【技术实现步骤摘要】
本专利技术属于土壤有机质检测，尤其涉及一种基于光谱耦合效应的土壤有机质含量预测方法。
技术介绍
1、土壤(土圈)是陆地生态系统中最大的碳库，与水圈、大气、生物圈、地圈以及岩石圈共同构成全球碳循环。土壤碳库的微小变化可以显著改变大气中的二氧化碳浓度，从而影响全球碳循环和气候。而土壤中储存的碳绝大部分是有机碳，是有机质的碳组分。土壤有机质(som)也是土壤中生物养分和能量的主要来源，som含量经常被用作土壤肥力评价的重要指标。因此，准确了解土壤有机质含量及其空间分布对促进农业可持续发展、增强土壤固碳潜力和调节全球气候变化至关重要。
2、遥感是一种低成本、高精度、实时的对地观测方法，具有多角度、多时段和大面积等特点。目前，高光谱遥感预测和绘制som含量的能力已经在许多研究中得到证实。随着遥感数据的快速增长和大规模土壤调查的迫切需要，基于遥感的土壤元素含量预测研究逐渐从构建高精度的预测模型转向建立具有较强时空可转移性的预测模型。成像光谱是最重要的数据源，其对土壤化学成分的特征响应是基于高光谱遥感的som含量预测的重要基础。然而，成像光谱并不仅仅受土壤成分的影响，而是综合反映了地面样品内土壤的物理性质和化学成分，土壤的物理性质和化学成分对光谱的响应存在耦合效应。研究表明，土壤水分(sm)和表面粗糙度(例如，均方根高度rmsh)等土壤物理性质对光谱反射率的散射贡献严重影响高光谱数据对som含量的敏感性。近红外光谱对少量的水或羟基非常敏感，容易造成不规则的辐射特征。随着sm含量的不断增加直至饱和，土壤反射率先降低，后由于镜面反射效
3、在映射预测目标信息时，数据的可靠性和完整性往往是模型泛化能力的关键。为了减轻土壤物理性质对高光谱数据的影响，提高som含量预测模型的时空可转移性，学者将长时间序列的高光谱数据进行融合，以降低模型对土壤物理性质变化引起的光谱差异的敏感性。ge等(2022)尝试将土壤物理参数作为输入变量引入到元素含量预测模型中。pan等(2022)建立了基于不同sm范围的som含量预测模型。这些在宏观尺度上的创新改进尝试大多取得了成功，但在像元尺度上对卫星高光谱图像的深入开发和分析仍然缺乏。考虑到土壤物理性质造成的反射率差异，minasny等(2011)基于eop方法开发了一种光谱校正模型，以消除sm的影响。castaldi等(2015)通过计算干土和湿土的统计变异性，合成了干土谱，从而提高了模型的预测精度。虽然这些方法在一定程度上对高光谱数据进行了修正，但它们大多基于单一物理参数，忽略了不同土壤物理性质对光谱的耦合响应。由于卫星地面同步实验土壤物理数据的缺乏，综合考虑多种土壤物理性质的高光谱校正方法的潜力尚未得到充分挖掘。
4、因此，开发一种缓解地表物性对土壤像元光谱耦合效应的土壤光谱校正方法是提高som预测模型时空可转移性的长期解决方案。
技术实现思路
1、本专利技术实施例的目的在于提供一种基于光谱耦合效应的土壤有机质含量预测方法，旨在解决上述
技术介绍
中提出的问题。
2、本专利技术实施例是这样实现的，一种基于光谱耦合效应的土壤有机质含量预测方法，在建立高精度、强时空可转移性的som含量预测模型之前，为了缓解地表物性对土壤像元光谱的耦合效应，研究了土壤光谱校正方法(图1)。首先，利用参数估计方程建立卫星高光谱数据与土壤3个主要物性参数sm、rmsh和sbw之间的经验关系。利用经验关系将土壤物理参数与卫星高光谱影像进行关联，得到基于sm、rmsh和sbw的3组模拟土壤光谱数据。然后，基于模拟光谱、土壤像元光谱和地面光谱，利用多阶多项式和多种机器学习模型构建土壤像元光谱校正模型，分离像元光谱数据中的土壤理化信息；最后，基于原始土壤光谱数据和校正后的土壤光谱数据，利用xg-boost构建som预测模型。利用site2土壤样品对基于site1土壤样品建立的光谱校正模型和som预测模型的时空可转移性进行评价。
3、本专利技术实施例提供的一种基于光谱耦合效应的土壤有机质含量预测方法，在通过减轻土壤物理性质对光谱的耦合效应，提高som预测模型的时空可转移性。基于卫星高光谱影像和土壤水分(sm)、土壤表面粗糙度(均方根高度，rmsh)、土壤体积重(sbw)等土壤物理变量，建立了基于信息分解的土壤光谱校正策略。选取东北两个重要产粮区作为研究区，验证光谱校正模型和som含量预测模型的性能和可移植性。结果表明，基于四阶多项式和xg-boost算法的土壤光谱校正具有良好的精度和泛化能力，几乎所有波段的残差预测偏差(rpd)均超过1.4。此外，当采用土壤光谱校正策略时，som预测模型的精度和模型迁移后的泛化能力显著提高。基于xg-boost校正谱的som预测精度最高，决定系数(r2)为0.76，均方根误差(rmse)为5.74g/kg，rpd为1.68。对于迁移后模型的预测精度，r2、rmse和rpd分别为0.72、6.71g/kg和1.53。与模型的直接迁移预测相比，采用基于四阶多项式和xg-boost的土壤光谱校正策略，som预测结果的rmse分别降低了57.90％和60.27％。性能对比表明，考虑土壤物理性质在区域尺度som预测中的优势。
本文档来自技高网...【技术保护点】
1.一种基于光谱耦合效应的土壤有机质含量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于光谱耦合效应的土壤有机质含量预测方法，其特征在于，在所述步骤1中，土壤取样和表土参数测量包括以下具体步骤：
3.根据权利要求1所述的基于光谱耦合效应的土壤有机质含量预测方法，其特征在于，在所述步骤3中，多阶多项式方程为：
4.根据权利要求3所述的基于光谱耦合效应的土壤有机质含量预测方法，其特征在于，在所述步骤3中，所使用的机器学习模型包括CARS和XG-Boost；
【技术特征摘要】
1.一种基于光谱耦合效应的土壤有机质含量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于光谱耦合效应的土壤有机质含量预测方法，其特征在于，在所述步骤1中，土壤取样和表土参数测量包括以下具体步骤：
3.根据权利要求1...
【专利技术属性】
技术研发人员：隋媛媛，姜然哲，于海业，张蕾，张昕，李晓凯，郭柱，付耀辉，于沐岩，
申请(专利权)人：吉林大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。