基于光谱指数与机器学习算法的土壤电导率估算研究

• 作者: 丁建丽 曹肖奕 王敬哲 葛翔宇
• 来源期刊: 土壤学报
• 学科: 物理学
• 关键词: 光谱 土壤电导率 光谱预处理 光谱指数 机器学习
• 年，卷（期）: 2020,（4）
• 所属期刊栏目: 研究论文
• 页码范围: 867-877
• 页数: 11页
• 分类号: O433.4
• 字数: 8203字
• 语种: 中文
• DOI: 10.11766/trxb201902190024

摘要

土壤盐分是干旱区土壤盐渍化评价的重要指标.以新疆维吾尔自治区渭干河-库车河三角洲绿洲为例,基于土壤电导率(Electrical conductivity,EC)及可见光-近红外(Visible and near infrared,VIS-NIR)光谱数据,通过蒙特卡洛交叉验证(Monte Carlo cross validation,MCCV)确定364个有效样本.采用原始光谱(Raw reflectance,R)及其经过微分、吸光度(Absorbance,Abs)、连续统去除(Continuum removal,CR)等6种预处理后的数据构建光谱指数.基于遴选出的21个最优指数,采用BP神经网络(Back propagation neural network,BPNN)、支持向量机(Support vector machine,SVM)、极限学习机(Extreme learning machine,ELM)三种算法对EC进行估算,并引入偏最小二乘回归(Partial least squares regression,PLSR)进行比较.结果表明:在基于R与6种光谱预处理数据构建的21个最优光谱指数之中,R_FD_RSI(R1913,R2142)表现最佳(r=0.649);与PLSR相比,机器学习算法能够显著提高模型的估算精度,R2提高了34.55％.三种机器学习算法模型中,ELM表现最优(R2=0.884,RMSE=3.071 mS·cm–1,RPIQ=2.535).本研究中所构建的光谱指数在兼顾遥感机理的同时能深度挖掘更多的隐含信息,并且基于机器学习算法的土壤EC估算模型精度显著提高,为干旱区土壤盐分定量估算提供了科学参考.