换一批基于分数阶微分和机器学习的土壤盐分高光谱建模估测
Estimation of soil salt content based on filed hyperspectral data with fractional order differential and machine learning method
摘要黄河上游河套灌区土壤盐渍化严重制约农业可持续发展,亟需精准高效的监测技术.高光谱遥感是估测土壤属性的有效手段,但传统整数阶微分预处理可能忽略光谱曲线的细微变化.以宁夏银川平原为研究区,采集土壤样本与对应的土壤高光谱数据.应用 FOD(0-2 阶)对光谱进行预处理,优选敏感波段并构建常用光谱指数(DSI,NDSI,RSI).采用偏最小二乘回归(PLSR)、极端梯度提升(XGBoost)、支持向量机回归(SVR)、随机森林(RF)和反向传播神经网络(BPNN)五种机器学习模型,分别基于优选波段和光谱指数构建 SSC反演模型.主要结果为:(1)与原始光谱相比(最大相关系数 rmax=0.344),FOD 显著提升了光谱与 SSC 的相关性,在 0.5-0.8 阶处理下,最大绝对相关系数|rmax|超过 0.7.(2)FOD 增强了光谱指数对 SSC 的敏感性,最优波段组合的光谱指数与 SSC 的相关系数随微分阶数增加呈先升后降趋势,0.3 阶微分的 DSI(R2181,R2339)相关性最高(r=0.821).(3)相较于整数阶微分,低阶 FOD 结合机器学习算法提高了 SSC 估算模型的精度.(4)BPNN 模型表现最优:基于 0.8 阶 FOD 特征波段输入的模型 R2=0.831,RMSE=0.651 g·kg-1,RPD=2.363;基于 0.3 阶 DSI(R2181,R2339)输入的模型 R2=0.756,RMSE=0.783 g·kg-1,RPD=1.967.表明低阶 FOD光谱预处理技术结合机器学习算法能有效挖掘土壤高光谱信息,在表层 SSC 精准估测方面具有明显优势.研究成果可为干旱半干旱区土壤盐渍化的精准监测与管理提供科学参考.
更多相关知识
关键词
光谱分析分数阶微分机器学习土壤盐分含量spectral analysisfractional-order derivativemachine learningsoil salt content
分类号
TP79
栏目名称
DOI
10.14108/j.cnki.1008-8873.2026.02.021
发布时间
2026-06-03（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家重点研发计划（2021YFD1900600）
宁夏自然科学基金项目（2021AAC03115）
宁夏重点研发计划项目（2021BEB04038）
宁夏重点研发计划项目（2021BEG02010）
清华大学-宁夏银川水联网数字治水联合研究院联合开放基金项目（SKLHSE-2023-IOW05）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
