吉林大学地球探测科学与技术学院, 吉林 长春 130026
田间土壤属性复杂且随时间变化, 快速精准地获得多种土壤理化指标数据对指导精细农业操作具有重要意义。 为避免土壤水分带来的干扰, 基于光谱技术的土壤成分含量预测需在土壤样本干燥的情况下进行光谱测量, 然而土壤水分同样是指导农业生产的重要指标。 为同时预测黑土区土壤有机质(SOM)、 水分(SMC)、 总铁(Fe)和pH值, 提出测量湿土土壤样本的可见-近红外光谱, 并采用标准正态变量变换(SNV)-连续小波变换(CWT)法分解光谱反射率, 逐样本进行SNV后, 以Mexh为小波基函数进行10个尺度(21, 22, …, 210)的分解, 并与常用光谱处理方法进行对比, 包括高斯滤波(GS)、 一阶导数(FD)、 连续统去除(CR), 数学变换等7种方法。 将74个样本数据划分为两组, 其中50个作为建模集, 24个作为验证集。 经SNV-CWT变换后, 每个尺度的小波系数与每个目标变量间置信度小于0.05的波段作为随机森林(RF)预测模型的输入变量, 以各尺度验证模型精度为标准确定每个预测目标的最佳分解尺度; 通过计算最佳尺度小波系数与土壤成分间的皮尔森相关系数(PCC), 基于模型的相关系数(MBC)和灰色关联度(GRD), 判断各属性的特征波段, 且分别以三种相关系数作为指标, 以过滤式筛选法建立不同属性的RF估测模型。 结果表明: 与7种常用的处理方法相比, SNV-CWT分解后四种土壤成分的预测精度均有提高, SOM, SMC, Fe和pH对应的最佳分解尺度分别为7, 8, 1和10。 在以多维特征作为输入变量的情况下, SOM与SMC的验证模型决定系数(R2)即可达到0.90和0.93。 三种分析方法中以MBC计算的相关系数为波段筛选指标建立的模型精度最佳, 其中SOM与SMC的R2均为0.94, 且Fe(R2=0.67, Mse=0.01%, RPD=1.76)与pH(R2=0.80, Mse=0.1, RPD=2.24)的模型精度具有大幅度提高, 可应用于多种土壤理化指标数据的提取与监测。
黑土区 近红外光谱 数据处理 有机质 水分 总铁 Black soil area Vis-Nir spectra Data processing Soil organic matter Soil moisture Total iron pH pH 光谱学与光谱分析
2021, 41(11): 3424
1 吉林大学地球探测科学与技术学院, 吉林 长春 130026
2 中国科学院行星科学重点实验室, 上海 200030
针对土壤有机质含量高光谱估测研究中变量维数过高与特征谱段筛选问题, 提出了一种结合随机森林和自适应搜索算法的混合特征选择方法。 首先依据随机森林变量重要性原理获取初始优化集, 然后利用遗传二进制粒子群封装算法对初始优化集进一步自适应筛选。 对于土壤有机质含量估测建模问题, 选择稳健性强且能有效处理高维变量的随机森林算法。 以典型黑土区采集的土壤样品为研究对象, 将ASD光谱仪获取的可见光-近红外区间光谱数据和经化学分析得到的土壤有机质含量为数据源, 对原始光谱进行光谱变换和重采样处理后, 采用随机森林-遗传二进制粒子群混合选择方法提取特征光谱区间, 构建有机质含量随机森林估测模型。 与利用全光谱、 随机森林方法筛选的光谱和自适应搜索算法筛选的光谱构建随机森林模型得到的预测精度进行比较。 结果表明, 利用随机森林-遗传二进制粒子群混合特征选择算法筛选的波谱变量参与随机森林建模, 预测决定系数, 均方根误差和相对分析误差分别为0.838, 0.54%, 2.534。 该方案应用最少的变量个数获得最高的预测精度, 能够较高效地估测黑土有机质含量, 也能为其他类型土壤在有机质含量估测研究的变量筛选与建模问题上提供参考。
高光谱 黑土有机质含量 遗传算法 二进制粒子群算法 随机森林 Hyperspectral Black soil organic matter content Genetic algorithm Binary particle swarm optimization Random forest
