典型文献
近红外光谱的北方寒地土壤含水率预测模型研究
文献摘要：
我国北方寒地温差大,土壤温差对近红外光谱测量土壤墒情有较大影响.针对这一问题,以北方寒地土壤为研究对象,探究大范围温度胁迫下(-20～40℃)土壤的近红外光谱与土壤不同含水率之间的关系预测模型方法.选取黑龙江八一农垦大学农学院试验基地中的黑土,经烘干、过筛等操作处理后配置含水率范围在15％ ～50％ 内八种不同湿度的土壤样品,建立北方寒地土壤大范围温度胁迫下土壤的近红外光谱信息与含水率之间的定量预测模型.在全波段光谱数据的基础上,结合五种不同光谱信号预处理方法,采用BP神经网络算法、优化支持向量机算法(SVM)、高斯过程算法(GP)三种智能算法建立北方寒地土壤近红外光谱与含水率的预测模型并验证模型的效果.利用69组数据进行训练建模,BP神经网络相关参数设置为学习速率0.05,最大训练次数设置为5000,隐层单元数确定为20;SVM采用径向基函数,并利用leave-one-out cross validation确定了最佳惩罚参数为0.87,使模型预测的准确性提高;高斯过程算法内部采用马顿核.模型的定量评估采用决定系数(R2)和均方根误差(RMSE).结果表明,在建立的全部BP神经网络模型中,效果最佳的为S_G-BP神经网络模型,模型的R2为0.9609,RMSE为2.3797;在SVM模型中SNV-SVM模型的效果最好,模型的R2为0.9911,RMSE为1.0815;在GP模型中S_G-GP模型的效果最好,模型的R2为0.928,RMSE为3.2581,综上基于SNV预处理的SVM模型训练效果最优.利用剩余的35组光谱数据作为预测集验证模型性能,经模型对比分析发现基于S V M算法的预测模型效果优于其他两种算法,其中基于S_G的SVM模型效果最优,其预测模型的R2和差RMSE分别为0.9921和0.7369.综合建模集与预测集的参数最终确定基于S_G的SVM模型为最佳模型.此模型可以作为大范围温度胁迫条件下(寒地)的土壤含水率有效预测方法,为设计优化适宜寒地便携式近红外土壤含水率快速测量仪提供科学依据.
文献关键词：
近红外光谱;北方寒地;温度胁迫;土壤含水率;预测模型
中图分类号：
作者姓名：
石文强;许秀英;张伟;张平;孙海天;胡军
作者机构：
黑龙江八一农垦大学工程学院,黑龙江 大庆 163319;黑龙江八一农垦大学理学院,黑龙江 大庆 163319;中国热带农业科学院南亚热带作物研究所,广东 湛江 524091
文献出处：
引用格式：
[1]石文强;许秀英;张伟;张平;孙海天;胡军-.近红外光谱的北方寒地土壤含水率预测模型研究)[J].光谱学与光谱分析,2022(06):1704-1710
A类：
B类：
近红外光谱,北方寒地,土壤含水率,含水率预测,地温,光谱测量,土壤墒情,温度胁迫,模型方法,八一,农垦,学农,农学院,试验基地,黑土,烘干,过筛,八种,土壤样品,下土,光谱信息,定量预测模型,全波段,光谱数据,信号预处理,预处理方法,神经网络算法,优化支持向量机,支持向量机算法,高斯过程,GP,智能算法,验证模型,参数设置,学习速率,径向基函数,leave,one,out,cross,validation,惩罚参数,定量评估,决定系数,RMSE,SNV,模型训练,训练效果,模型性能,模型对比分析,综合建模,胁迫条件,便携式,快速测量,测量仪
AB值：
0.305394
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。
