自2000年以来,黄河中游坡度较大的不同区域、同一区域的不同部位在不同年度实施了退耕还林工程,促进了黄河中游土壤质量及生态环境的改善.为了研究退耕工程对土壤及环境的影响机制,需要快速获取退耕年限及土壤特征.该研究以黄河中游大宁县不同年限退耕还林土壤为研究对象,获取不同年限退耕还林土壤理化性质,同时测定不同退耕年限土壤光谱特征曲线,以表征不同退耕年限的土壤属性及光谱特征;以土壤原始光谱反射率数据(Reflectance,R)为基础,采用Savitzky-Golay平滑(Savitzky-Golay smooth,SG)、倒数的对数(Reciprocal of Logarithm,RL)、一阶微分(First Order Differential,FD)、去包络线(Continuum Removal,CR)、主成分分析(Principal Component Analysis,PCA)以及光谱特征参数(Spectral Characteristic Parameter,SCP)等光谱预处理,以原始反射率主成分(R-PCA)、倒数的对数主成分(RL-PCA)、一阶微分主成分(FD-PCA)、去包络线主成分(CR-PCA)、SCP为输入因子,采用K均值聚类(K-means Clustering Algorithm,K-means)、支持向量机(Support Vector Machine,SVM)和线性判别分析(Liner Discriminant Analysis,LDA)构建退耕年限的分类模型并选取最优模型.结果表明:1)退耕年限的增加会导致土壤理化性质的显著变化,土壤有机碳(Soil Organic Carbon,SOC)含量、土壤含水率逐渐增加,土壤黏粒含量逐渐减少,土壤粉粒、砂粒及饱和导水率呈现先增加后减少的趋势;2)不同退耕年限土壤光谱曲线差异细微,预处理CR可显著提升光谱曲线的吸收特征,在480、900、1100、1400、1900、2200和2350 nm处出现明显的吸收特征;3)3种分类模型取得了较为理想的分类精度,其中LDA模型最优,Kappa系数最大为0.83;5种输入因子分类效果差异显著,其中CR-PCA分类效果最好,不同模型分类精度均达到75％以上.该研究通过土壤光谱曲线探索不同年限退耕还林土壤的光谱特征及分类方法,可实现退耕年限的快速区分,为退耕还林工程对土壤属性及环境影响的进一步研究提供参考.

土壤;有机碳;模型;退耕还林;退耕年限;高光谱;黄河中游

邓永鹏;朱洪芬;丁皓希;孙瑞鹏;毕如田

山西农业大学资源环境学院,太原 030000

农业工程学报

[1]邓永鹏;朱洪芬;丁皓希;孙瑞鹏;毕如田-.基于高光谱技术的退耕还林地年限判别)[J].农业工程学报,2022(03):66-74

退耕工程,Logarithm

高光谱技术,退耕还林地,黄河中游,不同部位,退耕还林工程,土壤质量,退耕年限,土壤特征,大宁县,不同年限,土壤理化性质,同时测定,土壤光谱,光谱特征,土壤属性,光谱反射率,Reflectance,Savitzky,Golay,smooth,SG,倒数,Reciprocal,RL,一阶微分,First,Order,Differential,FD,包络线,Continuum,Removal,CR,Principal,Component,Analysis,Spectral,Characteristic,Parameter,SCP,光谱预处理,均值聚类,means,Clustering,Algorithm,Support,Vector,Machine,线性判别分析,Liner,Discriminant,LDA,分类模型,最优模型,土壤有机碳,Soil,Organic,Carbon,SOC,土壤含水率,土壤黏粒含量,粉粒,砂粒,饱和导水率,光谱曲线,细微,较为理想,分类精度,Kappa,分类效果,效果差异,模型分类,分类方法

0.323468