基于CR-CARS-RF的黑土区土壤有机质含量高光谱估算

摘要

以辽宁昌图和苏家屯区149个黑土样本为基础，结合地面高光谱数据与实验室土壤有机质（SOM）含量化学测定，系统分析了不同高光谱预处理与建模方法对SOM反演精度的影响，旨在构建快速且精准的SOM含量高光谱反演模型。通过Savitzky-Golay平滑法（SG）对光谱数据进行去噪处理后，对比分析了倒数（1/R）、倒数的对数(log（1/R）)、一阶导数（FDR）、标准化（SNV）及连续统去除（CR）五种光谱变换方法，并采用皮尔逊相关分析（PCC）和竞争自适应重加权（CARS）算法筛选特征波段，结合偏最小二乘（PLSR）、多元线性回归（MLR）和随机森林（RF）三种建模方法，构建了12种反演模型，对各模型的预测精度进行对比分析。结果表明：（1）CR变换显著增强了光谱与SOM的相关性，2 166 nm之后的128个波段相关系数绝对值超过0.5,最高达0.75;（2）CARS算法有效压缩了特征波段数量，将其控制在全波段的6%以下，与PCC-PLSR和PPC-RF相比，CARS-PLSR和CARS-RF模型预测精度显著提升，其决定系数（R²）分别提高13.4%和14.5%,均方根误差（RMSE）分别降低12.8%和11.9%;（3）非线性RF模型的预测精度最优，与MLR和PLSR相比，其R²分别提升32.1%和3.5%,RMSE分别降低34.9%和4.4%;（4）在12种预测模型中，CR-CARS-RF模型表现最佳，其建模R²为0.91,RMSE为1.76 g·kg^-1;预测R²为0.79,RMSE为2.49 g·kg^-1,表明CR-CARS-RF模型具有较高的预测精度和可靠性，可为辽宁黑土区土壤有机质含量的高效精准监测提供有力的技术支撑。

关键词

黑土 / 土壤有机质 / 高光谱 / 竞争自适应重加权算法 / 随机森林模型