基于CARS算法的不同类型土壤有机质高光谱预测.pdfVIP

第 37 卷 第 2 期 农 业 工 程 学 报 Vol.37 No.2 2021 年 1 月 Transactions of the Chinese Society of Agricultural Engineering Jan. 2021 105 基于 CARS 算法的不同类型土壤有机质高光谱预测 1 1 2 3 1,4 1 1 唐海涛 ，孟祥添 ，苏循新 ，马 涛 ，刘焕军 ，鲍依临 ，张美薇 ， 张新乐1※，霍海志3 （1. 东北农业大学公共管理与法学院，哈尔滨 150030 ；2. 黑龙江省地质资料档案馆，哈尔滨 150030 ；3. 黑龙江省第五地质勘察 院，哈尔滨 150030 ；4. 中国科学院东北地理与农业生态研究所，长春 130012 ） 摘 要：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。 关键词：遥感；土壤；有机质；光谱指数；地形；特征波段筛选；随机森林 doi ：10.11975/j.issn.1002-6819.2021.2.013 中图分类号：S153.621 ；O433.4 文献标志码：A 文章编号：1002-6819(2021)-2-0105-09 唐海涛，孟祥添，苏循新，等. 基于 CARS 算法的不同类型土壤有机质高光谱预测[J]. 农业工程学报，2021，37(2)： 105-113. doi ：10.11975/j.issn.1002-6819.2021.2.013 Tang Haitao, Meng Xiangtian, Su Xunxin, et al. Hyperspectral prediction on soil organic matter of different types using CARS algorithm[J]. Transacti