利用全球数据同化系统 (GDAS) 气象资料和生态环境部环境监测总站的 PM2.5 浓度数据, 使用 MeteoInfo 软件和 TrajStat 插件的聚类方法和聚类统计对 2018 年 12 月-2019 年 1 月到达伊宁市主城区的气流轨迹进行了聚类分析, 运用潜在源贡献 (PSCF) 及浓度权重轨迹 (CWT) 分析了伊宁市主城区 PM2.5 潜在源贡献率 (WPSCF) 和轨迹权重浓度 (WCWT)。 结果显示: a) 轨迹聚类分析表明该区受西南气团影响最大, 主要来自哈萨克斯坦和吉尔吉斯斯坦; b) WPSCF 和 WCWT 分布特征类似, 重度污染源区 WPSCF 最高在 0.7～0.8 以上, WCWT 最高值在 80～110 μg·m-3, 潜在源主要集中在昭苏-特克斯盆地。

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。

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。