基于高光谱特征与人工神经网络模型对土壤含水量估算

土壤含水量(θ)是影响作物生长和作物产量的主要因素之一。旨在评估基于光谱特征参数的各种回归模型估算土壤含水量的精度,并比较人工神经网络(BP-ANN)和光谱特征参数模型的性能。2014年在室内获取砂土和壤土的土壤含水量和光谱反射率数据。结果表明:(1)当砂土容重为1.40 g·cm^(-3)时,900~970 nm最大反射率和900~970 nm反射率总和估算口达到极显著水平(R^2超过0.90);容重为1.50 g·cm^(-3)时,用蓝边最大反射率和900~970 nm反射率总和估算θ相关性最好(超过0.70);容重为1.60 g·cm^(-3)时,780~970 nm反射率总和与560~760 nm归一化吸收深度的R^2均超过0.90,达到极显著水平;容重为1.70 g·cm^(-3)时,900~970 nm最大反射率和900~970 nm反射率总和的R^2为0.88,呈极显著水平。(2)当土壤类型为壤土时,用900~970 nm最大反射率和900~970 nm反射率总和估算θ相关性最好。(3)蓝边反射率总和(R^2=0.26和RMSE=0.09 m^3·m^(-3))和780~970 nm吸收深度(R^2=0.32和RMSE=0.10m^3·m^(-3))估算砂土的含水量相关性最好。在估算壤土的含水量时,900~970 nm最大反射率(R^2=0.92和RMSE=0.05 m^3·m^(-3))与900~970 nm反射率总和估算模型的精度最高(R^2=0.92和RMSE=0.04 m^3·m^(-3))。(4)用人工神经网络模型能够更好地估算两种土壤的含水量(R^2=0.87和RMSE=0.05m^3·m^(-3))。因此,人工神经网络模型对θ估算具有巨大的潜力。

应用析取克里格方法估计区域地下水埋深分布

本文比较了几种常用的估计土壤空间变异的计算方法，介绍了析取克里格的理论和计算方法，给出计算区域地下水埋深分布的实例，并对普通克里格和析取克里格的计算方差作了比较．