蚁群算法在土壤质地高光谱预测建模中的应用.pdfVIP

蚁群算法在土壤质地高光谱预测建模中的应用 摘要 高光谱数据具有光谱信息丰富、波长数多以及分辨率高等优点，可以使得高 光谱数据在探测地物光谱特征的细微差别上有很大的优势。由于高光谱数据相邻 波长间有很强的关联性，并不是所有的波长对后续光谱的处理都有着同等重要的 影响。在应用全光谱进行土壤属性的分析建模时，不仅计算量和复杂度大，还可 能会由于冗余、无效信息的存在，降低构建模型的预测效果。因此，特征波长的 选择在高光谱数据处理与分析中的重要性受到越来越广泛的认同，目前已经成为 了高光谱数据建模分析过程中的关键步骤。近年来国内外很多学者在高光谱特征 波长的选择方面做了大量研究，目的是为了选择出包含有用信息的波长或滤除包 含噪声、冗余和无效信息的波长。 本研究以巢湖流域177 个土壤样本为数据源，运用蚁群算法按末次迭代和波 长贡献率两种方式选择特征波长，分别结合BP 神经网络逐次遴选特征波长建立 土壤质地光谱预测模型，选择预测效果最好的模型作为遴选波长对应的预测模型。 并将上述基于蚁群算法建立的预测模型，分别与基于相关系数法选择特征波长、 全光谱建立的土壤质地光谱预测模型的预测效果进行对比。主要结论如下： （1）按波长贡献率的方式选取特征波长，结合 BP 神经网络逐次遴选特征 波长建立土壤粉粒和砂粒含量的光谱预测模型，当遴选波长为 19 个时，建立的 土壤粉粒含量BP 神经网络光谱预测模型预测集R2 达到0.76 ，RMSE 为8.42%， RPIQ 为2.23 ；当遴选波长为53 个时，建立的土壤砂粒含量BP 神经网络光谱预 测模型预测集R2 达到0.72 ，RMSE 为9.66%，RPIQ 为1.94。按末次迭代方式选 取特征波长，结合BP 神经网络逐次遴选特征波长建立土壤粉粒和砂粒含量的光 谱预测模型，当遴选波长为 68 个时，建立的土壤粉粒含量BP 神经网络光谱预 测模型预测集R2 达到0.71 ，RMSE 为8.04%，RPIQ 为2.47 ；当遴选波长为13 个 时，建立的土壤砂粒含量BP 神经网络光谱预测模型预测集R2 达到0.62 ，RMSE 为15.33%，RPIQ 为1.70。按波长贡献率方式建立的土壤粉粒和砂粒含量的光谱 预测模型效果相对更好。 （2 ）基于相关系数法选取特征波长，结合 BP 神经网络逐次遴选分别建立 了土壤粉粒和砂粒含量光谱预测模型，当遴选波长为 18 个时，建立土壤粉粒含 量光谱预测模型预测集决定系数R2 为0.62 ，均方根误差RMSE 为9.59%，RPIQ 为2.04 ；当遴选波长为48 个时，建立的土壤砂粒含量光谱预测模型预测集决定 系数R2 为0.50 ，均方根误差RMSE 为 13.38%，RPIQ 为 1.88。均低于基于蚁群 II 算法建立的相应光谱预测模型效果。 （3 ）基于全光谱建立的土壤粉粒含量光谱预测模型预测集决定系数 R2 为 0.57 ，RMSE 为 14.94%，建立的土壤砂粒含量光谱预测模型预测集决定系数R2 为0.48 ，RMSE 为16.85% 。均低于基于蚁群算法建立的相应光谱预测模型效果。 与全光谱相比，基于蚁群算法建立的预测模型，去除了冗余、无效的光谱信 息，降低建模复杂度，提升建模效果；与相关系数法相比，蚁群算法通过蚂蚁间 互相感知信息素的方式，形成正反馈机制，选取了更加有效的特征波长，模型预 测误差更小，稳定性更强。 关 键 词：土壤质地；蚁群算法；特征选择；高光谱预测模型 III 目录 摘要·································································································I ABSTRACT ·····················································································III 第一章 绪论························································