土壤有机质可见光–近红外光谱预测样本优化选择

发布时间：2021-03-15 16:19

　　土壤有机质可见光-近红外光谱预测中建模样本的优化选择对提高有机质模型估算精度具有重要作用。本文以湟水流域土壤有机质为例,采用基于土壤单一属性信息考虑的建模样本选择方法:浓度梯度法、Kennard-Stone（KS）方法,以及基于土壤多种信息考虑的建模样本选择方法:Rank-KS（RKS）法、土壤类型结合浓度梯度法以及土壤类型结合KS法。通过偏最小二乘回归建模,探索可见光–近红外光谱预测青海湟水流域有机质的最优样本集。结果表明:不同级别样本数的最佳建模样本选择方法不同,整体表现为基于土壤多种信息挑选的建模样本集的模型精度相比土壤单一信息均较高,特别是KS方法结合土壤类型后的建模样本集模型精度明显提高且在样本数较少时更为明显。土壤类型可以优化建模样本选择方法提高模型预测精度。在保证固定验证样本模型预测精度的情况下,土壤类型参与建模样本的选择可以有效减少建模样本数,进而降低了建模成本。 

【文章来源】：土壤. 2020,52(02)北大核心

【文章页数】：10 页

【部分图文】：

研究区采样点空间分布及土壤类型

土壤原始光谱反射率及一阶微分变换

不同级别样本空间分布图

【参考文献】：
期刊论文
[1]不同粒径土壤有机质含量可见光-近红外光谱估算研究-以湟水流域为例[J]. 李冠稳,高小红,杨灵玉,史飞飞,何林华,刘雪梅,谷晓天,肖云飞,马慧娟.  土壤通报. 2017(06)
[2]干旱区典型绿洲土壤有机质的反演及影响因素研究[J]. 周倩倩,丁建丽,唐梦迎,杨斌.  土壤学报. 2018(02)
[3]江西省红壤地区主要土壤类型的高光谱特性研究[J]. 赵小敏,杨梅花.  土壤学报. 2018(01)
[4]结合光谱变换和Kennard-Stone算法的水稻土全氮光谱估算模型校正集构建策略研究[J]. 陈奕云,赵瑞瑛,齐天赐,亓林,张超.  光谱学与光谱分析. 2017(07)
[5]基于高光谱的砂姜黑土含水量反演研究[J]. 张颖帝,张佳宝,李晓鹏.  土壤. 2017(03)
[6]土壤有机质含量可见-近红外光谱反演模型校正集优选方法[J]. 陈奕云,齐天赐,黄颖菁,万远,赵瑞瑛,亓林,张超,费腾.  农业工程学报. 2017(06)
[7]母质与土地利用类型对土壤光谱反演模型的影响[J]. 邬登巍,张甘霖.  土壤. 2016(01)
[8]基于地类分层的土壤有机质光谱反演校正样本集的构建[J]. 刘艳芳,卢延年,郭龙,肖丰涛,陈奕云.  土壤学报. 2016(02)
[9]基于偏最小二乘回归的土壤有机质含量高光谱估算[J]. 于雷,洪永胜,耿雷,周勇,朱强,曹隽隽,聂艳.  农业工程学报. 2015(14)
[10]多种潮土有机质高光谱预测模型的对比分析[J]. 郭斗斗,黄绍敏,张水清,聂胜委.  农业工程学报. 2014(21)



本文编号：3084458