日本JAPANESE醉酒人妻,rh男男车车的车车视频真人

引言

本文以山西省長治王莊煤礦周邊3種處于不同沉陷階段的耕地為例，在研究區(qū)內(nèi)進行樣品采集，并使用無人機搭載高光譜相機進行影像獲取，利用多元線性回歸、偏最小二乘回歸和BP神經(jīng)網(wǎng)絡(luò)3種模型對有機質(zhì)含量進行預(yù)測，并對模型預(yù)測結(jié)果進行精度評價，將優(yōu)選模型代入無人機高光譜影像進行有機質(zhì)填圖，得到耕地范圍內(nèi)的有機質(zhì)分布情況，并對處于不同沉陷階段的耕地土壤有機質(zhì)空間分布差異情況及驅(qū)動因子進行分析討論，為無人機高光譜遙感在礦區(qū)復(fù)墾、養(yǎng)分快速估測等提供參考。

2、材料與方法

2.1 研究區(qū)概況

研究區(qū)位于長治市王莊煤礦（112°58′25″E～113°03′21″E，36°14′04″N～36°24′35″N），地處潞安礦區(qū)的東北部，跨長治市潞州區(qū)、屯留縣、襄垣縣3個行政區(qū)，地處黃土高原暖溫帶半干旱大陸性季風(fēng)氣候區(qū)，溫差變化大，年平均氣溫8.9℃。研究區(qū)土壤以碳酸鹽褐土和草甸土為主，其中礦區(qū)內(nèi)主要分布碳酸鹽褐土，自然肥力較高，有明顯的黏化質(zhì)和鈣化質(zhì)，田塊呈連片化分布。王莊煤礦的生產(chǎn)能力為596×104t/a，多年的開采活動導(dǎo)致井田內(nèi)形成了大范圍的采煤塌陷區(qū)，對當(dāng)?shù)氐耐恋刭Y源、生態(tài)環(huán)境及農(nóng)業(yè)生產(chǎn)造成了明顯影響。在研究區(qū)內(nèi)選定3個試驗小區(qū)，其中試驗小區(qū)A為煤炭開采擾動區(qū)農(nóng)田，試驗小區(qū)B為煤炭開采擾動穩(wěn)沉區(qū)農(nóng)田，試驗小區(qū)C為煤炭開采未擾動區(qū)農(nóng)田，3個試驗小區(qū)面積均為1.4hm2，均位于王莊煤礦平原區(qū)，屬同一農(nóng)業(yè)種植區(qū)域。煤炭開采前，3個小區(qū)的氣候、地貌、土壤特征一致，作物類型為春玉米，于每年4月采用旋耕機作業(yè)整地，10月收割，一年一熟；煤炭開采后的地表裂縫經(jīng)過掩埋推平，種植作物類型和耕作方式與開采前一致，但由于煤炭開采沉陷使3個小區(qū)分別處于開采擾動、穩(wěn)沉和未擾動3個不同階段，生態(tài)驅(qū)動因素發(fā)生變化，導(dǎo)致土壤理化性質(zhì)、地表植被、人類管理方式發(fā)生改變。

圖 1 研究區(qū)概況

表 1 樣品有機質(zhì)含量

2.2 數(shù)據(jù)獲取與預(yù)處理

2.2.1 土壤樣品采集與處理

2020年分別在煤炭開采擾動區(qū)（擾動區(qū)），煤炭開采擾動穩(wěn)沉區(qū)（穩(wěn)沉區(qū)）及煤炭開采未擾動區(qū)（對照區(qū)）內(nèi)按棋盤式布點，利用取土器采集地面表層0～20cm深度的土壤，每個采樣點按中心點周圍X形的5個樣地土壤混合為一個土樣。若采樣點落在農(nóng)田設(shè)施上則取附近耕地土壤代替，同時使用GPS記錄采樣點地理坐標。將采集的57個土樣送回實驗室，待風(fēng)干、研磨、過篩后將土樣分為兩部分，一部分過0.15mm篩，用于進行土壤養(yǎng)分理化性質(zhì)實驗，采用重鉻酸鉀外加熱法測定有機質(zhì)含量，測定結(jié)果如表1，另一部分用于室內(nèi)土壤光譜測量。

2.2.2 無人機影像獲取與預(yù)處理

在所選3個試驗小區(qū)內(nèi)，采用無人機搭載高光譜光譜儀于2020年 10月30日飛行拍攝高光譜影像，拍攝時段選擇當(dāng)?shù)貢r間10:00—15:00，此時段內(nèi)有足夠的太陽高度角，光照條件穩(wěn)定；地面能見度不小于15km，無卷云、濃積云等；測量時間內(nèi)空中風(fēng)力小于4 級，地面風(fēng)力小于3級：飛行高度100m，速度4m/s。對高光譜影像進行輻射率轉(zhuǎn)換、反射率轉(zhuǎn)換、幾何校正、大氣校正、鑲嵌和裁剪、道路掩膜等預(yù)處理，結(jié)果如圖2所示。

圖2 預(yù)處理后高光譜影像

3、結(jié)果與分析

3.1 特征波段選擇

將原始土壤光譜曲線及4種不同形式變換的土壤光譜曲線與實測樣本有機質(zhì)含量做相關(guān)性分析，計算光譜與土壤有機質(zhì)含量的相關(guān)系數(shù)，結(jié)果如圖3所示。

圖3 土壤有機質(zhì)與各種光譜變換形式相關(guān)性分析

從圖3中可以看出，未經(jīng)變換和經(jīng)過倒數(shù)變換的反射率光譜曲線與有機質(zhì)呈整體正相關(guān)，相關(guān)系數(shù)低于0.4。反射率光譜曲線經(jīng)過一階微分變換與有機質(zhì)含量的相關(guān)性有所增強，表現(xiàn)為在386.64～414.25nm內(nèi)正相關(guān)，在414.25～835.76、875.18～1 012.93nm內(nèi)負相關(guān)。反射率光譜曲線經(jīng)過二階微分變換與有機質(zhì)含量的相關(guān)性增強最為明顯，相關(guān)系數(shù)曲線波動劇烈，與有機質(zhì)含量正相關(guān)系數(shù)的峰值主要位于1021.92、1017.42、805.27、 744.77nm處，最大正相關(guān)系數(shù)為0.61，負相關(guān)系數(shù)的峰值主要位于680.62、655.16、650.93nm附近，最大負相關(guān)系數(shù)為-0.62。反射率光譜曲線經(jīng)過多元散射校正變換與有機質(zhì)含量的相關(guān)系數(shù)曲線整體呈現(xiàn)為“M”型，相關(guān)系數(shù)曲線存在兩個正峰值，主要位于932.58nm和471.94nm處，最大相關(guān)系數(shù)位于932.58nm附近，相關(guān)系數(shù)為 0.63。

通過分析不同光譜變換與土壤有機質(zhì)含量的相關(guān)性，篩選出的特征波段如表2所示

表2 不同光譜變換下的有機質(zhì)特征波段

3.2 建模結(jié)果

3.2.1 經(jīng)過光譜變換篩選出的特征波段建模結(jié)果

在軟件中分別構(gòu)建多元線性回歸模型和偏最小二乘回歸模型，對有機質(zhì)實測值與經(jīng)過不同光譜變換方式篩選出的特征波段光譜反射率進行回歸分析，并驗證模型精度。3 種模型精度評價指標均選用決定系數(shù)R2和均方根誤差RMSE，模型精度評價結(jié)果和模型預(yù)測結(jié)果如表3所示。

表3 3種模型預(yù)測有機質(zhì)含量精度評價

從表3可以看出，利用多元線性回歸模型建立的有機質(zhì)反演結(jié)果中，4種光譜變換方式用于有機質(zhì)反演建模整體精度不高，其中倒數(shù)、一階微分、二階微分變換方式建模和驗證集 R2不足0.5，比未變換的光譜建模精度更低，多元散射校正變換方式建模和預(yù)測R2分別為0.699和0.654，為同組最高，可用于粗略估計有機質(zhì)含量。利用偏最小二乘回歸模型建立的有機質(zhì)反演結(jié)果中，對特征波段光譜反射率做倒數(shù)、二階微分、多元散射校正變換的模型的建模R2都達到0.6以上，相比未經(jīng)變換的特征波段建模精度大幅提高，模型的擬合效果較好，其中，多元散射校正變換的建模和驗證R2均達到0.8以上，具有較高的預(yù)測精度。

4、討論

本文探索了高光譜數(shù)據(jù)用于土壤有機質(zhì)含量預(yù)測和無人機高光譜影像用于分析煤炭開采對耕地土壤有機質(zhì)含量影響的適用性，通過將變換處理后的土壤光譜與實測土壤有機質(zhì)含量進行相關(guān)性分析，提取相關(guān)系數(shù)較高的光譜波段，研究發(fā)現(xiàn)有機質(zhì)含量與多元散射校正后的光譜反射率相關(guān)系數(shù)最高，敏感波段為463.75～492.45nm，870.79～932.58nm處。對不同光譜變換方式下篩選出的特征波段分別使用多元線性回歸、偏最小二乘回歸、BP 神經(jīng)網(wǎng)絡(luò)進行模型構(gòu)建，結(jié)果表明相較于多元線性回歸模型而言，偏最小二乘回歸和BP 神經(jīng)網(wǎng)絡(luò)模型具有更高的精度。對比幾種光譜變換形式，經(jīng)過多元散射校正變換的建模結(jié)果更好。將無人機航拍的高光譜影像基于模型進行有機質(zhì)含量估測，得到土壤有機質(zhì)含量的空間分布規(guī)律為煤炭開采未擾動區(qū)耕地>煤炭開采擾動區(qū)耕地>煤炭開采擾動穩(wěn)沉區(qū)耕地，這是因為煤炭開采導(dǎo)致多方面驅(qū)動因子變化。