高光谱分析能够高效的估算土壤有机碳含量, 连续小波变换(CWT), 在高光谱数据的噪声去除和有效信息提取方面具有独特优势, 但是经过连续小波变换后的光谱数据被分解为多个尺度, 单一分解尺度信息不能代表不同分解尺度信息, 如何充分利用多分解尺度的小波系数, 成为高光谱估算土壤有机碳含量的难题。 博斯腾湖是我国最大的内陆淡水湖, 湖滨绿洲作为重要的水陆交错带, 具有独特的空间结构和时间结构, 在维持和恢复湖泊生态系统健康方面发挥着重要作用。 以博斯腾湖湖滨绿洲为研究区, 于2020年10月采集138份深度为0~20 cm表层土壤样本, 剔除3个异常值样品, 得到135个有效样品, 室外采集土壤样本光谱, 并通过重铬酸钾－外加热法测定土壤有机碳含量; 将土壤样本的光谱反射率进行Savitzky-Golay平滑滤波处理, 以Gaussian4为小波基函数进行连续小波变换, 将土壤高光谱数据转换为10个分解尺度的小波系数。 利用相关性分析法(CC)、 稳定自适应重加权采样(sCARS)、 竞争自适应重加权采样(CARS)、 连续投影算法(SPA)、 遗传算法(GA)等5种特种波段筛选方法进一步降低噪音, 消除冗余信息, 逐尺度计算小波系数的均方根作为小波能量特征(EF), 将10个尺度的小波能量特征组成小波能量特征向量(EFV), 基于小波能量特征向量建立BP神经网络模型(BPNN)。 结果表明, 连续小波变换可以有效提高光谱反射率与土壤有机碳含量间的相关性, 1~3分解尺度相关性较差, 4~10分解尺度的相关性较好, 相关系数平均值提升43.66%, 相关系数最大值平均提升67.93%。 CC算法筛选的特征波段主要分布于在400~1 500 nm可见光及近红外短波; sCARS、 CARS算法筛选的特征波段集中于1 500~2 500 nm近红外长波; SPA算法筛选的特征波段集中于760~2 500 nm近红外波段; GA算法得到的特征波段基本均匀分布于400~2 500 nm。 高光谱小波能量特征向量EFV可以较好估算湖滨绿洲表层土壤有机碳含量, 6种模型的训练集与验证集R2平均值分别为0.73、 0.74, RMSE平均值分别为7.64、 7.28, RPD平均值为1.95。 模型精度表现为, CC-EFV-BPNN＞sCARS-EFV-BPNN＞Full-spectrum-EFV-BPNN＞CARS-EFV-BPNN＞GA-EFV-BPNN＞SPA-EFV-BPNN。 连续小波变换结合特征变量筛选方法, 提取小波能量特征向量EFV, 有效降低光谱数据维度与高光谱小波能量特征向量模型复杂度, 对于快速估算表层土壤有机碳含量具有重要参考价值。

土壤有机碳含量是土壤肥力与土壤质量的主要决定因素, 与土壤生产力密切相关。 采用高光谱模型估算土壤有机碳含量成为了解土壤肥力的重要方法。 利用高光谱分析技术结合机器算法实现快速、 高精度的估算土壤有机碳含量, 对土壤肥力的可持续利用至关重要。 根据实测的土壤有机碳含量及其高光谱反射率数据, 运用Savitzky Golay方法对光谱波段进行平滑去噪, 采用连续投影算法（SPA）、 遗传算法（GA）对原始光谱及其5种不同数学变换光谱分别进行特征波段的筛选, 并基于随机森林（RF）方法构建土壤有机碳含量的高光谱估算模型。 为进一步降低模型的复杂度, 将SPA算法与GA算法相结合, 寻找最佳特征参数, 以提升土壤有机碳含量特征波段的识别率和可信度。 结果表明: （1）在原始光谱中, 基于GA算法筛选SOC含量的高光谱响应波段主要集中在350~410、 827~928、 997~1 064、 1 201~1 234、 1 541~1 574、 1 667~1 710、 2 153~2 186和2 357~2 707 nm; 当RMSE为6.09时, SPA算法筛选了11个特征变量。 （2）基于GA算法筛选特征波段时, 原始光谱R、 标准正态变量（SNV）、 多元散射校正（MSC）、 一阶微分（FD）、 对数的倒数（RL）与连续统去除（CR）的维数分别降低到407、 697、 668、 667、 493、 784维, 占全光谱波段的18.93%~36.47%; 基于GA-SPA算法筛选后, 6种光谱变量的维度介于8~17维, RMSE介于4.53~6.30。 （3）在一阶微分光谱形式下, 基于GA-SPA算法挑选的12个特征变量所构建的RF模型预测效果最好, 模型的建模集R2c为0.78, RMSEc为5.48, 验证集R2p为0.82, RMSEp为4.50, RPD为2.18。 研究表明, 光谱一阶微分可以增强土壤的光谱信息, GA算法结合SPA算法寻找光谱特征变量, 既简化了估算模型的复杂度, 又提高了估算模型的精度, 基于遗传算法—连续投影算法的高光谱模型具有较高的估算能力。

土壤是陆地碳循环的中枢, 充分发挥土壤固碳潜力有助于减缓全球气候变化。 土壤有机碳 (SOC) 的高度分异性同时体现在空间和垂直分布上, 但是许多前期研究往往只考虑了空间分异, 而忽略了垂直分异。 尤其在青藏高原这种高寒山区, 土壤样品采集难度较大且费用昂贵。 可见近红外 (Vis-NIR) 光谱作为传统土壤实验室化学分析的辅助手段, 能够较为快速和精准地估测SOC含量。 但是土壤水分等环境因素会掩盖或改变SOC的Vis-NIR光谱吸收特征进而削弱模型预测精度。 外部参数正交化 (EPO) 和分段直接标准化 (PDS) 算法可以有效校正水分对光谱的影响, 但其在野外新鲜土柱上的表现还不得而知。 本研究旨在探索不同水分影响校正算法对野外剖面土壤光谱的校正能力, 对采自中国青藏高原海拔2 900～4 500 m色季拉山的共26个1 m深土柱。 沿深度以5 cm×5 cm为测量单元, 从各单元中心采集共计386个野外原状湿样Vis-NIR光谱, 并在实验室内测得相应386个研磨干样的Vis-NIR光谱以及SOC含量。 经EPO和PDS算法校正土壤水分对光谱的影响后, 通过随机森林建立土壤光谱和SOC含量的定量预测模型, 并使用靴襻法评估不同校正处理下预测模型的不确定。 土柱整体及垂直分布的精度结果表明, 经PDS法转换的农田和草地土柱湿样光谱均表现出良好的水分校正效果, 而EPO法仅对农田土柱有效。 水分影响校正算法在不同土壤深度上也存在显著差异, EPO和PDS对农田和草地表层样本的水分校正均效果明显。 两种校正方法的效果显示出地类和土层深度的依赖性。 本研究为利用Vis-NIR光谱技术在高寒山区野外快速准确估算土壤碳含量的垂直分异提供了必要参考。

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。

遥感反演已广泛应用于区域土壤理化性质的动态监测, 但是鲜有针对有机碳含量低、 下垫面不均一等土壤光谱特性不显著区域的研究。 黄土高原褐土带地形多样, 丘陵广布, 有机碳含量低。 采煤活动引起大面积土壤退化, 土壤光谱特性受到强烈干扰, 制约了区域尺度土壤有机碳(soil organic carbon)含量遥感反演精度。 以山西省褐土带典型采煤沉陷区为例, 借助地表反射率和室外实地采集的样本数据对褐土带煤矿开采沉陷区土壤有机碳含量进行反演。 采用结合高空间、 时间分辨率辅助气象数据的6SV(second simulation of a satellite signalin the solar spectrum-vector)模型和FLAASH(fast line-of-sight atmospheric analysis of spectral hypercubes)模型对研究区Landsat8 OLI影像的大气校正方法进行对比实验, 分析其对褐土带采煤沉陷区土壤光谱曲线及有机碳含量的影响, 识别敏感波段。 选择原始光谱反射率(R)和平方根(Ｒ)、 倒数的对数log(1/R)、 一阶微分(R′)等数学变换形式, 利用多元线性回归(MLR)、 BP神经网络(BP neural net)和偏最小二乘回归(PLSR)建立土壤有机碳反演模型。 结果表明: 6SV模型大气校正的效果要优于FLAASH模型, 可以有效消除大气、 地形对于反射率的干扰, 可见光波段反射率降低而近红外波段明显上升, 不同有机质含量等级土壤反射光谱特性分明; 640～670, 850～880, 1 570～1 600和2 110～2 290 nm波段对土壤有机碳含量指示性强; 相较于多元线性回归（决定系数R2为0.765）、 BP神经网络（R2为0.767）, 偏最小二乘回归模型反演精度最高（R2为0.778）; 结合高空间、 时间分辨率辅助气象数据的6SV大气校正模型与偏最小二乘回归建模能显著提高褐土带采煤沉陷区土壤有机碳的反演精度。 在此基础上预测研究区2013年—2015年土壤有机碳含量, 研究发现: 研究区土壤有机碳含量中部高, 两侧低, 复垦使土壤有机碳含量得到恢复。 研究结果可用于揭示黄土高原褐土带采煤沉陷区土壤有机碳含量的时空分布特征, 为改进区域土壤光谱分析、 土地复垦评价、 建立褐土带采煤沉陷区碳通量观测网络和土壤碳库估算提供理论和技术支持, 对研究区域甚至全球范围褐土带生态可持续发展提供依据。

土壤有机碳（SOC）对土壤肥力至关重要, 可见-近红外光谱能对其实现快速反演, 为区域监测和定量遥感提供基础。 针对包络去除（CR）仅提供反射光谱的单向吸收特征, 多元回归中预测信息缺失、 拟合结果未充分反映波段特征, 利用世界土壤数据库245份中国土样的可见-近红外光谱, 首次提出双包络去除（BCR）与正交偏最小二乘（OPLS）结合的反演方法BCR-OPLS, 同时纳入光谱反射率及上、 下边包络去除量, 讨论组分参考值偏态分布时幂函数或对数缩放在回归时的优化作用, 建立多种土壤的综合与分类估计模型, 并导出适用特定类型土壤的SOC指数。 结果表明, 对多种土壤有机碳含量反演, 相较PLSR模型（决定系数R2和估计根均方误差RMSEE分别为0.69和0.45%）, BCR-OPLS模型的预测能力明显改善（R2和RMSEE分别为0.9和0.26%）; 而对单一类型土壤的反演精度则进一步提升, 根据载荷趋势和变量重要性建立的SOC指数, 预测如黄色铁铝土的有机碳含量时（以400, 590和920 nm）, 其反演结果R2达到0.94、 RMSEE达到0.21%。 双包络去除与OPLS相结合, 增强了光谱特征诊断的鲁棒性, 提高了不同类型土壤的综合与分类SOC全谱反演精度, 基于直观的图谱表达可构建简单的波段预测关系, 深化了物理经验吸收与统计多元回归之间的联系。