导读:本文包含了土壤光谱模型论文开题报告文献综述及选题提纲参考文献，主要关键词:土壤全钾,高光谱指标,反演模型,华南地区
土壤光谱模型论文文献综述
彭一平,刘振华,王璐,赵理,胡月明[1]（2019）在《华南地区土壤全钾含量高光谱反演模型研究》一文中研究指出【目的】为更快速准确地估算土壤全钾含量。【方法】本文以土壤高光谱数据和实验室分析所得的土壤全钾含量数据为数据源,研究土壤光谱与土壤全钾含量的关系。在土壤原始光谱预处理的基础上,对其进行光谱平滑、一阶微分、二阶微分和倒数对数等光谱变换处理,筛选出与对土壤全钾含量相关性最高的光谱指标,最终建立模型预测土壤全钾含量。【结果】基于一阶微分变换的光谱变量是估算土壤全钾含量的最佳光谱指标,其构建的土壤全钾高光谱反演模型(y=2E+06x~2+11328x+16.372)效果最佳,决定系数R~2为0.64,均方根误差RMSE为4.850 g/kg。【结论】利用该模型快速估算广东省土壤全钾含量是可行的。(本文来源于《西南农业学报》期刊2019年10期）
袁静,王鑫,颜昌翔[2]（2019）在《不同含水量黑土土壤光谱反射率半经验模型构建》一文中研究指出土壤含水量的变化情况与时空分布对热量平衡、农业墒情等具有显着的影响。利用反射率光谱信息反演土壤含水量的研究,可为实现土壤含水量速测、揭示土壤含水量时空变异规律提供科学依据。构建不同含水量黑土土壤反射率光谱半经验模型,深入探究土壤重量含水量与反射率光谱的关系。制备了12种不同湿度的土壤样品。采用ASD Field Spec Pro 3地物波谱仪对制备的不同湿度梯度的黑土土壤进行反射率光谱测量。利用菲涅耳反射率建立土壤表面反射模型;在以往的研究中, Kubelka-Munk (KM)模型中的漫反射率R_∞通常被视为对于给定材料和照明波长的常数或需要反演的参数。通过研究发现,漫反射率R_∞不仅与材料和波长有关,还与土壤含水量相关。利用与土壤含水量相关的吸收系数及散射系数描述了土壤含水量与漫反射率R_∞的关系,并基于KM理论对体散射分量进行建模;进而构建不同含水量黑土土壤反射率光谱半经验模型。根据实际测量数据选用最小二乘算法对模型参数进行反演,并通过分析反演参数简化模型。最后,将未参与建模的不同含水量梯度的数据代入模型中,验证模型的有效性。结果表明:对比不同含水量土壤反射率光谱的模拟值与实测值在400～2 400 nm波段范围内的模拟精度发现,含水量为200 g·kg~(-1)的土壤反射率光谱的均方根误差最大,为0.008,含水量为40 g·kg~(-1)的土壤反射率光谱的均方根误差最小,为0.000 6,不同含水量下土壤样品反射率光谱的均方根误差的均值是0.005 1。在400～2 400 nm波段范围内,不同波长下黑土土壤反射率光谱的预测均方根误差基本低于0.008, 1 920 nm波长处的预测均方根误差最小,为0.002 062。采集长春地区的土壤检验模型的可靠性,配制15个不同含水量样品并对其进行反射率光谱测量。选取9个样品数据用于建模, 6个样品数据用于验证。结果表明:在400～2 400 nm波段范围内,不同波长下的长春土壤反射率光谱的预测均方根误差基本低于0.015, 525 nm波长处的预测均方根误差最小,为0.000 922 5。综上所述,所建立的模型具有很高的预测精度,可很好地适用于不同含水量黑土土壤反射率光谱的模拟。(本文来源于《光谱学与光谱分析》期刊2019年11期）
王祥浩[3]（2019）在《土壤有机质高光谱反演模型研究》一文中研究指出土壤有机质含量的多少是衡量土壤肥力的一个重要指标。针对传统的土壤养分化学测定方法存在耗时、费力等问题,力图用小波变换、一阶导数、对原始光谱的平均值处理、光谱背景及深度方法对土壤反射值光谱数据进行变换,同时利用人工神经网络构建土壤有机质高光谱反演模型来解决这一问题,结果表明:利用小波变换与原始光谱的平均值处理这两种方法和神经网络结合得到的反演模型有较高的预测精度,其预测值与实测值相关系数达到0.63,且其均方根误差小于0.17,具有实际应用的潜力。(本文来源于《黑龙江工程学院学报》期刊2019年05期）
赵理,屈冉,聂忆黄,熊文成,刘振华[4]（2019）在《华南地区土壤汞含量高光谱反演模型的构建》一文中研究指出土壤中的重金属汞元素是对人体毒害最大的5种重金属之一,为了实现快速土壤重金属汞的监测,本文采集了广东省75个土壤样品,对其进行室内高光谱测定和化学测试分析,获取高光谱数据及土壤重金属汞含量。为了获取土壤汞的高光谱反演的最佳模型,本研究对土壤高光谱数据进行平滑、连续统去除、光谱微分、倒数对数、倒数、对数、双波段组合等处理,同时,对土壤汞含量作对数变换,通过反复试验,筛选出与对数变换后的土壤汞含量相关性最高的光谱指标。研究结果表明:土壤汞的最佳光谱指标为反射率一阶微分的波段组合(700*R_((587. 705nm))-250*R_((1373. 48nm))),相关系数高达-0. 744;由反射率一阶微分光谱指标构建的土壤汞的高光谱反演模型最佳(y=0. 1491x~3-0. 53x~2+0. 0358x+1. 2596),其决定系数R~2为0. 60,均方根误差RMSE为0. 183。其验证样本预测值与实测值比较,平均相对误差为0. 169。由此可知该模型用来快速估算广东省土壤汞含量是可靠的。(本文来源于《科技通报》期刊2019年08期）
刘焕军,孟祥添,王翔,鲍依临,于滋洋[5]（2019）在《反射光谱特征的土壤分类模型》一文中研究指出土壤反射光谱综合反映了土壤的理化性质和内部结构,高光谱遥感已被用于基于土壤反射光谱特性的土壤分类。已有研究一般利用土壤反射光谱一阶微分主成分作为输入量进行光谱分类模型构建,但主成分数据缺乏物理意义,且缺乏对比性、适用范围也有限。与反射率一阶微分数据相比,基于去包络线提取具有明确物理意义的特征参数,能够提高土壤分类的精度,并寻找到一种高精度土壤分类模型。选取吉林省农安县的四种典型土壤(风砂土、草甸土、黑土、黑钙土),将采集后的土壤样本进行风干、研磨、过2 mm筛处理,采用ASD FiledSpec~?3便携式光谱仪对处理后的土壤样本的可见光近红外光谱区进行测试,从而获得土壤样本的光谱数据。对光谱数据进行九点平滑、 10 nm重采样处理进行降噪,将处理后的数据分别进行一阶微分主成分以及去包络线处理。利用土壤样本的去包络线提取光谱特征参数。以一阶微分主成分数据和光谱特征参数为输入量分别代入Logistic聚类模型(LR)、人工神经网络聚类模型(ANN)、 K-均值聚类模型(K-means)。首先明确了不同土类之间的反射光谱曲线、去包络线的差异大小,以及相同土壤的反射率曲线、去包络线进行土壤分类的优劣,并且在去包络线的基础上提取能够区分不同土类的光谱特征参数;其次,比较一阶微分主成分与光谱特征参数作为输入量时,叁种光谱分类模型精度差异并分析不同模型精度差异的原因。结果表明:(1)四种土壤的反射光谱曲线差异较小,去包络线可以极大的增强四种土壤在430～1 210 nm之间的光谱差异,并在去包络线的基础上构建具有明确物理意义的光谱特征参数。(2)将一阶微分主成分和光谱特征参数分别代入叁种聚类模型可知,以光谱特征参数为输入量的土壤光谱分类模型均超过了以一阶微分主成分为输入量的模型精度,由于光谱特征参数保留了原数据的物理意义、更准确的体现了不同土壤类型之间的差异性,而一阶微分主成分数据带有一定的模糊性不同范围之间缺乏对比性,在土壤分类中以光谱特征参数作为输入量更具有优势。(3)在叁类土壤分类模型中, LR的分类精度最高为76.67%, Kappa系数为0.56; ANN的分类精度中等为72.50%, Kappa系数为0.48; K-means的分类精度最低,只有65.00%, Kappa系数为0.33。研究成果可为土壤精细制图、以及土壤分类仪器的研制提供技术支持。(本文来源于《光谱学与光谱分析》期刊2019年08期）
钟浩,李西灿,翟浩然,周钰[6]（2019）在《耕层土壤有机质高光谱间接估测模型》一文中研究指出针对光学遥感技术只能获取表层土壤光谱信息而无法直接估测耕层土壤有机质含量的问题,探索建立基于表层土壤高光谱信息的耕层土壤有机质间接估测模型。以山东省济南市章丘区采集的76个表层、耕层土壤样本数据为基础,首先分析原始光谱反射率的光谱特征;然后利用反射率的一阶微分、平方根的一阶微分和对数倒数的一阶微分等方法对原始光谱反射率进行变换,并根据极大相关性原则选取估测因子;最后根据表层土壤有机质含量与耕层有机质含量间的内在关系,建立耕层土壤有机质含量的间接估测模型。结果表明,以557、1 621、2 107和2 316 nm波段对数倒数的一阶微分变换值和864 nm波段反射率平方根倒数一阶微分的变换值为估测因子,使用二次函数关系模型对耕层土壤有机质含量间接估测的精度最高,其决定系数R~2为0.784,平均相对误差为10.7%。研究表明,利用表层土壤高光谱信息间接估测耕层有机质含量可行有效。(本文来源于《测绘科学技术学报》期刊2019年01期）
杨可明,张伟,付萍杰,高鹏,程凤[7]（2019）在《铜污染土壤光谱特征及弱差信息的LH-PSD甄测模型》一文中研究指出土壤受重金属污染后,会影响农作物及食品安全,危及人体健康,因此寻找快速、高效甄测土壤重金属污染信息的方法尤为关键。传统化学分析方法存在过程繁杂、费时耗力等缺点,而高光谱遥感因光谱分辨率高、信息量大、快速无损等特点在环境监测等应用方面优势明显。由于电磁遥感信号反射、辐射过程复杂,通过仪器获取的土壤高光谱数据难以直接解析出重金属污染信息,因而,研究并寻求一种能够有效挖掘土壤重金属污染信息的方法对高光谱遥感监测污染意义重大。不同浓度铜(Cu)污染会使土壤理化性质改变,引发土壤光谱产生微弱变化,该研究目的是对Cu污染土壤光谱的特征及弱差信息进行识别、提取与分析,进而挖掘光谱中的重金属污染信息。采用包络线去除(CR)对光谱进行预处理,通过定义局部极大值均值(LMM)与半波高(HWH),结合时频分析的短时傅里叶变换(STFT)及能量谱密度(PSD),构建LH-PSD甄测模型。通过模型对极相似土壤光谱进行处理,所获PSD分布图使光谱间的微弱差异可视化显现,并显着区分了相似光谱,验证了模型对光谱特征及弱差信息的甄别能力和有效性。同时应用该模型,对不同Cu污染梯度的土壤实验光谱进行重金属污染信息的提取与分析,研究结果表明, LH-PSD甄测模型中, LMM与HWH可有效提取光谱间差异特征并以阶梯状显现。经模型处理后得到的可视化PSD分布图能直观定性判别土壤是否受重金属Cu污染,即当土壤受重金属Cu污染后,相同采样频数下,在频率为100与600 Hz附近PSD分布会出现明显空缺分离,随着Cu污染浓度的增加,在100～600 Hz之间PSD的分布呈逐渐稀疏态势。能量值E可定量化监测土壤Cu污染程度,即随着土壤中Cu污染浓度的增加,E值呈下降趋势,且与Cu含量的相关系数达到-0.910 5,显着相关。为检验模型的可靠性,研究结合栽种玉米作物的土壤光谱,经LH-PSD甄测模型对其进行分析,所得可视化的PSD分布图结果与实验分析中基本一致,且能量值E的监测结果与土壤中Cu含量相关系数达到-0.973 9,相关性显着,验证了模型的可靠性。因此, LH-PSD甄测模型实现了对土壤光谱从光谱域到时频域的甄析,为深度挖掘重金属污染的光谱特征及弱差信息提供一种新思路。(本文来源于《光谱学与光谱分析》期刊2019年07期）
贺军亮,李志远,李仁杰,周智勇,东启亮[8]（2019）在《基于有机质光谱特征的土壤重金属Pb估算模型研究》一文中研究指出为实现土壤重金属含量的高光谱快速监测,以石家庄地表水源保护区土壤样本为研究对象,基于土壤有机质(SOM)敏感波段对应的多种光谱变换指标,采用多元线性逐步回归和偏最小二乘回归方法,构建土壤重金属Pb含量的间接反演模型。结果表明:研究区土壤样本Pb平均值为19.729mg/kg,SOM与Pb含量的R达到0.740,两者存在一定的吸附赋存关系。SOM在土壤反射率中的敏感波段为798nm,各种光谱变换指标中土壤反射率倒数对数一阶微分(ATFD)与SOM含量的相关性最大,R达到-0.754。基于建模样本和验证样本分析,多光谱变换指标偏最小二乘回归(M-PLSR)模型优于单光谱变换指标多元线性逐步回归(U-MLSR)模型和多光谱变换指标多元线性逐步回归(M-MLSR)模型,建模样本和验证样本R~2分别为0.876和0.801。基于SOM光谱诊断特征建立M-PLSR模型来间接反演土壤重金属Pb含量是可行的,可为该地区土壤重金属Pb的快速监测提供参考。(本文来源于《环境污染与防治》期刊2019年07期）
贺军亮,崔军丽,李仁杰[9]（2019）在《土壤重金属铬的高光谱估算模型》一文中研究指出为探讨利用高光谱遥感快速监测土壤重金属含量的可行性,以石家庄市水源保护区为研究区域,对其土壤光谱数据与重金属铬含量进行相关性分析,运用多元逐步回归、偏最小二乘回归等多种方法建立估算模型。结果表明:土壤光谱特征波段为411、421、425、446、634、894、1 254、1 566、1 909 nm,主要处于土壤铁锰氧化物的特征吸收区域;多光谱变换指标多元逐步回归模型和多光谱变换指标偏最小二乘回归模型的决定系数R~2分别达到0. 689和0. 668。与单光谱变换指标模型相比,多光谱指标模型估算效果有明显提升。集成多光谱变换指标建模的思路可为土壤重金属铬的遥感监测提供借鉴。(本文来源于《实验室研究与探索》期刊2019年07期）
李阳[10]（2019）在《基于高光谱数据的南疆干旱区土壤有机质含量预测的模型研究》一文中研究指出土壤有机质是土壤中含碳有机物的总称,能够为植物的生长提供养分,土壤有机质含量是衡量土壤肥力高低的重要指标。土壤有机质的空间分布是粮食估产、土壤质量评价以及现代农业生产的重要基础。虽然传统的土壤农化分析方法能够准确测定土壤的有机质含量,但是野外采样容易对土体造成破坏且需室内使用化学方法测量耗时较长,存在着费用高、基础工作量大、不能在短时间内获取土壤有机质的空间分布数据以及实现大面积土壤有机质的连续测定,有很大的局限性。常规光学遥感波段相对较少且光谱分辨率较低,虽然覆盖面积较广,但对于区域性的土壤有机质含量监测,存在着很大的误差。土壤高光谱技术是监测土壤有机质的一种新型手段,对应的地面遥感试验则是确保检测精度的重要依据,近地面的光谱测量是遥感图像与数据解译的重要基础。同时,土壤高光谱技术具有无污染、无破坏、低成本、信息量大、效率高等特点,被广泛应用于土壤有机质的研究当中。本研究以南疆干旱区的农田土壤与荒漠土壤为研究对象,使用美国ASD公司的FieldSpec Pro FR型光谱仪在一个能控制光照条件的暗室内对经过处理的土样进行测量土样的有机质含量与可见光近红外光谱数据。在此基础上,采用多种光谱数据变换的方法,分别构建了不同的预测模型,不同建模方法的精度对比结果表明PLSR具有最高的建模精度。在构建南疆荒漠土壤有机质的光谱定量反演模型时,发现SGS+MAN+OSC处理模式下的建模集的R~2最高、RMSE最低,分别为0.81和0.98,该模型预测集的R2、RMSE、RPD分别为0.76、0.99和2.01,表明该模型具有较好的预测能力,可推荐为南疆荒漠土壤有机质的光谱定量反演模型。在构建南疆农田土壤有机质的光谱定量反演模型时,发现SNV+MAN+SGS处理模式下的建模精准度最稳定,可推荐为南疆农田土壤有机质的光谱定量反演模型。最后利用土壤光谱曲线特征与反射率数据来进行土壤光谱的分类,采用模糊k-均值聚类方法将土壤反射光谱特征分为四类,并采用偏最小二乘回归法(PLSR)建立各自类别与全局的有机质预测模型。结果表明,光谱分类建模相较于全局建模的精度明显提升,其中,四个类别的建模指标RPD均大于2.0,能够显着提高模型的稳定性预测精度。(本文来源于《塔里木大学》期刊2019-06-01）
土壤光谱模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
土壤含水量的变化情况与时空分布对热量平衡、农业墒情等具有显着的影响。利用反射率光谱信息反演土壤含水量的研究,可为实现土壤含水量速测、揭示土壤含水量时空变异规律提供科学依据。构建不同含水量黑土土壤反射率光谱半经验模型,深入探究土壤重量含水量与反射率光谱的关系。制备了12种不同湿度的土壤样品。采用ASD Field Spec Pro 3地物波谱仪对制备的不同湿度梯度的黑土土壤进行反射率光谱测量。利用菲涅耳反射率建立土壤表面反射模型;在以往的研究中, Kubelka-Munk (KM)模型中的漫反射率R_∞通常被视为对于给定材料和照明波长的常数或需要反演的参数。通过研究发现,漫反射率R_∞不仅与材料和波长有关,还与土壤含水量相关。利用与土壤含水量相关的吸收系数及散射系数描述了土壤含水量与漫反射率R_∞的关系,并基于KM理论对体散射分量进行建模;进而构建不同含水量黑土土壤反射率光谱半经验模型。根据实际测量数据选用最小二乘算法对模型参数进行反演,并通过分析反演参数简化模型。最后,将未参与建模的不同含水量梯度的数据代入模型中,验证模型的有效性。结果表明:对比不同含水量土壤反射率光谱的模拟值与实测值在400～2 400 nm波段范围内的模拟精度发现,含水量为200 g·kg~(-1)的土壤反射率光谱的均方根误差最大,为0.008,含水量为40 g·kg~(-1)的土壤反射率光谱的均方根误差最小,为0.000 6,不同含水量下土壤样品反射率光谱的均方根误差的均值是0.005 1。在400～2 400 nm波段范围内,不同波长下黑土土壤反射率光谱的预测均方根误差基本低于0.008, 1 920 nm波长处的预测均方根误差最小,为0.002 062。采集长春地区的土壤检验模型的可靠性,配制15个不同含水量样品并对其进行反射率光谱测量。选取9个样品数据用于建模, 6个样品数据用于验证。结果表明:在400～2 400 nm波段范围内,不同波长下的长春土壤反射率光谱的预测均方根误差基本低于0.015, 525 nm波长处的预测均方根误差最小,为0.000 922 5。综上所述,所建立的模型具有很高的预测精度,可很好地适用于不同含水量黑土土壤反射率光谱的模拟。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
土壤光谱模型论文参考文献
[1].彭一平,刘振华,王璐,赵理,胡月明.华南地区土壤全钾含量高光谱反演模型研究[J].西南农业学报.2019
[2].袁静,王鑫,颜昌翔.不同含水量黑土土壤光谱反射率半经验模型构建[J].光谱学与光谱分析.2019
[3].王祥浩.土壤有机质高光谱反演模型研究[J].黑龙江工程学院学报.2019
[4].赵理,屈冉,聂忆黄,熊文成,刘振华.华南地区土壤汞含量高光谱反演模型的构建[J].科技通报.2019
[5].刘焕军,孟祥添,王翔,鲍依临,于滋洋.反射光谱特征的土壤分类模型[J].光谱学与光谱分析.2019
[6].钟浩,李西灿,翟浩然,周钰.耕层土壤有机质高光谱间接估测模型[J].测绘科学技术学报.2019
[7].杨可明,张伟,付萍杰,高鹏,程凤.铜污染土壤光谱特征及弱差信息的LH-PSD甄测模型[J].光谱学与光谱分析.2019
[8].贺军亮,李志远,李仁杰,周智勇,东启亮.基于有机质光谱特征的土壤重金属Pb估算模型研究[J].环境污染与防治.2019
[9].贺军亮,崔军丽,李仁杰.土壤重金属铬的高光谱估算模型[J].实验室研究与探索.2019
[10].李阳.基于高光谱数据的南疆干旱区土壤有机质含量预测的模型研究[D].塔里木大学.2019