基于高光谱特征与人工神经网络模型对土壤含水量估算

摘要：

土壤含水量(θ)是影响作物生长和作物产量的主要因素之一.旨在评估基于光谱特征参数的各种回归模型估算土壤含水量的精度,并比较人工神经网络(BP-ANN)和光谱特征参数模型的性能.2014年在室内获取砂土和壤土的土壤含水量和光谱反射率数据.结果表明:(1)当砂土容重为140 g·cm-3时,900～970 nm最大反射率和900～970 nm反射率总和估算θ达到极显著水平(R2超过090);容重为150 g·cm-3时,用蓝边最大反射率和900～970 nm反射率总和估算θ相关性最好(超过070);容重为160 g·cm-3时,780～970 nm反射率总和与560～760 nm归一化吸收深度的R2均超过090,达到极显著水平;容重为170 g·cm-3时,900～970 nm最大反射率和900～970 nm反射率总和的R2为088,呈极显著水平.(2)当土壤类型为壤土时,用900～970 nm最大反射率和900～970 nm反射率总和估算θ相关性最好.(3)蓝边反射率总和(R2=026和RMSE=009 m3·m-3)和780～970 nm吸收深度(R2=032和RMSE=010 m3·m-3)估算砂土的含水量相关性最好.在估算壤土的含水量时,900～970 nm最大反射率(R2=092和R MSE=005 m3·m-3)与900～970 nm反射率总和估算模型的精度最高(R2=0 92和RMSE=004 m3·m-3).(4)用人工神经网络模型能够更好地估算两种土壤的含水量(R2=087和RMSE=005 m3·m-3).因此,人工神经网络模型对θ估算具有巨大的潜力.

关键词：土壤含水量、光谱特征参数、人工神经网络

所属期刊栏目：37

分类号：S152.7(土壤学)

资助基金：国家重点研发计划项目2016YFD0800102;国家自然科学基金项目41371231

在线出版日期：2017-05-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：841-846