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

• 作者: 于雷 周勇 朱强 洪永胜
• 来源期刊: 光谱学与光谱分析
• 学科: 农学
• 关键词: 土壤有机质 高光谱 连续小波变换 偏最小二乘回归 BP神经网络 支持向量机回归
• 年，卷（期）: 2016,（5）
• 页码范围: 1428-1433
• 页数: 6页
• 分类号: S127
• 字数: 5165字
• 语种: 中文
• DOI: 10.3964/j.issn.1000-0593(2016)05-1428-06

摘要

土壤有机质含量是反映土壤肥力的重要指标,对其进行动态监测是实施精准农业的重要措施。近年来,众多学者尝试采用土壤近地传感(proximal soil sensing),尤其是近地高光谱技术,在田间和实验室获取不同形态土壤的高光谱数据,不断引入新方法建立适用于不同地域和不同土壤类型的有机质含量的反演模型。该研究在实验室内利用 ASD FS3采集了土壤高光谱数据,采用“重铬酸钾-外加热法”测得了土壤有机质含量；分析了土壤原始光谱反射率(R)与有机质含量的相关性,选取R2>0.15的敏感波段的反射率；利用CWT对土壤原始光谱反射率(R)、光谱反射率的连续统去除(CR)进行不同尺度的分解,分析小波系数与土壤有机质含量的相关性,选取R2>0.3的敏感波段的小波系数；利用R选取的波段信息和 R-CWT,CR-CWT的选取的小波系数,分别建立偏最小二乘回归(PLSR)、BP 神经网络(BPNN)、支持向量机回归(SVMR)三种不同的土壤有机质含量反演模型。结果表明：相比R与土壤有机质含量的决定系数R2,R-CWT,CR-CWT变换后得到的小波系数与土壤有机质含量的决定系数R2分别提高了0.15和0.2左右；CR-CWT-SVMR的模型效果最为显著,预测集的R2和 RMSE分别为0.83,4.02,RPD值为2.48,具有较高的估测精度,能够全面稳定地估算土壤有机质含量；CR-CWT-PLSR的模型精度与 CR-CWT-BPNN,CR-CWT-SVMR相比虽有一定差距,但是其计算量要明显小于非线性的BPNN和 SVMR方法,具有模型简单、运算速度快等特点,对开发与设计田间传感器具有较大的应用价值。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	周勇	华中师范大学地理过程分析与模拟湖北省重点实验室	112	1798	24.0	37.0
5	于雷	华中师范大学地理过程分析与模拟湖北省重点实验室	20	386	9.0	19.0
9	洪永胜	华中师范大学地理过程分析与模拟湖北省重点实验室	5	173	4.0	5.0
13	朱强	华中师范大学地理过程分析与模拟湖北省重点实验室	4	139	3.0	4.0