基于光譜指數(shù)的博斯騰湖西岸湖濱綠洲土壤有機(jī)碳含量估算模型

牛芳鵬　李新國(guó)　麥麥提吐?tīng)栠d·艾則孜　趙慧　江遠(yuǎn)東

摘要：以博斯騰湖西岸湖濱綠洲為研究區(qū)，將野外原位高光譜實(shí)測(cè)數(shù)據(jù)和土壤有機(jī)碳（SOC）含量作為基礎(chǔ)數(shù)據(jù)，通過(guò)對(duì)原始光譜進(jìn)行4種數(shù)學(xué)變換，探索不同光譜變換形式下的弓曲差（C）、差值光譜指數(shù)（DSI）、簡(jiǎn)單比值土壤指數(shù)（RSI）、亮度光譜指數(shù)（BSI）、歸一化土壤指數(shù)（NDSI）與SOC含量的關(guān)系，并建立基于隨機(jī)森林法（RF）的SOC含量估算模型。結(jié)果表明：（1）研究區(qū)SOC含量主要集中在5.25～78.76 g/kg，平均值為21.82 g/kg，變異系數(shù)為69.11%，呈中等變異性;（2）在光譜數(shù)據(jù)lgR下，SOC含量與DIS指數(shù)相關(guān)系數(shù)最高，相關(guān)系數(shù)為0.80，最佳組合波段為（1 758 nm，1 752 nm）;（3）基于不同光譜指數(shù)與弓曲差（C）建立的模型驗(yàn)證集精度R2和RMSE分別介于0.67～0.84和5.85～8.45 g/kg，模型的RPD均在1.66以上;在基于光譜數(shù)據(jù)lg（1/R）變換下，模型的驗(yàn)證集R2=0.82、RMSE=3.52 g/kg、RPD=3.99，可以較好地估算研究區(qū)SOC含量，為干旱半干旱地區(qū)湖濱綠洲SOC含量反演提供依據(jù)和參考。

關(guān)鍵詞：土壤有機(jī)碳含量;估算模型;光譜指數(shù);隨機(jī)森林;湖濱綠洲

中圖分類(lèi)號(hào)：S153.6文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1000-4440（2022）02-0414-08

Estimation model of soil organic carbon content in lakeside oasis on the west coast of Bosten Lake based on spectral index

NIU Fang-peng LI Xin-guo MAMATTURSUN·Eziz ZHAO Hui JIANG Yuan-dong

Abstract：Taking the lakeside oasis on the west coast of Bosten Lake as the study area， and the in situ hyperspectral data and soil organic carbon （SOC） content were taken as the basic data. Four mathematical transformations were performed on the original spectrum to explore the relationships between bow curvature difference （C）， difference spectral index （DSI）， simple ratio soil index （RSI）， brightness spectral index （BSI）， normalized soil index （NDSI） and SOC content. A SOC content estimation model based on random forest method was established. The results indicated that the content of SOC was mainly concentrated in 5.25-78.76 g/kg， the average value was 21.82 g/kg， the coefficient of variation was 69.11%， showing moderate variability. Under the spectral data lgR， the correlation coefficient between SOC content and DIS index was the highest， the correlation coefficient was 0.80， and the best combination band was （1 758 nm， 1 752 nm）. The R2 and RMSE of the model validation set based on different spectral indices and C were 0.67-0.84 and 5.85-8.45 g/kg， respectively， and the RPD of the model was above 1.66. Based on the transformation of spectral data lg（1/R）， the R2， RMSE and RPD of the model validation set were 0.82， 3.52 g/kg and 3.99， respectively. The model can better estimate the SOC content in the study area， and the research results can provide the basis and reference for the inversion of SOC content in lakeside oasis in arid and semi-arid regions.

Key words：soil organic carbon content;estimation model;spectral index;random forest;lakeside oasis

江蘇農(nóng)業(yè)學(xué)報(bào)2022年第38卷第2期

牛芳鵬等：基于光譜指數(shù)的博斯騰湖西岸湖濱綠洲土壤有機(jī)碳含量估算模型

土壤有機(jī)碳（Soil organic carbon，SOC）含量是評(píng)價(jià)土壤質(zhì)量的關(guān)鍵參數(shù)，對(duì)維護(hù)區(qū)域生態(tài)平衡有重要意義[1]。在人類(lèi)活動(dòng)的影響下，SOC循環(huán)的加速變化引起了土壤環(huán)境的改變，其儲(chǔ)量、密度和分布特征等問(wèn)題受到學(xué)者們的高度關(guān)注[2-3]。傳統(tǒng)的土壤SOC含量估算方法繁瑣，成本高，高光譜技術(shù)可以滿(mǎn)足大面積地區(qū)快速、準(zhǔn)確地估算SOC含量的需要。國(guó)內(nèi)外學(xué)者對(duì)干旱、半干旱地區(qū)森林、草地、濕地和農(nóng)田等不同生態(tài)系統(tǒng)類(lèi)型的SOC估測(cè)作了大量研究[4-6]。早期學(xué)者們通過(guò)相關(guān)分析法與機(jī)器算法研究了SOC含量與不同變換形式下土壤光譜反射率的關(guān)系，并挑選特征波段進(jìn)行SOC估算模型構(gòu)建。葉勤等采用光譜變換與相關(guān)分析方法，基于主成分分析結(jié)果構(gòu)建了土壤有機(jī)質(zhì)含量（Soil organic matter，SOM）的BP神經(jīng)網(wǎng)絡(luò)模型，驗(yàn)證結(jié)果決定系數(shù)（R2）為0.893 0，均方根誤差（RMSE）為0.118 5%[7]。AMIN等通過(guò)對(duì)光譜數(shù)據(jù)轉(zhuǎn)換分析，得到了一個(gè)在SOC含量3.80～6.71 g/kg范圍內(nèi)比較精確的模型，R2、RMSE和相對(duì)分析誤差（RPD）分別為0.85、3.77 g/kg和2.54[8]。近年來(lái)光譜指數(shù)、弓曲差、多變量回歸建模方法廣泛應(yīng)用于SOC含量定量估算模型中，基于不同預(yù)處理構(gòu)建的二維光譜指數(shù)能有效地削弱噪聲干擾[9-10]。趙明松等建立了光譜特征指數(shù)、弓曲差與SOM含量的預(yù)測(cè)模型，經(jīng)檢驗(yàn)R2介于0.67～0.73，RMSE介于3.21～3.51 g/kg [11]。張子鵬等比較了不同維度光譜指數(shù)下支持向量機(jī)（Support vector machine，SVM）對(duì)SOM含量估測(cè)的建模效果[12]。HONG等研究結(jié)果表明隨機(jī)森林（Random forest，RF）和連續(xù)小波變換（Continuous wavelet transform，CWT）構(gòu)建的SOC含量預(yù)測(cè)模型具有很好的魯棒性，交叉驗(yàn)證結(jié)果R2=0.87[13]。張智韜等利用RF與SVM分類(lèi)方法構(gòu)建了荒漠區(qū)SOC含量預(yù)測(cè)模型，驗(yàn)證集R2=0.979，RMSEP=0.481 g/kg，RPD=7.004[14]。

與以往采土后室內(nèi)測(cè)量光譜相比較，基于野外原位測(cè)量土壤高光譜數(shù)據(jù)能保持土壤原有屬性，建立的光譜模型更加準(zhǔn)確;室內(nèi)光譜測(cè)量土樣需要將其進(jìn)行研磨和過(guò)篩[15]，破壞了土壤原有結(jié)構(gòu)，盡管有利于土壤有機(jī)碳光譜特征研究，但實(shí)用性較差，難以用于野外快速測(cè)量土壤理化性質(zhì)。野外原位測(cè)量時(shí)為將影響土壤光譜的因素（成土母質(zhì)、土壤水分、粗糙度等）降到最低，選擇土壤干燥程度、土塊大小相對(duì)均一的樣地進(jìn)行測(cè)量，并通過(guò)光譜預(yù)處理技術(shù)進(jìn)一步減弱反射光譜受到的噪聲影響[12]?；诖吮狙芯恳孕陆┧跪v湖西岸湖濱綠洲為靶區(qū)，以野外原位實(shí)測(cè)光譜數(shù)據(jù)為基礎(chǔ)，探索不同光譜預(yù)處理下二維光譜指數(shù)、弓曲差與SOC含量間的關(guān)系，并在此基礎(chǔ)上利用偏最小二乘回歸（Partial least squares regression，PLSR）和隨機(jī)森林（RF）2種機(jī)器學(xué)習(xí)算法構(gòu)建研究區(qū)SOC含量高光譜估算模型，以期提高研究區(qū)土壤SOC含量的估算精度，為快速有效測(cè)定湖濱綠洲SOC含量提供技術(shù)支持。

1材料與方法

1.1研究區(qū)概況

博斯騰湖西岸湖濱綠洲（41°45′～42°10′ N，86°15′～86°55′ E）是典型的山前湖泊綠洲，地處新疆焉耆盆地，隸屬于新疆維吾爾自治區(qū)博湖縣（圖1）。地勢(shì)由西北向東南傾斜，夏季月平均氣溫22.8 ℃，冬季平均氣溫9.0 ℃，無(wú)霜期176～200 d，多年平均降水量83.55 mm，年均溫8.0～8.6 ℃，季節(jié)過(guò)渡快，屬于大陸性荒漠氣候。主要植被類(lèi)型有山楊、檉柳和梭梭等，主要土壤類(lèi)型有草甸土、綠洲潮土、沼澤土和荒漠林土等[16]。

1.2材料與方法

1.2.1樣品采集與光譜處理分析樣品采集時(shí)間為2020年10月，均勻布點(diǎn)，共采集土壤樣品47個(gè)，涵蓋研究區(qū)主要土地利用類(lèi)型，包括耕地、林地、鹽漬地和非利用地。采集深度為0～20 cm，剔除雜物后，采用四分法稱(chēng)取200 g土壤，裝袋，帶回實(shí)驗(yàn)室進(jìn)行自然干燥，研磨后過(guò)0.25 mm孔篩。SOC含量測(cè)定采用重鉻酸鉀容量法（外加熱法），單位為g/kg[17]。光譜數(shù)據(jù)通過(guò)ASD FieldSpec3地物光譜儀于野外原位采集，在無(wú)風(fēng)或風(fēng)力小于3級(jí)，云量小于5%的晴朗天氣，北京時(shí)間12∶00-14∶00進(jìn)行測(cè)定，測(cè)量地點(diǎn)選擇較為開(kāi)闊地塊，且盡量遠(yuǎn)離可能干擾土壤光譜的物體，光纖探頭的視場(chǎng)角不大于25°，垂直放置在土樣表面15 cm處，使用前儀器預(yù)熱30 min，并進(jìn)行白板校正，以消除暗電流影響。測(cè)試過(guò)程中，為減少外部環(huán)境帶來(lái)的誤差，每個(gè)采樣點(diǎn)隨機(jī)選擇2個(gè)測(cè)試點(diǎn)，每個(gè)測(cè)試點(diǎn)測(cè)量5次，對(duì)10條光譜曲線取均值后作為該土樣的反射光譜值[18]。為提高光譜數(shù)據(jù)的信噪比，增強(qiáng)光譜曲線的峰谷變化，采用Savitaky-Golay（2次多項(xiàng)式，5個(gè)點(diǎn)）平滑去噪，對(duì)原始光譜反射率進(jìn)行對(duì)數(shù)變換（lgR）、對(duì)數(shù)的倒數(shù)變換[lg（1/R）]、均方根變換（R ）和包絡(luò)線去除（RC）。統(tǒng)一去除受大氣水汽影響較大的1 300～1 450 nm和1 800～1 950 nm波段以及噪聲較大的尾部波段（2 451～2 500 nm）[19-20]。運(yùn)用MATLAB軟件進(jìn)行光譜指數(shù)的構(gòu)建與模型的建立。

1.2.2土壤光譜指數(shù)的構(gòu)建

1.2.2.1弓曲差（600 nm處）計(jì)算弓曲差（C）即光譜曲線550 nm和650 nm處的光譜反射率均值與600 nm處的光譜反射率之差值[21]。

1.2.2.2光譜指數(shù)構(gòu)建采用以下指數(shù)構(gòu)建土壤光譜指數(shù)：差值光譜指數(shù)（DSI）、簡(jiǎn)單比值土壤指數(shù)（RSI）、亮度光譜指數(shù)（BSI）、歸一化土壤指數(shù)（NDSI）[22-23]。

1.3隨機(jī)森林模型

隨機(jī)森林是一種基于分類(lèi)樹(shù)的算法，主要利用隨機(jī)森林分類(lèi)器（RF）對(duì)新數(shù)據(jù)進(jìn)行判別和分類(lèi)，并通過(guò)總結(jié)大量的分類(lèi)樹(shù)來(lái)提高模型的預(yù)測(cè)精度[24]。在處理比較大的數(shù)據(jù)時(shí)，運(yùn)算速度非?？欤恍枰兞窟x擇。在計(jì)算變量的非線性效應(yīng)時(shí)，它對(duì)異常值不敏感，能夠充分反映變量之間的相互作用。與一般分類(lèi)算法相比，RF算法結(jié)合了隨機(jī)特征選擇和Bagging算法2種技術(shù)，能夠很好地容忍噪聲和離群點(diǎn)的影響，能夠同時(shí)處理連續(xù)和離散數(shù)據(jù)[25]。

1.4估測(cè)模型構(gòu)建與驗(yàn)證

在47個(gè)樣本中，隨機(jī)抽取31個(gè)作為建模集，16個(gè)作為驗(yàn)證集。采用Matlab軟件構(gòu)建PLSR模型與RF模型。選取決定系數(shù)（R2）、均方根誤差（RMSE）和相對(duì)分析誤差（RPD）檢驗(yàn)?zāi)Ｐ偷臏?zhǔn)確性。R2取值為0～1.00，當(dāng)R2越大、RMSE越小，模型的預(yù)測(cè)能力越好，適用性越高。RPD值可以用來(lái)解釋模型的預(yù)測(cè)能力，當(dāng)RPD<1.40時(shí)，模型不能準(zhǔn)確預(yù)測(cè);當(dāng)1.40≤RPD<2.00時(shí)，模型的預(yù)測(cè)能力一般;RPD≥2.00時(shí)，模型具有較高的預(yù)測(cè)能力[26]。

2結(jié)果與分析

2.1土壤有機(jī)碳含量統(tǒng)計(jì)分析

由表1可知，研究區(qū)SOC含量主要集中在5.25～78.76 g/kg，平均值為21.82 g/kg，呈中等變異性，變異系數(shù)為69.11%。隨機(jī)劃分建模集與驗(yàn)證集，SOC含量平均值分別為22.03 g/kg和21.42 g/kg，變異系數(shù)分別為71.77%和65.50%，兩者相差不大，能較好地反映研究區(qū)SOC含量平均水平。

2.2基于弓曲差的土壤有機(jī)碳含量建模

利用5種不同光譜數(shù)據(jù)的弓曲差建立研究區(qū)SOC含量的PLSR和RF模型。由表2可知，原始光譜數(shù)據(jù)（R）的弓曲差構(gòu)建的PLSR與RF模型效果較差，驗(yàn)證集R2分別為0.65和0.69，RPD分別為1.14和2.07。PLSR線性模型中，光譜數(shù)據(jù)lg（1/R）的弓曲差模型效果最好，模型R2為0.69，RMSE為12.75 g/kg，RPD為1.10;光譜數(shù)據(jù)RC的弓曲差模型效果最差，R2為0.51，RMSE為13.03 g/kg，RPD為1.08。與PLSR模型相比較，RF模型預(yù)測(cè)能力均有所提升，RPD均大于2.00;基于光譜數(shù)據(jù)R的弓曲差構(gòu)建的RF模型效果最好，R2為0.83，RMSE為6.14 g/kg，RPD為2.29。

2.3光譜指數(shù)與土壤有機(jī)碳含量相關(guān)性分析

由圖2可知，不同光譜數(shù)據(jù)變換下，不同光譜指數(shù)與土壤有機(jī)碳含量相關(guān)系數(shù)二維圖存在明顯差異。在原始光譜反射率R中，SOC含量與DSI指數(shù)、RSI指數(shù)和NDSI指數(shù)的最佳組合波段均為（481 nm，480 nm）、（942 nm，941 nm）、（999 nm，993 nm），最大相關(guān)系數(shù)分別為-0.68、0.66、0.77;與BSI指數(shù)的最大相關(guān)系數(shù)為-0.65，最佳組合波段為（1 955 nm，1 851 nm）。與DSI指數(shù)相關(guān)性較高的組合波段主要分布在412～548 nm、586～701 nm、794～871 nm和2 112～2 162 nm。在lgR光譜數(shù)據(jù)數(shù)據(jù)下，SOC含量與DIS指數(shù)、RSI指數(shù)、BSI指數(shù)和NDSI指數(shù)最大相關(guān)系數(shù)分別為0.80、-0.70、0.76、-0.69，最佳組合波段分別為（1 758 nm，1 752 nm）、（943 nm，941 nm）、（1 833 nm，677 nm）、（999 nm，993 nm）;在lg（1/R）光譜數(shù)據(jù)下，SOC含量與DIS指數(shù)、RSI指數(shù)、BSI指數(shù)和NDSI指數(shù)最大相關(guān)系數(shù)分別為-0.77、-0.68、0.76、-0.70，最佳組合波段分別為（1 047 nm，1 046 nm）、（942 nm，941 nm）、（1 838 nm，676 nm）、（943 nm，941 nm）;在R光譜數(shù)據(jù)下，SOC含量與DIS指數(shù)、RSI指數(shù)、BSI指數(shù)和NDSI指數(shù)最大相關(guān)系數(shù)分別為0.77、0.77、0.76、-0.68，最佳組合波段分別為（1 757 nm，1 752 nm）、（1 047 nm，1 045 nm）、（1 838 nm，676 nm）、（1 851 nm，677 nm）;在RC光譜數(shù)據(jù)下，SOC含量與DIS指數(shù)、RSI指數(shù)、BSI指數(shù)和NDSI指數(shù)最大相關(guān)系數(shù)分別為0.75、0.76、0.69、0.73，最佳組合波段分別為（942 nm，941 nm）、（945 nm，944 nm）、（2 494 nm，1 861 nm）、（1 756 nm，1 753 nm）。

2.4基于光譜指數(shù)的土壤有機(jī)碳含量建模

分別將光譜數(shù)據(jù)R、lgR、lg（1/R）、R和RC的DIS指數(shù)、RSI指數(shù)、BSI指數(shù)和NDSI指數(shù)及其弓曲差組合作為SOC含量估算模型所需的獨(dú)立變量，基于RF方法分別構(gòu)建SOC含量的高光譜估算模型。由表3可知，在原始光譜數(shù)據(jù)R中，DSI指數(shù)與NDSI指數(shù)的SOC模型精度最高，R2均為0.75，RPD>2.00;在光譜數(shù)據(jù)lgR中，BSI指數(shù)的SOC模型精度最高，R2為0.84，RPD為2.14，DSI指數(shù)的SOC模型精度最低，R2為0.73;在光譜數(shù)據(jù)lg（1/R）中，DSI指數(shù)的SOC模型精度最高，R2為0.82，RMSE為6.44 g/kg，RPD為2.18;在光譜數(shù)據(jù)R與RC中，RSI指數(shù)的SOC模型精度最高，R2分別為0.81、0.76，RMSE分別為6.67 g/kg、5.67 g/kg，RPD分別為2.10、2.47。20個(gè)預(yù)測(cè)模型中，基于光譜R的RSI指數(shù)RF模型的預(yù)測(cè)能力最優(yōu)，能夠粗略估算研究區(qū)的SOC含量。將5種光譜數(shù)據(jù)的DIS指數(shù)、RSI指數(shù)、BSI指數(shù)和NDSI指數(shù)分別與弓曲差組合進(jìn)行SOC的RF建模。結(jié)果表明，由于采用了較多的光譜特征指數(shù)，SOC含量的建模效果整體上有不同程度的提升，建模集的R2和RMSE分別介于0.69～0.81和7.99～9.01 g/kg，驗(yàn)證集的R2和RMSE分別介于0.67～0.84和5.85～8.45 g/kg，模型的RPD均在1.66以上，其預(yù)測(cè)能力有不同程度的提升，基于R光譜指數(shù)和弓曲差的SOC含量估算模型的泛化能力最高。

光譜數(shù)據(jù)變換形式見(jiàn)表2注。R2：決定系數(shù);RMSE：均方根誤差;RPD：相對(duì)分析誤差。DSI：差值光譜指數(shù);RSI：簡(jiǎn)單比值土壤指數(shù);NDSI：歸一化土壤指數(shù);BSI：亮度光譜指數(shù);C：弓曲差。

在光譜數(shù)據(jù)變換的基礎(chǔ)上，聯(lián)合4種光譜指數(shù)與弓曲差為變量，進(jìn)行模型的構(gòu)建，由表4可知，光譜數(shù)據(jù)RC建立的模型驗(yàn)證集R2為0.63，RMSE為8.42 g/kg，RPD為1.67，相比于其他光譜數(shù)據(jù)建立的模型估算效果較差;光譜數(shù)據(jù)R建立的模型效果最好，R2為0.79，但驗(yàn)證集R2為0.81，估算效果較弱于lg（1/R）模型;光譜數(shù)據(jù)lg（1/R）建立的模型的驗(yàn)證集R2為0.82，RMSE為3.52 g/kg，RPD為3.99。通過(guò)綜合評(píng)估5種光譜數(shù)據(jù)建立的模型評(píng)價(jià)參數(shù)可知，對(duì)SOC含量估算的建模效果依次為lg（1/R）>R>lgR>R>RC，說(shuō)明利用光譜數(shù)據(jù)lg（1/R）建立的模型可以很好地估算研究區(qū)SOC含量。

3討論

現(xiàn)有的研究大多是基于典型特征波段或單一光譜指數(shù)建立SOC含量估算模型，但這些數(shù)據(jù)的光譜信息往往是飽和的，通過(guò)對(duì)光譜數(shù)據(jù)進(jìn)行數(shù)學(xué)變換和二維指數(shù)提取，可以有效地壓縮噪聲對(duì)目標(biāo)光譜的影響，充分考慮波段間的相關(guān)性。張娟娟等基于DSI指數(shù)對(duì)土壤有機(jī)質(zhì)含量進(jìn)行了預(yù)測(cè)，R2為0.79，RMSE為4.71 g/kg，RPD為2.30[27]。洪永勝等以江漢平原公安縣為研究區(qū)，發(fā)現(xiàn)二維相關(guān)性分析提取的敏感光譜指數(shù)的PLSR建模效果優(yōu)于一維相關(guān)性分析提取的敏感波段，其中NDSI指數(shù)模型的魯棒性最好，驗(yàn)證集R2為0.82，RPD值為2.46，模型穩(wěn)定可靠[28]。焦彩霞等認(rèn)為，由三波段建立的600 nm弓曲差光譜指數(shù)對(duì)數(shù)函數(shù)模型可以更好地實(shí)現(xiàn)土壤有機(jī)質(zhì)含量的預(yù)測(cè)[29]。以上學(xué)者采用土壤光譜指數(shù)作為模型因子來(lái)估算土壤有機(jī)質(zhì)含量，但由于沒(méi)有考慮各種預(yù)處理方法對(duì)光譜指數(shù)的影響，因此模型的構(gòu)建具有局限性。基于光譜數(shù)據(jù)不同變換形式，本研究以2種思路構(gòu)建了SOC含量模型，第一種方法利用弓曲差與光譜指數(shù)構(gòu)建PLSR線性與RF非線性的估算模型，另一種方法利用基于光譜數(shù)據(jù)變換的多種指數(shù)與弓曲差聯(lián)合建模，效果顯著，利用光譜數(shù)據(jù)變換形式lg（1/R）構(gòu)建的模型的驗(yàn)證集R2達(dá)到0.82，這與曹肖奕等[30]、WANG等[31]的研究結(jié)果基本一致。在后續(xù)研究工作中將進(jìn)一步探討野外原位光譜測(cè)量中土地類(lèi)型、土壤質(zhì)地等因素對(duì)估算結(jié)果的影響。

4結(jié)論

與PLSR線性模型相比較，基于光譜數(shù)據(jù)R的弓曲差構(gòu)建的RF模型效果最好，R2為0.83，RMSE為6.14 g/kg，RPD為2.29。在lgR光譜數(shù)據(jù)下，SOC含量與DIS指數(shù)相關(guān)系數(shù)最高，相關(guān)系數(shù)為0.80，最佳組合波段為（1 758 nm，1 752 nm）。

基于不同光譜指數(shù)與弓曲差的建模精度R2和RMSE分別介于0.67～0.84和5.85～8.45 g/kg，模型的RPD均在1.66以上。基于光譜數(shù)據(jù)R和弓曲差的SOC預(yù)測(cè)模型的泛化能力較高?；诠庾V數(shù)據(jù)lg（1/R）變換，模型的驗(yàn)證集R2=0.82，RMSE=3.52 g/kg，RPD=3.99，可以較好地估算研究區(qū)土壤有機(jī)碳含量。

參考文獻(xiàn)：

[1]SHI Z， JI W， VISCARRA ROSSEL R A， et al. Prediction of soil organic matter using a spatially constrained local partial least squares regression and the Chinese vis-NIR spectral library[J]. European Journal of Soil Science，2015，66（4）：679-687.

[2]ALLEN R M， LAIRD D A. Quantitative prediction of biochar soil amendments by near-infrared reflectance spectroscopy[J]. Soil Science Society of America Journal，2013，77（5）：1784-1794.

[3]WARD K J， CHARBRILLAT S， NEUMANN C， et al. A remote sensing adapted approach for soil organic carbon prediction based on the spectrally clustered LUCAS soil database[J]. Geoderma，2019， 353： 297-307.

[4]林鵬達(dá)，佟志軍，張繼權(quán)，等. 基于CWT的黑土有機(jī)質(zhì)含量野外高光譜反演模型[J].水土保持研究，2018，25（2）：46-52，57.

[5]趙小敏，楊梅花. 江西省紅壤地區(qū)主要土壤類(lèi)型的高光譜特性研究[J].土壤學(xué)報(bào)，2018，55（1）：31-42.

[6]GUNSAULIS F R， KOCHER M F， GRIFFIS C L. Surface structure effects on close-range reflectance as a function of soil organic matter content[J]. American Society of Agricultural Engineer，1991，34（2）：641-649.

[7]葉勤，姜雪芹，李西燦，等. 基于高光譜數(shù)據(jù)的土壤有機(jī)質(zhì)含量反演模型比較[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48（3）：164-172.

[8]AMIN I， FIKRAT F， MAMMADOV E， et al. Soil organic carbon prediction by Vis-NIR spectroscopy： case study the Kur-Aras plain， Azerbaijan[J]. Communications in Soil Science and Plant Analysis，2020，51（6）：726-734.

[9]ZHENG G H， RYU D， JIAO C X， et al. Estimation of organic matter content in coastal soil using reflectance spectroscopy[J]. Pedosphere，2016，26（1）：130-136.

[10]王海峰，張智韜，ARNON K，等. 基于灰度關(guān)聯(lián)-嶺回歸的荒漠土壤有機(jī)質(zhì)含量高光譜估算[J].農(nóng)業(yè)工程學(xué)報(bào)，2018，34（14）：124-131.

[11]趙明松，謝毅，陸龍妹，等. 基于高光譜特征指數(shù)的土壤有機(jī)質(zhì)含量建模[J].土壤學(xué)報(bào)，2021，58（1）：42-54.

[12]張子鵬，丁建麗，王敬哲，等. 利用三維光譜指數(shù)定量估算土壤有機(jī)質(zhì)含量：以新疆艾比湖流域?yàn)槔齕J].光譜學(xué)與光譜分析，2020，40（5）：1514-1522.

[13]HONG Y， CHEN S， CHEN Y， et al. Comparing laboratory and airborne hyperspectral data for the estimation and mapping of topsoil organic carbon： Feature selection coupled with random forest[J]. Soil and Tillage Research，2020，199：104589.

[14]張智韜，勞聰聰，王海峰，等. 基于FOD和SVMDA-RF的土壤有機(jī)質(zhì)含量高光譜預(yù)測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（1）：156-167.

[15]周偉，謝利娟，楊晗，等. 基于高光譜的三江源區(qū)土壤有機(jī)質(zhì)含量反演[J].土壤通報(bào)，2021，52（3）：564-574.

[16]牛芳鵬，李新國(guó)，靳萬(wàn)貴，等. 博斯騰湖西岸湖濱綠洲土壤鹽分特征[J].中國(guó)土壤與肥料，2020（3）：8-15.

[17]吳才武，夏建新，段崢嶸. 土壤有機(jī)質(zhì)測(cè)定方法述評(píng)與展望[J].土壤，2015，47（3）：453-460.

[18]何挺，程燁，王靜. 野外地物光譜測(cè)量技術(shù)及方法[J].中國(guó)土地科學(xué)，2002（5）：30-36.

[19]張子鵬，丁建麗，王敬哲. 基于諧波分析算法的干旱區(qū)綠洲土壤光譜特性研究[J].光學(xué)學(xué)報(bào)，2019，39（2）：391-401.

[20]朱建偉，劉玉學(xué)，吳超凡，等. 施用生物炭后土壤有機(jī)碳的近紅外光譜模型研究與應(yīng)用[J].生態(tài)學(xué)報(bào)，2020，40（20）：7430-7440.

[21]徐彬彬. 土壤剖面的反射光譜研究[J].土壤，2000（6）：281-287.

[22]ALLBED A， KUMAR L， SINHA P. Soil salinity and vegetation cover change detection from multi-temporal remotely sensed imagery in Al Hassa Oasis in Saudi Arabia[J]. Geocarto International，2018，33（8）：830-846.

[23]李哲，張飛，馮海寬，等. 基于波段組合的植被葉片鹽離子估算研究[J].光學(xué)學(xué)報(bào)，2017，37（11）：325-339.

[24]王李娟，孔鈺如，楊小冬，等. 基于特征優(yōu)選隨機(jī)森林算法的農(nóng)耕區(qū)土地利用分類(lèi)[J].農(nóng)業(yè)工程學(xué)報(bào)，2020，36（4）：244-250.

[25]包青嶺，丁建麗，王敬哲，等. 基于隨機(jī)森林算法的土壤有機(jī)質(zhì)含量高光譜檢測(cè)[J].干旱區(qū)地理，2019，42（6）：1404-1414.

[26]張銳，李兆富，潘劍君. 小波包-局部最相關(guān)算法提高土壤有機(jī)碳含量高光譜預(yù)測(cè)精度[J].農(nóng)業(yè)工程學(xué)報(bào)，2017，33（1）：175-181.

[27]張娟娟，田永超，姚霞，等. 同時(shí)估測(cè)土壤全氮、有機(jī)質(zhì)和速效氮含量的光譜指數(shù)研究[J].土壤學(xué)報(bào)，2012，49（1）：50-59.

[28]洪永勝，朱亞星，蘇學(xué)平，等. 高光譜技術(shù)聯(lián)合歸一化光譜指數(shù)估算土壤有機(jī)質(zhì)含量[J].光譜學(xué)與光譜分析，2017，37（11）：3537-3542.

[29]焦彩霞，鄭光輝，解憲麗，等. 可見(jiàn)-短近紅外成像光譜數(shù)據(jù)的土壤有機(jī)質(zhì)含量估算[J].光譜學(xué)與光譜分析，2020，40（10）：3277-3281.

[30]曹肖奕，丁建麗，葛翔宇，等. 基于光譜指數(shù)與機(jī)器學(xué)習(xí)算法的土壤電導(dǎo)率估算研究[J].土壤學(xué)報(bào)，2020，57（4）：867-877.

[31]WANG J Z， DING J L， ABULIMITI A， et al. Quantitative estimation of soil salinity by means of different modeling methods and visible-near infrared（VIS-NIR）spectroscopy， Ebinur Lake Wetland， Northwest China[J]. PeerJ，2018，6： e4703.

（責(zé)任編輯：張震林）

收稿日期：2021-07-11

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（41661047、U2003301）;新疆維吾爾自治區(qū)重點(diǎn)實(shí)驗(yàn)室開(kāi)放課題（2018D04026）

作者簡(jiǎn)介：牛芳鵬（1995-），男，甘肅莊浪人，碩士研究生，研究方向?yàn)楦珊祬^(qū)土壤資源變化及其遙感應(yīng)用研究。（E-mail）niufp0225@163.com

通訊作者：李新國(guó)，（E-mail）onlinelxg@sina.com