日韩高清在线亚洲专区,娇软尤物H糙汉1v1,欧美乱妇无码大片在线观看

應用案例

聯系我們

電話：86-0755-23229824

手機：18948346937 / 13510373651

郵箱：[email protected]

地址：深圳市寶安區沙井街道后亭茅洲山工業園工業大廈全至科技創新園科創大廈11層C

微信：

微信客服號：

抖音官方號：

立即溝通

基于表層土壤光譜的耕層土壤有機質間接估測

摘要
關聯產品和配置

基于表層土壤光譜的耕層土壤有機質間接估測

有機質是土壤的重要組成部分，為農作物的生長提供必要的營養成分，具有涵養水源、改良土壤等作用，其含量也是衡量土壤質量的重要指標之一。因此，快速、準確地對土壤有機質含量進行監測，具有重要的實踐意義。傳統的土壤有機質含量測定方法需要在野外采集土壤樣品，通過化學方法測定與分析，該方法時效低、成本高、代表性不足，會對土壤造成一定的傷害，無法做到快速、無損地監測區域土壤有機質含量。高光譜遙感技術憑其大尺度、快速、精準、無損等優勢，為實現土壤養分的監測,提供了新的思路。許多學者已在土壤光譜特性分析、光譜數據變換、估測因子提取、估測建模等方面取得了豐富成果。管延龍等采集0～20cm深度土樣對天山北麓土壤有機質含量進行高光譜建模估測。于雷等采集湖北省20cm深度的耕層土樣高光譜數據通過小波變換構建土壤有機質含量反演模型。李西燦等通過在陜西省橫山縣采集到的0～20cm深度土樣采用模糊識別方法進行土壤有機質含量估測。陳奕云等采用江漢平原濱湖地區的0～20cm耕層土壤開展顧及土壤濕度的土壤有機質高光譜預測模型傳遞研究。目前大部分成果是基于深度為0～20cm的耕層土壤數據進行研究，由于航空及航天遙感僅能獲取深度為0～5cm的表層土壤高光譜數據，使得當前的很多研究成果無法與航空及航天遙感數據結合起來，這制約著遙感技術在監測耕層土壤有機質方面的應用。一般情況下，表層土壤水含量通常低于耕層土壤水含量（除農田灌溉、雨后等特殊情況），而土壤水含量低時，土壤水分與有機質的交互作用較弱，且土壤反射光譜受土壤水分的影響較小，有利于土壤有機質含量的估測。耕層土壤與表層土壤的有機質含量并不相同，但二者同屬于土壤淺部，具有密切的聯系，存在一定的相關性。因此，利用表層土壤與耕層土壤有機質含量的內在關聯性，基于表層土壤光譜信息實現耕層土壤有機質含量間接估測具有重要實踐意義。本研究利用在山東省濟南市章丘區采集的表層與耕層各76個土壤樣本數據，基于表層土壤光譜信息，借助BP神經網絡（backpropagationneuralnetwork，BPNN）、支持向量機回歸（supportvectorregression，SVR）、多元線性回歸（multiplelinearregression，MLR）建模估測方法，實現對耕層土壤有機質含量的間接估測。旨在為利用光學衛星遙感技術快速估測耕層土壤有機質含量等土壤性狀指標提供技術參考。

1 材料與方法

1.1 試驗區概況
本研究試驗區選在濟南市章丘區。章丘區（36°25′～37°09′N，117°10′～117°35′E）位于濟南市區東約50km處，地處泰沂山區北麓，地勢自東南向西北傾斜，屬暖溫帶季風區的大陸性氣候，光照資源豐富，年均降水量一般為500mm～700mm之間。境內土壤共分4個土類，11個亞類，20個土屬，87個土種。其中褐土和潮土分別占總利用面積的70.2%和27.6%。

1.2 光譜測量與樣本采集

數據采集時間為2017年3月，在試驗區選擇地勢平坦、土壤裸露的田地。在無云無風的正午時間段，采用萊森光學的iSpecField-WNIR便攜式野外光譜儀進行反射光譜測定。光譜儀的波長范圍為350～2500nm，采集時探頭與土壤保持15cm距離，用3°視場角進行垂直照射，350～1000nm之間的光譜分辨率為3nm，1000nm～2500nm之間的光譜分辨率為10nm。經過自動內插，光譜重采樣間隔為1nm。
土壤反射率測量完畢后，分別采集樣點表層和耕層土壤樣本各76個用于化驗土壤有機質含量，并用手持GPS儀進行同步定位。土壤樣本類型均為褐土，取樣農田的農作物類型為冬小麥。采樣點空間分布如圖1所示。

圖1 土壤樣本空間分布圖

從圖1可見，除東南和西南山區外，采樣點空間分布均勻，采樣區覆蓋章丘大部分地區。

1.3 土壤有機質含量的測定

在實驗室內，采用重鉻酸鉀-外加熱法對土壤樣本有機質含量進行測定，其統計特征如表1所示。

表1 土壤有機質含量統計特征

特征指標	表層土樣	耕層土樣
最小值/g·kg-1	9.626	7.765
最大值/g·kg-1	29.387	23.647
平均值/g·kg-1	20.761	15.794
標準差/g·kg-1	5.114	4096
變異系數/%	24.635	25.932

由表1可見，對比兩類土壤樣本有機質含量的平均值、最大值與最小值，耕層土壤樣本有機質含量總體上低于表層土壤樣本。

1.4 光譜數據預處理

利用View Spec Pro軟件對光譜數據的斷點處進行修正。由于多種因素的影響，光譜曲線存在大量細小噪聲。研究表明，原始光譜經過微分變換后，高頻噪聲會被放大，遮蔽微分變換后的波形輪廓，使試驗結果精度降低。為了使數據更加平穩便于分析，通過MATLAB2014b編程實現光譜反射率的小波去噪。經過反復試驗最終選擇小波基函數為db5，分解層數為3，使用wrcoef函數TYPE類型為a，重構數據得到去噪之后的光譜反射率。

1.5 異常樣本的剔除

由于光譜測量受到研究區環境、光譜測試條件、人為干擾和土壤理化性狀等因素的影響，使得某些樣本光譜數據出現異常，會對估測結果產生較大影響，因此剔除異常數據。根據光譜反射率與土壤有機質含量成負相關的關系，按照土壤有機質含量對76個樣本排序，繪制光譜曲線圖，綜合考慮土壤含水量與其他因素的影響，觀察曲線走勢，剔除光譜曲線明顯異常的樣本。其方法如圖2所示。

圖2 異常樣本剔除

圖2中，5個樣本有機質含量較為接近，但箭頭所示32號樣本的光譜曲線明顯異常，故予以剔除。使用以上方法，本研究共剔除了5個異常樣本，其樣本號分別為：12、32、57、60、64。

1.6 光譜數據變換

為了增強原始光譜數據中不明顯的特征差異，提高表層土壤光譜數據與耕層土壤有機質含量之間的相關性，利用反射率一階微分、平方根的一階微分、對數倒數的一階微分等10種數學變換方法對原始光譜反射率進行變換，取△λ=10nm。其中，對數倒數一階微分、對數的一階微分的變換效果最好，平方根倒數一階微分和一階微分變換在少部分有機質敏感波段處相關系數能接近0.6，但是在相同波段下，對數倒數一階微分或對數的一階微分相關系數更高，其他變換方法相關系數相對于原始光譜并沒有提高，因此選擇變換效果最好的兩種方法做變換前后的相關系數如圖3所示。

圖3 表層光譜與耕層有機質含量的相關系數曲線

在1350～1450nm和1800～1950nm波長范圍內，因光譜反射率受大氣水汽吸收的影響強烈，光譜噪聲大，故予以剔除。
由圖3可見，光譜反射率變換值與有機質含量的相關性較原始相關性有了較大提高，在550nm附近、1200～1300nm、1500～1650nm、2000～2130nm與2290～2340nm波長范圍內，對數倒數一階微分變換后相關系數均有明顯的提高，相關系數最高達到0.80左右。在800～900nm處對數一階微分變換后相關系數提高，最高處接近0.7。

1.7 估測因子提取

在對數倒數一階微分和對數的一階微分變換后的光譜反射率中，以相關系數高于0.5為原則，盡可能離散地選取43個特征波段，部分波段如表2所示。

表2 特征波段

對數倒數一階微分		對數一階微分
波段/nm	相關系數R2	波段/nm	相關系數R2
376	0.543	691	0.551
396	0.56	856	0.665
438	0.63	819	0.642
524	0.667
…	…
2317	-0.759

主成分分析在處理大數據方面具有顯著優勢，可以診斷自變量間的共線性，在保留原有信息的基礎上達到降維的效果。因此，使用IBM SPSS Statistics 23軟件進行主成分分析，結果如表3所示。

表3 PCA 特征值及貢獻率

主成分	特征值	方差貢獻率/%	累計貢獻率/%
1	29.943	69.635	69.635
2	3.969	9.23	78.864
3	2.3	5.348	84.213
4	1.727	4.016	88.228
5	1.073	2.495	90.723

如果特征值小于1，說明這個主成分的影響程度還不如一個基本的變量。從表3可見，前五個成分的特征值均大于1且累計貢獻率達到90%，因此選取前五個主成分作為建模的估測因子。

1.8 建模方法

由于土壤有機質含量與光譜數據之間存在非線性關系，而BPNN模型對解決非線性問題具有較強的能力，因此本研究主要利用BPNN方法建立估測模型，并與SVR、MLR方法作對比分析。耕層土壤有機質間接估測的基本思路是基于耕層土壤有機質含量與表層土壤光譜信息的間接關聯性，利用基于表層土壤光譜提取的估測因子建立耕層土壤有機質含量估測模型，從而實現耕層土壤有機質含量光譜估測。利用決定系數R2、平均相對誤差（mean relative error，MRE）和均方根誤差（root mean squared error，RMSE）評定模型的估測精度。

    2 結果與分析
    2.1 耕層土壤與表層土壤有機質之間的內在關系
    雖然耕層土壤與表層土壤同屬于土壤淺部，但表層土壤與耕層土壤在溫度、濕度、光照、通風、微生物等條件存在較大差異，因此二者的有機質含量并不相同。一般耕層土壤有機質更容易被微生物分解，因此在正常情況下耕層土壤有機質含量會低于表層土壤。本研究區耕層土壤與表層土壤有機質含量之間存在的關系，如圖4所示。

圖4 表層與耕層土壤有機質的實測值關系圖

圖4可見，耕層土壤與表層土壤有機質含量之間R2達到0.839，再利用IBM SPSS Statistics 23軟件對表層土壤和耕層土壤有機質含量實測值做相關性檢驗，檢驗結果中顯著性P=2.851*10-28，而當P<0.01時，就可以說數據間存在顯著的相關性。因此，綜合考慮R2與P值，耕層土壤與表層土壤有機質含量之間存在顯著的相關性。這為利用表層土壤光譜信息實現耕層有機質含量的間接估測提供理論支持。

2.2 基于表層土壤光譜特征的耕層土壤有機質間接估測結果

通過MATLAB 2014b編程實現BPNN建模，將5個估測因子與耕層土壤有機質含量作為輸入值，當學習速率為0.001，目標最小誤差為0.001，最大訓練次數1000次，隱含層節點個數為10個時，模擬試驗結果為最優。耕層土壤有機質含量間接光譜估測值與實測值的關系，如圖5所示。

圖5 BPNN模型估測結果

為對比分析，利用IBM SPSS Statistics 23軟件建立MLR模型，同時利用MATLAB 2014b編程建立SVR估測模型，分別對耕層土壤有機質含量進行建模估測，三種估測方法的估測結果，如表4所示。

表4 耕層土壤有機質含量間接估測結果

建模方法	R2	MRE/%
BPN	0.845	7.642
MLR	0.714	11.871
SVR	0.711	10.748

由表4可見，三種方法估測結果均較好，其中BPNN模型的估測精度最高，其R2為0.845，MRE為7.642%，RMSE為1.622g·kg-1。這說明利用表層土壤光譜信息估測耕層土壤有機質含量是可行有效的。

2.3 結果對比

為進一步對比分析，采用另一種方法對耕層土壤有機質含量進行間接估測，即基于耕層與表層土壤有機質關系的耕層土壤有機質間接估測方法。其基本思想是：首先利用基于表層光譜信息提取的估測因子建立表層土壤有機質估測模型，計算出表層土壤有機質的估測值y1；然后依據表層、耕層土壤有機質含量的實測數據，建立耕層與表層土壤有機質含量之間的關系式y2=f(y1)，再將表層土壤有機質的估測值y1代入關系式y2=f(y1)，即可計算出土壤耕層有機質含量的估測值。3種建模方法的估測結果如表5所示。

表5 耕層土壤有機質含量間接估測結果

建模方法	R2	MRE/%
BPN	0.789	10.51
MLR	0.717	12.46
SVR	0.725	12.14

由表5可見，3種模型的耕層土壤有機質含量估測值與實測值具有較強的相關性，估測結果均較好，其中BPNN模型的估測結果相對最優，模型R2為0.789，MRE為10.51%，RMSE為1.923g·kg-1。這說明第二種間接估測方法也是有效的，但與第一種估測方法相比精度略低。

3 討論與結論

    眾所周知，表層土壤光譜和表層土壤有機質之間存在關聯性，而在上文中已經證明表層土壤有機質和耕層土壤有機質之間存在密切聯系，具有顯著相關性，因此表層土壤光譜和耕層土壤有機質之間是存在間接聯系的。基于耕層與表層土壤有機質關系的耕層土壤有機質間接估測方法使用此種間接關系實現了對耕層土壤有機質含量的間接估測，這說明利用表層土壤光譜估測耕層土壤有機質含量是可行的。
    對比表層土壤與耕層土壤，土壤的光譜特性受到成土母質、成土環境、土壤類型、有機質含量、水含量、鐵含量、結構組成等眾多因素的影響。表層土壤與耕層土壤同屬土壤淺部，其區別只是距離地面的深度不同，因此其特性的差異主要體現在有機質含量和水含量兩方面。表層土壤與耕層土壤在溫度、濕度、光照、通風、微生物等條件存在不同，這使表層土壤與耕層土壤有機質含量并不相同，耕層土壤有機質更容易被分解轉化導致耕層土壤有機質含量會低于表層土壤，本試驗中土壤有機質的化驗結果也證實了這一點。表層土壤水含量一般低于耕層土壤水含量，而水含量低時，水和有機質的交互作用較弱，因此相對耕層土壤表層土壤光譜受水的影響作用較小，有利于提高土壤有機質含量的估測精度。
    對比兩種方法對耕層有機質含量間接估測的結果，基于表層土壤光譜特征的耕層土壤有機質間接估測效果要優于基于耕層與表層土壤有機質關系的耕層土壤有機質間接估測。其原因是野外環境復雜多變，且采樣與化驗過程中的誤差是不可避免的，導致建立的耕層與表層土壤有機質關系模型不是完全精確的關系。本試驗區的耕層與表層土壤有機質含量決定系數R2為0.839，在使用第二種間接估測方法時會存在誤差傳遞問題，從而對估測結果造成不利的影響，使第二種估測方法的估測精度低于本研究所提出的方法。另外，在測定光譜和采集土樣時盡量選擇粒徑相近、形態相似，且狀態較為穩定的土壤，也是降低誤差，提高精度的一種方式。因土壤光譜特性影響因素復雜，如何進一步消減各種因素對土壤有機質光譜估測的誤差，有待深入研究。
    對比多種模型的估測結果，BPNN模型的估測結果在兩種間接估測方法中均為最優，這說明其在處理土壤有機質含量與光譜特征之間存在的非線性關系時具有較強的能力。
    本研究基于山東省濟南市章丘區的表層、耕層土壤樣本數據，根據耕層土壤有機質含量與表層光譜的間接關聯性，利用表層土壤光譜信息實現了耕層土壤有機質含量的間接估測。試驗結果表明這種新方法是可行有效的，并且BPNN模型的估測效果為最優，其R2為0.845，MRE為7.642%，RMSE為1.622g·kg-1。基于表層土壤光譜信息實現耕層土壤有機質含量間接估測，能夠充分利用表層土壤含水量相對低的特點，既可有效減小土壤水含量的影響，提高土壤有機質含量的估測精度，又為土壤地面高光譜遙感研究成果的推廣應用提供理論基礎，為航空及航天光學遙感技術快速估測大范圍農田耕層土壤有機質含量等土壤性狀指標以及更好應用于精準農業提供技術支持。

上一篇：高光譜成像技術在煙葉和雜物分類中的應用下一篇：基于成像光譜儀的冬小麥苗期冠層葉綠素密度監測

无码精品一区二区三区在线,欲性游乐场(高H),日日橹狠狠爱欧美视频,欧美日韩精品

服務熱線：

86-0755-23229824

應用案例

相關產品

聯系我們

基于表層土壤光譜的耕層土壤有機質間接估測

相關資訊

產品分類

解決方案

項目定制

服務支持

新聞資訊

關于我們

微信公眾號

全國服務熱線電話：

86-0755-23229824

郵箱：

[email protected]