论文部分内容阅读
伴随着高光谱技术的不断发展,因其拥有高分辨率和丰富的数据等优势,其在土壤属性信息的获取中被愈来愈广泛的使用,而土壤含水量综合反映出了气候、植被、地貌及土壤质量等,是干旱、半干旱地区构建生态系统的基础,同时也是干旱、半干旱区土壤墒情的指示标准。土壤含水量的快速估测对干旱、半干旱地区的精准农业发展具有重要的意义。本文以渭干河-库车河绿洲为靶区,以实验室内对土壤含水量的控制及相应土壤光谱反射率曲线获取的实验为基础,通过小波变换(wavelet transform,WT)对土壤反射光谱进行1~8层小波变换,再结合相关分析得到最大分解尺度,通过竞争性自适应重加权(competitive adaptive reweighted sampling,C ARS)、连续投影算法(successive projections algorithm,SPA)和CARS-SPA算法对最大分解尺度以内的各层小波特征光谱进行特征波长筛选,最终确定能够反映土壤含水量的最优特征波长集,分别构建基于全波段的偏最小二乘回归(partial least squares regression,PLSR)模型和基于最优特征波长集的BP神经网络(BP)、支持向量机(support vector machine,SVM)、随机森林(random forest,RF)和极限学习机(extreme learning machine,ELM)模型,并进行对比分析,从中筛选出能够估测土壤含水量的最佳估测模型。通过研究得出以下结论:(1)小波分解过程中,土壤反射率与土壤含水量的相关性呈先增后减趋势,L6(小波变换第6层特征光谱)处通过0.01水平下的显著性波段达到最多,对于整体而言,L6不仅可以去噪,还与原始序列保持最大限度的相似。故将第6层选为本实验中的最大分解尺度,从而后续在最大分解尺度以内(L1~L6)的基础上进一步分析。(2)相对于小波变换后的单层特征光谱而言,从中筛选出CARS、SPA和CARS-SPA算法中精度最高的估测模型,发现CARS-SPA算法获得的特征波长所构建的模型的精度相对较好,这说明利用SPA算法对CARS算法所获取的特征波段进行二次筛选,不仅可以简化模型,而且可以提升模型精度。总体上CARS-SPA-FULL所构建的PLSR模型精度最高,说明将小波分解后的L1~L6层特征光谱的CARS-SPA二次筛选结果合并作为最优特征波长集(CARS-SPA-FULL),这能够增加模型的精度。(3)通过对土样进行小波变换与CARS-SPA算法耦合筛选出变量,得到的最优特征变量集包括400~500、1320~1461、1851~1961、2125~2268 nm区域之间共43个波长变量。(4)在最优特征波长集的基础上,分别建立不同建模方法,并进行比较分析可知,在所有的土壤含水量估测模型中,其RPD均大于2.00,按精度排序为:ELM>RF>SVM>BP>PLSR,由此可知,相对于PLSR、BP、SVM,ELM和RF的估测能力更好,其中ELM的估测精度最高,其RMSEC为0.0125,R_c~2=0.9858,RMSEP=0.0186,R_p~2=0.9712,RPD=5.68。这体现出ELM估测模型对非线性问题的强解析能力和模型的稳健性,为该研究区土壤含水量的估测提供新的思路。