基于高光譜的農(nóng)田土壤有機(jī)碳含量預(yù)測(cè)模型研究.pdf

1、近年來(lái)，高光譜技術(shù)在土壤屬性定量分析中獲得了快速的發(fā)展，其快速、便捷、準(zhǔn)確的預(yù)測(cè)能力使得運(yùn)用土壤高光譜預(yù)測(cè)土壤屬性信息受到了廣泛的關(guān)注，相關(guān)研究也日益增多。隨著精準(zhǔn)農(nóng)業(yè)的發(fā)展以及各類(lèi)模型模擬精度要求的提高，研究者們對(duì)土壤數(shù)據(jù)的時(shí)效性和準(zhǔn)確性提出了更高的要求。有機(jī)碳作為土壤重要的組成部分，其對(duì)農(nóng)作物的生長(zhǎng)發(fā)育發(fā)揮著重要的作用，精準(zhǔn)的預(yù)測(cè)農(nóng)田土壤有機(jī)碳的含量對(duì)精準(zhǔn)農(nóng)業(yè)的發(fā)展有著重要的意義，也是未來(lái)農(nóng)業(yè)發(fā)展的必然要求。
　　本研究通過(guò)采

2、集蚌埠市和淮南市接壤的沿淮地區(qū)的土壤樣本，測(cè)量室內(nèi)土壤高光譜數(shù)據(jù)建立反演模型來(lái)預(yù)測(cè)農(nóng)田土壤有機(jī)碳含量。論文較為詳細(xì)的介紹了土壤樣本的采集，室內(nèi)高光譜數(shù)據(jù)的測(cè)量，平滑去噪，四種預(yù)處理方法，特征波段的提取，數(shù)據(jù)主成分降維以及三種土壤機(jī)碳含量光譜預(yù)測(cè)模型建立的過(guò)程，較為系統(tǒng)的實(shí)現(xiàn)了利用高光譜數(shù)據(jù)對(duì)土壤有機(jī)碳含量進(jìn)行建模預(yù)測(cè)的整個(gè)流程。對(duì)原始土壤高光譜數(shù)據(jù)進(jìn)行了包括九點(diǎn)加權(quán)平滑去噪處理，Savitzky-Golay求導(dǎo)（一階導(dǎo)數(shù)、二階導(dǎo)數(shù)），多

3、元散射校正和去包絡(luò)線的預(yù)處理及PCA主成分降維變換。在此基礎(chǔ)上，獲得5種預(yù)處理數(shù)據(jù)和5種主成分?jǐn)?shù)據(jù)，首先利用5種預(yù)處理數(shù)據(jù)結(jié)合偏最小二乘法建立土壤有機(jī)碳預(yù)測(cè)模型，再分別利用這10種數(shù)據(jù)建立多元逐步線性回歸方程和人工神經(jīng)網(wǎng)絡(luò)模型，較為詳細(xì)的介紹了這三種預(yù)測(cè)模型的建立過(guò)程和分析評(píng)價(jià)結(jié)果，對(duì)比分析了全譜數(shù)據(jù)、特征波段以及主成分降維數(shù)據(jù)建立的有機(jī)碳含量預(yù)測(cè)模型的預(yù)測(cè)精度和驗(yàn)證精度。得到的主要論文研究結(jié)果如下：
　?。?）不同有機(jī)碳含量的光

4、譜曲線，在400-2400nm范圍內(nèi)，其基本形態(tài)是一致的，從整個(gè)整體光譜反射率曲線來(lái)看，表現(xiàn)的較為平緩，有三個(gè)明顯的水汽吸收谷，從可見(jiàn)光到近紅外部分波段光譜反射率呈現(xiàn)逐漸增長(zhǎng)狀態(tài)，并且隨著波長(zhǎng)的增加其上升的速率有所不同，大致為可見(jiàn)光部分的上升速率大于近紅外部分的上升速率。對(duì)于不同有機(jī)碳含量的光譜曲線，有機(jī)碳含量越高，其光譜反射率越低，有機(jī)碳含量為24.406 g/Kg-1的光譜曲線反射率大致從10％上升到35％，有機(jī)碳含量為6.383g

5、/Kg-1的光譜曲線反射率大致從10％上升到45％。
　?。?）對(duì)土壤光譜數(shù)據(jù)進(jìn)行了一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、多元散射校正和去包絡(luò)線處理，合理的預(yù)處理方式能夠有效突出土壤光譜特征波段，使光譜曲線的反射峰和吸收谷表現(xiàn)的更加凸顯，便于曲線拐點(diǎn)的尋找，有利于光譜特征波段的選擇。
　?。?）利用相關(guān)系數(shù)對(duì)土壤光譜數(shù)據(jù)和有機(jī)碳含量數(shù)據(jù)進(jìn)行相關(guān)性分析，利用相關(guān)系數(shù)的大小得到了原始數(shù)據(jù)及四種預(yù)處理數(shù)據(jù)的特征波段，利用特征波段建立SMLR和ANN

6、預(yù)測(cè)模型。
　　（4）利用PCA主成分對(duì)原始數(shù)據(jù)、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、多元散射校正及去包絡(luò)線數(shù)據(jù)進(jìn)行數(shù)據(jù)降維處理，利用獲得主成分?jǐn)?shù)據(jù)建立SMLR和ANN預(yù)測(cè)模型，并對(duì)比利用特征波段建立的同種預(yù)測(cè)模型的精度，利用主成分?jǐn)?shù)據(jù)建立的兩種模型（SMLR和ANN）預(yù)測(cè)精度和驗(yàn)證精度都有了明顯的提高。
　?。?）非線性的人工神經(jīng)網(wǎng)絡(luò)模型和多元逐步線性回歸的線性模型方法相比，模型的預(yù)測(cè)精度和驗(yàn)證精度都明顯提高，一階導(dǎo)數(shù)的主成分ANN預(yù)測(cè)模