结合特征变量选择与回归方法的土壤有机质含量估计

简介：
本研究探讨了通过筛选关键特征变量并应用回归分析技术来提升土壤有机质含量估算精度的方法。 针对高光谱数据量大且信息冗余严重的问题，本段落应用了稳定竞争性自适应重加权采样（sCARS）、连续投影算法（SPA）、遗传算法（GA）以及迭代保留有效信息变量（IRIV），并结合了稳定竞争性自适应重加权采样与连续投影算法(sCARS-SPA)，从全波段光谱数据中筛选出特征变量。利用这些特征变量和原始的全波段数据，分别建立了偏最小二乘回归(PLSR)、支持向量机(SVM)以及随机森林(RF)模型来预测土壤有机质含量。 研究结果表明，PLSR和SVM在结合了特征选择后不仅提高了运算效率，并且相较于使用全部波段的建模方式，在模型预测能力上也有所提升。然而，RF模型虽然采用特征变量进行构建时并未显著提高其精度，但减少了所需变量的数量，从而大大提升了建模速度。研究发现，RF模型的整体性能优于SVM和PLSR模型；尤其当IRIV与RF结合使用建立土壤有机质含量预测模型时，仅需63个变量即可实现较高的准确度，在校准集及验证集中分别达到了0.941和0.96的决定系数（R2），同时在验证集上的相对分析误差(RPD)为4.8。相比全波段建模方式而言，特征选择与回归方法的有效结合不仅保证了模型精度，并且显著提升了建模效率。