收藏本站
《江西农业大学》 2017年
收藏 | 手机打开
二维码
手机客户端打开本文

基于高光谱技术的森林土壤不同养分含量光谱特征及估测模型研究

谢文  
【摘要】:土壤养分含量的状况是影响土壤质量变化的基本因素,快速了解森林土壤养分状况对研究森林植被的生长环境有着重要意义。土壤高光谱遥感技术是目前的研究热点之一,具有快速测定土壤养分含量等特点,为实现快速大范围获取土壤养分含量提供了新途径。本文以江西省九江市庐山区与南昌市湾里区为研究区,在考虑了土壤属性、高程、海拔等因素的基础上,2014年根据样本选点采集318个土壤有效样本,在测定了土壤有机质、全氮、全钾、全磷的土壤主要基础养分含量的基础上,考虑到江西省土壤中铁含量较丰富,同时测定了土壤有效铁含量,并利用ASDFieldSpec4地物光谱仪对土壤进行了室内光谱数据采集。在分析了土壤类型及养分的光谱特征基础上,采用相关系数法分析了土壤养分含量的相关性,分别基于偏最小二乘回归(PLSR)、BP神经网络(BP)和支持向量机回归(SVMR)单一模型及定权与变权组合模型构建了土壤有机质含量的高光谱直接估测模型、全氮和有效铁含量的高光谱直接与间接估测模型,并对模型进行了检验。主要研究结果为:(1)森林土壤养分的反射光谱相关性分析研究采用相关系数法,对森林土壤养分含量进行了反射光谱相关性分析。土壤有机质含量与原始光谱反射率呈明显的负相关,且600~800nm波段内相关性最明显,在650nm波段处相关系数值达到最大值;土壤全氮含量与原始光谱反射率呈较明显的负相关,且600~800nm波段内的相关性明显,在649nm波段处相关系数值达到最大值;原始光谱反射率与土壤全磷含量呈负相关,且相关性不明显;原始光谱反射率与土壤全钾含量间的相关性非常低;土壤有效铁含量与原始光谱反射率呈较明显的负相关,同时也在600~800nm波段内的相关性较明显,在673 nm波段处相关系数值达到最大值。通过SPSS 17.0对土壤有机质含量与土壤全氮、全钾、全磷及有效铁含量相关性分析,发现土壤有机质与全氮间存在显著的相关性,可通过幂函数拟合·;土壤有机质含量与全磷含量间存在一定的相关性,但无法通过函数拟合;土壤有机质含量与全钾含量间的相关性极低;土壤有机质含量与有效铁含量间存在显著的线性相关,可通过线性函数拟合。为土壤全氮及有效铁含量的间接估测提供依据。2)森林土壤养分含量的单一光谱估测模型的构建在相关性分析的基础上,基于PLSR、BP与SVMR分别构建了森林土壤养分含量的光谱单一光谱直接估测模型,及森林土壤全氮和有效铁含量的单一光谱间接估测模型,确定BP为最佳估测模型。在森林土壤光谱的直接估测中,土壤有机质含量的最佳单一估测模型为BP模型,其预测R~2为0.77,RMSE为11.96gkg~(-1) RPD为1.99; 土壤全氮含量的最佳单一模型也是BP模型,其预测R~2为0.63, RMSE为0.52gkg~(-1) RPD为1.64; 土壤全磷含量的最佳单一模型为PLSR模型,其预测R~2仅为0.09, RMSE为0.17gkg~(-1) RPD仅为1.05; 土壤全钾含量的最佳单一模型为BP模型,其预测R~2为0.20, RMSE为3.23g kg~(-1) RPD仅为1.12; 土壤有效铁含量的最佳单一估测模型为SVMR模型,其预测R~2为0.39, RMSE为27.84 mg kg~(-1) RPD为1.24。在森林土壤光谱的间接估测中,土壤全氮含量的最佳模型为BP模型,其预测R~2为0.89, RMSE为0.27gkg~(-1) RPD为3.02; 土壤有效铁含量的最佳模型也为BP模型,其预测R~2为0.52, RMSE为26.03 mgkg~(-1),RPD为1.44。对比表明BP、SVMR优于PLSR,土壤全氮及有效铁含量间接预测要好于直接预测。3)森林土壤养分含量的组合估测模型的构建本文基于单一模型建模结果,选择六种定权、四种变权方法分别构建了森林土壤有机质、全氮及有效铁含量的光谱组合直接估测模型和森林土壤全氮、有效铁含量的组合间接估测模型。研究表明,直接估测中,土壤有机质含量的最佳估测模型是二项式系数变权组合模型,其预测R~2为0.81,RMSE为10.24gkg~(-1),RPD为2.32; 土壤全氮的最佳估测模型为简单加权定权组合模型,其预测R~2为0.70, RMSE为0.47gkg~(-1) RPD为1.84;土壤有效铁含量的最佳模型是误差平方和倒数变权组合模型,其预测R~2为0.49,RMSE为 24.97mgkg~(-1),RPD为1.39。在组合模型的间接估测中,土壤全氮含量的最佳模型是简单加权变权组合模型,其预测R~2为0.73, RMSE为0.43g kg~(-1),RPD为1.91; 土壤有效铁含量的最佳估测模型是二项式系数定权组合模型,其预测R~2为0.58,RMSE为25.03 mg kg~(-1),RPD为1.49。对比表明,变权组合模型整体优于定权组合模型,间接组合模型优于直接组合模型。本研究基于土壤高光谱数据,探讨了组合模型在土壤有机质、全氮及有效铁含量中的估测应用,为土壤主要养分等含量光谱估测提供了新的研究思路,为利用遥感进行土壤养分含量快速测定提供了理论基础和依据。
【学位授予单位】:江西农业大学
【学位级别】:博士
【学位授予年份】:2017
【分类号】:S714

【参考文献】
中国期刊全文数据库 前10条
1 张佳佳;郭熙;赵小敏;;南方丘陵稻田土壤全磷、有效磷高光谱特征与反演模型[J];江苏农业科学;2016年07期
2 张强;张国龙;张泽;吕新;;基于高光谱的土壤全氮含量估测[J];山西农业科学;2016年07期
3 于雷;洪永胜;周勇;朱强;徐良;李冀云;聂艳;;高光谱估算土壤有机质含量的波长变量筛选方法[J];农业工程学报;2016年13期
4 谭琨;张倩倩;曹茜;杜培军;;基于粒子群优化支持向量机的矿区土壤有机质含量高光谱反演[J];地球科学(中国地质大学学报);2015年08期
5 于雷;洪永胜;耿雷;周勇;朱强;曹隽隽;聂艳;;基于偏最小二乘回归的土壤有机质含量高光谱估算[J];农业工程学报;2015年14期
6 黄仁东;张海彬;杨志辉;周扬;张攀;;基于多准则的组合预测模型权重研究及其应用[J];中南大学学报(自然科学版);2015年05期
7 于法展;张忠启;陈龙乾;沈正平;;江西庐山自然保护区主要森林植被水土保持功能评价[J];长江流域资源与环境;2015年04期
8 叶英聪;张丽君;谢文;谢碧裕;郭熙;;南方丘陵稻田土壤全钾和速效钾高光谱特征与反演模型研究[J];广东农业科学;2015年07期
9 韩兆迎;朱西存;刘庆;房贤一;王卓远;;黄河三角洲土壤有机质含量的高光谱反演[J];植物营养与肥料学报;2014年06期
10 郭斗斗;黄绍敏;张水清;聂胜委;;多种潮土有机质高光谱预测模型的对比分析[J];农业工程学报;2014年21期
中国博士学位论文全文数据库 前2条
1 王吉权;BP神经网络的理论及其在农业机械化中的应用研究[D];沈阳农业大学;2011年
2 李海生;支持向量机回归算法与应用研究[D];华南理工大学;2005年
中国硕士学位论文全文数据库 前3条
1 杨灵玉;三江源区土壤特性高光谱估算方法比较研究[D];青海师范大学;2016年
2 陆洪涛;偏最小二乘回归数学模型及其算法研究[D];华北电力大学;2014年
3 毛开翼;关于组合预测中的权重确定及应用[D];成都理工大学;2007年
【共引文献】
中国期刊全文数据库 前10条
1 刘燕德;肖怀春;孙旭东;朱丹宁;韩如冰;叶灵玉;王均刚;马奎荣;;柑桔叶片黄龙病光谱特征选择及检测模型[J];农业工程学报;2018年03期
2 于慧春;王润博;殷勇;刘云宏;;基于高光谱图像光谱与纹理信息的枸杞多糖及总糖含量检测[J];核农学报;2018年03期
3 吾木提·艾山江;买买提·沙吾提;依力亚斯江·努尔麦麦提;茹克亚·萨吾提;王敬哲;;基于WorldView-2影像的土壤含盐量反演模型[J];农业工程学报;2017年24期
4 李冠稳;高小红;杨灵玉;史飞飞;何林华;刘雪梅;谷晓天;肖云飞;马慧娟;;不同粒径土壤有机质含量可见光-近红外光谱估算研究-以湟水流域为例[J];土壤通报;2017年06期
5 朱亚星;于雷;洪永胜;章涛;朱强;李思缔;郭力;刘家胜;;土壤有机质高光谱特征与波长变量优选方法[J];中国农业科学;2017年22期
6 刘小丹;冯旭萍;刘飞;何勇;;基于近红外高光谱成像技术鉴别杂交稻品系[J];农业工程学报;2017年22期
7 洪永胜;朱亚星;苏学平;朱强;周勇;于雷;;高光谱技术联合归一化光谱指数估算土壤有机质含量[J];光谱学与光谱分析;2017年11期
8 裴浩杰;冯海宽;李长春;金秀良;李振海;杨贵军;;基于综合指标的冬小麦长势无人机遥感监测[J];农业工程学报;2017年20期
9 崔霞;宋清洁;张瑶瑶;胥刚;孟宝平;高金龙;;基于高光谱数据的高寒草地土壤有机碳预测模型研究[J];草业学报;2017年10期
10 卢玢宇;杨波;裴占江;史风梅;王粟;高亚冰;刘杰;;黑龙江省气候生产潜力时空演变特征研究[J];生态环境学报;2017年10期
中国博士学位论文全文数据库 前10条
1 段宇飞;鸡蛋多品质高通量在线快速无损检测研究[D];华中农业大学;2017年
2 谢文;基于高光谱技术的森林土壤不同养分含量光谱特征及估测模型研究[D];江西农业大学;2017年
3 陈红茜;基于物联网和流式计算的蛋鸡设施养殖数字化初探[D];中国农业大学;2017年
4 付翔;支架运行自适应智能供液理论与技术研究[D];太原理工大学;2017年
5 张冰;智能井井下数据采集与处理分析技术研究[D];西南石油大学;2017年
6 郭毅;基于半监督学习和信息融合的港口客户信用风险评价系统[D];北京交通大学;2017年
7 侯现耀;智能公交信息对城市居民公交出行方式选择的影响研究[D];东南大学;2016年
8 张学广;基于损伤理论的铝合金板料成形极限研究[D];吉林大学;2016年
9 许胜才;水泥土桩加固边坡变形破坏机理与稳定性研究[D];广西大学;2016年
10 陈满;基于近地光谱技术的冬小麦精准变量施肥机的研制[D];南京农业大学;2016年
中国硕士学位论文全文数据库 前10条
1 张伟;果园水肥一体化控制系统设计与实现[D];华东交通大学;2017年
2 赵林利;基于马尔科夫链风速修正的风电功率预测研究[D];内蒙古大学;2017年
3 吴远远;老陈醋品质分析方法与实时检测装置研究[D];中北大学;2017年
4 王晓燕;万家寨水库建成后上游河段冰情特性分析及冰情信息模拟预报模型研究[D];内蒙古农业大学;2017年
5 王幼琴;间歇过程的LPV建模方法研究[D];江南大学;2017年
6 王晶晶;基于近红外光谱的大米水分及蛋白质含量检测方法研究[D];东北农业大学;2017年
7 陈蓓蓓;组合预测模型研究及应用[D];山东大学;2017年
8 刘莹莹;基于组合模型的花生产量预测分析[D];河南师范大学;2017年
9 张艳;面向不平衡数据的离群点检测研究[D];青岛科技大学;2017年
10 张雪艳;基于高光谱信息的柑橘叶绿素含量预测模型研究[D];西南大学;2017年
【二级参考文献】
中国期刊全文数据库 前10条
1 杨爱霞;丁建丽;;新疆艾比湖湿地土壤有机碳含量的光谱测定方法对比[J];农业工程学报;2015年18期
2 于雷;洪永胜;耿雷;周勇;朱强;曹隽隽;聂艳;;基于偏最小二乘回归的土壤有机质含量高光谱估算[J];农业工程学报;2015年14期
3 张瑶;李民赞;郑立华;杨玮;;基于近红外光谱分析的土壤分层氮素含量预测[J];农业工程学报;2015年09期
4 郭熙;叶英聪;谢碧裕;匡丽花;谢文;;南方丘陵稻田土碱解氮高光谱特征及反演模型研究[J];国土资源遥感;2015年02期
5 丁希斌;刘飞;张初;何勇;;基于高光谱成像技术的油菜叶片SPAD值检测[J];光谱学与光谱分析;2015年02期
6 张东;塔西甫拉提·特依拜;张飞;阿尔达克·克里木;;分数阶微分在盐渍土高光谱数据预处理中的应用[J];农业工程学报;2014年24期
7 牛智有;李晓金;高海龙;;高光谱成像技术快速检测生物质秸秆元素含量[J];农业工程学报;2014年22期
8 郭斗斗;黄绍敏;张水清;聂胜委;;多种潮土有机质高光谱预测模型的对比分析[J];农业工程学报;2014年21期
9 詹白勺;倪君辉;李军;;高光谱技术结合CARS算法的库尔勒香梨可溶性固形物定量测定[J];光谱学与光谱分析;2014年10期
10 李微;李媛媛;田彦;刘远;刘长发;郭锡杰;牟蒙;;基于包络线法的滨海滩涂PLSR盐分模型研究[J];海洋科学进展;2014年04期
中国博士学位论文全文数据库 前2条
1 王德成;我国农业机械化发展经济效应的研究[D];中国农业大学;2005年
2 李艳;制浆蒸煮过程纸浆卡伯值软测量技术研究与应用[D];华南理工大学;2003年
中国硕士学位论文全文数据库 前10条
1 张威;三江源区土壤重金属含量高光谱遥感反演研究[D];青海师范大学;2014年
2 杨扬;三江源区土壤全氮、全碳和碳氮比的高光谱反演[D];青海师范大学;2014年
3 赖宁;基于高光谱数据的开都河流域下游绿洲盐渍化土壤表层含盐量估算模型对比研究[D];新疆师范大学;2013年
4 曲艺;青海省三江源地区生物多样性保护规划研究[D];北京林业大学;2011年
5 李硕;基于Vis/NIR光谱不同粒径下土壤碳氮的预测研究[D];华中农业大学;2010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 杨萍;基于实验室高光谱反射数据的土壤成分含量估算研究[D];南京农业大学;2007年
8 储晶;组合预测模型及其在股票收益率预测中的应用研究[D];南京信息工程大学;2006年
9 金蓉;基于水资源优化配置的张掖市产业结构调整研究[D];西北师范大学;2006年
10 张兰;区域水资源承载力研究及其应用[D];河海大学;2006年
【相似文献】
中国期刊全文数据库 前10条
1 段洪涛;张柏;宋开山;王宗明;李方;;查干湖透明度高光谱估测模型研究[J];干旱区资源与环境;2006年01期
2 梁爽;赵庚星;朱西存;;苹果树叶片叶绿素含量高光谱估测模型研究[J];光谱学与光谱分析;2012年05期
3 董斌;冯仲科;杜林芳;唐雪海;;山东省黄河流域森林蓄积量遥感定量估测模型研究[J];遥感技术与应用;2010年04期
4 袁征;李希灿;于涛;张广波;;高光谱土壤有机质估测模型对比研究[J];测绘科学;2014年05期
5 杨承栋;;森林土壤学科研究进展与展望[J];土壤学报;2008年05期
6 林伯群;黑龙江省举行森林土壤学术会议[J];土壤通报;1964年04期
7 李昌华;;全国第一次森林土壤专业学术討論会[J];科学通报;1964年12期
8 李昌华;;八十年代以来国内森林土壤研究进展及动向[J];干旱区研究;1986年03期
9 林伯群;;国外森林土壤研究新进展[J];干旱区研究;1986年03期
10 张万儒;森林土壤研究的进展[J];土壤;1991年04期
中国重要会议论文全文数据库 前5条
1 李亚兵;毛树春;韩迎春;王香河;王国平;;基于数字图像特征的棉花群体大小估测模型[A];中国棉花学会2007年年会论文汇编[C];2007年
2 杨承栋;焦如珍;孙启武;;森林土壤学科研究现状与发展趋势[A];中国土壤学会第十次全国会员代表大会暨第五届海峡两岸土壤肥料学术交流研讨会论文集(面向农业与环境的土壤科学综述篇)[C];2004年
3 杨承栋;;第九章 我国森林土壤资源利用与管理的回顾及展望[A];中国土壤科学的现状与展望[C];2005年
4 吴森博;陈尊贤;;台湾太平山地区森林土壤薄胶层之特性与生成作用[A];中国土壤学会第十次全国会员代表大会暨第五届海峡两岸土壤肥料学术交流研讨会论文集(面向农业与环境的土壤科学综述篇)[C];2004年
5 王小国;朱波;;大气CO_2浓度和温度的升高对森林土壤地下过程的影响[A];庆祝中国土壤学会成立60周年专刊[C];2005年
中国重要报纸全文数据库 前4条
1 陈超;森林土壤二氧化碳监测有新手段[N];科技日报;2008年
2 记者 铁铮;我国首次完成森林土壤资源典型调查[N];中国绿色时报;2012年
3 记者  任荃;成熟森林土壤是巨大“碳汇”[N];文汇报;2006年
4 记者 齐芳 通讯员 廖琼;成熟森林土壤可持续积累有机碳[N];光明日报;2006年
中国博士学位论文全文数据库 前7条
1 谢文;基于高光谱技术的森林土壤不同养分含量光谱特征及估测模型研究[D];江西农业大学;2017年
2 窦玉青;基于高光谱技术的烟草含氮化合物估测模型研究[D];山东农业大学;2016年
3 王妮;基于3S技术的森林资源变化动态监测[D];南京林业大学;2012年
4 张正杨;基于水氮互作的烟草高光谱特性及估测模型研究[D];河南农业大学;2011年
5 李向阳;烟草高光谱特性与农艺、生理、品质指标关系和估测模型研究[D];河南农业大学;2007年
6 耿玉清;北京八达岭地区森林土壤理化特征及健康指数的研究[D];北京林业大学;2006年
7 韩阳;长白山地区森林土壤含水量定量遥感研究[D];东北师范大学;2011年
中国硕士学位论文全文数据库 前10条
1 戴超;北京主要树种树冠体积及表面积估测模型研究[D];华北理工大学;2015年
2 张国圣;基于高光谱的水稻氮素诊断和产量估测模型[D];沈阳农业大学;2017年
3 李明亮;土壤有机质高光谱灰色关联度估测模型研究[D];山东农业大学;2017年
4 张永秀;基于语音质量估测模型的水声语音通信系统研究[D];厦门大学;2014年
5 王雄伟;基于遥感技术的森林蓄积量估测模型研究[D];贵州大学;2008年
6 刘文雅;松材线虫病胁迫下松树生理参数的高光谱遥感估测模型研究[D];南京林业大学;2017年
7 许甜;基于影响因子的高等级公路造价估测模型研究[D];长安大学;2012年
8 于楠楠;基于TM数据的森林蓄积量估测模型研究[D];内蒙古农业大学;2012年
9 刘英;千岛湖水体水质参数遥感及其估测模型研究[D];浙江大学;2003年
10 谢碧裕;南方丘陵水稻土氧化铁高光谱特性与估测模型研究[D];江西农业大学;2015年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026