發(fā)布時(shí)間：2021-09-01 01:06

　　針對(duì)高光譜數(shù)據(jù)量大、信息冗余嚴(yán)重的現(xiàn)象,應(yīng)用穩(wěn)定競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)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(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣結(jié)合連續(xù)投影算法（sCARS-SPA）,從全波段光譜數(shù)據(jù)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(jī)（SVM）和隨機(jī)森林（RF）模型預(yù)測(cè)土壤有機(jī)質(zhì)含量。結(jié)果表明, PLSR和SVM模型結(jié)合特征變量選擇,不僅提高了模型運(yùn)算效率,而且模型預(yù)測(cè)能力較全波段均有一定提高;RF模型采用特征變量建模,對(duì)模型精度的提高不是十分明顯,但其構(gòu)建模型的變量數(shù)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(jié)合RF建立的土壤有機(jī)質(zhì)含量預(yù)測(cè)模型,變量數(shù)僅63個(gè),校準(zhǔn)集和驗(yàn)證集模型決定系數(shù)（R²）分別為0.941和0.96,驗(yàn)證集相對(duì)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(jié)合,在保證模型精度的同時(shí),可有效提高建模效率。 

【文章來(lái)源】：光學(xué)學(xué)報(bào). 2019,39(09)北大核心EICSCD

【文章頁(yè)數(shù)】：11 頁(yè)

【文章目錄】：
1 引 言
2 數(shù)據(jù)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(shù)據(jù)采集及預(yù)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(zhǎng)編碼：
            2）選擇初始群體：
            3）適應(yīng)度函數(shù)：
            4）遺傳操作：
            5）終止條件：
        2.4.4 IRIV變量選擇
        2.4.5 sCARS結(jié)合SPA變量選擇
    2.5 模型精度評(píng)價(jià)
3 結(jié) 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(jié) 論



本文編號(hào)：3375970