基于LCM算法的土壤有机碳含量高光谱监测
高光谱遥感可以实现水稻土排水期有机碳含量的快速预测,但土壤反射率受到土表散射光、土壤水分和各种噪声的影响,恰当的光谱去噪方法是良好预测精度的保障.以原状新鲜水稻土为研究对象,首先采用Grünwald～Letnikov微分理论对光谱数据进行0～2阶微分变换(以0.2阶为间隔)挑选出最佳微分阶次,随后对其进行1～7层小波包变换(Discrete wavelet packet transform,DWPT)并通过相关分析确定最大分解层;其次采用局部最相关算法(Local correlation maximization,LCM)构建土壤有机碳最优光谱;最后基于最优光谱建立有机碳含量偏最小二乘预测模型.结果显示:1)0.6阶微分光谱与土壤有机碳的相关性最高,其小波包各分解层光谱与有机碳含量的相关性先增后减,最大分解为第6层;2)局部最相关波段个数基本随着小波包分解层数的增加而增加,基于LCM构造的最优光谱比未去噪光谱平滑,比小波包去噪光谱保留了更多光谱细节;3)基于原始反射率的有机碳含量预测模型R2=0.663,RMSE=2.045g/kg,精度较低;经过LCM处理后预测效果最佳,R2val达到0.789,RMSEV为1.671g/kg,RPD为2.17.局部最相关算法在去噪同时有效突出了土壤有机碳光谱信号,可提高水稻土有机碳含量高光谱预测精度.
水稻土 排水期 有机碳 高光谱遥感 微分变换 小波包变换 局部最相关算法
张锐 李兆富 潘剑君
南京农业大学资源与环境科学学院,南京 210095
国内会议
中国土壤学会第十三次全国会员代表大会暨第十一届海峡两岸土壤肥料学术交流研讨会
陕西杨凌
中文
1004-1015
2016-09-19（万方平台首次上网日期，不代表论文的发表时间）