针对高光谱数据量大、信息冗余严重的现象,应用稳定竞争性自适应重加权采样(sCARS)、连续投影算法(SPA)、遗传算法(GA)、迭代保留有效信息变量(IRIV)和稳定竞争性自适应重加权采样结合连续投影算法(sCARS-SPA),从全波段光谱数据中筛选特征变量,并利用全波段和特征波段建立偏最小二乘回归(PLSR)、支持向量机(SVM)和随机森林(RF)模型预测土壤有机质含量。结果表明, PLSR和SVM模型结合特征变量选择,不仅提高了模型运算效率,而且模型预测能力较全波段均有一定提高;RF模型采用特征变量建模,对模型精度的提高不是十分明显,但其构建模型的变量数量却显著减少,大大提高建模效率。RF模型精度优于SVM和PLSR模型,IRIV结合RF建立的土壤有机质含量预测模型,变量数仅63个,校准集和验证集模型决定系数(R²)分别为0.941和0.96,验证集相对分析误差(R_PD)为4.8。与全波段建模相比,特征变量选择和回归方法相结合,在保证模型精度的同时,可有效提高建模效率。

为解决传统的土壤地球化学测量方法成本高、 效率低等问题, 研究了利用可见-近红外光谱技术检测土壤重金属含量的简易方法。 研究对西范坪矿区土壤反射光谱进行微分、 连续统去除等六种变换, 利用逐步回归法和皮尔逊相关系数选出对土壤铜含量敏感的特征波段, 组成综合特征变量集, 再应用不同的特征变量选取方法和参数建立估算模型并检验。 结果表明: 不同的光谱变换方法对土壤铜含量信息提取能力不同, 每种光谱变换都对应特定的敏感波谱区间; 基于综合光谱变换信息建立的土壤铜含量反演模型精度优于基于单种光谱变换信息建立的模型; 利用综合光谱变换信息建立土壤铜含量反演模型, 后向剔除法优于前向引入法和逐步回归法, 当Removal取0.20时得到最优回归模型, 其模型决定系数R2和预测模型决定系数R2pre分别达到了0.851和0.830, 建模均方根误差RMSEC和预测均方根误差RMSEP分别为0.349和0.468 mg·kg-1, 能较好地检测土壤铜含量, 同时为其他土壤重金属元素的光谱检测提供了思路。