基于连续小波变换、SHAP和XGBoost的土壤有机质含量高光谱反演

来源：环境科学杂志2024年第1期北京时间：

作者：叶淼,朱琳,刘旭东,黄勇,陈蓓蓓,李欢

单位：首都师范大学资源环境与旅游学院, 北京 100048,首都师范大学城市环境过程和数字模拟国家重点实验室培育基地, 北京 100048,首都师范大学水资源安全北京实验室, 北京 100048,首都师范大学资源环境与旅游学院, 北京 100048,首都师范大学城市环境过程和数字模拟国家重点实验室培育基地, 北京 100048,首都师范大学水资源安全北京实验室, 北京 100048,首都师范大学资源环境与旅游学院, 北京 100048,首都师范大学城市环境过程和数字模拟国家重点实验室培育基地, 北京 100048,首都师范大学水资源安全北京实验室, 北京 100048,北京市生态地质研究所, 北京 100120,首都师范大学资源环境与旅游学院, 北京 100048,首都师范大学城市环境过程和数字模拟国家重点实验室培育基地, 北京 100048,首都师范大学水资源安全北京实验室, 北京 100048,北京市生态地质研究所, 北京 100120

摘要：针对土壤有机质含量高光谱反演中存在的光谱有效信号薄弱和光谱信息冗余问题,提出结合连续小波变换、SHAP和XGBoost的土壤有机质含量高光谱反演框架.以北京市延庆区和房山区永久基本农田土壤为研究对象,首先,基于连续小波变换处理的土壤光谱反射率数据构建初始XGBoost模型；然后,利用SHAP方法分析模型中各波段的贡献度以筛选特征波段；最后,基于特征波段重新构建和优化XGBoost模型,实现土壤有机质含量高光谱反演.发现连续小波变换尺度为25时,利用SHAP方法选取的40个特征波段构建的XGBoost模型准确性最高,有机质含量反演值和实测值之间的R2为0.80,RMSE为3.60 g·kg-1；随着连续小波变换尺度的增大,R2呈现先升高后降低的趋势,25尺度下的R2比21尺度的高0.37；SHAP方法选取的特征波段比Pearson相关分析法少682个,RMSE低0.69 g·kg-1；XGBoost模型的R2分别比随机森林和支持向量机模型高4%和8%.验证了结合连续小波变换、SHAP和XGBoost在土壤有机质含量高光谱反演中的有效性,为快速、准确监测土壤有机质含量提供技术支撑.

关键词：土壤有机质（SOM）,高光谱反演,连续小波变换,SHAP方法,XGBoost模型,