基于SGA-RF算法的农业土壤镉浓度反演研究

在农业土壤重金属高光谱检测领域,土壤镉元素近红外光谱的高维、高冗余特性会严重影响高光谱反演模型的准确性和稳定性。为了解决上述问题,本文提出一种基于斯皮尔曼相关分析的遗传随机森林特征选择算法(SGA-RF)。该算法首先对初始特征集合使用基于斯皮尔曼相关分析的特征预选方法,筛选出大量冗余波段,保留与镉元素相关性最强的特征波段;其次在特征精选阶段,提出一种基于随机森林的适应度函数评估方法,该方法充分结合遗传算法强大的全局搜索能力和随机森林算法较高的反演能力,提高了对相似个体的区分能力,获得具有最小冗余度和最大区分性的最优特征波段子集。为了验证所提算法的有效性,选取青岛市大沽河流域具有代表性的124个土壤样品为实验对象,利用SGA-RF算法将原始2 051个波段优选至37个最具代表性的敏感波段,并与现有特征选择算法所建模型进行对比分析。试验结果表明,该特征选择方法与随机森林回归模型相结合具有较低的预测均方根误差(0.060 1),较高的相关系数(0.950 2)和预测相对分析误差(2.03)。作为应用可见/近红外光谱技术定量反演农业土壤镉浓度的重要步骤,SGA-RF算法以较少的敏感波段达到了较高的反演效果,可为监测土壤重金属污染情况提供一定的理论依据。