基于频谱图的土壤有机碳含量高光谱反演

土壤有机碳含量关乎地力强弱、生态均衡及农业的永续经营,是精细农业实践中不可或缺的指标。高光谱定量分析技术以其高效性和成本优势成为评估该指标的首选方法。但当前研究多基于少量单一样本,且在光谱数据处理和建模关键技术等方面,仍需突破以提高有机碳检测的准确度。为此,本研究以欧盟统计局提供的LUCAS多种类型土壤光谱数据集作为分析对象,设计了一种基于频谱图的土壤有机碳(SOC)含量高光谱反演方法。将土壤高光谱数据进行预处理,去除光谱中的噪音和冗余信息;运用小波包变换(WPT)、短时傅里叶变换(STFT)将一维光谱数据分别转换成大小为33×34和128×36的二维频谱图,提高光谱特征信息维度,以更好适应卷积神经网络(CNN)学习结构,同时二维形式呈现了吸收率随波长变化的频率分布,可以更精确地显示不同频率或波长上的吸收率差异;将频谱图输入构建的CNN模型进行回归预测,估测SOC含量。对比偏最小二乘回归(PLSR)和一维卷积模型(1D-RDC)与STFT-CNN、WPT-CNN估测模型。结果表明,经小波包变换和短时傅里叶变换后得到的频谱图能够很好体现光谱中的特征信息,配合CNN模型的特征提取和学习能力能够有效地估测大规模土壤高光谱中SOC含量,WPT-CNN模型估测效果最优(决定系数R 2,0.84;均方根误差RMSE,11.2),STFT-CNN模型的回归预测效果次之(R 2,0.77;RMSE,13.29)。因此,基于频谱图的土壤有机碳含量高光谱反演方法对大型土壤高光谱数据集中的土壤有机碳含量估测有较好的效果,可为构建智能化的土壤属性预测技术提供参考。