小波变换耦合CARS算法提高土壤水分含量高光谱反演精度

• 作者: 丁建丽 蔡亮红
• 来源期刊: 农业工程学报
• 学科: 农学
• 关键词: 土壤 含水率 光谱分析 小波变换 竞争适应重加权采样算法 变量优选
• 年，卷（期）: 2017,（16）
• 所属期刊栏目: 农业水土工程
• 页码范围: 144-151
• 页数: 8页
• 分类号: S127
• 字数: 6503字
• 语种: 中文
• DOI: 10.11975/j.issn.1002-6819.2017.16.019

摘要

为实现干旱地区土壤水分含量(soil moisture content,SMC)的快速监测,该文以渭干河-库车河绿洲为靶区,采用小波变换(wavelet transform,WT)对反射光谱进行1～8层小波分解,通过相关性分析确定最大分解层数,再通过竞争性自适应重加权(competitive adaptive reweighted sampling,CARS)滤除冗余变量,筛选出与SMC相关性较好的波长变量,并叠加各层特征光谱的优选波长变量作为最优变量集,用偏最小二乘回归(partial least squares regression,PLSR)构建土壤水分含量预测模型并进行分析.结果显示:1)小波分解过程中,土壤反射率与SMC的相关性不断增强,到小波变换第6层分解(L6)处达到最高,因此小波变换最大分解层数为6层分解;2)通过对土样进行WT-CARS耦合算法筛选出变量,得出的最优变量集包括400～500、1 320～1 461、1 851～1 961、2 125～2 268 nm区域之间共131个波长变量;3)相对于全波段预测模型,各层特征光谱的CARS优选变量预测模型的精度均高,并且基于最优变量集的预测模型的精度最高,该模型的建模集均方根误差0.021、建模集决定系数0.721、预测集均方根误差0.028、预测集决定系数0.924、相对分析误差2.607.说明WT-CARS耦合算法使其在建立模型时尽可能少地损失光谱细节、较为彻底的去除噪声,同时还能对无信息变量进行有效去除,为该研究区SMC的预测提供新的思路.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	丁建丽	新疆大学绿洲生态教育部重点实验室	189	2671	27.0	40.0
2	蔡亮红	新疆大学资源与环境科学学院	7	44	4.0	6.0