土壤有机质含量高光谱估测模型构建及精度对比
刘恬琳1，朱西存1，2*，白雪源1，彭玉凤1，李美炫1，田中宇1，姜远茂3，杨贵军4
（1. 山东农业大学 资源与环境学院，山东泰安271018；2. 土肥资源高效利用国家工程实验室，山东泰安271018；3. 山东农业大学 园艺科学与工程学院，山东泰安271018；4. 国家农业信息化技术工程研究中心，北京100097）
摘 要：土壤有机质含量对作物的生长发育有着显著影响。为实现对苹果果园土壤有机质含量快速、实时估测，本研究以山东省烟台市栖霞市苹果园为研究区，采集100个土壤样本，利用ASD FieldSpec3便携式地物光谱仪获取其高光谱反射率，利用定量化学方法测定土壤有机质含量。采用移动平均法对高光谱数据进行预处理，分析果园土壤的反射光谱特征，研究光谱反射率与其有机质含量的相关关系，筛选土壤有机质含量的敏感波长并构建光谱指数后，分别建立多元线性回归模型 （MLR）、支持向量机 （SVM） 和随机森林（RF） 模型，并对模型精度进行验证比较。结果表明，筛选出的土壤有机质含量的敏感波长为 678、709、1931、1939、1996 和 2201 nm。用筛选出的波长构建光谱参数，最终构建的光谱指数分别为 NDSI（678，709）、NDSI（678，1931）、NDSI（678，2201）、NDSI（709，1939） 和NDSI（1939，2201）。建立的MLR、SVM和RF回归模型中，以RF模型精度最优，其校正样本集 R2为0.8804，RMSE 为 0.1423，RPD 达到 2.25；验证模型的 R2为 0.7466，RMSE 为0.1266，RPD为1.79，建立的RF定量模型反演苹果果园土壤有机质含量效果较好。因此，可以利用RF方法快速预测苹果果园土壤有机质含量，了解土壤养分分布状况，指导农民合理施肥，从而提高果园生产管理效率。
关键词：高光谱；土壤有机质；多元线性回归；支持向量机；随机森林；模型
引文格式：
刘恬琳,朱西存,白雪源,彭玉凤,李美炫,田中宇,姜远茂,杨贵军.土壤有机质含量高光谱估测模型构建及精度对比[J/OL].智慧农业(中英文):1-10[2020-09-29].
http://kns.cnki.net/kcms/detail/10.1681.S.20200923.1248.004.html.
文章图片
图1 技术路线
Fig. 1 Technical route of the research
图2 光谱曲线平滑处理对比图
Fig. 2 Comparison chart of spectral curve smoothing process
图 3 果园土壤有机质含量的土壤反射光谱特征
Fig. 3 Soil reflectance spectrum characteristics of the or‐ chard soil sample
（a） 原始数据
（b） 变换结果一阶微分
（c） MSC变换结果
（d） MSC一阶微分变换结果
图4 SOM含量与高光谱反射率的相关系数
Fig. 4 Correlation coefficient of hyperspectral reflectance and SOM
（a） 建模样本散点图
（b） 验证样本集散点图
图5 土壤有机质MLR模型检验
Fig. 5 MLR model test of SOM
（a） 建模样本散点图
（b） 验证样本集散点图
图6 土壤有机质SVM回归模型检验
Fig. 6 SVM regression model test of SOM
（a） 建模样本散点图
（b） 验证样本集散点图
图7 土壤有机质RF回归模型检验
Fig. 7 RF regression model test of SOM
通讯作者简介
朱西存 教授
联系客服
