土壤全氮含量是评价土壤肥力及作物生长支持的核心指标之一.本研究构建一种新型反演模型VMD-SSA-LSSVM模型,旨在增强土壤全氮含量预测的精确性与泛化性.首先,使用大疆精灵四多光谱无人机收集作物冠层5个波段的光谱反射率数据;随后,对田间表层土壤进行取样,并通过实验室分析,确定土壤全氮含量,通过分析光谱数据和土壤全氮含量之间的关系,选出敏感波段,并以此为基础构建预测模型;此外,通过比较VMD-SSA-LSSVM模型与其他2种模型(VMD-LSSVM、传统LSSVM)的预测性能,评估不同方法对模型准确性的影响.结果表明,相对于传统LSSVM模型、VMD-LSSVM模型,VMD-SSA-LSSVM模型在土壤全氮含量的反演预测上表现最优.该模型的决定系数(r2)为0.893 3,均方根误差(RMSE)为0.031 3;在之后的拔节、灌浆、孕穗期的验证中,决定系数分别到达0.431、0.481、0.537.这些性能指标表明,VMD-SSA-LSSVM模型能够有效提高土壤全氮含量的预测准确度.通过结合变分模态分解并利用麻雀搜索算法优化的最小二乘支持向量机模型,展现出较高的预测精度和良好的泛化能力.VMD-SSA-LSSVM预测模型可作为土壤全氮含量监测和农田管理的有效工具,为农业生产提供科学的决策支持.
万方数据
维普
