网络首发

光学学报
ESCI,EI,SCOPUS,CJCR,CSCD,北图
2018年第38卷第10期1页
基于CARS算法耦合机器学习的土壤含水量估算
录用时间:2018-04-28
论文栏目
光谱学
作者单位
1 新疆大学 资源与环境科学学院
2 新疆大学
3 新疆师范大学 地理科学与旅游学院
论文摘要
土壤含水量(soil moisture content,SMC)是干旱区地表水-热-溶质耦合运移的关键指标,本文以干旱区典型样点实测SMC及其室内可见光-近红外光谱数据作为数据集,通过蒙特卡洛交叉验证确定77个有效样本。基于竞争适应重加权采样(Competitive adaptive reweighted sampling, CARS)算法筛选出最优光谱变量子集,利用三种机器学习方法BP神经网络(Back propagation neural network, BPNN)、随机森林回归(Random forest regression, RFR)和极限学习机(Extreme Learning Machine, ELM)建立SMC预测模型,进而实现SMC估算模型优选。结果表明:CARS算法能有效剔除无关变量,从2151个光谱波段中优选出20个特征波段,其中R1848与土壤含水量最大相关达到0.53。引入偏最小二乘(Partial least squares regression,PLSR)模型和机器学习方法对比,分析发现机器学习方法比PLSR在预测结果上显著提升。分析比较BPNN、RFR和ELM的建模结果, ELM模型建模在机器学习三种方法中效果最佳决定性系数R2 = 0.918,均方根误差RMSE = 0.015,相对分析误差RPD = 3.123,四分位数间隔RPIQ = 3.325。机器学习能显著提升光谱建模反演SMC的精度和稳定性,显示出其在非线性问题中具有很强的透析力和较高的模型鲁棒性,针对干旱区土壤水分精准预测和定量估算具有可行性。为干旱区土壤墒情、精准农业等研究提供科学参考。
引用本文
葛翔宇, 丁建丽, 王敬哲, 王飞, 蔡亮红, 孙慧兰. 基于CARS算法耦合机器学习的土壤含水量估算[J]. 光学学报, 2018, 38(10): 1. 
DOI:10.3788/aos201838.10光谱学01
PDF 全文:点击此处查看 

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!