面向XRF的竞争性自适应重加权算法和粒子群优化的支持向量机定量分析研究

研究高效、准确、便捷的土壤重金属检测方法对于了解土壤的污染状况以及开展污染防治工作具有重要的意义。由于X射线荧光光谱分析(XRF)技术具备快速、准确、无损检测、样品制备简单等优势,在土壤重元素定量检测获得广泛应用。XRF仪器测试标准样品的荧光光谱并建立校准曲线,通过反演计算得到待测样品的元素含量。由于样品元素间存在基体效应,以及荧光谱特征峰存在叠加干扰,未经优化的校准曲线的线性度较差,这给反演计算来困难。为了解决上述问题,分别利用小波变换、非对称加权惩罚最小二乘法(arPLS)对光谱进行去噪和扣除本底基线,提高校准曲线的决定系数(R2);运用竞争性自适应重加权算法(CARS),针对不同目标元素优化变量选取;进一步地,基于选取的变量建立粒子群算法(PSO)优化的支持向量机回归(SVR)模型,并通过该模型反演计算各元素含量,提高定量分析的准确度和预测的泛化能力。实验结果显示,经过小波去噪和arPLS本底扣除后的校准曲线的决定系数(R2)有明显提升,Cr、Cu、Zn、As、Pb分别从0.965、0.979、0.971、0.794、0.915提高为0.979、0.987、0.981、0.828、0.953;通过CARS选取的谱线变量的个数大幅度减少,从2 048个通道降低到30个以下,为原来变量个数的1.5%,提高了变量选择的精准性;与偏最小二乘法(PLS)、未优化的SVR模型进行对比,采用CARS变量选择和PSO优化的SVR模型进行含量预测,训练集RC2与测试集RP2的决定系数分别在0.99、0.90以上,预测准确性有明显提高。因此,所提出的竞争性自适应重加权算法和PSO优化的SVR定量分析模型对于土壤重金属元素定量分析具有较好的理论指导和应用价值。

竞争性自适应重加权算法和相关系数法提取特征波长检测番茄叶片真菌病害

基于竞争性自适应重加权算法(CARS)和相关系数法(CA)特征波长选择方法,提出了利用可见-近红外高光谱成像技术检测番茄叶片灰霉病的方法。首先获取380~1 023nm波段范围内80个染病和80个健康番茄叶片的高光谱图像,然后提取染病和健康叶片感兴趣区域(ROI)的光谱反射率值,作为番茄叶片灰霉病鉴别模型的输入来建立支持向量机(SVM)鉴别模型,训练集和验证集的鉴别率都是100%。研究进一步通过CARS和CA提取特征波长,分别得到5个(554,694,696,738和880nm)和4个(527,555,571和633nm)特征波长,然后分别建立CARS-SVM和CA-SVM鉴别模型。结果显示,CARS-SVM模型中训练集和验证集的鉴别率都是100%,CA-SVM模型中训练集和验证集的鉴别率分别是91.59%和92.45%。以上结果说明了从可见-近红外高光谱图像中提取的光谱反射率值用于检测番茄叶片的灰霉病是可行的。

中红外光谱技术结合竞争性自适应重加权算法快速分析白酒风味组分

采用中红外光谱分析技术结合竞争性自适应重加权算法(CARS)对浓香型白酒基酒中的乳酸乙酯和乙酸乙酯的特征波长变量进行筛选后,建立偏最小二乘法(PLS)模型,并对其进行验证。结果表明,采用中红外光谱分析技术剔除明显噪声区域建立的PLS模型效果较好,而经CARS法进行特征波长选择后建立的CARS-PLS模型效果优于PLS模型,乙酸乙酯和乳酸乙酯的CARS-PLS模型相关系数R^(2)分别为0.995、0.989,预测均方根误差(RMSEP)分别为12.80、4.54,相对分析误差(RPD)分别为8.78及8.60,模型经独立验证均取得了较高的预测精度,验证数据相关系数R^(2)分别为0.994及0.992,RMSEP分别为13.55及4.86。该模型有较高的准确度及稳定性,能够用于白酒基酒中的乳酸乙酯和乙酸乙酯的快速分析,可为白酒酿造过程的质量把控提供技术方法。

优化CARS结合PSO-SVM算法农田土壤重金属砷含量高光谱反演分析

土壤重金属污染是由于人类活动导致重金属物质大量残留在土壤中,超过土壤环境承载力,这种现象将造成土壤质量退化、生态环境恶化。高光谱遥感可以实现图谱合一,能有效地识别出土壤中不同元素的异常情况。为实现农田土壤重金属高效、准确监测,提出了一种特征提高型竞争性自适应重加权算法(CARS)选取特征波段的粒子群算法(PSO)优化支持向量机(SVM)农田土壤重金属砷(As)含量高光谱估测分析方法。利用CARS对暗室实测光谱值进行粗选;利用一阶导数(FD)、高斯滤波(GF)、归一化(N)进行特征提高;在特征精选阶段利用皮尔逊相关系数(PCC)求取预处理后的光谱指标与土壤重金属As之间的相关系数,获取相关性大于0.6的波段作为特征波段;最后利用PSO对SVM所选择的核函数σ和正则化参数γ进行优化,以均方根误差(RMSE)作为适应度函数,通过迭代最优适应度得到SVM最优参数值。选择江汉平原典型区域洪湖市燕窝镇的土壤为研究对象,预测结果表明基于PSO-SVM算法其验证集的决定系数R 2为0.9823,均方根误差RMSE为0.5216,平均绝对误差MAE为0.4164。主要结论如下:PSO算法优化SVM参数,通过迭代更新个体极值和群体极值,可以迅速获取全局最优解,与支持向量机回归(SVMR)和随机森林回归(RFR)相比,在预测精度有了较大的提高;特征提高型CARS算法可以有效剔除无关信息,提高相关性,且选取波段少,模型简单,大大提高了效率;可以实现土壤污染预警、满足精准农业需求、为后期重金属污染土地生态修复提供数据基础。

基于随机蛙跳波段选择算法的土壤铅含量高光谱估测

高光谱数据中存在的大量冗余信息对高光谱估测精度产生较大影响。旨在寻求特征波段筛选的最佳算法,以实现土壤重金属铅含量的准确监测,为土壤污染防治提供参考。以新疆渭干河-库车河三角洲绿洲土壤重金属铅含量与光谱数据为数据源,利用蒙特卡洛交叉验证(MCCV)算法确定92个有效土壤样品,通过相关分析选取倒数对数一阶微分变换处理的光谱数据,采用随机蛙跳(RF)算法,并结合竞争性自适应重加权(CARS)算法、迭代保留有效信息变量(IRIV)算法及连续投影算法(SPA),构建RF-CARS、RF-IRIV及RF-SPA三种算法对波段进行筛选。以倒数对数一阶微分变换处理下的特征波段反射率为自变量,土壤重金属铅含量为因变量,采用极端梯度提升(XGBoost)和地理加权回归(GWR)方法构建土壤重金属铅含量估测模型。结果表明:(1)光谱变换处理可有效增强光谱与土壤铅含量的敏感性,其中倒数对数一阶微分变换后的土壤光谱特征更为明显,相关系数可达到0.620(p<0.001)。(2)RF-CARS、RF-IRIV及RF-SPA算法分别从高光谱数据中筛选出6、9和7个特征波段,全部位于近红外光谱区域,3种算法具有较强的特征提取能力,极大减少光谱数据中的冗余信息。(3)基于RF-IRIV算法构建的土壤铅含量估测模型的精度和稳定性高于RF-CARS和RF-SPA算法构建的模型,说明RF-IRIV算法能更为准确的保留与土壤铅含量相关的波段。此外,GWR模型的性能优于XGBoost模型,构建的RF-IRIV-GWR模型具有较好的预测能力,可作为研究区土壤铅含量的最优估测模型,其验证集的决定系数(R^(2))为0.892,均方根误差(RMSE)为0.825 mg·kg^(-1),相对分析误差(RPD)为3.09。基于随机蛙跳(RF)与迭代保留有效信息变量(IRIV)算法,结合地理加权回归(GWR)建模方法在快速准确估测土壤铅含量方面具有一定优势,可进行土壤重金属污染的动态监测。

近红外光谱结合竞争性自适应重加权采样算法用于人工牛黄的质量分析研究

目的对人工牛黄近红外光谱的特征波长进行分析和研究。方法使用竞争性自适应重加权采样算法(CARS),分别从定性和各定量指标的角度,优化筛选出近红外光谱的特征波长变量。结果筛选出的特征波长数目仅为全变量的0.48%~4.44%,所构建的模型相比于近红外光谱全波长构建的模型来说,不仅变量数量大幅度减少,而且评价模型的指标参数更佳。结论该方法适用于人工牛黄的质量评价与控制。

基于机器学习和无人机高光谱遥感的马铃薯SPAD值估算

为实现大田马铃薯SPAD值的快速、无损检测,采用无人机高光谱成像技术建立马铃薯关键生长时期SPAD值的定量检测模型。在大田条件下获得了马铃薯块茎形成期和彭大期的无人机高光谱影像,并对高光谱数据采用数学变换方法处理;接着,通过竞争性自适应重加权采样(CARS)、无信息变量去除(UVE)和随机蛙跳(RF)算法筛选与SPAD值相关的特征波段;随后,使用偏最小二乘回归(PLSR)、支持向量回归(SVR)和反向传播(BP)3种机器学习算法建立马铃薯SPAD值估算模型。不同算法筛选的特征波段存在差异,CARS算法能有效识别敏感光谱特征,降低特征数量,提升估测精度。基于不同数学变换和特征波段筛选算法建立的马铃薯SPAD值估测模型中,1/R-CARS-SVR模型对马铃薯SPAD值具有较强的估测能力,模型建模集和验证集R~2分别为0.88和0.84,RMSE均为0.39。采用1/R-CARS-SVR模型逐点计算研究区马铃薯SPAD值,绘制了SPAD值反演图,发现块茎膨大期的SPAD值普遍高于块茎形成期。

近红外高光谱图像结合CARS算法对鸭梨SSC含量定量测定

高光谱数据量大、维数高且原始光谱噪声明显、散射严重等特征导致光谱建模时关键波长变量提取困难。基于此,提出采用竞争性自适应重加权算法(CARS)对近红外高光谱数据进行关键变量选择。鸭梨作为研究对象。采用决定系数r2、预测均方根误差RMSEP和验证集标准偏差和预测集标准偏差的比值RPD值进行模型性能评估。基于选择的关键变量建立PLS模型(CARS-PLS)与全光谱变量建立的PLS模型进行比较发现CARS-PLS模型仅仅使用原始变量中15.6%的信息获得了比全变量PLS模型更好的鸭梨SSC含量预测结果,r2pre,RMSEP和RPD分别为0.908 2,0.312 0和3.300 5。进一步与基于蒙特卡罗无信息变量MC-UVE和遗传算法(GA)获得的特征变量建立的PLS模型比较发现,CARS不仅可以去除原始光谱数据中的无信息变量,同时也能够对共线性的变量进行压缩去除,该方法能够有效地用于高光谱数据变量的选择。结果表明,近红外高光谱技术结合CARS-PLS模型能够用于鸭梨可溶性固形物SSC含量的定量预测。从而为基于近红外高光谱技术预测水果内部品质的研究提供了参考。

滨海湿地土壤质地高光谱估测模型对比分析

土壤质地影响着植被分布、水土保持能力、微生物活动等多种物理、化学、生物和水文特性和过程。准确地获取土壤质地对湿地生态修复和保护具有重要意义。基于天津市滨海湿地57个实测表层土壤质地和可见光-近红外高光谱数据,对土壤样品进行S-G平滑以及一阶微分(FD)、倒数(RT)、倒数一阶微分(RTFD)、平方根(SR)、平方根一阶微分(SRFD)、倒数之对数(LR)和倒数之对数一阶微分(LRFD)八种变换,分析不同土壤质地类别的光谱曲线特征及土壤粒径含量与八种变换之间相关性。通过竞争性自适应重加权算法(CARS)优选特征波段,结合偏最小二乘(PLSR)、随机森林(RFR)和支持向量机(SVR)三种回归算法,对比不同光谱变换后的土壤粒径含量建模效果。结果表明:(1)湿地土壤质地类别主要为粉壤土和粉土,粉土在400~2400nm波段光谱反射率最高,砂土在400~2000nm波段光谱反射率最低,FD、RTFD和SRFD变换后波段反射率与土壤粒径含量的相关性明显提高,最大相关系数绝对值均达到0.58以上,最高达到0.70。(2)CARS算法筛选八种光谱变换的特征波段数为全波段数的1.05%~6.15%,有效降低光谱数据的信息冗余。(3)对比三种粒径含量估测模型,SRFD和RTFD光谱变换的SVR模型精度最好,优于其他两种模型,黏粒(SRFD)测试集(R^(2)=0.72,RMSE=1.86%,nRMSE=11.33%)、粉粒(SRFD)测试集(R^(2)=0.72,RMSE=2.82%,nRMSE=7.30%)和砂粒(RTFD)测试集(R^(2)=0.71,RMSE=5.75%,nRMSE=5.91%)。研究结果可为高光谱数据准确监测滨海湿地土壤质地提供依据与技术支撑。

基于高光谱成像技术的糯玉米种子分类研究

为了快速、准确、无损地对糯玉米种子分类,采用可见-近红外(400~1000 nm)高光谱成像仪对5种糯玉米种子进行数据采集,使用一阶中心差分联合SG平滑对糯玉米种子的原始光谱数据进行预处理去噪,通过自优化竞争性自适应重加权采样算法筛选出56个重要的特征波段,同时采用灰度共生矩阵和Sobel算子提取糯玉米种子的相关性、能量、同致性、相关熵、灰度熵和梯度熵等6种纹理特征,将光谱特征与纹理特征融合后构建支持向量机分类模型,分别用350个训练样本、150个测试样本和50个预测样本对模型进行训练、测试和预测分类,相应得到了准确率为98.50%、95.92%和94.00%的最佳结果,表明利用高光谱成像技术对糯玉米种子分类是可行的。

高光谱反演耕地土壤质量评价元素含量方法研究

为探讨利用高光谱快速估算耕地土壤质量元素镉(Cd)、砷(As)含量的可行性和准确度,该文针对元素光谱特征波段提取及高光谱定量反演建模开展研究。使用一阶/二阶微分(first derivative/second derivative,FD/SD)、倒数对数(logarithm reciprocal,LR)、包络线去除(continuum removal,CR)4种光谱变换与竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)、相关性分析(Pearson correlation analysis,PCC)2种特征筛选相组合的多种方法提取光谱特征波段。在此基础上,分别利用偏最小二乘回归(partial least squares regression,PLSR)和粒子群改进的随机森林回归(particle swarm optimization-random forest regression,PSO-RFR)2种回归模型来反演元素含量并进行精度验证。结果表明,实验区土壤元素Cd和As预测的最佳模型均为FD-CARS-PLSR,Cd和As元素模型的决定系数R^(2)最高分别为0.863和0.959,相对分析误差分别为2.799和5.119。FD/SD光谱变换结合CARS特征筛选能够提升PLSR反演模型的精度。研究成果可以为土壤Cd和As元素含量的快速估算提供参考。

土壤湿度对近红外光谱反演剖面有机质精度的影响

为深入分析土壤湿度对近红外光谱反演剖面土壤有机质(soil organic matter, SOM)精度的影响,该研究依据水分张力这一指标,将土壤划分为风干状态、1.500、0.330、0.100、0.033 MPa和饱和状态共6种湿度水平,在所选16个地点分别采集深度约150 cm剖面土壤芯柱为研究对象,采用7种方法对所测剖面土壤光谱吸光度进行光谱预处理,选择较佳的预处理方法。同时,采用连续投影算法(successive projection algorithm, SPA)和竞争性自适应重加权-连续投影算法(competitive adaptive reweighting-successive projection algorithm, CARS-SPA)筛选特征波长。构建基于全谱及特征波长的SOM近红外光谱反演模型,并将其与标准正态变量变化(standard normal variate, SNV)预处理方法相结合。结果表明:1)SPA-PLSR模型和CARS-SPA-PLSR模型的精度均优于基于全谱的PLSR模型;2)SNV-SPA-PLSR模型在饱和、风干状态下预测效果更好,而SNV-CARS-SPA-PLSR模型在水分张力分别为0.033、0.100、0.330和1.500 MPa时预测精度更高;3)不同土壤湿度水平近红外光谱“一对一”式预测SOM模型难以满足实际应用,经过对比研究,选用水分张力为1.500 MPa时构建的SNV-CARS-SPA-PLSR模型分别预测6组土壤湿度水平和混合样本集中SOM取得效果最好。该研究结果对各湿度水平下估算SOM含量有一定的指导作用,并为提高不同土壤湿度水平间剖面SOM近红外光谱反演模型的适用性提供参考。

CARS-SPA算法结合高光谱检测马铃薯还原糖含量

以竞争性重加权自适应选择算法(CARS)结合连续投影算法(SPA)选择马铃薯还原糖含量特征波长,共制备238个样本,比色法测定马铃薯还原糖含量,选择190个样本作校正集,48个样本作验证集,与全光谱和经典变量提取方法比较。结果表明,CARS-SPA算法筛选波段效果最佳,相比于全谱建模其参与建模波长点由203个减少到17个,模型验证集决定系数r^2由0.8464提高到0.8965,均方根误差(RMSEP)由0.0758降到0.0490。结果表明,采用CARS-SPA结合高光谱成像技术检测马铃薯还原糖含量结果可行。

基于高光谱和CARS-IRIV算法的‘库尔勒香梨’可溶性固形物含量检测

[目的]利用高光谱技术实现‘库尔勒香梨’可溶性固形物含量的有效无损检测具有重要意义,但是高光谱数据通常噪声明显,大量无关信息变量和冗余信息变量的存在降低了模型的预测精度。本文旨在探究对高光谱数据特征变量筛选的有效方法来实现‘库尔勒香梨’可溶性固形物含量的快速检测。[方法]以‘库尔勒香梨’可溶性固形物含量(SSC)为研究指标,利用高光谱成像技术采集样本400~1 000 nm波长的漫反射光谱,对样本感兴趣区域(ROI)的光谱进行预处理,分别采用竞争性自适应重加权算法(CARS)、迭代保留信息变量算法(IRIV)以及CARS-IRIV算法筛选特征变量,基于不同筛选方法分别建立偏最小二乘(PLS)与最小二乘支持向量机(LS-SVM)预测模型,以预测集相关系数(Rp)、预测均方根误差(RMSEP)和预测相对分析误差(RPD)值对模型进行评价。[结果]CARS-IRIV算法可以有效减少CARS算法提取的变量个数,并稳定模型预测精度。LS-SVM模型预测结果优于PLS模型,在LS-SVM模型中CARS-IRIV-LS-SVM预测精度最高,Rp、RMSEP和RPD值分别为0.889、0.300和2.823。[结论]CARS-IRIV是一种有效的高光谱特征变量筛选算法,在提高预测精度的同时简化了模型的运算,CARS-IRIV-LS-SVM模型结合高光谱成像技术可以对‘库尔勒香梨’SSC进行快速有效的无损检测。

可见近红外光谱结合多元统计分析的面粉吸水率检测模型构建

面粉吸水率是评价面粉质量和预测面制品加工特性的重要品质性状。面粉吸水率的测定主要参照国际或国家标准利用粉质仪进行,其测定方法费时费力。基于此,提出利用可见近红外光谱分析技术结合多元统计分析进行面粉吸水率快速、无损检测。参照国标法测定150份小麦面粉样品的吸水率,面粉吸水率变幅为53.10%~74.50%。利用可见近红外分析仪采集面粉样品的光谱信息,有效光谱范围为570~1100 nm。采用偏最小二乘回归(PLSR)、主成分回归(PCR)和支持向量机回归(SVR)将光谱信息和面粉吸水率进行关联,分别建立面粉吸水率的定量分析预测模型,筛选最优的建模方法。在优选的建模方法的基础上,采用竞争性自适应重加权(CARS)、区间随机蛙跳(iRF)、迭代保留信息变量(IRIV)和连续投影(SPA)算法提取特征波长,筛选最优的特征波长提取算法。基于最优的建模方法和最优的特征波长提取算法提取的特征波长,采用标准化(NL)、一阶求导(1 st Der)、基线校正(BL)、标准正态变换(SNV)和去趋势化(DT)5种光谱预处理方法对特征波长的光谱进行预处理,筛选最优的光谱预处理方法。结果表明,采用NL光谱预处理方法对CARS算法提取的24个特征波长(仅占原始波长的2.26%)的光谱进行预处理后建立的PLSR模型性能最佳,预测集相关系数(R_(p)^(2))、预测集均方根误差(RMSEP)和预测相对分析误差(RPD)分别为0.8894、1.4585和2.6413。采用CARS算法提取的特征波长所建的模型不仅能提高模型的性能,还很大程度提高模型运算效率、降低仪器制造成本和光谱仪微型化的难度,从而为面粉吸水率可见近红外无损、快速检测研究奠定了基础。

基于近红外光谱的茶叶高氯酸盐污染水平研究

目的建立一种基于近红外光谱(near-infrared spectroscopy,NIR)分析技术的快速定量茶叶中高氯酸盐污染水平的预测模型。方法采集不同产地、不同品种的91份茶叶干样,通过傅里叶变换NIR扫描获得样品的近红外漫反射光谱,使用超高效液相色谱-串联质谱法测定茶叶样品中的高氯酸盐含量,以参考限量0.75mg/kg为标准将样品分为两类;利用偏最小二乘分析(partial least squares,PLS)建立高氯酸盐含量范围的预测模型,同时使用一阶导(1st)、连续小波变换(continuous wavelet transform,CWT)、多元散射校正(multiplicative scatter correction,MSC)、标准正态变换(standard normal variate,SNV)等光谱预处理技术和竞争自适应重加权(competitive adaptive reweighted sampling,CARS)采样波长筛选技术对判别模型进行优化,最后通过预测集样品对模型进行验证。结果使用原始光谱建立的模型能够初步实现对高氯酸盐含量范围的预测,而使用光谱预处理扣除光谱中的背景信息,结合MSC和CARS方法共同处理后,模型的预测正确度显著改善,误判样品下降至3个,预测正确率提高至88.5%。结论本方法表明NIR技术可以为茶叶中高氯酸盐污染水平分析提供一种快速分析的新策略,对茶叶产业高质量发展具有重要的实际意义。

基酒FT-NIR光谱预处理与特征波筛选方法的比较

为解决白酒基酒分类的问题,降低基酒的分类误差,减少基酒对摘酒师傅身体的危害,本实验选取18种预处理以及3种特征波筛选方法来较少光谱中的无关干扰信息,降低建模数据复杂度。基酒的傅里叶近红外光谱(Fourier Transform Near Infrared Spectroscopy,FT-NIR)经过光谱理化值共生距离法(SPXY)划分数据集、预处理、马氏距离(MD)异常剔除、特征波筛选、支持向量机回归(SVR)预测来完成最终的分类。研究发现:多元散射校正(Multiplicative Scatter Correction,MSC)后的训练集预测集分类准确率可以达到100%,主成分分析(Principal Component Analysis,PCA)与特定算法结合才能实现准确分类,因此要注意与其他算法的组合,无信息变量消除法(Uninformative Variables Elimination,UVE)和竞争性自适应重加权算法(Competitive Adaptive Reweighted Sampling,CARS)都能实现高效的特征波选择,预测集的平均准确率接近90%。实验证明,经过处理后的光谱数据最多占原数据的47.57%,基酒近红外谱图经过预处理与特征波筛选后可以降低后期回归模型处理数据的复杂程度,提高模型的精确度。

湖滨绿洲棕漠土有机碳含量高光谱估算

以博斯腾湖湖滨绿洲为研究区,利用实测棕漠土有机碳含量与高光谱(350~2 500 nm)数据,应用竞争性自适应重加权采样算法(CARS)、连续投影算法(SPA)、竞争性自适应重加权采样-连续投影算法(CARS-SPA)筛选棕漠土有机碳含量响应的高光谱特征波段,分别采用全波段和特征波段结合随机森林(RF)模型构建棕漠土有机碳含量估算模型。结果表明:博斯腾湖湖滨绿洲棕漠土0~50.0 cm土层有机碳含量为1.40~40.92 g/kg,平均值为14.20 g/kg,变异系数为55.54%,呈中等变异水平。CARS、SPA、CARS-SPA等算法筛选出的棕漠土有机碳含量响应特征波段分别为122个、11个和10个。基于CARS-SPA算法筛选出的特征波段数据输入RF模型估算效果最好,验证集检验的决定系数(R^(2))、相对分析误差(RPD)、均方根误差(RMSE)分别为0.85、2.59和2.72 g/kg,该方法能有效减少光谱数据冗余、提高模型估算精度和运行效率。本研究结果为研究区棕漠土有机碳含量的估算提供参考。

基于CARS-SAA的土壤铵态氮含量高光谱反演

利用高光谱技术对河套灌区土壤铵态氮含量检测过程中,为降低高光谱数据中存在的冗余变量信息对模型预测精度的影响。本文针对河套灌区土壤铵态氮含量提出了一种竞争性自适应重加权算法(CARS)和模拟退火算法(SAA)相结合的特征变量筛选方法,并建立偏最小二乘回归(PLSR)和随机森林回归(RF)相结合的预测模型(PLSR-RF、RF-PLSR)。结果表明,CARS-SAA能有效筛选变量个数和减小计算量,并稳定模型预测精度。其中,CARS-SAA-PLSR-RF模型的预测精度最佳,验证集的决定系数R 2为0.902、均方根误差RMSE为1.583mg·kg^(-1)、相对分析误差RPD为3.198。具有很好的预测效果,可知CARS-SAA是一种有效的高光谱特征变量筛选方法,在提高预测精度的同时简化了模型的运算。该模型结合高光谱技术可以对河套灌区土壤铵态氮含量进行快速有效的无损检测。

新疆博斯腾湖湖滨绿洲不同土地利用类型土壤电导率高光谱估算

为了更精准了解博斯腾湖湖滨绿洲不同土地利用类型的土壤含盐量,应用竞争性自适应重加权采样(CARS)、连续投影算法(SPA)、竞争性自适应重加权-连续投影算法(CARS-SPA)3种方法筛选不同土地利用类型土壤电导率高光谱数据的特征波段,基于全波段和特征波段结合BP神经网络分别构建湖滨绿洲的耕地、林地、荒地和整体土地的土壤电导率估算模型,对比不同方式的估算模型精度。研究结果表明:1)耕地、林地、荒地及整体土地的土壤电导率均值分别为0.84、5.43、5.78、3.26 mS/cm。湖滨绿洲整体土地的电导率相比耕地平均值增加了2.42 mS/cm,相比林地和荒地减少了2.17、2.52 mS/cm。2)通过CARS-SPA方法可以降低输入模型的波段数,提高模型的效率,筛选耕地、林地、荒地及整体土地的土壤电导率的特征波段数仅占全波段的0.71%、0.59%、0.06%、1.00%。3)对耕地、林地、荒地的土壤电导率构建单独的估算模型明显提高了研究区土壤电导率的估算精度,在FDR-CARS-BP、FDR-SPA-BP、FDR-CARS-SPA-BP共3种模型中,耕地、林地、荒地土壤电导率建模的平均R2相比整体土地建模分别提高0.12、0.14、0.15,FDR-CARS-SPA-BP模型为研究区土壤电导率高光谱估算最优模型。