湖濱綠洲土壤有機(jī)碳含量的支持向量機(jī)估算模型

摘 要：【目的】利用高光譜數(shù)據(jù)快速估算土壤有機(jī)碳含量，為干旱區(qū)湖濱綠洲合理開發(fā)土地資源提供科學(xué)依據(jù)。

【方法】以新疆博斯騰湖北岸湖濱綠洲為研究區(qū)，將實(shí)測(cè)的土壤有機(jī)碳含量數(shù)據(jù)與高光譜數(shù)據(jù)相結(jié)合，對(duì)原始光譜進(jìn)行SG平滑（SavitzkyGolay smoothing，SG）、連續(xù)統(tǒng)去除（Continuum Removal，CR）、連續(xù)小波變換（Continuous Wavelet Transform，CWT）預(yù)處理，采用連續(xù)投影算法（Successive Projections Algorithm，SPA）篩選特征波段；應(yīng)用支持向量機(jī)（Support Vector Machines，SVM）模型估算土壤有機(jī)碳含量。

【結(jié)果】（1）研究區(qū)土壤有機(jī)碳含量為0.69～50.32 g/kg，平均值為14.15 g/kg，標(biāo)準(zhǔn)差為9.51 g/kg，呈中等變異性，變異系數(shù)為67.20%。（2）土壤原始光譜反射率在350～750 nm，光譜反射率呈上升趨勢(shì)，在750～2 150 nm，光譜反射率呈相對(duì)平穩(wěn)趨勢(shì)，在2 150～2 500 nm，光譜反射率逐漸下降；連續(xù)小波變換對(duì)土壤原始光譜預(yù)處理后隨著分解尺度的增加，光譜局部特征明顯，吸收峰和反射峰越來(lái)越平滑；采用連續(xù)投影算法篩選的光譜特征波段集中于350～952 nm、1 007～1 742 nm、2 082～2 381 nm，且特征波段僅占可見光-近紅外光譜波段的0.30%。（3）連續(xù)小波變換結(jié)合連續(xù)投影算法構(gòu)建的SVM模型，其訓(xùn)練集和驗(yàn)證集分別R2=0.76，RMSE=4.78和R2=0.94，RMSE=3.30，RPD=2.50。

【結(jié)論】CWT-SPA-SVM可有效估算研究區(qū)土壤有機(jī)碳含量。

關(guān)鍵詞：土壤有機(jī)碳含量；連續(xù)小波變換；連續(xù)投影算法；支持向量機(jī)模型；高光譜數(shù)據(jù)

中圖分類號(hào)：S151.9"nbsp; 文獻(xiàn)標(biāo)志碼：A"" 文章編號(hào)：1001-4330（2024）06-1477-10

0 引 言

【研究意義】土壤有機(jī)碳（SOC）是陸地生態(tài)系統(tǒng)中重要的碳儲(chǔ)集庫(kù)，其含量是評(píng)價(jià)土壤質(zhì)量的關(guān)鍵參數(shù)，對(duì)土地生產(chǎn)力具有重要影響，其控制著土壤環(huán)境中的各種物理、化學(xué)和生物過程［1-3］。因此，快速監(jiān)測(cè)土壤有機(jī)碳含量，可以為合理開發(fā)土地資源提供科學(xué)依據(jù)。傳統(tǒng)的土壤有機(jī)碳含量測(cè)定方法費(fèi)力、昂貴［4］。采用可見-近紅外波段的高光譜技術(shù)是一種快速、準(zhǔn)確、經(jīng)濟(jì)、無(wú)損的土壤分析方法［5］，對(duì)原始光譜降噪提高土壤有機(jī)碳含量的精度估算具有重要意義?！厩叭搜芯窟M(jìn)展】已有研究采用SG平滑［6］、連續(xù)統(tǒng)去除［7］方法對(duì)高光譜數(shù)據(jù)去噪和增強(qiáng)光譜信號(hào)［8］。近些年連續(xù)小波變換被廣泛用于土壤光譜研究中。玉米提·買明等［9］利用連續(xù)小波變換構(gòu)建了土壤有機(jī)質(zhì)含量的SVM模型，R2=0.84，RMSE=1.49，RPD=2.11。廖欽洪等［10］研究也表明，基于連續(xù)小波變換構(gòu)建的土壤有機(jī)質(zhì)含量的估算精度優(yōu)于常用光譜變換方法。然而篩選具有典型的特征波段是構(gòu)建估算模型的前提，許多研究采用相關(guān)系數(shù)法、競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣法、遺傳算法、連續(xù)投影算法（SPA）等進(jìn)行特征波段篩選。孟珊等［11］對(duì)原始光譜進(jìn)行數(shù)學(xué)變換及微分變換后，利用競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣（CARS）構(gòu)建了研究區(qū)土壤有機(jī)碳含量的BP神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練集和驗(yàn)證集R2分別為0.81、0.83，RPD分別為2.30、2.45，RMSE分別為5.75、4.89 g/kg。牛芳鵬等［12］對(duì)原始光譜進(jìn)行SG平滑、標(biāo)準(zhǔn)化正態(tài)變換及一階微分后，利用SPA構(gòu)建了研究區(qū)土壤有機(jī)碳含量的SVM模型，其訓(xùn)練集與驗(yàn)證集R2分別為0.83和0.85，RMSE分別為5.59和3.16 g/kg，RPD為2.25。章海亮等［13］研究表明，SPA可以減少變量個(gè)數(shù)的冗余，其篩選出的變量個(gè)數(shù)比ACO算法和小波算法等方法篩選出的變量更少且提高建模的精度。PENG等［14］利用SPA算法簡(jiǎn)化了模型，產(chǎn)生了比全光譜更高的模型精度。葉紅云等［15］研究發(fā)現(xiàn)，連續(xù)小波變換比傳統(tǒng)光譜數(shù)學(xué)變換具有明顯的穩(wěn)定性。【本研究切入點(diǎn)】由于土壤光譜特征存在差異性，雖然前人使用傳統(tǒng)的數(shù)學(xué)變換估算土壤有機(jī)碳含量，但效果有待提高；目前對(duì)于連續(xù)小波變換結(jié)合SPA算法構(gòu)建的SVM模型的估算較少。需利用高光譜數(shù)據(jù)快速估算土壤有機(jī)碳含量。【擬解決的關(guān)鍵問題】以新疆博斯騰湖北岸湖濱綠洲為研究區(qū)，對(duì)采集的土壤高光譜數(shù)據(jù)采用SG平滑、連續(xù)統(tǒng)去除、連續(xù)小波變換降低高光譜噪聲，凸顯反射光譜特征，將預(yù)處理后的高光譜數(shù)據(jù)與土壤有機(jī)碳含量的實(shí)測(cè)數(shù)據(jù)相結(jié)合；采用SPA算法篩選出特征波段，應(yīng)用支持向量機(jī)（SVM）構(gòu)建博斯騰湖北岸湖濱綠洲土壤有機(jī)碳含量估算模型，分析土壤有機(jī)碳含量最佳小波分解尺度，為綠洲土壤有機(jī)碳含量的估算研究提供方法支撐。

1 材料與方法

1.1 材 料

新疆博斯騰湖北岸湖濱綠洲（41°45′～42°10′ N，86°15′～86°55′ E）隸屬于新疆博湖縣，地處焉耆盆地東南部，總面積1 360 km2。該區(qū)年均溫8.0～8.6℃，夏季平均氣溫22.8℃，冬季平均氣溫9.0℃，無(wú)霜期176～200 d，年均降水量83.55 mm，年均蒸發(fā)量1 880～2 785.8 mm，土壤類型主要為潮土、草甸土、沼澤土等，土壤有機(jī)碳量平均值為13.31 g/kg［12， 16-17］。

土壤采樣點(diǎn)位置按照“S”形狀隨機(jī)均勻設(shè)置16個(gè)，GPS定位。采樣時(shí)間為2021年6月7～9日。分別采集0～10 cm、10～20 cm、20～30 cm、30～40 cm深度的土樣，共計(jì)64個(gè)土壤樣品；運(yùn)用四分法選?。?00±0.5） g土壤裝袋帶回實(shí)驗(yàn)室。通過自然風(fēng)干和研磨，過60目的網(wǎng)篩，再將處理后的土壤重新封裝。每個(gè)樣本分為2份，其中1份用作測(cè)量土壤高光譜數(shù)據(jù)，另外1份用作測(cè)量土壤有機(jī)碳含量。

1.2 方 法

1.2.1 土壤光譜測(cè)量及預(yù)處理

采用ASD FieldSpec3便攜式地物光譜儀（光譜范圍350～2 500 nm）在野外采集。光譜數(shù)據(jù)在室外測(cè)量需選擇晴朗無(wú)風(fēng)天氣，保證太陽(yáng)為唯一光源，并且在測(cè)量時(shí)間內(nèi)太陽(yáng)光照穩(wěn)定，采集時(shí)間為11：00～14：00。由于環(huán)境因素的影響，剔除土壤高光譜數(shù)據(jù)噪聲比較大的尾部波段2 451～2 500 nm及剔除受水汽影響波段1 300～1 450 nm，1 800～1 950 nm［18］，對(duì)土壤光譜曲線使用SG平滑（5個(gè)點(diǎn)窗口數(shù)，2次多項(xiàng)式）、連續(xù)統(tǒng)去除（CR）以及連續(xù)小波變換（CWT）對(duì)土壤反射高光譜數(shù)據(jù)進(jìn)行變換處理。

1.2.1.1 SG平滑

SG平滑由Savizkg和Golag提出，是一種加權(quán)平均法，通過對(duì)原始土壤光譜反射率數(shù)據(jù)進(jìn)行SG平滑，可以減少噪聲的干擾及光譜曲線毛刺，提升高光譜數(shù)據(jù)信噪比，采用多項(xiàng)式計(jì)算中心波長(zhǎng)點(diǎn)K處經(jīng)SG平滑的平均值［19］。

式中，R′i與Ri為i點(diǎn)平滑前與平滑后的值；K為表窗口數(shù)；Wj為權(quán)重因子。

1.2.1.2 連續(xù)統(tǒng)去除

將光譜反射率的曲線值歸一化至0～1，可以有效的反映土壤光譜的反射、吸收特征［19］。

式中，D為吸收帶深度；Rb為波段中心的反射率；Rc表示與Rb波長(zhǎng)相同的連續(xù)介質(zhì)的反射率。

1.2.1.3 連續(xù)小波變換

選擇bior1.3為小波變換基函數(shù)，在不同尺度下將土壤反射高光譜數(shù)據(jù)進(jìn)行分解［19］。

式中，Wf（a，b）為2個(gè)維度的小波能量系數(shù)，即分解尺度（1，2…，m）和波段（1，2…，n）；λ為350～2 450 nm波段；φa，b為小波基函數(shù)，其中a為尺度因子，b為平移因子；f（λ）為光譜反射率。

1.2.2 特征波段篩選

連續(xù)投影算法（SPA）屬于前向選擇方法，通過用少量的光譜信息來(lái)反映多數(shù)的光譜信息效果。能夠有效地減少信息重疊，使變量之間的共線性達(dá)到最小，減少了建模變量的個(gè)數(shù)，有效提高建模的效率［20］。

起始波段和變量個(gè)數(shù)記作k（0）和N，J記作光譜矩陣。

（1）初始化n=1，xj∈Xj，j=1，…，J;

（2）確定未選波段變量

S=Xj≤i≤J，ik（0），…，k（N-1）；

（3）計(jì)算未選波段和初始化波段的投影映射；

Pxj=xj－（xTjxi）xi（xTixi）-1，xi∈S;

（4）確定最大投影

k（n）=max（‖Pxj‖），xj∈S;

（5）xj=Pxj，j∈S;

（6）n=n+1，當(dāng)n＜N時(shí)，返回步驟2；

（7）確定選擇波段序列k（n）;n=0…，N-1。

1.2.3 估算模型構(gòu)建及精度驗(yàn)證

支持向量機(jī)（SVM）是一種非線性機(jī)器學(xué)習(xí)模型，將非線性可分樣本數(shù)據(jù)通過核函數(shù)映射到高維線性可分空間，之后用優(yōu)化法求解超平面，確定決策函數(shù)參數(shù)，使其結(jié)構(gòu)風(fēng)險(xiǎn)最小化［21］。以流程圖的形式描述研究區(qū)土壤有機(jī)碳含量的高光譜估算流程：采用ASD FieldSpec3便攜式地物光譜儀在自然光的條件下測(cè)量土壤光譜；將預(yù)處理后的土壤光譜數(shù)據(jù)通過SPA算法篩選特征波段；將特征波段與SOC含量實(shí)測(cè)數(shù)據(jù)相結(jié)合構(gòu)建SOC含量的SVM估算模型；對(duì)模型的估算精度進(jìn)行驗(yàn)證，其指標(biāo)采用決定系數(shù)（R2）、均方根誤差（RMSE）、相對(duì)分析誤差（RPD）、1∶1線來(lái)評(píng)價(jià)其模型精度的有效性。R2值越向1接近，RMSE值越小，RPD越大，模型估算能力越有效。1∶1線表示實(shí)測(cè)值、估算值所構(gòu)成的點(diǎn)偏離y=x線的程度［22］。支持向量機(jī)（SVM）采用The Unscrambler X構(gòu)建土壤有機(jī)碳含量的估算模型。模型的訓(xùn)練集和驗(yàn)證集數(shù)據(jù)按照3∶1隨機(jī)分配［23］。采用濃度梯度法依次每隔兩個(gè)樣本取一個(gè)作為驗(yàn)證集［24］。圖1

2 結(jié)果與分析

2.1 土壤有機(jī)碳含量描述性統(tǒng)計(jì)

研究表明，驗(yàn)證集共計(jì)21個(gè)樣本，訓(xùn)練集共計(jì)43個(gè)樣本，訓(xùn)練集的平均值（3.47～50.32 g/kg）和驗(yàn)證集的平均值（0.69～36.65 g/kg）為14.09和14.27 g/kg，標(biāo)準(zhǔn)差分別為9.88和8.94 g/kg，變異系數(shù)分別為70.12%和62.64%；土壤有機(jī)碳含量總集的平均值為14.15 g/kg，標(biāo)準(zhǔn)差為9.51 g/kg，變異系數(shù)為67.20%，介于訓(xùn)練集與驗(yàn)證集之間，數(shù)據(jù)離散度不強(qiáng)。標(biāo)準(zhǔn)差和平均值都很接近，訓(xùn)練集和驗(yàn)證集與總集相比的統(tǒng)計(jì)分布相似，樣本劃分是合理的。表1

2.2 土壤有機(jī)碳含量的光譜特征

研究表明，土壤光譜反射率隨著波長(zhǎng)的增加發(fā)生變化，每個(gè)土壤樣本的光譜反射率變化趨勢(shì)比較相像，在350～750 nm，光譜反射率呈上升趨勢(shì)，在750～2 150 nm，光譜反射率呈相對(duì)平穩(wěn)趨勢(shì)，從2 150 nm開始至2 500 nm，光譜反射率逐漸下降。土壤原始光譜在1 300～1 450 nm，1 800～1 950 nm波段范圍內(nèi)受水汽影響，以及在2 451～2 500 nm噪聲比較大的尾部波段，特剔除以上波段。圖2

土壤原始光譜反射經(jīng)SG平滑預(yù)處理后，可以消除2 300～2 400 nm的毛刺。通過連續(xù)統(tǒng)去除后吸收峰更加明顯，主要表現(xiàn)在375、495、720、760、940、1 125、1 450、1 800、1 950、2 215和2 335 nm。使用連續(xù)小波變換對(duì)光譜預(yù)處理后，其1～5尺度下波段500～1 750 nm的光譜信息比較微弱；6～10尺度下隨著分解尺度的增加，光譜中的微小特征越來(lái)越明顯，吸收峰和反射峰也越來(lái)越平滑。

土壤反射光譜經(jīng)SG平滑、連續(xù)統(tǒng)去除、連續(xù)小波變換預(yù)處理后有效凸顯土壤反射光譜特征，尤其是局部吸收特征比較明顯。圖3

2.3 采用SPA算法特征波段篩選

研究表明，光譜數(shù)據(jù)經(jīng)連續(xù)小波變換處理后，采用SPA算法篩選特征波段，SPA算法篩選特征波段時(shí)將最大和最小特征變量的參數(shù)設(shè)為30和1，由于分解尺度的不同，其篩選出的特征波段數(shù)量和位置也不同。特征波段主要集中于350～952、1 007～1 742、2 082～2 381 nm，通過SPA算法篩選后的特征波段僅占可見光-近紅外光譜波段的0.30%，減少了光譜中的冗余。圖4

2.4 土壤有機(jī)碳含量建模及驗(yàn)證

研究表明，以連續(xù)小波變換（1、2、3、4、5、9、10尺度）預(yù)處理后的光譜數(shù)據(jù)作為自變量，通過連續(xù)投影算法篩選特征波段后構(gòu)建的SVM模型，其2、4、5尺度訓(xùn)練集驗(yàn)證集R2均大于0.7，RPD均大于1.4，模型均具有有效的估算能力和穩(wěn)健性；其中2尺度訓(xùn)練集和驗(yàn)證集的估算精度相對(duì)較高，穩(wěn)健性較好，訓(xùn)練集和驗(yàn)證集分別R2=0.76，RMSE=4.78和R2=0.94，RMSE=3.30，RPD=2.50。表2

在2尺度下SVM模型的實(shí)測(cè)值和預(yù)測(cè)值基本分布在1∶1線附近，散點(diǎn)分布比較集中。綜合分析，連續(xù)小波變換預(yù)處理后的光譜數(shù)據(jù)結(jié)合連續(xù)投影算法構(gòu)建的SVM模型具有很好的估算能力，可以有效估算土壤有機(jī)碳含量。圖5

3 討 論

3.1

特征波段位置在可見光區(qū)金屬離子電子躍遷和近紅外區(qū)有機(jī)質(zhì)和粘土礦物電子躍遷及土壤拉伸和彎曲振動(dòng)［25］。CWT作為一種光譜信號(hào)處理方法，能夠有效地對(duì)光譜數(shù)據(jù)去噪，并檢測(cè)出有效光譜信號(hào)，挖掘隱藏信息，在土壤有機(jī)質(zhì)高光譜估算中具有重要作用［26］。研究使用連續(xù)小波變換方法對(duì)光譜數(shù)據(jù)預(yù)處理后，光譜信息有效凸顯局部細(xì)小吸收特征。與玉米提·買提等［9］利用連續(xù)小波變換估算土壤有機(jī)質(zhì)含量的研究結(jié)果一致。LI等［27］研究表明利用連續(xù)小波變換（CWT）對(duì)多尺度下的土壤原始光譜預(yù)處理后提高了光譜響應(yīng)程度。連續(xù)小波變換處理光譜數(shù)據(jù)的特征提取和降維具有明顯的效果，隨著分解尺度的增加，光譜中的吸收峰和反射峰也越來(lái)越平滑，與郭斌等［19］研究一致。研究可知連續(xù)投影算法在篩選特征波段時(shí)可以消除光譜信息的冗余度，隨著連續(xù)小波變換的分解尺度不同，其特征波段的數(shù)量也會(huì)發(fā)生變化。模型精度的高低代表其估算的有效性。于雷等［22］利用連續(xù)小波變換構(gòu)建的SVMR模型，R2和RMSE分別為0.83和4.02，RPD為2.48，與研究結(jié)果基本一致。

3.2

劉翠英等［28］研究表明針對(duì)土壤團(tuán)聚體有機(jī)碳構(gòu)建的SVM模型預(yù)測(cè)能力較差，其R2＜0.66，RPD＜2，與試驗(yàn)研究結(jié)果不同，可能是由于特征波段的篩選方法不同導(dǎo)致。所以特征波段的選擇是提高估算模型精度的關(guān)鍵，連續(xù)投影算法在簡(jiǎn)化模型的同時(shí)提高模型精度，光譜數(shù)據(jù)經(jīng)連續(xù)小波變換預(yù)處理后采用連續(xù)投影算法篩選的特征波段數(shù)量和位置因分解尺度的不同而變化。研究對(duì)連續(xù)小波變換處理后的光譜數(shù)據(jù)采用連續(xù)投影算法篩選特征波段，然后構(gòu)建土壤有機(jī)碳含量的SVM估算模型。肖艷等［29］利用連續(xù)小波變換和連續(xù)投影算法構(gòu)建了黑土有機(jī)質(zhì)含量的SVM模型，證明了基于連續(xù)小波變換和連續(xù)投影算法建模的估測(cè)效果最好。孟珊等［11］對(duì)原始光譜進(jìn)行數(shù)學(xué)變換及微分變換后，利用競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣（CARS）構(gòu)建了研究區(qū)土壤有機(jī)碳含量的BP神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練集和驗(yàn)證集R2分別為0.81和0.83，RPD分別為2.30和2.45，RMSE分別為5.75和4.89 g/kg。牛芳鵬等［12］對(duì)原始光譜進(jìn)行SG平滑、標(biāo)準(zhǔn)化正態(tài)變換及一階微分后，利用SPA構(gòu)建了研究區(qū)土壤有機(jī)碳含量的SVM模型，其訓(xùn)練集與驗(yàn)證集R2分別為0.83和0.85，RMSE分別為5.59和3.16 g/kg，RPD為2.25。研究利用連續(xù)小波變換結(jié)合SPA算法構(gòu)建的SVM模型，其訓(xùn)練集和驗(yàn)證集分別R2=0.76，RMSE=4.78和R2=0.94，RMSE=3.30，RPD=2.50，利用連續(xù)小波變換結(jié)合連續(xù)投影算法構(gòu)建的SVM模型。影響SVM模型精度的主要因素有待于進(jìn)一步研究。

4 結(jié) 論

4.1

研究區(qū)土壤有機(jī)碳含量范圍為0.69～50.32 g/kg，平均值為14.15 g/kg，標(biāo)準(zhǔn)差為9.51 g/kg，呈中等變異性，變異系數(shù)為67.20%。

4.2

土壤原始光譜反射率隨著波長(zhǎng)的增加發(fā)生變化，在350～750 nm，光譜反射率呈上升趨勢(shì)，在750～2 150 nm，光譜反射率呈相對(duì)平穩(wěn)趨勢(shì)，從2 150 nm開始至2 500 nm，光譜反射率逐漸下降；連續(xù)小波變換對(duì)土壤原始光譜預(yù)處理后隨著分解尺度的增加，光譜局部特征越來(lái)越明顯，吸收峰和反射峰越來(lái)越平滑；采用連續(xù)投影算法篩選的光譜特征波段集中于350～952 nm、1 007～1 742 nm、2 082～2 381 nm，且特征波段僅占可見光-近紅外光譜的0.30%。

4.3

連續(xù)小波變換結(jié)合連續(xù)投影算法構(gòu)建的SVM模型，其訓(xùn)練集和驗(yàn)證集分別R2=0.76，RMSE=4.78和R2=0.94，RMSE=3.30，RPD=2.50，可以有效估算研究區(qū)的土壤有機(jī)碳含量。

參考文獻(xiàn)（References）

［1］Gomez C， Viscarra Rossel R A， McBratney A B. Soil organic carbon prediction by hyperspectral remote sensing and field vis-NIR spectroscopy： an Australian case study［J］. Geoderma， 2008， 146（3/4）： 403-411.

［2］ 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.

［3］ Wang J P， Wang X J， Zhang J， et al. Soil organic and inorganic carbon and stable carbon isotopes in the Yanqi Basin of northwestern China［J］. European Journal of Soil Science， 2015， 66（1）： 95-103.

［4］ Ribeiro S G， dos Santos Teixeira A， de Oliveira M R R， et al. Soil organic carbon content prediction using soil-reflected spectra： a comparison of two regression methods［J］. Remote Sensing， 2021， 13（23）： 4752.

［5］ 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.

［6］ 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.

ZHU Jianwei， LIU Yuxue， WU Chaofan， et al. Study on near-infrared spectroscopy model of soil organic carbon after biochar addition and its application［J］. Acta Ecologica Sinica， 2020， 40（20）： 7430-7440.

［7］ 勾宇軒， 趙云澤， 李勇， 等. 基于CWT-sCARS的東北旱作農(nóng)田土壤有機(jī)質(zhì)高光譜反演［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2022， 53（3）： 331-337.

GOU Yuxuan， ZHAO Yunze， LI Yong， et al. Soil organic matter content in dryland farmland in Northeast China with hyperspectral reflectance based on CWT-sCARS［J］. Transactions of the Chinese Society for Agricultural Machinery，" 2022， 53（3）： 331-337.

［8］ 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.

ZHANG Rui， LI Zhaofu， PAN Jianjun. Coupling discrete wavelet packet transformation and local correlation maximization improving prediction accuracy of soil organic carbon based on hyperspectral reflectance［J］. Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（1）： 175-181.

［9］ 玉米提·買明， 王雪梅. 連續(xù)小波變換的土壤有機(jī)質(zhì)含量高光譜估測(cè)［J］. 光譜學(xué)與光譜分析， 2022， 42（4）： 1278-1284.

Yumiti Maiming， WANG Xuemei. Hyperspectral estimation of soil organic matter content based on continuous wavelet transformation［J］. Spectroscopy and Spectral Analysis， 2022， 42（4）： 1278-1284.

［10］ 廖欽洪， 顧曉鶴， 李存軍， 等. 基于連續(xù)小波變換的潮土有機(jī)質(zhì)含量高光譜估算［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2012， 28（23）： 132-139.

LIAO Qinhong， GU Xiaohe， LI Cunjun， et al. Estimation of fluvo-aquic soil organic matter content from hyperspectral reflectance based on continuous wavelet transformation［J］. Transactions of the Chinese Society of Agricultural Engineering， 2012， 28（23）： 132-139.

［11］ 孟珊， 李新國(guó)， 焦黎. 基于CARS算法的湖濱綠洲土壤表層有機(jī)碳估算［J］. 環(huán)境科學(xué)與技術(shù)， 2022， 45（8）： 218-225.

MENG Shan， LI Xinguo， JIAO Li. Estimation of surface soil organic carbon in lakeside oasis based on CARS algorithm［J］. Environmental Science amp; Technology， 2022， 45（8）： 218-225.

［12］ 牛芳鵬， 李新國(guó)， 麥麥提吐爾遜·艾則孜， 等. 基于連續(xù)投影算法的博斯騰湖西岸湖濱綠洲土壤有機(jī)碳含量的高光譜估算［J］. 浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版）， 2021， 47（5）： 673-682.

NIU Fangpeng， LI Xinguo， Mamattursun Eziz， et al. Hyperspectral estimation of soil organic carbon content in the west lakeside oasis of Bosten Lake based on successive projection algorithm［J］. Journal of Zhejiang University （Agriculture and Life Sciences）， 2021， 47（5）： 673-682.

［13］ 章海亮， 劉雪梅， 何勇. SPA-LS-SVM檢測(cè)土壤有機(jī)質(zhì)和速效鉀研究［J］. 光譜學(xué)與光譜分析， 2014， 34（5）： 1348-1351.

ZHANG Hailiang， LIU Xuemei， HE Yong. Measurement of soil organic matter and available K based on SPA-LS-SVM［J］. Spectroscopy and Spectral Analysis， 2014， 34（5）： 1348-1351.

［14］ Peng X T， Shi T Z， Song A H， et al. Estimating soil organic carbon using VIS/NIR spectroscopy with SVMR and SPA methods［J］. Remote Sensing， 2014， 6（4）： 2699-2717.

［15］ 葉紅云， 熊黑鋼， 張芳， 等. 基于CWT的人類不同程度干擾下干旱區(qū)土壤有機(jī)質(zhì)含量估算研究［J］. 激光與光電子學(xué)進(jìn)展， 2019， 56（5）： 051101.

YE Hongyun， XIONG Heigang， ZHANG Fang， et al. CWT-based estimation of soil organic matter content in arid area under different human disturbance degrees［J］. Laser amp; Optoelectronics Progress， 2019， 56（5）： 051101.

［16］ 牛芳鵬， 李新國(guó)， 麥麥提吐爾遜·艾則孜， 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［J］. 江蘇農(nóng)業(yè)學(xué)報(bào)， 2022， 38（2）： 414-421.

NIU Fangpeng， LI Xinguo， Mamattursun Eziz， et al. Estimation model of soil organic carbon content in lakeside oasis on the west coast of Bosten Lake based on spectral index［J］. Jiangsu Journal of Agricultural Sciences， 2022， 38（2）： 414-421.

［17］ 艾孜提艾力·克依木， 李新國(guó)， 趙慧， 等. 基于地理加權(quán)回歸模型的綠洲土壤表層有機(jī)質(zhì)含量高光譜估算［J］. 新疆農(nóng)業(yè)科學(xué)， 2022， 59（1）： 223-230.

Hazirtiali Keyim， LI Xinguo， ZHAO Hui， et al. Hyperspectral estimation of surface soil organic matter content in the oasis based on geographically weighted regression model［J］. Xinjiang Agricultural Sciences，" 2022， 59（1）： 223-230.

［18］ 孫問娟， 李新舉. 煤礦區(qū)土壤有機(jī)碳含量的高光譜預(yù)測(cè)模型［J］. 水土保持學(xué)報(bào)， 2018， 32（5）： 346-351.

SUN Wenjuan， LI Xinju. Hyperspectral prediction model of soil organic carbon content in coal mining area［J］. Journal of Soil and Water Conservation， 2018， 32（5）： 346-351.

［19］ 郭斌， 白昊睿， 張波， 等. 基于RF和連續(xù)小波變換的露天煤礦土壤鋅含量高光譜遙感反演［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2022， 38（10）： 138-147.

GUO Bin， BAI Haorui， ZHANG Bo， et al. Inversion of soil zinc contents using hyperspectral remote sensing based on random forest and continuous wavelet transform in an opencast coal mine［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（10）： 138-147.

［20］ 吳倩， 姜琦剛， 史鵬飛， 等. 基于高光譜的土壤碳酸鈣含量估算模型研究［J］. 國(guó)土資源遙感， 2021， 33（1）： 138-144.

WU Qian， JIANG Qigang， SHI Pengfei， et al. The estimation of soil calcium carbonate content based on Hyperspectral data［J］. Remote Sensing for Land amp; Resources， 2021， 33（1）： 138-144.

［21］ 楊愛霞， 丁建麗. 新疆艾比湖濕地土壤有機(jī)碳含量的光譜測(cè)定方法對(duì)比［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2015， 31（18）： 162-168.

YANG Aixia， DING Jianli. Comparative assessment of two methods for estimation of soil organic carbon content by Vis-NIR spectra in Xinjiang Ebinur Lake Wetland［J］. Transactions of the Chinese Society of Agricultural Engineering， 2015， 31（18）： 162-168.

［22］ 于雷， 洪永勝， 周勇， 等. 連續(xù)小波變換高光譜數(shù)據(jù)的土壤有機(jī)質(zhì)含量反演模型構(gòu)建［J］. 光譜學(xué)與光譜分析， 2016， 36（5）： 1428.

YU Lei， HONG Yongsheng， ZHOU Yong， et al. Inversion of soil organic matter content using hyperspectral data based on continuous wavelet transformation［J］. Spectroscopy and Spectral Analysis， 2016， 36（5）： 1428.

［23］ 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.

ZHAO Mingsong， XIE Yi， LU Longmei， et al. Modeling for soil organic matter content based on hyperspectral feature indices［J］. Acta Pedologica Sinica，" 2021， 58（1）： 42-54.

［24］ 章濤， 于雷， 易軍， 等. 高光譜小波能量特征估測(cè)土壤有機(jī)質(zhì)含量［J］. 光譜學(xué)與光譜分析， 2019， 39（10）： 3217-3222.

ZHANG Tao， YU Lei， YI Jun， et al. Determination of soil organic matter content based on hyperspectral wavelet energy features［J］. Spectroscopy and Spectral Analysis， 2019， 39（10）： 3217-3222.

［25］ Chen L H， Lai J， Tan K， et al. Development of a soil heavy metal estimation method based on a spectral index： combining fractional-order derivative pretreatment and the absorption mechanism［J］. The Science of the Total Environment， 2022， 813： 151882.

［26］ 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.

LIN Pengda， TONG Zhijun， ZHANG Jiquan， et al. Inversion of black soil organic matter content with field hyperspectral reflectance based on continuous wavelet transformation［J］. Research of Soil and Water Conservation， 2018， 25（2）： 46-52， 57.

［27］ Li R Y， Gao M X， Xu Z X， et al. Hyper-spectral estimation of soil organic matter in apple orchard based on CWT［J］. IOP Conference Series： Earth and Environmental Science， 2021， 734（1）： 012030.

［28］ 劉翠英， 張津瑞， 曾濤， 等. 傅里葉變換紅外光譜的土壤團(tuán)聚體有機(jī)碳和全氮含量估測(cè)［J］. 光譜學(xué)與光譜分析， 2020， 40（12）： 3818-3824.

LIU Cuiying， ZHANG Jinrui， ZENG Tao， et al. Determination of soil organic carbon and total nitrogen contents in aggregate fractions from Fourier transform infrared spectroscopy［J］. Spectroscopy and Spectral Analysis， 2020， 40（12）： 3818-3824.

［29］ 肖艷， 辛洪波， 王斌， 等. 基于小波變換和連續(xù)投影算法的黑土有機(jī)質(zhì)含量高光譜估測(cè)［J］. 國(guó)土資源遙感， 2021， 33（2）： 33-39.

XIAO Yan， XIN Hongbo， WANG Bin， et al. Hyperspectral estimation of black soil organic matter content based on wavelet transform and successive projections algorithm［J］. Remote Sensing for Land amp; Resources， 2021， 33（2）： 33-39.

Support vector machines estimation model of soil organic carbon content in lakeside oasis

Abstract：【Objective】 To study rapid estimation of soil organic carbon content using hyperspectral data in the hope of providing scientific basis for rational development of land resources in lakeside oases in arid regions.

【Methods】 The north lakeside oasis of Bosten Lake was taken as the study area and the measured soil organic carbon content data were combined with the hyperspectral data. Successive Projections Algorithm （SPA） was used to screen the successive bands after SG smoothing （SG）， Continuum Removal （CR） and Continuous Wavelet Transform （CWT） pre-processing for the original spectra. Support Vector Machines （SVM） models were used to estimate soil organic carbon content.

【Results】" Soil organic carbon content in the study area ranged from 0.69 g/kg to 50.32 g/kg， with an average value of 14.15 g/kg and a standard deviation of 9.51 g/kg， showing moderate variability and coefficient of variation of 67.20%. The original spectral reflectance of soil changed with the increase of wavelength， at 350-750 nm， the spectral reflectance increased， at 750-2，150 nm， the spectral reflectance showed a relatively stable trend; from 2，150 nm to 2，500 nm， the spectral reflectance gradually decreased. With the increase of decomposition scale， the local characteristics of the original spectrum of soil after pretreatment by continuous wavelet transform became more and more obvious， and the absorption and reflection peaks were becoming smoother and smoother. The feature bands selected by the continuous projection algorithm were concentrated in 350-952， 1，007-1，742 and 2，082-2，381 nm， and the feature bands only accounted for 0.30% of the Vis-NIR spectrum. The training set and verification set of the SVM model constructed by continuous wavelet transform and continuous projection algorithm were R2=0.76， RMSE=4.78 and R2=0.94， RMSE=3.30， RPD=2.50， respectively.

【Conclusion】" The CWT-SPA-SVM could be effectively estimate soil organic carbon content in the study area.

Key words：soil organic carbon content; continuous wavelet transform; successive projections algorithm; support vector machines model; hyperspectral data