本文關(guān)鍵詞：高光譜技術(shù)結(jié)合CARS算法預(yù)測(cè)土壤水分含量

  更多相關(guān)文章： 土壤水分 算法 模型 高光譜 競(jìng)爭(zhēng)適應(yīng)重加權(quán)采樣算法 變量?jī)?yōu)選 潮土

【摘要】：高光譜技術(shù)已成為預(yù)測(cè)土壤含水量(soil moisture content,SMC)的重要方法,但因土壤高光譜中包含了大量冗余信息和無(wú)效信息,不僅導(dǎo)致SMC的高光譜估算模型復(fù)雜度高,而且影響了模型的預(yù)測(cè)精度。因此,該研究在室內(nèi)設(shè)計(jì)SMC梯度試驗(yàn),測(cè)定土壤高光譜反射率,經(jīng)Savitzky-Golay平滑(Savitzky-Golay smoothing,SG)和連續(xù)統(tǒng)去除(continuum removal,CR)預(yù)處理后,基于競(jìng)爭(zhēng)適應(yīng)重加權(quán)采樣(competitive adaptive reweighted sampling,CARS)方法分別優(yōu)選出土壤在全部SMC的水分敏感波長(zhǎng)變量,確定適用于土壤在全部SMC的共性波長(zhǎng)變量,以其為優(yōu)選變量集,采用偏最小二乘(partial least squares regression,PLSR)回歸方法建立模型并進(jìn)行驗(yàn)證。結(jié)果表明,SG和CR預(yù)處理后的光譜曲線在450、1 400、1 900、2 200 nm附近吸收峰的形狀特征凸顯;基于CARS方法對(duì)土壤在不同SMC的光譜曲線進(jìn)行變量?jī)?yōu)選后,得出優(yōu)選變量集為443~449、1 408~1 456、1 916~1 943、2 209~2 225 nm;CARS-PLSR模型性能優(yōu)于全波段PLSR模型,模型預(yù)測(cè)R2、均方根誤差、相對(duì)分析誤差分別為0.983、0.0144、8.36,不僅提升了預(yù)測(cè)精度和預(yù)測(cè)能力,而且降低了變量維度和模型復(fù)雜度。該文通過(guò)優(yōu)選土壤水分的敏感波段,有效提高了SMC預(yù)測(cè)模型的魯棒性,為快速準(zhǔn)確評(píng)估農(nóng)田墑情提供了新途徑,為開(kāi)發(fā)田間SMC測(cè)定傳感器提供了理論依據(jù)。
【作者單位】： 華中師范大學(xué)地理過(guò)程分析與模擬湖北省重點(diǎn)實(shí)驗(yàn)室;華中師范大學(xué)城市與環(huán)境科學(xué)學(xué)院;
【關(guān)鍵詞】： 土壤水分 算法 模型 高光譜 競(jìng)爭(zhēng)適應(yīng)重加權(quán)采樣算法 變量?jī)?yōu)選 潮土
【基金】：國(guó)家自然科學(xué)基金項(xiàng)目(41401232;41271534) 中央高�；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目(CCNU15A05006;CCNU15A05004)
【分類號(hào)】：S127
【正文快照】： 于雷,朱亞星,洪永勝,夏天,劉目興,周勇.高光譜技術(shù)結(jié)合CARS算法預(yù)測(cè)土壤水分含量[J].農(nóng)業(yè)工程學(xué)報(bào),2016,32(22):138-145.doi:10.11975/j.issn.1002-6819.2016.22.019 http://www.tcsae.orgYu Lei,Zhu Yaxing,Hong Yongsheng,Xia Tian,Liu Muxing,Zhou Yong.Determination of s

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前9條

1 劉燕德;孫祥;楊信廷;張光偉;;高光譜技術(shù)在作物葉綠素含量檢測(cè)中的應(yīng)用研究進(jìn)展[J];廣東農(nóng)業(yè)科學(xué);2013年22期

2 陸偉;毛罕平;;高光譜技術(shù)在作物信息診斷監(jiān)測(cè)中的應(yīng)用[J];安徽農(nóng)業(yè)科學(xué);2007年06期

3 姚云軍;秦其明;張自力;李百壽;;高光譜技術(shù)在農(nóng)業(yè)遙感中的應(yīng)用研究進(jìn)展[J];農(nóng)業(yè)工程學(xué)報(bào);2008年07期

4 喬欣;馬旭;梁留鎖;;高光譜技術(shù)在農(nóng)作物營(yíng)養(yǎng)信息診斷中的應(yīng)用[J];農(nóng)機(jī)化研究;2005年06期

5 王思恒;;高光譜遙感技術(shù)在農(nóng)業(yè)中的應(yīng)用現(xiàn)狀及展望[J];中國(guó)農(nóng)業(yè)信息;2013年13期

6 陳拉;;高光譜遙感數(shù)據(jù)在植被信息提取中的應(yīng)用研究[J];安徽農(nóng)業(yè)科學(xué);2009年08期

7 趙娟;彭彥昆;趙松瑋;宋育霖;;基于高光譜技術(shù)檢測(cè)蘋(píng)果外觀缺陷[J];食品安全質(zhì)量檢測(cè)學(xué)報(bào);2012年06期

8 彭彥昆;李永玉;趙娟;單佳佳;;基于高光譜技術(shù)蘋(píng)果硬度快速無(wú)損檢測(cè)方法的建立[J];食品安全質(zhì)量檢測(cè)學(xué)報(bào);2012年06期

9 ;[J];;年期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前1條

1 蔣桂英;李少昆;官春云;陳金湘;;高光譜技術(shù)在農(nóng)業(yè)上的應(yīng)用(綜述)[A];21世紀(jì)作物科技與生產(chǎn)發(fā)展學(xué)術(shù)討論會(huì)論文集[C];2002年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 金靈;基于高光譜技術(shù)的寧夏灘羊肉內(nèi)部品質(zhì)檢測(cè)方法研究[D];寧夏大學(xué);2014年

，

本文編號(hào)：533273