陆龙妹:基于高光谱特征的土壤属性预测研究论文

陆龙妹:基于高光谱特征的土壤属性预测研究论文

本文主要研究内容

作者陆龙妹(2019)在《基于高光谱特征的土壤属性预测研究》一文中研究指出:土壤作为农业生产的基础,获取持续而可靠的土壤属性信息及其空间分布信息对实现精准农业尤为重要。常规测定土壤属性含量的化学分析方法周期长、成本高,无法满足快速有效监测土壤属性的要求。近年来,高光谱分析技术为获取土壤属性信息提供了一个有效途径,该技术具有快速、简便、高效等特点。本研究采集蒙城和姜堰两个区域的土壤样品,测定样品的光谱反射曲线和土壤有机质含量,对光谱反射率进行—阶微分、倒数对数、去除包络线等数学变换,研究基于土壤类型和光谱分类建立的土壤有机质含量预测模型,选出较优的光谱变换方法。然后基于特征指数构建线性回归模型。并选用不同的筛选方法筛选特征波长,分别建立主成分回归模型和偏最小二乘回归模型,对模型精度进行评价分析,探讨不同方法对土壤有机质含量预测模型精度的影响。为土壤有机质快速准确预测提供方法支持,以及土壤有机质高光谱遥感制图提供研究基础,为进一步推动精准农业的发展提供基本思路,具有较大的实用价值。主要结论如下:(1)对原始光谱数据进行一阶微分、倒数对数和去除包络线等光谱变换,利用光谱相似性对研究区总体样本进行分类,分别建立基于总体样本、不同土壤类型和光谱分类的土壤有机质预测模型,经过光谱分类后的模型精度有所提高。(2)分别基于研究区的原始光谱、倒数对数和去包络线光谱数据构建光谱特征指数,特征指数包括高相关性波段、弓曲率、差值指数(DI)、比值指数(RI)和归一化指数(NDI),以特征指数为自变量建立线性回归模型,基于DI、RI和NDI的模型精度高于高相关性波段和弓曲率的模型精度,预测土壤有机质效果也有所提高。(3)应用连续投影算法(SPA)、无信息变量消除法(UVE)及竞争性自适应重加权算法(CARS)对原始光谱、倒数对数光谱和去除包络线光谱进行特征波长筛选,构建有机质的PCR和PLSR模型,评价模型精度,得出经过特征波长筛选后,模型精度普遍提高,其中经过CARS方法筛选特征变量的模型精度最高;同时采用特征波长筛选方法后,构建模型的变量数减少,模型效率也得到提高。本研究为快速预测土壤有机质提供了理论依据。图[33]表[14]参[97]

Abstract

tu rang zuo wei nong ye sheng chan de ji chu ,huo qu chi xu er ke kao de tu rang shu xing xin xi ji ji kong jian fen bu xin xi dui shi xian jing zhun nong ye you wei chong yao 。chang gui ce ding tu rang shu xing han liang de hua xue fen xi fang fa zhou ji chang 、cheng ben gao ,mo fa man zu kuai su you xiao jian ce tu rang shu xing de yao qiu 。jin nian lai ,gao guang pu fen xi ji shu wei huo qu tu rang shu xing xin xi di gong le yi ge you xiao tu jing ,gai ji shu ju you kuai su 、jian bian 、gao xiao deng te dian 。ben yan jiu cai ji meng cheng he jiang yan liang ge ou yu de tu rang yang pin ,ce ding yang pin de guang pu fan she qu xian he tu rang you ji zhi han liang ,dui guang pu fan she lv jin hang —jie wei fen 、dao shu dui shu 、qu chu bao lao xian deng shu xue bian huan ,yan jiu ji yu tu rang lei xing he guang pu fen lei jian li de tu rang you ji zhi han liang yu ce mo xing ,shua chu jiao you de guang pu bian huan fang fa 。ran hou ji yu te zheng zhi shu gou jian xian xing hui gui mo xing 。bing shua yong bu tong de shai shua fang fa shai shua te zheng bo chang ,fen bie jian li zhu cheng fen hui gui mo xing he pian zui xiao er cheng hui gui mo xing ,dui mo xing jing du jin hang ping jia fen xi ,tan tao bu tong fang fa dui tu rang you ji zhi han liang yu ce mo xing jing du de ying xiang 。wei tu rang you ji zhi kuai su zhun que yu ce di gong fang fa zhi chi ,yi ji tu rang you ji zhi gao guang pu yao gan zhi tu di gong yan jiu ji chu ,wei jin yi bu tui dong jing zhun nong ye de fa zhan di gong ji ben sai lu ,ju you jiao da de shi yong jia zhi 。zhu yao jie lun ru xia :(1)dui yuan shi guang pu shu ju jin hang yi jie wei fen 、dao shu dui shu he qu chu bao lao xian deng guang pu bian huan ,li yong guang pu xiang shi xing dui yan jiu ou zong ti yang ben jin hang fen lei ,fen bie jian li ji yu zong ti yang ben 、bu tong tu rang lei xing he guang pu fen lei de tu rang you ji zhi yu ce mo xing ,jing guo guang pu fen lei hou de mo xing jing du you suo di gao 。(2)fen bie ji yu yan jiu ou de yuan shi guang pu 、dao shu dui shu he qu bao lao xian guang pu shu ju gou jian guang pu te zheng zhi shu ,te zheng zhi shu bao gua gao xiang guan xing bo duan 、gong qu lv 、cha zhi zhi shu (DI)、bi zhi zhi shu (RI)he gui yi hua zhi shu (NDI),yi te zheng zhi shu wei zi bian liang jian li xian xing hui gui mo xing ,ji yu DI、RIhe NDIde mo xing jing du gao yu gao xiang guan xing bo duan he gong qu lv de mo xing jing du ,yu ce tu rang you ji zhi xiao guo ye you suo di gao 。(3)ying yong lian xu tou ying suan fa (SPA)、mo xin xi bian liang xiao chu fa (UVE)ji jing zheng xing zi kuo ying chong jia quan suan fa (CARS)dui yuan shi guang pu 、dao shu dui shu guang pu he qu chu bao lao xian guang pu jin hang te zheng bo chang shai shua ,gou jian you ji zhi de PCRhe PLSRmo xing ,ping jia mo xing jing du ,de chu jing guo te zheng bo chang shai shua hou ,mo xing jing du pu bian di gao ,ji zhong jing guo CARSfang fa shai shua te zheng bian liang de mo xing jing du zui gao ;tong shi cai yong te zheng bo chang shai shua fang fa hou ,gou jian mo xing de bian liang shu jian shao ,mo xing xiao lv ye de dao di gao 。ben yan jiu wei kuai su yu ce tu rang you ji zhi di gong le li lun yi ju 。tu [33]biao [14]can [97]

论文参考文献

  • [1].土壤属性三维建模方法及不确定性分析[D]. 周四维.华中农业大学2018
  • [2].复杂地形区土壤属性制图[D]. 何林华.青海师范大学2017
  • [3].区域土壤模型库的建立与应用研究[D]. 郭仁松.华中农业大学2004
  • [4].江苏北部土壤属性空间变异及其影响因素研究[D]. 杨艳丽.福建农林大学2008
  • [5].小尺度石漠化坡耕地土壤属性空间变异研究[D]. 程辉.西南大学2013
  • [6].安徽大别山区江子河小流域土壤属性的空间变异及其与环境因子的关系研究[D]. 韩丹.安徽师范大学2012
  • [7].单一制图单元内土壤属性的空间变异性及其与地形的关系和建模研究[D]. 夏建强.浙江大学2005
  • [8].松嫩平原西部土地整理区景观格局及土壤属性空间变异特征研究[D]. 顿耀龙.中国地质大学(北京)2015
  • [9].舒城县龙潭小流域土壤属性空间变异特征及其不确定性评价[D]. 张国耀.安徽师范大学2011
  • [10].地域性因素对黔中高原区土壤属性的影响与系统分类[D]. 董宇博.贵州师范大学2016
  • 读者推荐
  • [1].月球微波遥感亮温数据分辨率增强与应用[D]. 曾晓明.天津师范大学2019
  • [2].伊犁河流域多特征遥感影像水体识别研究[D]. 张若楠.新疆大学2019
  • [3].基于自适应深度置信网的高分辨率遥感影像场景分类研究[D]. 付伟锋.长安大学2019
  • [4].基于遥感生态指数的生态质量变化分析[D]. 杨永健.长安大学2019
  • [5].基于机器学习方法的高光谱数据分类对比研究[D]. 牟多铎.长安大学2019
  • [6].核稀疏法在高光谱图像目标检测中的应用研究[D]. 李阿楠.华北电力大学2019
  • [7].加权最近邻空间表征的高光谱遥感图像分类算法研究[D]. 黄思源.湖南理工学院2019
  • [8].上海多尺度城市土壤重金属的高光谱反演模型研究[D]. 陈银莹.上海师范大学2019
  • [9].面向数字土壤制图的土壤光谱分类研究[D]. 王翔.东北农业大学2019
  • [10].基于光谱吸收特征的土壤有机质与重金属含量估算研究[D]. 王惠敏.中国矿业大学2019
  • 论文详细介绍

    论文作者分别是来自安徽理工大学的陆龙妹,发表于刊物安徽理工大学2019-07-08论文,是一篇关于土壤有机质论文,光谱特征指数论文,连续投影算法论文,无信息变量消除法论文,竞争性自适应重加权算法论文,偏最小二乘回归论文,安徽理工大学2019-07-08论文的文章。本文可供学术参考使用,各位学者可以免费参考阅读下载,文章观点不代表本站观点,资料来自安徽理工大学2019-07-08论文网站,若本站收录的文献无意侵犯了您的著作版权,请联系我们删除。

    标签:;  ;  ;  ;  ;  ;  ;  

    陆龙妹:基于高光谱特征的土壤属性预测研究论文
    下载Doc文档

    猜你喜欢