SPA算法与机器学习的黄河源土壤水分反演

摘要

土壤水分在一定程度上决定着地区的生态承载力和土壤理化性质。准确、快速的获取土壤水分含量,对生态环境监测、土壤退化恢复等具有重要意义。高光谱遥感在土壤参数反演方面应用广泛,但对高寒草甸土壤的高光谱特征与参数反演研究有待深入。为建立适用于高寒脆弱生态系统的高寒草甸土壤含水量高光谱反演模型,以黄河源区的河南县为例,利用多元线性逐步回归(MLSR)、偏最小二乘回归(PLSR)和BP神经网络(BPNN)对土壤样本含水量与土壤光谱及其数学变换的特征波段进行建模,由决定系数(R^(2))、均方根误差(RMSE)和预测残差比(RPD)对模型精度进行验证。结果表明:(1)在可见光-近红外波段,土壤样本的光谱反射率在710、780和950 nm附近存在强弱不同的水分吸收区间,且随着含水量的增加,反射率呈现先迅速降低,后缓慢增加的趋势。(2)通过连续投影算法(SPA)筛选的光谱特征波段作为自变量,含水量作为因变量,分别通过MLSR和PLSR建立反演模型,其中一阶微分(FD)、对数一阶微分(FDL)变换对应的PLSR模型可实现高寒草甸土壤水分的粗略反演,且FD变换对应的PLSR模型精度较高。(3)BPNN反演模型中,除去包络(CR)建模外,其余模型R^(2)均大于0.9,RMSE在0.048~0.074之间。其中FD、FDL、LG变换光谱对应的BPNN模型反演精度较高,验证结果的R^(2)均大于0.8,RPD均大于2.5,精度最高的为对数(LG)变换对应的BPNN模型,R^(2)、RMSE和RPD分别达到0.967、0.038和5.039。因此,BPNN模型能较精确的实现黄河源区高寒草甸土壤含水量的高光谱反演,为该地区乃至其他高寒地区生态环境监测与土壤恢复提供技术基础和数据支撑。