论文部分内容阅读
土壤有机碳含量是衡量土地质量的重要指标,农田耕地碳含量的监测对土地管理和生态环境的可持续发展至关重要。近地高光谱遥感可以实现有机碳含量的快速预测,但土壤反射率受到土表散射光、土壤水分和各种噪声的影响,有机碳光谱信号探测受阻,预测模型性能低下,如何有效提高土壤有机碳含量预测精度是亟待解决的问题。本文以原状湿润水稻土为研究对象,运用分数阶微分光谱技术(Fractional derivative,FD)、小波包分析(Discrete wavelet packet analysis,DWCT)、局部最相关算法(Location correlation maximization,LCM)对反射光谱数据进行处理,提取了土壤有机碳含量最优光谱,建立有机碳含量偏最小二乘(Partial least squares regression,PLSR)预测模型,以期解决原状湿土碳含量预测模型精度低下问题;同时结合土壤含水量,探究了上述光谱处理方法在不同土壤湿度下的适用性。主要结论如下:(1)分数阶微分光谱技术能够捕捉到整数阶微分光谱变换中容易遗漏的过渡光谱信息,微分处理可以显著提升反射率与有机碳含量的相关性(0.6阶>1.0阶>2阶),通过极显著相关检验的波段个数都在0.6阶次时达到最高,对应的有机碳含量预测模型相比原始反射率(R2val=0.663,RMSEV=2.045 g/kg,RPD=1.77)也有了明显的提升(R2val=0.693,RMSEV=1.952g/kg,RPD=1.85)。(2)对0.6阶微分光谱进行小波包分析,可以有效去除微分光谱变换中传递的原始噪声和引入的高频噪声,第6层重构光谱反射率与有机碳的相关性最高,对应有机碳含量预测模型(R2val=0.727,RMSEV=1.840g/kg,RPD=1.97,优于单独使用微分光谱(R2val=0.693,RMSE=1.952g/kg,RPD=1.85)或者小波包重构光谱(R2val=0.663,RMSEV=2.044g/kg,RPD=1.77)。(3)使用LCM算法可以在去除噪声的同时最大化保留土壤光谱中有机碳响应信号,最优光谱有机碳含量预测模型(R2val=0.781,RMSEV=1.679 g/kg,RPD=2.17,并且经过bagging不确定检验证明模型稳定可靠(R2val=0.797,RMSEV=1.660 g/kg,RPD=2.18):预测模型的变量投影重要性(Variable importance in projection,VIP)得分较高的波段集中在可见光、1450和1950 nm附近,LCM算法不能有针对性的彻底去除土壤水分对反射光谱的影响。(4)土壤水分影响有机碳含量预测效果,土壤湿度在50～250 g/kg时模型精度无规则波动,250～450g/kg时有机碳光谱信号被遮蔽,出现预测精度随含水量增加而增加的“虚高”现象;LCM算法在不同湿度梯度下都能有效提高有机碳预测精度,其中在含水量为50～250g/kg时表现最佳,并且能在一定程度上改善碳含量预测中的“虚高”现象。