基于组合模型的庐山森林土壤有效铁光谱反演

摘要

铁是植物生长的重要微量营养元素之一,土壤有效铁含量对林地环境起着重要的影响,利用土壤光谱预测技术获取土壤有效铁含量信息具有重要意义.以庐山森林的土壤样本为研究对象,研究偏最小二乘回归(PLSR)和径向基函数(RBF)神经网络组合模型预测土壤有效铁含量的适用性,并且探讨不同权重值下的最优组合模型.结果表明,RBF神经网络组合模型的预测效果优于偏最小二乘回归和RBF神经网络单个模型,并且算数平均值组合为最优组合模型,模型验证的决定系数(R2)为0.56,均方根误差(RMSEp)为24.07mg/kg,测定值标准差与标准预测误差的比值(RPD)为1.50.RBF神经网络组合模型能较大限度地利用各种预测样本信息,能有效减少单个预测模型中随机因素的影响,增强预测稳定性,提高模型的预测能力.因此,RBF神经网络组合模型可对有效铁等其他土壤属性预测发挥更好的作用.