基于光谱指数和机器学习的土壤有机质含量反演

来源：江苏农业科学杂志2020年第第22期北京时间：

作者：朱传梅; 王宏卫; 谢霞; 马利刚; 仝雁军; 古力孜热·买买提

单位：1.新疆大学资源与环境科学学院/绿洲生态教育部重点实验室，新疆乌鲁木齐 830046； 2.新疆大学旅游学院，新疆乌鲁木齐 830046

摘要：土壤有机质(SOM)是衡量矿区生态环境质量的重要指标之一。为了提高SOM含量的估算精度，在已有二波段指数的基础上加入第3个波段，构建新的三波段指数，利用极限学习机(ELM)和随机森林(RF)分别建立SOM含量的预测模型。在新疆准东煤田采集168个土壤样点，在室内进行SOM含量、光谱的测定。对光谱数据进行平滑和预处理后，构建多个两波段、三波段光谱指数，随后分析不同维度光谱数据与SOM含量的敏感程度和敏感区域。ELM和RF被用于对每个维度最优光谱参数建立预测模型。研究结果显示，无论采用哪种方式建模，每个维度的光谱数据与SOM含量的敏感程度和建模精度均随信息维度的增加而增加，即三波段指数(TBI)>二波段指数>一维光谱数据。在三波段指数中，ELM的预测效果要优于RF，其中(TBI-4)-ELM的预测效果最好，决定系数(r2)=0.87，均方根误差(RMSEP)=4.07，相对分析误差(RPD)=2.63。三波段指数与ELM的结合，可以很好地减弱土壤信息噪声，提高SOM含量的预测精度。

关键词：遥感;光谱分析;土壤有机质;光谱指数;机器学习