基于蒲公英优化随机森林模型的沙漠土壤Fe2O3 含量高光谱遥感反演

doi:10.7522/j.issn.1000-694X.2024.00115

摘要/Abstract

摘要：

沙漠土壤光谱与氧化铁（Fe₂O₃）含量之间的关系尚不明确，且缺乏有效监测方法。以新疆古尔班通古特沙漠为研究区，采集沙漠样本，获取其Fe₂O₃含量和光谱数据。通过对原始光谱进行分数阶微分（FOD）和连续小波变换（CWT），利用相关性分析确定了沙漠土壤Fe₂O₃含量的最优光谱变换形式，并采用遗传算法（GA）进行敏感波段的提取。建立了蒲公英优化随机森林（DO-RF）模型估算沙漠土壤Fe₂O₃含量。结果表明：（1）随着Fe₂O₃含量的增加，沙漠土壤的反射率逐渐降低，即沙漠土壤Fe₂O₃含量和土壤光谱反射率负相关；（2）FOD和CWT均可以提高沙漠土壤反射率及其Fe₂O₃含量反演的相关性水平。其中，基于1.2阶次的FOD和1尺度下CWT的相关性最高，相关系数分别达0.840和0.839；（3）GA能够有效剔除共线性较强的冗余波段，在1.2阶次的FOD下，从512个光谱波段中优选出31个特征波段，压缩了93.945%，在1尺度的CWT下，从119个光谱波段中优选出13个特征波段，压缩了89.076%；（4）基于CWT处理的DO-RF模型精度和稳定性最佳，模型验证决定系数（R²）达0.908，均方根误差（RMSE）为0.340，相对分析误差（RPD）为3.390，比未优化的RF、PLSR和SVM，R²分别提高了2.7%、22.6%、4%，RMSE分别降低了6.6%、27.8%、8.7%，RPD分别提高了54.9%、152.2%、68.6%。

关键词: 沙漠土壤, Fe₂O₃含量, 高光谱遥感, 蒲公英优化, 随机森林

Abstract:

The relationship between desert soil spectra reflectance and iron oxide （Fe₂O₃） content remains unclear， and effective monitoring methods are lacking. In this study， we focus on the Gurbantunggut Desert in Xinjiang， where desert soil samples were collected to obtain both Fe₂O₃ content and spectral data. Using fractional order differentiation （FOD） and continuous wavelet transform （CWT） to preprocess the original spectral data， we performed correlation analysis to identify the optimal spectral transformations for estimating Fe₂O₃ content in desert soils. Genetic algorithms （GA） were employed to extract sensitive spectral bands， and a Dandelion Optimization-based Random Forest （DO-RF） model was developed for Fe₂O₃ content estimation. The results indicate the following：（1） With the increase of Fe₂O₃ content， the reflectance of desert soil gradually decreases， showing a negative correlation between Fe₂O₃ content and soil spectral reflectance；（2） Both FOD and CWT can enhance the correlation between desert soil reflectance and its Fe₂O₃ content. Specifically， the highest correlations are achieved with FOD at the 1.2 order and CWT at a scale of 1， reaching 0.840 and 0.839 respectively；（3） GA effectively eliminates highly collinear redundant bands. Under a 1.2-order Fractional Order Derivative （FOD）， it selects 31 optimal feature bands from 512 spectral bands， compressing them by 93.945%. Similarly， under a 1-scale Continuous Wavelet Transform （CWT）， it identifies 13 optimal feature bands from 119 spectral bands， achieving an 89.076% compression；（4） The DO-RF model based on CWT processing exhibits the best accuracy and stability. The model validation coefficient of determination （R²） reaches 0.908， the root mean square error （RMSE） is 0.340， and the relative prediction deviation （RPD） is 3.390. Compared to the unoptimized RF， PLSR， and SVM， the R² increases by 2.7%， 22.6%， and 4%， while the RMSE decreases by 6.6%， 27.8%， and 8.7%， and the RPD increases by 54.9%， 152.2%， and 68.6% respectively. These findings can serve as a reference for future satellite spectral remote sensing monitoring of Fe₂O₃ content in desert soil.

Key words: desert soil, Fe₂O₃ content, hyperspectral remote sensing, dandelion optimization, random forest

中图分类号:

S153.6

胡昕, 买买提·沙吾提, 张峰, 崔锦涛, 艾尼玩·艾买尔, 阿斯娅·曼力克. 基于蒲公英优化随机森林模型的沙漠土壤Fe₂O₃ 含量高光谱遥感反演[J]. 中国沙漠, 2025, 45(2): 191-204.

Xin Hu, Sawut Mamat, Feng Zhang, Jintao Cui, Aimaier Ainiwan, Manlike Asiya. Hyperspectral remote sensing estimation of Fe₂O₃ content in desert soil based on dandelion-optimized random forest model[J]. Journal of Desert Research, 2025, 45(2): 191-204.

图/表 11

图1 研究区示意图

Fig.1 Study area

表1 沙漠土壤Fe2O3 含量统计特征

Table 1 Statistical characteristics of desert soil Fe2O3 content

样本集	样本数量	Fe₂O₃含量/%
样本集	样本数量	最小值	最大值	平均值	标准差	变异系数
建模集	20	0.970	4.580	2.155	1.148	53.258
验证集	10	1.160	4.180	2.660	1.154	43.397
全集	30	0.970	4.580	2.324	1.156	49.733

图2 沙漠土壤光谱曲线

Fig.2 Spectral curve of desert soil

图3 沙漠土壤Fe2O3含量与FOD的相关系数

Fig.3 Correlation coefficient between Fe2O3 content of desert soil and fractional order differential transformation

图4 沙漠土壤Fe2O3含量与CWT的相关系数

Fig.4 Correlation coefficient between Fe2O3 content of desert soil and continuous wavelet transformation

图5 基于GA的不同变换下特征波段分布

Fig.5 Characteristic band distribution under different transformations based on GA

表2 基于3种模型构建的反演结果评价指标

Table 2 Estimation model results based on three models

模型	变换类型	建模集			验证集
模型	变换类型	R²	RMSE	RPD	R²	RMSE	RPD
RF	FOD_1.2	0.864	0.432	2.660	0.873	0.395	2.926
RF	CWT₁	0.847	0.491	2.337	0.881	0.406	2.841
PLSR	FOD_1.2	0.734	0.577	1.989	0.690	0.610	1.893
PLSR	CWT₁	0.711	0.601	1.909	0.682	0.618	1.868
SVM	FOD_1.2	0.788	0.538	2.133	0.674	0.644	1.794
SVM	CWT₁	0.829	0.475	2.417	0.868	0.427	2.704

图6 基于FOD1.2的3种模型Fe2O3含量实测值与预测值散点图

Fig.6 Scatter plots of measured and predicted values of three models based on FOD1.2

图7 基于CWT1的3种模型Fe2O3含量实测值与预测值散点图

Fig.7 Scatter plots of measured and predicted values of three models based on CWT1

表3 基于RF的DO优化前后反演结果评价指标对比

Table 3 Comparison of estimation model results before and after DO based on RF

模型	变换类型	建模集			验证集
模型	变换类型	R²	RMSE	RPD	R²	RMSE	RPD
RF	FOD_1.2	0.864	0.432	2.660	0.873	0.395	2.926
RF	CWT₁	0.847	0.491	2.337	0.881	0.406	2.841
DO-RF	FOD_1.2	0.913	0.357	3.219	0.922	0.310	3.718
DO-RF	CWT₁	0.938	0.305	3.766	0.908	0.340	3.390

图8 基于DO-RF的Fe2O3含量实测值与预测值散点图

Fig.8 Scatter plots of measured and predicted values based on DO-RF

参考文献 42

1	Richter N， Jarmer T， Chabrillat S，et al.Free iron oxide determination in mediterranean soils using diffuse reflectance spectroscopy［J］.Soil Science Society of America Journal，2009，73（1）：72-81.
2	徐祖亮，陆晓辉，曾海莲，等.贵州典型喀斯特流域土壤氧化铁特征分异及其影响因素［J］.土壤学报，2024，61（5）：1284-1298.
3	蔡妙珍，邢承华.土壤氧化铁的活化与环境意义［J］.浙江师范大学学报（自然科学版），2004（3）：67-70.
4	刘玉晶，陆晓辉，罗丹，等.贵州喀斯特山区典型土壤氧化铁特征及其与土壤类型分异关系［J］.土壤通报，2021，52（3）：505-514.
5	Camargo L A， Marques J， Barron V，et al.Mapping of clay，iron oxide and adsorbed phosphate in Oxisols using diffuse reflectance spectroscopy［J］.Geoderma，2015，251/252：124-132.
6	郭颖，郭治兴，刘佳，等.亚热带典型区域水稻土氧化铁高光谱反演：以珠江三角洲为例［J］.应用生态学报，2017，28（11）：3675-3683.
7	谭洁，陈严，周卫军，等.基于实验室高光谱数据的大围山森林土壤氧化铁全量反演［J］.土壤，2021，53（4）：858-864.
8	赵海龙，甘淑，袁希平，等.基于多尺度连续小波分解的土壤氧化铁反演［J］.光学学报，2022，42（22）：209-216.
9	何挺，王静，程烨，等.土壤氧化铁光谱特征研究［J］.地理与地理信息科学，2006（2）：30-34.
10	彭杰，向红英，周清，等.土壤氧化铁的高光谱响应研究［J］.光谱学与光谱分析，2013，33（2）：502-506.
11	阳洋，黄伟濠，卢瑛，等.土壤游离氧化铁高光谱特征与定量反演［J］.华南农业大学学报，2020，41（1）：91-99.
12	Xu G Q， Mcdowell N G， Li Y.A possible link between life and death of a xeric tree in desert［J］.Journal of Plant Physiology，2016，194：35-44.
13	王瑾杰，丁建丽，葛翔宇，等.分数阶微分技术在机载高光谱数据估算土壤含水量中的应用［J］.光谱学与光谱分析，2022，42（11）：3559-3567.
14	王雪梅，玉米提·买明，黄晓宇，等.基于连续小波变换下的土壤有害元素砷含量估测［J］.光谱学与光谱分析，2023，43（1）：206-212.
15	Zhang S， Shen Q， Nie C，et al.Hyperspectral inversion of heavy metal content in reclaimed soil from a mining wasteland based on different spectral transformation and modeling methods［J］.Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy，2019，211：393-400.
16	彭咏石，陈水森，陈金月，等.基于连续小波系数的叶绿素a浓度估测模型［J］.激光与光电子学进展，2021，58（8）：431-439.
17	刘燕德，肖怀春，孙旭东，等.柑桔叶片黄龙病光谱特征选择及检测模型［J］.农业工程学报，2018，34（3）：180-187.
18	张婷婷，赵宾，杨丽明，等.基于高光谱成像技术结合SPA和GA算法测定甜玉米种子电导率［J］.光谱学与光谱分析，2019，39（8）：2608-2613.
19	Guo F， Xu Z， Ma H，et al.Estimating chromium concentration in arable soil based on the optimal principal components by hyperspectral data［J］.Ecological Indicators，2021，133：108400.
20	Song J， Shi X， Wang H，et al.Combination of feature selection and geographical stratification increases the soil total nitrogen estimation accuracy based on vis-NIR and pXRF spectral fusion［J］.Computers and Electronics in Agriculture，2024，218：108636.
21	Seema， Ghosh A K， Das B S，et al.Application of VIS-NIR spectroscopy for estimation of soil organic carbon using different spectral preprocessing techniques and multivariate methods in the middle Indo-Gangetic plains of India［J］.Geoderma Regional，2020，23：e00349.
22	Li W， Xiang Y， Liu X，et al.Estimation of soil moisture content based on fractional differential and optimal spectral index［J］.Agronomy，2024，14（1）：184.
23	Xiao X， He Q， Ma S，et al.Environmental variables improve the accuracy of remote sensing estimation of soil organic carbon content［J］.Scientific Reports，2024，14（1）：18964.
24	Maynard J J， Levi M R.Hyper-temporal remote sensing for digital soil mapping：characterizing soil-vegetation response to climatic variability［J］.Geoderma，2017，285：94-109.
25	Bai Y， Yang W， Wang Z，et al.Improving the estimation accuracy of soil organic matter based on the fusion of near-infrared and Raman spectroscopy using the outer-product analysis［J］.Computers and Electronics in Agriculture，2024，219：108760.
26	Gao J， Meng B， Liang T，et al.Modeling alpine grassland forage phosphorus based on hyperspectral remote sensing and a multi-factor machine learning algorithm in the east of Tibetan Plateau，China［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2019，147：104-117.
27	Zhao S， Zhang T， Ma S，et al.Dandelion Optimizer：A nature-inspired metaheuristic algorithm for engineering applications［J］.Engineering Applications of Artificial Intelligence，2022，114：105075.
28	张秋霞，张合兵，刘文锴，等.高标准基本农田建设区域土壤重金属含量的高光谱反演［J］.农业工程学报，2017，33（12）：230-239.
29	宁京，邹滨，涂宇龙，等.土壤As含量光谱指数反演方法评估［J］.光谱学与光谱分析，2024，44（5）：1472-1481.
30	聂磊超，曲柯莹，崔丽娟，等.不同粒径湿地土壤高光谱特征及碳氮磷含量反演模型研究［J］.生态学报，2024，44（15）：6618-6629.
31	谢鹏，王正海，肖蓓，等.基于海鸥算法优化随机森林的土壤硒含量高光谱反演［J］.激光与光电子学进展，2023，60（17）：370-379.
32	Tan J， Ding J， Wang Z，et al.Estimating soil salinity in mulched cotton fields using UAV-based hyperspectral remote sensing and a seagull optimization algorithm-enhanced random forest model［J］.Computers and Electronics in Agriculture，2024，221：109017.
33	赵启东，葛翔宇，丁建丽，等.结合分数阶微分技术与机器学习算法的土壤有机碳含量光谱估测［J］.激光与光电子学进展，2020，57（15）：253-261.
34	张俊华，尚天浩，陈睿华，等.基于光谱FOD与优化指数的银川平原土壤有机质含量反演［J］.农业机械学报，2022，53（11）：379-387.
35	叶淼，朱琳，刘旭东，等.基于连续小波变换、SHAP和XGBoost的土壤有机质含量高光谱反演［J］.环境科学，2024，45（4）：2280-2291.
36	Das B， Chakraborty D， Singh V K，et al.Partial least square regression based machine learning models for soil organic carbon prediction using visible-near infrared spectroscopy［J］.Geoderma Regional，2023，33：e00628.
37	Shi L， O'rourke S D E， Santana F B，et al.Prediction of soil bulk density in agricultural soils using mid-infrared spectroscopy［J］.Geoderma，2023，434：116487.
38	玉米提·买明，王雪梅.连续小波变换的土壤有机质含量高光谱估测［J］.光谱学与光谱分析，2022，42（4）：1278-1284.
39	Tan K， Wang H， Chen L，et al.Estimation of the spatial distribution of heavy metal in agricultural soils using airborne hyperspectral imaging and random forest［J］.Journal of Hazardous Materials，2020，382：120987.
40	刘靖宇，李若怡，梁永春，等.基于特征优选和机器学习的塔里木盆地东缘绿洲土壤镉元素含量预测及健康风险评价［J］.环境科学，2024，45（8）：4802-4811.
41	田雨欣，王正海，谢鹏.基于特征筛选结合PSO-BPNN和GA-BPNN算法的土壤重金属高光谱定量反演［J］.遥感技术与应用，2024，39（1）：259-268.
42	Tasan M， Demir Y， Tasan S，et al.Comparative analysis of different machine learning algorithms for predicting trace metal concentrations in soils under intensive paddy cultivation［J］.Computers and Electronics in Agriculture，2024，219：108772.

[1]	李彬, 孙小龙, 赵悦晨, 江琪, 卢士庆, 唐家琦. 基于随机森林的局地起沙量预测评估模型[J]. 中国沙漠, 2025, 45(1): 292-303.
[2]	周虹吉, 梅凡民, 蒲梦洁, 林川, 苏进, 陈金广. 基于集成学习的风沙跃移轨迹自动识别模型[J]. 中国沙漠, 2024, 44(6): 70-78.
[3]	宁婷, 张定海, 赵有益, 江晶. 腾格里沙漠土壤水分含量与地形、植被的关系[J]. 中国沙漠, 2024, 44(5): 133-142.
[4]	张腾, 苗运法, 邹亚国, 张孜越, 冯国平. 极端干旱区苏干湖湿地植被分类与变化分析[J]. 中国沙漠, 2024, 44(4): 81-90.
[5]	吴敏, 温小虎, 冯起, 尹振良, 杨林山. 基于随机森林模型的干旱绿洲区张掖盆地地下水水质评价[J]. 中国沙漠, 2018, 38(3): 657-663.

基于蒲公英优化随机森林模型的沙漠土壤Fe₂O₃ 含量高光谱遥感反演

Hyperspectral remote sensing estimation of Fe₂O₃ content in desert soil based on dandelion-optimized random forest model

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 42

相关文章 5

编辑推荐

Metrics

本文评价