基于VBA编程的全子集模型筛选算法

文章基于VBA编程方法,实现对全部子集模型的筛选。结果表明:用VBA方法实现的模型估计,操作方法简单友好,可以充分利用EXCEL灵活的数据处理与数据交换功能完成全部计算和分析工作;无须太过严格的模型设定,基于变量之间的相关性假设选择原始自变量和派生出自变量,构建符合要求的回归模型;设计的优化算法科学精巧,可以大大减少计算量;可以按特定要求进行全子集模型搜索,获得满足需要的模型;用多个优选模型进行联合预测、边际效应分析、弹性系数计算,可避免单一模型的偶然性因素影响。

基于无人机遥感图像纹理与植被指数的土壤含盐量反演

基于无人机遥感技术获取农田土壤盐分信息为盐渍化治理提供了快速、准确、可靠的理论依据。本文在内蒙古河套灌区沙壕渠灌域试验地上采集了取样点0~20 cm的土壤含盐量,并使用M600型六旋翼无人机平台搭载Micro-MCA多光谱相机采集图像。利用Otsu算法对多光谱图像进行图像分类(土壤背景和植被冠层),基于分类结果分别提取剔除土壤背景前后的光谱指数和图像纹理特征,采用支持向量机(SVM)和极限学习机(ELM)构建土壤含盐量监测模型,其4种建模策略分别为:未剔除土壤背景的光谱指数(策略1)、剔除土壤背景后的光谱指数(策略2)、未剔除土壤背景的光谱指数+图像纹理特征(策略3)、剔除土壤背景的光谱指数+图像纹理特征(策略4),通过比较4种建模策略的模型精度以筛选出最优变量组合。结果表明:策略3、4所计算出的土壤含盐量反演精度高于策略1、2,策略1~4验证集决定系数R_(v)^(2)分别为0.614、0.640、0.657、0.681,因此利用图像纹理特征+植被指数对提高土壤含盐量的反演精度有重要意义。对比策略3、4,图像纹理特征+植被指数受到土壤背景的影响,策略4精度低于策略3精度,其R_(v)^(2)分别为0.614、0.657;各变量处理的最优模型均为ELM模型,建模集R_(v)^(2)分别为0.625、0.644、0.618、0.683,标准均方根误差分别为0.152、0.134、0.206、0.155。相比于SVM模型,ELM模型提高了土壤含盐量的反演精度。

不同植被覆盖度下无人机多光谱遥感土壤含盐量反演

准确快速获取植被覆盖条件下农田土壤盐分信息,为土壤盐渍化治理提供依据。利用无人机遥感平台,获取2019年7、8、9月内蒙古河套灌区沙壕渠灌域试验地的多光谱遥感图像以及取样点0~10 cm、10~20 cm、20~40 cm、40~60 cm深度处土壤含盐量,通过多光谱遥感图像计算得到光谱指数,选择归一化植被指数(NDVI-2)代入像元二分模型计算植被覆盖度,并划分为T1(裸土)、T2(低植被覆盖度)、T3(中植被覆盖度)、T4(高植被覆盖度)4个覆盖度等级;同时,对光谱指数进行全子集变量筛选,并利用偏最小二乘回归算法和极限学习机算法,构建不同覆盖度下各深度土壤含盐量反演模型。研究结果表明,裸土和高植被覆盖度下的反演模型精度高于低植被覆盖度和中植被覆盖度下的反演模型精度;对比PLSR和ELM 2种SSC反演模型精度,ELM模型的反演精度比PLSR模型高;覆盖度T1、T2、T3和T4的最佳反演深度分别为0~10 cm、10~20 cm、20~40 cm、20~40 cm。研究结果为无人机多光谱遥感监测农田土壤盐渍化提供了思路。

基于GF-1卫星遥感的河套灌区土壤含水率反演模型研究

为探究植被覆盖条件下GF-1卫星反演农田土壤含水率的可行性,以河套灌区解放闸灌域沙壕渠为研究区,采用GF-1卫星遥感影像作为数据源,通过全子集筛选法确定不同土壤深度下光谱指数的最优自变量组合,并分别采用多元线性回归(MLR)、BP神经网络(BPNN)、支持向量机(SVM)3种算法,构建不同深度下土壤含水率反演模型。结果表明,全子集筛选后模型反演精度有较大提升,且过拟合现象减弱;植被覆盖条件下各深度土壤含水率敏感程度从大到小依次为0~40 cm、0~60 cm、20~40 cm、0~20 cm、40~60 cm;植被覆盖条件下各模型对土壤含水率反演能力由强到弱依次为BPNN、SVM、MLR;筛选后BPNN在深度0~40 cm下的建模集和验证集R~2均能达到0.50以上,RMSE在0.02%以内。研究结果可为植被覆盖条件下利用GF-1卫星监测农田土壤含水率提供参考。