土壤学报

作者：曹肖奕,丁建丽,葛翔宇,王敬哲

单位：曹肖奕，新疆大学资源与环境科学学院;新疆大学绿洲生态教育部重点实验室;新疆大学智慧城市与环境建模自治区普通高校重点实验室；yi_0645@163.com,丁建丽，新疆大学资源与环境科学学院；1520901887@qq.com,葛翔宇，新疆大学资源与环境科学学院；xiangyu_gexj@163.com,王敬哲，新疆大学资源与环境科学学院；wjzf-682@163.com,

关键词：光谱;土壤电导率;光谱预处理;光谱指数;机器学习

基金：国家自然科学基金项目（41771470）

土壤盐分是干旱区土壤盐渍化评价的重要指标。以新疆维吾尔自治区渭干河-库车河三角洲绿洲为例，基于土壤电导率 (Electrical conductivity，EC) 及可见光-近红外 (Visible and near infrared, VIS-NIR) 光谱数据，通过蒙特卡洛交叉验证 (Monte Carlo cross validation, MCCV) 确定364个有效样本。采用原始光谱 (Raw reflectance, R) 及其经过微分、吸光度 (Absorbance, Abs)、连续统去除 (Continuum removal, CR) 等6种预处理后的数据构建光谱指数。基于遴选出的21个最优指数，采用BP神经网络 (Back propagation neural network, BPNN)、支持向量机 (Support vector machine, SVM)、极限学习机 (Extreme learning machine, ELM) 三种算法对EC进行估算，并引入偏最小二乘回归 (Partial least squares regression, PLSR) 进行比较。结果表明：在基于R与6种光谱预处理数据构建的21个最优光谱指数之中，R_FD_RSI (R1913，R2142) 表现最佳 (r = 0.649) ；与PLSR相比，机器学习算法能够显著提高模型的估算精度，R2提高了34.55%。三种机器学习算法模型中，ELM表现最优 (R2 = 0.884, RMSE = 3.071 mS?cm-1, RPIQ = 2.535) 。本研究中所构建的光谱指数在兼顾遥感机理的同时能深度挖掘更多的隐含信息，并且基于机器学习算法的土壤EC估算模型精度显著提高，为干旱区土壤盐分定量估算提供了科学参考。

来源：2020年第4期

《土壤学报》期刊编辑部

查看土壤学报杂志2020年第4期