留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于高光谱的桂东北峰丛洼地土壤有机碳含量预测

唐梅蓉 杨奇勇 唐海涛

唐梅蓉,杨奇勇,唐海涛.基于高光谱的桂东北峰丛洼地土壤有机碳含量预测[J].中国岩溶,2021,40(5):876-883. doi: 10.11932/karst2021y36
引用本文: 唐梅蓉,杨奇勇,唐海涛.基于高光谱的桂东北峰丛洼地土壤有机碳含量预测[J].中国岩溶,2021,40(5):876-883. doi: 10.11932/karst2021y36
TANG Meirong,YANG Qiyong,TANG Haitao.Prediction of soil organic carbon content based on hyperspectral data in peak-cluster depressions, northeastern Guangxi[J].Carsologica Sinica,2021,40(05):876-883. doi: 10.11932/karst2021y36
Citation: TANG Meirong,YANG Qiyong,TANG Haitao.Prediction of soil organic carbon content based on hyperspectral data in peak-cluster depressions, northeastern Guangxi[J].Carsologica Sinica,2021,40(05):876-883. doi: 10.11932/karst2021y36

基于高光谱的桂东北峰丛洼地土壤有机碳含量预测

doi: 10.11932/karst2021y36
基金项目: 

国家重点研发计划项目 2016YFC0502404

广西重点研发计划 桂科AB20159022

详细信息
    作者简介:

    唐梅蓉(1996-),硕士研究生,研究方向:国土资源调查与管理。E-mail:809497241@qq.com

    通讯作者:

    杨奇勇(1976-),研究员,研究方向:水土资源评价、GIS和遥感应用。E-mail:yangqiyong0739@163.com

  • 中图分类号: S153.6

Prediction of soil organic carbon content based on hyperspectral data in peak-cluster depressions, northeastern Guangxi

Funds: 

 2016YFC0502404

 桂科AB20159022

  • 摘要: 以桂东北寨底峰丛洼地土壤为研究对象,利用二阶微分和去除包络线二阶微分方法对土壤光谱进行处理,筛选出3种光谱指数与土壤有机碳(SOC)相关系数最高的特征波段,通过比较偏最小二乘回归、多元线性回归与多元逐步回归等模型的精度,确定SOC最佳估测模型。结果表明:(1)研究区土壤样品有机碳质量分数最小值为 0.20%,最大值为6.06%,变异系数为63.28%,具有中等强度的空间异质性;(2)二阶微分光谱指数建立的多元线性回归模型精度优于原始光谱反射率及包络线二阶微分的模型;(3)二阶微分、包络线二阶微分光谱指数建立的偏最小二乘回归预测模型均比通过原始数据建立的模型精度高出0.3;(4)基于二阶微分所建立的多元逐步回归模型具有较高的预测精度(R2=0.75,均方根误差RMSE=4.83和较大的剩余估计偏差RPD=2.00)。

     

  • 图  1  研究区域位置及采样点分布

    Figure  1.  Location of the study area and distribution of sampling points

    表  1  光谱指数及公式

    Table  1.   Spectral indices and formula

    光谱指数公式
    差值指数(DI)DI=R1-R2
    比值指数(RI)RI=R1R2
    归一化指数(NDI)NDI=R1-R2R1+R2

    注:RiRj 属于 400~2 400 nm 中任意两波段,且 RiRj

    下载: 导出CSV

    表  2  土壤有机碳含量统计结果

    Table  2.   Statistical results of organic carbon content in soil samples

    样本类型样本数最小值/%最大值/%均值/%标准差/gkg-1变异系数/%
    总体样本890.206.061.6810.6363.28
    建模样本600.206.061.6911.0765.38
    验证样本290.324.401.659.6658.40
    下载: 导出CSV

    表  3  土壤有机碳含量与最佳光谱指数的关系

    Table  3.   Relationship between soil organic carbon content and optimal spectral index

    R变换形式DSIRSINDSI
    公式r公式r公式r
    原始光谱R561,R5620.38**R401,R4020.35**R1 805,R1 8060.40**
    二阶微分R551-R816-0.62**R877/R1 1810.66**(R1 357-R1 702)/(R1 357+R1 702)0.64**
    去包络线二阶微分R551-R816-0.62**R1 905/R2 3080.55**(R443-R960)/(R443+R960)-0.66**

    注:**,相关性在0.01水平上显著(双尾);r 为相关系数。

    下载: 导出CSV

    表  4  有机碳含量多元线性回归模型

    Table  4.   Multiple linear regression model of organic carbon content

    模型建模集验证集RPD
    R2RMSE/gkg-1R2RMSE/gkg-1
    原始光谱Y=804.07-20 038.13bDSI-828.37bRSI-59 052.13bNDSI0.378.540.409.151.06
    二阶微分Y=11.87+180 442.66bDSI+4.53bRSI-2.47bNDSI0.477.890.735.141.88
    包络线二阶微分Y=17.58+194 475.62bDSI+0.01bRSI+4.63bNDSI0.577.070.626.031.60
    下载: 导出CSV

    表  5  有机碳含量多元逐步回归模型

    Table  5.   Multiple stepwise regression model of organic carbon content

    模型建模集验证集RPD
    R2RMSE/gkg-1R2RMSE/gkg-1
    原始光谱Y=708.65-124 486.80bNDSI-10 950.55bDSI-723.73bRSI0.309.070.507.071.37
    二阶微分Y=11.75-2.34bNDSI+172 814.61bDSI+7.31bRSI0.657.920.754.832.00
    包络线二阶微分Y=13.695+30 423.15bDSI-1.16bNDSI0.4411.910.359.401.03
    下载: 导出CSV

    表  6  有机碳含量偏最小二乘回归模型

    Table  6.   Partial least squares regression model of organic carbon content

    R变换形式建模集验证集RPD
    R2RMSE/gkg-1R2RMSE/gkg-1
    原始0.398.670.339.471.02
    二阶微分0.418.510.626.041.60
    包络线二阶微分0.458.180.626.031.60
    下载: 导出CSV
  • 张雅蓉,李渝,刘彦伶,等.长期施肥对黄壤有机碳平衡及玉米产量的影响[J].土壤学报,2016,53(5):1275-1285.
    邵明玉,张连凯,刘朋雨,等.夏季黄土丘陵区不同土地利用方式土壤CO2分布特征及影响因素[J].中国岩溶,2019,38(1):70-79.
    LiangC H, YinY, ChenQ. Dynamics of soil organic carbon fractions and aggregates in vegetable cropping systems[J]. Pedosphere, 2014, 24(5): 605-612.
    张鹏,胡晓农,杨慧,等.云南蒙自断陷盆地石漠化区土壤钙形态特征[J].中国岩溶,2020,39(3):368-374.
    于雷,洪永胜,耿雷,等.基于偏最小二乘回归的土壤有机质含量高光谱估算[J].农业工程学报,2015,31(14):103-109.
    赵明松,谢毅,陆龙妹,等.基于高光谱特征指数的土壤有机质含量建模[J].土壤学报,2021,58(1):42-54.
    国佳欣,朱青,赵小敏,等.不同土地利用类型下土壤有机碳含量的高光谱反演[J].应用生态学报,2020,31(3):863-871.
    WangX P, ZhangF, DingJ L, et al. Estimation of soil salt content (SSC) in the Ebinur Lake Wetland National Nature Reserve (ELWNNR), Northwest China, based on a Bootstrap-BP neural network model and optimal spectral indices[J]. Science of the Total Environment, 2018, 615: 918-930.
    朱传梅,王宏卫,谢霞,等. 基于光谱指数和机器学习的土壤有机质含量反演[J]. 江苏农业科学, 2020, 48(22):233-241.
    倪隆康,何文,顾大形.广西喀斯特地区土壤Ca含量高光谱反演研究[J].江西农业大学学报,2020,42(1):203-212.
    张丽,郝梦洁,鲁新新,等.基于光谱数据的南疆农田土壤有机碳含量估算模型研究[J].塔里木大学学报,2020,32(4):49-58.
    崔霞,宋清洁,张瑶瑶,等.基于高光谱数据的高寒草地土壤有机碳预测模型研究[J].草业学报,2017,26(10):20-29.
    孙问娟,李新举.煤矿区土壤有机碳含量的高光谱预测模型[J].水土保持学报,2018,32(5):346-351.
    CambouA, CardinaelR, KouakouaE, et al. Prediction of soil organic carbon stock using visible and near infrared reflectance spectroscopy (VNIRS) in the field[J]. Geoderma, 2016, 261: 151-159.
    郭斗斗,黄绍敏,张水清,等.多种潮土有机质高光谱预测模型的对比分析[J].农业工程学报,2014,30(21):192-200.
    罗梅,郭龙,张海涛,等.基于环境变量的中国土壤有机碳空间分布特征[J].土壤学报,2020,57(1):48-59.
    杨奇勇,蒋忠诚,马祖陆,等.基于地统计学和遥感的岩溶区石漠化空间变异特征[J].农业工程学报,2012,28(4):243-247.
    张伟,王克林,陈洪松,等.典型喀斯特峰丛洼地土壤有机碳含量空间预测研究[J].土壤学报,2012,49(3):601-606.
    刘焕军,吴炳方,赵春江,等.光谱分辨率对黑土有机质预测模型的影响[J].光谱学与光谱分析,2012,32(3):739-742.
    鲍士旦.土壤农化分析(3版)[M].北京:中国农业出版社,2007:30-34.
    JinX L, DuJ, LiuH J, et al. Remote estimation of soil organic matter content in the Sanjiang Plain, Northest China: The optimal band algorithm versus the GRA-ANN model[J]. Agricultural and Forest Meteorology, 2016, 218/219: 250-260.
    郭鹏,李华,陈红艳,等.基于光谱指数优选的土壤盐分定量光谱估测[J].水土保持通报,2018,38(3):193-199,205.
    MasonR L,GunstR F. Regression analysis and its application: a data-oriented approach[M].The Chemical Rubber Company Press,1980.https://doi.org/10.1201/978020374 1054.
    XuS X,ShiX Z,WangM Y,et al. Effects of subsetting by parent materials on prediction of soil organic matter content in a hilly area using Vis-NIR spectroscopy[J]. PLoS One,2016,11(3) :10.13711 journal.pone.0151536.
    ChangC W, LairdD A. Near-infrared reflectance spectroscopic analysis of soil c and N[J]. Soil Science, 2002, 167(2): 110-116.
    刘继龙,刘璐,马孝义,等.不同尺度不同土层土壤盐分的空间变异性研究[J].应用基础与工程科学学报,2018,26(2):305-312.
    ShiT, CuiL, WangJ, et al. Comparison of multivariate methods for estimating soil total nitrogen with visible/near-infrared spectroscopy[J]. Plant and soil, 2013,366(1): 363-375.
    史舟,王乾龙,彭杰,等.中国主要土壤高光谱反射特性分类与有机质光谱预测模型[J].中国科学:地球科学,2014,44(5):978-988.
    卢牧原,刘源,刘桂建.基于组合模型的黑土区土壤有机质含量预测分析[J].浙江农业学报,2020,32(8):1427-1436.
    唐海涛,孟祥添,苏循新,等.基于CARS算法的不同类型土壤有机质高光谱预测[J].农业工程学报,2021,37(2):105-113.
  • 加载中
图(4) / 表(6)
计量
  • 文章访问数:  961
  • HTML浏览量:  829
  • PDF下载量:  5
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-03-30
  • 刊出日期:  2021-10-25

目录

    /

    返回文章
    返回