基于超光谱反射率的土壤含水量的快速估计,结合连续波波变换,特征提取和极端学习机器
Shaomin Chen1,2, Jiachen Gao1, Fangchuan Lou1
1Faculty of Modern Agricultural Engineering, Kunming University of Science and Technology, Kunming, China.
PeerJ
|August 26, 2024
概括
这项研究引入了一种新的方法,它结合了连续波波变换 (CWT) 和竞争性适应性重权取样 (CARS) 以使用超光谱遥感来准确估计土壤含水量. CWT-CARS-ELM模型有效地消除噪音和提取特征,在土壤水估计中实现高精度.
科学领域:
- 农业科学 农业科学
- 遥感 遥感 遥感 遥感
- 地理空间分析的研究.
背景情况:
- 土壤中的水含量对农业生产率至关重要.
- 可见/近红外高光谱遥感为土壤水的估计提供了一种有效的方法.
- 挑战包括消除噪音和在超频谱数据中提取特征.
研究的目的:
- 开发和验证一种可靠的方法,用高频谱遥感来估计土壤含水量.
- 解决噪音和特征提取在超频谱数据分析中的挑战.
- 为了比较线性和非线性建模方法用于土壤水估计.
主要方法:
- 使用连续波段变换 (CWT) 使用mexh和gaus2波段函数进行超光谱数据预处理.
- 通过波形系数的竞争性适应性重权取样 (CARS) 选择特征变量.
- 开发部分最小平方 (PLSR) 和极端学习机器 (ELM) 模型,用于估计土壤含水量.
主要成果:
- 波形系数显示,随着分解规模的增加,土壤含水量与波形系数的相关性下降.
- 关键的光谱特征在近红外区域被确定.
- 非线性ELM模型的表现优于线性PLSR模型.
结论:
- CWT-CARS-ELM方法是估计土壤含水量的可行和可靠方法.
- 优化模型 (CWT(mexh_1) -CARS-ELM) 在验证中实现了高精度 (R2=0.946).
- 这种技术增强了超光谱遥感在精密农业中的应用.
