基于高光谱的不同取样深度土壤有机质预测模型研究

作     者：王明星 

作者单位：南京农业大学 

学位级别：硕士

导师姓名：朱淑鑫

授予年度：2019年

学科分类：08[工学] 080203[工学-机械设计及理论] 09[农学] 0903[农学-农业资源与环境] 0802[工学-机械工程] 090301[农学-土壤学] 

主      题：土壤有机质 高光谱 取样深度 IVISSA-SPA MBAS-BP 

摘      要：土壤有机质是土壤肥力和作物生产的重要因素,它能改善土壤的物理性质,有利于菌群等微生物活动,从而促进土壤中营养物质的分解,保证植物的生长发育。为了适应精准农业的实际需要,基于高光谱技术从中挖掘有效信息,成为快速、便捷、准确预测土壤有机质含量的重要方向。本文以江苏省盐城市的试验田的土壤为研究对象,在野外获取了取样深度A（0-20cm）、取样深度B（20-40cm）、取样深度C（40-60cm）这三个数据集。基于高光谱技术结合化学计量学建模方法,构建多个土壤有机质含量预测模型进行研究,主要研究内容及结论如下:（1）通过对光谱反射率曲线特征分析,发现在400-1000nm的光谱反射率均随波长增加而增大,其中在400-600nm反射率增加较为明显,600-1000nm反射率增加则逐渐放缓。然而总体来看,3种取样深度的光谱反射率大小差异明显,取样深度A取样深度B取样深度C。（2）在预处理阶段,对比采用SG平滑（Savitzky-Golay,SG）,一阶微分（First orderdifferential,1stD）,二阶微分（Second order differential,2ndD）,多元散射校正（Multiplicative Scatter Correction,MSC）,标准正态变换（Standard Normal Variation,SNV）5种单一型预处理和4种组合型预处理（SG+1 stD、SG+2ndD、SG+MSC、SG+SNV）的效果。结果表明,SG平滑既可以相对较好的保存原始曲线形态,而且效果优于原始光谱和其他预处理方法。同时由于上述9种预处理方法的预测指标仍然偏低,表明波长变量之间可能存在较严重的多重共线性问题,有必要进行特征波长的筛选。（3）在特征波长选择阶段,采用无信息变量消除算法（Uninformative Variable Elimination,UVE）、自助软收缩算法（Bootstrapping Soft Shrinkage,BOSS）、区间组合优化算法（Interval combination optimization,ICO）、区间变量空间迭代收缩串联连续投影算法（Interval Variable Iterative Space Shrinkage Approach-Successive Projections Algorithm,IVISSA-SPA）这4种特征波长选择算法筛选特征波长。在取样深度A、取样深度B、取样深度C的数据集上,IVISSA算法串联SPA算法后,均可以有效滤除冗余变量,使得特征波长数量分别由232降至17、103降至23、182降至31,分别降低了 92.67%、77.67%、82.97%;R2分别由 0.7058 提升到 0.8002、0.5106 提升到 0.6229、0.5781 提升到 0.6103,分别提高了 13.37%、21.99%、5.57%;RMSEP 分别由 2.9550减少到 2.1255、2.2304 减少到 1.6890、1.2365 减少到 0.8480,分别降低了 28.07%、24.27%、31.42%;RPD 分别由 1.0849 提升到 1.5084、0.8815提升到 1.1640、0.8209提升到1.1969,分别提高了 39.04%、32.05%、45.80%。结果表明 IVISSA-SPA 算法,可以有效滤除共线性变量,有利于降低模型复杂度,提高计算效率,与其它3种特征波长选择算法相比,从各项指标来看,IVISSA-SPAICOBOSSUVE。（4）在回归建模时,运用偏最小二乘回归（Partial Least Square Regression,PLSR）,支持向量机回归（Support Vector Regression,SVR）,BP神经网络,采用粒子群优化（Particle Swarm Optimization,PSO）、天牛须搜索（Beetle Antennae Search,BAS）、改进的天牛须搜索（Modified Beetle Antennae Search,MB AS）优化BP神经网络构建的多个模型的预测效果。结果表明,MBAS可以较好地对BP神经网络的初始权值阈值进行优化,较好地提升了网络性能,避免BP神经网络随机初始化导致网络陷入局部最优的问题。在所有预测模型中,IVISSA-SPA-MBAS-BP模型各项指标较优,它在取样深度A数据集上的R2为0.8896,RMSEP为1.2857,RPD为2.4936。在取样深度B数据集上的R2为0.7284,RMSEP为1.0245,RPD为1.9190。在取样深度C数据集上的 R2 为 0.7250,RMSEP 为 0.5492,RPD 为 1.8481。