特征变量选择和回归方法相结合的土壤有机质含量估算

发布时间：2021-09-01 01:06

　　针对高光谱数据量大、信息冗余严重的现象,应用稳定竞争性自适应重加权采样（sCARS）、连续投影算法（SPA）、遗传算法（GA）、迭代保留有效信息变量（IRIV）和稳定竞争性自适应重加权采样结合连续投影算法（sCARS-SPA）,从全波段光谱数据中筛选特征变量,并利用全波段和特征波段建立偏最小二乘回归（PLSR）、支持向量机（SVM）和随机森林（RF）模型预测土壤有机质含量。结果表明, PLSR和SVM模型结合特征变量选择,不仅提高了模型运算效率,而且模型预测能力较全波段均有一定提高;RF模型采用特征变量建模,对模型精度的提高不是十分明显,但其构建模型的变量数量却显著减少,大大提高建模效率。RF模型精度优于SVM和PLSR模型,IRIV结合RF建立的土壤有机质含量预测模型,变量数仅63个,校准集和验证集模型决定系数（R²）分别为0.941和0.96,验证集相对分析误差(R_PD)为4.8。与全波段建模相比,特征变量选择和回归方法相结合,在保证模型精度的同时,可有效提高建模效率。 

【文章来源】：光学学报. 2019,39(09)北大核心EICSCD

【文章页数】：11 页

【文章目录】：
1 引 言
2 数据与方法
    2.1 研究区概况
    2.2 土壤样品采集
    2.3 土壤光谱数据采集及预处理
    2.4 特征变量选择方法
        2.4.1 sCARS变量选择
        2.4.2 SPA变量选择
        2.4.3 GA变量选择
            1）波长编码：
            2）选择初始群体：
            3）适应度函数：
            4）遗传操作：
            5）终止条件：
        2.4.4 IRIV变量选择
        2.4.5 sCARS结合SPA变量选择
    2.5 模型精度评价
3 结 果
    3.1 特征变量筛选
    3.2 PLSR模型
    3.3 SVM模型
    3.4 RF模型
4 讨 论
5 结 论



本文编号：3375970