基于连续小波变换的土壤重金属镉含量的高光谱估测

选择合理的处理方法可增强土壤光谱中有效信息特征,提高模型估测精度。以新疆渭-库绿洲土壤为研究对象,基于连续小波变换(continuous wavelet transformation, CWT)与传统数学变换相结合的方法进行光谱数据处理并提取特征波段,采用偏最小二乘回归(PLSR)、BP神经网络(BPNN)、随机森林回归(RFR)和支持向量机回归(SVMR)方法构建土壤重金属镉含量估测模型。结果表明：(1)土壤原始光谱曲线趋势基本一致,在600～2 450 nm范围内,随着重金属镉含量增加,其光谱反射率降低,二者呈负相关。(2)CWT与原始光谱一阶微分(R′)相结合的处理效果最佳,|r|值可达到0.586,为极显著负相关(P<0.001),表明数学变换与连续小波变换相结合的处理方法可有效反应光谱细节特征。(3)对比各模型的反演结果,发现CWT-R′-SVMR模型的训练集和验证集的决定系数(R²)大于0.86,均方根误差(RMSE)小于0.02 mg/kg,相对分析误差(RPD)大于2,建模效果较好,可作为最优模型对研究区土壤重金属镉含量进行估测。结合数学变换...     

基于机器学习算法的干旱区绿洲地上生物量估算

植被地上生物量是反映陆地生态系统固碳能力的重要指标,利用遥感技术开展干旱区植被地上生物量估算与空间反演,可为荒漠绿洲生态系统的健康评价与碳储量估算提供重要依据。以野外调查和实地采样数据为基础,利用Landsat 8 OLI多光谱影像提取的7个植被指数和13个波段变量构成4种建模变量组合,采用支持向量机(Support Vector Machine,SVM)、反向传播神经网络(Back Propagation Neural Network,BPNN)、极端梯度提升(e Xtreme Gradient Boosting,XGBoost)和随机森林(Random Forest,RF)这4种机器学习算法对新疆渭干河-库车河三角洲绿洲地上生物量进行遥感估算和空间反演。结果表明,(1)由波段变量和随机蛙跳算法优选变量构建的植被地上生物量反演模型,其估测精度明显优于全变量和指数变量,预测能力更为稳定。与SVM和BPNN算法相比,XGBoost和RF算法构建的模型具有更好的估测效果,能更准确地估算研究区植被地上生物量。(2)在构建的估测模型中,波段变量结合RF算法模型的精度最高,稳定性最强,其建模集和...