新疆鹽漬土地分布廣、面積大,在這些鹽漬土地上生長(zhǎng)著多種類型的鹽生植物,它們對(duì)改良鹽漬土地、維護(hù)生態(tài)穩(wěn)定、促進(jìn)生態(tài)平衡具有重要的現(xiàn)實(shí)意義。有關(guān)研究表明,許多鹽土植物大量吸收鈉,鈉與鉀都能增加細(xì)胞滲透壓,以適應(yīng)高鹽環(huán)境,產(chǎn)生膨壓而促進(jìn)細(xì)胞的伸長(zhǎng),因而對(duì)其生長(zhǎng)是有益的,能部分代替鉀的功能。因此掌握鹽生植物的鈉特征,有助于了解鹽生植物對(duì)生態(tài)環(huán)境的長(zhǎng)期適應(yīng)和響應(yīng),使用高光譜技術(shù)實(shí)現(xiàn)有效診斷葉片鈉特征。首先,對(duì)實(shí)測(cè)冠層高光譜數(shù)據(jù),采用離散小波變換（DWT）和db5小波對(duì)原始光譜進(jìn)行9層小波分解,求取最佳分解層數(shù)為5層。其次,對(duì)光譜數(shù)據(jù)進(jìn)行5層db5小波分解,對(duì)分解后的高頻分量和低頻分量建立了小波植被指數(shù),篩選出可敏感表征鈉離子含量的小波植被指數(shù)。最后,利用SVR, LS-SVR, PSO-SVR和PSO-LS-SVR模型建立鹽生植被鈉離子含量的估算模型,并與由原始光譜構(gòu)建的光譜植被指數(shù)建立的估算模型進(jìn)行比較。此外,引入偏最小二乘回歸模型PLSR作為對(duì)比,評(píng)價(jià)參數(shù)優(yōu)化的支持向量機(jī)方法在高光譜技術(shù)估測(cè)鹽生植被葉片鈉離子含量的優(yōu)勢(shì)。結(jié)果表明:（1）5種模型預(yù)測(cè)結(jié)果表明, PSO能有效優(yōu)化SVR和LS-S... 

【文章來(lái)源】：光譜學(xué)與光譜分析. 2020,40(01)北大核心EISCICSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

研究區(qū)示意圖

表2 Na+含量樣本統(tǒng)計(jì)特征Table 2 Statistical characteristiics of the content of Na+ 樣本數(shù) 最小值/(mg·kg-1) 最大值/(mg·kg-1) 均值/(mg·kg-1) 標(biāo)準(zhǔn)差/(mg·kg-1) 變異系數(shù)/% Kolmogorov-Smirnov檢驗(yàn)漸進(jìn)顯著性(雙側(cè)) 60 0.034 986 0.735 06 0.327 11 0.202 71 61.97 0.7972.2.2 小波植被指數(shù)與葉片Na+的關(guān)系

以DSICA5(R2 232, R2 046), DSICD5(R1 237, R613)和NDSICD5(R1 237, R612)這3個(gè)指數(shù)作為輸入變量, 構(gòu)建的Na+含量綜合反演模型中, PSO-LS-SVR模型預(yù)測(cè)效果最佳, 建模集R2為0.642, RMSE為0.136、 預(yù)測(cè)集R2為0.778, RMSE為0.094、 RPD為2.126; PSO-SVR模型預(yù)測(cè)效果次之, 建模集R2為0.549, RMSE為0.138、 預(yù)測(cè)集R2為0.77, RMSE為0.102、 RPD為1.96; LS-SVR, SVR和PLSR模型精度最低。 相比于單一小波指數(shù), 以綜合小波指數(shù)構(gòu)建的各模型預(yù)測(cè)精度均有所提高, 它是綜合多尺度、 多分辨率數(shù)據(jù)的反演模型, 其更能從不同側(cè)面反映植被的信息。 綜上, 4種模型預(yù)測(cè)結(jié)果表明, PSO能有效優(yōu)化SVR和LS-SVR模型參數(shù)(c, g), 提高模型精度和預(yù)測(cè)能力。 由于篇幅限制, 僅列出由綜合小波指數(shù)構(gòu)建的PSO-LS-SVR模型的最終優(yōu)化參數(shù)結(jié)果, 如圖4。表5 光譜植被指數(shù)的各模型反演結(jié)果Table 5 Inversion results of spectral vegetation index 光譜指數(shù) 模型 建模集 驗(yàn)證集 R2 RMSE R2 RMSE RPD 綜合光譜指數(shù) PLSR 0.505 0.228 0.536 0.140 1.428 SVR 0.541 0.233 0.559 0.191 1.046 LS-SVR 0.520 0.237 0.666 0.196 1.020 PSO-SVR 0.542 0.137 0.665 0.103 1.940 PSO-LS-SVR 0.550 0.137 0.781 0.094 2.126

【參考文獻(xiàn)】：
期刊論文
[1]基于PSO-SVM算法的梯級(jí)泵站管道振動(dòng)響應(yīng)預(yù)測(cè)[J]. 張建偉,江琦,劉軒然,馬曉君.  農(nóng)業(yè)工程學(xué)報(bào). 2017(11)
[2]基于高光譜和BP神經(jīng)網(wǎng)絡(luò)的玉米葉片SPAD值遙感估算[J]. 李媛媛,常慶瑞,劉秀英,嚴(yán)林,羅丹,王爍.  農(nóng)業(yè)工程學(xué)報(bào). 2016(16)
[3]基于PSO-LSSVM的森林地上生物量估測(cè)模型[J]. 楊柳,孫金華,馮仲科,岳德鵬,楊立巖.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2016(08)
[4]基于ReliefF和PSO混合特征選擇的面向?qū)ο笸恋乩梅诸怺J]. 肖艷,姜琦剛,王斌,李遠(yuǎn)華,劉舒,崔璨.  農(nóng)業(yè)工程學(xué)報(bào). 2016(04)
[5]基于離散小波變換的高光譜特征提取中分解尺度的確定方法[J]. 李軍,李培軍,郭建聰.  自然科學(xué)進(jìn)展. 2007(11)



本文編號(hào)：3524030