為了探討既能保留光譜信息又能準(zhǔn)確對(duì)土壤有機(jī)質(zhì)含量進(jìn)行快速檢測(cè)。以新疆南部渭干河—庫(kù)車綠洲內(nèi)部73個(gè)土壤樣點(diǎn)及其對(duì)應(yīng)的高光譜數(shù)據(jù)為研究對(duì)象,采用小波變換與數(shù)學(xué)變換進(jìn)行光譜數(shù)據(jù)預(yù)處理,分析各小波分解重構(gòu)光譜在不同有機(jī)質(zhì)含量與不同土壤類型下光譜曲線差異,通過(guò)相關(guān)分析確定最大小波分解層并篩選敏感波段,結(jié)合灰色關(guān)聯(lián)分析與隨機(jī)森林預(yù)測(cè)分類模型對(duì)各小波分解特征光譜進(jìn)行重要性分析,最后基于最優(yōu)特征光譜建立多元線性預(yù)測(cè)模型并進(jìn)行分析。結(jié)果表明:（1）耕作土壤與林地土壤光譜曲線波段相較鹽漬土壤和荒漠土壤光譜曲線變化較為平緩,同時(shí)在水分吸收波段處,鹽漬土壤光譜曲線吸收谷最深。（2）小波變換分解光譜與土壤有機(jī)質(zhì)含量的相關(guān)性隨著分解層數(shù)增加呈現(xiàn)先減后增趨勢(shì),在第6層中,特征光譜曲線與敏感波段數(shù)量變化趨于穩(wěn)定,確定為小波變換最大分解層。（3）隨機(jī)森林模型相比灰色關(guān)聯(lián)分析對(duì)于各小波分解層因子的篩選符合預(yù)期,按照對(duì)土壤有機(jī)質(zhì)含量影響從高到低排序?yàn)長(zhǎng)3-（1/LgR）′、L4-（1/LgR）′、L6-（1/LgR）′、L5-（1/LgR）′、L2-（1/LgR）′、L0-1/LgR、L1-1/LgR。（4）在小波分解光... 

【文章來(lái)源】：干旱區(qū)地理. 2019,42(06)北大核心CSCD

【文章頁(yè)數(shù)】：11 頁(yè)

【部分圖文】：

確口E日牙30尸E咫.OOE

8－0．527注:Band代表最大相關(guān)系數(shù)波段的所在位置，Ｒ代表最大相關(guān)系數(shù)，L0代表沒有經(jīng)過(guò)小波變換的原始光譜圍的2281nm波段周圍。2．5SOM與重構(gòu)光譜重要性分析以SOM含量為因變量，在L0至L6小波分解光譜中，選擇每一層及其9種數(shù)學(xué)變換中相關(guān)系數(shù)最大的波段的反射率共7種因子作為模型的自變量，建立隨機(jī)森林分類預(yù)測(cè)模型，表5為ＲF模型精度擬合結(jié)果。觀察得，訓(xùn)練集的Ｒ2為0．68，ＲMSE為2．11，測(cè)試集Ｒ2為0．70，ＲMSE為2．45。圖4列出了7種因子對(duì)SOM含量的影響貢獻(xiàn)度，即L0-1/LgＲ、L1-1/LgＲ、L2-(1/LgＲ)'、L3-(1/LgＲ)'、L4-(1/LgＲ)'、L5-(1/LgＲ)'、L6-(1/LgＲ)'，同時(shí)MeanDecreaseAccuracy分別為17．41、12．97、8．04、6．82、6．16、2．87、2．74，并按照從高到低進(jìn)行排序。由圖4觀察得，對(duì)SOM含量影響較大的因子為L(zhǎng)3-(1/LgＲ)'，其次為L(zhǎng)4-(1/LgＲ)'、L6-(1/LgＲ)'、L5-(1/LgＲ)'、L2-(1/LgＲ)'、L0-1/LgＲ、L1-1/LgＲ。小波分解光譜中頻范圍，即L3與L4層結(jié)合(1/LgＲ)'數(shù)學(xué)變換對(duì)SOM預(yù)測(cè)貢獻(xiàn)度最大，高頻與低頻范圍，即L2、L5、L6層結(jié)合(1/LgＲ)'表5SOM含量隨機(jī)森林模型模擬精度Tab．5SimulationaccuracyofrandomorganicforestmodelofsoilorganicmattercontentＲ2ＲMSE訓(xùn)練集0．682．11測(cè)試集0．702．45圖4土壤有機(jī)質(zhì)含量在各小波分解特征光譜的變量重要性Fig．4Importanceofsoilorganicmattercontentinthespectralcharacteristicsofeachwaveletdecompositi

3討論本研究結(jié)果表明，通過(guò)小波變換分解光譜結(jié)合數(shù)學(xué)微分變換與隨機(jī)森林重要性參數(shù)分類方法，優(yōu)選有效的特征波段，將所得結(jié)果作為SOM含量多元線性模型預(yù)測(cè)的重要因子，可以有效的實(shí)現(xiàn)干旱區(qū)SOM含量的快速估測(cè)。研究區(qū)為典型的內(nèi)陸干旱區(qū)，綠洲邊緣部分鹽漬化與荒漠化現(xiàn)象明顯，長(zhǎng)年累月侵蝕內(nèi)部農(nóng)田，通過(guò)分析農(nóng)田土壤、林地土壤與鹽漬土壤、荒漠土壤在相同SOM含量下光譜曲線的差異，發(fā)現(xiàn)富含養(yǎng)分的土壤類型與貧瘠土壤類型的光譜曲線在水分波段吸收谷與整體波動(dòng)存在很大差異，結(jié)合小波變換，凸顯和簡(jiǎn)化了不同土壤類型光譜曲線的差異。根據(jù)SHI等［28］研究土壤光譜曲線反射率隨著SOM含量的升高總體呈下降的趨勢(shì)，同時(shí)SOM含量與光譜反射率的相關(guān)系數(shù)較高峰值集中在400nm、800nm、1400nm與2200nm范圍內(nèi)。如圖2、圖3和表3所示，本研究中，不同SOM含量下與不同類型土壤的分解特征光譜符合SHI等［28］研究，同時(shí)SOM含量與各小波分解特征光譜的相關(guān)系數(shù)高值集中在2200nm范圍內(nèi)。高光譜遙感的本質(zhì)是將待測(cè)物連續(xù)通道的電磁波譜信息轉(zhuǎn)化為光信號(hào)，常用的光譜去噪聲手段以微分處理、S-G平滑、多元散射校正與標(biāo)準(zhǔn)正態(tài)變換等方法為主，上述方法在光信號(hào)處理上較為適用，但是這些方法在對(duì)光譜數(shù)據(jù)去噪的同時(shí)難免會(huì)引入新的噪聲，而小波變換憑借在時(shí)域和頻域?qū)τ谛盘?hào)的局部化分析能力，通過(guò)伸縮平移對(duì)信號(hào)逐步進(jìn)行多尺度細(xì)化，最終達(dá)到高頻與低頻處信號(hào)的細(xì)分，在保留原狀信號(hào)的同時(shí)，盡可能的分離噪聲，是一種較好的電信號(hào)噪聲去除方法。結(jié)合相關(guān)性分析與分解光譜特征分析的結(jié)果，本文確定最佳SOM特征光譜的小波分解層數(shù)?

【參考文獻(xiàn)】：
期刊論文
[1]基于高光譜的不同人類干擾程度下荒漠土壤有機(jī)質(zhì)含量估算模型[J]. 鄭曼迪,熊黑鋼,喬娟峰,劉靖朝.  干旱區(qū)地理. 2018(02)
[2]基于寬波段與窄波段綜合光譜指數(shù)的土壤有機(jī)質(zhì)遙感反演[J]. 鄭曼迪,熊黑鋼,喬娟峰,劉靖朝.  激光與光電子學(xué)進(jìn)展. 2018(07)
[3]基于高光譜多尺度分解的土壤含水量反演[J]. 蔡亮紅,丁建麗.  激光與光電子學(xué)進(jìn)展. 2018(01)
[4]去除土壤水分對(duì)高光譜估算土壤有機(jī)質(zhì)含量的影響[J]. 于雷,洪永勝,朱亞星,黃鵬,何琦,QI Feng.  光譜學(xué)與光譜分析. 2017(07)
[5]干旱區(qū)典型綠洲土壤有機(jī)質(zhì)含量分布特征及其影響因素[J]. 唐夢(mèng)迎,丁建麗,夏楠,魏陽(yáng),馮娟,譚嬌.  土壤學(xué)報(bào). 2017(03)
[6]基于高光譜數(shù)據(jù)的土壤有機(jī)質(zhì)含量反演模型比較[J]. 葉勤,姜雪芹,李西燦,林怡.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2017(03)
[7]基于隨機(jī)森林的遙感干旱監(jiān)測(cè)模型的構(gòu)建[J]. 沈潤(rùn)平,郭佳,張婧嫻,李洛晞.  地球信息科學(xué)學(xué)報(bào). 2017(01)
[8]小波包-局部最相關(guān)算法提高土壤有機(jī)碳含量高光譜預(yù)測(cè)精度[J]. 張銳,李兆富,潘劍君.  農(nóng)業(yè)工程學(xué)報(bào). 2017(01)
[9]基于小波變換的礦物油熒光光譜數(shù)據(jù)處理方法[J]. 陳至坤,張菡潔,王玉田,王福斌.  激光雜志. 2016(10)
[10]基于小波變換與偏最小二乘耦合模型估測(cè)北方潮土有機(jī)質(zhì)含量[J]. 王延倉(cāng),楊貴軍,朱金山,顧曉鶴,徐鵬,廖欽洪.  光譜學(xué)與光譜分析. 2014(07)

碩士論文
[1]官?gòu)d水庫(kù)消落帶土壤有機(jī)質(zhì)分布特征及其高光譜反演研究[D]. 李洪.首都師范大學(xué) 2014



本文編號(hào)：3358448