基于组合模型的庐山森林土壤有效铁光谱间接反演研究
铁是植物生长的重要微量营养元素之一,土壤有效铁含量对林地环境起着重要的影响,利用土壤光谱预测技术获取土壤有效铁含量信息具有重要意义.而要通过土壤光谱直接预测土壤有效铁含量是难以实现的,因此提出利用土壤有机质含量与有效铁含量之间的相关性,探讨间接估算土壤有效铁含量的可行性.以庐山森林土壤样本为研究对象,研究基于偏最小二乘回归(PLSR)和径向基函数(RBF)神经网络的组合模型预测土壤有机质含量的适用性,并且通过构建有机质含量与有效铁含量的二项式线性模型,对土壤有效铁含量进行间接反演,探讨不同权重下的最优组合模型.结果表明,组合模型的预测效果优于偏最小二乘回归和RBF神经网络单个模型,并且熵值组合为最优组合模型,其中,土壤有机质的反演模型验证的决定系数(R2)为0.81,均方根误差(RMSEp)为11.54 g kg-1,测定值标准差与标准预测误差的比值(RPD)为2.18;有效铁的间接反演模型R2为0.70,RMSEp为21.60 mg kg-1,RPD为1.77.通过土壤有机质构建土壤有效铁含量的光谱反演间接模型,在光谱反演模型中,组合模型能较大限度地利用各种预测样本信息,能有效减少单个预测模型中随机因素的影响,增强预测稳定性,提高模型的预测能力.因此,组合模型可对土壤有机质含量的光谱预测及土壤有效铁的间接预测发挥更好的作用.
土壤光谱、有效铁预测、RBF神经网络、偏最小二乘回归(PLSR)、组合模型
54
S127;O657.3(农业物理学)
国家自然科学基金项目41361049;土壤与农业可持续发展国家重点实验室项目0812201202资助 Supported by the National Natural Science Foundation of China41361049;The Project of State Key Laboratory of Soil and Sustainable Agricultural0812201202
2017-06-30（万方平台首次上网日期，不代表论文的发表时间）
共12页
601-612
