论文部分内容阅读
盐碱土对生态环境和农业生产是一个全球性的威胁。本文利用干旱区盐化荒漠土设计了不同土壤含水量的实验，并利用古尔班通古特沙漠边缘的风沙土设计了不同盐土类型(NaCl、Na2SO4、Na2CO3)和不同土壤含盐量的实验。实验中同步获取了土壤水盐信息和光谱信息（包括可见-近红外光谱和热红外光谱），分析了土壤水盐对光谱的影响，并对土壤水盐进行光谱建模反演。本文采用了偏最小二乘回归(PLSR)和光谱指数两种方法进行建模，并用校正的赤池信息量准则(AICc)和建模标定值标准差与拟合值标准差的比值（相对分析误差，RPD）进行模型评价，基于上述研究得到以下主要结论: (1)由于西北干旱区的土壤盐分以Na2SO4为主，在设计土壤盐分反演实验时应当考虑土柱高度，并且高度在大于7cm时能够较好的模拟野外实际情况。不同盐分类型和盐分含量实验发现，对光谱影响的主要因素是盐分类型而不是盐分含量。 (2)利用高光谱对土壤含水量进行PLSR建模时发现，1370nm和1955nm是对土壤水分含量最为敏感的波段，最终确定的土壤水分反演模型含有6个波段，模型精度为RPD=1.51，R2=0.69。对不同盐分类型的盐分含量反演建模时发现，只有Na2CO3盐分模型中含有可见光波段，且模型精度为RPD=3.49，R2=0.92，其他盐分类型的模型中都仅含近红外波段，均有较好的精度。光谱指数模型对土壤水分反演效果不能达到预测目的，对土壤含盐量可以达到预测目的，但是都不如PLSR模型精度高。 (3)利用热红外光谱对土壤含水量进行PLSR建模时发现，热红外光谱可以较好的预测土壤含水量，且8.596μm和8.769μm对土壤水分信息更为敏感，最优模型包含7个波段，模型精度为RPD=1.58，R2=0.714。对不同盐分类型的盐分含量反演建模时发现，只有Na2SO4选择原始光谱进行土壤盐分模型，敏感波段遍布9-14μm，而其他盐分类型模型都选择导数光谱，且敏感波段分布在8-9μm，都能较好的建立土壤盐分预测模型。光谱指数模型对土壤水盐含量都不能达到预测目的，结果都不如PLSR模型精度高，这可能是由于PLSR模型可以选择多个对土壤属性信息敏感的波段，而光谱指数法只限于一个或两个波段。 (4)野外采样数据对模型验证的结果精度较差，进一步利用野外数据进行PLSR建模发现，可见光波段对模型有很大的贡献，而近红外波段的贡献很小，模型精度为RPD=2.06，R2=0.81。光谱指数法得到的最优模型也达到了预测精度，但是不如PLSR模型精度高。野外数据建模的主要贡献波段是可见光波段，说明土壤颜色是野外土壤光谱的主要影响因素。 (5)利用能够直观反映土壤颜色的照片反演土壤含盐量，通过提取照片中红绿蓝和灰度4种颜色成分，计算每个颜色成分中的各亮度值像元数占总像元数的比例。将亮度值分区可以更充分地利用各亮度值占比，最后确定合适的亮度值分区数为9，并基于此建立土壤含盐量模型，模型精度可达R2=0.9。