典型文献
基于CARS-BPNN的江西省土壤有机碳含量高光谱预测
文献摘要：
[目的]探讨光谱变量选择及依据土壤类型进行分层校准两种方法对高光谱预测土壤有机碳(SOC)精度的影响.[方法]以江西省为研究区,490个土壤样本为研究对象,对研究区内的所有样本以及不同土壤类型样本分别通过竞争性自适应重加权采样(CARS)算法筛选特征波段,并采用偏最小二乘回归(PLSR)、支持向量机(SVM)、随机森林(RF)、反向传播神经网络(BPNN)4种模型,对比不同土壤类型下SOC在全波段以及CARS算法筛选后特征波段的预测精度.进而,还对比了全局校准和分层校准下SOC在全波段以及CARS算法筛选后特征波段的预测精度.[结果](1)红壤筛选的特征波段为484、683-714和2 219-2 227 nm,水稻土筛选的特征波段为484、689-702和2 146-2 156 nm.红壤采用CARS-BPNN模型预测效果最佳(R2=0.82),较全波段建模验证集R2提升0.07.水稻土采用CARS-RF模型预测效果最佳(R2=0.83),较全波段建模验证集R2提升0.13.(2)在总体样本上,分层校准相比全局校准精度有所提升.采用CARS-BPNN进行分层校准预测效果最佳(R2=0.82),较全局校准验证集R2提升0.06.[结论]采用CARS-BPNN进行分层校准能够较好地预测江西省土壤有机碳含量,本研究可为其他类似地区预测土壤属性提供科学依据.
文献关键词：
土壤有机碳;竞争适应重加权采样;分层校准;随机森林;反向传播神经网络
中图分类号：
作者姓名：
吴俊;郭大千;李果;郭熙;钟亮;朱青;国佳欣;叶英聪
作者机构：
江西农业大学国土资源与环境学院/江西省鄱阳湖流域农业资源与生态重点实验室,南昌330045;江西省国土空间调查规划研究院,南昌330045;中科生态修复(江西)创新研究院,南昌330045;江西省地质局912大队,南昌330045
文献出处：
引用格式：
[1]吴俊;郭大千;李果;郭熙;钟亮;朱青;国佳欣;叶英聪-.基于CARS-BPNN的江西省土壤有机碳含量高光谱预测)[J].中国农业科学,2022(19):3738-3750
A类：
分层校准,竞争适应重加权采样
B类：
CARS,BPNN,土壤有机碳含量,高光谱,光谱预测,讨光,光谱变量,变量选择,土壤类型,SOC,土壤样本,有样,不同土壤,竞争性自适应重加权,特征波段,偏最小二乘回归,PLSR,RF,反向传播神经网络,全波段,红壤,水稻土,验证集,准能,似地,土壤属性
AB值：
0.189183
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
