【摘要】：森林土壤有機(jī)碳是反映土壤肥力的重要內(nèi)容,土壤肥力指示著林地土壤的營(yíng)養(yǎng)狀況。因此,快速測(cè)定土壤有機(jī)碳含量可以實(shí)時(shí)地估測(cè)林區(qū)土壤碳儲(chǔ)量的動(dòng)態(tài)變化。本文應(yīng)用近紅外光譜技術(shù)快速預(yù)測(cè)森林土壤有機(jī)碳含量,充分體現(xiàn)了它測(cè)定快捷、簡(jiǎn)單、無(wú)損等優(yōu)點(diǎn)。文中分別采用偏最小二乘法(PLS)、主成分回歸法(PCR)、BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(SVR)化學(xué)計(jì)量學(xué)算法建立土壤有機(jī)碳含量近紅外模型,同時(shí)在建模過(guò)程中分別探討了多種預(yù)處理方法結(jié)合、譜區(qū)優(yōu)選、主成分壓縮提取、模型參數(shù)優(yōu)選的影響。 (1)應(yīng)用PLS和PCR兩種建模方法比較,采用不同預(yù)處理方法結(jié)合、譜區(qū)優(yōu)選進(jìn)行模型尋優(yōu)。結(jié)果表明,當(dāng)光譜區(qū)域?yàn)閮?yōu)選譜區(qū)(1380-1450nm,1800-1950nm,2050～2300nm),光譜數(shù)據(jù)采用Savitzky-Golay平滑+多元散射校正+一階導(dǎo)數(shù)預(yù)處理,應(yīng)用PLS的建模方法,主成分?jǐn)?shù)為8時(shí),建立的模型有最佳預(yù)測(cè)效果。預(yù)測(cè)均方根誤差(RMSE)為0.5143,預(yù)測(cè)標(biāo)準(zhǔn)差(SEP)為0.5140,預(yù)測(cè)集中預(yù)測(cè)值和實(shí)測(cè)值的相關(guān)系數(shù)為0.7537,滿足精度要求。 (2)利用主成分分析法壓縮提取數(shù)據(jù)的前8個(gè)主成分,最終建立BP神經(jīng)網(wǎng)絡(luò)模型。結(jié)果表明,采用Levengerg-Marquardt優(yōu)化網(wǎng)絡(luò),所得訓(xùn)練集的相關(guān)系數(shù)R為0.8829,均方根誤差為0.4120,校正集的相關(guān)系數(shù)為0.7800,均方根誤差為0.5002,驗(yàn)證集的相關(guān)系數(shù)為0.8494,‘均方根誤差為0.4538,滿足精度要求且有一定的提高。 (3)采用支持向量機(jī)回歸(SVR)方法實(shí)現(xiàn)非線性擬合,同時(shí)對(duì)歸一化方式、核函數(shù)、最佳參數(shù)c和g三種影響參數(shù)進(jìn)行尋優(yōu),從而快速測(cè)定森林土壤有機(jī)碳含量。結(jié)果表明,采用[-1,1]歸一化方式、徑向基核函數(shù)、最佳參數(shù)c=0.5和g--0.0625時(shí),土壤有機(jī)碳含量的預(yù)測(cè)效果為,相關(guān)系數(shù)R=0.8903,均方根誤差RMSE=0.2739,滿足精度要求且有進(jìn)一步的提高。 (4)PLS、BP及SVR模型均能實(shí)現(xiàn)對(duì)森林土壤有機(jī)碳含量的快速預(yù)測(cè),通過(guò)比較,PLS可實(shí)現(xiàn)粗略預(yù)測(cè),BP神經(jīng)網(wǎng)絡(luò)較精確,而SVR最精確。本文為森林土壤有機(jī)碳含量的測(cè)定提供新思路,為施行有效地?fù)嵊芾硖峁├碚撘罁?jù)與技術(shù)支撐。
【學(xué)位授予單位】：東北林業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：S714.2

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李玉文;王楠;孫s，

本文編號(hào)：2657457