1 武汉大学资源与环境科学学院, 湖北 武汉 430079
2 武汉大学苏州研究院, 江苏 苏州 215123
3 武汉大学地球空间信息技术协同创新中心, 湖北 武汉 430079
4 武汉大学教育部地理信息系统重点实验室, 湖北 武汉 430079
5 浙江大学农业遥感与信息技术应用研究所, 浙江 杭州 310058
6 中国科学院地理科学与资源研究所, 北京 100101
土壤组分光谱估算过程中校正样本集的构建会影响模型的预测精度。 当前结合反射光谱和Kennard-Stone (KS)算法的校正样本集构建策略忽视了土壤反射光谱是土壤属性的综合反映, 构建的样本集通常无法很好地代表目标土壤组分的变异。 光谱变换方法可以突出目标组分的光谱特征, 为此, 本文以湖北省江汉平原滨湖地区水稻土为研究对象, 结合包括一阶微分(FD)、 Savitzky-Golay(SG)、 Haar小波变换、 标准正态变量变换(SNV)和多元散射校正(MSC)在内的光谱变换方法和KS算法进行校正样本集建构, 通过对比不同样本集构建策略对使用偏最小二乘回归(PLSR)建立的土壤全氮含量光谱估算模型预测精度的影响, 研究光谱变换是否有助于提高基于KS算法构建的校正样本集的代表性。 结果表明: 不同光谱变换会影响校正样本集的构建。 反射光谱经过SG或Haar小波变换后, 再使用KS算法构建校正样本集与直接基于反射光谱使用KS算法构建的校正样本集相同, 建立的估算模型精度不变, 相对分析误差(RPD)分别为141和127。 结合FD, SNV或MSC变换和KS算法构建的校正集与基于反射光谱使用KS算法构建的校正集不同, 建立的估算模型RPD分别从095, 148和142提高到113、 178和220。 研究表明SNV和MSC等光谱变换方法可以提高基于KS算法构建的校正样本集的代表性, 并可有效提高模型预测精度。
光谱变换 Kennard-Stone算法 校正集选择 模型精度 土壤全氮 Spectral transformation Kennard-Stone algorithm Calibration dataset construction Model accuracy Soil total nitrogen 光谱学与光谱分析
2017, 37(7): 2133