基于灰度关联-极限学习机的土壤有机质含量高光谱多尺度反演  

Hyperspectral multi-scale inversion of soil organic matter content based on gray correlation-extreme learning machine

作　　者：叶红云 熊黑钢[2] 包青岭 王宁 马利芳 Ye Hongyun

机构地区：[1]新疆大学资源与环境科学学院/教育部绿洲生态重点实验室,新疆乌鲁木齐830046 [2]北京联合大学应用文理学院城市系,北京100083

出　　处：《江苏农业科学》2019年第24期289-295,共7页Jiangsu Agricultural Sciences

基　　金：国家自然科学基金(编号:41671198)

摘　　要：为了提高干旱区土壤有机质含量的预测精度,以新疆阜康人类不同干扰程度下的土壤有机质含量为研究对象,先利用小波变换对其原始光谱进行1~8层的离散小波分解,然后通过相关性分析确定最大分解层数,并进行5种常规数学变换以筛选敏感波段,最后引入灰色关联分析(GRA)筛选出具有较好预测能力的波段,结合极限学习机算法(ELM)分别建立不同分解层的土壤有机质含量高光谱预测模型。作为对照,同时采用传统相关分析方法选择的敏感波段构建偏最小二乘模型。研究结果表明:(1)小波变换获得的各层重构光谱中,随着分解层数增加,土壤光谱反射率与有机质含量的相关性降低,在L6之后二者相关性变化幅度不大且敏感波段数下降较多,即重构光谱对原始光谱信息的反映能力减弱,因此L6为本研究的最大分解层;(2)通过对比各分解层有机质含量模型,Ⅰ区(轻度干扰区)、Ⅱ区(中度干扰区)、Ⅲ区(重度干扰区)均是L3、L4建模效果最好;(3)无论是哪一个区,灰度关联-极限学习机所建模型均为最优,Ⅰ、Ⅱ、Ⅲ区验证集R 2和RMSE(均方根误差)分别为0.825、0.787、0.729和0.980、1.387、1.982,RPD(相对分析误差)分别达到2.382、2.204、2.139,均优于传统的建模方法,且能对土壤有机质含量进行很好的预测。特别在有机质含量较低的情况下,灰度关联-极限学习机方法优势更加明显,表明该方法适用于干旱区有机质含量的预测。

关 键 词：高光谱 有机质 小波变换 灰色关联度 极限学习机 人类活动 

分 类 号：TP79[自动化与计算机技术—检测技术与自动化装置] S127[自动化与计算机技术—控制科学与工程]