科研之友
微信
新浪微博
Facebook
分享链接
摘要
【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。
- 单位
