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。

土壤水分含量(SMC)的快速估测能促进干旱、半干旱地区精准农业的发展。以渭干河-库车河绿洲为研究区,采用小波变换对反射光谱进行1~8层小波分解,通过相关性分析确定最大分解层数,并对原始反射率至最大分解层数以内的各层特征光谱进行9种常规数学变换处理,然后将土壤反射率与SMC进行相关性分析,并从每层特征光谱的各种变换中筛选出相关系数最大的波段,将其作为敏感波段,通过灰色关联分析(GRA)从中筛选出最佳波段组合,利用偏最小二乘回归建立SMC预测模型并进行分析。结果显示:在小波变换过程中,随着分解层数增加,土壤反射率与SMC的相关性呈先增后减的趋势,L6处通过0.01水平下的显著性波段最多, L6的特征光谱在去噪的同时还能最大限度地保留光谱细节,为本研究中的最大分解层;将小波变换和微分变换相结合可以深度挖掘光谱的潜在信息,提高土壤反射率与SMC之间的关联度;根据所有SMC模型的统计参数综合对比分析可以确定基于L-GRA建立的模型精度最优,其建模集均方根误差为0.026,建模集决定系数为0.710,预测均方根误差为0.030,验证集决定系数为0.965,相对分析误差为2.800;小波变换和灰色关联分析的结合在建立模型时能尽可能少地损失光谱细节,较为彻底地去除噪声,同时还能对无信息变量进行有效去除。

土壤水分含量(SMC)的快速估测对干旱半干旱地区的精准农业发展具有重要的意义。 以渭干河-库车河绿洲为靶区, 采用小波变换(WT)对反射光谱进行1~8层小波分解, 通过相关性分析确定最大分解层数, 再通过竞争性自适应重加权(CRAS)、 连续投影算法(SPA)和CARS-SPA耦合算法进行特征波长筛选。 基于全波段构建BP神经网络模型和基于特征波长构建BP神经网络、 支持向量机、 随机森林和极限学习机模型, 并进行对比分析。 结果显示: (1)随着小波分解的进行, 总体上L6在去噪的同时还尽可能的保留了光谱原始特征, 为最大分解层; (2)小波变换和CARS-SPA算法的结合使其在建立模型时较为彻底的去除噪声和无信息变量, 同时消除变量间的共线性; (3)在所有的SMC预测模型中, 相对于BP神经网络、 SVM, ELM和RF具有更好的预测能力, 其中L6-CARS-SPA-ELM精度最高, 其RMSEC=0.015 1, R2c=0.916 6, RMSEP=0.014 2, R2p=0.935 4, RPD=2.323 9。 这体现出ELM预测模型对非线性问题的强解析能力和模型的稳健性, 为该研究区SMC的预测提供新的思路。