基于近红外光谱技术预测森林土壤有机碳含量的研究

摘要

森林土壤有机碳是反映土壤肥力的重要内容，土壤肥力指示着林地土壤的营养状况。因此，快速测定土壤有机碳含量可以实时地估测林区土壤碳储量的动态变化。本文应用近红外光谱技术快速预测森林土壤有机碳含量，充分体现了它测定快捷、简单、无损等优点。文中分别采用偏最小二乘法(PLS)、主成分回归法(PCR)、BP神经网络、支持向量机(SVR)化学计量学算法建立土壤有机碳含量近红外模型，同时在建模过程中分别探讨了多种预处理方法结合、谱区优选、主成分压缩提取、模型参数优选的影响。
　　(1)应用PLS和PCR两种建模方法比较，采用不同预处理方法结合、谱区优选进行模型寻优。结果表明，当光谱区域为优选谱区(1380～1450nm，1800～1950nm，2050～2300nm)，光谱数据采用Savitzky-Golay平滑+多元散射校正+一阶导数预处理，应用PLS的建模方法，主成分数为8时，建立的模型有最佳预测效果。预测均方根误差(RMSE)为0.5143，预测标准差(SEP)为0.5140，预测集中预测值和实测值的相关系数为0.7537，满足精度要求。
　　(2)利用主成分分析法压缩提取数据的前8个主成分，最终建立BP神经网络模型。结果表明，采用Levengerg-Marquardt优化网络，所得训练集的相关系数R为0.8829，均方根误差为0.4120，校正集的相关系数为0.7800，均方根误差为0.5002，验证集的相关系数为0.8494，均方根误差为0.4538，满足精度要求且有一定的提高。
　　(3)采用支持向量机回归(SVR)方法实现非线性拟合，同时对归一化方式、核函数、最佳参数c和g三种影响参数进行寻优，从而快速测定森林土壤有机碳含量。结果表明，采用[-1，1]归一化方式、径向基核函数、最佳参数c=0.5和g=0.0625时，土壤有机碳含量的预测效果为，相关系数R=0.8903，均方根误差RMSE=0.2739，满足精度要求且有进一步的提高。
　　(4) PLS、BP及SVR模型均能实现对森林土壤有机碳含量的快速预测，通过比较，PLS可实现粗略预测，BP神经网络较精确，而SVR最精确。本文为森林土壤有机碳含量的测定提供新思路，为施行有效地抚育管理提供理论依据与技术支撑。

目录

摘要

1 绪论

1．1 引言

1．2 近红外光谱技术的简述

1．2．1 近红外光谱技术原理与技术在土壤有机碳含量测定中的可行性

1．2．2 土壤样品近红外光谱的预处理方法及其作用

1．2．3 近红外光谱预测模型的预测及传递问题

1．3 近红外光谱技术在土壤上的应用

1．3．1 国外研究现状

1．3．2 国内研究现状

1．4 研究方法与技术路线

1．4．1 研究方法

1．4．2 技术路线

2 基于PLS与PCR线性建模方法及模型优化

2．1 引言

2．1．1 PLS与PCR算法的优缺点

2．1．2 偏最小二乘法的原理

2．2 实验原理与土壤样品数据的获取

2．2．1 漫反射光谱测定原理

2．2．2 土壤样品的采集与制备及近红外光谱采集

2．2．3 土壤有机碳含量的测定

2．3 模型评价

2．4 结果与讨论

2．4．1 土壤样品近红外原始光谱

2．4．2 土壤样品得分图与残余方差图的分析

2．4．3 基于全波段光谱的预测模型

2．4．4 基于优选谱区的预测模型

2．5 本章小结

3 基于BP神经网络的土壤有机碳含量近红外模型优化

3．1 引言

3．2 BP神经网络在近红外光谱数据分析中的实现

3．2．1 BP神经网络的简述

3．2．2 BP神经网络对近红外光谱数据的分析流程

3．3 结果与讨论

3．3．1 主成分分析法压缩土壤近红外光谱数据

3．3．2 基于BP神经网络的土壤有机碳含量的预测结果

3．4 本章小结

4 基于SVR非线性建模方法及优化

4．1 支持向量机(SVR)在近红外光谱数据分析中的实现

4．1．1 SVR神经网络简述

4．1．2 模型建立

4．2 MATLAB实现

4．2．1 根据模型假设选定自变量和因变量

4．2．2 数据预处理

4．2．3 参数选择

4．2．4 训练及回归预测

4．3 本章小结

结论

参考文献

附录

攻读学位期间发表的学术论文

致谢

声明