论文部分内容阅读
土壤的p H值和全钾含量是影响农作物生长和产量的重要因素。及时、准确地估算土壤的pH值和全钾含量,能够带动变量施肥技术和精细农业的发展。传统的土壤p H值和全钾含量实验室测量方法调节和解决了作物需肥与土壤供肥之间的矛盾,但是费时、费力、成本高、时效性差。高光谱遥感的迅速发展为快速、准确地获取土壤pH值和全钾含量提供了有效的手段。该方法能够极大地节省人力、物力、实现无损测量,在土壤属性预测中取得了广泛的应用。光谱预处理、特征波段选择、反演模型、样本集划分是影响土壤属性高光谱反演精度的重要因素。因此,本文以三峡库区王家沟小流域的紫色土和水稻土共111个样本作为研究对象,从光谱预处理方法、特征波段选择、反演模型、样本集划分方法等4个方面对土壤pH值和全钾含量的高光谱反演影响因素进行了研究。通过对影响因素的分析,从中选择最优的光谱预处理方法、最佳的特征波段、最优的反演模型、最理想的校正集和验证集、对土壤pH值和全钾含量进行高光谱反演。主要结论如下:（1）土壤光谱的预处理可以剔除光谱中的噪音,最大限度地增强光谱与土壤p H值和全钾含量的内部联系。对土壤的原始光谱进行了一阶导数（FD）、二阶导数（SD）、多元散射校正（MSC）、Savitzky-Golay平滑（SG）、变量标准化（SNV）、去趋势（De-trend）、小波变换（WT）、小波去包络（W-CR）等8种光谱预处理,分析了光谱数据与土壤p H值和全钾含量之间相关性。结果显示,8种预处理后的光谱数据与土壤pH值和全钾含量之间的相关性均有所提高。其中,W-CR预处理后的光谱与土壤pH值和全钾含量的相关性最高,水稻土p H值的相关系数绝对值在1 100 nm波段处出现最大值为0.621;紫色土pH值的相关系数范围在-0.589～0.441,相关系数最大绝对值出现在1 146 nm。水稻土全钾含量在541 nm波段处的相关系数绝对值最大为0.671;紫色土全钾含量的相关系数绝对值最大值在517 nm波段处为0.727。（2）光谱特征波段的选择可以使土壤pH值和全钾含量的模型更简便和准确。本文利用主成分分析（PCA）载荷法、相关系数法、随机森林（RF）变量重要性法3种方法选取土壤pH值和全钾含量的特征波段进行偏最小二乘法回归（PLSR）方法的模型反演。相关系数法选择特征波段在土壤pH值和全钾含量模型反演效果较好,优于PCA载荷法和RF变量重要性法。选择的水稻土pH的特征波段为669 nm、785 nm、1 100 nm、2 390 nm,紫色土pH值的特征波段为570 nm、1 147 nm、2 151 nm、2 238 nm,水稻土全钾含量的特征波段选择542 nm、754 nm、1 703 nm、2 390 nm,紫色土全钾含量的特征波段选择542 nm、972 nm、1 836 nm、2 160 nm。（3）反演方法的优化选择可以有效地提高土壤pH值和全钾含量的预测精度。PLSR、支持向量回归（SVR）、主成分回归（PCR）3种方法进行土壤p H值和全钾含量的光谱反演。在水稻土pH值的模型反演效果中,SVR方法最优,校正集的R2为0.649,RMSE为0.748,验证后R2为0.385,RMSE为0.980;在反演紫色土pH值的过程中,PLSR方法的反演效果最优,其值为校正集R2为0.434,RMSE为1.003,验证后R2为0.378,RMSE为1.067。土壤全钾含量的高光谱反演中SVR模型效果最佳。在水稻土的校正集R2为0.709,RMSE为1.207 g/kg,验证的R2为0.455,RMSE为1.564 g/kg;在紫色土的校正集R2为0.596,RMSE为1.877 g/kg,验证的R2为0.455,RMSE为2.205 g/kg。（4）理想的校正集和验证集可以提高模型反演速度和准确性,使得模型在运算中更加稳健。比较梯度质量法、随机划分法、KS划分法、SPXY划分法4种样本集划分方法模型反演效果。水稻土pH值、全钾含量和紫色土pH值样本进行SPXY划分法划分样本校正集和验证集的模型效果优于梯度质量法、随机划分法、KS划分法3种方法。水稻土pH值、紫色土pH值、水稻土全钾的实测值和预测值相关系数R分别为0.789、0.668、0.827。紫色土全钾样本集进行梯度质量法划分得到的模型反演效果最好(R2C=0.608、RSMEC=1.963 g/kg、R2v=0.572、RSMEv=1.776 g/kg)。