论文部分内容阅读
土壤有机质作为土壤的重要组成成分,是表征土壤肥力和土壤质量的重要因子,在生态系统及碳循环中扮演重要角色,是陆地生态系统中碳循环的重要源与汇。有机质的变化在土地荒漠化、草场退化和区域生态环境恶化等广受关注的环境问题中起着关键作用。高光谱遥感技术的发展为土壤理化参数的获取提供了一种便捷、高效的手段。相比传统方法,更省时省力,降低成本;相比常规多光谱遥感,能提高反演精度。其较高的光谱分辨率能为分析土壤表层情况、内在属性等提供详细的数据,目前已经在估测土壤有机碳、水分、氮、磷、钾等相关元素含量方面有较为广泛的应用。为对比同一背景下不同人类干扰程度的荒漠土壤有机质含量的预测模型及空间格局分布,本文以天山北麓阜康市的土壤为研究对象,运用多种手段与方法,对土壤有机质的含量进行预测分析。利用野外实测光谱数据与影像光谱数据,通过光谱变换（原始、一阶微分、二阶微分、倒数、倒数一阶微分、倒数二阶微分、倒数的对数、倒数对数一阶微分、倒数对数二阶微分）选择敏感波段、以计算得出的盐分指数、植被指数、改进植被指数等作为自变量,分别在无人干扰区、人为干扰区建立估测有机质含量的多元线性回归模型、多元逐步回归模型、主成分回归模型、偏最小二乘回归模型、人工神经网络模型,对比不同模型精度,选择出最佳的有机质含量估测模型。之后利用Landsat8遥感影像与地统计方法反演该研究区的土壤有机质空间格局,分析其分布规律。本研究主要成果与结论如下:（1）剔除有机质质量分数大于2%的样点之后,研究区内采样数据更加趋于正态分布,预测模型的精度也有提高,其中无人干扰区与人为干扰区预测效果最好的分别是一阶微分与二阶微分多元逐步回归模型,R2达到0.78、0.54,RMSE为1.41g/Kg、2.26 g/Kg,RPD为2.14、2.09。（2）在结合光谱综合指数的模型中,基于影像反射率与实测光谱反射率结合植被指数、盐分指数为自变量的多元线性回归模型精度较高。经过光谱变换之后,模型精度有大幅提升,其中利用实测光谱与盐分指数、植被指数建立的无人干扰区一阶微分的多元线性回归模型以及人为干扰区的倒数对数一阶微分的多元线性回归模型,R2分别为0.76和0.73。（3）通过相关性分析,无人干扰区窄波段的SI2、SI3和RVI、NDVI以及宽波段的SI1、SI2和RVI、NDVI,人为干扰区的窄、宽波段的盐分指数SI1、SI3和SI1、SI2、植被指数RVI、NDVI和RVI、RDVI与有机质含量相关性较好,用其建立多元线性回归模型以及偏最小二乘回归模型。在建立的模型中,无人干扰区与人为干扰区的窄波段偏最小二乘回归模型精度最好,R2分别达到0.75、0.82,RPD为2.01、2.14。（4）通过对植被指数的计算公式中添加了B7波段,改进后的植被指数与有机质的相关性较改进前有大幅提升,同时以其为自变量建立的ANNs、偏最小二乘回归模型的精度也有提升。无人干扰区、人为干扰区的最佳模型均为基于改进植被指数的ANNs模型,R2分别为0.83、0.76,RPD为2.15、2.06。（5）研究区的土壤有机质含量运用普通克里金插值与遥感反演两种反演方法,所呈现有机质含量的分布规律较为一致。无人干扰区、人为干扰区分别呈现出呈现中间低、四周高以及西南、东北低,中-北部高的趋势,其中无人干扰区的有机质含量多集中在1520g/Kg,人为干扰区主要集中在1015g/Kg。人类活动对于有机质的含量与分布影响较大,例如无人干扰区的有机质含量高于人为干扰区,且人为干扰程度越严重有机质含量越低;同时在建立模型时,无人干扰区的模型精度也始终高于人为干扰区。