论文部分内容阅读
本文以三江源为研究区,以野外采集的149个表层土壤(0~30cm)样本为数据源,从实验室测定的17种土壤特性(包括全氮、全碳、碳氮比、有机质、pH值及硅、铝、铁、镁、锰、砷、铅、锌、镉和铬元素)含量与土壤光谱反射率入手,经过三种平滑方法平滑(Savitzky–Golay平滑、小波变换和九点加权移动平均)和一阶微分变换后的光谱反射率,分别采用相关性分析法、多元逐步回归分析以及遗传算法,筛选主要土壤特性的特征谱段,并构建了各种土壤特性的偏最小二乘回归(PLSR)、BP神经网络(BPNN)和支持向量机(SVM)模型。确定每种土壤特性的最佳估算模型并优选出最佳光谱平滑去噪方法以及最优筛选特征波段方法,并与基于全波段建立的PLSR、BPNN和SVM模型做对比,研究结论如下:(1)利用Savitzky-Golay卷积平滑(SG)、小波变换(WT)和九点加权移动平均(NWA)法对土壤光谱反射率进行平滑去噪,结果表明:在本研究中WT相较于其他两种平滑去噪方法(SG和NWA)更适合去除本研究中土壤样本的光谱反射率噪声;(2)基于PLSR、BPNN和SVM三种方法分别建立的光谱全波段与17种土壤特性含量之间的估算模型,结果表明模型估算能力顺序为SVM模型>BPNN模型>PLSR模型;土壤特性与光谱之间并非简单的线性关系,因此PLSR模型表现出了一定的局限性,而BPNN和SVM模型能够较好的处理光谱与土壤特性之间的非线性关系;(3)基于三种特征波段选择方法,即相关分析法(CA)、多元逐步回归分析方法(SMLR)及遗传算法(GA),分别与PLSR、BPNN和SVM方法相结合构建的估算模型结果表明:对PLSR模型来说,GA>SMLR>CA;对BPNN模型来说,GA>SMLR和CA,而SMLR与CA估算能力基本相当;对SVM模型来说,SMLR>GA>CA。不同的建模方法与最佳模型精度特征波段挑选方法相互选择,应根据不同建模方法去选择相适应的特征波段选择方法,总体来说GA和SMLR这两种挑选特征波段的方法与三种建模方法所构建的模型精度优于CA,今后可以代替传统的CA法去挑选特征波段。(4)相较于全波段建模,特征波段建模精度整体比全波段建模精度低,但特征波段建模所需要的波段少、数据冗余度低、模型运行效率快、模型更加稳定,在该研究区能够代替全波段建模估算土壤特性含量。(5)综合比较全波段与特征波段的估算模型发现,所有模型均对全氮(TN)、全碳(TC)和有机质(SOM)具有极好的估算能力,对硅(Si)、锰(Mn)、铜(Cu)和汞(Hg)元素不具备估算能力;大多数模型对碳氮比(C:N)、pH值、铝(Al)、铁(Fe)、镁(Mg)、砷(As)、铅(Pb)、镉(Cd)和铬(Cr)具有粗略估算能力。故在该研究区高光谱技术对大多数土壤特性的估算起到了有效的作用,但不适合于估算土壤Si、Mn、Cu和Hg四种元素。