基于PLS模型的农业土壤成分高光谱遥感反演探讨Hyperspectral remote sensing inversion of agricultural soil composition based on PLS model 摘要:（摘要内容经过系统自动伪原创处理以避免复制，下载原文正常，内容请直接查看目录。） 本文研究了高光谱遥感数据运用偏最小二乘法(Partial Least Squares Regression，PLS)定量评价农业泥土成份的可行性。本文共选择了三个研究区，分离位于美国印第安纳州中部西塞罗溪流域(Cicero Creek)，加利福尼亚州勒莫尔(Lemoore)及西班牙托梅略索(Tomelloso)。在印第安纳研究区，本研究应用Hyperion图象和试验室光谱对泥土水份，无机质，总碳，总磷，总氮和黏土含量树立偏最小二乘法猜测模子。对于每种成份，西语论文范文，去除离群值的样本集分为校订集和验证集。验证成果显示Hyperion图象光谱和试验室光谱可以或许有用评价和猜测水份，无机质，总碳和总氮，但无机质和总磷的猜测精度较低。在美国加利福尼亚州和西班牙两个研究区，在泥土样品烘干后，测得黏土和碳酸盐成份含量，然后以5%的含量距离向泥土样品中加水，在分歧泥土湿度前提下丈量试验室光谱。应用偏最小二乘法对分歧泥土水份含量前提下的碳酸盐，黏土和泥土含水量停止评价。成果显示，泥土含水量和碳酸盐的偏最小二乘法模子具有较高精度，西语论文范文，然则黏土成份的猜测精度依然偏低。 Abstract: This paper studied the hyperspectral remote sensing data is used to partial least squares (partial least squares regression and PLS) quantitative evaluation of agricultural soil ingredients feasibility. In this paper, a total of three of the study area, the separation is located in central Indiana Cisse Luo river basin (Cicero Creek, California Lemoore (Lemoore) and Spain Tomei Atilio Alfonso (Tomelloso). In the Indiana study area, this study use Hyperion image and laboratory spectra of soil moisture, inorganic matter, total carbon, total phosphorus, total nitrogen and clay content set partial least squares prediction model. For each component, the removal of outliers in the sample set is divided into a set and validation set. The verification results show Hyperion image spectra and laboratory spectroscopy may be useful to evaluate and predict water, inorganic matter, total carbon and total nitrogen, but inorganic matter and total phosphorus prediction accuracy lower. In California, USA and Spain two research area, after the drying of the soil samples measured clay and carbonate content, then to 5% of the content of distance to soil samples in water and in different soil moisture conditions of measurement laboratory spectra. The use of partial least squares method for soil moisture content under the premise of differences of carbonate, clay and soil water content evaluation. Results show that soil moisture content and carbonate of partial least squares model has higher precision. However, clay composition prediction accuracy is still low. 目录: 内容提要 4-8 第1章 绪论 8-18 1.1 探讨背景 8-9 1.2 高光谱遥感发展及探讨近况 9-12 1.2.1 高光谱遥感简介 9-10 1.2.2 国外高光谱遥感发展近况 10-12 1.2.3 国内高光谱遥感发展及近况 12 1.3 高光谱遥感在土壤学中的运用 12-16 1.3.1 土壤的光谱反射特性 13 1.3.2 遥感技术所获取的光谱信息在土壤探讨中的运用 13-16 1.4 本文的探讨目的、探讨内容及技术路线 16-18 1.4.1 探讨目的 16 1.4.2 探讨内容 16-17 1.4.3 技术路线 17-18 第2章 土壤遥感学基本理论、技术和措施 18-32 2.1 土壤物质组成及其光谱特征 18-22 2.1.1 土壤粘土矿物 18-19 2.1.2 土壤碳酸盐岩矿物 19-21 2.1.3 土壤有机质 21-22 2.1.4 土壤水分 22 2.2 土壤高光谱遥感技术 22-26 2.2.1 实验室光谱技术 23 2.2.2 野外光谱技术 23-24 2.2.3 航空航天成像光谱仪 24-26 2.3 高光谱遥感数据统计措施 26-32 2.3.1 多元逐步回归略论 26-27 2.3.2 主成分回归（PCR） 27-29 2.3.3 人工神经网络（Artificial neural networks, ANN） 29 2.3.4 加速回归树（Boosted regression trees ，BRT) 29-32 第3章 探讨区分布和自然地理概况 32-40 3.1 印第安纳州探讨区 32-33 3.2 加利福尼亚探讨区 33-36 3.3 西班牙探讨区 36-40 第4章 土壤元素含量略论及特征探讨 40-52 4.1 土壤样品元素含量略论 40-45 4.1.1 土壤样品获取 40-42 4.1.2 土壤元素的测定 42-45 4.2 土壤成分含量相关性略论 45-48 4.3 土壤成分变化对土壤反射光谱的作用 48-52 4.3.1 土壤水分变化对土壤反射光谱的作用 48-50 4.3.2 土壤有机质变化对土壤反射光谱的作用 50-52 第5章 高光谱数据获取和处理 52-68 5.1 高光谱数据获取 52-53 5.2 Hyperion 图像处理 53-62 5.2.1 图像预处理 53-54 5.2.2 大气辐射校正 54-58 5.2.3 几何校正 58-60 5.2.4 图像间标准化处理 60-61 5.2.5 光谱提取与波段选择 61-62 5.3 地面光谱数据获取 62-63 5.4 实验室光谱数据获取 63-68 5.4.1 样品准备 63-65 5.4.2 实验室光谱重采样 65-68 第6章 偏最小二乘回归法 68-74 6.1 基本数学原理 68-69 6.2 数据预处理 69-70 6.3 土壤成分量化反演偏最小二乘（PLS）模型描述 70-71 6.4 模型验证 71-74 第7章 土壤成分含量高光谱遥感反演 74-110 7.1 印第安纳探讨区土壤PLS 模型 74-98 7.1.1 PLS-第一阶段 74-82 7.1.2 PLS-第二阶段 82-83 7.1.3 印第安纳探讨区结果讨论 83-98 7.2 Tomelloso 和Lemoore 探讨区土壤PLS 模型 98-110 7.2.1 水分（Water content） 99-104 7.2.2 粘土（Clay content） 104-107 7.2.3 碳酸盐岩（Carbonate） 107-110 第8章 结论和展望 110-112 8.1 结论 110-111 8.2 展望 111-112 参考文献 112-120 致谢 120-122 攻读学位期间的论文及参与的课题 122-124 摘要 124-127 Abstract 127-130 |
