高光谱技术结合CARS算法预测土壤水分含量

• 作者: 于雷 刘目兴 周勇 夏天 朱亚星 洪永胜
• 来源期刊: 农业工程学报
• 学科: 农学
• 关键词: 土壤水分 算法 模型 高光谱 竞争适应重加权采样算法 变量优选 潮土
• 年，卷（期）: 2016,（22）
• 所属期刊栏目: 农业水土工程
• 页码范围: 138-145
• 页数: 8页
• 分类号: S127|S152.7
• 字数: 6964字
• 语种: 中文
• DOI: 10.11975/j.issn.1002-6819.2016.22.019

摘要

高光谱技术已成为预测土壤含水量（soil moisture content，SMC）的重要方法，但因土壤高光谱中包含了大量冗余信息和无效信息，不仅导致SMC的高光谱估算模型复杂度高，而且影响了模型的预测精度。因此，该研究在室内设计SMC梯度试验，测定土壤高光谱反射率，经Savitzky-Golay平滑（Savitzky-Golay smoothing，SG）和连续统去除（continuum removal，CR）预处理后，基于竞争适应重加权采样（competitive adaptive reweighted sampling，CARS）方法分别优选出土壤在全部SMC的水分敏感波长变量，确定适用于土壤在全部SMC的共性波长变量，以其为优选变量集，采用偏最小二乘（partial least squares regression，PLSR）回归方法建立模型并进行验证。结果表明，SG和CR预处理后的光谱曲线在450、1400、1900、2200 nm附近吸收峰的形状特征凸显；基于CARS方法对土壤在不同SMC的光谱曲线进行变量优选后，得出优选变量集为443～449、1408～1456、1916～1943、2209～2225 nm；CARS-PLSR模型性能优于全波段PLSR模型，模型预测R2、均方根误差、相对分析误差分别为0.983、0.0144、8.36，不仅提升了预测精度和预测能力，而且降低了变量维度和模型复杂度。该文通过优选土壤水分的敏感波段，有效提高了SMC预测模型的鲁棒性，为快速准确评估农田墒情提供了新途径，为开发田间SMC测定传感器提供了理论依据。