论文部分内容阅读
本研究以新疆艾比湖湿地保护区采集的140个荒漠土壤为研究对象,利用ASD Field Spec(R)3 HR光谱仪获取的土壤可见-近红外光谱数据以及化学分析获取的土壤有机碳数据为基础数据源,利用经过卷积平滑、标准正态变量预处理后的四种光谱变换数据,采用蚁群-区间偏最小二乘法、基于支持向量的回归特征消去法和随机森林3种算法,选择荒漠湿地土壤有机碳含量近红外光谱特征波长,在此基础上构建土壤有机碳含量偏最小二乘回归、支持向量回归以及随机森林回归预测模型,并进行比较.结果表明：(1)在基于蚁群-区间偏最小二乘法、基于支持向量的回归特征消去法和随机森林3种方法对原始一阶微分、倒数一阶微分、倒数对数一阶微分和对数一阶微分提取的特征波长中,基于特征选取SVM-RFE的20个波段建立的原始一阶微分模型预测能力优于其他两种特征选取建立的模型,说明SVM-RFE可能是土壤有机碳光谱有效的提取波长方法.(2)建模方法比较显示,利用基于支持向量的回归特征消去法选择的原始一阶微分经过特征变量选取后建立的模型,精度最高；其次是随机森林,蚁群-遗传结合区间偏最小二乘法建立的模型精度最低.(3)采用支持向量回归建立的土壤有机碳含量的模型,训练集的均方根误差RMSECV以及预测集的均方根误差RMSEP分别为0.158、0.268,训练集的相关系数Rcv以及预测集得相关系数Rp分别为0.9687、0.9091.因此,经过卷积平滑,标准正态变量变换以及一阶微分预处理、并利用基于支持向量机的回归特征消去法建立的模型不仅简单,而且具有较高的预测精度和较好的稳健性,可以估算荒漠土壤有机碳含量.