采煤拉张裂隙区土壤有机质高光谱反演

doi:10.13474/j.cnki.11-2246.2023.0140

测绘通报 ›› 2023, Vol. 0 ›› Issue (5): 78-83,134.doi: 10.13474/j.cnki.11-2246.2023.0140

采煤拉张裂隙区土壤有机质高光谱反演

张全旺, 郭辉

安徽理工大学空间信息与测绘工程学院, 安徽淮南 232001

收稿日期:2022-07-28 发布日期:2023-05-31
通讯作者: 郭辉。E-mail:hguo@aust.edu.cn
作者简介:张全旺(1997-),男,硕士生,研究方向为高光谱遥感应用。E-mail:quanwang515@163.com
基金资助:
安徽理工大学引进人才科研基金（13200002）；安徽理工大学研究生创新基金（2021CX2140）

Hyperspectral inversion of soil organic matter in tensile fracture zone of coal mining

ZHANG Quanwang, GUO Hui

School of Spatial Information and Surveying and Mapping Engineering, Anhui University of Science and Technology, Huainan 232001, China

Received:2022-07-28 Published:2023-05-31

摘要/Abstract

摘要： 煤炭开采产生的拉张裂隙破坏土壤结构，影响土壤质量。利用高光谱技术对裂隙区土壤的重要成分进行监测，对精确恢复裂隙区土壤质量及改善农业产量具有重要意义。本文首先在淮北朱庄煤矿采煤拉张裂隙区采集了90组土壤样品，并在室内测定了土壤样本光谱；然后将反射率值与测定的有机质含量进行相关分析，选取对有机质敏感的特征波段；最后利用偏最小二乘、BP神经网络进行建模，并评价各模型的精度。研究表明，本文反演效果较理想，比较所建模型精度，一阶微分与偏最小二乘模型（FD-PLSR）建模效果最佳。FD-PLSR模型建模集和验证集的R²分别为0.876 1、0.845 9，RMSE分别为0.497 2、0.680 6。该研究可为采煤拉张裂隙区土壤有机质含量监测提供一定的技术支持。

关键词: 采煤拉张裂隙, 土壤有机质, 高光谱遥感, 偏最小二乘, BP神经网络

Abstract: The tensile cracks caused by coal mining destroy the soil structure and affect the soil quality. Using hyperspectral technology to monitor the important components of the soil in the fracture zone is of great significance for accurately restoring the soil quality in the fracture zone and improving agricultural production. In this study, 90 groups of soil samples are collected in the tensile fracture area of coal mining in Zhuzhuang coal mine in Huaibei, and the spectra of soil samples are measured indoors. The reflectance values are correlated with the measured organic matter content, and the characteristic bands sensitive to organic matter are selected. Partial least squares and BP neural network are used for modeling, and the accuracy of each model is evaluated. The results show that the inversion effect of this study is ideal, and the first-order differential and partial least squares model (FD-PLSR) has the best modeling effect. The R² of FD-PLSR model are 0.876 1、0.845 9, and the RMSE of FD-PLSR model are 0.497 2、0.680 6, respectively. The research can provide some technical support for the monitoring of soil organic matter content in tension fracture zone of coal mining.

Key words: coal mining tensile cracks, soil organic matter, hyperspectral remote sensing, partial least squares, BP neural network

中图分类号:

P237

张全旺, 郭辉. 采煤拉张裂隙区土壤有机质高光谱反演[J]. 测绘通报, 2023, 0(5): 78-83,134.

ZHANG Quanwang, GUO Hui. Hyperspectral inversion of soil organic matter in tensile fracture zone of coal mining[J]. Bulletin of Surveying and Mapping, 2023, 0(5): 78-83,134.

参考文献

[1] 马康, 杨帆, 张玉秀.西北干旱半干旱区煤炭井工开采对土壤肥力质量的影响研究进展[J].中国科学院大学学报, 2020, 37(4):442-449.
[2] 王双明, 杜麟, 宋世杰.黄河流域陕北煤矿区采动地裂缝对土壤可蚀性的影响[J].煤炭学报, 2021, 46(9):3027-3038.
[3] 许传阳, 马守臣, 张合兵, 等.煤矿沉陷区沉陷裂缝对土壤特性和作物生长的影响[J].中国生态农业学报, 2015, 23(5):597-604.
[4] 于雷, 洪永胜, 周勇, 等.连续小波变换高光谱数据的土壤有机质含量反演模型构建[J].光谱学与光谱分析, 2016, 36(5):1428-1433.
[5] 赵瑞, 崔希民, 刘超.GF-5高光谱遥感影像的土壤有机质含量反演估算研究[J].中国环境科学, 2020, 40(8):3539-3545.
[6] 林楠, 刘海琪, 杨佳佳, 等.BA-Adaboost模型的黑土区土壤养分含量高光谱估测[J].光谱学与光谱分析, 2020, 40(12):3825-3831.
[7] 罗德芳, 彭杰, 冯春晖, 等.可见光-近红外、中红外光谱的土壤有机质组分反演[J].光谱学与光谱分析, 2021, 41(10):3069-3076.
[8] 陈昊宇, 杨光, 韩雪莹, 等.基于连续小波变换的土壤有机质含量高光谱反演[J].中国农业科技导报, 2021, 23(5):132-142.
[9] 刘焕军, 鲍依临, 孟祥添, 等.不同降噪方式下基于高分五号影像的土壤有机质反演[J].农业工程学报, 2020, 36(12):90-98.
[10] 勾宇轩, 赵云泽, 李勇, 等.基于CWT-sCARS的东北旱作农田土壤有机质高光谱反演[J].农业机械学报, 2022, 53(3):331-337.
[11] 陈德宝, 陈桂芬.基于Landsat8遥感图像的黑土区土壤有机质含量反演研究[J].中国农机化学报, 2020, 41(6):194-198.
[12] YUAN Jing, HU Chunhui, YAN Changxiang, et al.Semi-empirical soil organic matter retrieval model with spectral reflectance[J].IEEE Access, 2019, 7:134164-134172.
[13] 徐丽华, 谢德体.不同土地利用方式下有机质含量的高光谱反演[J].西南农业学报, 2020, 33(2):369-373.
[14] 涂宇龙, 邹滨, 姜晓璐, 等.矿区土壤Cu含量高光谱反演建模[J].光谱学与光谱分析, 2018, 38(2):575-581.
[15] 徐良骥, 刘曙光, 孟雪莹, 等.煤矿沉陷水域重金属含量高光谱反演[J].煤炭学报, 2019, 44(11):3539-3546.
[16] 周伟, 谢利娟, 杨晗, 等.基于高光谱的三江源区土壤有机质含量反演[J].土壤通报, 2021, 52(3):564-574.
[17] 尹芳, 封凯, 吴朦朦, 等.一种基于分段偏最小二乘模型的土壤重金属遥感反演方法[J].遥感技术与应用, 2021, 36(6):1321-1328.
[18] 郝梦洁, 张丽, 鲁新新, 等.机器学习在土壤无机碳高光谱反演模型中的应用进展[J].安徽农学通报, 2021, 27(4):108-111.
[19] 梁玉剑.基于改进粒子群优化神经网络的土壤有机质高光谱反演[D].成都:成都理工大学, 2020.
[20] 赵鑫.褐土带采煤沉陷区土壤有机碳时空分异规律反演研究:以长河流域为例[D].太谷:山西农业大学, 2019.
[21] 王丽萍, 刘焕军, 郑树峰, 等.东北农牧交错带耕地土壤有机质遥感反演研究[J].土壤, 2022, 54(1):184-190.

采煤拉张裂隙区土壤有机质高光谱反演

Hyperspectral inversion of soil organic matter in tensile fracture zone of coal mining

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	曹小燕, 满新耀, 汪继平, 麦荣章, 郭云开. 基于鸟群优化BP神经网络的滑坡处治后变形预测[J]. 测绘通报, 2023, 0(5): 27-31.
[2]	吕富强, 唐诗华, 张炎, 宋晓辉, 胡鹏程, 李翥. SSA-BP神经网络在无人机点云孔洞修补的应用[J]. 测绘通报, 2023, 0(5): 130-134.
[3]	李坤, 赵俊三, 林伊琳, 周豹. 基于不同斜坡单元划分方法和BP神经网络的泥石流易发性评价[J]. 测绘通报, 2022, 0(8): 68-74.
[4]	刘璐, 罗年学, 赵前胜. 基于历史数据的黄海浒苔爆发规模预测[J]. 测绘通报, 2022, 0(7): 7-11.
[5]	温雨笑, 吕杰, 马庆勋, 张鹏, 徐汝岭. 高光谱和LiDAR联合反演森林生物量研究[J]. 测绘通报, 2022, 0(7): 38-42.
[6]	冯俊俊, 周立, 欧阳犬平, 周珍. 优化短期余水位组合预测模型[J]. 测绘通报, 2022, 0(3): 96-100.
[7]	丁仁军, 王友昆, 张君华, 刘晨. 基于BP神经网络的昆明天顶湿延迟模型[J]. 测绘通报, 2022, 0(3): 107-110.
[8]	毛斌, 韩文泉, 谢宏全, 吕海扬. 基于北京二号影像辅助nDSM的建筑物自动提取[J]. 测绘通报, 2022, 0(3): 132-137.
[9]	赵侃, 师芸, 牛敏杰, 王虎勤. 基于改进麻雀搜索算法优化BP神经网络的PM_2.5浓度预测[J]. 测绘通报, 2022, 0(10): 44-48,104.
[10]	王德强, 赵德良. 高光谱遥感异常目标探测方法性能对比分析[J]. 测绘通报, 2021, 0(9): 108-111.
[11]	李紫微, 马庆勋, 吕杰. BP神经网络的近地面臭氧估算及时空特征分析[J]. 测绘通报, 2021, 0(6): 28-32,126.
[12]	宋宝, 柯福阳, 赵兴旺. 面向LiDAR/Radar松组合的迭代加权IEKF-BP组合算法精度分析[J]. 测绘通报, 2021, 0(2): 44-48.
[13]	李辉, 吴启明, 申朝永, 刘芳, 李婷, 张峥. 空间特性约束的县域耕地生产效益评价——以紫云苗族布依族自治县为例[J]. 测绘通报, 2021, 0(10): 150-153.
[14]	鲁小红. 最优权组合预测法在采煤沉陷变形预测中的应用[J]. 测绘通报, 2020, 0(4): 111-115.
[15]	郭云开, 许敏, 张晓炯, 刘雨玲. 结合PRO-4SAIL和BP神经网络的叶绿素含量高光谱反演[J]. 测绘通报, 2020, 0(3): 21-24.