基于随机森林算法的土壤有机质含量高光谱检测

论文摘要

为了探讨既能保留光谱信息又能准确对土壤有机质含量进行快速检测。以新疆南部渭干河—库车绿洲内部73个土壤样点及其对应的高光谱数据为研究对象,采用小波变换与数学变换进行光谱数据预处理,分析各小波分解重构光谱在不同有机质含量与不同土壤类型下光谱曲线差异,通过相关分析确定最大小波分解层并筛选敏感波段,结合灰色关联分析与随机森林预测分类模型对各小波分解特征光谱进行重要性分析,最后基于最优特征光谱建立多元线性预测模型并进行分析。结果表明:（1）耕作土壤与林地土壤光谱曲线波段相较盐渍土壤和荒漠土壤光谱曲线变化较为平缓,同时在水分吸收波段处,盐渍土壤光谱曲线吸收谷最深。（2）小波变换分解光谱与土壤有机质含量的相关性随着分解层数增加呈现先减后增趋势,在第6层中,特征光谱曲线与敏感波段数量变化趋于稳定,确定为小波变换最大分解层。（3）随机森林模型相比灰色关联分析对于各小波分解层因子的筛选符合预期,按照对土壤有机质含量影响从高到低排序为L3-（1/LgR）′、L4-（1/LgR）′、L6-（1/LgR）′、L5-（1/LgR）′、L2-（1/LgR）′、L0-1/LgR、L1-1/LgR。（4）在小波分解光谱中,中频范围特征光谱对干旱区土壤有机质含量的估测能力优于高频与低频范围特征光谱,同时基于L-MC建立的模型精度最高。研究表明:基于机器学习分类方法结合小波分解的土壤光谱有机质含量监测,可以有效的减少噪声波段干扰,并提高特征波段的分类预测精度。

论文目录

• 1 研究区概况与研究方法
•   1.1 研究区概况
•   1.2 研究方法
•     1.2.1 土样采集与光谱处理
•     1.2.2 小波分解
•     1.2.3 随机森林模型
•     1.2.4 数据预处理
•     1.2.5 数据分析与建模验证
• 2 结 果
•   2.1 研究区土壤有机质含量描述
•   2.2 不同SOM含量小波变换分析
•   2.3 不同土地利用方式下小波变换分析
•   2.4 SOM与重构光谱相关性分析
•   2.5 SOM与重构光谱重要性分析
•   2.6 SOM含量建模验证与分析
• 3讨论
• 4 结 论

文章来源

类型: 期刊论文

作者: 包青岭,丁建丽,王敬哲,蔡亮红

关键词: 高光谱,土壤有机质含量,小波变换,随机森林

来源: 干旱区地理 2019年06期

年度: 2019

分类: 哲学与人文科学,基础科学,农业科技,信息科技

专业: 自然地理学和测绘学,农业基础科学,林业,自动化技术

单位: 新疆大学资源与环境科学学院智慧城市与环境建模自治区普通高校重点实验室,绿洲生态教育部重点实验室

基金: 新疆自治区重点实验室专项基金(2016D03001),新疆自治区科技支疆项目(201591101)

分类号: TP18;S714.2

页码: 1404-1414

总页数: 11

文件大小: 3264K

下载量: 548