耕层土壤含水量高光谱间接估测模型研究
发布时间：2022-02-13 17:13
土壤水分是土壤的重要组成部分,是土地资源评价和作物生长状况监测的重要指标,对农作物生长发育具有不可替代的作用。光学卫星遥感只能探测土壤表层的含水量,无法实现对土壤耕层含水量的快速监测。而传统的以烘干法为主的土壤水分测定方法虽然精度较高,但测量周期较长,过程复杂,费时费力,难以快速准确的获取数据。高光谱遥感由于光谱分辨率高、波段多、信息丰富等优点,为定量监测大面积土壤水分含量提供了新技术。因此,研究土壤表层光谱特性,建立土壤耕层含水量的间接光谱估测模型,对实现光学卫星遥感快速监测土壤耕层含水量及发展精细农业都具有重要意义。本研究以山东省济阳县为研究区,以采集的85个土样的含水量以及其室内外反射率光谱为研究对象,基于表层与耕层含水量之间的相关性,使用不同的方法进行实验,建立了耕层土壤含水量间接光谱估测模型,对耕层土壤含水量进行估测,并通过不同模型之间对比,验证了间接光谱估测模型的有效性。主要研究内容及结论如下:（1）确定了济阳县土壤含水量的敏感波段及特征因子通过使用对比分析法,将土壤的表层光谱与耕层光谱进行分析,接着使用平方、平方根、对数、倒数、一阶微分及其组合等9种光谱变换方法对光谱进行...
【文章来源】：山东农业大学山东省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
技术路线图
山东农业大学硕士论文92数据来源及光谱特性分析2.1研究区概况2.1.1位置境域济阳县位于黄河下游北岸，鲁北平原以南(丁春林，2018)。介于北纬36°41′至37°15′，东经116°52′至117°27′之间，总面积1076.2平方千米。2.1.2气候特征济阳县具有北温带半湿润季风气候特征，四季分明，雨热同时期，光照充足，年平均气温12.8℃，降水量集中在7―9月。2.1.3土地资源济阳县发育在黄河冲积母质上，土层深厚。济阳县的主要土类是潮土共84975公顷，无一级地，次用地面积16013公顷，第三类用地67253公顷，第四类用地980公顷，第五类用地729公顷；包含三个土类，五个亚类，九个土属，84个土种..潮土占土壤面积的99.41%，盐渍土占0.30%，沙土占0.29%。土壤由西南向东北方向分布，其次为沙土，壤土，粘性土，壤土和砂土。2.2数据获取2.2.1土壤含水量数据获取在取样之前，根据所收集的地形、地貌和土地利用状况数据以及与试验区有关的其他数据，合理地确定采样点的分布情况。图2.1济阳县地理位置图Fig2.1GeographicmapofJiyangCounty
耕层土壤含水量高光谱间接估测模型研究10济阳县地形较为平坦，因此根据济阳县地形确定在3至4公里范围内设置一个采样点，每个点使用梅花采样法采集表土(5cm)和耕层土壤(20cm)。在试验区，共选取85个地势较为平坦、地表裸露的耕作区作为取样区，按预定路线在每个取样区随机取样，使用洛阳铲在每个采样点收集约5cm的表土和20cm的耕层土壤样品（如图2.2）。采样时，利用手持GPS仪器对每个土壤样品的土壤类型进行记录，同步定位，共采集85个土壤样品，主要类型为潮土，将每一份土壤样品分为两部分，一部分用于光谱测量，另一部分用于土壤含水量测定。图2.2济阳县样本分布点位图Fig2.2MapofsampledistributionpointsinJiyangCounty在实验室内测定土壤样本的含水量通常使用烘干法（单位：%），步骤如下：首先，将土壤样品容纳在铝盒中，并将铝盒的重量记为m，用精度为0.1g的天平称量其重量，记土壤样品的湿重M。然后将土壤样品放在烘箱内，恒温105℃，烘至土壤样品重量不再发生变化，大约6~8个小时。最后称取烘干土壤样品重量，记作土壤样品的干重Ms。土壤含水量%100mMsMsM。其统计特征如表2-1所示。表2-1土壤含水量统计特征Table2-1StatisticalCharacteristicsofSoilWaterContent土层类型Typeofsoil最大值/%MaximumValue/%最小值/%MinimumValue/%平均值/%AverageValue/%标准/%Standarddeviation/%
【参考文献】：
期刊论文
[1]耕层土壤有机质高光谱间接估测模型[J]. 钟浩,李西灿,翟浩然,周钰. 测绘科学技术学报. 2019(01)
[2]连续小波变换定量反演土壤有机质含量[J]. 王延仓,张兰,王欢,顾晓鹤,庄连英,段龙方,李佳俊,林靖. 光谱学与光谱分析. 2018(11)
[3]基于卫星遥感和再分析数据的青藏高原土壤湿度数据评估[J]. 范科科,张强,史培军,孙鹏,余慧倩. 地理学报. 2018(09)
[4]基于支持向量机的土壤主要盐分离子高光谱反演模型[J]. 王海江,蒋天池,YUNGER John A,李亚莉,田甜,王金刚. 农业机械学报. 2018(05)
[5]卷积神经网络用于近红外光谱预测土壤含水率[J]. 王璨,武新慧,李恋卿,王玉顺,李志伟. 光谱学与光谱分析. 2018(01)
[6]基于秦岭中山区坡面土壤表层水分的预测模型研究[J]. 安彬,肖薇薇. 河南科学. 2017(10)
[7]去除土壤水分对高光谱估算土壤有机质含量的影响[J]. 于雷,洪永胜,朱亚星,黄鹏,何琦,QI Feng. 光谱学与光谱分析. 2017(07)
[8]BP神经网络和SVM模型对施加生物炭土壤水分预测的适用性[J]. 王彤彤,翟军海,何欢,郑纪勇,涂川. 水土保持研究. 2017(03)
[9]土壤水与有机质对高光谱的作用及交互作用规律[J]. 尚璇,李西灿,徐邮邮,刘莎莎. 中国农业科学. 2017(08)
[10]艾比湖流域不同土地覆盖类型土壤养分高光谱反演模型研究[J]. 蒋烨林,王让会,李焱,李成,彭擎,吴晓全. 中国生态农业学报. 2016(11)
硕士论文
[1]冀南地区高校小型体育馆围护结构节能优化研究[D]. 朱笛.河北工程大学 2019
[2]土壤有机质高光谱灰色关联估测的修正模型研究[D]. 苗传红.山东农业大学 2019
[3]济阳县潮土光谱特性及含水量估测[D]. 丁春林.山东农业大学 2018
[4]基于模糊识别的土壤含水量高光谱预测模型研究[D]. 徐邮邮.山东农业大学 2018
[5]土壤有机质高光谱灰色关联度估测模型研究[D]. 李明亮.山东农业大学 2017
[6]高光谱图像中条带噪声去除方法研究[D]. 刘七华.电子科技大学 2012
[7]基于实测高光谱数据的地表土壤水分含量反演研究[D]. 吉别克·哈力克巴义.新疆大学 2011
本文编号：3623591
【文章来源】：山东农业大学山东省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
技术路线图
山东农业大学硕士论文92数据来源及光谱特性分析2.1研究区概况2.1.1位置境域济阳县位于黄河下游北岸，鲁北平原以南(丁春林，2018)。介于北纬36°41′至37°15′，东经116°52′至117°27′之间，总面积1076.2平方千米。2.1.2气候特征济阳县具有北温带半湿润季风气候特征，四季分明，雨热同时期，光照充足，年平均气温12.8℃，降水量集中在7―9月。2.1.3土地资源济阳县发育在黄河冲积母质上，土层深厚。济阳县的主要土类是潮土共84975公顷，无一级地，次用地面积16013公顷，第三类用地67253公顷，第四类用地980公顷，第五类用地729公顷；包含三个土类，五个亚类，九个土属，84个土种..潮土占土壤面积的99.41%，盐渍土占0.30%，沙土占0.29%。土壤由西南向东北方向分布，其次为沙土，壤土，粘性土，壤土和砂土。2.2数据获取2.2.1土壤含水量数据获取在取样之前，根据所收集的地形、地貌和土地利用状况数据以及与试验区有关的其他数据，合理地确定采样点的分布情况。图2.1济阳县地理位置图Fig2.1GeographicmapofJiyangCounty
耕层土壤含水量高光谱间接估测模型研究10济阳县地形较为平坦，因此根据济阳县地形确定在3至4公里范围内设置一个采样点，每个点使用梅花采样法采集表土(5cm)和耕层土壤(20cm)。在试验区，共选取85个地势较为平坦、地表裸露的耕作区作为取样区，按预定路线在每个取样区随机取样，使用洛阳铲在每个采样点收集约5cm的表土和20cm的耕层土壤样品（如图2.2）。采样时，利用手持GPS仪器对每个土壤样品的土壤类型进行记录，同步定位，共采集85个土壤样品，主要类型为潮土，将每一份土壤样品分为两部分，一部分用于光谱测量，另一部分用于土壤含水量测定。图2.2济阳县样本分布点位图Fig2.2MapofsampledistributionpointsinJiyangCounty在实验室内测定土壤样本的含水量通常使用烘干法（单位：%），步骤如下：首先，将土壤样品容纳在铝盒中，并将铝盒的重量记为m，用精度为0.1g的天平称量其重量，记土壤样品的湿重M。然后将土壤样品放在烘箱内，恒温105℃，烘至土壤样品重量不再发生变化，大约6~8个小时。最后称取烘干土壤样品重量，记作土壤样品的干重Ms。土壤含水量%100mMsMsM。其统计特征如表2-1所示。表2-1土壤含水量统计特征Table2-1StatisticalCharacteristicsofSoilWaterContent土层类型Typeofsoil最大值/%MaximumValue/%最小值/%MinimumValue/%平均值/%AverageValue/%标准/%Standarddeviation/%
【参考文献】：
期刊论文
[1]耕层土壤有机质高光谱间接估测模型[J]. 钟浩,李西灿,翟浩然,周钰. 测绘科学技术学报. 2019(01)
[2]连续小波变换定量反演土壤有机质含量[J]. 王延仓,张兰,王欢,顾晓鹤,庄连英,段龙方,李佳俊,林靖. 光谱学与光谱分析. 2018(11)
[3]基于卫星遥感和再分析数据的青藏高原土壤湿度数据评估[J]. 范科科,张强,史培军,孙鹏,余慧倩. 地理学报. 2018(09)
[4]基于支持向量机的土壤主要盐分离子高光谱反演模型[J]. 王海江,蒋天池,YUNGER John A,李亚莉,田甜,王金刚. 农业机械学报. 2018(05)
[5]卷积神经网络用于近红外光谱预测土壤含水率[J]. 王璨,武新慧,李恋卿,王玉顺,李志伟. 光谱学与光谱分析. 2018(01)
[6]基于秦岭中山区坡面土壤表层水分的预测模型研究[J]. 安彬,肖薇薇. 河南科学. 2017(10)
[7]去除土壤水分对高光谱估算土壤有机质含量的影响[J]. 于雷,洪永胜,朱亚星,黄鹏,何琦,QI Feng. 光谱学与光谱分析. 2017(07)
[8]BP神经网络和SVM模型对施加生物炭土壤水分预测的适用性[J]. 王彤彤,翟军海,何欢,郑纪勇,涂川. 水土保持研究. 2017(03)
[9]土壤水与有机质对高光谱的作用及交互作用规律[J]. 尚璇,李西灿,徐邮邮,刘莎莎. 中国农业科学. 2017(08)
[10]艾比湖流域不同土地覆盖类型土壤养分高光谱反演模型研究[J]. 蒋烨林,王让会,李焱,李成,彭擎,吴晓全. 中国生态农业学报. 2016(11)
硕士论文
[1]冀南地区高校小型体育馆围护结构节能优化研究[D]. 朱笛.河北工程大学 2019
[2]土壤有机质高光谱灰色关联估测的修正模型研究[D]. 苗传红.山东农业大学 2019
[3]济阳县潮土光谱特性及含水量估测[D]. 丁春林.山东农业大学 2018
[4]基于模糊识别的土壤含水量高光谱预测模型研究[D]. 徐邮邮.山东农业大学 2018
[5]土壤有机质高光谱灰色关联度估测模型研究[D]. 李明亮.山东农业大学 2017
[6]高光谱图像中条带噪声去除方法研究[D]. 刘七华.电子科技大学 2012
[7]基于实测高光谱数据的地表土壤水分含量反演研究[D]. 吉别克·哈力克巴义.新疆大学 2011
本文编号：3623591
本文链接：https://www.wllwen.com/shoufeilunwen/zaizhiyanjiusheng/3623591.html
教材专著
