论文部分内容阅读
土壤含水量是作物生长的重要因素之一，快速、准确测定农田土壤含水量，对发展精准农业和提高农田科学管理水平具有重要意义。传统的土壤水分测量方法（称重法、中子水分探测法、张力计法）测点少、速度慢、范围有限。常规光学遥感监测方法因波段少、光谱分辨率低，对大区域土壤水分监测误差较大。目前，高光谱遥感因其光谱分辨率高、波段多，已成为土壤含水量监测的重要方法之一，其中一个重要环节是建立高精度的土壤含水量高光谱估测模型。本文利用陕西省横山县84个土样的含水量和350~2500nm波段的高光谱数据，采用多元线性回归、BP神经网络、模糊识别方法探讨了土壤含水量高光谱估测模型。首先，分析了不同土壤类型、不同水分含量情况下的土壤高光谱特性。土壤类型不同反射率不同，随绵沙土、黄绵土、风沙土，沙土反射率依次降低。以黄绵土为例分析得到反射率随含水量增加而呈降低趋势的结论。对比分析土壤含水量10%、含水量10%两种情况在480~520nm、1350~1400nm、1880~1920nm三个区间下的土壤高光谱特性。含水量10%，1350~1400nm波段土壤含水量高光谱特性较敏感；含水量10%，1880~1920nm波段较敏感。其次，采用反射率对数的一阶微分变换、包络线去除及反包络线去除法对光谱数据进行变换，根据相关性原理提取反演因子。反射率对数的一阶微分变换选择1432nm，1546nm，1760nm，1916nm，2060nm波段数据为反演因子；包络线去除及反包络线去除变换选择1414nm、1920nm位置处最大高差（H1），深度面积和/高差面积和（A/A3）,高度面积和/高差面积和（A2/A3）,深度面积和/高度面积和（A/A2）为反演因子。然后，分别采用多元线性回归、BP神经网络、模糊识别方法探讨了土壤含水量高光谱估测模型。对比分析得到1920nm位置处包络线及反包络线去除变换数据作为反演因子所建立模型精度优于其它反演因子；建立模糊识别估测模型，模型决定系数均高于0.98，平均相对误差小于10%，精度优于多元线性回归及BP神经网络估测模型。最后，研发了高光谱数据模糊处理系统，为海量高光谱数据自动化处理和模糊识别法提供技术支持。