基于PCA的土壤含水量高光谱反演模型比较研究

土壤含水量(SMC)是农作物生长过程中的重要指标之一,快速测定土壤水分状况对于农业发展极为重要。针对高光谱波段信息冗余和共线性特点以及光谱测定中无关信息和噪声带来的影响,对原始光谱进行倒数对数一阶微分变换预处理,利用主成分分析(PCA)对光谱信息进行降维,提取出12个主成分作为自变量;利用偏最小二乘、支持向量机、随机森林、BP神经网络建立SMC预测模型并进行综合对比分析。结果表明:利用PCA对光谱信息降维后的主成分建立的模型均有良好的预测能力,选取的主成分累积贡献率达到92%以上;通过对光谱变换前后模型的综合对比可以发现PCA-RF模型精度最高(R2分别为0.8362,0.9630,RPD分别为2.4229、3.7019)。

基于偏最小二乘的土壤重金属铜含量高光谱估算

为探究高光谱数据估算土壤重金属铜含量的可行性,以石家庄市水源保护区褐土为研究对象,对不同光谱变换数据与重金属铜含量做了相关分析,建立了土壤重金属铜的单光谱变换指标偏最小二乘模型和多光谱变换指标偏最小二乘模型。结果表明:光谱反射率(R)经倒数一阶微分(RTFD)变换后与铜含量的相关性有所提高;光谱敏感波段为418、427、435、446、490、673、1 909、1 920和2 221 nm,基本位于土壤氧化铁、粘土矿物的特征吸收区域;对土壤重金属铜含量估算效果最好的单光谱变换指标偏最小二乘模型为RTFD模型,其模型决定系数(R2)为0.649,均方根误差(RMSE)为1.477;多光谱变换指标偏最小二乘模型R2和RMSE分别为0.751和1.162,建模效果优于单光谱变换指标模型。研究结果可为北方地区褐土类型土壤重金属铜的高光谱估算提供借鉴。