可见光和近红外（Vis-NIR）光谱仪是一种实用的工具，可用于替代土壤物理和化学分析以评估土壤性质。最佳波段组合算法是一种通过考虑波段之间的相互作用信息来提取光谱变量的有效方法，但是对于实验室Vis-NIR光谱数据，该方法易受“维数灾难”的影响。提出一种适当地降低光谱配置（减少光谱带的数量和粗化光谱分辨率），以提高计算效率且不会显著影响预测精度的方法。首先，构建了6个光谱配置，即光谱波段的数量从2001个减小到19个，光谱分辨率从3 nm增加至100 nm，并且光谱采样间隔等于光谱分辨率（均匀间隔采样）。然后，通过偏最小二乘回归结合最佳波段组合算法预测不同光谱配置下土壤有机质（SOM）和电导率（EC）的最佳光谱参数。结果表明：直到光谱分辨率为60 nm时（每个光谱32个波长），最佳波段组合算法与全波段光谱数据相比，可以提高预测精度。最佳波段组合算法在1~20 nm光谱分辨率下，预测精度没有显著差异（约为2%）；SOM［（决定系数Rv2等于0.77，均方根误差（RMSE_P）等于0.325％，性能四分位数范围的比率（RPIQ_v）等于3］和EC（Rv2等于0.70，RMSE_P等于6.88 dS·m^-1，RPIQ_v等于2.21）分别在20 nm和10 nm的光谱分辨率下获得了最佳预测性能。

土壤光谱特征是土壤内在理化特性的外在表现, 利用可见-近红外(Vis-NIR)的漫反射光谱估测土壤有机质含量(SOMC)可为土地资源的合理开发与利用提供重要的科学依据。 土壤是由多种物质组成的混合物, 其高光谱数据中存在某些成分(例如盐颗粒和矿物质)的重叠吸收, 同时波段之间存在共线性问题, 这些因素对光谱分析和建模带来了极大的挑战。 光谱指数法通过迭代运算, 不但充分考虑波段之间的协同作用, 而且具有最小化无关波长影响的功能。 此外该方法将光谱特征从一维扩展到多维, 能容易地检测和区分出细微的吸收峰。 以新疆艾比湖流域为研究区, 采集了120个土壤样品, 在室内进行SOMC和光谱的测定。 利用一阶微分(FD)和连续统去除(CR)对高光谱数据进行预处理。 在已有两波段指数的基础上, 加入第三个波段, 利用最优波段算法, 构建了三种SOMC的三波段光谱指数(TBI), 并从光谱机理上讨论了TBI的合理性。 最后根据支持向量机(SVM)的建模效果, 进一步比较不同维度光谱参数对SOMC估测的准确性。 研究结果表明: (1)光谱预处理技术可以在一定程度上减弱反射光谱中的噪声信息, 突出更多潜在的光谱信息; (2)通过对比分析得出, SOMC的相关性随着光谱信息维度的增加而增加, 即, TBI>二波段指数>一维光谱参数; (3)新开发的TBI在SOMC的建模和验证过程中提供了比两波段指数和一维光谱参数更好的估测效果, 其中TBI-1的估测效果最好, 建模集的决定系数(R2C)为0.88, 验证集的决定系数(R2V)为0.85, 相对分析误差(RPD)为2.43。 该研究对比了不同维度光谱参数对SOMC的响应和建模精度, 发现三波段光谱指数是评价SOMC的重要参量。 此外, TBI与SVM算法的结合, 可以显著弱化土壤噪声信息, 提高SOMC的预测精度, 在土壤其他生化参数的估计中具有较强的应用潜力。

采集艾比湖湿地89个典型样点和土壤实测光谱数据,对所测土壤光谱进行一阶微分变换预处理,采用连续投影算法(SPA)、主成分分析(PCA)和稀疏自编码(SAE)对光谱数据进行特征提取,结合偏最小二乘回归与BP(Back Propagation)神经网络构建SOM估算模型。实验结果表明,SAE方法能够有效对光谱进行压缩;相比于PLSR模型,BP模型能够较好地处理光谱中复杂的非线性信息;SAE-BP方法在估算SOM中取得的精度最高。网络模型的建模方式能够显著提高VIS-NIR光谱反演土壤有机质模型的稳定性和精度,当面对光谱中复杂的非线性问题时,具有很强的解析力和较好的模型稳健性,为使用VIS-NIR数据估算SOM提供一种新思路。

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。

土壤含水量（SMC）是生物地球化学和大气耦合过程的关键变量, 在干旱区农业、 生态和环境中扮演着重要角色。 相较于星载遥感系统, 无人机（UAV）具有可控性强、 分辨率高等特点从而被广泛应用, 为中小尺度地表参量的快速监测提供新的遥感平台。 机载高光谱传感器的引入, 为UAV遥感系统提供了高维海量、 纳米级的数据源。 然而基于UAV高光谱数据的研究并未深度挖掘, 也尚未形成一个标准的技术方案。 该研究立足于新疆维吾尔自治区典型农业区, 利用6种预处理方案, 包括一阶导数（FDR）, 二阶导数（SDR）, 连续体去除（CR）、 吸光度（A）、 吸光度一阶（FDA）和吸光度二阶（SDA）, 对所获取的UAV高光谱数据进行处理。 在此背景下构建4种类型的适宜光谱指数： 差值型指数（DI）, 比值型指数（RI）, 归一化型指数（NDI）和垂直型指数（PI）, 并从光谱机理上讨论指数的合理性。 最后利用梯度提升回归树(GBRT)、 随机森林（RF）和eXtreme Gradient Boosting（XGBoost）算法, 以28个最适光谱指数为独立变量建立SMC估算模型, 并通过不同集成学习算法的重要性对变量进行排序, 从线性和非线性的角度对所构建光谱指数的效果进行考量评价。 结果表明： （1）预处理和最适光谱指数能有效地消除了大气干扰和土壤背景, 其中预处理A突出更多的光谱信息, PI相关性显著； （2）通过分析比较相关性系数（r）和集成学习算法的重要性, 发现A_PI（|r|=0.773）是最适光谱指数, 在线性和非线性关系中均有较优的表现； （3）在3种基于集成学习的SMC预测模型中, XGBoost估算模型效果拔群（R2val=0.926, RMSEP=1.943和RPD=2.556）, 其预测值的统计学特征与实测值的最为接近。 3种模型效果排序为： XGBoost>RF>GBRT。 综上所述, 基于UAV高光谱影像, 结合不同预处理和光谱指数, 为低空遥感监测土壤墒情提出新的方案。 该研究的方案具有潜在的高精度, 是检测干旱区SMC的有效方法, 针对快速易行地监测地表属性提供了崭新视角。 相关结果为干旱区精准农业、 生态系统给予更好的管理和保护策略。

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。

土壤含水量是干旱区地表水-热-溶质耦合运移的关键指标;以干旱区典型样点实测土壤含水量及其室内可见光-近红外光谱数据作为数据集,通过蒙特卡罗交叉验证确定77个有效样本;基于竞争适应重加权采样算法筛选出最优光谱变量子集,利用3种机器学习方法——BP神经网络、随机森林回归和极限学习机建立土壤含水量预测模型,进而实现土壤含水量估算模型的优选。结果表明:竞争适应重加权采样算法能有效剔除无关变量,从2151个光谱波段中优选出20个特征波段,其中R₁₈₄₈与土壤含水量的最大相关系数为0.531;引入偏最小二乘模型和机器学习方法进行对比,分析发现机器学习方法的预测结果比偏最小二乘模型更高;分析比较BP神经网络、随机森林回归和极限学习机的建模结果可知:极限学习机模型建模在机器学习方法中的效果最佳,决定系数R²=0.918,均方根误差RMSE=0.015,相对分析误差RPD=3.123,四分位数间隔RPIQ=3.325;机器学习能显著提升光谱建模反演土壤含水量的精度和稳定性,显示出其在非线性问题中具有很强的透析力和较好的模型稳健性,针对干旱区土壤水分的精准预测和定量估算具有可行性,可为干旱区土壤墒情、精准农业等研究提供科学参考。