艾比湖流域不同土地覆盖类型土壤养分高光谱反演-中国生态农业学报.PDF

2016 11 24 11 Chinese Journal of Eco-Agriculture, Nov. 2016, 24(11): 15551564 DOI: 10.13930/ki.cjea.160547 * 1,2 1,2** 1 1 1 1 蒋烨林 王让会 李 焱 李 成 彭 擎 吴晓全 (1. 210044; 2. 210044) 土壤养分影响着土壤的质量, 也影响着植被、农作物等的生长。为快速准确地估测艾比湖流域土壤 养分状况, 选择艾比湖流域精河县作为研究区, 以精河县内不同地表覆盖类型土壤为研究对象, 基于实地采 集的75 个土壤样品的室内ASD FieldSpec3 实测光谱数据和3 种光谱变换形式, 利用 10 nm 间隔重采样进行去 噪处理, 再结合多元逐步回归法(SMLR) 、偏最小二乘法回归法(PLSR) 、人工神经网络法(ANN)分别建立土壤 养分预测模型, 以探索最优模型。结果表明: 土壤实测光谱的一阶微分、二阶微分变换形式能显著提高光谱与 土壤养分之间的相关性, 尤其是一阶微分变换与土壤有机质和全氮的相关性最高分别达 0.87 和 0.91, 光谱变 换技术能显著增强土壤养分与高光谱之间的敏感度, 达到更好的建模效果; SMLR、PLSR 和ANN 这3 种模型 都具有良好的预测能力, 其中, ANN 建立的模型预测效果最好, 二阶微分变换的ANN 模型对有机质、全氮的 预测决定系数(R2)分别为0.886 和0.984, 均方根误差(RMSE)分别为2.614 和0.147, PLSR 次之; 全氮的预测效 果明显优于有机质的预测效果, 说明高光谱和全氮之间的敏感性更高。总体来说, 光谱二阶微分变换形式的人 工神经网络模型可以最精确稳定地完成土壤养分含量的快速预测, 能够实现艾比湖流域的土壤养分空间分布 状况和动态变化特征的动态监测。 土壤养分 高光谱遥感 多元逐步回归 偏最小二乘法 人工神经网络 艾比湖流域 : S151.9 : A : 1671-3990(2016)11-1555-10 Hyper-spectral retrieval of soil nutrient content of various land-cover * types in Ebinur Lake Basin 1,2 1,2** 1 1 1 1 JIANG Yelin , WANG Ranghui , LI Yan , LI Cheng , PENG Qing , WU Xiaoquan (1. School of Applied Meteorology, Nanjing University of Information Science and Technology, Nanjing 210044, China; 2. Collaborativ