基于分数阶微分和混合变量选择算法的水稻土有机碳含量反演
Abstract
为探究分数阶微分（FOD）预处理和混合变量选择算法对水稻土有机碳含量反演效果的影响，并选择出最佳的水稻土有机碳含量反演模型，采集新疆伊犁察布查尔县97个水稻土样的有机碳含量数据以及对应的室内高光谱数据集，并提取0~2阶（间隔0.2阶）分数阶微分预处理的高光谱数据与对应的水稻土有机碳含量进行Pearson相关性分析，随后将变量组合集群分析（VCPA）与遗传算法（GA）相结合，使用VCPA-GA混合变量选择算法提取分数阶微分预处理各阶次中的敏感波段，最后通过偏最小二乘回归（PLSR）、随机森林（RF）、长短期记忆神经网络（LSTM）和双向长短期记忆神经网络（BiLSTM）4种机器学习模型来构建水稻土有机碳含量的反演模型。结果显示，分数阶微分和VCPA-GA混合变量选择算法可以提高水稻土有机碳含量反演模型的精度，在4种机器学习模型中，各阶次BiLSTM、LSTM和PLSR的反演精度均高于RF，其中1.2阶BiLSTM深度学习模型的反演性能表现得最好（决定系数为0.9724，均方根误差为1.9756 g·kg-1，平均绝对误差为1.5659 g·kg-1，相对分析误差为6.5930）。研究表明，水稻土有机碳光谱数据经VCPA-GA算法处理后，并使用1.2阶微分光谱数据构建的BiLSTM模型对水稻土有机碳含量的反演精度最优。
Fields of Study & Subjects
Soil Geostatistics and Mapping
Spectroscopy and Chemometric Analyses
Remote Sensing in Agriculture
Publication details
- Journal / source
- Laser & Optoelectronics Progress
- Volume
- 63
- Issue
- 2
- Pages
- 0228004–0228004
- Publication date
- 1 January 2026
- Language
- EN