多光谱遥感数据与多类型机器学习算法的浅海水深反演方法评价

以万宁海域为例,选取不同水环境条件的3景Landsat-8(20190716、20210628)与Sentinel-2数据,利用随机森林(Random Forest,RF)回归、支持向量机(Support Vector Machine,SVM)、偏最小二乘(Partial Least Squares Regression,PLSR)3种机器学习方法分别开展水深反演试验,并评价其精度。结果显示,水体透明度最好、海浪效应最弱的一景Landsat-8(20190716)数据获得最高的水深反演精度,在0~40 m水深区间,R^(2)为0.814,MAE、RMSE和MAPE分别为3.39 m、4.31 m和0.366,在0~20 m水深区间,R^(2)为0.874,MAE、RMSE和MAPE分别为2.24 m、3.24 m和0.449。RF算法在整个水深区间获得相对高的水深反演精度,SVM和PLSR算法在部分水深区间的水深反演中显示出优势。

基于数据挖掘的住宅工程造价预测

为在规划设计初期准确快速地预测住宅工程造价,在分析既往相关方法优劣的基础上,选取支持向量机(SVM)构建住宅工程造价预测模型。使用改进的K均值聚类对样本进行异常值筛除后,分别利用原始特征指标和经偏最小二乘回归(PLSR)降维后的综合指标,建立SVM模型,对单方造价、分部分项工程费等进行预测。对比预测结果发现:利用原始指标构建的SVM模型较为合理,预测精度与鲁棒性均更优,单方造价的SSE,MSE,R2和极差值能达到0.0309,0.0018,0.9284和0.1102的较优水平;同时,分部分项工程费的可预测性亦较好,而措施项目费、其他项目费等可预测性相对较差,这与工程差异性大,费用主观性强等因素有关。因此,根据合理的特征指标,利用SVM进行造价预测,对工程投资决策具有重要意义。

基于可见-近红外光谱变量选择的土壤全氮含量估测研究

【目的】变量选择是可见光-近红外光谱研究至关重要的步骤,通过分析可见光-近红外光谱不同特征的选择方法筛选出土壤全氮敏感波段,建立基于敏感波段的土壤全氮最佳预测模型,为土壤全氮的快速定量估算提供重要的理论指导依据。【方法】在红壤典型地区江西省吉安县采集代表性土壤样品120个,对可见光-近红外光谱采用主成分分析(PCA)、无信息变量消除(UVE)和无信息变量消除后结合连续投影(UVE-SPA)3种变量特征选择方法,建立基于不同变量选择的偏最小二乘回归(PLSR)模型、最小二乘-支持向量机(LS-SVM)、反向传播神经网络(BPNN)和遗传算法优化的反向传播神经网络(GA-BPNN)模型,从模型对预测集的预测精度分析不同变量选择方法对不同土壤全氮定量估算模型的差异。【结果】经UVE算法筛选后,光谱变量从200个减少至59个,其中可见光波段处10个,其余在近红外光谱的合频区和一倍频区,信息量丰富;进一步采用SPA进行变量选择,得到共线性最小的5个有效波长,分别为820、940、1 040、1 060和1 990nm;基于UVE变量选择建立的PLSR、BPNN、GA-BPNN和LS-SVM模型,经不同的土壤全氮的数据检验,预测精度最高的为LS-SVM,决定系数(R2)、均方根误差(RMSEp)和相对偏差(RPD)分别为0.7492、0.2921和1.8904;基于UVE-SPA特征选择建立的PLSR、BPNN、GA-BPNN和LS-SVM模型对预测集的验证表明,UVE-SPA提取的特征波段建立的LS-SVM建立模型预测效果最好,其建立的LS-SVM定量估算模型预测集的决定系数R2为0.7945,均方根误差RMSEp为0.2499相对偏差RPD为2.0009,模型稳定;基于PCA提取的7个主成分建立的LS-SVM、BPNN和GA-PBNN模型预测性能差,不能用于定量估算土壤全氮。对比相同的变量建立的GA-BPNN和BPNN,GA-BPNN预测性能比BPNN高。【结论】UVE-SPA变量选择方法结合LS-SVM模型能用来估算土壤中的全氮含量,同时UVE-SPA是一种有效的土壤光谱变量选择方法。

基于可见/近红外光谱分析技术的猪肉肉糜品质检测研究

以225个猪肉肉糜样本为研究对象,利用可见/近红外光谱分析技术对猪肉肉糜主要品质指标的的快速检测进行了研究。光谱经小波去噪后,采用偏最小二乘法和支持向量机定量分析方法分别建立了肉糜中肌内脂肪、蛋白质和水分含量的可见/近红外光谱预测模型。其中,肌内脂肪的支持向量机定量预测模型最优,校正相关系数rcal和预测相关系数rval为0.889和0.888;蛋白质的偏最小二乘定量预测模型最优,校正相关系数rcal和预测相关系数rval为0.869和0.881;水分的偏最小二乘定量预测模型最优,校正相关系数rcal为0.877,预测相关系数rval为0.848,所有模型的预测相对分析误差(RPD)均小于3.0。研究表明,可见/近红外光谱分析技术可用来检测猪肉肉糜品质,进一步提高所建模型的精度和稳定性可应用于实际检测。

基于Landsat 8数据的荒漠土壤水分遥感反演

[目的]分析荒漠土壤水分变化特征,为南疆干旱区荒漠土壤水分遥感监测提供理论依据和方法支持。[方法]以Landsat 8数据构建干旱地区荒漠土壤水分建模指示因子,通过优选的26个光谱指数、地表温度(Ts)和地形数据(DEM)为建模因子,分别以偏最小二乘(PLSR)、支持向量机(SVM)和随机森林(RF)3种方法构建土壤水分反演模型,对模型进行验证和对比,选取最优模型反演空台里克土壤水分空间分布。[结果]①TVDI,NR,GLI等26个优选的光谱指数中,Ts和DEM与土壤水分均达极显著相关,可作为南疆干旱区荒漠土壤水分遥感建模的指示因子;②对比3种模型,RF模型建模集和预测集的R^(2)分别为0.93,0.91,预测集RPD为3.90,各评价指标均为最高,PLSR模型精度次之,SVM模型精度最低;③以RF模型反演研究区表层土壤水分,在不同土地利用分类中土壤水分分布特征存在明显差异,特别在盐结皮区域的差异尤为突出。[结论]利用光谱指数、环境因子和地形数据构建的多因子、多指数综合的模型能较高精度地反演干旱区荒漠表层土壤水分,对研究该地区土地荒漠化和生态环境治理具有一定参考价值。

可见光-近红外、中红外光谱的土壤有机质组分反演

土壤有机质是土壤肥力的物质基础,其含量的高低是评价土壤肥力的重要标志。土壤有机质组分根据其溶解性可分为胡敏素(HM)、胡敏酸(HA)、富里酸(FA),不同组分的肥力特性差异显著,因此,土壤有机质组分数据可更加全面、客观的反映土壤肥力状况。传统土壤土壤有机质及组分的测定工序繁杂,效率低下且时效性差,大量研究表明高光谱技术能有效提高土壤属性的检测效率并降低测试成本,但关于可见光-近红外、中红外光谱检测土壤有机质组分的报道鲜见。为了探索中红外光谱及可见光-近红外-中红外组合光谱对土壤有机质组分检测的可行性,并对比有机质单一光谱模型与有机质不同组分的组合光谱模型的预测精度,以南疆地区农田土壤为例,在阿克苏及和田地区共采集93个土样,进行有机质、胡敏素、胡敏酸、富里酸含量及光谱数据的测定。其次,利用可见-近红外(VNIR)、中红外(MIR)及其组合光谱(VNIR-MIR)三种光谱数据集,采用偏最小二乘(PLSR)、支持向量机(SVM)、随机森林(RF)三种建模方式对土壤有机质、胡敏素、胡敏酸、富里酸含量进行组合模型分析预测。结果表明:(1)土壤有机质及各组分均与光谱反射率有较好的相关性,土壤有机质及组分在MIR谱段的特征波段数量明显多于VNIR谱段。(2)有机质最优预测模型的模式为VNIR-MIR-RF,该模型的决定系数R^(2)为0.90;胡敏素与胡敏酸最优预测模型的模式均为VNIR-RF模型,R^(2)均为0.92;富里酸最优预测模型的模式为MIR-RF模型,R^(2)为0.94。(3)基于胡敏素、胡敏酸和富里酸的有机质组合光谱模型的预测精度明显高于有机质单一光谱模型,两种模型的R^(2)分别为0.93和0.90。实现了土壤有机质组分的高效快速反演,且基于有机质组分的组合模型提高了土壤有机质预测精度,为南疆地区大尺度土壤肥力的鉴定与精准施肥提供重要的参考价值。

不同粒径土壤有机质含量可见光-近红外光谱估算研究-以湟水流域为例

不同土壤粒径大小差异致使土壤光谱反射率不近相同,从而影响土壤有机质含量的预测精度。因此探索不同粒径下土壤有机质含量估算精度,可为有机质的精确估算以及减少样品的前期处理提供参考依据。本文将分别过10、20、60、100目筛的土样于暗室内进行350~2500 nm波段光谱反射率测量,经多元散射校正(MSC)与小波变换(WT)平滑去噪后,首先将原始光谱(R)及其数学形式包括反射率倒数(1/R)、反射率对数(lgR)、反射率根号(R^(1/2))进行一阶微分变换,然后采用遗传算法结合偏最小二乘法(GA-PLS)筛选土壤有机质含量特征波段区间,再将R、R'及特征波段(CHR)作为偏最小二乘回归(PLSR)和支持向量机(SVM)的输入波段进行有机质含量建模。结果表明:1)土壤粒径越小,光谱反射率越高,特别是当波长大于600 nm时,反射率明显增加;2)土壤有机质含量的特征波段主要位于426~447 nm,1427~1459 nm,1948~1958nm,1970~1991 nm,2012~2039 nm,2165~2186 nm谱区;3)采用GA-PLS算法挑选特征波段建立SOM估算模型,模型精度和预测能力明显高于R和R';4)利用SVM方法建模模型精度明显高于PLSR方法;5)样本容量较大时,采用1mm(20目)粒径光谱数据建模最佳。