摘要：土壤有機質(SOM)是衡量礦區(qū)生態(tài)環(huán)境質量的重要指標之一。為了提高SOM含量的估算精度，在已有二波段指數(shù)的基礎上加入第3個波段，構建新的三波段指數(shù)，利用極限學習機(ELM)和隨機森林(RF)分別建立SOM含量的預測模型。在新疆準東煤田采集168個土壤樣點，在室內進行SOM含量、光譜的測定。對光譜數(shù)據(jù)進行平滑和預處理后，構建多個兩波段、三波段光譜指數(shù)，隨后分析不同維度光譜數(shù)據(jù)與SOM含量的敏感程度和敏感區(qū)域。ELM和RF被用于對每個維度最優(yōu)光譜參數(shù)建立預測模型。研究結果顯示，無論采用哪種方式建模，每個維度的光譜數(shù)據(jù)與SOM含量的敏感程度和建模精度均隨信息維度的增加而增加，即三波段指數(shù)(TBI)>二波段指數(shù)>一維光譜數(shù)據(jù)。在三波段指數(shù)中，ELM的預測效果要優(yōu)于RF，其中(TBI-4)-ELM的預測效果最好，決定系數(shù)(r2)=0.87，均方根誤差(RMSEP)=4.07，相對分析誤差(RPD)=2.63。三波段指數(shù)與ELM的結合，可以很好地減弱土壤信息噪聲，提高SOM含量的預測精度。

　　關鍵詞：遙感;光譜分析;土壤有機質;光譜指數(shù);機器學習

　　作者：朱傳梅

　　通信作者：王宏衛(wèi)

　　礦產(chǎn)資源的開采和加工可以帶來更多的經(jīng)濟效益，但是開采煤礦會干擾土層，破壞植被，使土壤失去利用價值，這對土地資源的可持續(xù)發(fā)展和生態(tài)環(huán)境構成嚴重威脅[1]。在我國，大型的露天煤礦多集中分布于干旱、半干旱生態(tài)脆弱的地帶，該地區(qū)土壤自身修復能力極弱，生態(tài)敏感性極強，再加上礦產(chǎn)資源長期大量被開采和加工，導致當?shù)丨h(huán)境問題和生態(tài)修復問題日益突出[2]。土壤是陸地生態(tài)系統(tǒng)中許多生態(tài)過程(例如養(yǎng)分循環(huán)、水平衡、凋落物分解等)的基礎，土壤有機質狀態(tài)是衡量退化生態(tài)系統(tǒng)中生態(tài)功能恢復和維持的關鍵指標[3]。因此，無損地監(jiān)測土壤有機質(SOM)含量有助于礦區(qū)環(huán)境管理和生態(tài)恢復。一般的SOM含量測定多基于大量的野外土壤采樣和繁瑣的室內化學分析方法，較費時、費力、耗資，無法滿足現(xiàn)代精細農(nóng)業(yè)發(fā)展的需要[3]。與傳統(tǒng)的方法相比，遙感技術是一種很有前景的土壤屬性定量評估方法，具有快速響應、成本低、采集快等特點，可以很好地用來描述、評估不同尺度下表層土壤的各種特征[4]。因此，基于不同的光譜反射和吸收特性，可見光-近紅外光譜(VIS-NIR)分析技術可以作為一種替代方法，保證SOM含量的準確估算。

　　土壤是由多種物質組成的混合物，其反射光譜常包括背景噪聲、基線漂移、傾斜等干擾信息，直接用來進行SOM含量的估算得到的結果并不理想[5]。相關研究表明，光譜預處理方法能夠較好地移除噪聲、突出光譜曲線特征、去除或減弱其他因素的影響，為建立具有較高精度的估測模型提供可能[5]。光譜微分是增加信噪比的主要技術手段之一，其中一階微分(FD)可去除不同的背景噪聲和基線漂移，擴大樣本間光譜的差異，反映被測物體的本質特征。連續(xù)統(tǒng)去除(CR)法可減小散射對目標光譜的影響，同時可放大微弱光譜的吸收特性[5]。這2種預處理技術被廣泛地應用于VIS-NIR分析中，對建立預測能力強、穩(wěn)健性好的分析模型至關重要。

　　以往對于SOM的研究是在一維層面(全波段反射率或對應的數(shù)學變換)上選取單個敏感波段或多個敏感波段進行建模，該方法僅考慮了SOM與光譜間的關系，并沒有考慮光譜間的重疊吸收或相互影響[3-4]。光譜指數(shù)是由幾個窄波段或寬波段組合而成，可通過分析特定波段間的相互作用，提高對待測屬性的敏感程度。Wang等采用最優(yōu)兩波段指數(shù)對土壤鹽分含量進行分析和預測，取得了較顯著的成果[3]。然而，Tian等在水稻葉片氮濃度的定量估測中，對比了兩波段指數(shù)和三波段指數(shù)的估算能力[4]，這些研究和提出的指標表明，通過兩波段指數(shù)評估某些參數(shù)存在不足。對于土壤這種組成極為復雜的物質，兩波段指數(shù)能否很好地消除或減弱土壤中其他物質產(chǎn)生光的散射和分子的非特征吸收的干擾有待于進一步研究。

　　機器學習算法在解析非線性問題時表現(xiàn)能力較好，常用于土壤屬性的定量化估測，其中，極限學習機(ELM)和隨機森林(RF)更是研究的焦點。Douglas等在估算土壤中總石油烴(TPH)含量時，發(fā)現(xiàn)與線性偏最小二乘回歸(PLSR)法相比，RF模型能更好地反映土壤光譜的非線性響應，從而提供更高的預測精度[6]。然而，ELM和RF能否在較多的土壤信息噪聲中(如嚴重的人為影響)和較低的SOM水平(如干旱區(qū)嚴重的荒漠化影響)下，建立SOM含量和光譜參數(shù)的聯(lián)系，并達到一定的預測精度，有待進一步研究。

　　本研究的目的：(1)利用波段優(yōu)化算法，構建新的三波段光譜指數(shù);(2)量化不同維度的光譜參數(shù)對SOM的響應;(3)通過比較SOM的預測精度，尋找最有效的建模方法。

　　1材料與方法

　　1.1研究區(qū)介紹和土壤樣本的制備

　　研究區(qū)為準東煤田，位于我國新疆準噶爾盆地東南緣(43°45′～45°00′N，88°45′～91°10′E)為13000km2的露天煤田，煤炭儲量預估可達到3900億t[2]。它是世界上最大的綜合煤田，被譽為“中國工業(yè)糧倉”。該地為極端干燥的大陸性氣候，年平均降水量、溫度分別為140～183mm、5.3～7.3℃。土壤母質為第四紀沖積沉積物，地表植被稀疏。準東煤田的主要土地利用和土地覆被類型為荒地、草地、農(nóng)田等。自2006年準東煤礦啟動以來，大量的工礦活動已造成了生態(tài)失衡和嚴重的環(huán)境污染，土壤性質可能正在發(fā)生變化。

　　推薦閱讀：土壤改良論文發(fā)表推薦