基于小波去噪与SVR的小麦冠层含氮率高光谱测定

为改进小麦冠层含氮率的高光谱测定模型,以正交试验筛选出小波去噪的最优参数组合（小波类型取haar,分解层数为5,阈值方案选择Fixed form threshold,噪声结构定为Unscaled white noise）,并利用去噪后的小麦冠层光谱建立偏最小二乘回归（PLS）模型,对不同预处理方法进行比较分析。发现采用小波去噪结合一阶导数能最有效消除原始光谱的背景信息,此时PLS模型校正集均方根误差（RMSEC）为0.260,预测集均方根误差（RMSEP）为0.288。对经一阶导数结合小波去噪后的光谱用主成分分析（PCA）进行降维,以前6个主成份为输入变量,建立最小二乘支撑向量机回归模型（LS...

Full description

Saved in:
Bibliographic Details
Published inNong ye gong cheng xue bao Vol. 26; no. 12; pp. 248 - 253
Main Author 梁亮 杨敏华 臧卓
Format Journal Article
LanguageChinese
Published 湖南科技大学建筑与城乡规划学院,湘潭411201%中南大学地球科学与信息物理学院,长沙,410083%中南林业科技大学林业遥感信息工程研究中心,长沙,410004 2010
中南大学地球科学与信息物理学院,长沙410083
Subjects
作物
偏最小二乘
小波分析
支撑向量机回归
氮
高光谱
支撑向量机回归
小波分析
偏最小二乘
氮
作物
高光谱
Online AccessGet full text
ISSN1002-6819
DOI10.3969/j.issn.1002-6819.2010.12.042

Cover

More Information
Summary:为改进小麦冠层含氮率的高光谱测定模型,以正交试验筛选出小波去噪的最优参数组合（小波类型取haar,分解层数为5,阈值方案选择Fixed form threshold,噪声结构定为Unscaled white noise）,并利用去噪后的小麦冠层光谱建立偏最小二乘回归（PLS）模型,对不同预处理方法进行比较分析。发现采用小波去噪结合一阶导数能最有效消除原始光谱的背景信息,此时PLS模型校正集均方根误差（RMSEC）为0.260,预测集均方根误差（RMSEP）为0.288。对经一阶导数结合小波去噪后的光谱用主成分分析（PCA）进行降维,以前6个主成份为输入变量,建立最小二乘支撑向量机回归模型（LS-SVR）,其RMSEC与RMSEP分别为0.154与0.259,具有比PLS模型更高的精度。结果表明：以小波去噪结合一阶导数去除小麦冠层反射光谱中的土壤背景信息以提高模型的精度是可行的,且LS-SVR是建模的优选方法。
Bibliography:crops; nitrogen; wavelet analysis; hyperspectral technology; support vector regression （SVR）; partial least square （PLS）
hyperspectral technology
support vector regression （SVR）
partial least square （PLS）
wavelet analysis
nitrogen
11-2047/S
S123
crops
TP722
ISSN:1002-6819
DOI:10.3969/j.issn.1002-6819.2010.12.042