土壤中氧化铁和含量的高光谱定量检索,结合特征选择和机器学习算法

科学领域:

• 土壤科学 土壤科学
• 遥感 遥感 遥感 遥感
• 分析化学 分析化学

背景情况:

• 准确估计土壤的物理化学性质对于环境监测和农业管理至关重要.
• 超光谱反射率提供了一种非破坏性的方法来评估土壤成分,包括氧化铁和重金属含量.
• 优化光谱预处理,特征选择和机器学习模型是提高检索准确性的关键.

研究的目的:

• 评估各种光谱转换的有效性,并为高光谱数据提供特征选择方法.
• 确定最佳的机器学习模型组合,用于估计土壤中氧化铁和 (Zn) 含量.
• 为了比较不同方法在检索土壤物理化学性质方面的性能.

主要方法:

• 应用的光谱转换:连续移除 (CR),标准正常变量 (SNV),第一导数 (FD) 和第二导数 (SD).
• 使用的特征选择算法:竞争性适应性重权取样 (CARS) 和Boruta.
• 构建和评估机器学习模型:部分最小平方回归 (PLSR),支持向量机 (SVM),反向传播神经网络 (BPNN) 和极端梯度增强 (XGBoost).

主要成果:

• 频谱转换有效地减少了外部干扰,突出了频谱特征,提高了频段选择和模型预测的准确性.
• 汽车证明更适合土壤氧化铁的选择,而Boruta更适合重金属Zn.
• 对于氧化铁的最佳模型是FD_CARS_SVM (R2C=0.878,R2V=0.849),而对于的最佳模型是FD_Boruta_XGBoost (R2C=0.999,R2V=0.682).

结论:

• 频谱转换显著提高了使用超频谱数据估计土壤氧化铁和含量的准确性.
• 选择特征选择方法至关重要,并且取决于目标土壤属性 (氧化铁与).
• 不同的机器学习模型对光谱数据和土壤特性之间的线性 (氧化铁) 和非线性 () 关系具有不同的适用性.