發(fā)布時間：2020-11-22 00:51

【摘要】：隨著科學技術的飛速發(fā)展，日益成熟的高光譜遙感技術已成為估算土壤重要成分的最有效的手段。土壤環(huán)境的嚴重污染和土壤質(zhì)量的每況愈下，使得高光譜遙感技術反演土壤成分扮演著越來越重要的角色。 本文利用2012年和2013年兩期三江源區(qū)的土壤全氮、全碳和碳氮比數(shù)據(jù)結(jié)合美國ASD FieldSpec4型地物光譜儀測得的土壤樣品室內(nèi)光譜反射率數(shù)據(jù)進行MSLR（多元逐步線性回歸）、PLSR（偏最小二乘回歸）和BPNN（BP神經(jīng)網(wǎng)絡）方法的模型建模。光譜數(shù)據(jù)主要由原始光譜反射率（REF）經(jīng)過九點加權滑動平均處理后變換成4種形式的數(shù)據(jù)：一階微分（FDR）、二階微分（SDR）、倒數(shù)對數(shù)（Log（1/R））和波段深度（BD）進行建模分析。為了突顯不同土壤類型之間的差異，將樣本劃分為總體樣本和5種土壤類型：高山草甸土、高山草原土、山地草甸土、灰褐土和沼澤土，得出以下結(jié)論： （1）高山草原土光譜曲線上的“帽狀”特征是土壤中各種成分響應的綜合反映，可以作為光譜數(shù)據(jù)劃分土壤類型的依據(jù)； （2）BPNN模型能較為穩(wěn)定的估算研究區(qū)土壤的全氮、全碳和碳氮比，其中最佳RPD是全氮含量全波段建模（沼澤土，REF，RPD=3.47）；MSLR和PLSR一般達不到如此好的精度，而更能突顯各土壤類型和各變換指標之間的差異性； （3）總體樣本建模比分土壤類型建模具備更好模型穩(wěn)定性，也就是說總體樣本建模方式的5種指標的RPD基本都在1.4以上； （4）特征波段（500~900nm、1400~1500nm、1900~2000nm和2200~2300nm）建模和全波段（350~2500nm）建模兩種方法在模型精度上存在著各自的特征：雖然特征波段的模型精度和全波段的相當，但特征波段的建模方式具有穩(wěn)定性更強、變量更少、效率更高的優(yōu)點； （5）土壤中氮素和碳素在進行比值運算后，趨于減弱其與土壤光譜反射率數(shù)據(jù)和碳氮比之間的線性相關關系，使得碳氮比的反演精度不理想。 （6）五種變換形式的指標中，REF、Log（1/R）和BD的形式能達到較好的精度結(jié)果，而FDR和SDR只有在BPNN模型中才能達到較為理想的結(jié)果。
【學位授予單位】：青海師范大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：X144;X87
【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 研究目標
    1.4 研究內(nèi)容及研究特色
        1.4.1 研究內(nèi)容
        1.4.2 研究特色
    1.5 技術路線
第二章 數(shù)據(jù)獲取及預處理
    2.1 研究區(qū)概況
        2.1.1 地理位置
        2.1.2 自然地理特征
        2.1.3 人口、社會經(jīng)濟特征
    2.2 樣品采集及處理
        2.2.1 風干研磨
        2.2.2 過篩處理
        2.2.3 樣品保存
    2.3 光譜數(shù)據(jù)測量
    2.4 實驗室土壤成分測定
    2.5 光譜數(shù)據(jù)預處理
        2.5.1 平滑處理
        2.5.2 光譜變換
第三章 數(shù)據(jù)建模方法
    3.1 多元逐步線性回歸
    3.2 偏最小二乘回歸
    3.3 BP 神經(jīng)網(wǎng)絡
    3.4 模型檢驗方法
第四章 光譜特征分析和特征波段提取
    4.1 土壤原始反射率
    4.2 各類型土壤光譜反射率
    4.3 光譜變換形式分析
        4.3.1 一階微分
        4.3.2 二階微分
        4.3.3 倒數(shù)的對數(shù)
        4.3.4 波段深度
    4.4 相關性分析與特征波段提取
第五章 不同土壤類型全波段高光譜反演
    5.1 全氮含量全波段反演
        5.1.1 多元逐步線性回歸模型
        5.1.2 偏最小二乘回歸模型
        5.1.3 BP 神經(jīng)網(wǎng)絡模型
    5.2 全碳含量全波段反演
        5.2.1 多元逐步回歸線性模型
        5.2.2 偏最小二乘回歸模型
        5.2.3 BP 神經(jīng)網(wǎng)絡模型
    5.3 碳氮比全波段反演
        5.3.1 多元逐步回歸線性模型
        5.3.2 偏最小二乘回歸模型
        5.3.3 BP 神經(jīng)網(wǎng)絡模型
    5.4 本章小結(jié)
第六章 不同土壤類型特征波段高光譜反演
    6.1 全氮含量特征波段反演
        6.1.1 多元逐步線性回歸模型
        6.1.2 偏最小二乘回歸模型
        6.1.3 BP 神經(jīng)網(wǎng)絡模型
    6.2 全碳含量特征波段反演
        6.2.1 多元逐步線性回歸模型
        6.2.2 偏最小二乘回歸模型
        6.2.3 BP 神經(jīng)網(wǎng)絡模型
    6.3 碳氮比特征波段反演
        6.3.1 多元逐步線性回歸模型
        6.3.2 偏最小二乘回歸模型
        6.3.3 BP 神經(jīng)網(wǎng)絡模型
    6.4 本章小結(jié)
第七章 結(jié)論與展望
    7.1 結(jié)論與討論
        7.1.1 討論與分析
        7.1.2 結(jié)論
    7.2 論文不足與展望
參考文獻
致謝
個人簡歷

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 紀文君;史舟;周清;周煉清;;幾種不同類型土壤的VIS-NIR光譜特性及有機質(zhì)響應波段[J];紅外與毫米波學報;2012年03期

2 彭玉魁,張建新,何緒生,盧恩雙;土壤水分、有機質(zhì)和總氮含量的近紅外光譜分析研究[J];土壤學報;1998年04期

3 徐彬彬;土壤剖面的反射光譜研究[J];土壤;2000年06期

本文編號：2893858