基于CARS⁃CNN和高光谱遥感的矿区土壤磷含量估算OA北大核心CSTPCD

土壤磷管理是煤矿区耕地质量提升与水环境保护均需要关注的一个问题。利用高光谱遥感技术,探讨准确的土壤磷含量反演方法可有效服务于煤矿区耕地土壤磷含量监测。本研究以河南省焦作马村矿区为对象,利用便携式地物光谱仪获取矿区耕地土壤样品光谱数据。以原始光谱及其连续小波变换(CWT)分解数据为自变量,利用竞争性自适应重加权采样算法(CARS)选取特征波段,对比分析了深度学习方法卷积神经网络(CNN)与常用机器学习方法随机森林(RF)、BP神经网络(BPNN)的建模效果。结果表明:CWT可提高光谱反射率和土壤磷含量的相关性,进而提高模型精度。CNN具有强大的特征学习能力,其预测精度远高于BPNN和RF。采用CARS算法进行特征波段筛选,并结合CNN进行特征提取可进一步提升模型效果,土壤全磷和速效磷含量反演最优模型的相对分析误差(RPD)分别提升了7.53、1.25。在经CARS筛选后的小波变换L1-L_(10)数据中,L9⁃CARS⁃CNN模型在土壤全磷与速效磷精度最高,其验证集的RMSE及RPD分别为1.33 mg·kg^(-1)、25.29和1.52 mg·kg^(-1)、11.95。利用CARS进行特征波段提取并结合CNN构建模型可精确反演土壤磷含量,具有广阔应用前景。