基于机器学习的高光谱土壤养分特征波段提取方法
摘要
针对于高光谱遥感数据的高维空间特征，利用机器学习来提取和验证分析土壤养分的特征波段。利用无人机搭载高光谱传感器进行光谱实验，采集了在398~1003 nm光谱范围内176个光谱波段的土壤高光谱反射率数据，同时收集了121份土壤样本作为原始数据。提取土壤养分的特征波段共分为两大步骤，首先采用随机森林（RF）和差分进化（DE）算法，对土壤的176个光谱波段进行重要性排序，提取土壤养分含量的光谱特征子集，再结合层次分析（AHP）法对光谱特征子集的权重进行分析，通过权重分配和权重阈值，成功地从高光谱数据中提取了土壤养分的特征波段。进而，基于反向传播（BP）神经网络建立了土壤养分含量的定量反演模型，反演结果表明，基于RF-DE-AHP特征波段的BP预测模型在训练集上的决定系数（R2）达到0.95，相对分析误差（RPD）为4.78，均方根误差（RMSE）为4.78 mg/kg，在验证集上的R2为0.84，RPD为2.21，RMSE为16.71 mg/kg，这些结果明显优于传统的一阶微分数学变换方法。这些结果说明机器学习方法对高光谱土壤养分特征波段提取具有有效性和可行性。本研究结果可为基于高光谱遥感技术的土壤养分大范围快速监测提供理论科学依据，为高光谱遥感技术的开发和应用提供一种可靠的解决方案。
引用本文（GB/T 7714）
刘凯 Liu Kai, 王玉峰 Wang Yufeng, 彭志青 Peng Zhiqing, 等. 基于机器学习的高光谱土壤养分特征波段提取方法[J]. Acta Optica Sinica, 2025.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。