基于FOD和SVMDA-RF的土壤有机质含量高光谱预测

摘要

cqvip:为探讨分数阶微分(FOD)联合支持向量机分类-随机森林模型改善高光谱监测荒漠土壤有机质含量(SOM)的效果,对以色列Sde Boker荒漠地区采集的砂质土(SS)和黏壤土(CLS)样品进行理化分析和室内光谱测定,依据光谱的平均反射率建立支持向量机分类模型(SVMAD),并对不同土质高光谱原始反射率分别经0^2阶(间隔0.2)的分数阶微分处理,构建归一化光谱指数(NDI),分析NDI和SOM之间的二维相关性,并筛选敏感的NDI指数,以此建立不同FOD的随机森林(RF)模型,并以不同土质中的最佳模型进行组合,构建新的SVMDA-RF模型。结果表明:基于光谱平均反射率的SVMDA对土壤质地的分类正确率可达100%;分数阶微分耦合光谱指数具有放大波长间与SOM有关隐含信息的能力,经FOD提升敏感指数的数量在0.6阶时达到峰值,但黏壤土的敏感指数数量远大于沙质土;由不同FOD敏感指数建立的RF模型中,砂质土在1.2阶的模型最佳(RC^2=0.962,RP^2=0.920,RMSEP为0.435 g/kg,RPD为3.658),黏壤土在0.6阶的模型最佳(RC^2=0.942,RP^2=0.944,RMSEP为0.554 g/kg,RPD为4.316);经最佳模型组合后的SVMDA-RF模型,砂质土和黏壤土的模型精度都有所提高,其中RC^2=0.980,RP^2=0.979,RMSEP为0.481 g/kg,RPD为7.004。研究成果可为快速评估荒漠土壤有机质含量提供依据。