文 献 综 述

选题背景

土壤是人类日常生活生产的基础，而作为土壤固态物质的主要组成成分，有机碳是能反应土壤性质的重要指标。土壤有机碳(SOM)是陆地生态系统中占比最大和最重要的碳库。全球陆地总碳库约有2/3~3/4以有机中的形式存储在土壤中。土壤有机碳是土壤中腐殖质、动植物残体和微生物的总和。一方面，有机碳能促进动植物生长，维护土壤生态多样性，有效提高土地肥力，另一方面，有机碳可与土壤中的盐类构成缓冲体系，提高土壤的酸碱缓冲能力，降低水土流失的危害。研究土壤有机碳含量的动态变化与空间分布对研究全球碳循环、温室效应、预测土壤质量变化有着重要意义。因此，如何快速，准确测定有机碳的含量已经成为一项重要课题。

传统的有机碳测定方法主要为化学分析法，如酸溶液提取法和重铬酸钾氧化法等。化学分析法的优势在与结果较为精准，但存在试剂成本高，实时性差，工作量大，易产生环境污染等问题。近年来，高光谱分析法已越来越广地运用于有机碳测定。研究表明，土壤有机碳含量与土壤光谱特性间存在显著关系。一系列基于多元线性回归、偏最小二乘回归等方法的模型被提出。高光谱分析法克服了化学分析法成本、时间、人力上的缺陷，但也仍存在自相关、难以处理非线性关系及过拟合等问题。如今随着计算机性能的突破和相关理论的创新，机器学习得到了广泛关注，被许多行业视为未来的发展方向。运用机器学习相关方法可以有效克服上述问题，为有机碳的快速测定提供全新的方法。

研究现状

土壤内在结构与理化特征共同作用于土壤光谱特征。已有广泛的研究表明，土壤光谱反射特性能够反映土壤属性。同时，高光谱遥感突破了传统遥感技术的局限性，可以获取土壤某一属性不间断的光谱曲线，借此可以较为详细地分析光谱差异。现今研究多使用非成像高光谱仪采集土壤光谱反射率，建立SOM含量模型。近40年的研究表明，土壤中SOM含量在可见光和近红外波谱范围内有独特特征。Bower、Hanks在1972年发现土壤有机质含量对土壤发散辐射有影响。Morra等认为近红外波段是预测SOM最有前途的波段。徐彬彬等研究发现，土壤有机碳含量与土壤反射波谱在600nm处的弓曲差存在极显著负相关性。贺军亮在测定不同土样并进行相关性分析后认为SOM含量特征波段为511nm。Bartholomeus等对不同类型、区域的土壤样本进行了研究，最后认为土壤有机质与基于可见光部分光谱相关指数较高，相关关系的波段出现在400nm~600nm间，是土壤光谱反射率斜率的倒数。

建模上，国内外研究主要集中与多元线性回归和偏最小二乘回归等。Toure S，Tychon B采用逐步线性回归分析方程，建立了有机质与土壤光谱间的联系。Van Waes等基于一阶微分变换结合偏最小二乘回归预测模型，成功预测了自然草地与农业草地的土壤有机质含量。卢艳丽等利用逐步回归分析和主成分分析等统计方法建立了东北黑土有机质含量预测模型。Conforti等对不同地区的215个样本进行偏最小二乘回归建模，预测精度R2可达0.84。朱登胜等采用PLSR方法建立了一阶偏微分光谱的光谱吸光度与土壤有机质含量间的定量分析模型，结果相关系数为0.82。

研究目的及意义

第一，我国是农业大国，农业是我国高速发展的基础。而在农业中土壤则是最为重要的一环，只有深入了解其特征，才能高效地管理和发展农业。有机碳有利于植物生长繁衍，能增强土壤中微生物活性，提高土壤储水保肥的能力，可以直接影响作物产量。其是维护生态多样性的必要条件，在农林业可持续发展、环保等方面起着重要作用。此外，土壤有机碳可还能直接影响土壤结构等特性，作为全球碳循环的重要一环还起着调节温室效应的作用。对有机碳含量时空变换的研究在预测土壤质量变化、调节全球碳平衡、探索有机碳转化过程等领域都起着重要作用。因此，我们急需更加高效准确的有机碳测定法。

第二，当前有机碳含量的建模方法还存在不能适应非线性关系、过拟合等问题。而随着计算机的发展，神经网络逐渐崭露头角。神经网络是一种类似生物神经网络的数学模型，具有独特的非线性数据处理方式，是对传统建模方法的一次深刻革新。人工神经网络能够进行大规模并行处理，分布式存储，弹性拓扑，高度冗余和非线性运算，因而具有很髙的运算速度，很强的联想能力，很强的适应性，很强的容错能力和自组织能力。如今，神经网络已被大量运用于语言识别、图像分析、计算机视觉、数字水印等领域。使用神经网络对高光谱遥感图像进行分析可以有效克服传统方法在非线性运算、过拟合等方面的问题。

综上，本研究的目的在于建立神经网络对高光谱遥感影像进行分析，探究土壤有机碳含量与土壤光谱曲线间的联系，借此寻找一种高效、泛化的有机碳含量测定模型。

参考文献

[1]徐彬彬,季耿善,朱永豪.中国陆地背景和土壤光谱反射特性的地理分区的初步研究[J].环境遥感,1991(02):142-151.

[2]唐伟祥,孟凡乔,张煜,赵自超.不同土壤有机碳测定方法的比较[J].土壤,2018,50(03):552-557.

[3]刘焕军,张柏,赵军,张兴义,宋开山,王宗明,段洪涛.黑土有机质含量高光谱模型研究[J].土壤学报,2007(01):27-32.

[4]于雷,洪永胜,耿雷,周勇,朱强,曹隽隽,聂艳.基于偏最小二乘回归的土壤有机质含量高光谱估算[J].农业工程学报,2015,31(14):103-109.

[5]张静.基于高光谱的土壤有机碳含量预测研究[J].安徽农业科学,2018,46(02):1-3 7.

[6]孙问娟,李新举.煤矿区土壤有机碳含量的遥感反演与分布特征[J].水土保持学报,2018,32(03):328-333 339.

[7]孙问娟,李新举.煤矿区土壤有机碳含量的高光谱预测模型[J].水土保持学报,2018,32(05):346-351.

[8]徐彬彬,戴昌达.南疆土壤光谱反射特性与有机质含量的相关分析[J].科学通报,1980(06):282-284.

[9]刘焕军,张新乐,郑树峰,汤娜,胡言亮.黑土有机质含量野外高光谱预测模型[J].光谱学与光谱分析,2010,30(12):3355-3358.

[10]宋瑞强.氧化还原容量法测定海洋沉积物中有机碳的主要影响因子及消除方法[J].仪器仪表与分析监测,2019(01):36-39.

[11]王静,何挺,李玉环.基于高光谱遥感技术的土地质量信息挖掘研究[J].遥感学报,2005(04):438-445.

[12]浮爱青,胡科,张菀乔.沉积岩中总有机碳测定的方法验证[J].广州化学,2018,43(05):39-43.

[13]Chang C W, Laird D A.Influence of soil moisture on near-infrared reflectance spectroscopic measurement of soil properties[J].Canadian Journal of Soil Science, 2002, 82 (4) :413-422.

[14]申艳,张晓平,梁爱珍,时秀焕,范如芹,杨学明.近红外光谱分析法测定东北黑土有机碳和全氮含量[J].应用生态学报,2010,21(01):109-114.

[15]王琼,陈兵,王方永,宋庆平,窦中江,戴建国,肖春华,杨秀春.基于HJ卫星的棉田土壤有机质空间分布格局反演[J].农业工程学报,2016,32(01):174-180.

[16]周稀,潘洪旭,邓欧平,邓良基.基于RS和GIS的西河流域土壤有机碳含量的空间反演[J].中国土壤与肥料,2016(04):32-38.

[17]薄欣. 不同含水量梯度下土壤有机碳含量分布特征及高光谱估测模型研究[D].哈尔滨师范大学,2017.

[18]陈增文. 基于高光谱的土壤有机碳含量估算研究[D].福建师范大学,2009.

研究路线

本研究主要借助于遥感、图像处理、神经网络等技术。首先，对遥感图像进行平滑降噪；其次，进行特征工程，寻找特征波段，剔除异常数据，进行归一化等数学变形；最后，使用神经网络进行模型训练。主要研究内容如下：

1 图像处理。对图像进行平滑处理，图像分类识别裂缝等无效区域。对像元光谱数据进行平滑处理，各行求平均值，获得平均光谱曲线。

2 特征工程 阅读相关文献，寻找合适的特征光谱，剔除异常数据，进行归一化等数学变形。

3 建模 比较分析各开源深度学习框架，使用光谱数据与有机碳数据进行模型训练，保存训练好的模型，将其整合成自适应预测模型。