基于随机森林算法的土壤有机质含量高光谱检测
发布时间：2021-08-23 19:22
为了探讨既能保留光谱信息又能准确对土壤有机质含量进行快速检测。以新疆南部渭干河—库车绿洲内部73个土壤样点及其对应的高光谱数据为研究对象,采用小波变换与数学变换进行光谱数据预处理,分析各小波分解重构光谱在不同有机质含量与不同土壤类型下光谱曲线差异,通过相关分析确定最大小波分解层并筛选敏感波段,结合灰色关联分析与随机森林预测分类模型对各小波分解特征光谱进行重要性分析,最后基于最优特征光谱建立多元线性预测模型并进行分析。结果表明:（1）耕作土壤与林地土壤光谱曲线波段相较盐渍土壤和荒漠土壤光谱曲线变化较为平缓,同时在水分吸收波段处,盐渍土壤光谱曲线吸收谷最深。（2）小波变换分解光谱与土壤有机质含量的相关性随着分解层数增加呈现先减后增趋势,在第6层中,特征光谱曲线与敏感波段数量变化趋于稳定,确定为小波变换最大分解层。（3）随机森林模型相比灰色关联分析对于各小波分解层因子的筛选符合预期,按照对土壤有机质含量影响从高到低排序为L3-（1/LgR）′、L4-（1/LgR）′、L6-（1/LgR）′、L5-（1/LgR）′、L2-（1/LgR）′、L0-1/LgR、L1-1/LgR。（4）在小波分解光...
【文章来源】：干旱区地理. 2019,42(06)北大核心CSCD
【文章页数】：11 页
【部分图文】：
确口E日牙30尸E咫.OOE
8－0．527注:Band代表最大相关系数波段的所在位置，Ｒ代表最大相关系数，L0代表没有经过小波变换的原始光谱围的2281nm波段周围。2．5SOM与重构光谱重要性分析以SOM含量为因变量，在L0至L6小波分解光谱中，选择每一层及其9种数学变换中相关系数最大的波段的反射率共7种因子作为模型的自变量，建立随机森林分类预测模型，表5为ＲF模型精度拟合结果。观察得，训练集的Ｒ2为0．68，ＲMSE为2．11，测试集Ｒ2为0．70，ＲMSE为2．45。图4列出了7种因子对SOM含量的影响贡献度，即L0-1/LgＲ、L1-1/LgＲ、L2-(1/LgＲ)'、L3-(1/LgＲ)'、L4-(1/LgＲ)'、L5-(1/LgＲ)'、L6-(1/LgＲ)'，同时MeanDecreaseAccuracy分别为17．41、12．97、8．04、6．82、6．16、2．87、2．74，并按照从高到低进行排序。由图4观察得，对SOM含量影响较大的因子为L3-(1/LgＲ)'，其次为L4-(1/LgＲ)'、L6-(1/LgＲ)'、L5-(1/LgＲ)'、L2-(1/LgＲ)'、L0-1/LgＲ、L1-1/LgＲ。小波分解光谱中频范围，即L3与L4层结合(1/LgＲ)'数学变换对SOM预测贡献度最大，高频与低频范围，即L2、L5、L6层结合(1/LgＲ)'表5SOM含量随机森林模型模拟精度Tab．5SimulationaccuracyofrandomorganicforestmodelofsoilorganicmattercontentＲ2ＲMSE训练集0．682．11测试集0．702．45图4土壤有机质含量在各小波分解特征光谱的变量重要性Fig．4Importanceofsoilorganicmattercontentinthespectralcharacteristicsofeachwaveletdecompositi
3讨论本研究结果表明，通过小波变换分解光谱结合数学微分变换与随机森林重要性参数分类方法，优选有效的特征波段，将所得结果作为SOM含量多元线性模型预测的重要因子，可以有效的实现干旱区SOM含量的快速估测。研究区为典型的内陆干旱区，绿洲边缘部分盐渍化与荒漠化现象明显，长年累月侵蚀内部农田，通过分析农田土壤、林地土壤与盐渍土壤、荒漠土壤在相同SOM含量下光谱曲线的差异，发现富含养分的土壤类型与贫瘠土壤类型的光谱曲线在水分波段吸收谷与整体波动存在很大差异，结合小波变换，凸显和简化了不同土壤类型光谱曲线的差异。根据SHI等［28］研究土壤光谱曲线反射率随着SOM含量的升高总体呈下降的趋势，同时SOM含量与光谱反射率的相关系数较高峰值集中在400nm、800nm、1400nm与2200nm范围内。如图2、图3和表3所示，本研究中，不同SOM含量下与不同类型土壤的分解特征光谱符合SHI等［28］研究，同时SOM含量与各小波分解特征光谱的相关系数高值集中在2200nm范围内。高光谱遥感的本质是将待测物连续通道的电磁波谱信息转化为光信号，常用的光谱去噪声手段以微分处理、S-G平滑、多元散射校正与标准正态变换等方法为主，上述方法在光信号处理上较为适用，但是这些方法在对光谱数据去噪的同时难免会引入新的噪声，而小波变换凭借在时域和频域对于信号的局部化分析能力，通过伸缩平移对信号逐步进行多尺度细化，最终达到高频与低频处信号的细分，在保留原状信号的同时，尽可能的分离噪声，是一种较好的电信号噪声去除方法。结合相关性分析与分解光谱特征分析的结果，本文确定最佳SOM特征光谱的小波分解层数?
【参考文献】：
期刊论文
[1]基于高光谱的不同人类干扰程度下荒漠土壤有机质含量估算模型[J]. 郑曼迪,熊黑钢,乔娟峰,刘靖朝. 干旱区地理. 2018(02)
[2]基于宽波段与窄波段综合光谱指数的土壤有机质遥感反演[J]. 郑曼迪,熊黑钢,乔娟峰,刘靖朝. 激光与光电子学进展. 2018(07)
[3]基于高光谱多尺度分解的土壤含水量反演[J]. 蔡亮红,丁建丽. 激光与光电子学进展. 2018(01)
[4]去除土壤水分对高光谱估算土壤有机质含量的影响[J]. 于雷,洪永胜,朱亚星,黄鹏,何琦,QI Feng. 光谱学与光谱分析. 2017(07)
[5]干旱区典型绿洲土壤有机质含量分布特征及其影响因素[J]. 唐梦迎,丁建丽,夏楠,魏阳,冯娟,谭娇. 土壤学报. 2017(03)
[6]基于高光谱数据的土壤有机质含量反演模型比较[J]. 叶勤,姜雪芹,李西灿,林怡. 农业机械学报. 2017(03)
[7]基于随机森林的遥感干旱监测模型的构建[J]. 沈润平,郭佳,张婧娴,李洛晞. 地球信息科学学报. 2017(01)
[8]小波包-局部最相关算法提高土壤有机碳含量高光谱预测精度[J]. 张锐,李兆富,潘剑君. 农业工程学报. 2017(01)
[9]基于小波变换的矿物油荧光光谱数据处理方法[J]. 陈至坤,张菡洁,王玉田,王福斌. 激光杂志. 2016(10)
[10]基于小波变换与偏最小二乘耦合模型估测北方潮土有机质含量[J]. 王延仓,杨贵军,朱金山,顾晓鹤,徐鹏,廖钦洪. 光谱学与光谱分析. 2014(07)
硕士论文
[1]官厅水库消落带土壤有机质分布特征及其高光谱反演研究[D]. 李洪.首都师范大学 2014
本文编号：3358448
【文章来源】：干旱区地理. 2019,42(06)北大核心CSCD
【文章页数】：11 页
【部分图文】：
确口E日牙30尸E咫.OOE
8－0．527注:Band代表最大相关系数波段的所在位置，Ｒ代表最大相关系数，L0代表没有经过小波变换的原始光谱围的2281nm波段周围。2．5SOM与重构光谱重要性分析以SOM含量为因变量，在L0至L6小波分解光谱中，选择每一层及其9种数学变换中相关系数最大的波段的反射率共7种因子作为模型的自变量，建立随机森林分类预测模型，表5为ＲF模型精度拟合结果。观察得，训练集的Ｒ2为0．68，ＲMSE为2．11，测试集Ｒ2为0．70，ＲMSE为2．45。图4列出了7种因子对SOM含量的影响贡献度，即L0-1/LgＲ、L1-1/LgＲ、L2-(1/LgＲ)'、L3-(1/LgＲ)'、L4-(1/LgＲ)'、L5-(1/LgＲ)'、L6-(1/LgＲ)'，同时MeanDecreaseAccuracy分别为17．41、12．97、8．04、6．82、6．16、2．87、2．74，并按照从高到低进行排序。由图4观察得，对SOM含量影响较大的因子为L3-(1/LgＲ)'，其次为L4-(1/LgＲ)'、L6-(1/LgＲ)'、L5-(1/LgＲ)'、L2-(1/LgＲ)'、L0-1/LgＲ、L1-1/LgＲ。小波分解光谱中频范围，即L3与L4层结合(1/LgＲ)'数学变换对SOM预测贡献度最大，高频与低频范围，即L2、L5、L6层结合(1/LgＲ)'表5SOM含量随机森林模型模拟精度Tab．5SimulationaccuracyofrandomorganicforestmodelofsoilorganicmattercontentＲ2ＲMSE训练集0．682．11测试集0．702．45图4土壤有机质含量在各小波分解特征光谱的变量重要性Fig．4Importanceofsoilorganicmattercontentinthespectralcharacteristicsofeachwaveletdecompositi
3讨论本研究结果表明，通过小波变换分解光谱结合数学微分变换与随机森林重要性参数分类方法，优选有效的特征波段，将所得结果作为SOM含量多元线性模型预测的重要因子，可以有效的实现干旱区SOM含量的快速估测。研究区为典型的内陆干旱区，绿洲边缘部分盐渍化与荒漠化现象明显，长年累月侵蚀内部农田，通过分析农田土壤、林地土壤与盐渍土壤、荒漠土壤在相同SOM含量下光谱曲线的差异，发现富含养分的土壤类型与贫瘠土壤类型的光谱曲线在水分波段吸收谷与整体波动存在很大差异，结合小波变换，凸显和简化了不同土壤类型光谱曲线的差异。根据SHI等［28］研究土壤光谱曲线反射率随着SOM含量的升高总体呈下降的趋势，同时SOM含量与光谱反射率的相关系数较高峰值集中在400nm、800nm、1400nm与2200nm范围内。如图2、图3和表3所示，本研究中，不同SOM含量下与不同类型土壤的分解特征光谱符合SHI等［28］研究，同时SOM含量与各小波分解特征光谱的相关系数高值集中在2200nm范围内。高光谱遥感的本质是将待测物连续通道的电磁波谱信息转化为光信号，常用的光谱去噪声手段以微分处理、S-G平滑、多元散射校正与标准正态变换等方法为主，上述方法在光信号处理上较为适用，但是这些方法在对光谱数据去噪的同时难免会引入新的噪声，而小波变换凭借在时域和频域对于信号的局部化分析能力，通过伸缩平移对信号逐步进行多尺度细化，最终达到高频与低频处信号的细分，在保留原状信号的同时，尽可能的分离噪声，是一种较好的电信号噪声去除方法。结合相关性分析与分解光谱特征分析的结果，本文确定最佳SOM特征光谱的小波分解层数?
【参考文献】：
期刊论文
[1]基于高光谱的不同人类干扰程度下荒漠土壤有机质含量估算模型[J]. 郑曼迪,熊黑钢,乔娟峰,刘靖朝. 干旱区地理. 2018(02)
[2]基于宽波段与窄波段综合光谱指数的土壤有机质遥感反演[J]. 郑曼迪,熊黑钢,乔娟峰,刘靖朝. 激光与光电子学进展. 2018(07)
[3]基于高光谱多尺度分解的土壤含水量反演[J]. 蔡亮红,丁建丽. 激光与光电子学进展. 2018(01)
[4]去除土壤水分对高光谱估算土壤有机质含量的影响[J]. 于雷,洪永胜,朱亚星,黄鹏,何琦,QI Feng. 光谱学与光谱分析. 2017(07)
[5]干旱区典型绿洲土壤有机质含量分布特征及其影响因素[J]. 唐梦迎,丁建丽,夏楠,魏阳,冯娟,谭娇. 土壤学报. 2017(03)
[6]基于高光谱数据的土壤有机质含量反演模型比较[J]. 叶勤,姜雪芹,李西灿,林怡. 农业机械学报. 2017(03)
[7]基于随机森林的遥感干旱监测模型的构建[J]. 沈润平,郭佳,张婧娴,李洛晞. 地球信息科学学报. 2017(01)
[8]小波包-局部最相关算法提高土壤有机碳含量高光谱预测精度[J]. 张锐,李兆富,潘剑君. 农业工程学报. 2017(01)
[9]基于小波变换的矿物油荧光光谱数据处理方法[J]. 陈至坤,张菡洁,王玉田,王福斌. 激光杂志. 2016(10)
[10]基于小波变换与偏最小二乘耦合模型估测北方潮土有机质含量[J]. 王延仓,杨贵军,朱金山,顾晓鹤,徐鹏,廖钦洪. 光谱学与光谱分析. 2014(07)
硕士论文
[1]官厅水库消落带土壤有机质分布特征及其高光谱反演研究[D]. 李洪.首都师范大学 2014
本文编号：3358448
本文链接：https://www.wllwen.com/projectlw/zrdllw/3358448.html
