下载文档原格式
设施农业2023-0727农业工程技术（设施农业）基于高光谱遥感的土壤有机质反演模型研究进展*摘要:利用高光谱遥感反演土壤有机质与传统的化学分析方式有很大的优势，促进现代农业的发展。
国内外利用高光谱反演土壤有机质含量模型进行了大量的研究，从最初的线性回归模型发展到如今较为复杂的非线性模型，该文总结了常见的高光谱对有机质含量建模方法与模型特点。
通过分析总结前人的研究发现，目前土壤有机质含量模型研究进展主要有运用的模型复杂化、反演模型的评价方法多样化、多种建模方法综合应用及深度学习大数据分析新技术更加普遍。
关键词: 高光谱遥感；土壤有机质含量；反演模型土壤有机质是衡量土壤肥力的重要指标，是维持农业健康发展、土地质量评价的重要考虑因素[1]。
传统的土壤有机质化学测定方法试剂消耗量大、具有一定危险性、对操作人员有专业性要求等原因，难以做到迅速、大规模和周期性地土壤有机质含量测定[2]。
而高光谱遥感可以快速地进行大范围、周期性、快速的特点受到人们的关注。
利用高光谱反演土壤有机质含量最重要的是建立土壤高光谱信息与有机质含量之间的联系。
目前利用高光谱遥感反演土壤有机质含量的模型中，大体可以分为两大类。
一类是线性模型。
例如：偏最小二乘法，多元线性回归模型；另一类是非线性模型。
例如：反向神经网络，随机森林，支持向量机等。
根据目前的研究进展，总结了现阶段利用高光谱遥感反演土壤有机质含量方法和模型的特点。
1 土壤有机质的高光谱反演模型发展历程1965年，Bowers 等[3]开始研究土壤与光谱反射之间的关系时就发现土壤有机质含量与光谱反射之间存在负相关的关系。
21世纪前，主要是研究土壤有机质与高光谱反射率之间的定性关系上的研究，处于探索阶段，研究样本数量较少，使用的模型主要以多元线性回归，偏最小二乘回归等线性方法为主[4]。
近年来随着研究的深入与研究工具的进步，更多的模型方法，研究方式的韦森超1，梁立恒1，董炜华1**，李晓强1，邓守奇1,2（1.长春师范大学地理科学学院，吉林 长春 130123；2.长春文理高中，吉林 长春 130062）改进，比如机器学习与深度学习[5]。
利用光谱数据进行土壤有机质评价随着世界人口的增长和农业生产方式的改变，土壤有机质的质量越来越受到人们的关注。
土壤有机质是一种关键的土壤物质，它对土壤肥力和作物生长有着非常重要的影响。
其中，土壤的颜色是反映土壤有机质含量的重要指标之一。
然而，传统的土壤有机质检测方法需要取样，样品处理等繁琐的操作，需要耗费大量的时间和人力，而光谱数据则提供了一种快速、准确的土壤有机质评价方法。
本文将从光谱数据的基本原理、光谱仪使用原理以及光谱数据处理方法等方面来阐述如何利用光谱数据进行土壤有机质评价。
一、光谱数据的基本原理光谱数据是指一段特定波长内的光传输信息，包括红外线、可见光和紫外线等，其中红外线光谱数据在土壤有机质评价中具有非常重要的地位。
土壤有机质含量对土壤红外线光谱信号的吸收有很大的影响，因此，利用光谱仪测量土壤的红外光谱信号，可以获取土壤有机质的含量信息。
二、光谱仪的使用原理光谱仪是一种专门用于测量光谱数据的仪器设备，主要由光源、样品室、检测器等几个主要组成部分构成。
在进行土壤有机质评价时，需要将测量所需的光源辐射到样品上，样品会吸收部分光线，并将其所具有的能量转换为热能或散发出去。
光谱仪接收样品经过后发出的光线，通过检测器将光谱信号进行记录和处理，最终形成光谱数据以进行分析。
三、光谱数据处理方法在利用光谱数据进行土壤有机质评价时，首先需要进行数据处理。
光谱数据处理方法主要有以下几种：1.预处理对于光谱信号进行预处理以去除干扰因素。
预处理方法包括基线平滑、二次导数变换、离散傅里叶变换等。
2.特征提取将处理后的光谱数据提取真正反映土壤有机质含量指示的特征谱线，通过这些谱线可以对土壤有机质的含量进行定量描述。
3.模型建立将提取的光谱特征作为输入，以土壤有机质含量作为输出建立起对应的数学模型，通过模型来计算土壤有机质含量。
四、结论和建议通过光谱数据进行土壤有机质评价可以快速、准确地获取土壤有机质含量信息，从而为农业生产提供有力的支撑。
土壤有机质不同测定方法的对比6篇第1篇示例：土壤中的有机质含量是评价土壤肥力和质量的重要指标之一。
有机质对土壤的保肥补肥、促进土壤肥力的提高起着重要的作用。
准确测定土壤有机质含量对于科学施肥、提高耕地利用率，保护生态环境等方面具有重要意义。
目前，测定土壤有机质含量的方法繁多，各具特点，我们可以根据实际需要选择适合的方法进行测定。
常见的测定土壤有机质含量的方法主要有以下几种：全硫酸铵法、加热法、碱解-蒒灰法、湿法酸解法、直接抽提法等。
不同的方法在原理、操作步骤、准确度和适用范围等方面有所区别，下面我们来对比分析一下。
1. 全硫酸铵法：全硫酸铵法是一种常用的土壤有机质测定方法，其原理是土壤样品在加热时有机质会被分解成氨气和水，测定生成氨气的量来反映土壤中的有机质含量。
此方法操作简单，结果准确，但需要使用昂贵的仪器设备，且操作过程中需注意安全。
2. 加热法：加热法是一种常见的土壤有机质测定方法，其原理是通过将土壤样品在高温下加热，使有机质分解成气体脱除，通过称量前后的重量差来计算有机质含量。
该方法操作简单，成本低，但相对来说准确度略有不足。
3. 碱解-蒒灰法：碱解-蒒灰法是通过将土壤样品与氢氧化钠碱解后，经加热-石蕊灰处理得出的有机质量。
该方法操作相对复杂，但准确度高，适用范围广。
4. 湿法酸解法：湿法酸解法是以稀硝酸和硫酸为酸液，在高温下酸解土壤有机质，通过测定生成的氨气量来计算土壤有机质含量。
该方法操作简单，准确度高，但酸性强，需注意安全。
5. 直接抽提法：直接抽提法是通过将土壤样品与有机溶剂反应，使有机质在溶剂中溶解，通过溶液的浓度来计算有机质含量。
该方法适用范围广，操作简单，准确度高。
不同的测定土壤有机质含量的方法各有特点，选择合适的方法取决于具体的实际情况。
在进行测定时，应根据试验目的、仪器设备的条件和测定精度的要求等因素进行选择，以保证结果的准确性和可靠性。
希望通过以上对比分析，能够为大家在测定土壤有机质含量时提供一些参考。
利用高光谱遥感与可见光-近红外段光谱预测土壤有机碳（Soil organic carbon prediction by hyperspectral remote sensing and field vis-NIR spectroscopy）摘要本文利用可见光和近红外反射(vis-NIR)高光谱图像的最接近遥感数据。
预测土壤有机碳(SOC)的结果进行比较，土样采集在Narrabri地区,在澳大利亚新南威尔士(NSW)的北方占据优势的是Vertisols（变性土）,这个地区Vis-NIR的光谱采集用AgriSpec便携式光谱仪(350 - 2500nm)和远距离机载高光谱传感器卫星(400 - 2500nm)。
,利用偏最小二乘法回归法(PLSR)，偏最小二乘回归法（PLSR：partial least squares regression)：是一种新型的多元统计数据分析方法，它主要研究的是多因变量对多自变量的回归建模，特别当各变量内部高度线性相关时，用偏最小二乘回归法更有效。
另外，偏最小二乘回归较好地解决了样本个数少于变量个数等问题。
偏最小二乘法是集主成分分析、典型相关分析和多元线性回归分析3种分析方法的优点于一身。
它与主成分分析法都试图提取出反映数据变异的最大信息，但主成分分析法只考虑一个自变量矩阵，而偏最小二乘法还有一个“响应”矩阵，因此具有预测功能。
）使用的近距离与星载遥感光谱资料预测土壤有机碳含量。
近距离和远距离遥感数据的光谱分辨率是不会影响预测精度的。
然而,在相同光谱分辨率情况下，利用高光谱预测土壤有机碳含量精度没有用Agrispec 便携式光谱仪(resampled ）的精度高。
结果显示,用土卫七（Hyperion就是土卫七，围绕着土星运转，1848年9月16日发现Hyperion 是世界上第一个成功发射的星载民用成像光谱仪，也是是目前少数几个仍在轨运行的星载高光谱成像仪。
其搭载卫星EO-1(EarthObserving-1)是美国NASA为接替Landsat7而研制的新型地球观测卫星，于2000年11月21日发射升空。
基于高光谱的土壤有机碳含量预测研究张静【摘要】[Objective] To predict soil organic carbon content.[Method] Surface soil was detected by high spectrometer spectrometric and spectral data was treated,through stepwise multiple linear regression (SMLR) and partial least-squares regression (PLSR) method,soil organic carbon content was predicted,and the accuracy of the two models was compared.[Result] The accuracy of PLSR model was higher than SMLR model.[Conclusion] PLSR method is better than SMLR method in forecasting organic carbon.%[目的]对土壤有机碳含量进行预测研究.[方法]利用高光谱仪对表层土壤进行光谱测定并且进行光谱数据的预处理,通过多元线性逐步回归(SMLR)和偏最小二乘回归(PLSR)方法对土壤有机碳含量进行预测,并对2种模型的精度进行比较.[结果]LSR模型的精度高于SMLR模型.[结论]偏最小二乘回归法优于多元逐步回归法,对有机碳的预测具有更好的效果.【期刊名称】《安徽农业科学》【年(卷),期】2018(046)002【总页数】4页(P1-3,7)【关键词】土壤;有机碳;高光谱;多元线性逐步回归;偏最小二乘回归【作者】张静【作者单位】安徽师范大学,安徽芜湖241000【正文语种】中文【中图分类】S126土壤是人类生活和农业生产的支撑和基础，对土壤类型的区分可以帮助人类因地制宜地利用土壤，同时也给土地利用规划、土地评价、农业技术推广提供重要的依据。
遥感技术在农业方面的应用进展汇总推动智慧农业、设施农业的发展，全国各地的科研院所都投入不少人力物力，跨行业跨学科展开了研究应用，利用物联网、遥感遥测、人工智能、机器视觉、深度学习、影像采集等技术，为实现农业生产管理的数字化、智能化、自动化而努力。
无数关于农业的科研论文也陆续发表，其中，遥感技术在农业方面的应用已然有了一定进展。
一、机载遥感系统应用精准农业的有人机载成像系统，由安装在农用飞机上的消费级相机组成的系统，详细描述了多光谱相机、高光谱相机和热成像相机等部分定制，和商用机载成像系统。
并举例应用实例，说明如何将不同类型的遥感图像用于精准农业应用中的作物生长评估和作物病虫害管理。
二、大尺度区域水田空间格局及生态服务基于1990—2015年土地利用遥感监测数据，利用GIS的空间分析功能，探究长江经济带水田空间格局动态变化特征。
结果表明水田规模持续缩减，与经济建设及水产养殖的发展、其他生态系统转化、及生态系统服务，有助于揭示长江流域水田的时空变化过程，及其对各项生态系统服务的影响，可为区域土地利用规划、农业政策与生态可持续发展提供理论支持。
三、水稻含水量无人机遥感监测利用多旋翼无人机低空遥感平台，获取不同生育期水稻冠层的RGB图像和多光谱图像，通过提取植被指数和纹理特征，分析水稻的动态生长变化，并构建了基于随机森林回归方法的含水量预测模型。
试验结果表明，基于无人机遥感技术监测水稻含水量是可行的，可为农田精准灌溉、田间管理决策提供新思路。
四、植被分类中的对比分析利用一景AVIRIS高光谱植被影像，从分类精度的角度，提取方法在高光谱影像植被分类中的性能。
实验结果为后续改进空-谱特征方法及其两者有效结合，进一步提高植被分类正确率提供了参考。
五、寒地水稻叶片叶绿素含量遥感反演研究通过分析寒地水稻关键生育期叶片高光谱反射率信息，同时结合PROSPECT模型叶绿素含量吸收系数，参考借鉴现有高光谱植被指数的构造方法和形式，利用相关性分析、连续投影法、遗传算法优化的粗糙集属性简约法，进行高光谱特征选择，结果表明;ORVI能够作为快速反演水稻叶绿素含量的高光谱植被指数，为寒地水稻叶绿素含量高光谱遥感诊断，及管理决策提供了的客观数据支撑和模型参考。
高光谱遥感在土壤质地识别中的应用研究概述：土壤是地球上非常重要的资源之一，对于农业生产、生态环境和水资源管理具有重要的意义。
而土壤的质地是土壤的基本特性之一，对于农业生产和土地利用规划起着至关重要的作用。
传统的土壤质地识别方法需要进行大量的野外调查和实验室测试，耗时耗力且成本高昂。
而高光谱遥感技术能够获取土壤光谱信息，可通过对光谱数据的分析，实现对土壤质地的自动、快速、准确识别。
一、高光谱遥感技术简介高光谱遥感是指利用遥感卫星或航空遥感平台获取地物连续光谱的技术。
与传统遥感技术相比，高光谱遥感能够提供地物更丰富、更准确的光谱信息，有效地提高了对地物的识别能力。
高光谱遥感数据通常包含了成百上千个窄带的光谱波段，覆盖了可见光、近红外和短波红外等范围。
二、高光谱遥感在土壤质地识别中的应用1. 土壤光谱特征分析高光谱遥感技术通过获取土壤的光谱特征，能够发现土壤质地与光谱之间的关系。
对土壤光谱数据进行分析可以获得不同波段对土壤质地的敏感性信息。
例如，通过对可见光和近红外波段的反射率进行分析，可以发现不同质地土壤在光谱曲线形状上的差异，从而实现对土壤质地的初步区分。
2. 光谱指数方法光谱指数是一种通过计算光谱波段间的比值或差值来表征地物特征的方法。
在土壤质地识别中，常用的光谱指数包括归一化差异植被指数（NDVI）、土壤调查等级指数（SCI）等。
这些指数通过光谱数据进行计算，能够从土壤光谱中提取出与土壤质地相关的特征，达到快速准确识别土壤质地的目的。
3. 光谱分类方法光谱分类方法是利用计算机算法对高光谱遥感数据进行处理和分析，将地物进行分类。
其中最常用的方法是基于支持向量机（SVM）算法的分类。
该方法通过训练样本对土壤质地进行分类器的训练，然后使用训练好的分类器对未知样本进行分类，即可以对土壤质地进行自动识别。
光谱分类方法能够在较高的精度下对土壤质地进行分析，实现了对大规模土地的快速识别。
三、高光谱遥感在土壤质地识别中的优势与挑战1. 优势（1）高光谱遥感技术可以快速获取大面积土地的光谱信息，提供了便捷的数据来源。
中国农业科技导报ꎬ２０２１ꎬ２３(５):１３２－１４２ＪｏｕｒｎａｌｏｆＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ㊀收稿日期:２０２０￣０８￣２４ꎻ接受日期:２０２０￣１０￣２４㊀基金项目:内蒙古自治区科技重大专项(２０１９ＺＤ００３)ꎮ㊀联系方式:陈昊宇Ｅ￣ｍａｉｌ:ｃｈｅｎｈａｏｙｕ０８０７＠１６３.ｃｏｍꎻ∗通信作者杨光Ｅ￣ｍａｉｌ:ｙｇ３３１＠１２６.ｃｏｍ基于连续小波变换的土壤有机质含量高光谱反演陈昊宇ꎬ㊀杨光∗ꎬ㊀韩雪莹ꎬ㊀刘昕ꎬ㊀刘峰ꎬ㊀王宁(内蒙古农业大学沙漠治理学院ꎬ内蒙古自治区风沙物理与防沙治沙工程重点实验室ꎬ呼和浩特０１００１０)摘㊀要:以托克托县境内１２０个土壤有机质含量以及对应光谱数据为数据源ꎬ探究了不同土壤类型与土地利用类型下土壤有机质高光谱反演研究的可行性ꎬ采用连续小波变换对原始光谱(Ｒ)㊁光谱倒数(１/Ｒ)㊁光谱对数(ＬｎＲ)㊁光谱一阶微分(Ｒᶄ)进行分解生成小波系数并与土壤有机质进行相关系分析ꎬ提取特征波段建立ＢＰ神经网络与支持向量机模型(ＳＶＭ)ꎮ结果表明:①Ｒ㊁１/Ｒ㊁ＬｎＲ㊁Ｒᶄ与土壤有机质相关系数经过连续小波变换后ꎬ较之前增加了０.２０４㊁０.０９０㊁０.１９９㊁０.２５２ꎬ表明连续小波变换可深度挖掘光谱潜在信息ꎬ提升与有机质含量之间的相关系数ꎮ②未经过连续小波处理前ꎬＳＶＭ无法实现对当地土壤有机质含量的预测ꎬ经过处理后ꎬ模型ＳＶＭ￣ＣＷＴ￣Ｒ与ＳＶＭ￣ＣＷＴ￣Ｒᶄ的精度决定系数分别达到了０５０㊁０.５６ꎬ均方根误差为０.１７㊁０.１５ꎬ相对分析误差为１.６２㊁１.５３ꎬ实现了对土壤有机质的有效估算ꎮ③经过连续小波变换后ＢＰ神经网络预测模型结果得到提升ꎬ其中ＢＰ￣ＣＷＴ￣ＬｎＲ预测模型效果最佳ꎬ精度决定系数达到０.７６ꎬ较之前ＢＰ￣ＬｎＲ提升了０.２ꎻ均方根误差达到０ １５ꎬ降低０.０４ꎻ相对分析误差为２.１２ꎬ增加了０.８７ꎮ因此利用ＢＰ￣ＣＷＴ￣ＬｎＲ高光谱反演模型进行区域土壤有机质遥感监测ꎬ可为当今精准农业提供理论参考与技术支持ꎮ关键词:连续小波变换ꎻＢＰ神经网络ꎻ支持向量机ꎻ精准农业ｄｏｉ:１０.１３３０４/ｊ.ｎｙｋｊｄｂ.２０２０.０７４２中图分类号:Ｓ１２７㊀㊀㊀文献标识码:Ａ㊀㊀㊀文章编号:１００８￣０８６４(２０２１)０５￣０１３２￣１１ＨｙｐｅｒｓｐｅｃｔｒａｌＩｎｖｅｒｓｉｏｎｏｆＳｏｉｌＯｒｇａｎｉｃＭａｔｔｅｒＣｏｎｔｅｎｔＢａｓｅｄｏｎＣｏｎｔｉｎｕｏｕｓＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍＣＨＥＮＨａｏｙｕꎬＹＡＮＧＧｕａｎｇ∗ꎬＨＡＮＸｕｅｙｉｎｇꎬＬＩＵＸｉｎꎬＬＩＵＦｅｎｇꎬＷＡＮＧＮｉｎｇ(ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＡｅｏｌｉａｎＰｈｙｓｉｃｓａｎｄＤｅｓｅｒｔｉｆｉｃａｔｉｏｎＣｏｎｔｒｏｌＥｎｇｉｎｅｅｒｉｎｇｆｒｏｍＩｎｎｅｒＭｏｎｇｏｌｉａＡｕｔｏｎｏｍｏｕｓＲｅｇｉｏｎꎬＣｏｌｌｅｇｅｏｆＤｅｓｅｒｔＣｏｎｔｒｏｌＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇꎬＩｎｎｅｒＭｏｎｇｏｌｉａＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙꎬＨｏｈｈｏｔ０１００１０ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｔａｋｉｎｇｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｓｏｆ１２０ｓｏｉｌｓａｍｐｌｅｓａｎｄｃｏｒｒｅｓｐｏｎｄｉｎｇｓｐｅｃｔｒａｌｄａｔａｉｎＴｕｏｋｅｔｕｏＣｏｕｎｔｙａｓｄａｔａｓｏｕｒｃｅｓꎬｔｈｅｆｅａｓｉｂｉｌｉｔｉｅｓｏｆｈｙｐｅｒｓｐｅｃｔｒａｌｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｓｕｎｄｅｒｄｉｆｆｅｒｅｎｔｔｙｐｅｏｆｓｏｉｌｓａｎｄｌａｎｄｓｏｆｄｉｆｆｅｒｅｎｔｕｓｅｗｅｒｅｅｘｐｌｏｒｅｄ.Ｔｈｅｏｒｉｇｉｎａｌｓｐｅｃｔｒｕｍ(Ｒ)ꎬｓｐｅｃｔｒａｌｒｅｃｉｐｒｏｃａｌ(１/Ｒ)ꎬｓｐｅｃｔｒａｌｌｏｇａｒｉｔｈｍ(ＬｎＲ)ａｎｄｓｐｅｃｔｒａｌｆｉｒｓｔ￣ｏｒｄｅｒｄｉｆｆｅｒｅｎｔｉａｌ(Ｒᶄ)ｗｅｒｅｄｅｃｏｍｐｏｓｅｄｂｙｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍｔｏｇｅｎｅｒａｔｅｗａｖｅｌｅｔｃｏｅｆｆｉｃｉｅｎｔｓꎬａｎｄｔｈｅｃｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒａｎｄｗａｖｅｌｅｔｃｏｅｆｆｉｃｉｅｎｔｓｗａｓａｎａｌｙｚｅｄꎬａｎｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ(ＳＶＭ)ｗｅｒｅｅｓｔａｂｌｉｓｈｅｄｂｙｅｘｔｒａｃｔｉｎｇｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｂａｎｄｓ.Ｔｈｅｒｅｓｕｌｔｓｗｅｒｅｆｏｌｌｏｗｅｄ.①ＴｈｅｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｓｂｅｔｗｅｅｎＲꎬ１/ＲꎬＬｎＲꎬＲᶄａｎｄｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｗｅｒｅｉｎｃｒｅａｓｅｄｂｙ０.２０４ꎬ０.０９０ꎬ０.１９９ａｎｄ０.２５２ａｆｔｅｒｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍꎬｒｅｓｐｅｃｔｉｖｅｌｙꎬｗｈｉｃｈｓｈｏｗｅｄｔｈａｔｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍｃｏｕｌｄｄｅｅｐｌｙｍｉｎｅｔｈｅｐｏｔｅｎｔｉａｌｌｙｓｐｅｃｔｒａｌｉｎｆｏｒｍａｔｉｏｎａｎｄｅｎｈａｎｃｅｔｈｅｃｏｒｒｅｌａｔｉｏｎｗｉｔｈｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔ.②ＢｅｆｏｒｅｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｐｒｏｃｅｓｓｉｎｇꎬＳＶＭｃｏｕｌｄｎｏｔｐｒｅｄｉｃｔｔｈｅｃｏｎｔｅｎｔｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒꎬｗｈｉｌｅａｆｔｅｒｐｒｏｃｅｓｓｉｎｇꎬｔｈｅａｃｃｕｒａｃｉｅｓ(Ｒ２)ｏｆＳＶＭ￣ＣＷＴ￣ＲａｎｄＳＶＭ￣ＣＷＴ￣Ｒᶄｗｅｒｅ０.５０ａｎｄ０.５６ꎬＲｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒｓ(ＲＭＳＥ)ｗｅｒｅ０.１７ａｎｄ０.１５ꎬｒｅｓｉｄｕａｌｐｒｅｄｉｃｔｉｖｅｄｅｖｉａｔｉｏｎｓ(ＲＰＤ)ｗｅｒｅ１.６２ａｎｄ１.５３ꎬｒｅｓｐｅｃｔｉｖｅｌｙꎬｗｈｉｃｈｒｅａｌｉｚｅｄｔｈｅｅｆｆｅｃｔｉｖｅｅｓｔｉｍａｔｉｏｎｏｆＳＯＭ.③ＡｆｔｅｒｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍꎬｔｈｅｒｅｓｕｌｔｓｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｗｅｒｅｉｍｐｒｏｖｅｄ.ＡｍｏｎｇｔｈｅｍꎬＢＰ￣ＣＷＴ￣ＬｎＲｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｈａｄｔｈｅｂｅｓｔｅｆｆｅｃｔꎬＲ２ｗａｓ０.７６ꎬｗｈｉｃｈｗａｓｈｉｇｈｅｒｔｈａｎＢＰ￣ｌｎＲꎬＲＭＳＥｗａｓ０.１５ｒｅｄｕｃｅｄｂｙ０.０４ꎬＲＰＤｗａｓ２.１２ｉｎｃｒｅａｓｅｄｂｙ０.８７.ＴｈｅｒｅｆｏｒｅꎬｔｈｅＢＰ￣ＣＷＴ￣ＬｎＲｈｙｐｅｒｓｐｅｃｔｒａｌｉｎｖｅｒｓｉｏｎｍｏｄｅｌｃｏｕｌｄｐｒｏｖｉｄｅｔｈｅｏｒｅｔｉｃａｌｒｅｆｅｒｅｎｃｅａｎｄｔｅｃｈｎｉｃａｌｓｕｐｐｏｒｔｆｏｒｐｒｅｃｉｓｉｏｎａｇｒｉｃｕｌｔｕｒｅ.Ｋｅｙｗｏｒｄｓ:ｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍꎻＢＰｎｅｕｒａｌｎｅｔｗｏｒｋꎻｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅꎻｐｒｅｃｉｓｉｏｎａｇｒｉｃｕｌｔｕｒｅ㊀㊀精准农业作为目前农业发展的主要方向ꎬ是一种基于信息和知识管理的现代化生产系统ꎬ主要是通过３Ｓ(ＧＰＳ㊁ＧＩＳ和ＲＳ)技术与现代农业相结合ꎬ最大限度地提高农业生产力ꎮ所以快速㊁无损㊁精确地获取土壤中水分㊁养分的空间分布成为了实现精准农业的关键环节ꎬ近年来ꎬ光谱分析在土壤化学分析领域得到了迅猛发展ꎬ为实现土壤养分的快速诊断提供了新思路[１]ꎮ有机质是土壤养分供应能力和肥力的重要指标之一ꎬ在全球碳循环中发挥着重要作用ꎮ因此ꎬ快速准确地估测土壤有机质含量对于发展精准农业具有重要意义[２]ꎮ传统的土壤有机质测定方法虽然精度比较高ꎬ但周期较长㊁成本较高ꎬ只能达到瞬测量ꎬ很难进行长时间大面积测量ꎮ高光谱遥感具有波段多㊁波段窄㊁信息丰富和实时高效等特点ꎬ为快速测量土壤有机质含量提供了一种新的方法和手段[３]ꎮ国内外已经有大量研究表明ꎬ通过对光谱数据进行不同的数学变换(主要通过对光谱进行倒数㊁对数㊁微分㊁平方根㊁吸收峰深度㊁包络线去除等方法)可以有效提高光谱数据与土壤有机质含量之间的相关系数ꎬ有效筛选出光谱信息中的敏感波段[４]ꎮ现在各学者主要将研究重心放到了模型建立上[５]ꎬ普遍运用的线性模型有多元逐步回归与偏最小二乘回归[６]ꎻ常见的非线性模型包括ＢＰ神经网络[７]㊁支持向量机[８]㊁决策树[９]等ꎬ而且随着非线性模型算法的逐步改良与完善ꎬ在土壤有机质含量估算中已经成为不可取代的一部分ꎮ随着小波算法的改进与发展ꎬ最初仅运用于植物叶绿素㊁冠层成分含量预测中[１０￣１１]ꎬ目前已成为土壤养分预测的热点问题[１２￣１３]ꎬ连续小波变换是目前被广泛应用的一种方法ꎮ王祥浩[１４]选择土地裸露地区为样区ꎬ利用神经网络算法对光谱连续小波变换㊁一阶导数㊁对光谱的平均值处理㊁光谱背景及深度４种方法建模ꎬ模型结果表明ꎬ小波变换方法得到的神经网络模型精度最高ꎻ包青岭等[１５]选择渭干河－库车河三角洲具有代表性的干旱区绿洲为研究区ꎬ对光谱进行８层分解ꎬ结果表明小波变换不同分解层ꎬ从低频到高频范围内与土壤有机质含量的相关性呈现先减后增的趋势ꎬ结合随机森岭模型可以对干旱区土壤有机质含量进行有效的估算ꎻ王延仓等[１６]以北京东部区潮土为例ꎬ对不同梯度重采样的光谱进行连续小波变换后ꎬ利用偏最小二乘法建立模型ꎬ结果表明连续小波分析算法可深入挖掘土壤光谱内的有益信息ꎬ提升对有机质含量的估测能力ꎬ与土壤高光谱反射率相比ꎬ经连续小波技术处理后ꎬ模型精度得到了有效的提升ꎻ叶红云等[１７]同样针对干旱区土壤ꎬ通过对两种常用光谱变换Ｒᶄ㊁Ｌｎ(１/Ｒ)进行连续小波变换建立偏最小二乘模型ꎬ结果表明连续小波变换不会因人类干扰程度的提高而使模型精度大幅度降低ꎬ更加适用于干旱区有机质含量的预测ꎻ林鹏达等[１８]通过解决黑土有机质高光谱野外反演的困难ꎬ同样证明了连续小波变换可有效提升模型精度ꎮ小波技术在土壤有机质高光谱反演研究中逐渐趋于成熟ꎬ但目前学者的研究多数都在同一土壤类型下或同一区域内ꎬ对于不同土壤类型及土地利用下土壤有机质高光谱反演是否存在影响的研究目前并不多ꎮ本文研究区内土壤类型主要包括３类:沙壤土㊁栗钙土㊁盐碱土ꎬ且部分区域土壤盐渍化程度严重ꎬ导致土壤养分空间分布上存在较大差异ꎬ取样表层土地利用类型主要包括:耕地㊁林地㊁草地㊁盐渍地㊁荒地ꎮ通过对原始光谱(Ｒ)㊁原始光谱倒数(１/Ｒ)㊁原始光谱对数(ＬｎＲ)以及原始光谱一阶微分(Ｒᶄ)４种不同情况进行连续小波变换ꎬ利用ＢＰ神经网络以及支持向量机２种模型ꎬ探究了不同土壤类型与不同土地利用类型下是否会对土壤有机质高光谱反演模型产生影响ꎬ小波变换前后土壤有机质反演模型的精度ꎬ旨为区域土壤有机质含量监测及实现精准农业提供理论与技术支持ꎮ１㊀材料与方法１.１㊀研究区概况托克托县隶属于内蒙古自治区呼和浩特市ꎬ位于自治区中部㊁大青山南麓㊁黄河上中游分界处北岸的土默川平原上(图１)ꎮ地理坐标东经３３１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演１１１ʎ２ᶄ３０ᵡ １１１ʎ３２ᶄ２１ᵡ㊁北纬４０ʎ５ᶄ５５ᵡ ４０ʎ３５ᶄ１５ᵡꎬ总面积１４０９.６７ｋｍ２ꎬ平均海拔１１１７ｍꎬ属于温带大陆性干旱气候ꎬ年均气温７.３ħꎬ年均降雨３６２ｍｍꎮ托克托县耕地总面积达４００ｋｍ２ꎬ其中古城镇㊁新营子镇和五申镇的耕地较多ꎬ占全县耕地面积的６０％以上[１９]ꎬ主要作物包括小麦㊁玉米㊁莜麦ꎮ工农业及生产生活用水主要来源于大黑河和黄河水资源ꎬ整个地形以大黑河为轴ꎬ呈现由丘陵向平原过渡的趋势ꎬ地势为东南高㊁西北和西南低ꎮ东南向西北土壤类型依次为栗钙土㊁砂壤石灰性冲积土㊁盐渍化石灰性冲积土[２０]ꎬ土壤类型的不同导致土壤养分存在差异性分布ꎮ植被类型从西向东依次为草甸草原㊁干草原和退化灌丛草原分布ꎮ以Ｌａｎｄｓａｔ８ＯＬＩ影像为基础数据源ꎬ运用人工目视解译与ＢＰ神经网络分类法得到托克托县２０１９年７月份土地利用数据ꎬ其中耕地面积最大为７３０.１２ｋｍ２ꎬ占５１.７９％ꎻ林草地３３８.７ｋｍ２ꎬ占２４.０２％ꎻ盐碱地１４１.１ｋｍ２ꎬ占１０.００％ꎮ详细土地利用空间分布见图１ꎮ图１㊀土样采集点及土地利用空间分布Ｆｉｇ.１㊀Ｃｏｌｌｅｃｔｉｏｎｐｏｉｎｔｓｏｆｓｏｉｌｓａｍｐｌｅｓａｎｄｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｌａｎｄｕｓｅ１.２㊀研究方法１.２.１㊀土样采集与处理㊀土壤样本点均匀地分布在托克托县境内ꎬ采集方法为五点采样法ꎬ采集深度为０ ２０ｃｍꎬ共采集１２０个点ꎮ采集的土样置于通风干燥室内进行自然风干㊁研磨ꎬ过１０目筛ꎬ进行土壤光谱测定ꎻ过１００目筛ꎬ采用重铬酸钾外加热法进行土壤有机质含量测定ꎮ１.２.２㊀光谱测量及光谱处理㊀土壤光谱于暗室内测量ꎬ采用ＳＶＣＨＲ￣１０２４(北京东方佳气科技有限公司)便携式光谱仪ꎬ光谱范围在３５０~２５００ｎｍꎮ在３５０~１０００ｎｍ波段之间光谱分辨率ɤ３.５ｎｍꎻ在１０００~１８５０ｎｍ波段之间ꎬ光谱分辨率ɤ９.５ｎｍꎻ在１８５０~２５００ｎｍ波段之间ꎬ光谱分辨率ɤ６.５ｎｍꎮ光源采用与太阳光接近的５０Ｗ卤素灯ꎬ将土壤样品放入深２ｃｍ㊁宽１０ｃｍ的黑色器皿内ꎬ用直尺将土壤表面刮平ꎬ探头距离土样１０ｃｍꎬ光源距离土壤表面３０ｃｍꎬ天顶角为１５ʎꎮ测量前用白板进行标定ꎬ每个土样采集５条光谱作为该土样的光谱数据ꎮ由于受噪音与仪器暗电流的的影响ꎬ导致光谱数据混入噪音等信息ꎬ因此删除３５０~３９９ｎｍ和２４００~２５００ｎｍ的波段ꎬ采用五点平滑法对光谱进行平滑处理ꎬ并将光谱重采样至５ｎｍꎬ同时对原始光谱(Ｒ)进行一阶微分(Ｒᶄ)㊁倒数(１/Ｒ)㊁对数(ＬｎＲ)等传统数学变换ꎮ１.２.３㊀连续小波变换㊀采用连续小波变换ꎬ并用Ｍｅｘｈ小波母函数对原始光谱㊁原始光谱的倒数㊁对数㊁一阶微分进行１０层小波变换ꎬ生成一系列小波系数ꎮΨａꎬｂ＝１㊀ａΨλ－ｂａæèçöø÷(１)式中ꎬａ为伸缩因子ꎬｂ为平移因子ꎬλ为土壤高光谱数据的波段数ꎮＷｆａꎬｂ()＝ｆꎬΨａꎬｂ()＝ʏ＋ɕ－ɕｆλ()Ψａꎬｂλ()ｄｙ(２)式中ꎬｆλ()为土壤光谱反射率ꎬ小波系数Ｗｆａꎬｂ()包含二维ꎬ分别为波长(３５０~２５００)与分解尺度(１ꎬ２ꎬ３ １０)ꎬ故小波系数行为尺度数ꎬ列为波长数的矩阵[１６]ꎮ１.２.４㊀模型及精度验证㊀采用ＢＰ神经网络与支持向量机模型(ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅꎬＳＶＭ)建立土壤有机质预测模型ꎬ支持向量机采用线性核函数ꎬ相对于径向基函数(ｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎꎬ４３１中国农业科技导报２３卷ＲＢＦ)来说计算高效ꎬ不易过拟合ꎮＢＰ神经网络的迭代次数设置为１０００ꎬ学习率０.０１ꎬ训练的均方根误差(ｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒꎬＲＭＳＥ)小于０.００１ꎮ依据相关系数筛选的特征波段以及小波系数作为自变量ꎬ土壤有机质含量为因变量ꎬ分别建立模型ꎬ模型精度采用决定系数(Ｒ２)㊁均方根误差(ＲＭＳＥ)㊁相对分析误差(ｒｅｌａｔｉｖｅｐｅｒｃｅｎｔｄｅｖｉａｔｉｏｎꎬＲＰＤ)以及１ʒ１线共同评价ꎮＲ２表征模型的稳定性ꎬ越接近于１模型越稳定ꎬ拟合程度越好ꎮ均方根误差(ＲＭＳＥ)用来检验模型的预报能力ꎬＲＭＳＥ越小则表明模型的估测能力越好ꎮＲＰＤ是样本的标准差与ＲＭＳＥ的比值ꎬＲＰＤ<１.４时ꎬ模型无法对样品进行预测ꎻ１.４ɤＲＰＤ<２时ꎬ模型效果一般ꎬ可以用来对样品进行粗略评估ꎻＲＰＤȡ２时ꎬ模型具有极好的预测能力ꎮ１ʒ１线表示实测值与预测值构成的点偏离ｙ＝ｘ线的程度[２１]ꎮ２㊀结果与分析２.１㊀土壤有机质含量统计分析建模样品集㊁不同土地利用方式㊁不同土壤类型下土壤有机质含量描述性统计见表１ꎮ本研采样点内土地利用方式主要包括林地㊁草地㊁耕地㊁盐渍地ꎬ土壤有机质在草地内均值含量最大(０ ８０％)ꎬ其次为林地(０.７２％)㊁耕地(０.６７％)㊁盐渍地有机质含量最低(０.６３％)ꎻ土壤有机质含量最大值位于耕地(１.２８％)ꎬ最小值位于林地(０ １９％)ꎮ采样点内主要土壤类型为栗钙土㊁沙壤土㊁盐碱土ꎬ沙壤土有机质含量最高(０.７７％)ꎬ其次为盐碱土(０.６８％)和栗钙土(０.６７％)ꎬ土壤有机质含量最大值位于沙壤土内(１.２８％)ꎬ最小值位于盐碱土内(０.１９％)ꎮ表１㊀土壤有机质含量描述性统计结果Ｔａｂｌｅ１㊀Ｄｅｓｃｒｉｐｔｉｖｅｓｔａｔｉｓｔｉｃｓｒｅｓｕｌｔｓｏｆｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎｓｏｉｌｓａｍｐｌｅｓ项目Ｉｔｅｍ样品集及类型Ｓａｍｐｌｅｓｅｔａｎｄｔｙｐｅ土样数Ｎｕｍｂｅｒｏｆｓａｍｐｌｅｓ最大值Ｍａｘｉｍｕｍ/％最小值Ｍｉｎｉｍｕｍｖａｌｕｅ/％均值Ｍｅａｎｖａｌｕｅ/％标准差Ｓｔａｎｄａｒｄｄｅｖｉａｔｉｏｎ/％模型样品集Ｍｏｄｅｌｓａｍｐｌｅｓｅｔ样品全集Ｗｈｏｌｅｓｅｔ１２０１.２００.１９４０.７１０.２７６建模集Ｍｏｄｅｌｉｎｇｓｅｔ９０１.２００.１９０.７２０.２２７验证集Ｖａｌｉｄａｔｉｏｎｓｅｔ３０１.２８０.２５０.７０.２５７土地利用方式Ｌａｎｄｕｓｅｐａｔｔｅｒｎ耕地Ｃｕｌｔｉｖａｔｅｄｌａｎｄ５５１.２８０.２００.６７０.２０林地Ｗｏｏｄｌａｎｄ２０１.１５０.１９０.７２０.２３草地Ｇｒａｓｓｌａｎｄ２５１.１８０.２５０.８００.２１盐渍地Ｓａｌｉｎｅｓｏｉｌ２０１.０３０.２５０.６３０.２２土壤类型Ｓｏｉｌｔｙｐｅ栗钙土Ｃｈｅｓｔｎｕｔｓｏｉｌ５４１.２０.２０.６７０.２２沙壤土Ｓａｎｄｙｌｏａｍ５１１.２８０.２５０.７７０.２４盐碱土Ｓａｌｉｎｅ￣ａｌｋａｌｉｓｏｉｌ１５１.１５０.１９０.６８０.２２２.２㊀土壤反射光谱特征对Ｒ㊁１/Ｒ㊁ＬｎＲ㊁Ｒᶄ进行小波变换ꎬ变换结果如图２所示ꎬＲ㊁１/Ｒ㊁ＬｎＲ光谱曲线较为平滑ꎬ分解曲线随波峰波谷变化.Ｒᶄ其光谱曲线并不规则存在较多波峰波谷ꎬ分解小波系数与前三者不同ꎮＲ㊁１/Ｒ㊁ＬｎＲ㊁Ｒᶄ分解后ꎬ小波系数均随分解尺度的增加而增加ꎬ同时可以看出ꎬ由Ｍｅｘｈ小波母函数进行的连续小波变换ꎬ对于光谱波峰与波谷有较高的敏感性ꎬ对于放大㊁挖掘光谱信息有着显著的作用ꎮ２.３㊀相关性分析２.３.１㊀不同导数变换光谱与土壤有机质含量相关性㊀土壤有机质含量与光谱相关性曲线及敏感波段见图３ꎮＲ与土壤有机质含量呈负相关关系(相关系数ｒ＝－０.４６３)ꎬ主要集中于７３５~７８０ｎｍ处波段ꎻ１/Ｒ与土壤有机质的相关性则与Ｒ相反ꎬ呈正相关关系(ｒ＝０.４６２)ꎬ集中于６００~８００ｎｍ与１８００~２２００ｎｍ处波段ꎻＬｎＲ的相关性曲线图与Ｒ相关性曲线类似ꎬ总体呈现负相关关系ꎬ相关系数(ｒ＝－０.４６５)ꎬ主要集中于７４５~７９５５３１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演ｎｍ处的波段ꎻＲᶄ相关性在５００ｎｍ(ｒ＝－０.５８９)与１４００ｎｍ(ｒ＝－０.４１１)处为负相关ꎬ在８００ｎｍ(ｒ＝０.４０８)与１３８０ｎｍ(ｒ＝０.４１２)处为正相关ꎬ相关系数曲线变换趋势与前三者不同ꎬ呈无规律变化ꎮ２.３.２㊀不同分解尺度小波系数与土壤有机质含量的相关性㊀图４为不同光谱变换方式经过连续小波变换后与土壤有机质含量的相关系数矩阵图ꎬ其中红色代表相关性高的区域ꎬ蓝色代表相关性低的区域ꎮＲ在８００~１０００㊁１４００~１６００ｎｍ处相关性明显增加ꎬ在５００㊁８００㊁２２００ｎｍ波段处相关系数达到最大值(ｒ＝０.６６７)ꎻ１/Ｒ在８００~１２００ｎｍ处相关系数达到最大值(ｒ＝０.５５２)ꎬ在２４００~２５００ｎｍ处相系数达到０.４ꎬ受噪音和仪器本身的影响ꎬ此波段的相关系数不进行相关性参考ꎻＬｎＲ在分解尺度１下相关性较低ꎬ在２~１０尺度下ꎬ相关性出现最大值(ｒ＝０.６６４)ꎻＲᶄ相关性主要集中在５００~９００㊁１２００~１６００㊁２１００~２３００ｎｍ处ꎮ筛选的敏感波段与尺度如表２所示ꎮ有效的光谱信息主要存在于低分解尺度ꎬ随分解尺度的增加呈递减趋势ꎬ相关性最大值较未处理前分别增加了０.２０４㊁０.０９㊁０.１９９㊁０.２５２ꎬ对于挖掘潜在光谱信息有着重要意义ꎮ２.４㊀土壤有机质高光谱模型建立２.４.１㊀ＢＰ神经网络预测模型㊀采用ＢＰ神经网络构建反演模型ꎬ结果如表３所示ꎮ未进行连续小波变换处理的模型中ꎬＢＰ￣Ｒ与ＢＰ￣Ｒᶄ效果较好ꎬＲ２分别为０.６９和０.７３ꎬＲＰＤ为１.４５与１.５３ꎬ模型能粗略估算土壤有机含量ꎬＢＰ￣ＬｎＲ与ＢＰ￣１/Ｒ样本外预测能力较差ꎬ同时ＲＰＤ未达到１.４以上ꎬ不能对土壤有机质未能进行有效预测ꎻ连续小图２㊀连续小波变换光谱特性Ｆｉｇ.２㊀Ｓｐｅｃｔｒａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ６３１中国农业科技导报２３卷图３㊀土壤光谱相关性曲线及敏感波段Ｆｉｇ.３㊀Ｃｏｒｒｅｌａｔｉｏｎｃｕｒｖｅａｎｄｓｅｎｓｉｔｉｖｅｂａｎｄｏｆｓｏｉｌｓｐｅｃｔｒｕｍ图４㊀土壤有机质与小波系数相关性Ｆｉｇ.４㊀Ｃｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒａｎｄｗａｖｅｌｅｔｃｏｅｆｆｉｃｉｅｎｔｓ７３１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演表２㊀筛选的敏感波段Ｔａｂｌｅ２㊀Ｓｅｎｓｉｔｉｖｅｂａｎｄｆｏｒｓｃｒｅｅｎｉｎｇ处理方式Ｔｒｅａｔｍｅｎｔｍｅｔｈｏｄ相关系数Ｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔ分解尺度Ｄｅｃｏｍｐｏｓｉｔｉｏｎｓｃａｌｅ敏感波段Ｓｅｎｓｉｔｉｖｅｂａｎｄ/ｎｍＣＷＴ￣Ｒ０.６６７１~１０２１４㊁２１２㊁９１㊁９１㊁１０９㊁１０９㊁１０９㊁１１０㊁１１１㊁１１２ＣＷＴ￣１/Ｒ０.５５２１~７４００㊁２１２㊁１０８㊁１０８㊁１０８㊁１０８㊁１０９ＣＷＴ￣ＬｎＲ０.６６４２~８２１３㊁２１２㊁４５㊁４５㊁４５㊁１０９㊁１１０ＣＷＴ￣Ｒᶄ０.６６４１~１０２１２㊁２１５㊁２１５㊁２１６㊁９９㊁９９㊁９９㊁９８㊁９８㊁９８波变换处理之后的模型ꎬ仅ＢＰ￣ＣＷＴ￣１/Ｒ模型ＲＰＤ未达到预测水平ꎬ其余３种模型Ｒ２与ＲＰＤ较未处理前均有所增加ꎬＲＭＳＥ均减少ꎬ其中ＢＰ￣ＣＷＴ￣ＬｎＲ模型预测效果较好ꎬＲＰＤ达到２.１２可以有效地对土壤有机质进行预测ꎮ将ＢＰ￣ＣＷＴ处理的４个模型的实测值与预测值进行１ʒ１线分析ꎮ由图５可知ꎬ除ＢＰ￣ＣＷＴ￣１/Ｒ模型外ꎬ其余模型的实测值与预测值样点基本分布在１ʒ１线附近ꎬＢＰ￣ＣＷＴ￣ＬｎＲ效果较为明显ꎬ且估算精度高ꎬ可较好地进行土壤有机质含量的估算ꎮ２.４.２㊀支持向量机预测模型㊀ＳＶＭ构建反演模型ꎬ结果如表４所示ꎮ未经过连续小波处理的光谱特征波段未能较好地对土壤有机质进行预测反演ꎬ经过ＣＷＴ后模型ＳＶＭ￣ＣＷＴ￣Ｒ与ＳＶＭ￣ＣＷＴ￣Ｒᶄ预测结果较之前有较大的提升ꎬＲ２分别达到了０.５０与０.５６ꎬ二者ＲＰＤ均达到１.４以上ꎬ可以粗表３㊀土壤有机质ＢＰ神经网络估测模型结果Ｔａｂｌｅ３㊀ＲｅｓｕｌｔｓｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｆｏｒｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒ模型Ｍｏｄｅｌ建模集ＭｏｄｅｌｉｎｇｓｅｔＲ２ＲＭＳＥ验证集ＶａｌｉｄａｔｉｏｎｓｅｔＲ２ＲＭＳＥＲＰＤＢＰ￣Ｒ０.６９０.１７０.５２０.１９１.４５ＢＰ￣１/Ｒ０.６８０.１７０.３３０.２２１.２５ＢＰ￣ＬｎＲ０.５６０.１９０.２４０.２２１.２５ＢＰ￣Ｒᶄ０.７３０.１６０.５２０.１８１.５３ＢＰ￣ＣＷＴ￣Ｒ０.８００.１４０.５４０.１７１.６２ＢＰ￣ＣＷＴ￣１/Ｒ０.６４０.１８０.２１０.２８０.９８ＢＰ￣ＣＷＴ￣ＬｎＲ０.７６０.１５０.７４０.１３２.１２ＢＰ￣ＣＷＴ￣Ｒᶄ０.７７０.１４０.６６０.１６１.７２表４㊀土壤有机质支持向量机估测模型结果Ｔａｂｌｅ４㊀Ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｒｅｓｕｌｔｓｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒ模型Ｍｏｄｅｌ建模集ＭｏｄｅｌｉｎｇｓｅｔＲ２ＲＭＳＥ验证集ＶａｌｉｄａｔｉｏｎｓｅｔＲ２ＲＭＳＥＲＰＤＳＶＭ￣Ｒ０.２１０.２００.１９０.２０１.３８ＳＶＭ￣１/Ｒ０.２１０.２００.２００.２１１.３１ＳＶＭ￣ＬｎＲ０.２１０.２００.２００.２１１.３１ＳＶＭ￣Ｒᶄ０.４３０.１７０.２７０.２０１.３８ＳＶＭ￣ＣＷＴ￣Ｒ０.５００.１６０.４８０.１７１.６２ＳＶＭ￣ＣＷＴ￣１/Ｒ０.２９０.１９０.１６０.２１１.３１ＳＶＭ￣ＣＷＴ￣ＬｎＲ０.４９０.１６０.２７０.２０１.３８ＳＶＭ￣ＣＷＴ￣Ｒᶄ０.５６０.１５０.４１０.１８１.５３８３１中国农业科技导报２３卷图５㊀ＢＰ￣ＣＷＴ模型土壤实测值与预测值对比Ｆｉｇ.５㊀ＣｏｍｐａｒｉｓｏｎｏｆｍｅａｓｕｒｅｄｖａｌｕｅａｎｄｐｒｅｄｉｃｔｅｄｖａｌｕｅｏｆＢＰ￣ＣＷＴｍｏｄｅｌ略地对土壤有机质进行预测ꎮ同时根据图６ꎬＳＶＭ￣ＣＷＴ模型进行１:１线分析ꎬ二者实测值与预测值分布情况在４种模型下较好ꎬ虽然模型ＳＶＭ￣ＣＷＴＬｎＲ分布同样较为集中ꎬ但其样本外预测情况较差(ＲＰＤ＝１.３８)ꎬ综合考虑不对其进行土壤有机质预测ꎮ结合表３和表４的结果分析ꎬ连续小波变换能够有效地提升模型精度与模型泛化能力ꎬ对于光谱信息挖掘有着重要意义ꎬＢＰ神经网络与支持向量机对ＣＷＴ￣Ｒ与ＣＷＴ￣Ｒᶄ都能够提升Ｒ２减少ＲＭＳＥꎬ可对土壤有机质做出较好的预测ꎮ虽然ＢＰ神经网络与支持向量机在处理非线性回归问题中有较强的能力ꎬ但本身模型中存在不稳定性ꎬ对模型的环境设置同样要求较高ꎬ所以未能对所有数据集进行良好的预测ꎮ３㊀讨论本研究采用连续小波变换对光谱进行处理ꎬ用ＢＰ神经网络与支持向量机(ＳＶＭ)两种模型对土壤有机质含量进行反演预测ꎮ未经过连续小波变换前ꎬＲ㊁１/Ｒ㊁ＬｎＲ㊁Ｒᶄ与土壤有机质的相关系系数最大值分别为－０.４６３㊁０.４６２㊁－０.４６５㊁０.５８９ꎬ可以看出ꎬＲᶄ与土壤有机质的相关系数最高ꎬ与吴倩等[２２]㊁张新乐等[２３]的研究结果相同ꎻ经过连续小波变换后ꎬＣＷＴ￣Ｒ㊁ＣＷＴ￣１/Ｒ㊁ＣＷＴ￣ＬｎＲ㊁ＣＷＴ￣Ｒᶄ相关系数最大值分别为０ ６６７㊁０.５５２㊁０ ６６４㊁０.６６２ꎬ较之前分别增加了０ ２０㊁０.０９㊁０.１９㊁０.０７ꎮ王延仓等[１]㊁于雷等[４]㊁叶红云等[１７]等同样证明连续小波变换可有效提高与土壤有机质含量的相关系数ꎮ不同分解尺度对于光谱数据的深度挖掘有着重要意义ꎬ本研究只利用Ｍｅｘｈ小波母函数进行处理ꎬ未对其他函数进行考虑ꎬ分解层数同样是根据前人经验所得[４ꎬ１０]ꎬ小波技术的研究与发展仍然有很大的探索空间ꎮ相对于两种模型来看ꎬ未进行连续小波处理９３１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演图６㊀利用ＳＶＭ￣ＣＷＴ模型土壤实测值与预测值的对比Ｆｉｇ.６㊀ＣｏｍｐａｒｉｓｏｎｏｆｓｏｉｌｍｅａｓｕｒｅｄｖａｌｕｅａｎｄｐｒｅｄｉｃｔｅｄｖａｌｕｅｏｆＳＶＭ￣ＣＷＴｍｏｄｅｌ的支持向量机模型中ꎬ只有ＳＶＭ￣Ｒᶄ模型Ｒ２最高达到０.４３ꎬ其余三者均未到达０.４ꎮ综合多种模型评价方法ꎬ由于其ＲＰＤ未达到１.４以上ꎬ无法对土壤有机质含量进行预测ꎮ经过连续小波处理后ꎬ各模型的Ｒ２有明显提高ꎬ其中ＳＶＭ￣ＣＷＴ￣Ｒ与ＳＶＭ￣ＣＷＴ￣Ｒᶄ模型效果较好ꎬＲ２分别提高了０.２９㊁０.１３ꎬＲＰＤ达到１.６２与１.５３实现了对土壤有机质有效的预测ꎬ但预测结果较ＢＰ神经网络较低ꎮ在ＢＰ神经网络预测模型中ꎬ未进行连续小波变换前ꎬＢＰ￣Ｒ与ＢＰ￣Ｒᶄ预测效果较好ꎬＲ２达到０.６９与０.７３ꎬＲＰＤ为１.４５与１.５３ꎻ进行连续小波处理后ꎬ除ＳＶＭ￣ＣＷＴ￣１/Ｒ模型未到达预测效果ꎬ其余３种模型预测结果较之前均有明显改善ꎬ可实现对土壤有机质较好的预测ꎬ其中ＢＰ￣ＣＷＴ￣ＬｎＲ预测模型效果最佳Ｒ２达到０.７６ꎬＲＰＤ达到２.１２ꎮ根据１:１线分析图也可看出ꎬ其实测值与预测值分布较为集中ꎬ于雷等[４]㊁叶红云等[１７]㊁林鹏达等[１８]同样通过连续小波变换有效提升了模型的精度与泛化能力ꎮ针对土壤有机质高光谱反演研究中ꎬ姚聪[２４]对耕层土壤通过ＢＰ神经网络与支持向量机模型ꎬ反演精度Ｒ２分别为０.４２与０.６７ꎻ叶红云等[１７]采用连续小波变换对干旱区土壤有机质反演ꎬ模型精度Ｒ２＝０.７５㊁ＥＭＳＥ＝０.７１ꎻ谢文[２５]在森林土壤有机质反演研究中ꎬＢＰ神经网络模型Ｒ２＝０ ７８㊁ＥＭＳＥ＝０.７７ꎬ支持向量机模型Ｒ２＝０.８７㊁ＥＭＳＥ＝０.７６ꎮ本研究对耕地㊁林草地㊁盐碱地㊁栗钙土㊁沙壤土㊁盐渍土等不同土地利用类型与土壤类型进行综合反演ꎬ最佳反演模型为ＢＰ￣ＣＷＴＬｎＲꎬＲ２＝０.７６㊁ＥＭＳＥ＝０.１５㊁ＲＰＤ＝２.１２ꎬ与前人研究的结果基本相符ꎬ证明通过连续小波变换处理ꎬ不同土壤类型与土地利用类型未对土壤反演模型精度产生影响ꎮ所以采用连续小波变换进行光谱数据挖掘ꎬ采用ＢＰ￣ＣＷＴ￣ＬｎＲ神经网络建０４１中国农业科技导报２３卷立反演模型ꎬ可对不同土地利用于土壤类型条件下土壤有机质高光谱反演提供一定的理论支持与应用价值ꎮ参㊀考㊀文㊀献[１]㊀王延仓ꎬ杨秀峰ꎬ赵起超ꎬ等.二进制小波技术定量反演北方潮土土壤有机质含量[Ｊ].光谱学与光谱分析ꎬ２０１９ꎬ３９(９):２８５５－２８６１.ＷＡＮＧＹＣꎬＹＡＮＧＸＦꎬＺＨＡＯＱＣꎬｅｔａｌ..Ｑｕａｎｔｉｔａｔｉｖｅｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｂａｓｅｄｏｎｂｉｎａｒｙｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ[Ｊ].ＳｐｅｃｔｒｏｓｃｏｐｙＳｐｅｃｔｒａｌＡｎａｌ.ꎬ２０１９ꎬ３９(９):２８５５－２８６１. [２]㊀于雷ꎬ洪永胜ꎬ耿雷ꎬ等.基于偏最小二乘回归的土壤有机质含量高光谱估算[Ｊ].农业工程学ꎬ２０１５ꎬ３１(１４):１０３－１０９.ＹＵＬꎬＨＯＮＧＹＳꎬＧＥＮＧＬꎬｅｔａｌ..Ｈｙｐｅｒｓｐｅｃｔｒａｌｅｓｔｉｍａｔｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｂａｓｅｄｏｎｐａｒｔｉａｌｌｅａｓｔｓｑｕａｒｅｓｒｅｇｒｅｓｓｉｏｎ[Ｊ].Ｔｒａｎｓ.ＣＳＡＥꎬ２０１５ꎬ３１(１４):１０３－１０９. [３]㊀钟浩ꎬ李西灿ꎬ翟浩然ꎬ等.耕层土壤有机质高光谱间接估测模型[Ｊ].测绘科学技术学报ꎬ２０１９ꎬ３６(１):７４－７８ꎬ８５.ＺＨＯＮＧＨꎬＬＩＸＣꎬＺｈＡＩＨＲꎬｅｔａｌ..Ｈｙｐｅｒｓｐｅｃｔｒａｌｉｎｄｉｒｅｃｔｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎｐｌｏｕｇｈｌａｙｅｒ[Ｊ].Ｊ.ＧｅｏｍａｔｉｃｓＴｅｃｈｎｏｌ.ꎬ２０１９ꎬ３６(１):７４－７８ꎬ８５. [４]㊀于雷ꎬ洪永胜ꎬ周勇ꎬ等.连续小波变换高光谱数据的土壤有机质含量反演模型构建[Ｊ].光谱学与光谱分析ꎬ２０１６ꎬ３６(５):１４２８－１４３３.ＹＵＬꎬＨＯＮＧＹＳꎬＺＨＯＵＹꎬｅｔａｌ..Ｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｕｓｉｎｇｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａｂａｓｅｄｏｎｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍａｔｉｏｎ[Ｊ].ＳｐｅｃｔｒｏｓｃｏｐｙＳｐｅｃｔｒａｌＡｎａｌ.ꎬ２０１６ꎬ３６(５):１４２８－１４３３.[５]㊀ＳＴＥＮＢＥＲＧＢꎬＶＩＳＣＡＲＲＡＲＲＡꎬＭＯＵＡＺＥＮＡＭꎬｅｔａ１..Ｖｉｓｉｂｌｅａｎｄｎｅａｒｉｎｆｒａｒｅｄｓｐｅｃｔｒｏｓｃｏｐｙｉｎｓｏｉｌｓｃｉｅｎｃｅ[Ｊ].Ａｄｖ.Ａｇｒｏｎ.ꎬ２０１０ꎬ１０７:１６３－２１５.[６]㊀聂哲ꎬ李秀芬ꎬ吕家欣ꎬ等.东北典型黑土区表层土壤有机质含量高光谱反演研究[Ｊ].土壤通报ꎬ２０１９ꎬ５０(６):１２８５－１２９３.ＮＩＥＺꎬＬＩＵＸＦꎬＬＹＵＪＸꎬｅｔａｌ..ＨｙｐｅｒｓｐｅｃｔｒａｌｒｅｔｒｉｅｖａｌｏｆｓｕｒｆａｃｅｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎａｔｙｐｉｃａｌｂｌａｃｋｓｏｉｌｒｅｇｉｏｎｏｆｎｏｒｔｈｅａｓｔＣｈｉｎａ[Ｊ].Ｃｈｉｎ.Ｊ.ＳｏｉｌＳｃｉ.ꎬ２０１９ꎬ５０(６):１２８５－１２９３.[７]㊀沈润平ꎬ丁国香ꎬ魏国栓ꎬ等.基于人工神经网络的土壤有机质含量高光谱反演[Ｊ].土壤学报ꎬ２００９ꎬ４６(３):３９１－３９７.ＳＨＥＮＲＰꎬＤＩＮＧＧＸꎬＷＥＩＧＳꎬｅｔａｌ..Ｒｅｔｒｉｅｖａｌｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｆｒｏｍｈｙｐｅｒ￣ｓｐｅｃｔｒｕｍｂａｓｅｏｎＡｎｎ[Ｊ].ＡｃｔａＰｅｄｏｌ.Ｓｉｎ.ꎬ２００９ꎬ４６(３):３９１－３９７.[８]㊀沈强ꎬ张世文ꎬ夏沙沙ꎬ等.基于支持向量机的土壤有机质高光谱反演[Ｊ].安徽理工大学学报(自然科学版)ꎬ２０１９ꎬ３９(４):３９－４５.ＳＨＥＮＱꎬＺＨＡＮＧＳＷꎬＸＩＡＳＳꎬｅｔａｌ..Ｈｙｐｅｒｓｐｅｃｔｒａｌｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｂａｓｅｄｏｎｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ[Ｊ].Ｊ.ＡｎｈｕｉＵｎｉｖ.Ｓｃｉ.Ｔｅｃｈｎｏｌ.(Ｎａｔ.Ｓｃｉ.)ꎬ２０１９ꎬ３９(４):３９－４５.[９]㊀ＢＲＥＩＭＡＮＬꎬＦＲＩＥＤＭＡＮＪＨꎬＯＬＳＨＥＮＲＡꎬｅｔａｌ..ＣｌａｓｓｉｆｉｃａｔｉｏｎａｎｄＲｅｇｒｅｓｓｉｏｎＴｒｅｅｓ[Ｍ].Ｂｅｌｍｏｎｔ:ＷａｄｓｗｏｒｔｈＩｎｔｅｒｎａｔｉｏｎａｌＧｒｏｕｐꎬ１９８４.[１０]㊀方圣辉ꎬ乐源ꎬ梁琦.基于连续小波分析的混合植被叶绿素反演[Ｊ].武汉大学学报ꎬ２０１５ꎬ４０(３):２９６－３０２.ＦＡＮＧＳＨꎬＬＥＹꎬＬＩＡＮＧＱ.Ｒｅｔｒｉｅｖａｌｏｆｃｈｌｏｒｏｐｈｙｌｌｃｏｎｔｅｎｔｕｓｉｎｇｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔａｎａｌｙｓｉｓａｃｒｏｓｓａｒａｎｇｅｏｆｖｅｇｅｔａｔｉｏｎｓｐｅｃｉｅｓ[Ｊ].ＧｅｏｍａｔｉｃｓＩｎｆｏｒｍ.Ｓｃｉ.ＷｕＨａｎＵｎｉｖ.ꎬ２０１５ꎬ４０(３):２９６－３０２.[１１]㊀何汝艳ꎬ乔小军ꎬ蒋金豹ꎬ等.小波法反演条锈病胁迫下冬小麦冠层叶片全氮含量[Ｊ].农业工程学报ꎬ２０１５ꎬ３１(２):１４１－１４６.ＨＥＲＹꎬＱＩＡＯＸＪꎬＪＩＡＮＧＪＢꎬｅｔａｌ..Ｒｅｔｒｉｅｖｉｎｇｃａｎｏｐｙｌｅａｆｔｏｔａｌｎｉｔｒｏｇｅｎｃｏｎｔｅｎｔｏｆｗｉｎｔｅｒｗｈｅａｔｂｙｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ[Ｊ].Ｔｒａｎｓ.ＣＳＡＥꎬ２０１５ꎬ３１(２):１４１－１４６. [１２]㊀陈红艳ꎬ赵庚星ꎬ李希灿ꎬ等.小波分析用于土壤速效钾含量高光谱估测研究[Ｊ].中国农业科学ꎬ２０１２ꎬ４５(７):１４２５－１４３１.ＣＨＥＮＨＹꎬＺＨＡＯＧＸꎬＬＩＸＣꎬｅｔａｌ..Ａｐｐｌｉｃａｔｉｏｎｏｆｗａｖｅｌｅｔａｎａｌｙｓｉｓｆｏｒｅｓｔｉｍａｔｉｏｎｏｆｓｏｉｌａｖａｉｌａｂｌｅｐｏｔａｓｓｉｕｍｃｏｎｔｅｎｔｗｉｔｈｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｆｌｅｃｔａｎｃｅ[Ｊ].Ｓｃｉ.Ａｇｒｉｃ.Ｓｉｎ.ꎬ２０１２ꎬ４５(７):１４２５－１４３１.[１３]㊀高洪智ꎬ卢启鹏.土壤主要养分近红外光谱分析及其测量系统[Ｊ].光谱学与光谱分析ꎬ２０１１ꎬ３１(５):１２４５－１２４９.ＧＡＯＨＺꎬＬＵＱＰ.Ｎｅａｒｉｎｆｒａｒｅｄｓｐｅｃｔｒａｌａｎａｌｙｓｉｓａｎｄｍｅａｓｕｒｉｎｇｓｙｓｔｅｍｆｏｒｐｒｉｍａｒｙｎｕｔｒｉｅｎｔｏｆｓｏｉｌ[Ｊ].ＳｐｅｃｔｒｏｓｃｏｐｙＳｐｅｃｔｒａｌＡｎａｌ.ꎬ２０１１ꎬ３１(５):１２４５－１２４９.[１４]㊀王祥浩.土壤有机质高光谱反演模型研究[Ｊ].黑龙江工程学院学报ꎬ２０１９ꎬ３３(５):３４－３９.ＷＡＮＧＸＨ.Ｒｅｓｅａｒｃｈｏｎｈｉｇｈｓｐｅｃｔｒａｌｉｎｖｅｒｓｉｏｎｍｏｄｅｌｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒ[Ｊ].Ｊ.ＨｅｉｌｏｎｇｊｉａｎｇＩｎｓｔｉｔｕｔｅＴｅｃｈｎｏｌ.ꎬ２０１９ꎬ３３(５):３４－３９.[１５]㊀包青岭ꎬ丁建丽ꎬ王敬哲ꎬ等.基于随机森林算法的土壤有机质含量高光谱检测[Ｊ].干旱区地理ꎬ２０１９ꎬ４２(６):１４０４－１４１４.ＢＡＯＱＬꎬＤＩＮＧＪＬꎬＷＡＮＧＪＺꎬｅｔａｌ..Ｈｙｐｅｒｓｐｅｃｔｒａｌｄｅｔｅｃｔｉｏｎｏｆｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｂａｓｅｄｏｎｒａｎｄｏｍｆｏｒｅｓｔａｌｇｏｒｉｔｈｍ[Ｊ].ＡｒｉｄＬａｎｄＧｅｏｇｒａｐｈｙꎬ２０１９ꎬ４２(６):１４０４－１４１４.[１６]㊀王延仓ꎬ张兰ꎬ王欢ꎬ等.连续小波变换定量反演土壤有机质含量[Ｊ].光谱学与光谱分析ꎬ２０１８ꎬ３８(１１):３５２１－３５２７.ＷＡＮＧＹＣꎬＺＨＡＮＧＬꎬＷＡＮＧＨꎬｅｔａｌ..Ｑｕａｎｔｉｔａｔｉｖｅｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｂａｓｅｄｏｎｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ[Ｊ].ＳｐｅｃｔｒｏｓｃｏｐｙＳｐｅｃｔｒａｌＡｎａｌ.ꎬ２０１８ꎬ３８(１１):３５２１－３５２７.[１７]㊀叶红云ꎬ熊黑钢ꎬ张芳ꎬ等.基于ＣＷＴ的人类不同程度干扰下干旱区土壤有机质含量估算研究[Ｊ].激光与光电子学进展ꎬ２０１９ꎬ５６(５):１１５－１２４.ＹＥＨＹꎬＸＩＯＮＧＨＧꎬＺＨＡＮＧＦꎬｅｔａｌ..ＣＷＴ￣Ｂａｓｅｄｅｓｔｉｍａｔｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎａｒｉｄａｒｅａｕｎｄｅｒｄｉｆｆｅｒｅｎｔｈｕｍａｎｄｉｓｔｕｒｂａｎｃｅｄｅｇｒｅｅｓ[Ｊ].ＬａｓｅｒＯｐｔｏｅｌｅｃｔｒｏｎｉｃｓＰｒｏｇｒ.ꎬ２０１９ꎬ５６(５):１１５－１２４.[１８]㊀林鹏达ꎬ佟志军ꎬ张继权ꎬ等.基于ＣＷＴ的黑土有机质含量野外高光谱反演模型[Ｊ].水土保持研究ꎬ２０１８ꎬ２５(２):４６－５２ꎬ５７.ＬＩＮＰＤꎬＴＯＮＧＺＪꎬＺＨＡＮＧＪＱꎬｅｔａｌ..Ｉｎｖｅｒｓｉｏｎｏｆｂｌａｃｋｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｗｉｔｈｆｉｅｌｄｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｆｌｅｃｔａｎｃｅｂａｓｅｄｏｎｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍａｔｉｏｎ[Ｊ].Ｒｅｓ.ＳｏｉｌＷａｔｅｒＣｏｎｎｓｅｒｖ.ꎬ２０１８ꎬ２５(２):４６－５２ꎬ５７.１４１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演[１９]㊀范晓冰ꎬ鲁丽波ꎬ范海娇.托克托县耕地动态变化及驱动因子分析[Ｊ].内蒙古师范大学学报ꎬ２０１７ꎬ４６(１):１５１－１５５.ＦＡＮＧＸＢꎬＬＵＬＢꎬＦＡＮＧＨＪꎬｅｔａｌ..ＡｎａｎａｌｙｓｉｓｏｆｄｙｎａｍｉｃｃｈａｎｇｅｓａｎｄｄｒｉｖｉｎｇｆａｃｔｏｒｓｏｆａｒａｂｌｅｌａｎｄｉｎＴｏｇｔｏｈｃｏｕｎｔｙ[Ｊ].Ｊ.ＩｎｎｅｒＭｏｎｇｏｌｉａＮｏｒｍ.Ｕｎｉｖ.ꎬ２０１７ꎬ４６(１):１５１－１５５. [２０]㊀李政葵.内蒙古托克托县潜水与土壤中氟化物的分布规律及其相关性研究[Ｄ].呼和浩特:内蒙古大学ꎬ硕士学位论文ꎬ２０１５.ＬＩＫＺ.ＤｉｓｔｒｉｂｕｔｉｏｎａｎｄｃｏｒｒｅｌａｔｉｏｎｏｆｆｌｕｏｒｉｄｅｂｅｔｗｅｅｎｕｎｃｏｎｆｉｎｅｄｗａｔｅｒａｎｄｓｏｉｌｏｆＩｎｎｅｒＭｏｎｇｏｌｉａＴｕｏｋｅｔｕｏｃｏｕｎｔｙ[Ｄ].Ｈｏｈｈｏｔ:ＩｎｎｅｒＭｏｎｇｏｌｉａＵｎｉｖｅｒｓｉｔｙꎬＭａｓｔｅｒＤｉｓｓｅｒｔａｔｉｏｎꎬ２０１５.[２１]㊀ＶＩＳＣＡＲＲＡＲＡꎬＭＣＧＬＹＮＮＲＮꎬＭＣＢＲＡＴＮＥＹＡＢ.Ｄｅｔｅｒｍｉｎｉｎｇｔｈｅｃｏｍｐｏｓｉｔｉｏｎｏｆｍｉｎｅｒａｌ￣ｏｒｇａｎｉｃｍｉｘｅｓｕｓｉｎｇＵＶ￣ｖｉｓ￣ＮＩＲｄｉｆｆｕｓｅｒｅｆｌｅｃｔａｎｃｅｓｐｅｃｔｒｏｓｃｏｐｙ[Ｊ].Ｇｅｏｄｅｒｍａꎬ２００７ꎬ１３７(１/２):７０－８２.[２２]㊀吴倩ꎬ姜琦刚ꎬ史鹏飞ꎬ等.基于高光谱的土壤碳酸钙含量估算模型研究[Ｊ/ＯＬ].国土资源遥感ꎬ２０２０:[２０２０－０９－１６].ｈｔｔｐｓ://ｋｎｓ.ｃｎｋｉ.ｎｅｔ/ｋｃｍｓ/ｄｅｔａｉｌ/１１.２５１４.Ｐ.２０２００８１０.１５１８.００４.ｈｔｍｌ.ＷＵＱꎬＪＩＡＮＧＱＧꎬＳＨＩＰＦꎬｅｔａｌ..Ｅｓｔｉｍａｔｉｏｎｏｆｓｏｉｌｃａｌｃｉｕｍｃａｒｂｏｎａｔｅｃｏｎｔｅｎｔｂａｓｅｄｏｎｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａ[Ｊ/ＯＬ].ＲｅｍｏｔｅＳｅｎｓｉｎｇＬａｎｄＲｅｓｏｕｒｃｅｓꎬ２０２０:[２０２０－０９－１６].ｈｔｔｐｓ://ｋｎｓ.ｃｎｋｉ.ｎｅｔ/ｋｃｍｓ/ｄｅｔａｉｌ/１１.２５１４.Ｐ.２０２００８１０.１５１８.００４.ｈｔｍｌ.[２３]㊀张新乐ꎬ于滋洋ꎬ李厚萱ꎬ等.东北水稻叶片ＳＰＡＤ遥感光谱估算模型[Ｊ].中国农业大学学报ꎬ２０２０ꎬ２５(１):６６－７５.ＺＨＡＮＧＸＬꎬＹＵＺＹꎬＬＩＨＸꎬｅｔａｌ..ＲｅｍｏｔｅｓｅｎｓｉｎｇｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｏｆＳＰＡＤｆｏｒｒｉｃｅｌｅａｖｅｓｉｎＮｏｒｔｈｅａｓｔＣｈｉｎａ[Ｊ].Ｊ.Ｃｈｉｎ.Ａｇｒｉｃ.Ｕｎｉｖ.ꎬ２０２０ꎬ２５(１):６６－７５.[２４]㊀姚聪.基于卷积神经网络的耕层土壤有机质含量估测模型研究[Ｄ].山东泰安:山东农业大学ꎬ硕士学位论文ꎬ２０２０.ＹＡＯＣ.Ｓｔｕｄｙｏｎｅｓｔｍａｔｉｏｎｍｏｄｅｌｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎｐｌｏｗｅｄｌａｙｅｒｂａｓｅｄｏｎｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ[Ｄ].ＳｈａｎｄｏｎｇＴａｉａｎ:ＳｈａｎｄｏｎｇＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙꎬＭａｓｔｅｒＤｉｓｓｅｒｔａｔｉｏｎꎬ２０２０.[２５]㊀谢文.基于高光谱技术的森林土壤不同养分含量光谱特征及估测模型研究[Ｄ].南昌:江西农业大学ꎬ博士学文论文ꎬ２０１７.ＸＩＥＷ.Ｓｔｕｄｙｏｎｓｐｅｃｔｒａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓａｎｄｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｓｏｆｄｉｆｆｅｒｅｎｔｎｕｔｒｉｅｎｔｃｏｎｔｅｎｔｓｉｎｆｏｒｅｓｔｓｏｉｌｓｂａｓｅｄｏｎｈｙｐｅｒｓｐｅｃｔｒａｌｔｅｃｈｎｏｌｏｇｙ[Ｄ].Ｎａｎｃｈａｎｇ:ＪｉａｎｇｓｕＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙꎬＤｏｃｔｏｒＤｉｓｓｅｒｔａｔｉｏｎꎬ２０１７.(责任编辑:陈凌云)２４１中国农业科技导报２３卷。
