基于CatBoost算法与图谱特征融合的土壤全氮含量预测
中国农业大学现代精细农业系统集成研究教育部重点实验室
- 摘 要：
- 针对高光谱技术应用于土壤养分定量检测中忽略彩色图像外部特征与土壤养分的内在关系的问题,结合土壤的光谱信息与图像特征构建一种图谱特征融合的土壤全氮含量预测模型,探究图谱特征融合对于土壤全氮含量的预测能力。通过实验室高光谱成像仪获取土壤样品的高光谱图像,从高光谱图像提取土壤的光谱信息与图像特征。使用无信息变量消除算法(Uniformative variable elimination, UVE)和竞争性自适应重加权采样算法(Competitive adaptive reweighted sampling, CARS)的联合算法对光谱信息进行特征波长的选择,选择后的特征波长作为土壤光谱信息;通过相关性分析选择与土壤全氮含量相关性较高的图像特征。将CatBoost(Categorical Boosting)算法应用到土壤全氮含量预测中,分别对基于单一光谱信息、单一图像特征和图谱特征融合对土壤全氮含量进行预测并比较。结果表明,UVE-CARS联合算法选取的特征波长为942、1 045、1 199、1 305、1 449、1 536、1 600 nm,与含氮基团的倍频吸收相吻合。与土壤全氮含量相关性较高的图像特征为角二阶矩、能量、惯性矩、灰度均值和熵。通过CatBoost算法建立的基于单一光谱信息特征波长的模型最终预测土壤全氮含量R~2为0.832 9,RMSE为0.203 3 g/kg;基于图像特征建立的模型最终预测土壤全氮含量R~2为0.801 7,RMSE为0.219 7 g/kg;基于图谱特征融合建立的模型最终预测土壤全氮含量R~2为0.866 8,RMSE为0.160 2 g/kg,预测精度均高于单一光谱特征和单一图像特征的预测精度,与基于单一光谱特征和单一图像特征相比,基于高光谱图谱特征融合的土壤全氮含量预测模型效果较好,为土壤全氮含量的预测研究提出一种新的方法。
关键词：土壤全氮;高光谱;CatBoost;图谱特征融合
相似文章
-
基于多源辅助变量和随机森林模型的表层土壤全氮分布预测 [周洋, 赵小敏, 郭熙] 土壤学报 2022,59 (2) 451-460
-
放牧强度对内蒙古荒漠草原土壤碳氮及其稳定同位素的影响 [于志慧, 吕广一, 王新雅, 徐学宝, 贾东璇, 王成杰] 草地学报 2022,30 (3) 544-552
-
基于高光谱数据的土壤全氮含量估测模型对比研究 [殷彩云, 白子金, 罗德芳, 彭杰] 中国土壤与肥料 2022 (1) 9-15
-
三峡库区典型柑橘园土壤碳氮空间分布特征 [詹鹏杰, 邓茂林, 石孝均, 张跃强, 陈志蕙, 旷德姣, 刘正兰, 张宇亭] 山地农业生物学报 2022 (2) 13-19
-
不同恢复措施对退化荒漠草原土壤碳氮及其组分特征的影响 [王星, 于双, 许冬梅, 宋珂辰] 草业学报 2022,31 (1) 26-35
-
鄂西北耕层土壤全氮含量空间分异特征及其影响因素分析 [木合塔尔·艾买提, 周勇, 吴正祥] 农学学报 2022,12 (1) 12-21,34
-
北京昌平区景观复杂度和局地管理对苹果园传粉蜂多样性的影响 [王美娜, 王子睿, 宇振荣, 徐环李, 刘云慧] 应用生态学报 2022,33 (2) 527-536
-
应用哨兵2号卫星遥感影像数据和机器学习算法对锡林郭勒草原土壤表层有机碳及全氮的估算 [杨珺婷, 李晓松] 东北林业大学学报 2022,50 (1) 64-71
-
靖边县北部风沙区低效林地土壤全氮分布特征 [孟婷婷, 武丹] 农业与技术 2022,42 (10) 76-79
-
氮添加对内蒙古不同草原生物量及土壤碳氮变化特征的影响 [韩小雨, 郭宁, 李冬冬, 谢明阳, 焦峰] 草业学报 2022,31 (1) 13-25
