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

发布时间：2017-07-04 14:04

  本文关键词：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

  更多相关文章： 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

【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R~20.15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R~20.3的敏感波段的小波系数;利用R选取的波段信息和R-CWT,CRCWT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R~2,RCWT,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R~2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R~2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,CRCWT-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。
【作者单位】： 华中师范大学地理过程分析与模拟湖北省重点实验室;华中师范大学城市与环境科学学院;
【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
【基金】：国家自然科学基金项目(41401232,41271534) 中央高校基本科研业务费专项(CCNU15A05006,CCNU15A05004)资助
【分类号】：S153.621
【正文快照】： 引言土壤有机质是土壤固相属性的重要组成部分,尽管其含量只占土壤总量的很小一部分,但它对土壤形成、土壤肥力、环境保护及农林业可持续发展等方面都有着及其重要的作用[1]。传统土壤有机质含量的测定常采用土壤农化分析的方法,这类方法虽精度较高,但由于耗资大、费力多、周

【相似文献】

中国期刊全文数据库 前2条

1 邹扬庆;罗红霞;Habtom Yemane Tekle;王俊;余天霞;张锐;;基于高光谱和农学参数数据的柑橘估产模型构建(英文)[J];Agricultural Science & Technology;2013年10期

2 ;[J];;年期

，

本文编号：518032