Application of Ant Colony Optimization in Hyperspectral Prediction Modeling of Soil Texture
-
摘要: 为提高土壤质地高光谱预测模型精度，以巢湖流域177个土样光谱为基础数据源，运用蚁群算法选择特征波长，结合BP神经网络构建土壤质地光谱预测模型，并与全光谱构建的光谱预测模型进行比较。结果表明，运用蚁群算法选择特征波长构建的光谱预测模型精度优于全光谱构建的预测模型精度，土壤粉粒含量预测模型预测集决定系数R2为0.76，RPIQ为2.23，土壤砂粒含量预测模型预测集决定系数R2为0.72，RPIQ为1.94；全光谱土壤粉粒含量预测模型预测集R2为0.57，RPIQ为1.75，全光谱土壤砂粒含量预测模型预测集R2为0.48，RPIQ为1.82。运用蚁群算法选择光谱特征波长建模，减少了数据冗余，提高了预测模型精度。Abstract: In order to improve the accuracy of hyperspectral prediction model for soil texture, the soil texture spectral prediction model was conducted based on the 177 soil samples taken from Chaohu Lake Basin using the methods of the ant colony optimization to select the characteristic wavelengths, and combined with BP neural network. The results showed that, compared with the spectral prediction model constructed by full spectrum, the accuracy of the spectral prediction model constructed in this study was better. The determination coefficient R2 of the prediction set of the soil slit content prediction model was 0.76 and RPIQ was 2.23, that of the soil sand content prediction model was 0.72 and RPIQ was 1.94. The prediction set R2 and RPIQ of the full spectra soil slit content prediction model were 0.57 and 1.75, respectively, and that of the full spectra soil sand content prediction model were 0.48 and 1.82, respectively. Compared with the full spectrum prediction model of soil texture, the ant colony optimization selected the spectral characteristic wavelengths for modeling could reduce the redundancy of spectral information and improve the accuracy of the prediction model.
-
![]()
图 3 不同模型下粉粒含量预测集的实测值和预测值散点图
Figure 3. Scatter plots between the measured and predicted values of the soil slit content prediction set under different models
![]()
图 4 不同模型下砂粒含量预测集的实测值和预测值散点图
Figure 4. Scatter plots between the measured and predicted values of the soil sand content prediction set under different models
表 1 土壤粉粒和砂粒含量特征统计
Table 1 Statistical characteristics of soil silt and sand contents
粒级
Particle grade样本类型
Sample type样本数量（个）
Sample number最小值（%）
Minimum最大值（%）
Maximum平均值（%）
Mean标准差（%）
Standard deviation偏度
Skewness峰度
Kurtosis粉粒 全部样本 177 20.76 84.50 64.81 14.02 −1.10 0.62 训练样本 142 21.77 84.50 64.74 14.07 −0.98 0.22 预测样本 35 20.76 79.55 65.09 13.99 −1.67 2.91 砂粒 全部样本 177 0.45 69.65 14.99 16.05 1.62 2.12 训练样本 142 0.45 69.28 14.79 15.81 1.55 1.86 预测样本 35 0.69 69.65 15.80 17.22 1.92 3.28 
下载: 导出CSV
表 2 土壤粉粒和砂粒含量预测模型
Table 2 Prediction model of soil slit and sand contents
粒级
Particle grade模型
Model波长数
Number of wavelength决定系数
Coefficient of determination均方根误差（%）
Root mean square errorRPIQ
Ratio of performance to inter-quartile粉粒 ACO-BP 19 0.76 8.42 2.23 全谱-BP 1851 0.57 14.94 1.75 砂粒 ACO-BP 53 0.72 9.66 1.94 全谱-BP 1851 0.48 16.85 1.82
下载: 导出CSV
-
[1] 赵春晖, 陈万海, 杨 雷. 高光谱遥感图像最优波段选择方法的研究进展与分析[J]. 黑龙江大学自然科学学报, 2007, 24(5): 592 − 602. doi: 10.3969/j.issn.1001-7011.2007.05.007 [2] Zhan Y, Li M Z, Zheng L H, et al. Spectral features extraction for estimation of soil total nitrogen content based on modified ant colony optimization algorithm[J]. Geoderma, 2019, 333(1): 23 − 34.
[3] 宾 俊, 范 伟, 周冀衡, 等. 智能优化算法应用于近红外光谱波长选择的比较研究[J]. 光谱学与光谱分析, 2017, 37(1): 95 − 102. [4] 王文才, 赵 刘, 李绍稳, 等. 基于特征波长选择和建模的高光谱土壤总氮含量估测方法研究[J]. 浙江农业学报, 2018, 30(9): 1576 − 1584. doi: 10.3969/j.issn.1004-1524.2018.09.19 [5] 苗雪雪, 苗 莹, 龚浩如, 等. 特征波长优选结合近红外技术检测大米中的含水量[J]. 食品科技, 2019, 44(10): 335 − 341. [6] 杨海清, 祝 旻. 基于可见-近红外光谱特征波长选择的土壤有机质快速检测研究[J]. 红外, 2015, 36(2): 42 − 48. doi: 10.3969/j.issn.1672-8785.2015.02.008 [7] 褚小立, 袁洪福, 陆婉珍. 近红外分析中光谱预处理及波长选择方法进展与应用[J]. 化学进展, 2004, (4): 528 − 542. doi: 10.3321/j.issn:1005-281X.2004.04.008 [8] 王轩慧, 郑西来, 韩仲志, 等. 混合式随机森林的土壤钾含量高光谱反演[J]. 光谱学与光谱分析, 2018, 38(12): 3883 − 3889. [9] 殷玲玲, 苏剑锋. 浅析蚁群算法及其应用[J]. 价值工程, 2019, 38(8): 156 − 159. [10] 张 娜, 张栋良, 李立新, 等. 基于高光谱的区域土壤质地预测模型建立与评价−以河套灌区解放闸灌域为例[J]. 干旱区资源与环境, 2014, 28(5): 67 − 72. [11] 沈掌泉, 单英杰, 王 珂. 田间行走式测定的红外光谱数据与土壤质地之间的相关性研究[J]. 光谱学与光谱分析, 2009, 29(6): 1526 − 1530. doi: 10.3964/j.issn.1000-0593(2009)06-1526-05 [12] 曾庆猛, 孙宇瑞, 严红兵. 土壤质地分类的近红外光谱分析方法研究[J]. 光谱学与光谱分析, 2009, 29(7): 1759 − 1763. doi: 10.3964/j.issn.1000-0593(2009)07-1759-05 [13] 张甘霖, 龚子同. 土壤调查实验室分析方法[M]. 北京: 科学出版社, 2012: 8-19. [14] 贺军亮, 崔军丽, 张淑媛, 等. 基于偏最小二乘的土壤重金属铜含量高光谱估算[J]. 遥感技术与应用, 2019, 34(5): 998 − 1004. [15] 汪子豪, 秦其明, 孙元亨, 等. 基于BP神经网络的地表温度空间降尺度方法[J]. 遥感技术与应用, 2018, 33(5): 793 − 802. [16] 肖云飞, 高小红, 李冠稳. 土壤有机质可见光-近红外光谱预测样本优化选择[J]. 土壤, 2020, 52(2): 404 − 413. [17] Bellon-Maurel V, Fernandez-Ahumada E, Palagos B, et al. Critical review of chemometric indicators commonly used for assessing the quality of the prediction of soil attributes by NIR spectroscopy[J]. TrAC Trends in Analytical Chemistry, 2010, 29(9): 1073 − 1081. doi: 10.1016/j.trac.2010.05.006
[18] 曹肖奕, 丁建丽, 葛翔宇, 等. 基于光谱指数与机器学习算法的土壤电导率估算研究[J]. 土壤学报, 2020, 57(4): 867 − 877. [19] 李建波, 房宗启, 纪全菊, 等. 基于WPF的三角图自动识别系统构建方法−以土壤质地分类系统为例[J]. 排灌机械工程学报, 2016, 34(4): 339 − 345. doi: 10.3969/j.issn.1674-8530.15.0102 [20] 郭志明, 黄文倩, 彭彦昆, 等. 适应蚁群优化算法的近红外光谱特征波长选择方法[J]. 分析化学, 2014, 42(4): 513 − 518. [21] 王风云, 郑纪业, 阮怀军, 等. 基于高光谱的套袋和不套袋苹果糖度无损预测模型研究[J]. 山东农业科学, 2020, 52(6): 129 − 136. [22] 郭志明, 黄文倩, 陈全胜, 等. 近红外光谱的苹果内部品质在线检测模型优化[J]. 现代食品科技, 2016, 32(9): 147 − 153. [23] 王德彩, 邬登巍, 赵明松, 等. 平原区土壤质地的反射光谱预测与地统计制图[J]. 土壤通报, 2012, 43(2): 257 − 262.
计量
- 文章访问数: 158
- HTML全文浏览量: 71
- PDF下载量: 19
