針對高光譜數據量大、信息冗余嚴重的現象,應用穩(wěn)定競爭性自適應重加權采樣（sCARS）、連續(xù)投影算法（SPA）、遺傳算法（GA）、迭代保留有效信息變量（IRIV）和穩(wěn)定競爭性自適應重加權采樣結合連續(xù)投影算法（sCARS-SPA）,從全波段光譜數據中篩選特征變量,并利用全波段和特征波段建立偏最小二乘回歸（PLSR）、支持向量機（SVM）和隨機森林（RF）模型預測土壤有機質含量。結果表明, PLSR和SVM模型結合特征變量選擇,不僅提高了模型運算效率,而且模型預測能力較全波段均有一定提高;RF模型采用特征變量建模,對模型精度的提高不是十分明顯,但其構建模型的變量數量卻顯著減少,大大提高建模效率。RF模型精度優(yōu)于SVM和PLSR模型,IRIV結合RF建立的土壤有機質含量預測模型,變量數僅63個,校準集和驗證集模型決定系數（R²）分別為0.941和0.96,驗證集相對分析誤差(R_PD)為4.8。與全波段建模相比,特征變量選擇和回歸方法相結合,在保證模型精度的同時,可有效提高建模效率。 

【文章來源】：光學學報. 2019,39(09)北大核心EICSCD

【文章頁數】：11 頁

【文章目錄】：
1 引 言
2 數據與方法
    2.1 研究區(qū)概況
    2.2 土壤樣品采集
    2.3 土壤光譜數據采集及預處理
    2.4 特征變量選擇方法
        2.4.1 sCARS變量選擇
        2.4.2 SPA變量選擇
        2.4.3 GA變量選擇
            1）波長編碼：
            2）選擇初始群體：
            3）適應度函數：
            4）遺傳操作：
            5）終止條件：
        2.4.4 IRIV變量選擇
        2.4.5 sCARS結合SPA變量選擇
    2.5 模型精度評價
3 結 果
    3.1 特征變量篩選
    3.2 PLSR模型
    3.3 SVM模型
    3.4 RF模型
4 討 論
5 結 論



本文編號：3375970