基于中红外光谱特征增强和集成学习的土壤有机碳含量估算模型研究OA北大核心CSTPCD

中红外光谱数据在实现土壤有机碳含量的准确、低成本快速预测方面具有巨大潜力。为提高光谱数据估算模型的普适性,本研究利用光谱特征增强策略,并基于Stacking算法结合多种机器学习方法构建了一种高鲁棒性的土壤有机碳含量估算模型。采用多种光谱特征增强方法及其组合对土壤中红外光谱进行特征增强,筛选最佳策略;通过应用Stacking算法结合多种机器学习方法构建集成模型,以提高模型泛化能力;将集成模型估算性能与偏最小二乘回归模型(PLSR)、梯度提升树(GBT)和一维卷积神经网络(1D-CNN)模型进行比较分析。研究结果表明,最佳光谱特征增强策略可以显著提高土壤光谱数据与土壤有机碳含量的相关性,最佳Pearson相关系数达到-0.82;相较于PLSR、GBT和1D-CNN等模型,集成模型在各光谱数据下均表现出较高的估算精度,特别是在一阶导变换结合多元散射校正的光谱特征增强策略下,集成模型展现出优良的估算性能(决定系数R^(2)=0.92,均方根误差为1.18 g/kg,相对分析误差为3.52)。本研究方法能够快速、准确地估算土壤有机碳含量,可为现代农业管理提供科学依据。