基于不同模型的土壤有机质含量高光谱反演比较.pdfVIP

第33卷，第1期 光谱学与光谱分析 2 01 and January，2013 3年1月 SpectroscopySpectralAnalysis 基于不同模型的土壤有机质含量高光谱反演比较分析 芳4，王 芳1’2 栾福明1’2，张小雷L弘，熊黑钢3一，张 1．中国科学院新疆生态与地理研究所，新疆乌鲁木齐830011 2．中国科学院大学，北京100049 3．北京联合大学应用文理学院，北京100083 4．新疆大学资源与环境科学学院，新疆乌鲁木齐830046 摘要以新疆奇台县为研究区域，选取该县40个土壤样本，采用多元线性逐步回归法和人工神经网络法 两种方法分别建立了土壤有机质含量的反演模型，并对模型进行了检验。结果发现：不同模型的精度值各 异，其拟合效果从高到低依次为人工神经网络(ANNs)集成模型单个人工神经网络(ANNs)模型多元逐 步回归(MLSR)模型。人工神经网络的线性和非线性逼近能力较强，而其集成模型作为提高反演模型精度的 重要手段，相关系数高达0．938，均方根误差和总均方根误差最小，分别仅为2．13和1．404，对土壤有机质 含量的预测能力与实测光谱非常接近，分析结果达到了较实用的预测精度，为最优拟合模型。 关键词奇台；土壤有机质；高光谱反演分析；多元逐步回归；人工神经网络 中图分类号：S151．9文献标识码：A DOI：10．3964／j．issn．1000—0593(2013)01—0196—05 在数据拟合、函数逼近等方面的优势明显[4]。因此，本工作 引 言 分别采用多元线性逐步回归(MLsR)和人工神经网络 (ANNs)两种不同的方法建立土壤有机质含量的高光谱反演 土壤有机质(s0M)含量与高光谱之间的关系一直是学 模型，并对其拟合效果进行对比，确定其最佳拟合模型，可 术界研究的热点之一。传统的土壤养分化学测定方法浪费时 为今后土壤参数的信息提取提供一定的理论依据。 间、人力、物力，已不能满足研究的需要。而高光谱凭借其 极高的光谱分辨率、灵活多样的分类识别方法等优势，使得 1实验部分 土壤化学组分的定量或半定量分类识别成为可能，因此，研 究利用土壤高光谱估算土壤有机质含量的意义重大。 1．1样品 国内外学者AI-Abbas、Li、孙建英等使用光谱、多光谱 采样点选择新疆奇台县，该县属中温带大陆性干旱半干 遥感、超光谱等分析技术对土壤有机质、电导率、含水率等 cm的土壤样本 旱气候区，夏季炎热，冬季寒冷。采集o～30 进行了分析预测，并对参数的敏感光谱波段进行了分析研 40个，其采集点尽量均匀覆盖盐碱地、荒地、小麦地、油葵 究[1-3]。目前，运用土壤光谱对土壤有关性质的估算大多是地等以及不同作物下的土地利用类型。样品经自然风干，人 利用多元逐步回归、偏最小二乘回归等统计方法，而土壤有 工磨碎后过lmm筛。每个样品分成两份，一份用于光谱分 机质与高光谱之间的关系复杂，存在极大的随机性和非线 析，一份用于有机质化学分析。将40个样本数据分为两部 性，其光谱特性很难用几个波段解释，所以，简单的回归模 分，28个分别用于建立回归模型和人工神经网络模型，其余 型在处理非线性、异方差性、多重共线性等复杂问题尚有一