土壤有机质高光谱特征与波长变量优选方法

摘要：

[目的]探究土壤有机质的高光谱特征及响应规律,优选土壤有机质的敏感波长,降低土壤有机质高光谱估测模型复杂度,提高模型稳健性,为利用高光谱技术对农田土壤肥力的定量监测提供理论支撑.[方法]采集江汉平原潮土土样1 30个,将其中40个样本作为训练集,测量其去有机质前、后的土壤有机质含量及光谱数据,计算差值及变化率,分析土壤有机质含量变化对光谱特征的影响,结合无信息变量消除(uninformative variables elimination,UVE)、竞争适应重加权采样(competitive adaptive reweighted sampling,CARS)变量优选方法确定土壤有机质敏感波长;采用45个建模集样本,基于偏最小二乘回归(partial Least Squares Regression,PLSR)和反向传播神经网络(back propagation neural network,BPNN)建立土壤有机质含量的估算模型;利用45个验证集样本检验敏感波长对同类土壤的适用性.[结果]通过有机质去除试验,供试土壤的平均光谱反射率在全波段均有所增加,在司见光波段变化率高于近红外波段;比较UVE、CARS、UVE-CARS、CARS-UVE这4种变量优选方法,得到最佳变量优选方法为UVE-CARS,该方法从2 001个波长变量中优选得到84个变量作为土壤有机质的敏感波长,分布于561-721、1 920-2 280 nm波段覆盖范围;基于敏感波长的PLSR、BPNN模型性能均优于全波段模型,其中,基于敏感波长的BPNN模型的估测能力高于PLSR,模型验证集R2、RMSE、RPD、MAE、MRE值分别为0.74、1.33 g·kg-1、2.02、1.04 g·kg-1、6.2％,可实现土壤有机质含量的有效估测.[结论]通过训练集获得的土壤有机质敏感波长,能够实现对该试验区同种土壤类型样本土壤有机质含量的有效估测;利用去有机质试验结合变量优选方法确定的敏感波长建模,不仅将输入波长压缩至全波段波长数目的4.2％,而且提升了模型估测精度,降低了变量维度和模型复杂度,为快速准确评估农田土壤有机质含量提供了新途径.

关键词：土壤有机质、高光谱、变量优选、偏最小二乘回归、反向传播神经网络、潮土

所属期刊栏目：50

分类号：O63;S75

资助基金：国家自然科学基金41401232;中央高校基本科研业务费专项资金CCNU15A05006;华中师范大学研究生教育创新资助项目2017CXZZ007

在线出版日期：2018-01-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：4325-4337