本文主要研究内容
作者包青岭,丁建丽,王敬哲,蔡亮红（2019）在《基于随机森林算法的土壤有机质含量高光谱检测》一文中研究指出：为了探讨既能保留光谱信息又能准确对土壤有机质含量进行快速检测。以新疆南部渭干河—库车绿洲内部73个土壤样点及其对应的高光谱数据为研究对象,采用小波变换与数学变换进行光谱数据预处理,分析各小波分解重构光谱在不同有机质含量与不同土壤类型下光谱曲线差异,通过相关分析确定最大小波分解层并筛选敏感波段,结合灰色关联分析与随机森林预测分类模型对各小波分解特征光谱进行重要性分析,最后基于最优特征光谱建立多元线性预测模型并进行分析。结果表明:(1)耕作土壤与林地土壤光谱曲线波段相较盐渍土壤和荒漠土壤光谱曲线变化较为平缓,同时在水分吸收波段处,盐渍土壤光谱曲线吸收谷最深。(2)小波变换分解光谱与土壤有机质含量的相关性随着分解层数增加呈现先减后增趋势,在第6层中,特征光谱曲线与敏感波段数量变化趋于稳定,确定为小波变换最大分解层。(3)随机森林模型相比灰色关联分析对于各小波分解层因子的筛选符合预期,按照对土壤有机质含量影响从高到低排序为L3-(1/LgR)′、L4-(1/LgR)′、L6-(1/LgR)′、L5-(1/LgR)′、L2-(1/LgR)′、L0-1/LgR、L1-1/LgR。(4)在小波分解光谱中,中频范围特征光谱对干旱区土壤有机质含量的估测能力优于高频与低频范围特征光谱,同时基于L-MC建立的模型精度最高。研究表明:基于机器学习分类方法结合小波分解的土壤光谱有机质含量监测,可以有效的减少噪声波段干扰,并提高特征波段的分类预测精度。
Abstract
wei le tan tao ji neng bao liu guang pu xin xi you neng zhun que dui tu rang you ji zhi han liang jin hang kuai su jian ce 。yi xin jiang na bu wei gan he —ku che lu zhou nei bu 73ge tu rang yang dian ji ji dui ying de gao guang pu shu ju wei yan jiu dui xiang ,cai yong xiao bo bian huan yu shu xue bian huan jin hang guang pu shu ju yu chu li ,fen xi ge xiao bo fen jie chong gou guang pu zai bu tong you ji zhi han liang yu bu tong tu rang lei xing xia guang pu qu xian cha yi ,tong guo xiang guan fen xi que ding zui da xiao bo fen jie ceng bing shai shua min gan bo duan ,jie ge hui se guan lian fen xi yu sui ji sen lin yu ce fen lei mo xing dui ge xiao bo fen jie te zheng guang pu jin hang chong yao xing fen xi ,zui hou ji yu zui you te zheng guang pu jian li duo yuan xian xing yu ce mo xing bing jin hang fen xi 。jie guo biao ming :(1)geng zuo tu rang yu lin de tu rang guang pu qu xian bo duan xiang jiao yan zi tu rang he huang mo tu rang guang pu qu xian bian hua jiao wei ping huan ,tong shi zai shui fen xi shou bo duan chu ,yan zi tu rang guang pu qu xian xi shou gu zui shen 。(2)xiao bo bian huan fen jie guang pu yu tu rang you ji zhi han liang de xiang guan xing sui zhao fen jie ceng shu zeng jia cheng xian xian jian hou zeng qu shi ,zai di 6ceng zhong ,te zheng guang pu qu xian yu min gan bo duan shu liang bian hua qu yu wen ding ,que ding wei xiao bo bian huan zui da fen jie ceng 。(3)sui ji sen lin mo xing xiang bi hui se guan lian fen xi dui yu ge xiao bo fen jie ceng yin zi de shai shua fu ge yu ji ,an zhao dui tu rang you ji zhi han liang ying xiang cong gao dao di pai xu wei L3-(1/LgR)′、L4-(1/LgR)′、L6-(1/LgR)′、L5-(1/LgR)′、L2-(1/LgR)′、L0-1/LgR、L1-1/LgR。(4)zai xiao bo fen jie guang pu zhong ,zhong pin fan wei te zheng guang pu dui gan han ou tu rang you ji zhi han liang de gu ce neng li you yu gao pin yu di pin fan wei te zheng guang pu ,tong shi ji yu L-MCjian li de mo xing jing du zui gao 。yan jiu biao ming :ji yu ji qi xue xi fen lei fang fa jie ge xiao bo fen jie de tu rang guang pu you ji zhi han liang jian ce ,ke yi you xiao de jian shao zao sheng bo duan gan rao ,bing di gao te zheng bo duan de fen lei yu ce jing du 。
论文参考文献
论文详细介绍
论文作者分别是来自干旱区地理的包青岭,丁建丽,王敬哲,蔡亮红，发表于刊物干旱区地理2019年06期论文，是一篇关于高光谱论文,土壤有机质含量论文,小波变换论文,随机森林论文,干旱区地理2019年06期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自干旱区地理2019年06期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：高光谱论文; 土壤有机质含量论文; 小波变换论文; 随机森林论文; 干旱区地理2019年06期论文;