基于分数阶微分的土壤全氮高光谱反演

摘要

为快速无损地获取托克托县土壤全氮含量,满足当今精准农业的要求,文章以研究区内120个采样点的土壤全氮含量与高光谱数据为数据源,利用分数阶微分(1~2阶)间隔0.1对光谱数据进行处理,筛选敏感波段,利用支持向量机(support vector machine,SVM)与BP神经网络模型共建立24个土壤全氮反演模型,结果表明:①经过分数阶微分处理后,光谱的波峰、波谷处信息被放大,随分解尺度的增加,其余波段的反射率逐渐趋于0;②原始光谱与土壤全氮的皮尔森相关系数r=0.61,经分数阶微分处理后,在1.1阶处达到最大值r=-0.67,绝对值较之前提升了0.06;③BP神经网络预测模型结果优于SVM预测模型结果,本研究最佳土壤全氮预测模型为1.1阶微分处理后建立的BP神经网络模型,建模集R 2为0.75,均方根误差(root mean square error,RMSE)为0.16,验证集R 2为0.71,RMSE为0.16,相对分析误差(relative percent deviation,RPD)为2.06,可有效反演当地土壤全氮含量,相对于原始光谱建立的BP神经网络模型精度有较高提升。因此,利用1.1阶微分处理后的高光谱数据建立BP神经网络模型可实现对研究区土壤全氮含量的反演预测,可为当地精准农业的发展提供理论参考与技术支撑。