导读:本文包含了土壤光谱反射特性论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:光谱,土壤,反射,模型,土壤有机质,盐分,剖面。
土壤光谱反射特性论文文献综述
刘姣姣[1]（2018）在《陕西省主要土壤类型的高光谱反射特性与有机质估测模型》一文中研究指出土壤的光谱反射率是土壤有机质、颗粒组成、水分、碳酸钙、氧化铁、盐分、黏土矿物等土壤性质综合反映的结果,如何从土壤高光谱数据中提取和挖掘有效信息,成为快速、准确监测土壤养分及鉴别土壤类型的重要环节。土壤剖面是区分土壤类型的主要依据,也是成土过程及基本理化特征的综合体现,不同土层是不可分割的整体。表土层对于地理环境最为敏感,以此层次反射光谱特征反演土壤基本性质精度较高,但难以揭示土壤发生以土壤类型的差异。因此开展土壤剖面上高光谱反射特征与土壤理化性质的反演,既可以甄别土壤形成过程,又可以鉴别土壤类型。陕西省南北跨度大,成土环境复杂,土壤类型丰富,研究不同土壤类型剖面高光谱反射特征及有机质反演,为基于高光谱的土壤形成过程与土壤类型识别奠定基础。本研究以反映成土过程的土体剖面为切入点,测定塿土、水稻土、黑垆土、黄绵土、风沙土等9种主要土壤类型的51个土壤剖面上的216个土样的光谱反射曲线及土壤有机质含量,对光谱反射率进行一阶微分、对数的倒数变换、去包络等数学变换,研究不同土壤类型剖面的土壤反射光谱特征,在光谱反射率和光谱特征指数与土壤有机质相关分析的基础上,提取有机质响应波段,分别建立基于光谱特征指数的一元线性回归模型、基于偏最小二乘法(PLSR)以及支持向量机(SVM)的土壤有机质含量高光谱预测模型,应用独立样本集进行模型验证评价。结果如下:(1)对不同类型土壤的原始光谱和一阶微分光谱对比分析可知,不同类型土壤的反射光谱曲线总体态势基本一致,但光谱反射率高低、吸收峰特征参数位置、深度等各有不同。总体上,塿土的光谱反射率最低,风沙土和黄绵土发射率最高,其他类型土壤光谱反射率介于中间。有机质含量是影响土壤剖面各层次的光谱反射率的最主要因素,呈显着的负相关,土壤中的氧化铁、碳酸钙含量也对土壤的光谱反射率有一定影响。(2)由陕西省境内几种主要类型土壤剖面各层次光谱变化特性以及原始光谱反射率及其变换形式与土壤有机质含量的相关分析可知,塿土剖面各发生层的光谱反射率由于有机质和碳酸钙相互作用的原因,从上到下呈现出增高——降低——再增高的变化规律,1400nm、1900nm波段具有较深的水分吸收谷。水稻土由于氧化铁含量的原因,造成反射率较高,在900nm附近存在较深的铁氧化物的吸收谷。黄绵土和风沙土光谱反射率最高,除表层土有机质因含量高而造成反射率低于平均值之外,其他各层反射率几乎一致,符合其全剖面土质均一的特点。黑垆土各层次光谱反射率差别不明显,但一阶微分光谱变化浮动较大,形成波浪状。不同类型土壤的有机质光谱响应波段不尽相同,但与土壤有机质的相关性较高出现在540nm~1050nm、1390nm~1500nm、1530~1560nm、1650nm~1790nm、1860~2190nm、2260~2340nm,敏感波段集中在540nm~630nm、750nm~930nm、2080nm~2130nm、2180nm~2190 nm。(3)比较叁种建模方法得到的模型精度,以SVR方法建立的非线性有机质含量预测模型精度最高,PLSR方法次之,一元线性回归最差。基于倒数对数一阶微分d[log(1/R)]光谱构建的校正模型和验证模型的判断系数R2均较好,分别为0.9210、0.8874,验证均方根误差仅为2.1843 g/kg,RPD达到2.8751,是预测有机质的最优模型。(本文来源于《西北农林科技大学》期刊2018-05-01）
李焱,王让会,管延龙,蒋烨林,吴晓全[2]（2017）在《基于高光谱反射特性的土壤全氮含量预测分析》一文中研究指出随着高光谱遥感技术的快速发展,光谱技术已经在土壤理化性质、土壤养分等预测研究中得到了广泛应用。通过土壤高光谱反射率及其变形全氮含量的相关性,提取土壤光谱特征波段;采用多元回归和偏最小二乘回归法对全氮含量进行预测分析。结果表明:土壤光谱一阶微分显着提高了全氮与高光谱之间的敏感度;在多元逐步线性回归模型和偏最小二乘回归分析法建立的模型中,二者均能较好地进行预测,但在偏最小二乘模型中,反射率二阶微分的预测模型最高达到0.956,总均方根误差最低为0.045。其模型的稳定性和预测精度优于多元逐步线性回归所建立模型,可以更好地快速预测土壤全氮,为土壤质量的评价提供数据基础,也为研究土壤退化地区的预测与防治提供信息,对未来农业的发展具有重要意义。(本文来源于《遥感技术与应用》期刊2017年01期）
刘小珊[3]（2015）在《土壤二向反射特性研究与标准光谱库的应用》一文中研究指出自然状态下,凹凸起伏的地表高度变化会造成高光谱图像的像元尺度倾角不一,而二向反射研究能够将图像上的像元订正到相同的观测角度,从而提高定量反演的精度。同时,土壤作为植被的下垫面,研究土壤二向反射特性能够为研究植被冠层光谱提供背景参考;土壤反射率的方向性分布还潜在携带有土壤湿度、有机质含量、矿物含量等属性信息。因此,土壤的二向反射特性研究对土壤和植被定量遥感有着重要的理论意义和研究价值。目前,可见光-近红外光谱分析技术已成功应用于土壤关键属性预测,局部区域的土壤关键属性高光谱反演模型已经非常成熟;但由于各区域气候条件、成土母质的差异,局部模型难以适用于其他区域的土壤样本。随着大尺度土壤标准光谱库的出现,充分利用和挖掘大样本土壤光谱库中的有效信息,建立基于土壤光谱库的土壤关键属性高光谱预测模型,为解决以上问题提供了可能。本研究采集了叁种典型土壤的二向反射率数据,分析了他们的二向反射特性和差异;进一步利用Hapke反演了平均单次散射反照率、粗糙度等土壤参数,分析了各参数与土粒组成的关系,在此基础上模拟了二向反射率分布。另外,本文针对全球土壤标准光谱库,采用模糊C均值聚类结合偏最小二乘回归的方法,提取了与研究区供试样本相似的光谱子样本集,进一步利用子样本集建立了土壤关键属性高光谱预测模型,并进行了模型不确定性分析。上述研究得出结论如下:1.叁种典型土壤的二向反射率随观测角度的变化规律一致,反射率均随着观测天顶角的增加而增大,在前向散射方向达到最小,后向散射方向达到最大。原因是随观测角度的变化,土壤颗粒之间形成的阴影所占的比例会发生变化,导致探测器接收的光照组分有差异。2.Hapke模型各个参数对初始值的敏感性有差异。土粒组成相似的土壤单次散射反照率曲线形状相似。随着土壤粗颗粒(0.9mm以上)含量的增加,粗糙度参数增大,平均单次散射反照率反而减小。另外,Hapke模型能够很好地进行土壤二向反射率的模拟,但叁种典型土壤之间的模拟精度有差别。3.通过模糊C均值聚类与偏最小二乘回归(PLSR)相结合的方法,可挖掘土壤标准光谱库中与研究区供试样本相似的有效光谱信息,建立的有机碳含量估算模型可用于研究区供试样本有机碳含量的粗略估算。本研究中,有机碳含量高光谱估算模型的预测能力主要与土壤样本的剖面层次有关,模型对下层样本的预测能力更好。(本文来源于《华中农业大学》期刊2015-06-01）
池涛,李丙春,王文龙[4]（2015）在《基于电磁特性和反射光谱信息的土壤盐渍度快速检测方法研究》一文中研究指出为完成温室环境土壤盐渍化程度快速现场检测,采用基于土壤电导率和土壤光谱反射率与土壤盐渍化的定量关系描述技术,建立了一套用于现场表征土壤盐渍化程度的快速检测系统.首先,对土壤盐度进行定性分析,应用电磁感应方法测度土壤盐渍化程度,通过测量电导率推出原生磁场和诱导出的次生磁场的相对关系,进而推算出土壤盐渍化程度.接着,基于土壤在可见光、红外和微波各波段的反射特性,将光谱图和TM数据结合得到盐渍化影像.研究采用了TM数据作为土壤盐渍化的基础图像,通过几何精校正映射至实际地物点.为了提高影像识别率,采用了精度和稳定性比较高的支持向量机分类法,并给出了测度公式.从对土壤的试验结果看,以电磁特性和光谱特性来综合评价土壤盐渍化程度是可行的.(本文来源于《喀什师范学院学报》期刊2015年03期）
李丹,彭智平,韩留生,王重洋,刘尉[5]（2015）在《基于土壤反射光谱特性的广东省稻田土壤快速分类》一文中研究指出选择广东省215个村镇稻田的土壤样本,首先利用ASD Field Spec3测量土壤样本在350~2 500 nm的光谱,并采用S-G一阶导数平滑滤波降低样本测量中光照差异的影响,然后将遗传算法(Genetic Algorithm,GA)和支持向量机分类(Support Vector Machine,SVM)分别用于提取分类光谱特征和建立分类模型,分别在土纲、亚纲、土类3个层次进行土壤分类。结果表明:1)在不同的分类层次下,与铁氧化物密切相关的650~710以及900 nm附近光谱,与羟基矿物吸收有关的2 207~2 237和2 377~2 397 nm区间均被作为分类特征变量。2)随着土壤类型的细分,分类所需变量增多。在土类级,对有机质敏感的2 080 nm附近的光谱也被引入分类定标模型中,土纲和亚纲下分类精度>67%,土类级分类精度为58.67%。利用遗传算法提取光谱特征,进行基于支持向量机的土壤分类具有一定优势。(本文来源于《热带地理》期刊2015年01期）
史舟,王乾龙,彭杰,纪文君,刘焕军[6]（2014）在《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》一文中研究指出土壤可见-近红外漫反射光谱是当前对地遥感观察和土壤近地传感器研究的重要方向,同时也被认为是土壤数字制图、精确农业和土壤资源调查等方面最重要的数据获取技术.从中国西藏、新疆、黑龙江、海南等地采集16种土类的1581个土壤样本,经干燥过筛后统一采用ASD光谱仪测量了其室内可见-近红外反射光谱(350~2500 nm).对所有的土壤光谱数据采用Savitzky-Golay平滑加一阶微分进行转换,来减少大样本数据受到实验室光学测试环境条件差异的影响,然后对数据进行主成分变换降维处理.引入模糊k-means方法进行大样本光谱数据的最佳分类数目计算,并将中国土壤光谱数据分成五类,各自代表了不同的土壤矿物和有机组分,主要类型与国际同行类似成果有可比性.最后提出了采用土壤光谱分类方法结合偏最小二乘回归法(PLSR)方法建立土壤有机质的光谱分类-局部预测模型,结果比未分类直接采用PLSR方法的一阶微分-全局预测模型的精度有了显着提高,其预测模型的R2和RPD两个指数分别从0.697和1.817提高到0.899和3.158.(本文来源于《中国科学:地球科学》期刊2014年05期）
王海江,张花玲,任少亭,李保国[7]（2014）在《基于高光谱反射特性的土壤水盐状况预测模型研究》一文中研究指出为了能够及时、精准、动态地监测盐渍土水分和盐分含量变化,以新疆玛纳斯河流域绿洲农田为研究对象,应用高光谱分析技术,采用偏最小二乘回归方法(PLSR)分析土壤反射光谱特征值与水分、盐分含量间的关系,建立盐渍化土壤水、盐含量的高光谱预测模型,并对模型的稳定性和预测能力进行检验。结果表明:12种数据变换中分别采用CR、(lgR)'能够有效提高土壤盐分、含水率预测模型精度。水分预测模型中土壤盐分含量小于等于8.19 dS/m时,R2cal均大于0.79,外部验证R2val均大于0.64,RMSEP间差异不显着,预测精度较好;土壤盐分含量大于等于10.25 dS/m时,外部验证R2val不足0.45,预测精度较差。土壤盐分预测模型中当含水率小于15%时,预测R2cal均大于0.77,外部验证R2val大于0.64,RMSEP小于4.3,预测精度较好,土壤含水率大于15%时,模型预测精度较差。结果表明土壤中水分、盐分含量较大时,对水盐预测模型的估算精度均会产生影响。(本文来源于《农业机械学报》期刊2014年07期）
张美琴[8]（2012）在《基于成像光谱技术土壤反射特性及剖面有机质分布估计》一文中研究指出土壤剖面及其土壤不同发生层次的属性研究在土壤发生发育、土壤分类等土壤研究工作中具有重要的意义。传统的土壤调查研究费时费力,而近端土壤探测(Proximal Soil Sensing, PSS)技术的出现为土壤调查提供了一种无损、高效的技术手段。可见光/近红外(Visible/Near Infrared Reflectance, VIS/NIR:400-2500nm)是应用于PSS的基础技术之一。VIS/NIR光谱波段作为土壤各种理化性质定量分析的主要波段,光谱分辨率在10nm以内,可反映精细的土壤光谱响应特征,为研究者提供更加丰富、连续的物质组分分布信息。光谱技术和成像技术结合而成的成像光谱技术既具有较高的光谱分辨率,也具有较高的空间分辨率,应用于土壤剖面研究,在传统的土壤光谱定量分析功能的基础上,还可以实现土壤剖面属性的精细制图,结果可用于研究土壤中物质运移过程、丰富土壤分类指标、土壤质量评价等,具有重要的研究意义和价值。本文利用Headwall成像光谱仪(HyperspecTM VNIR,400-1000nm和HyperspecTM NIR,900-1700nm)获得风干土壤剖面和不同发生层次不同粒径盒样(未过筛土样、0.28～0.90mm土样、0.20～0.28mm土样、0.15～0.20mm土样和<0.15mm土样)的光谱影像；然后提取盒样的平均反射光谱,分析土样的不同粒径和不同层次的光谱响应特征,分别采用偏最小二乘回归(PLSR)和υ-支持向量机(u-SVR)方法,建立了土壤有机质(Soil Organic Matter, SOM)估计模型；最后运用模型估计剖面SOM含量,得到SOM含量在剖面上的分布图。上述研究得到如下结论：1.土壤样品的表面粗糙度对光谱反射率具有较大影响。随着粒径的减小,光谱反射率增大,其中<0.15mm粒径土样光谱反射率明显高于其他粒径土样。未过筛土样去除阴影后,提高了整体光谱反射率,其光谱反射曲线与0.28-0.90mm曲线接近。2.土壤剖面上光谱反射率随深度的增加而增加。水稻土剖而的耕作层(A层)和犁底层(P层)光谱反射曲线非常接近,而与潜育层(G层)的光谱反射曲线相距较远；潮土剖面的耕作层(A层)、雏形层(B1层)和氧化还原层(B2层)的光谱反射曲线之间分布较为均匀。其变化特征主要受层次间SOM含量、质地等土壤理化性质变化的影响,可能与土壤的耕作方式和水肥管理的差异有关。3.土壤光谱反射率与SOM存在着较好的相关性,利用土壤不同粒径盒样建立了SOM的PLSR和v-SVR估计模型都满足精度要求,决定系数(R2)基本上达到0.8,相对分析误差(RPD)基本都达到2。结果显示,同一粒径的v-SVR所建立的估计模型精度较高。不同粒径土样的SOM含量PLSR模型中,<0.15mm土样模型精度最高,而在v-SVR模型中,0.28-0.90mm土样模型精度最高。对于未过筛土样来说,在提取土样光谱曲线时去除阴影对模型精度影响不是很大。利用SOM含量估计模型估计土壤剖面上SOM含量,其中v-SVR模型效果很差,最终选择利用<0.15mm土样SOM估计模型获得剖面SOM含量分布,结果表明,水稻土剖面上SOM含量随着剖而深度较为平缓的下降,潮土剖而上SOM含量总体趋势是随着深度的增加而减少,但在45cm处SOM含量略为增加。(本文来源于《华中农业大学》期刊2012-06-01）
刘静[9]（2009）在《人工有机质梯度土壤高光谱反射特性差异性研究》一文中研究指出本论文选取了湖南省麻沙泥、麻沙菜园土、山地花岗岩红壤、黄泥田、黄菜园土、山地板岩红壤、第四纪红土红壤、红黄泥、红菜园土和潮菜园土10种不同土属的土壤,分别采用去除有机质、加入外源腐殖酸、混合有机肥3种处理方法,制备成7个不同有机质(OM)含量梯度的样品,并对各加入外源腐殖酸和混合有机肥的土壤样品分别进行2个月、4个月、8个月淹水处理。本文研究了外源腐殖酸在不同淹水时间处理下对土壤高光谱特征的影响；分析了相同母质发育的不同土属或不同母质发育的不同土属的高光谱特征差异及影响因素；建立了不同土属基于人工模拟SOM(Soil Organic Matter,SOM)梯度条件下的SOM含量高光谱预测模型,并应用野外红黄泥土壤样品数据对红黄泥基于人工SOM梯度建立的预测模型进行检验；建立了红黄泥基于野外数据的SOM含量高光谱模型并对其进行检验评价；探求基于人工SOM梯度的含量高光谱预测模型与基于野外土壤样品数据的SOM含量高光谱预测模型间的差异性。主要结论如下：(1)不同土属的OM梯度土壤样品的高光谱特征均存在差异。相同母质发育的不同土属或不同母质发育的不同土属的反射系数光谱曲线及一阶微分高光谱曲线均表现出了不同的反射系数值和变化趋势,其OM含量与反射系数或一阶微分都没有明显的负相关性。(2)不同土属的各OM含量梯度的反射系数光谱曲线呈现出较大的相似性,添加外源腐殖酸和混合有机肥对土壤高光谱特征影响较大,其反射系数与OM含量并未呈现出较好的负相关性；一阶微分高光谱曲线大部分波段都重迭在一起,表明不同梯度样品光谱曲线变化规律基本一致。(3)制备人工SOM梯度样品时,利用土壤加入外源腐殖酸或混合有机肥来模拟有机质梯度建模较难获得高于原土壤OM含量理想的土壤样品,各种影响因素较难控制。具体的方法还有待进一步的研究和改进。利用土壤去除OM的方法能获得较理想的低于原土壤OM含量的土壤样品。(4)构建的SOM含量高光谱预测模型,不同土属在可见光波段入选的波段位置,波段个数均存在差异,即使是同一种类型的土壤,自变量不同,入选的波段也有很明显的差别。且以一阶微分为自变量的模型要优于以反射系数为自变量的模型。(本文来源于《湖南农业大学》期刊2009-12-23）
张晋,常庆瑞[10]（2009）在《光照高度角对土壤反射光谱特性的影响研究》一文中研究指出土壤对电磁辐射的反射状况很复杂,受许多因素的控制。室内实验研究得出:供试土壤在波长350nm-1050nm反射光谱为单调上升曲线,土壤光谱反射率的大小与入射光的高度角有密切关系,反射光谱形成一条下凹曲线,在40°～50°之间出现极小值,可以用2次多项式回归模型定量模拟;造成不同光照高度角土壤反射率不同的原因可能是土粒之间的阴影差异和粗糙度不同。(本文来源于《土壤通报》期刊2009年03期）
土壤光谱反射特性论文开题报告
（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：
随着高光谱遥感技术的快速发展,光谱技术已经在土壤理化性质、土壤养分等预测研究中得到了广泛应用。通过土壤高光谱反射率及其变形全氮含量的相关性,提取土壤光谱特征波段;采用多元回归和偏最小二乘回归法对全氮含量进行预测分析。结果表明:土壤光谱一阶微分显着提高了全氮与高光谱之间的敏感度;在多元逐步线性回归模型和偏最小二乘回归分析法建立的模型中,二者均能较好地进行预测,但在偏最小二乘模型中,反射率二阶微分的预测模型最高达到0.956,总均方根误差最低为0.045。其模型的稳定性和预测精度优于多元逐步线性回归所建立模型,可以更好地快速预测土壤全氮,为土壤质量的评价提供数据基础,也为研究土壤退化地区的预测与防治提供信息,对未来农业的发展具有重要意义。
（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。
土壤光谱反射特性论文参考文献
[1].刘姣姣.陕西省主要土壤类型的高光谱反射特性与有机质估测模型[D].西北农林科技大学.2018
[2].李焱,王让会,管延龙,蒋烨林,吴晓全.基于高光谱反射特性的土壤全氮含量预测分析[J].遥感技术与应用.2017
[3].刘小珊.土壤二向反射特性研究与标准光谱库的应用[D].华中农业大学.2015
[4].池涛,李丙春,王文龙.基于电磁特性和反射光谱信息的土壤盐渍度快速检测方法研究[J].喀什师范学院学报.2015
[5].李丹,彭智平,韩留生,王重洋,刘尉.基于土壤反射光谱特性的广东省稻田土壤快速分类[J].热带地理.2015
[6].史舟,王乾龙,彭杰,纪文君,刘焕军.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
[7].王海江,张花玲,任少亭,李保国.基于高光谱反射特性的土壤水盐状况预测模型研究[J].农业机械学报.2014
[8].张美琴.基于成像光谱技术土壤反射特性及剖面有机质分布估计[D].华中农业大学.2012
[9].刘静.人工有机质梯度土壤高光谱反射特性差异性研究[D].湖南农业大学.2009
[10].张晋,常庆瑞.光照高度角对土壤反射光谱特性的影响研究[J].土壤通报.2009
论文知识图
