小波变换耦合CARS算法提高土壤水分含量高光谱-IngentaConnect.PDFVIP

第 33 卷 第 16 期 农 业 工 程 学 报 Vol.33 No.16 144 2017 年 8 月 Transactions of the Chinese Society of Agricultural Engineering Aug. 2017 小波变换耦合 CARS 算法提高土壤水分含量高光谱反演精度 蔡亮红，丁建丽※ （1. 新疆大学资源与环境科学学院，乌鲁木齐 830046 ；2. 新疆大学绿洲生态教育部重点实验室，乌鲁木齐 830046 ） 摘 要：为实现干旱地区土壤水分含量（soil moisture content，SMC）的快速监测，该文以渭干河-库车河绿洲为靶区， 采用小波变换（wavelet transform ，WT ）对反射光谱进行 1～8 层小波分解，通过相关性分析确定最大分解层数，再通过 竞争性自适应重加权（competitive adaptive reweighted sampling，CARS ）滤除冗余变量，筛选出与SMC 相关性较好的波 长变量，并叠加各层特征光谱的优选波长变量作为最优变量集，用偏最小二乘回归（partial least squares regression ，PLSR ） 构建土壤水分含量预测模型并进行分析。结果显示：1）小波分解过程中，土壤反射率与 SMC 的相关性不断增强，到小 波变换第 6 层分解（L6 ）处达到最高，因此小波变换最大分解层数为 6 层分解；2 ）通过对土样进行WT-CARS 耦合算 法筛选出变量，得出的最优变量集包括 400～500、1 320～1 461、1 851～1 961、2 125～2 268 nm 区域之间共 131 个波 长变量；3 ）相对于全波段预测模型，各层特征光谱的 CARS 优选变量预测模型的精度均高，并且基于最优变量集的预 测模型的精度最高，该模型的建模集均方根误差 0.021、建模集决定系数 0.721、预测集均方根误差 0.028、预测集决定系 数 0.924、相对分析误差 2.607 。说明 WT-CARS 耦合算法使其在建立模型时尽可能少地损失光谱细节、较为彻底的去除 噪声，同时还能对无信息变量进行有效去除，为该研究区 SMC 的预测提供新的思路。 关键词：土壤；含水率；光谱分析；小波变换；竞争适应重加权采样算法；变量优选 doi ：10.11975/j.issn.1002-6819.2017.16.019 中图分类号：S127 文献标志码：A 文章编号：1002-6819(2017)-16-0144-08 蔡亮红，丁建丽. 小波变换耦合 CARS 算法提高土壤水分含量高光谱反演精度[J]. 农业工程学报，2017，33(16)：144－151. doi ：10.11975/j.issn.1002-6819.2017.16.019 Cai Lianghong, Ding Jianli. Wavelet transformation coupled with CARS algorithm improving prediction accuracy of soil moisture content based on hyperspectral reflectance[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(16): 144－151. (in Chinese with English abstract) doi ：10.11975/j.issn.1002-6819.2017.16.019 关键环节。 0 引 言 