要研究區(qū),結合前期在室內(nèi)樣點布置規(guī)劃的基礎上,對野外土壤樣點進行實地高光譜數(shù)據(jù)采集和土壤理化組成化學分析,結合同時相遙感影像數(shù)據(jù),探索土壤有機質(zhì)含量值與光譜反射率數(shù)據(jù)間的內(nèi)在關系,最終建立高光譜數(shù)據(jù)和Landsat數(shù)據(jù)支持下的有機質(zhì)含量值遙感預測模型,實現(xiàn)區(qū)域尺度上土壤有機質(zhì)遙感數(shù)字制圖和土地質(zhì)量動態(tài)監(jiān)測工作。本研究主要包括以下研究內(nèi)容及成果:(1)通過對地面采樣點的實測高光譜數(shù)據(jù)與其對應的Landsat-8_OLI影像像元上的反射率特征進行分析,總結出與SOM密切相關的敏感波段主要是345、491、594、627、718、723、748、810、873、889、931、981和1075nm處共13個特征波段,遙感影像上各波段光譜值與土壤有機質(zhì)關系密切。在可見光-近紅外(Vis-NIR)范圍不同樣點土壤反射率存在顯著差異,有機質(zhì)含量越高,土壤光譜反射率越低,在600nm-800nm范圍內(nèi)光譜反射峰出現(xiàn)的位置與土壤退化有關.這些細微的變化特征都為以后濱海鹽漬土理化性質(zhì)的遙感估算研究奠定了基礎。(2)利用地面實測的高光譜數(shù)據(jù)可以有效的預測土壤有機質(zhì)含量,導入光譜指數(shù)的SVM模型預測精度和穩(wěn)定性最高。原始高光譜數(shù)據(jù)與SOM的相關性較弱,判斷特征波段較為困難,光譜一階倒數(shù)微分變換處理可以突出高光譜數(shù)據(jù)與SOM相關的特征波段,變換后與SOM的相關系數(shù)正負交替出現(xiàn),相關系數(shù)絕對值增大,便于選取特征波段。在完成特征波段的選擇之后,運用主成分分析法將波段光譜信息轉(zhuǎn)換為6個線性不相關的光譜主成分,在此基礎上構建差值光譜指數(shù)(DI_1和DI_2),接下來將提取的光譜指數(shù)和SOM實測值分別作為自變量和因變量建立多元線性回歸(MLR)模型、誤差反向傳輸多層感知神經(jīng)網(wǎng)絡回歸(BP)模型和支持向量機回歸(SVM)模型,反演效果達到預期目標要求,SVM模型的預測效果最佳,決定系數(shù)(R~2)和均方根誤差(RMSE)分別為0.803和0.223,BP模型的R~2和RMSE分別為0.764和0.161,MLR模型預測精度和穩(wěn)定性一般,R~2和RMSE為0.704和0.151。(3)對Landsat-8_OLI原始影像光譜數(shù)據(jù)進行一定的數(shù)學變換,可以消除水分等背景信息的影響,運用倒數(shù)變換(CD)構建光譜指數(shù)的BP模型預測效果最佳,反演得到研究區(qū)土壤有機質(zhì)空間分布。一階微分變換可以提高多元線性回歸(MLR)模型的精確度和穩(wěn)定性,模型的R~2和RMES分別為0.585和0.268,相對未變換之前R~2提高了0.11。對于BP神經(jīng)網(wǎng)絡模型來說,倒數(shù)變換(CD)能夠突出各波段的光譜特征,變換后模型運行效果參數(shù)R~2和RMSE分別為0.65和0.250,高于原始波段數(shù)據(jù)和其余數(shù)學變換形式,RPD值為1.24,模型可以接受,但仍有進一步提高的空間;支持向量機回歸(SVM)模型在利用影像光譜及其數(shù)學變換數(shù)據(jù)估算SOM含量值時,因出現(xiàn)大樣本過擬合問題,無法正確尋求局部最小值,預測效果相對其他模型精度較差,R~2和RMSE分別為0.272和0.185。(4)濰北平原地區(qū)土壤有機質(zhì)空間分布格局呈現(xiàn)出土壤有機質(zhì)含量南多北少依次遞減的總體趨勢�；贛LR、BP、SVM和普通克里格法(Ordinary Krige,以下簡稱OK)預測模型均能很好擬合出土壤有機質(zhì)總的空間變化趨勢,研究區(qū)東部和西部地區(qū)土壤有機質(zhì)含量高,中部白浪河和濰河區(qū)域受海水倒灌影響,土壤發(fā)生退化,有機質(zhì)含量較低。對于不同模型的預測效果差異主要體現(xiàn)在小范圍內(nèi)的小塊區(qū)域間的預測值,BP模型的預測效果最佳,而MLR模型和SVM回歸則無法很好處理特異值,導致土壤有機質(zhì)含量值在整個區(qū)域內(nèi)變化過大或者過小。普通克里格基于區(qū)域變量的半變異函數(shù)模型確定未知點的含量值,受人為布點影響較大,本模型可單獨進行分析,也可作為遙感反演模型驗證的有力工具,遙感反演可以充分借鑒地統(tǒng)計法區(qū)域變化變量關聯(lián)規(guī)律,為反演模型改進提供依據(jù)。
【學位單位】：山東師范大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP751;S153.621
【部分圖文】：

技術流程圖

野外調(diào)研及實地采樣圖

圖 2-1 研究區(qū)位置及采樣點示意圖a.野外調(diào)研 b.土壤取樣圖 2-2 野外調(diào)研及實地采樣圖據(jù)的獲取與處理光譜測量壤反射光譜的測定采用FieldSpec HH（Analytical Spectra
【相似文獻】

相關期刊論文 前10條

1 田彥平;陶超;鄒崢嶸;楊釗霞;何小飛;;主動學習與圖的半監(jiān)督相結合的高光譜影像分類[J];測繪學報;2015年08期

2 馮海亮;潘競文;黃鴻;;半監(jiān)督鄰域保持嵌入在高光譜影像分類中的應用[J];計算機科學;2014年S1期

3 楊哲海;張俊;李之歆;;低通濾波器在高光譜影像分類中的應用[J];海洋測繪;2011年05期

4 陳軍麗;黃睿;;利用多屬性剖面概率融合的高光譜影像分類[J];遙感信息;2019年02期

5 楊可明;劉飛;孫陽陽;魏華鋒;史鋼強;;諧波分析光譜角制圖高光譜影像分類[J];中國圖象圖形學報;2015年06期

6 楊可明;張濤;王立博;錢小麗;劉士文;王林偉;;高光譜影像的諧波分析融合算法研究[J];中國礦業(yè)大學學報;2014年03期

7 馮海亮;潘競文;黃鴻;;一種改進的鄰域保持嵌入高光譜影像分類方法[J];光電工程;2014年09期

8 覃環(huán)虎;張立福;劉凱;;高光譜影像庫的數(shù)據(jù)存取技術研究[J];計算機工程;2012年16期

9 劉天樂;高偉;劉修國;陳啟浩;;矢量量化壓縮算法在高光譜影像上的研究實現(xiàn)[J];計算機工程與應用;2008年34期

10 原傳綱;張廣有;吳迪;楊哲海;;面向應用的高光譜影像分類方法[J];測繪科學技術學報;2007年02期

相關博士學位論文 前10條

1 王明威;基于萬有引力算法和集成學習的高光譜影像分類研究[D];武漢大學;2018年

2 鄭向濤;高光譜影像質(zhì)量改善及降維研究[D];中國科學院大學(中國科學院西安光學精密機械研究所);2017年

3 楊麗霞;稀疏學習機及其在高光譜影像分類中的應用[D];西安電子科技大學;2016年

4 路威;面向目標探測的高光譜影像特征提取與分類技術研究[D];中國人民解放軍信息工程大學;2005年

5 杜輝強;高光譜遙感影像濾波和邊緣提取方法研究[D];武漢大學;2004年

6 楊哲海;高光譜影像分類若干關鍵技術的研究[D];解放軍信息工程大學;2006年

7 龔?;基于HDA和MRF的高光譜影像同質(zhì)區(qū)分析[D];武漢大學;2007年

8 王凱;基于多特征融合的高光譜影像地物精細分析方法研究[D];武漢大學;2013年

9 黃風華;云環(huán)境下基于并行支持向量機的高光譜影像分類研究[D];福建師范大學;2014年

10 賀威;高光譜影像多類型噪聲分析的低秩與稀疏方法研究[D];武漢大學;2017年

相關碩士學位論文 前10條

1 侯增福;基于協(xié)同表示與非監(jiān)督最鄰近規(guī)則子空間的高光譜影像異常探測[D];中國礦業(yè)大學;2019年

2 趙揚;基于深度神經(jīng)網(wǎng)絡的高光譜影像地物分類技術研究[D];中國科學技術大學;2019年

3 周星;基于CNN及集成學習的高光譜影像分類方法研究[D];哈爾濱工程大學;2019年

4 徐夕博;基于高光譜的濰北平原土壤有機質(zhì)預測與空間格局研究[D];山東師范大學;2019年

5 張雅春;基于稀疏約束最小二乘光譜解混算法的濕地精細分類[D];哈爾濱師范大學;2018年

6 劉暢;無人機影像‘圖—譜’信息融合在作物氮素診斷中的應用研究[D];西安科技大學;2018年

7 馬偉波;基于HyMAP-C航空高光譜影像土壤重金屬濃度估算[D];中國礦業(yè)大學;2018年

8 宋淑;基于空間信息與網(wǎng)絡學習的高光譜影像分類[D];西安電子科技大學;2018年

9 張文豪;基于特征學習和深度學習的高光譜影像分類[D];西安電子科技大學;2018年

10 王新旺;高光譜影像水面小目標檢測與識別[D];華中科技大學;2018年

本文編號：2893731