论文部分内容阅读
土地是地表包括地质、地貌、气候、水文、土壤、植被等多种自然要素在内的自然综合体。对于人类的生产生活,土壤至关重要。土壤是自然历史综合体,与其他客体一样,有着自身的发生演变规律。随着遥感技术和计算机科学的发展,数字土壤制图越来越成熟,土壤图精度的提高对土地评价单元的划分有很大帮助,但数字土壤制图最小单元的确定和普适性问题都有待解决。土壤反射光谱数据是研究数字土壤制图的基础,本文以土壤反射光谱数据为研究对象,基于中国土壤发生分类体系,从两个角度开展研究:(1)现有的土壤光谱分类的最小尺度是在土类级别,本文将进一步确定土壤光谱分类的最小级别。(2)为了提高分类模型的普适性,本文混入不同含水量的土样,构建消除水分影响的土壤光谱分类模型。选取松嫩平原四个典型土类(黑土、黑钙土、风沙土、草甸土)表层(0-20 cm)的实验室可见光-近红外(400-2500 nm)光谱反射率数据为研究对象,对光谱反射率数据进行一阶微分和去包络线等处理,提取具有明确物理含义的光谱特征参数。以反射率主成分、一阶微分主成分和光谱特征参数为输入量构建多项Logistic回归、神经网络多层感知器和决策树分类模型,在土属和土种级别上进行分类。研究得出结论:(1)在土类和土属级别,不同土壤表层光谱曲线的前两个吸收谷有很大差异,但在土种级别上相似;(2)对于中国土壤分类体系,利用光谱特征参数可以对表层土壤样本进行分类,并且土属级别是土壤反射光谱特征分类的最小尺度。(3)以光谱特征参数为输入量的决策树模型的分类精度最高,达到83.3%,Kappa系数为0.8。室内风干土的土壤分类模型还不能很好地应用在卫星、无人机等平台上,因为野外环境是复杂的。野外的土壤受气候等影响,水分含量不同,而且在土壤表面会有秸秆、牛粪等遮盖了纯土壤信息。基于这样的问题,本文考虑了其中比较重要的土壤水分因素,将调配出的53个不同含水量的土壤样本与135个风干土样本混合,分析土壤水分变化对不同分类指标的影响,选择不受土壤水分变化影响的分类指标构建土壤分类模型。研究得出结论:(1)土壤水分对吸收面积(A)、深度(H)和波段间斜率(SL)等几个光谱指数的影响较大,对光谱反射率和一阶微分的影响更大;(2)风沙土的去包络线曲线受土壤水分影响最小;黑土受土壤水分影响最大。(3)通过对比,考虑含水量影响的DT分类模型的精度最高,优于考虑含水量差异的MLR模型和MLPNN模型,分类精度为91.892%,kappa系数为0.888。土地管理、土壤普查和土地可持续利用等都需要以土壤类型为前提;不同土壤类型耕地可能导致产量的差异,所以耕地质量的高低也需要以土壤类型为前提。研究结果可以作为遥感土壤分类的基础,针对东北地区黑土,利用遥感技术和地理信息系统辅助数据划定黑土保护区,对我国数字土壤制图、土地评价单元划分、土地管理和土地利用规划具有重要的指导意义。