论文总字数：15890字
目 录
摘要 I
Abstract II
1引言 1
1.1研究背景 1
1.2国内外研究进展 1
2数据采集、光谱分析与预处理 2
2.1研究区概况 2
2.2数据采集 2
2.3光谱测量与理化测量 2
2.4光谱曲线分析 2
3研究方法 3
3.1光谱预处理 3
3.1.1平滑处理 3
3.1.2微分处理 3
3.1.3倒数对数变换 4
3.2建模方法介绍 5
3.2.1偏最小二乘法 5
3.2.2支持向量机 5
4土壤光谱与主要土壤属性相关性分析 6
4.1土壤光谱与有机质含量相关性分析 6
4.2土壤光谱与PH值相关性分析 7
4.3土壤光谱与粘粒含量相关性分析 7
5土壤属性定量估算 8
5.1土壤有机质含量定量估算 8
5.1.1土壤有机质PLSR模型估算分析 8
5.1.2土壤有机质SVM模型估算分析 9
5.1.3两种建模方法估算土壤有机质结果比较 9
5.2土壤PH值定量估算 10
5.2.1土壤PH值PLSR模型估算分析 10
5.2.2土壤PH值SVM模型估算分析 10
5.2.3两种建模方法估算土壤PH值结果比较 10
5.3土壤粘粒含量定量估算 10
5.3.1土壤粘粒含量PLSR模型估算分析 10
5.3.2土壤粘粒含量SVM模型估算分析 11
5.3.3两种建模方法估算土壤粘粒含量结果比较 11
6结论 11
参考文献 12
致谢 15
昆山主要土壤属性的反射光谱估算研究
董昊
，China
Abstract：Objective to estimate soil organic matter (SOM) content,PH and clay content by hyperspectral spectroscopy, to provide basis for quantitative inversion of soil properties with remote sensing technology. The spectral data of soil samples that obtained by spectroscopic analysis were mathematically transformed into spectral reflectance(R),first derivatives(FD) and the logarithm of the inverse of the reflectance[Log (1/R)]. SOM content,PH and clay content estimate models were built with Support Vector Machine(SVM) and Partial Least Squares Regression(PLSR).The results showed that: first derivatives of reflectance (FD) was better than others ;more principal components worked better in SVM model; Soil organic matter and reflectance are negatively correlated in 350nm-2500nm band.
Key words：soil spectral reflection;soil organic matter (SOM);Partial Least Squares Regression(PLSR);Support Vector Machine (SVM)
1引言
1.1研究背景
土壤有机质是评价土壤肥力的重要指标之一。它不仅能为作物提供养分，改善土壤的物理性质，而且在缓冲、保水、保肥等方面起到一定的作用。因此，能否快速准确地估算SOM含量，对生产力评价、土地规划等一系列工作具有重要意义。土壤有机质常规的测定方法由于产生污染、费时费力、测定范围有限等不足，无法快速有效获取大区域范围的有机质含量分布信息。作为地球表面的典型地物之一，土壤的可见光-近红外光谱引起了越来越多研究人员的关注[1]。20世纪70年代以来，大量的研究已充分肯定通过土壤可见-近红外光谱可以分析土壤属性[2]。
光谱遥感技术具有广域、快速、无污染等优点，可以对土壤性质变化进行及时了解，并据此为精准农业的变量施肥与土壤养分进行诊断提供参考[3][4]。因此通过遥感光谱数据估算土壤有机质对指导农业生产具有重要意义。
1.2国内外研究进展
土壤有机质在可见光和近红外波段具有其独特的光谱反射特性，徐彬彬[5]通过对去除有机质前后的土壤反射率比较，发现去除之前的土壤反射率明显低于去除有机质后的反射率。土壤光谱信息十分复杂，然而过去几十年的大量研究表明，土壤中重金属、有机质以及铁等含量能通过土壤反射光谱特征进行反演[6][7][8]。在姚艳敏[9]所建立的黑土含水率预测方程中，土壤光谱反射率对数的一阶倒数所取得的预测精度最好，决定系数达到0.931。关红[10]在建立土壤含盐量的动态监测模型时，自变量选择筛选出的特征波段，并与土壤含盐量进行线性回归，结果表明：预测值与实测土壤盐分的相关系数较高。刘秀英[11]研究表明DSSR与PLSR相结合的方法建立的模型预测精度最高，此模型可以最好地估算土壤速效钾含量。王维[12]通过将单波段和多波段结合分析发现，由于土壤中的所含有机质、铁锰的氧化物、层状的硅酸盐矿物和其水合物对金属的阳离子产生吸附作用，导致重金属元素和土壤光谱之间显著相关。魏昌龙[13]通过比对光谱数据，发现游离铁的PLSR和BPNN模型预测值偏低和偏高归因于光谱曲线在游离铁lt;20g/kg和20~40g/kg时存在高度相似。史舟[14]通过一阶微分-全局土壤有机质模型的建立，发现利用土壤反射光谱分类及PLSR方法所建立的土壤有机质反射光谱分类-局部模型所得预测准确率更高。陈颂超等[15]认为对于PLSR模型，当土壤类型增多时表现不出较好的效果。司海青等[16]在对比PLSR、SVM和PLSR-SVM三种模型时，发现SOM的PLSR-SVM估算模型建立出的精度更高，并且研究[17]表明，含水量15%、20%的土样光谱数据，这些模型中SVM方法建立的SOM含量模型效果最好，风干土结果次之。不同地区土壤类型、性质差别很大，所测光谱特征有所差异，建立的反演模型效果也不同。
本文以昆山取样，采用偏最小二乘法(PLSR)和支持向量机法(SVM)建立反演模型，通过与反射光谱做对比，评价其估算效果，评估两种方法和不同光谱数据变换所得模型精度，并提供改进的方向。
2数据采集、光谱分析与预处理
2.1研究区概况
昆山位于江苏省东南。西部毗邻苏州市，北至东与常熟市和太仓市两市相接，东、南与上海嘉定区、青浦区接壤，南部连接浙江。所处长江三角洲的太湖平原，地势平坦，自然坡度小，自西南至东北略呈倾斜，河流、湖泊密集。气候四季分明，温和湿润，降水充沛，日照充足，属北亚热带南部季风气候。地貌区分为三个部分：昆北阳澄湖低洼区、中部平原地区、濒湖高田地区。昆山境内土壤分布因地形、母质、水文等因素不同而异，由南而北、由高到低呈规律性分布。土壤以水稻土为主，类型共分四类（水稻土、潮土、黄棕壤、沼泽土）、六个亚类以及十个土属。
2.2数据采集
根据昆山市工农业生产特点和土地利用现状，以及昆山市的土壤类型(水稻土)和主要母质，选取能涵盖其信息的126个样点。采样法采用5点混合采样，采集0-20cm表层土壤样品。风干磨碎后的土壤样品过100目筛并密封保存备用。本次研究的样本选择其中有代表性的106个样点。
2.3光谱测量与理化测量
土壤光谱测量，使用ASD FieldSpec Pro光谱分析仪，采样的间隔设置为1.4nm (350-1000nm)及10nm(1000-2500nm)。实验在暗室内进行，模拟光源为一盏50W卤素灯，距土壤样品为15cm并且垂直角度，选择5度视场角探头来进行光谱的采集。然后利用40cm×40cm的漫反射标准参照板取得绝对反射率。每个样本得到5条光谱曲线。5条曲线的平均值作为该土壤样品的光谱曲线。
重铬酸钾法测定土壤有机质，电位法测定土壤酸碱度，质地采用英国马尔文土壤颗粒激光粒度仪测定。
2.4光谱曲线分析
土壤的光谱特征是土壤的理化性质的综合反映，由于土壤样本经过了风干、研磨处理，基本消除了土壤湿度等因素对土壤光谱的影响[18]。本次研究共测得昆山地区106个土壤样本的光谱。如图2-1所示，经过Savitzky-Golay处理后的反射光谱曲线虽然各曲线形状及反射率存在差异，但变化趋势基本相同，各条光谱曲线之间几乎呈平行关系。
土壤光谱曲线整体表现出：在350-1000nm波段的反射率偏低，光谱曲线较陡，随着波长增加，反射率增大迅速;1000-2500nm波段的反射率较高，光谱曲线较为平缓，但随波长增加反射率的变化较小。1400nm和1900nm波段是主要的水分吸收区，有H2O和OH-的吸收特征，受到土壤表面的吸附水、黏土矿物O-H晶格结构水等影响[18]。2200nm附近存在与粘土矿物有关的Al-OH的吸收特征，在2300nm左右有与有机质相关C-H的特征峰[19]。
图中部分曲线如最上一条（KS97样点）下面三条（KS22、KS23、KS49样点）与其他样点有明显差异，这些样点有机质含量也有显著差别，使得土壤中其他理化因素的吸收特征加强，掩盖某些光谱信息。去除这些样点，以剩余102个样点作为样本集。
图2-1 土壤反射光谱曲线图
剩余内容已隐藏，请支付后下载全文，论文总字数：15890字
相关图片展示：
该课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找;
