当前位置: 首页 > 文章 > 基于CARS算法的不同类型土壤有机质高光谱预测 农业工程学报 2021 (2) 105-113
Position: Home > Articles > 基于CARS算法的不同类型土壤有机质高光谱预测 Transactions of the Chinese Society of Agricultural Engineering 2021 (2) 105-113

基于CARS算法的不同类型土壤有机质高光谱预测

作  者:
唐海涛;孟祥添;苏循新;马涛;刘焕军;鲍依临;张美薇;张新乐;霍海志
单  位:
黑龙江省地质资料档案馆;东北农业大学公共管理与法学院;黑龙江省第五地质勘察院
关键词:
遥感;土壤;有机质;光谱指数;地形;特征波段筛选;随机森林;
摘  要:
不同土壤类型的理化性质和光谱性质存在差异,以往研究多以高光谱反射率或光谱吸收特征建立模型,输入变量类型结构单一,往往导致土壤有机质(SoilOrganicMatter,SOM)预测模型的精度不高。为提高SOM高光谱预测模型精度,该研究以黑龙江省海伦市为研究区,将不同类型土壤分别以竞争自适应重加权采样(CompetitiveAdaptive Reweighted Sampling,CARS)筛选的特征波段、数字高程模型(Digital Elevation Model,DEM)数据和光谱指数作为输入变量,结合随机森林(Random Forest,RF)算法建立SOM预测模型。结果表明:1)通过CARS算法筛选后,各土壤类型特征波段压缩至全波段数目的 16%以下,在很大程度上降低土壤高光谱变量维度和计算复杂程度,从而提高了模型的预测能力,说明CARS算法在提取特征关键波段变量、优化模型结构方面起到重要作用;2)不同类型土壤的SOM预测精度存在差异,沼泽土的预测精度最高为0.768,性能与四分位间隔距离的比率(RatioofPerformancetoInterQuartile distance,RPIQ)为3.568;黑土次之,草甸土的预测精度最低,仅0.674,RPIQ为1.848。3类土壤的RPIQ均达到1.8以上,模型具有较好的预测能力;3)局部回归预测精度最优,验证集的调整后决定系数为0.777,均方根误差(Root Mean Square Error,RMSE)为0.581%,模型验证RPIQ为2.689,模型稳定性高。该试验筛选的预测因子通过RF模型可实现SOM含量的快速预测,简化了传统复杂的程序,可为中尺度区域不同类型土壤的SOM预测提供依据,为输入量的选择提供参考。

相似文章

计量
文章访问数: 24
HTML全文浏览量: 0
PDF下载量: 1

所属期刊

推荐期刊