基于光谱反射率的中亚热带土壤CEC含量预测建模研究

发布时间：2019-11-30 04:18

【摘要】：土壤阳离子交换量(CEC)是土壤的基本理化性质,是淋溶土、富铁土、铁铝土三大土纲系统分类的主要参考依据。传统的CEC测定方式费时费力,而光谱技术具成本低、无污染、方便快捷的优点,因此研究如何利用土壤光谱预测土壤CEC含量具有重要意义。本文以光谱反射率预测土壤CEC含量为研究目标,以中国南方中亚热为研究区,研究区包括了淋溶土、富铁土、铁铝土三大土纲的过渡带,野外采集得到501个土壤样本,测定各样本的CEC含量、有机质含量、p H值以及机械组成,同时测定样本光谱反射率。在光谱数据预处理的基础上,对反射率进行了4种形式的光谱变换,对土壤样本采用4种分类方式进行分类。分析CEC的光谱特征,用3种方法提取土壤CEC的特征波段。分别利用偏最小二乘(PLSR)和BP神经网络构建了土壤CEC的直接、间接预测模型。主要结论如下:(1)确定了土壤CEC的光谱特征波段基于土壤反射率及其一阶微分(R′)、二阶微分(R′′)、倒数的对数(log(1/R))、去包络线4种变换形式,分别采用相关分析、多元逐步回归、遗传算法筛选得到土壤CEC的光谱特征波段共154个,包括:491-518nm、767-781nm、785-788nm、1224-1238nm、1413-1432nm、1440-1445nm、1890-1920nm、1526nm、1994-2003nm、2118-2130nm、2225-2235nm。(2)建立了土壤CEC的光谱直接预测模型本文参考前人研究成果,确定了CEC含量的影响因子,包括有机质含量、土壤质地、土壤p H和土壤成土母质。为获得更高的模型精度,对样本采用按光谱特征、光谱结合CEC影响因子、按成土母质、按土壤质地4种方式进行分类,在光谱变换、样本分类的基础上,以全波段和特征波段为建模波段,分别利用PLSR和BP神经网络方法建立了土壤CEC的光谱预测模型。(3)建立了土壤CEC的光谱间接预测模型为探讨更全面的土壤CEC的光谱预测方式,本文首先建立了CEC影响因子(土壤有机质、黏粒、砂粒含量)的光谱预测模型,然后以有机质、黏粒、砂粒、土壤p H值为输入变量,建立了基于CEC影响因子的CEC预测模型,进而达到光谱对土壤CEC含量间接预测的目的。(4)优选确定土壤CEC光谱预测的最佳解决方案对比(2)(3)中建立的各类预测模型,得出:全波段参与建模、一阶微分(R′)的光谱变换形式、按光谱特征分类的样本分类方式、BP神经网络方法下的光谱直接建模是土壤CEC光谱预测的最优解决方案,其R2和RPD分别为0.636和1.78,精度较原始光谱预测模型(R2和RPD分别为0.371和1.43)有较大提升。研究可为淋溶土、富铁土、铁铝土三大土纲的确定提供快捷、高效的CEC含量测定新思路。
【学位授予单位】：华中农业大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：O657.3;S153

【参考文献】

相关期刊论文 前10条

1 宋迪思;盛浩;周清;周萍;王翠红;张杨珠;;不同母质发育土壤的中红外吸收光谱特征[J];土壤通报;2016年01期

2 张华东;阮陆宁;;偏最小二乘回归在R软件中的实现及其优缺点剖析[J];科技广场;2015年11期

3 刘艳芳;卢延年;郭龙;肖丰涛;陈奕云;;基于地类分层的土壤有机质光谱反演校正样本集的构建[J];土壤学报;2016年02期

4 王德彩;张俊辉;;基于Vis-NIR光谱的土壤质地BP神经网络预测[J];天津农业科学;2015年08期

5 李媛媛;李微;刘远;郭锡杰;牟蒙;刘长发;;基于高光谱遥感土壤有机质含量预测研究[J];土壤通报;2014年06期

6 王凯龙;熊黑钢;张芳;;基于PLSR-BP复合模型的绿洲土壤pH高光谱反演[J];干旱区研究;2014年06期

7 史舟;王乾龙;彭杰;纪文君;刘焕军;李曦;Raphael A VISCARRA ROSSEL;;中国主要土壤高光谱反射特性分类与有机质光谱预测模型[J];中国科学:地球科学;2014年05期

8 魏昌龙;赵玉国;李德成;张甘霖;邬登巍;陈吉科;;基于相似光谱匹配预测土壤有机质和阳离子交换量[J];农业工程学报;2014年01期

9 白燕英;魏占民;刘全明;郭桂莲;刘霞;;基于高光谱的河套灌区农田表层土壤质地反演研究[J];地理与地理信息科学;2013年05期

10 徐驰;曾文治;伍靖伟;黄介生;高鸿永;付毓;;内蒙古河套灌区土壤含盐量和pH高光谱反演研究[J];灌溉排水学报;2013年03期

相关博士学位论文 前5条

1 章海亮;基于光谱和高光谱成像技术的土壤养分及类型检测与仪器开发[D];浙江大学;2015年

2 纪文君;基于野外vis-NIR高光谱的土壤属性预测及田间水分影响去除研究[D];浙江大学;2014年

3 陈红艳;土壤主要养分含量的高光谱估测研究[D];山东农业大学;2012年

4 郑光辉;江苏部分地区土壤属性高光谱定量估算研究[D];南京大学;2011年

5 刘伟东;高光谱遥感土壤信息提取与挖掘研究[D];中国科学院研究生院（遥感应用研究所）;2002年

相关硕士学位论文 前8条

1 文虎;绿洲农田盐碱斑土壤表层盐分和pH值的光谱特征研究[D];新疆农业大学;2016年

2 廖松有;模糊C均值与K均值聚类算法及其并行化[D];太原科技大学;2013年

3 项宏亮;应用高光谱技术区分土壤类型的初步探讨[D];安徽师范大学;2013年

4 李曦;基于高光谱遥感的土壤有机质预测建模研究[D];浙江大学;2013年

5 魏娜;土壤含水量高光谱遥感监测方法研究[D];中国农业科学院;2009年

6 丁国香;基于神经网络的土壤有机质及全铁含量的高光谱反演研究[D];南京信息工程大学;2008年

7 郝冉;PLS路径建模在2007北京市诚信调查中的应用研究[D];首都经济贸易大学;2008年

8 谢伯承;基于高光谱遥感不同发生层土壤的光谱信息的提取研究[D];西北农林科技大学;2004年

，

本文编号：2567758