基于近红外光谱技术的土壤参数BP神经网络预测

利用BP神经网络预测方法,建立了基于近红外光谱技术的土壤有机质含量和土壤全氮含量的分析模型。试验共测量了150个田间土壤样本的近红外光谱,首先采用局部加权散点图平滑滤波法对光谱曲线进行了平滑处理,然后根据对目标参数进行的聚类分析结果进一步平均了输入光谱,最后将反射光谱数据进行对数转换后与目标数据一起进行了归一化处理。对预处理后的光谱数据首先进行主成分分析,然后提取贡献率超过99.98%的主成分建立BP神经网络模型。对土壤有机质含量的分析结果：模型拟合精度为0.999,预测精度达到0.854。对于土壤全氮含量的分析结果：模型的拟合精度近似为1,预测精度达到了0.808。研究表明,基于近红外光谱技术的土壤参数BP神经网络预测模型具有较高的鲁棒性和较强的容错能力。     

航空高光谱预测黑土地SOM含量的神经网络方法

将机载高光谱遥感引入到黑土信息提取领域,不仅能够显著提升土壤信息反演的信息化水平,而且将机载高光谱遥感的优势结合到黑土信息提取的需求中,发挥明显的技术优势。这对黑土成分中重要的养分指标有机质,提出了一种神经网络模型预测含量的方法,这种方法可以在地面点状化验数据支持下,进行大面积黑土有机质含量信息的提取,为黑土地数字制图效率的提升提供了一种新的解决方案。研究表明,高光谱波段与化验数据相关系数较高的前18波段,能够作为可靠的建模数据,全区有机质含量介于3.32~4.12g·kg~(-1),对验证数据集的测量数据和预测数据进行了制图,回归系数达到了0.985 3,证明了这一方法在理论上的可靠性。     

SVM和BP检测滨海湿地土壤有机质

近年来,虽然随着高光谱技术的出现可以快速获取土壤中的养分含量,但不同的土壤类型对估算的精度会有很大的差异。滨海湿地土壤类型受海洋环境影响较大,其高光谱反射率与内陆土壤类型的表现会有所不同,也就造成了同样的估算模型在反演滨海湿地土壤的养分含量时,反演精度的降低,随着近年来海洋资源的开发与滨海湿地生态恢复工作的不断推进,探索一种合适的估算模型来快速准确的获取土壤中的养分含量变得更加紧迫。该研究旨在验证利用可见-近红外高光谱反射率构建非线性模型来反演滨海湿地土壤类型中有机质(soil organic matter, SOM)含量的可行性。以江苏省盐城大丰麋鹿国家级自然保护区的第三核心区土壤作为研究对象,将土壤样本的光谱反射率进行5点Savitzky-Golay(S-G)平滑滤波处理,再进行一阶微分R′、倒数的一阶微分(1/R)′、倒数的二阶微分(1/R)″、对数的一阶微分(lgR)′四种微分变换后,应用相关系数和显著性水平(p0.01)提取土壤有机质含量的敏感波段,利用台湾大学林智仁教授开发的MATLAB软件中的LIBSVM工具包构建SVM(support vector machine)支持向量机估算模型,并利用MATLAB2018b软件中自带的BP(back propagation)反向传播神经网络构建估算模型,最后利用决定系数R~2和均方根误差RMSE进行模型的预测精度验证。结果表明:原始光谱通过5点S-G平滑滤波、微分变换与相关系数法可以较好的提取出有效波段,其中基于(1/R)′光谱变换提取的滨海湿地土壤有机质特征波段为498～501, 1 180～1 182,1 946, 1 947和2 323～2 326 nm;对比发现SVM的估算精度优于BP神经网络;利用光谱的(1/R)′微分形式构建的SVM模型估算滨海湿地土壤SOM含量的精度最高,决定系数R~2与RMSE分别为0.93和0.23,并且均通过了p0.01的显著性检验。因此利用高光谱构建SVM非线性模型来快速估算滨海湿地土壤中的养分含量具有一定的可行性。     

顾及土壤湿度的土壤有机质高光谱预测模型传递研究

高光谱遥感技术作为当前遥感发展的前沿科技,通过电磁波与地物的相互作用,可以定量反演地物的物理化学性质。土壤有机质是重要的土壤养分信息参数,利用高光谱遥感技术快速获取其含量信息可以为精准农业的发展提供必要的数据支撑。然而,由于受到外部参数差异的干扰,导致建模精度降低的同时,还会造成已有模型传递性的“失效”。为了消除湿度差异的干扰,进一步拓展已有模型的适用空间,以江汉平原滨湖地区为例,通过对95个土壤样本进行加湿处理,在实验室自然风干的条件下,量测得到13套不同湿度等级土壤样本的可见—近红外反射光谱数据,建立了各湿度等级下土壤有机质的光谱反演模型,研究水分差异对建模精度的影响;在此基础上,运用Direct Standardization(DS)算法对湿土光谱进行校正,进而探讨该算法在提高模型传递性能方面的潜力。结果表明：基于风干土光谱建立的模型预测精度最高,未经校正的湿土光谱无法通过该模型进行土壤有机质含量预测,预测偏差在-8.34～3.32 g·kg-1,RPD在0.64～2.04;经过DS算法校正后的湿土光谱可以通过该模型进行土壤有机质含量预测,预测偏差降低至0,RPD值提高至7.01。研究表明DS算法能有效降低湿度差异对光谱反演土壤有机质的影响,使土壤有机质光谱反演模型适用于不同水分含量的土壤样本。     

紫色土土壤全氮和全磷含量的高光谱遥感预测

高光谱遥感技术是土壤养分预测的有效手段之一。以三峡库区王家沟小流域为研究区,在对土壤样本的理化性质和实验室反射光谱数据分析和测量的基础上,用偏最小二乘回归方法建立了紫色土土壤全氮和全磷含量的预测模型,并用33个水稻土土壤样本对紫色土土壤养分预测模型进行了验证。结果显示,紫色土土壤全氮预测模型得到的土壤样本预测值和实测值之间的总相关系数达到了0.672,而紫色土土壤全磷预测模型得到的相关系数只有0.498; 用紫色土土壤养分预测模型对水稻土土壤养分进行预测得到的相关系数分别为0.550和0.124。因此,用高光谱来预测紫色土土壤全氮含量具有一定的可行性,但高光谱对于紫色土全磷含量的预测效果相对较差;土壤养分预测模型在不同类型土壤之间并不具有很好的通用性。     

矿区复垦农田土壤重金属含量的高光谱反演分析

以矿区复垦农田土壤为研究对象,利用实验室获取的土壤重金属元素砷(As)、锌(Zn)、铜(Cu)、铬(Cr)和铅(Pb)的含量与土壤可见近红外高光谱数据建立重金属元素含量的定量估算模型。为了保证模型预测的精度和稳定性,首先,对原始光谱数据进行平滑处理,并进行光谱变换,即：一阶导数,标准正态变量变换及连续统去除变换;然后,通过相关性分析提取不同变换光谱的特征波段;最后,将最小二乘支持向量机与传统的多元线性回归和偏最小二乘回归方法的结果相比较。研究表明：(1)以不同变换光谱数据建立反演模型均有较好的稳定性并达到一定精度,其中以最小二乘支持向量机方法优于偏最小二乘回归优于多元线性回归模型(除少数几个情况外);(2)从不同光谱变换数据中提取的光谱特征对反演模型结果有一定影响,其中以连续统去除和标准正态变量变换建模结果较好,一阶导数变换稍差。因此,利用高光谱遥感技术来定量估算土壤重金属含量是可行的,而且,必要的光谱预处理对提高估算模型的精度很有帮助。     

基于ArcGIS和Vis-NIR脐橙园土壤养分含量分布图预测研究

以赣南区某脐橙园土壤为研究对象,针对不用层土壤的全氮、全磷及有机质养分信息,采用傅里叶型近红外光谱仪和可见/近红外光谱检测装置不同参数配比下组合,采集土壤样品光谱。用化学方法测定养分真值,结合光谱预处理方法和化学计量学算法建立定量检测数学模型,选择出最优的仪器参数、最合适的预处理方法和算法,确定最终的数学模型。实验采样点的数量是有限的,要想得到整个研究区的养分分布数据就需要采用克里金插值法(Kriging)对这些采样点各养分进行插值,运用ArcGIS软件中的地统计分析模块功能,对采样点的土壤全氮、全磷及有机质的真实化学值和最优模型预测值进行克里金插值,得出采样区的土壤养分空间分布图。     

基于冠层尺度的枣树色素含量的高光谱估算模型

植物冠层色素含量与氮素含量具有高度的相关性,是农业遥感中的关键研究因素。本研究的主要目的是：(1)对比偏最小二乘回归和支持向量机两种建模方法对枣树冠层色素的预测精度;(2)构建基于高光谱数据的枣树冠层色素含量定量反演模型,为枣树冠层色素含量的快速、无损、廉价、环保的测定提供一定的理论依据和技术支持。相关性分析结果表明,枣树冠层色素与高光谱数据之间具有较好的相关性,但叶绿素、叶绿素a要优于叶绿素b和类胡萝卜素。独立样本对模型的预测性能检验结果表明,偏最小二乘回归和支持向量机均能有效的估算枣树色素含量,但不同色素的偏最小二乘回归模型和支持向量机模型的预测精度存在一定的差异,叶绿素和类胡萝卜素的支持向量机模型的预测精度要高于偏最小二乘回归模型,而叶绿素a和叶绿素b则相反。比较不同色素的最佳反演模型的预测精度表明,叶绿素、叶绿素a和类胡萝卜素的预测精度要优于叶绿素b,前三者的决定系数大于0.8,残余预测误差高于2.0,平均相对误差低于13%,而叶绿素b的对应值分别为0.60%,20.79%和1.79%。     

一种间接从高光谱数据中提取黑土硒含量的新方法

我国东北黑土富含养分,随着土壤数字制图、精确农业和土壤资源调查等研究的深入,引入航空高光谱数据并提供科学的预测结果成为研究热点。硒元素相对于黑土土壤的主要成分属于微量元素,但其对作物的正常生长的作用与大量元素是同等重要的,亦是人体健康所必要的营养元素。针对硒含量反演,建立了一个基于主要成分的间接提取模型,该模型能够显著提升硒含量回归系数,降低实测值与预测值的误差。数据源自CASI-1500航空高光谱成像系统,光谱范围380~1 050 nm,空间分辨率1.5 m。在黑龙江建三江地区采集60个土壤样本,化验获得硒、有机质、全铁、pH和氧化钙含量数据,选择BP神经网络,建立光谱与含量的反演模型。分析不同含量的黑土成分在可见-近红波段范围内光谱变换规律,掌握了硒元素随着含量升高,光谱反射率会逐步升高的规律。但当硒含量较低时,在其他成分的干扰下,这一规律会逐渐减弱,直至不显著。有机质的光谱特征与硒元素相反,总体上随着含量的增高,反射率整体下降,这与有机质的光谱特性紧密相关。全铁光谱呈现出与有机质光谱类似的规律,说明二者具有较高的相关性。不同pH值和氧化钙含量的光谱特征与检测值没有呈现出明显的特征规律,反射规律不明显。对60个采样点不同养分含量进行逐波段求反射率对养分的相关系数。结果表明,pH值各个波段相关系数最高,均值达到0.63;其次是全铁的相关系数,为0.54;有机质和氧化钙的相关系数接近,分别为0.42和0.47;而硒元素含量与逐波段的平均相关系数最低,为0.38。选取相关系数较高的前5个波段,作为建模波段。硒特征波段为447,437,456,466和475 nm;有机质特征波段为447,456,466,437和475 nm;全铁特征波段为752,695,800,762和733 nm;pH特征波段为905,752,800,943和695 nm;氧化钙特征波段为752,695,800,523和762 nm。通过计算样本点硒含量与其他成分的相关系数,硒与有机质呈正相关,相关系数为0.79;与全铁、pH、氧化钙呈负相关,相关系数分别为-0.80,-0.94和-0.69。针对有机质、全铁、pH和氧化钙反演精度较高,而硒元素含量较低,直接反演精度不足的问题,设计了一种先提取4种成分含量,再根据其提取结果建立硒元素函数关系,间接反演硒元素含量的方法。首先将五种成分与特征光谱进行神经网络分析,计算每种成分的回归系数R2和RMSE。显示全铁和pH具有较高的反演精度,有机质和氧化钙归系数虽低于0.8,但也显著高于硒元素的反演精度。建立硒元素与其他4种成分含量的回归模型,得出Se=0.522 9+0.041 8Som-0.016 6Fe₂O₃-0.035 6pH-0.005CaO,进行硒元素间接提取,回归系数从0.516增长到0.724,均方根误差从0.182降低到0.136,显著改进了反演硒含量的精度,为硒元素大范围精确制图提供了一种新技术。     

黄河口地区环境脆弱性的遥感反演

环境脆弱性定量遥感研究,可以为环境脆弱性研究提供稳定的数据源支撑。通过遥感反演获取区域环境脆弱性的空间分布。从土壤和植被角度, 构建了环境脆弱性综合评价指标体系, 采用AHP-模糊评判方法计算采样点环境脆弱度,并将其分别与样点ETM+光谱反射率及其转换数据的相关关系进行分析,确定其敏感波段, 在此基础上,采用传统回归方法、基于BP人工神经网络分析方法和支持向量机回归方法建立环境脆弱度的光谱反演模型,并采用该模型对研究区的环境脆弱度进行反演,得到环境脆弱性度时空分布图。结果表明, 返青期NDVI、九月份NDVI以及返青期的亮度分量是环境脆弱度的ETM+敏感光谱参数,模型精度比较结果显示,除了支持向量机模型外,其他模型都达到了显著水平,其中以BP神经网络模型的精度最高,传统回归模型也可满足预测需要,但多元回归的模拟精度要高于一元回归模型。研究结果可为大空间尺度的卫星水平环境脆弱性遥感反演提供理论支持。     

应用局部神经网络和可见/近红外光谱法估测土壤有效氮磷钾

要实现农田合理施肥,需要对土壤养分状况进行实时、准确地诊断,因而建立快速、稳定可靠的土壤养分定量分析方法是关键。光谱分析是一种有很大潜力的快速分析方法,从可见/近红外光谱建模的几个重要环节,即特征波段、预处理方法及回归模型方法的选择,研究了土壤有效氮、磷、钾含量快速估测的光谱建模方法。采用了多元散射校正加一阶导数进行光谱预处理,通过逐波段相关分析在可见-近红外区优选特征波段,并应用了局部非线性回归方法(BP神经网络局部回归法)建模,所建模型对土壤有效氮、磷、钾含量估测的相关系数r分别为0.90,0.82和0.94,BP神经网络局部建模比全局建模具有更好的精度和稳定性,估测精度提高幅度分别为40.63%,28.64%,22.90%。因此,采用局部BP神经网络回归建模法建立土壤有效氮、磷、钾的光谱定量分析模型,可实现对土壤养分状况的快速诊断。该研究的创新点是通过采用局部非线性回归方法提高了土壤光谱营养诊断模型的稳定性和可靠性,为作物生长过程中不同生长时期的土壤养分的动态监测和过程控制提供了技术支持。     

可见光-近红外、中红外光谱的土壤有机质组分反演

土壤有机质是土壤肥力的物质基础,其含量的高低是评价土壤肥力的重要标志。土壤有机质组分根据其溶解性可分为胡敏素(HM)、胡敏酸(HA)、富里酸(FA),不同组分的肥力特性差异显著,因此,土壤有机质组分数据可更加全面、客观的反映土壤肥力状况。传统土壤土壤有机质及组分的测定工序繁杂,效率低下且时效性差,大量研究表明高光谱技术能有效提高土壤属性的检测效率并降低测试成本,但关于可见光-近红外、中红外光谱检测土壤有机质组分的报道鲜见。为了探索中红外光谱及可见光-近红外-中红外组合光谱对土壤有机质组分检测的可行性,并对比有机质单一光谱模型与有机质不同组分的组合光谱模型的预测精度,以南疆地区农田土壤为例,在阿克苏及和田地区共采集93个土样,进行有机质、胡敏素、胡敏酸、富里酸含量及光谱数据的测定。其次,利用可见-近红外(VNIR)、中红外(MIR)及其组合光谱(VNIR-MIR)三种光谱数据集,采用偏最小二乘(PLSR)、支持向量机(SVM)、随机森林(RF)三种建模方式对土壤有机质、胡敏素、胡敏酸、富里酸含量进行组合模型分析预测。结果表明：(1)土壤有机质及各组分均与光谱反射率有较好的相关性,土壤有机质及组分在MIR谱段的特征波段数量明显多于VNIR谱段。(2)有机质最优预测模型的模式为VNIR-MIR-RF,该模型的决定系数R2为0.90;胡敏素与胡敏酸最优预测模型的模式均为VNIR-RF模型,R2均为0.92;富里酸最优预测模型的模式为MIR-RF模型,R2为0.94。(3) 基于胡敏素、胡敏酸和富里酸的有机质组合光谱模型的预测精度明显高于有机质单一光谱模型,两种模型的R2分别为0.93和0.90。实现了土壤有机质组分的高效快速反演,且基于有机质组分的组合模型提高了土壤有机质预测精度,为南疆地区大尺度土壤肥力的鉴定与精准施肥提供重要的参考价值。     

高光谱图像和叶绿素含量的水稻纹枯病早期检测识别

基于高光谱成像技术和化学计量方法,实现了对水稻纹枯病病害的早期检测识别。以幼苗时期的水稻植株为研究对象,对其进行纹枯病病菌侵染,获得染病植株,采集358～1 021 nm波段范围的高光谱图像,三次实验共240个样本,包括染病植株120个样本和健康植株120个样本。根据高光谱图像的光谱维,对染病水稻叶片和健康水稻叶片提取感兴趣区域（ROI）,利用感兴趣区域的光谱数据,对其进行Savitzky-Golay（SG）平滑、Savitzky-Golay（SG）一阶求导、Savitzky-Golay（SG）二阶求导、变量标准化（SNV）和多元散射校正（MSC）预处理,建立线性判别分析（LDA）和支持向量机（SVM）分类模型,结果表明：采用SG二阶求导预处理后的线性判别分析（LDA）模型取得了较好的性能,正确识别率在建模集达98.3%,在预测集达95%;利用载荷系数法（x-loading weights, x-LW）对原始光谱和5种预处理的光谱数据进行特征波长提取,然后根据选取的特征波长建立线性判别分析（LDA）和支持向量机（SVM）分类模型,其中采用SG二阶求导预处理后提取的12个特征波长的线性判别分析（LDA）模型取得了较好的性能,其正确识别率在建模集达97.8%,在预测集达95%,而且基于载荷系数法建立的模型性能与全波段相当,可以通过载荷系数法减少数据量对水稻纹枯病病害进行识别;根据高光谱图像的图像维,研究了基于图像主成分分析、基于概率滤波和基于二阶概率滤波的图像特征提取方法,利用提取的特征变量建立反向传播神经网络(BPNN)和支持向量机（SVM）分类模型,其中基于图像主成分分析的反向传播神经网络（BPNN）模型取得了较好的性能,建模集准确识别率达90.6%,预测集的准确识别率达83.3%;根据高光谱图像光谱维和图像维的最优模型,特将叶绿素含量作为建模的另一个特征,分别与光谱特征、图像特征组合,建立反向传播神经网络（BPNN）和线性判别分析（LDA）模型,提出基于光谱特征加叶绿素含量、图像特征加叶绿素含量和光谱、图像特征加叶绿素含量三种组合方式,其中,光谱特征和图像特征分别与叶绿素组合的方式比之前单独的光谱和图像特征建模性能都有所提升,而且三种组合方式中光谱特征加叶绿素含量的反向传播神经网络（BPNN）建模方式取得本研究所有建模方式中较优的性能,其准确识别率在建模集达100%,在预测集达96.7%。以上研究表明,基于高光谱图像和叶绿素含量对水稻纹枯病病害进行早期识别是可行的,为水稻病害的早期识别提供了一种新方法。     

基于ICA与SVM算法的高光谱遥感影像分类

提出了一种利用独立分量分析(ICA)与支撑向量机(SVM)算法进行高光谱遥感影像分类的新方法。采用ICA算法对高光谱遥感影像(PHI传感器获取,80波段)进行了特征提取,并以提取出的影像数据(光谱维数为20)构建SVM分类器。对SVM算法进行核函数删选与参数寻优后,发现采用RBF核的SVM算法(C=103,γ=0.05)分类结果最佳,分类精度与Kappa系数分别达94.5127%与0.935 1,优于BP-神经网络(分类精度39.4758%,Kappa系数0.315 5)、波谱角分类(分类精度80.282 6,Kappa系数0.770 9)、最小距离分类(分类精度85.462 7%,Kappa系数0.827 7)以及最大似然分类(分类精度86.015 6%,Kappa系数0.835 1)4种方法。针对分类结果常出现的"椒盐"现象,利用形态学算子对SVM(RBF核)分类结果进行了类别集群处理,将分类精度与Kappa系数分别提高至94.758 4%与0.938 0,获得了更接近实况的分类图像。结果表明:ICA结合SVM算法准确率高,是高光谱遥感影像分类的优选方法,且类别集群是优化影像分类的有效方法之一。     

连续小波变换的土壤有机质含量高光谱估测

土壤有机质含量的高光谱估测可快速、准确监测土壤肥力,对现代化农业生产进行精准施肥提供科学依据。以新疆渭干河-库车河三角洲绿洲耕层土壤为研究对象,对采集的98个土壤样品的原始光谱反射率R分别进行传统倒数对数lg(1/R)、一阶微分R′和倒数对数一阶微分[lg(1/R)]′数学变换,以及基于小波母函数Bior1.3不同尺度分解的连续小波变换（CWT）,并与实测土壤有机质含量进行相关分析,从而筛选出各类变换下与土壤有机质含量密切相关的特征波段和小波系数（p<0.01）。分别以原始光谱反射率（R）以及不同变换处理下的特征波段反射率和敏感小波系数作为自变量,土壤有机质含量作为因变量,采用偏最小二乘回归和支持向量机回归方法构建土壤有机质含量的估测模型。结果表明：（1）各类光谱变换方法有效提升光谱与土壤有机质含量之间的敏感性,其中经CWT变换后的土壤光谱反射率与有机质含量的相关性得到显著提高,相关系数由0.39提高到0.54（p<0.01）。（2）传统的[lg(1/R)]′变换构建的支持向量机回归模型,其决定系数（R2）高于lg(1/R)和R′变换构建的模型,说明倒数对数一阶微分变换可有助于提高估测模型的精度,且支持向量机回归模型的精度和稳定性高于偏最小二乘回归模型。（3）经过CWT分解后,以原始光谱反射率在不同尺度上的敏感小波系数作为自变量建立的模型,估测精度和稳定性均有明显的提高,构建的R-CWT-23-SVMR模型的决定系数（R2）为0.84,均方根误差（RMSE）为1.48,相对分析误差（RPD）等于2.11,模型精度达到最高并拥有极好的预测能力。高光谱数据经多种变换处理后可有效去除白噪声,而连续小波变换处理比传统的数学变换方法更适合于挖掘土壤有效信息,实现光谱信号的近似特征和细节特征的有效分离,建立的反演模型可更加精准估测土壤有机质含量。     

Nondestructive testing of external defects on Nanguo pear

In view of the common pests and diseases and irregularly shaped fruits of Nanguo pear, this paper fused the spectral information and image features to realize the rapid nondestructive testing and recognition of the external defects on Nanguo pear by hyperspectral imaging technology. Backpropagation neural network and support vector machine model was established to identify external defects, which are commonly used in classification and pattern recognition. The testing results show that recognition effect of support vector machine is better than backpropagation neural network. Among them, the recognition accuracy of fruits damaged by insects and rotten fruits of Nanguo pears reaches 100%. This study provides a theoretical basis for developing online grading system and quality detection of Nanguo pear based on multispectral imaging technique.     

基于DBN,SVM和BP神经网络的光谱分类比较

恒星的分类对了解恒星和星系形成与演化历史具有重要的研究价值。面对大型巡天计划及由此产生的海量数据,如何迅速准确地将天体自动分类显得尤为重要。通过对SDSS DR9的恒星光谱数据进行深度置信神经网络(DBN)、神经网络和支持向量机(SVM)等算法分类的对比,分析三种自动光谱分类方法在恒星分类上的适用性。首先利用上述三种方法对K,F恒星进行识别分类,然后再分别对K1,K3和K5次型和F2,F5,F9次型识别,最后基于SVM支持向量机的二次分类模型,利用K次型的数据,构建剔除不属于K次型的模型。结果表明:深度置信网络对K,F型恒星分类效果较好,但是对K,F次型的分类效果不佳;SVM支持向量机在K,F型恒星分类以及相应的次型分类都具有较好的识别率,对K,F型分类效果要好于K,F次型的分类效果;BP神经网络对K,F型恒星以及其次型的识别一般;在剔除不属于K次型实验中,剔除率高达100%,可知SVM能够对未知的光谱数据进行筛选与分类。     

南疆农田土壤全氮含量的中红外光谱反演模型

快速准确监测农田土壤全氮含量,可显著提高土壤肥力诊断与评价工作的效率。传统测定土壤全氮的方法存在耗时费力、成本高、环境污染等缺点,而基于光谱学原理的土壤全氮定量方法克服了传统测量的劣势。中红外(MIR)光谱相较于可见光-近红外(VNIR)光谱而言,具有更多的波段数和信息量,如何利用中红外光谱监测土壤全氮含量是具有重要应用前景的研究课题。为了探索中红外光谱对土壤全氮监测的可行性,以新疆南疆地区采集的246个农田土样为研究对象,以室内测定的全氮含量和中红外光谱反射率数据为数据源,分析了不同全氮含量土样的中红外光谱特征差异,以主成分分析法(PCA)和连续投影算法(SPA)对光谱数据进行降维,然后采用偏最小二乘回归(PLSR)、支持向量机(SVM)、随机森林(RF)和反向传播神经网络(BPNN)四种建模方法分别构建基于全波段和降维数据的土壤全氮含量定量反演模型。研究结果表明：(1)土壤在中红外波段光谱反射率随全氮含量的增加而增加,在3 620, 2 520, 1 620和1 420 cm^-1附近存在明显的吸收谷;将中红外光谱数据进行最大值归一化处理后,可明显提高土壤光谱反...     

基于深度稀疏学习的土壤近红外光谱分析预测模型

提出一种基于深度稀疏学习的土壤近红外光谱分析预测模型。首先,使用稀疏特征学习方法对土壤近红外光谱数据进行约简,实现土壤近红外光谱内容的稀疏表示;然后采用径向基函数神经网络以稀疏表示特征系数为输入,以所测土壤成分为输出,分别建立土壤有机质、速效磷、速效钾的非线性预测模型。结果表明用该模型预测土壤有机质的含量是可行的,但对土壤速效磷和速效钾含量的预测还需对模型做进一步的优化。