学位论文 > 优秀研究生学位论文题录展示

地面实验条件下土壤热红外光谱特性研究

作　者: 黄启厅
导　师: 史舟
学　校: 浙江大学
专　业: 农业遥感与信息技术
关键词: 热红外遥感土壤发射率 ISSTES算法土壤温度土壤水分土壤粒径
分类号: TP79
类　型: 硕士论文
年　份: 2010年
下　载: 162次
引　用: 1次
阅　读: 论文下载

内容摘要

土壤温度和土壤水分在农业、水文、气象等领域扮演着十分重要的角色,对人类的生存和发展产生重大影响。及时、动态地掌握土壤温度和水分的数量特征和空间分布状况具有极其重大的意义。遥感技术具有快速、覆盖面积大和能够重复观测的特点,已经成为对地监测的重要手段,尤其是热红外遥感本身具有的对温度和水分变化敏感的特性,使其在土壤温度和水分监测中具有独特优势。目前热红外遥感反演土壤水分的方法主要有热惯量法和温度植被指数法,这两种方法都需要以土壤温度作为已知的输入参数。这样,土壤水分的反演问题就转化为土壤温度的反演。由于热红外传感器所接收到的热辐射信号是地表温度和发射率的函数,因此发射率的准确求取是决定土壤温度反演精度的关键因素。然而土壤发射率具有不确定性,受土壤粒径、含水量和含沙量等因素的影响,需要对这些因素与土壤发射率的关系进行系统地研究。本文以揭示土壤特性与其发射率之间的规律为中心,基于模拟的土壤热红外高光谱数据,分析了光谱获取当中外界因素的影响大小,并利用地面实测的土壤发射率,借助多种数学方法对土壤的发射率光谱特征进行分析,建立了多组土壤特性的预测模型,实现了部分土壤特性的预测。在此基础上模拟ASTER和MODIS两个传感器的热红外通道数据,对土壤含沙量和含水量进行预测估算,评价了这两个传感器在直接利用通道发射率反演土壤特性的潜力。本文采用ISSTES算法实现了土壤温度和发射率的分离。分析发现,采用Bower定义的平滑度指数和7.9983-8.4139μm作为反演波段,算法的分离效果最佳,发射率分离精度可优于0.001。基于模拟数据计算表明,测量过程中大气下行辐射变化引起的发射率计算误差远远大于仪器噪声和样品温度导致的误差。针对实测发射率数据噪声大的特点,对5点移动平均(MA)、SAVITZKY GOLAY(S-Golay)平滑、小波变换去噪(WD)三种方法进行去噪效果的比较,结果显示小波去噪的效果最好。通过比较沙子、水稻土、红壤和黑土的发射光谱,发现不同类型土壤在热红外谱域具有独特的光谱特征;而粒径变化对土壤发射光谱的影响规律相似,即发射率先随着土壤粒径的增大而上升,到了某一粒级发射率便开始下降;土壤发射率与其含沙量和含水量分别成反比和正比关系,但各个区间的变化幅度不一样:对于含沙量8-9.5μm区间的变化明显,11-13μm区间的发射光谱基本保持不变;对于含水量9.5-12μm区间表现明显,而在热红外窗口的两端附近,发射率曲线出现重叠交叉,随水分变化不明显。对不同有机质含量的黑土发射光谱进行分析,发现黑土由于有机质含量较高,其发射率也较高,平均发射率在0.93-0.98之间,发射光谱表现凌乱,随有机质含量差异的变化没有规律性。相关分析表明,发射率各波段和有机质含量之间相关性微弱,相关系数最高不超过0.14,初步研究表明两者的线性关系不显著,但此结论还需要进一步深入的研究。将经过小波滤噪后的土壤发射光谱进行对数倒数、一阶微分、基线校正、归一化、多次散射纠正和原始光谱不变换等六种不同预处理,分别利用偏最小二乘回归(PLSR)和主成分回归(PCR)方法对土壤含沙量和含水量进行建模预测,结果显示,PLSR模型从总体上优于PCR模型。对于土壤含沙量的预测而言,认为在PLSR模型下,一阶微分处理的预测效果最好;对于土壤含水量的预测而言,基线校正的PLSR模型的建模预测效果最好。在此基础上,基于实测土壤发射率模拟了ASTER和MODIS的热红外通道发射率及其波段比值,并对土壤的含沙量和含水量进行预测,结果表明,两个传感器的热红外通道数据与土壤含沙量和含水量均表现出良好的线性关系,总体上ASTER热红外通道数据比MODIS具有更好的反演效果;就通道发射率和波段比值两种光谱变量而言,ASTER通道发射率比波段比值的反演效果要好,而MODIS则刚好相反,波段比值的效果要优于通道发射率。

全文目录

致谢  7-8
摘要  8-10
Abstract  10-13
目录  13-17
图目录  17-23
表目录  23-24
第一章绪论  24-36
  1.1 研究背景  24-25
  1.2 热红外遥感在土壤中的应用  25-30
    1.2.1 地表比辐射率获取的研究进展  25-26
    1.2.2 热红外遥感反演地表温度的研究进展  26-28
    1.2.3 热红外遥感反演土壤水分的研究进展  28-30
  1.3 土壤热红外光谱的研究进展  30-32
  1.4 研究目标及研究内容  32-35
    1.4.1 研究目标  32
    1.4.2 研究内容  32-35
      1.4.2.1 温度和发射率分离算法的研究  32
      1.4.2.2 测量环境条件和操作规范的探索  32-33
      1.4.2.3 土壤发射光谱的噪声分析和去噪方法比较  33
      1.4.2.4 不同粒径、含沙量等条件下的土壤发射光谱特征  33
      1.4.2.5 土壤含沙量和含水量的建模预测  33
      1.4.2.6 卫星传感器热红外通道发射率与土壤特性的关系研究  33-35
  1.5 研究技术路线  35-36
第二章热红外辐射相关理论  36-47
  2.1 热辐射基本概念和定律  36-41
    2.1.1 热辐射基本概念  36-38
    2.1.2 热辐射的基本定律  38-41
  2.2 热红外辐射在大气中的传输  41-46
    2.2.1 地表热红外辐射特性  41-42
    2.2.2 大气组成及其长波辐射特性  42-44
    2.2.3 MODTRAN大气辐射传输模型  44-46
  2.3 本章小结  46-47
第三章温度和发射率的分离  47-66
  3.1 几种典型的温度发射率分离算法  48-53
    3.1.1 包络线法  48-49
    3.1.2 黑体拟合法  49
    3.1.3 参考通道法  49-50
    3.1.4 独立变量迭代法  50-51
    3.1.5 光谱平滑迭代法  51-53
    3.1.6 其它的温度发射率分离算法  53
  3.2 数据的模拟  53-55
    3.2.1 基于MODTRAN3.7的大气下行辐射模拟  54-55
    3.2.2 土壤辐射出射度模拟  55
    3.2.3 仪器噪声模拟  55
  3.3 算法精度评价和比较择优  55-64
    3.3.1 反演波段的获取  56-59
      3.3.1.1 ISSTES法  56-58
      3.3.1.2 CBTES法  58-59
    3.3.2 算法的比较择优  59-60
    3.3.3 影响因素分析  60-64
      3.3.3.1 仪器噪声的影响  60-61
      3.3.3.2 下行辐射误差的影响  61-63
      3.3.3.3 样品温度变化的影响  63-64
  3.4 本章小结  64-66
第四章数据的获取和处理  66-92
  4.1 土壤样品的采集和制备  67-70
    4.1.1 土壤样品的采集  67-68
    4.1.2 土壤样品的预处理  68-70
      4.1.2.1 不同表面粗糙度土壤样品的制备  68-69
      4.1.2.2 不同含沙量土壤样品的制备  69
      4.1.2.3 不同含水量土壤样品的制备  69
      4.1.2.4 不同有机质含量土壤样品的制备  69-70
      4.1.2.5 不同土壤类型样品的制备  70
  4.2 土壤性质的理化分析  70-71
    4.2.1 土壤水分含量测定  70
    4.2.2 土壤有机质含量测定  70-71
  4.3 土壤发射率光谱的测量  71-79
    4.3.1 仪器特性及数据获取过程  71-76
      4.3.1.1 102F便携式傅立叶红外光谱仪的主要特点和指标  71
      4.3.1.2 样品光谱数据的获取  71-76
    4.3.2 测量环境及条件的探讨  76-79
  4.4 土壤热红外光谱数据处理  79-91
    4.4.1 土壤热红外光谱的分离获取  79-80
    4.4.2 原始光谱曲线的滤波去噪  80-85
      4.4.2.1 土壤热红外光谱噪声的分布  80-82
      4.4.2.2 滤波器的选择和去噪效果评价  82-85
    4.4.3 热红外光谱数据的处理方法  85-91
      4.4.3.1 土壤热红外光谱的变换  85-86
      4.4.3.2 土壤热红外光谱特征波段的分析和提取方法  86-89
      4.4.3.3 土壤特征参数的热红外预测模型  89-91
  4.5 本章小结  91-92
第五章土壤热红外光谱特征及其特性预测  92-131
  5.1 不同类型土壤的发射光谱特征  93-98
  5.2 土壤随粒径变化的发射光谱特征  98-100
  5.3 不同含沙量土壤的发射光谱特征及预测研究  100-115
    5.3.1 土壤随含沙量变化的发射光谱特征  101-104
    5.3.2 土壤含沙量的建模预测  104-109
      5.3.2.1 偏最小二乘回归分析(PLSR)建立土壤含沙量预测模型  104-107
      5.3.2.2 主成分回归分析(PCR)建立土壤含沙量预测模型  107-109
    5.3.3 卫星传感器的热红外通道与土壤含沙量的关系  109-115
      5.3.3.1 主要的热红外传感器简介  109-111
      5.3.3.2 ASTER热红外通道的土壤含沙量特性  111-114
      5.3.3.3 MODIS热红外通道的土壤含沙量特性  114-115
  5.4 不同含水量土壤的发射光谱特征及其预测研究  115-126
    5.4.1 土壤随含水量变化的发射光谱特征  116-118
    5.4.2 土壤含水量的建模预测  118-122
      5.4.2.1 偏最小二乘回归分析(PLSR)建立土壤含水量预测模型  118-120
      5.4.2.2 主成分回归分析(PCR)建立土壤含水量预测模型  120-122
    5.4.3 卫星传感器的热红外通道与土壤含水量的关系  122-126
      5.4.3.1 ASTER热红外通道的土壤含水量特性  122-124
      5.4.3.2 MODIS热红外通道的土壤含水量特性  124-126
  5.5 土壤有机质含量变化的发射光谱特征  126-129
  5.6 本章小结  129-131
第六章结论与展望  131-136
  6.1 主要研究成果与结论  131-134
  6.2 存在的问题与展望  134-136
参考文献  136-146
攻读硕士期间发表的论文  146

地面实验条件下土壤热红外光谱特性研究

内容摘要

全文目录

相似论文