首页 > 论文 > 激光与光电子学进展 > 56卷 > 13期(pp:131102)

基于梯度提升树的土壤速效磷高光谱回归预测方法

  • 摘要
  • 论文信息
  • 参考文献
  • 被引情况
分享:

摘要

土壤速效磷养分对于作物生长的影响较大,其高光谱定量预测难度高但应用前景较好,因此大幅度提升预测值准确率、提高模型泛化性,对土壤光谱成分测试具有重要意义。本文在前期研究基础上,对皖北地区砂姜黑土的193个样本开展模型的优化、组合,利用土壤样本的可见近红外高光谱(350-1700nm)数据,结合非线性和线性的核函数,对9种算法进行模型首次优化;再利用随机森林、提升树和梯度提升树(Gradient Boosting Decision Tree, GBDT)3种集成学习算法进行模型组合和二次优化。本文通过模型比较,优选并组合了Sigmoid函数的偏最小二乘(Sigmoid-PLS)、线性的支持向量回归(Linear-SVR)、径向基的支持向量回归(RBF-SVR)和Sigmoid函数的支持向量回归(Sigmoid-SVR)4个单模型,然后在集成算法优化后发现,梯度提升树算法预测结果最优。其中与单模型的预测结果相比,梯度提升树模型组合的决定系数(R2)为0.86,提高了17.8%,相对分析误差(RPD)系数为2.55,从B等级提升到A,不仅在准确率上有显著提高,且组合模型过拟合更低,泛化性好。因此,梯度提升树的集成学习可结合多种模型优势,通过高光谱的模型集成来提升土壤速效磷的预测结果精确度。

Newport宣传-MKS新实验室计划
补充资料

DOI:10.3788/lop56.131102

作者单位:

    安徽农业大学
    安徽农业大学
    安徽农业大学
    安徽农业大学信息与计算机学院
    安徽农业大学

引用该论文

金秀,朱先志,李绍稳,王文才,齐海军. 基于梯度提升树的土壤速效磷高光谱回归预测方法[J].激光与光电子学进展,2019,56(13):131102.