土壤有机质含量地面高光谱估测模型对比分析

采用高光谱技术获得的数据进行土壤有机质含量的反演和估测是近年来的研究热点。为确定有效的估测建模方法,利用地面实测的土壤高光谱反射率及有机质含量等数据,采用小波分析方法实现去噪,包络线去除法实现建模参数提取和数据量压缩,结合多种不同的数据变换方法,利用BP神经网络法、多元线性回归法及最小二乘回归法建立不同的估测模型。对比发现,BP神经网络模型的估测效果优于回归模型,其中结合对数的平方变换和神经网络所建立的模型为最优估测模型,模型的决定系数达到0. 933,检验样本的均方根误差达到0. 069。实验证明,BP神经网络+对数的平方变换模型的学习机制适用于土壤有机质含量地面高光谱估测且效果好。通过在建模因子层面上进行数据变换建立了较好的估测模型,其研究方法、模型和结论,对土壤有机质含量地面高光谱估测具有一定的参考意义。     

高光谱土壤有机质估测模型对比研究

应用高光谱技术探讨土壤有机质含量定量估测方法,对发展精细农业具有重要意义。本文利用陕西省横山县的实测数据,采用对数的一阶微分变换方法对土样的高光谱数据进行处理,分别采用线性回归分析法、BP神经网络法、模糊识别法建立高光谱土壤有机质含量估测模型,并对比分析其精度,确定最优的光谱反演模型。实验结果表明:模糊识别模型的决定系数达到0.973,RMSE为0.0468%;比线性模型和BP神经网络模型精度都高。研究表明,土壤有机质光谱反演不仅要重视机理研究,同时要加强光谱反演建模方法创新。     

耕层土壤有机质高光谱间接估测模型

针对光学遥感技术只能获取表层土壤光谱信息而无法直接估测耕层土壤有机质含量的问题,探索建立基于表层土壤高光谱信息的耕层土壤有机质间接估测模型。以山东省济南市章丘区采集的76个表层、耕层土壤样本数据为基础,首先分析原始光谱反射率的光谱特征;然后利用反射率的一阶微分、平方根的一阶微分和对数倒数的一阶微分等方法对原始光谱反射率进行变换,并根据极大相关性原则选取估测因子;最后根据表层土壤有机质含量与耕层有机质含量间的内在关系,建立耕层土壤有机质含量的间接估测模型。结果表明,以557、1 621、2 107和2 316 nm波段对数倒数的一阶微分变换值和864 nm波段反射率平方根倒数一阶微分的变换值为估测因子,使用二次函数关系模型对耕层土壤有机质含量间接估测的精度最高,其决定系数R~2为0.784,平均相对误差为10.7%。研究表明,利用表层土壤高光谱信息间接估测耕层有机质含量可行有效。     

土壤有机质含量区间值高光谱估测

考虑影响因素的复杂性,提出土壤有机质含量区间值高光谱估测的思想。根据在陕西省横山县采集的84个土壤样本数据,采用14种光谱反射率变换方法及因子互乘变换筛选反演因子,采用模糊识别方法进行土壤有机质含量估测。结果表明,原始光谱反射率(R)及其平方(R2)、平方根(R1/2)、倒数(1/R)、自然对数(ln R)的一阶微分、二阶微分及其互乘变换与有机质含量的相关性明显增强,模型优化系数可调节类别判别的准确度,12个检验样本的准确度为91.67%。这表明提出的土壤有机质含量区间值高光谱估测模型是有效的。     

基于支持向量机的作物叶绿素含量反演模型

针对现有研究在准确估算叶绿素含量方面的不足,该文运用粒子群优化算法和支持向量机构建叶片尺度作物叶绿素含量高光谱反演模型:利用PROSPECT模型模拟作物光谱,并运用所对应的叶绿素含量建立训练数据集,然后采用粒子群优化算法支持向量机学习训练数据集,最后建立实测叶片叶绿素含量估测模型。研究结果表明,粒子群优化算法和支持向量机构建的反演模型能准确预测作物的叶绿素含量,能够解决小样本作物采样点情况下叶绿素含量反演问题,可以作为作物叶绿素含量估测的参考方法。     

基于地面实测光谱的土壤有机质含量预测

以德兴铜矿尾矿坝附近的土壤为研究对象,在实验室内利用ASD便携式光谱仪对研究区内68组土壤样本进行了测定,并通过研究土壤反射光谱特征,选择了反射率的对数微分变换作为土壤有机质(soil organic matter,SOM)预测模型的因变量;通过对土壤有机质含量与土壤光谱特征的相关分析,将402 nm与2 312 nm波段反射率的对数微分变换结果参与模型建立;最终,从多元回归分析和模糊数学2个角度建立了有机质含量的预测模型。结果表明:基于模糊数学的研究方法优于多元线性回归方法,相关系数达到89.3%,平均相对误差较小。因此,地面实测光谱可以用于预测土壤的有机质含量。该方法具有周期短、成本低等特点。     

一种盾构施工引起的地面沉降预测方法

针对盾构施工引起的地面沉降的影响因素众多、关系错综复杂,常规数学模型难以准确预测沉降量的问题,该文提出了采用主成分分析法和粒子群优化的支持向量机方法来建立预测模型。并结合工程实例将预测结果与常用的多元线性回归模型和基于Levenberg-Marquardt算法改进的BP神经网络模型(LM-BP)的预测结果做了比较。结果表明:PCA-PSO-SVM的预测结果精度较多元线性回归模型和LM-BP神经网络有很大的提高,证明了该研究方法具有一定的理论意义和参考价值。     

土壤电导率和pH值光谱特征及反演模型——以呼伦贝尔草原干旱半干旱土壤为例

针对传统的化学分析无法快速获取土壤盐分信息的问题,该文提出了一种基于光谱技术的土壤电导率(EC)及pH值的特征提取及估测算法,获取呼伦贝尔典型草原区72个土壤样本的光谱反射率,分析光谱特征并采用稳健估计法、偏最小二乘及支持向量机模型实现对土壤EC以及pH值的快速、高精度预测。实验结果表明:支持向量机建模预测精度最高,EC拟合值与实测值的相关系数为0.78,均方根误差为0.035,2.0RPD=2.182.5;pH拟合值与实测值的相关系数为0.91,均方根误差为0.349,RPD3.0。     

土壤Cu含量高光谱反演的BP神经网络模型

以高光谱数据为基础,针对传统土壤重金属反演模型拟合度低、预测效果差的缺点,提取光谱预处理后的特征波段数据进行相关性分析,选取860nm一阶微分光谱反射率建立基于Matlab的重金属Cu含量BP神经网络预测模型,模型的拟合优度为0.721,预测精度达82.3%,高于传统单元线性回归模型0.414的拟合优度与76.1%的预测精度。研究表明,BP神经网络模型具有良好的拟合优度与预测能力,能更有效预测土壤中重金属Cu的含量。     

机器学习算法辅助的GPS信噪比观测值土壤湿度反演

利用BP神经网络和支持向量回归机两种机器学习算法,构建基于机器学习算法的GNSS卫星反射信号土壤湿度反演模型,并与线性回归统计模型和实测数据进行对比分析。结果表明:基于机器学习算法的GNSS卫星反射信号土壤湿度反演方法获取的土壤湿度结果与土壤湿度参考值误差较小,反演模型的决定系数分别为0.928 3和0.913 1,均方根误差为0.026 6和0.032 6,线性回归统计模型的决定系数分别为0.553 2和0.859 8,均方差根误差分别为0.093 9和0.041 6。说明利用回归算法定量估测土壤湿度明显优于线性回归统计模型,且基于支持向量回归机的土壤湿度反演模型定量估测土壤湿度优于基于BP神经网络算法的土壤湿度反演模型,证明了该方法的可靠性,为土壤湿度的实时反演研究提供了一种新方法。