基于海鸥算法优化随机森林的土壤硒含量高光谱反演

Abstract

针对土壤硒含量光谱数据冗余、模型复杂度较高等问题，本研究系统采集含硒土壤若干份，并获取样本硒含量和光谱信息，对原始光谱进行平滑多元散射校正一阶微分（SG-MSC-FD）光谱增强处理，利用稳定性竞争自适应重加权采样（sCARS）等特征提取算法筛选特征波长，建立土壤硒含量的偏最小二乘（PLSR）、支持向量机（SVM）、随机森林（RF）、海鸥优化随机森林（SOA-RF）预测模型，通过对比不同特征筛选下模型的决定系数（R2）、均方根误差（RMSE）和相对分析误差（RPD），寻找最佳的组合模型。结果表明：不同特征筛选下的模型精度均有较大提升，其中变量组合集群分析法结合遗传算法（VCPA-GA）精度最高，sCARS算法提取的变量数最少，仅占全波段的0.49%；RF较SVM和PLSR模型有更好的鲁棒性，SOA-RF模型的参数最佳，极大地提升了模型的反演精度。综上，经VCPA-GA特征提取下的SOA-RF模型是最佳的预测模型（R2=0.92、RMSE为0.08、RPD为2.911），该模型能够实现对土壤硒含量快速、高效反演。