基于机器学习算法的土壤有机质 质量比估算

摘要：

为快速高效地估测干旱、半干旱地区土壤有机质(soil organic matter,SOM)质量比,提出了一种结合竞争适应重加权法(CARS)和随机森林(RF)的估测模型.以内陆干旱区——中国新疆艾比湖流域为研究区,测定土壤高光谱反射率和SOM质量比,经预处理后,利用CARS对原始光谱R及其一阶导数R′、吸光度log(1/R)及其一阶导数[log(1/R)]′4种光谱变量的可见-近红外光谱进行筛选,并结合RF算法,建立全谱段RF模型与CARS-RF模型.结果表明:基于CARS方法对光谱进行变量筛选后,得出4种光谱变量的优选变量集个数分别为35,26,34和121;在4种光谱变量中,R′和[log(1/R)]′的SOM估测模型精度较高,以[log(1/R)]′为基础数据获得的模型精度最高;CARS-RF模型精度优于全谱段RF模型,模型验证集决定系数(R2)、均方根误差(RMSE)、相对分析误差(RPD)分别为0.881,6.438 g/kg和2.177.该研究在预处理的基础上通过变量优选,应用较少的变量获得较高的估测精度,为干旱、半干旱区SOM高光谱估测提供了适宜高效的方法.

关键词：土壤有机质、高光谱、光谱变量、竞争适应重加权法、随机森林

所属期刊栏目：38

分类号：S278(农田水利)

资助基金：国家自然科学基金资助项目41771470

在线出版日期：2020-08-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：829-834