南疆荒漠盐渍化土壤有机质的原位光谱监测模型研究
土壤有机质(SOM)作为评价土壤肥力的关键指标和陆地碳库的重要组成部分,快速监测荒漠土壤有机质的含量,可为后备耕地资源的合理开发及利用提供科学依据。野外原位光谱是一种可以实现土壤有机质快速、高效检测的理想手段,但土壤水分干扰一直是土壤有机质原位光谱检测所面临的挑战。本研究从中国新疆阿克苏地区采集135个土壤样品(0-20 cm),并测定其对应的原位光谱、实验室光谱、有机质含量和土壤含水量(SMC)。分析比较了三种预处理和三种特种变量选择算法结合三种建模方法所开发的土壤有机质预测模型的性能。同时将采集的土样经人工去除盐分后湿润至饱和含水量状态,测定湿润土样自然风干过程中的11个不同湿度水平的光谱数据,分析对比了外部参数正交化(EPO)、光谱直接转换法(DS)和光谱间接转换法(PDS)三种算法去除水分影响和改善土壤有机质预测精度的性能。最后,探究不同水分区间最优水分校正算法对原位光谱的校正能力。结果表明:三种水分校正算法中,PDS去除水分影响的能力相对较差。当土壤水分含量高于48%时,EPO、DS和PDS无法有效去除高含水量土样中的水分干扰。土壤含水量在25-48%时,以EPO算法对水分影响的去除最为有效,经EPO去除水分影响后的土壤有机质预测模型,R~2和RPD分别提高0.19和0.36以上。土壤含水量在6-25%时,DS算法是去除水分影响的最好方法,经DS去除水分影响后的土壤有机质预测R~2和RPD分别提高0.09和0.32以上。但水分含量小于6%时,土壤水分对土壤有机质光谱预测精度的影响较小,利用原位光谱即可高精度的预测土壤有机质,三种水分校正算法对土壤有机质预测精度的改善作用有限。标准正态变换(SNV)是基于Vis-NIR原位光谱预测土壤有机质含量最有效的预处理方法。三种特征变量选择算法筛选的波段所建立的有机质预测模型性能优于全波段光谱,并且以粒子群算法(PSO)建立的模型精度最高,R~2、RPD提升0.34、0.16以上。不论全波段还是筛选的特征波段,均以卷积神经网络(CNN)构建的预测模型提供了土壤有机质的最佳预测。SNV-PSO-CNN为土壤有机质原位光谱测量的最优组合模型。R~2为0.71,RPD为1.88,RMSE为1.67 g kg-1,可以实现荒漠土壤有机质含量的原位光谱定量反演。利用EPO和DS算法分别校正不同含水量的土壤原位光谱,能有效去除水分对原位光谱测量的影响。其中,对水分含量较高(25%<SMC<48%)的土壤样品利用EPO算法去除水分影响,而土壤水分含量在6%-25%之间时,利用DS算法去除原位光谱中的水分干扰。其原位校正光谱所建立的有机质预测模型R~2、RMSE和RPD可达到0.76、1.60 g kg-1和2.02。因此,在利用原位光谱估测土壤有机质之前,有必要使用水分校正算法进行光谱校正。
- 作者:
- 杨培敏
- 学位授予单位:
- 塔里木大学
- 授予学位:
- 硕士
- 学位年度:
- 2023年
- 导师姓名:
- 彭杰;殷彩云
- 中图分类号:
- S153.621
- 关键词:
- 土壤有机质;Vis-NIR原位光谱;特征变量选择;土壤水分含量;深度学习;水分校正算法
-
- 基金项目:
- 塔里木大学校长基金“智慧土壤创新团队项目”(项目编号:TDZKCX202205)课题主持人:彭杰教授(塔里木大学)%国家自然科学基金“星地传感协同的荒漠土壤盐渍化遥感监测机理与模型研究”(项目编号:42261016)课题主持人:彭杰教授(塔里木大学)