采集新疆渭干河-库车河典型绿洲96个表层土样,测量其光谱反射率和土壤有机碳(SOC)含量,采用分数阶微分技术(阶数的取值范围为0~2,步长为0.2)结合极限学习机、随机森林、多元自适应回归样条函数、弹性网络回归和梯度提升回归树(GBRT)5种机器学习算法,并对SOC含量进行高精度估算。实验结果表明:分数阶微分的预处理效果优于整数阶微分;特定波段处相关性得到明显提高,最大相关性提高了0.220;作为集成学习的GBRT(验证集中决定系数为0.878,相对分析误差为3.142)在不同阶数下均优于其他模型,建议使用基于1.6阶光谱反射率的GBRT估测干旱区绿洲SOC含量。总之,基于可见光-近红外(VIS-NIR)结合分数阶微分技术与机器学习算法,为提高估测干旱区绿洲SOC含量的模型精度提出新方案。

准确估算土壤含水量(SMC),对干旱区的精准农业、水资源管理具有重要意义。针对传统估算方法和野外测量耗时、费力的问题,通过无人机平台获取新疆阜康市冬小麦样地的高光谱影像数据,分别利用一阶导数、二阶导数、吸光度、吸光度一阶导数(FDA)、吸光度二阶导数对原始高光谱数据进行预处理;采用随机森林(RF)、梯度提升回归树(GBRT)和极端梯度提升(XGBoost)三种算法进行特征变量重要性遴选,基于地理加权回归(GWR)建立模型。结果表明:FDA的预处理效果最佳,以FDA-GBRT为基础的模型效果最优,建模集与验证集的决定系数(R2)分别为0.890、0.891,四分位数间隔为3.490;GBRT算法相较于RF和XGBoost算法优势较为突出,多数模型建模集与验证集的R2均大于0.600;GWR模型对SMC的预测建模有效,可为干旱区农业生态系统的管理与保护提供理论支撑。