干旱区生态环境知识资源中心(Arid): 基于机器学习算法的土壤有机质质量比估算

Arid

	基于机器学习算法的土壤有机质质量比估算
其他题名	Estimation of soil organic matter content based on machine learning
	白婷; 丁建丽; 王敬哲
来源期刊	排灌机械工程学报
ISSN	1674-8530
出版年	2020
卷号	38 期号:8 页码:829-834
中文摘要	为快速高效地估测干旱、半干旱地区土壤有机质(soil organic matter,SOM)质量比,提出了一种结合竞争适应重加权法(CARS)和随机森林(RF)的估测模型.以内陆干旱区中国新疆艾比湖流域为研究区,测定土壤高光谱反射率和SOM质量比,经预处理后,利用CARS对原始光谱R及其一阶导数R'、吸光度log(1/R)及其一阶导数[log(1/R)]'4种光谱变量的可见-近红外光谱进行筛选,并结合RF算法,建立全谱段RF模型与CARS-RF模型.结果表明:基于CARS方法对光谱进行变量筛选后,得出4种光谱变量的优选变量集个数分别为35,26,34和121;在4种光谱变量中,R'和[log(1/R)]'的SOM估测模型精度较高,以[log(1/R)]'为基础数据获得的模型精度最高;CARS-RF模型精度优于全谱段RF模型,模型验证集决定系数(R~2)、均方根误差(RMSE)、相对分析误差(RPD)分别为0.881,6.438g/kg和2.177.该研究在预处理的基础上通过变量优选,应用较少的变量获得较高的估测精度,为干旱、半干旱区SOM高光谱估测提供了适宜高效的方法.
英文摘要	To estimate soil organic matter(SOM)content quickly and efficiently,a combined estimation model of the competitive adaptative reweighted sampling(CARS)and random forests(RF)was developed.The Ebinur Lake Basin of Xinjiang in China was selected as a study area,and the soil hyperspectral reflectance and SOM content were measured.After data pre-processing,the visible-near infrared spectra of the four spectral variables,namely the original spectrum R and its first derivative R',and absorbance log(1/R)and its first derivative [log(1/R)]' were screened using CARS method;the full-spectrum RF and CARS-RF models were further developed with RF algorithm.Results indicate that after screening the variables in the CARS method,the number of preferred variable sets for the four spectral variables is 35,26,34,and 121,respectively.Between the four spectral variables,the R' and [log(1/R)]' show higher accuracy in the estimation of SOM,and the model accuracy based on [log(1/R)]' is the highest.The accuracy of the CARS-RF model is better than that of the full-spectrum RF model,and the verification set coefficient(R~2),root mean square error(RMSE)and relative analysis error(RPD)for the CARS -RF model are 0.881,6.438 g/kg and 2.177,respectively.It can be concluded that based on the data pre-processing,this study can provide a more suitable and efficient method for the estimation of SOM hyperspectrum in arid and semiarid lands by using variable-preferred method with less variables and higher estimation accuracy.
中文关键词	土壤有机质 ; 高光谱 ; 光谱变量 ; 竞争适应重加权法 ; 随机森林
英文关键词	soil organic matter hyperspectrum spectral variable CARS algorithm random forest
类型	Article
语种	中文
收录类别	CSCD
WOS类目	Agriculture
WOS研究方向	Agriculture
CSCD记录号	CSCD:6808246
来源机构	新疆大学
资源类型	期刊论文
条目标识符	http://119.78.100.177/qdio/handle/2XILL650/336915
作者单位	白婷, 新疆大学资源与环境科学学院;;新疆大学;;新疆大学, ;;绿洲生态教育部重点实验室;;智慧城市与环境建模自治区普通高校重点实验室, 乌鲁木齐;;乌鲁木齐;;乌鲁木齐, 新疆;;新疆;;新疆 830046;;830046;;830046, 中国.; 丁建丽, 新疆大学资源与环境科学学院;;新疆大学;;新疆大学, ;;绿洲生态教育部重点实验室;;智慧城市与环境建模自治区普通高校重点实验室, 乌鲁木齐;;乌鲁木齐;;乌鲁木齐, 新疆;;新疆;;新疆 830046;;830046;;830046, 中国.; 王敬哲, 新疆大学资源与环境科学学院;;新疆大学;;新疆大学, ;;绿洲生态教育部重点实验室;;智慧城市与环境建模自治区普通高校重点实验室, 乌鲁木齐;;乌鲁木齐;;乌鲁木齐, 新疆;;新疆;;新疆 830046;;830046;;830046, 中国.
推荐引用方式 GB/T 7714	白婷,丁建丽,王敬哲. 基于机器学习算法的土壤有机质质量比估算[J]. 新疆大学,2020,38(8):829-834.
APA	白婷,丁建丽,&王敬哲.(2020).基于机器学习算法的土壤有机质质量比估算.排灌机械工程学报,38(8),829-834.
MLA	白婷,et al."基于机器学习算法的土壤有机质质量比估算".排灌机械工程学报 38.8(2020):829-834.