基于高光谱数据的大冶湖流域土壤全氮反演研究

作     者：王雨洁 

作者单位：华中农业大学 

学位级别：硕士

导师姓名：张瑜

授予年度：2023年

学科分类：09[农学] 0903[农学-农业资源与环境] 

主      题：高光谱 土壤全氮反演 光谱指数 随机森林 支持向量机 BP神经网络 大冶湖流域 

摘      要：随着降水和径流等对土壤的冲刷,土壤高氮流失的区域成为面源污染中的“源。要确定面源污染中“源的位置,需要对研究区内的土壤氮含量分布有清晰的认识。传统的实验室土壤化学分析方法存在一定的局限,在样品数量较多时难以快速完成土壤全氮的定量分析。因不同土壤都有其特有的光谱反射特征,利用高光谱技术对土壤全氮含量进行快速监测,具有非常重要的理论和现实意义。本研究以大冶湖流域为研究区,采用网格布点法布设了 383个采样点,并测定了所采样品的光谱数据信息及全氮值含量。对光谱数据进行平滑后,进行连续统去除、标准正态变换、一阶导、二阶导、平方根及其一二阶导、倒数及其一二阶导、对数及其一二阶导、倒数对数及其一二阶导等光谱变换。对变换后的光谱反射率,两两进行差值、比值、归一化三种光谱指数的构建,并与土壤全氮进行相关性分析,找到相关性最强的波段。分别将变换后的光谱数据、所构建的土壤光谱指数与土壤全氮含量相对应,采用随机森林、支持向量机和BP神经网络三种机器学习回归方法,进行大冶湖流域全样点以及林地、农田土壤全氮值高光谱反演模型的构建,并比较所建模型的精度,挑选出最优的反演模型。本研究的主要结论如下:(1)大冶湖流域全氮值在流域北部、中东部、西北部及东南部的土壤中分布较高,在南北两侧低山区域分布较低。林地土壤全氮含量均值最高,裸地土壤全氮含量均值最低,土地利用类型不同,导致土壤全氮含量出现了差异。(2)经数学变换后的光谱大部分在1400nm、1900nm和2200nm处都出现了峰值。经过数学变换后,光谱数据有一定程度上的压缩,从整体上提高了数据的一致性与可比性。采用一阶导、对数、倒数、平方根、倒数对数、连续统去除、标准正态变换等方法后所构建的模型建模精度较好,经光谱变换后所建的模型,精度较直接建模均得到了有效提升。(3)选择经变换后的任意两光谱波段,分别构建差值、比值、归一化光谱指数,并比较不同光谱指数与全氮之间的相关关系。其中经一阶导变换后的光谱在885nm和686nm处所构建的比值光谱指数,与大冶湖流域土壤全氮值含量相关性最高,此处相关系数为0.618。全样点和林地样点下所构建的光谱指数模型精度,较光谱变换后所建模型精度稍低;在单一农田地类情形下,构建光谱指数后所建立的模型,预测精度得到了一定提高。整体上经归一化光谱指数构建后的土壤光谱数据,建模精度较另两种光谱指数构建方法所建立的模型效果更好。(4)大冶湖流域全样点最佳预测模型为倒数对数-BPNN模型,其训练集R2为0.536,RMSE值为2.074,预测集R2为0.623,RMSE值为2.601;林地土壤全氮最佳预测模型为连续统去除-BPNN模型,其训练集R2为0.681,RMSE值为1.974,预测集R2为0.667,RMSE值为3.066;农田土壤全氮最佳预测模型为对数-NDSI-RF模型,其训练集R2为0.830,RMSE值为1.093,预测集R2为0.707,RMSE值为2.574。整体来看,在对大冶湖流域土壤全氮反演过程中,采用BPNN、RF方法所构建的模型,对全样点、林地样点和农田样点均有较好的预测效果。