论文部分内容阅读
利用高光谱遥感建立精确的土壤有机质预测模型,是实现土壤有机质的快速测定、精准农业、土壤碳库估算的必然要求。准确的掌握土壤分布信息是土壤制图及建立土壤数据库的重要依据,对我国土地管理及土地利用规划具有重要的指导意义。土壤高光谱遥感预测模型已被用于土壤有机质、氧化铁、水分等属性的快速测定,其中,偏最小二乘回归(PLSR)因其能够有效解决变量存在的共线性,而被广泛应用于土壤理化性质高光谱预测模型,但模型输入量(高光谱反射率的数学变换形式、波长范围、光谱分辨率等)的确定存在明显的主观性。本研究以实验室测得土壤反射率为研究对象,通过正交试验设计(Orthogonal experimental design,OED)确定土壤有机质PLSR预测模型最优输入量,并运用单一土类(黑土)及不同土壤类型进行了验证。经过验证发现,OED能够有效的确定土壤有机质PLSR模型最优输入量,单一土类(黑土)的最优输入量为光谱分辨率25nm下,1000-2450nm的倒数对数微分(RPD=3.45);不同土壤类型最优输入量为光谱分辨率5nm下,400-2450nm的倒数对数微分(RPD=2.58),两者最优数学变换形式均为倒数对数微分,该结果为土壤有机质PLSR模型预测提供新的途径同时也增强了不同学者研究成果的可比性。为减少模型输入量,本研究绘制了土壤有机质与不同数学变换形式光谱分辨率的相关系数曲线图,分别提取了13个关键点作为PLSR和MSR模型的输入量。结果表明:1)采用关键点作为土壤有机质PLSR预测模型的输入量可以有效减少模型输入量个数并保持与最优输入量相似的预测能力(RPD=3.12,2.33),为有机质含量速测提供了新途径。2)采取关键点作为输入量PLSR土壤有机质预测能力要高于MSR模型,二者均可以满足黑土有机质的快速测定(RPD>3.0),对于不同土壤类型有机质含量预测二者预测能力相似(2.0<RPD<2.5)。3)不同土壤类型由于成土母质、理化性质的不同,土壤光谱特征也存在差异,因此导致模型精度普遍低于单一土类。基于层次的模糊K均值聚类对土壤进行分类,最终将土壤分为五类,分类结果大体与实际采样结果相似。土壤经过光谱分类后,全局模型精度由原来的0.76和2.04提高到0.83和2.42。4)基于光谱特征参数提取的光谱角匹配将土壤光谱曲线分为三类,全局模型预测精度季稳定性均有所提高(0.85和2.60),模型RPD>2.5,有很好的预测能力。综上所述,土壤光谱定量分类能够有效的提高土壤有机质预测模型精度,且基于光谱特征参数的光谱角匹配能够获取较高的预测精度,为土壤光谱分类提供了新的思路。