论文部分内容阅读
近年来,高光谱技术在土壤属性定量分析中获得了快速的发展,其快速、便捷、准确的预测能力使得运用土壤高光谱预测土壤属性信息受到了广泛的关注,相关研究也日益增多。随着精准农业的发展以及各类模型模拟精度要求的提高,研究者们对土壤数据的时效性和准确性提出了更高的要求。有机碳作为土壤重要的组成部分,其对农作物的生长发育发挥着重要的作用,精准的预测农田土壤有机碳的含量对精准农业的发展有着重要的意义,也是未来农业发展的必然要求。 本研究通过采集蚌埠市和淮南市接壤的沿淮地区的土壤样本,测量室内土壤高光谱数据建立反演模型来预测农田土壤有机碳含量。论文较为详细的介绍了土壤样本的采集,室内高光谱数据的测量,平滑去噪,四种预处理方法,特征波段的提取,数据主成分降维以及三种土壤机碳含量光谱预测模型建立的过程,较为系统的实现了利用高光谱数据对土壤有机碳含量进行建模预测的整个流程。对原始土壤高光谱数据进行了包括九点加权平滑去噪处理,Savitzky-Golay求导(一阶导数、二阶导数),多元散射校正和去包络线的预处理及PCA主成分降维变换。在此基础上,获得5种预处理数据和5种主成分数据,首先利用5种预处理数据结合偏最小二乘法建立土壤有机碳预测模型,再分别利用这10种数据建立多元逐步线性回归方程和人工神经网络模型,较为详细的介绍了这三种预测模型的建立过程和分析评价结果,对比分析了全谱数据、特征波段以及主成分降维数据建立的有机碳含量预测模型的预测精度和验证精度。得到的主要论文研究结果如下: (1)不同有机碳含量的光谱曲线,在400-2400nm范围内,其基本形态是一致的,从整个整体光谱反射率曲线来看,表现的较为平缓,有三个明显的水汽吸收谷,从可见光到近红外部分波段光谱反射率呈现逐渐增长状态,并且随着波长的增加其上升的速率有所不同,大致为可见光部分的上升速率大于近红外部分的上升速率。对于不同有机碳含量的光谱曲线,有机碳含量越高,其光谱反射率越低,有机碳含量为24.406 g/Kg-1的光谱曲线反射率大致从10%上升到35%,有机碳含量为6.383g/Kg-1的光谱曲线反射率大致从10%上升到45%。 (2)对土壤光谱数据进行了一阶导数、二阶导数、多元散射校正和去包络线处理,合理的预处理方式能够有效突出土壤光谱特征波段,使光谱曲线的反射峰和吸收谷表现的更加凸显,便于曲线拐点的寻找,有利于光谱特征波段的选择。 (3)利用相关系数对土壤光谱数据和有机碳含量数据进行相关性分析,利用相关系数的大小得到了原始数据及四种预处理数据的特征波段,利用特征波段建立SMLR和ANN预测模型。 (4)利用PCA主成分对原始数据、一阶导数、二阶导数、多元散射校正及去包络线数据进行数据降维处理,利用获得主成分数据建立SMLR和ANN预测模型,并对比利用特征波段建立的同种预测模型的精度,利用主成分数据建立的两种模型(SMLR和ANN)预测精度和验证精度都有了明显的提高。 (5)非线性的人工神经网络模型和多元逐步线性回归的线性模型方法相比,模型的预测精度和验证精度都明显提高,一阶导数的主成分ANN预测模型的决定系数R2高达0.99,均方根误差低至0.03,预测精度R2也到达0.83。 (6)偏最小二乘法是一种基于全谱数据的线性预测方法,对比基于PCA主成分数据的非线性的人工神经网络预测模型,其预测模型精度普遍较高,验证结果精度也是非常高,且其建模时间相对较短,获得的模型结果理解起来也更为简单,解释起来也更加方便。