基于CARS算法的不同类型土壤有机质高光谱预测

• Published in: 农业工程学报 Vol. 37; no. 2; pp. 105 - 113
• Main Authors: 唐海涛, 孟祥添, 苏循新, 马涛, 刘焕军, 鲍依临, 张美薇, 张新乐, 霍海志
• Format: Journal Article
• Language: Chinese
• Published: 东北农业大学公共管理与法学院,哈尔滨 150030%黑龙江省地质资料档案馆,哈尔滨 150030%黑龙江省第五地质勘察院,哈尔滨 150030%东北农业大学公共管理与法学院,哈尔滨 150030 15.01.2021; 中国科学院东北地理与农业生态研究所,长春 130012
• Subjects: 随机森林; 有机质; 地形; 遥感; 光谱指数; 土壤; 特征波段筛选
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.2021.2.013

S153.621%O433.4; 不同土壤类型的理化性质和光谱性质存在差异,以往研究多以高光谱反射率或光谱吸收特征建立模型,输入变量类型结构单一,往往导致土壤有机质(Soil Organic Matter,SOM)预测模型的精度不高.为提高SOM高光谱预测模型精度,该研究以黑龙江省海伦市为研究区,将不同类型土壤分别以竞争自适应重加权采样(Competitive Adaptive Reweighted Sampling,CARS)筛选的特征波段、数字高程模型(Digital Elevation Model,DEM)数据和光谱指数作为输入变量,结合随机森林(Random Forest,RF)算法建立SOM预测模型.结果表明:1)通过CARS算法筛选后,各土壤类型特征波段压缩至全波段数目的 16％以下,在很大程度上降低土壤高光谱变量维度和计算复杂程度,从而提高了模型的预测能力,说明CARS算法在提取特征关键波段变量、优化模型结构方面起到重要作用;2)不同类型土壤的SOM预测精度存在差异,沼泽土的预测精度最高为0.768,性能与四分位间隔距离的比率(Ratio of Performance to InterQuartile distance,RPIQ)为3.568;黑土次之,草甸土的预测精度最低,仅0.674,RPIQ为1.848.3类土壤的RPIQ均达到1.8以上,模型具有较好的预测能力;3)局部回归预测精度最优,验证集的调整后决定系数为0.777,均方根误差(Root Mean Square Error,RMSE)为0.581％,模型验证RPIQ为2.689,模型稳定性高.该试验筛选的预测因子通过RF模型可实现SOM含量的快速预测,简化了传统复杂的程序,可为中尺度区域不同类型土壤的SOM预测提供依据,为输入量的选择提供参考.