基于连续小波变换并结合不同建模方法的土壤有机质估算模型的构建

《Plant and Soil》：Construction of a soil organic matter estimation model based on continuous wavelet transform combined with different modelling methods

土壤有机质估算模型优化研究。基于山西上水黑土的光谱数据，采用连续小波变换（CWT）和竞争自适应加权重排算法（CARS）预处理，结合部分最小二乘回归（PLSR）、随机森林（RF）、K近邻（KNN）、长短期记忆网络（LSTM）和卷积神经网络（CNN）构建模型。实验表明：CWT显著提升原始光谱与一阶导数光谱与有机质的相关系数（分别提高54.11%和5.28%）；CARS压缩特征系数达总量的6%以下。其中，CWT-FD3层经CARS处理的CNN模型表现最优，建模确定系数达0.95，验证系数0.97，优于其他方法。

　　

摘要

背景与目的

沙江黑土面临着持续退化的风险，而土壤有机质含量的减少是土壤退化的主要表现之一。

方法

本研究以尚水县沙江黑土的土壤有机质（SOM）含量及其相应的光谱数据作为主要数据来源。通过连续小波变换（CWT）和竞争自适应重加权算法（CARS）对光谱进行处理，以提取特征系数。然后利用偏最小二乘回归（PLSR）、随机森林（RF）、K-最近邻（KNN）、长短期记忆网络（LSTM）和卷积神经网络（CNN）算法来建立土壤有机质含量的估算模型。

结果

研究结果表明：（1）连续小波处理显著提高了原始光谱与第一导数光谱与土壤有机质之间的相关系数，分别提高了54.11%和5.28%；原始光谱的改善程度优于第一导数光谱。（2）CARS算法将除FD10层之外的各分解层的特征系数压缩到总系数的6%以下，大大降低了变量维度和模型复杂性。（3）使用CWT分解后的FD光谱第三层系数构建的模型（CWTFD3-CARS-CNN）取得了最佳效果，其建模决定系数为0.95，验证决定系数为0.97，优于其他四种机器学习方法及基于光谱指数构建的模型。

结论

因此，CWT-CARS-CNN的组合有效提高了土壤有机质含量的建模精度，为构建精确的估算模型提供了宝贵的参考。