-
题名基于RBF组合模型的山地红壤有机质含量光谱估测
被引量：14
- 1
-
-
作者
谢文
赵小敏
郭熙
叶英聪
孙小香
匡丽花
-
机构
江西农业大学林学院江西省鄱阳湖流域农业资源与生态重点实验室南方粮油作物协同创新中心
南京农业大学公共管理学院
-
出处
《林业科学》
EI
CAS
CSCD
北大核心
2018年第6期16-23,共8页
-
基金
国家自然科学基金项目(41361049)
土壤与农业可持续发展国家重点实验室(中国科学院南京土壤研究所)项目(0812201202)
-
文摘
【目的】探讨组合模型在山地红壤有机质含量高光谱估算中应用的可行性,以期为土壤有机质含量估测提供基础数据和科学依据。【方法】基于山地红壤光谱的全波段(400~2 450 nm)研究范围,选择偏最小二乘回归(PLSR)、BP神经网络(BP)和支持向量机回归分析(SVMR)3种单一高光谱估测模型,分别获得预测结果,并重构预测结果数据,以绝对误差和最小为目标,计算固定权重与不固定权重两种组合模型的权重值,并基于径向基函数(RBF)神经网络法建立组合模型,探讨不同赋权方法与是否重构数据条件下的最优组合模型。通过均方根误差(RMSE)、预测偏差比(RPD)和决定系数(R2)评价山地红壤有机质含量的预测精度。【结果】单一预测模型中的SVMR估测精度最高,验证决定系数(R2)为0.64,均方根误差为9.76 g·kg-1,测定值标准差与标准预测误差的比值为1.67;在组合模型数据不重构的条件下,不定权组合模型要优于定权组合模型;在组合模型数据重构的条件下,定权组合模型要略优于不定权组合模型,估测精度相差不大;最优模型是数据重构定权组合模型,模型验证决定系数(R2)为0.87,均方根误差为7.91 g·kg-1,测定值标准差与标准预测误差的比值为2.06;组合模型验证精度优于单一模型,说明利用RBF组合模型估算山地红壤有机质含量是可行的。【结论】对山地红壤有机质含量的快速估测而言,单一模型具有操作简单、运算速度快等特点,因而具有较大应用价值,但组合模型能较大限度地利用各种预测样本信息,从而能有效减少应用单一模型时所受随机因素的影响,从而提高山地红壤有机质含量的估测精度。
-
关键词
rbf组合模型
山地红壤
有机质
土壤光谱
偏最小二乘回归
BP神经网络
支持向量机回归
-
Keywords
rbf combination model
mountain red soil
organic matter
soil spectrum
partial least squares regression
BP neural network
support vector machine regression
-
分类号
S714
[农业科学—林学]
S158
[农业科学—土壤学]
-
