《農業工程學報》2016年第32卷第13期刊載了華中師範大學於雷、洪永勝、周勇、朱強、徐良、李冀雲與聶豔的論文——「高光譜估算土壤有機質含量的波長變量篩選方法」。該研究由國家自然科學基金項目（41401232）等資助。
土壤高光譜數據量大、波段維數高，存在光譜信息無效、冗餘和重疊現象，導致基於全波段構建的土壤有機質含量反演模型不穩定、精度難以提升。因此，探尋篩選關鍵波長變量的方法，通過濾除幹擾、冗餘、共線信息，提高模型預測性能，是目前土壤高光譜研究的熱點之一。
該文對江漢平原公安縣的土壤樣本進行室內理化分析、光譜測量與處理等工作獲取了實證數據，採用無信息變量消除法（uninformative variableselimination，UVE）剔除無效變量，利用競爭性自適應重加權算法（competitive adaptivereweighted sampling，CARS）濾除冗餘變量，運用連續投影算法（successive projectionsalgorithm，SPA）消除共線變量，並嘗試將不同類型的篩選方法進行耦合篩選關鍵波長變量，應用偏最小二乘回歸（partial least squaresregression, PLSR）分別建立土壤有機質含量估算模型，對比各種變量篩選方法的優缺點，最終，構建篩選土壤高光譜數據關鍵變量的方法體系。
該文指出，光譜變量篩選，是土壤高光譜研究中的關鍵關節，不僅可以簡化模型結構，而且還可以剔除不相關、低貢獻的波長變量，能夠得到預測效果好、穩健性高的估算模型。
SPA算法能夠最大程度上避免光譜波段信息的重疊，但SPA-PLSR模型的預測集RPD值僅為1.87，只能實現對土壤有機質含量的粗略估算，這可能是由於土壤光譜數據中存在的有效光譜信息是非共線的，提取的特徵波段並不能將所有波段信息表達出來，丟失了部分的有效信息，從而導致SPA-PLSR模型性能降低。
UVE算法是基於PLSR回歸係數穩定性分析的基礎上進行變量篩選的方法，使用該方法可避免模型過度擬合，通常可以提高預測能力。但UVE法選擇的變量的數量仍然很多，需進一步採用SPA進行光譜向量的投影分析，尋找含有冗餘度最低、共線性最小的光譜變量組，可以壓縮建模的數據量並提高模型的運行速度和效率。
CARS算法通過自適應重加權採樣技術（ARS）選擇出PLSR模型中回歸係數絕對值較大的波長點，去掉權重小的波長點，可有效選擇與土壤有機質屬性相關的最優波長組合。將CARS與SPA的結合可以更好的篩選出最優變量子集。在7種變量篩選方法中，CARS-SPA-PLSR模型精度最高，預測集RPD值為3.60，說明CARS-SPA 是土壤有機質光譜數據分析有效的波長提取方法。
綜合上述，構建變量篩選方法體系可以有效去除無效、冗餘、共線變量的幹擾，提升利用高光譜估算土壤有機質含量的精度，為研發土壤近地傳感器提供理論基礎。
長按識別二維碼 關注「農業工程學報」