基于高光谱特征与人工神经网络模型对土壤含水量估算.pdfVIP

第37卷 ，第3期 光 谱 学 与 光 谱 分 析 Vo1．37，No．3，pp841—846 2017年 3月 SpectroscopyandSpectralAnalysis March，2017 基于高光谱特征与人工神经网络模型对土壤含水量估算 刁万英，刘 刚 ，胡克林 中国农业大学资环学院，土壤与水科学系，北京 100193 摘 要 土壤含水量 ()是影响作物生长和作物产量的主要因素之一。旨在评估基于光谱特征参数的各种回 归模型估算土壤含水量的精度 ，并比较人工神经网络(BP-ANN)和光谱特征参数模型的性能。2014年在室 内获取砂土和壤土的土壤含水量和光谱反射率数据。结果表明：(1)当砂土容重为 1．40g·CITI时，900 970nm最大反射率和 900～970nm反射率总和估算 0达到极显著水平 (R 超过 0．90)；容重为 1．5Og · cm 时，用蓝边最大反射率和 900 970nrn反射率总和估算0相关性最好 (超过 0．7o)；容重为 1．60g · cm_3时，780~970nm反射率总和与 560~760nm归一化吸收深度的R 均超过0．9O，达到极显著水平；容 重为 1．70g·cm 时，900~970nm最大反射率和900~970nED_反射率总和的R 为0．88，呈极显著水平。 (2)当土壤类型为壤土时，用900~970nm最大反射率和900~970nm反射率总和估算0相关性最好。(3)蓝 边反射率总和(R一O．26和RMSE=0．09m3·ITI)和780 970nm吸收深度 (R2=0．32和 RMSE=0．10 rrl3·m )估算砂土的含水量相关性最好。在估算壤土的含水量时，900~970nm最大反射率 (R 一0．92和 RMSE=0．05m3·m-。)与900~970nm反射率总和估算模型的精度最高(R2一O．92和RMSE=0．04m3· ii1 )。(4)用人工神经网络模型能够更好地估算两种土壤的含水量 (R2—0．87和 RMSE=0．05m3·m )。 因此，人工神经网络模型对0估算具有巨大的潜力。 关键词 土壤含水量；光谱特征参数 ；人工神经网络 中图分类号：S152．7 文献标识码 ：A DOI：10．3964／j．issn．1000-0593(2017)03—0841—06 相关性 (相关系数大于0．8)平均相对误差为 1O _lg；当作物 引 言 覆盖度超过一定值时对土壤含水量的估测有影响，提出用融 合法来减少作物对土壤含水量估测的影响，与地面实测值具 土壤含水量是影响作物生长的重要 因素之一，在物质运 有较好的一致性-11o]。 移和养分输运过程中起重要作用_l1]，是陆地环境变量的重要 在野外土壤表层的容重易受外界环境影响(如耕作、降 因素 ，也是地表与大气之间的关键环节和主要研究对象_2。]。 雨和人类活动等)，变化范围较大，压实与未压实的土壤的 在监测干旱程度和时间、灌溉制度、土壤侵蚀以及蒸发过程 反射率变化较大111]。前人研究多集中在特定的土壤容重，没 中，土壤含水量是关键变量_l4]。 有考虑到土壤容重变化的情况；同时，利用高光谱特征估算 有研究表明土壤反射率随着土壤含水量的增加而增加 ， 土壤含水量的研究较少；与人工神经网络 (ANN)结合估算 二者呈非线性关系[5]。WhitingE。]研究表明土壤反射率随水 土壤含水量的研究鲜见报道。因此，我们 以不同土壤类 型 分含量呈指数衰减 。利用水分敏感波段及植被指数来获得土 (砂土和壤土)、不同容重的土壤含水量为研究对象，获取土 壤含水量l7]。统计方法逐渐被人们应用于结果分析 中， 壤反射率 ，分析土壤光