论文部分内容阅读
常规的土地资源调查中的土壤数据普查需要大量的采样信息和室内理化分析实验,该方法相对复杂、耗时长、成本高,而且无法大面积的描述土壤属性的空间和时间动态信息。近年来,遥感影像技术和近地传感器技术(Proximal soil sensing,PSS)为土地资源调查与监测提供了新的途径,可以在大范围领域内快速监测和更新土壤属性信息。但是,遥感影像技术对有植被覆盖区域的土壤属性反演仍然面临一些困难。而近地非成像的可见光-近红外(Visible and near-infrared spectroscopy,Vis-NIR)光谱技术具有快速、无损、重复性好、低廉的优点,能够较为客观的揭示特定土壤属性的光谱特性。与室内土壤Vis-NIR光谱测量相比,室外土壤Vis-NIR光谱监测可以有效提高光谱数据的采集效率,能避免土样采集与制备(风干、研磨、过筛等)等工作。但是,室外Vis-NIR光谱观测由于外部环境参数的干扰,如土壤湿度、温度、团聚体、土壤表面等,预测土壤属性的模型精度要低于室内稳定环境下的观测结果。其中,土壤含水量变化对光谱观测具有显著影响,会掩盖土壤属性的光谱吸收特征,会降低估算模型的精度。因此,去除外部环境参数的干扰对提高估算模型的精度至关重要。首先,获取室外原状土与室内过筛土两种Vis-NIR数据(共计78个样本),采用“重铬酸钾-外加热法”测定土壤有机质(Soil organic matter,SOM),采用了原始光谱反射率、差值光谱反射率、包络线去除、一阶微分、二维相关光谱共5种数据分析方法分析了室外原状土、室内过筛土的光谱曲线;其次,基于室内过筛土与室外原状土的Vis-NIR光谱,采用比值、差值、归一化3种二维光谱指数,结合显著性检验提取显著光谱指数,采用线性偏最小二乘回归(Partial least squares regression,PLSR)、非线性支持向量机回归(Support vector machine regression,SVMR)构建反演模型,进行对比分析;最后,通过构建三种数据集(S0用于建模、S1开发转换矩阵、S2用于验证),采用直接标准化(Direct standardization,DS)、外部参数正交化法(External parameter orthogonalization,EPO)、正交信号校正(Orthogonal signal correction,OSC)进行外部参数的消减研究,对比三种消减模型精度(决定系数(coefficient of determination,R2)、均方根误差(root mean square error,RMSE)和 RPD(the ratio of prediction to deviation)3个指标),优选最佳模型。主要研究结果如下:1)室内土壤Vis-NIR光谱与室外土壤Vis-NIR光谱差异显著;土壤水分对近红外光谱区域的影响明显强于可见光,特别是在1450 nm和1940 nm附近的吸水带,可观察到较大的光谱差异,可能掩盖了土壤有机质的特征信息。2)室内过筛土的模型精度要优于室外原状土的模型精度;室内过筛土中,相比一维光谱数据,二维光谱指数的R2最大增加0.18;室外原状土中,相比一维光谱数据,二维光谱指数的R2最大增加0.19。PLSR模型中,室内过筛土的RPD值为1.87-2.05,室外原状土的RPD值为1.65-1.76;SVMR模型中,室内过筛土的RPD值为2.19-2.92,室外原状土的RPD值为1.86-2.06;室内过筛土的模型精度要优于室外原状土的模型精度。非线性PSO-SVMR模型可以提高室外原状土的模型精度,保证了实际应用的灵活性、容错能力,最大RPD值为2.06。3)三种消减算法后的PLSR模型中,OSC-PLSR模型效果最优。EPO算法、OSC算法中的维度g和正交因子参数c对模型精度有一定的影响,在实际应用中需要注意优化调节。本研究中,g取3、c取4即可。从消减模型的预测性能角度来说,OSC-PLSR模型>DS-PLSR模型>EPO-PLSR模型。OSC处理后的室外原状土光谱数据主成分得分空间的位置基本与室内过筛土光谱数据相重合,OSC-PLSR模型的R2pre、RPD分别0.71、1.89,可以实现在室外环境下的SOM近似定量估算。今后,可将OSC-PLSR模型应用于室外环境下的Vis-NIR光谱动态监测SOM信息中。室外土壤Vis-NIR光谱技术提供了一种快捷、无污染的获取手段,极大地丰富了土壤普查的手段,对提升耕地质量动态监测的效率具有重要的实践意义。