葉紅云，熊黑鋼，包青嶺，王 寧，馬利芳

（1.新疆大學(xué)資源與環(huán)境科學(xué)學(xué)院/教育部綠洲生態(tài)重點(diǎn)實(shí)驗(yàn)室，新疆烏魯木齊 830046；2.北京聯(lián)合大學(xué)應(yīng)用文理學(xué)院城市系，北京 100083）

土壤有機(jī)質(zhì)（SOM）主要由各種動(dòng)植物的殘?bào)w、微生物體及其分解和合成的各種有機(jī)物質(zhì)組成，雖然其含量?jī)H占土壤總量的很小一部分，但在土壤肥力上的作用卻十分重要。不同土壤類型和區(qū)域由于氣候以及人類干擾程度的不同，使得有機(jī)質(zhì)分解程度不同，其光譜反射特性也存在差異。近年來(lái)，利用高光譜對(duì)土壤有機(jī)質(zhì)進(jìn)行估測(cè)研究因其便利性而被普遍使用［1-3］。但土壤高光譜曲線是土壤屬性的綜合體現(xiàn)，存在很多與有機(jī)質(zhì)無(wú)關(guān)的噪聲，且信息相關(guān)性強(qiáng)、信息冗余等，因此對(duì)于高光譜噪聲的去除成為近年來(lái)研究的熱點(diǎn)［4-6］。目前光譜去噪方法有很多，如Savitzky-Golay平滑去噪、移動(dòng)平均法、傅里葉變換（FFT）濾波等，但這些方法能檢測(cè)的信噪比信息有限。小波變換近幾十年來(lái)在高光譜遙感領(lǐng)域以其在信號(hào)去噪和數(shù)據(jù)壓縮方面獨(dú)特的優(yōu)勢(shì)為地物光譜信息提取提供了新途徑［7-9］。但目前的研究大都以人類干擾的土壤為對(duì)象，且均是有機(jī)質(zhì)含量較高的地區(qū)，未充分考慮到人類干擾程度不同且有機(jī)質(zhì)含量較低時(shí)光譜的估測(cè)情況?；意}土是新疆北部典型的土壤類型之一，其有機(jī)質(zhì)質(zhì)量分?jǐn)?shù)大多低于2%。研究表明，有機(jī)質(zhì)含量較低會(huì)減弱其光譜反射率的吸收特性［10-11］，導(dǎo)致在估測(cè)有機(jī)質(zhì)含量時(shí)存在光譜響應(yīng)較弱、模型預(yù)測(cè)精度較低等問題，因此有必要探究進(jìn)一步提高預(yù)測(cè)精度的方法。

灰度關(guān)聯(lián)法是分析各因素之間關(guān)聯(lián)程度的方法，在光譜分析中可以很好地識(shí)別敏感波段，有利于優(yōu)化模型精度［12］。極限學(xué)習(xí)機(jī)（ELM）算法可隨機(jī)產(chǎn)生輸入層與隱含層間的連接權(quán)值及隱含層神經(jīng)元的閾值，且在訓(xùn)練過程中無(wú)需調(diào)整，只需設(shè)置隱含層神經(jīng)元的數(shù)量，便可獲得唯一的最優(yōu)解，與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法相比，ELM方法學(xué)習(xí)速度快、泛化性能好［13］。雖然目前這2種方法應(yīng)用較多，但將二者結(jié)合應(yīng)用于干旱區(qū)小波變換最佳光譜層的確定中還未見報(bào)道。

本研究從人類干擾程度出發(fā)，結(jié)合植被特征、土地利用方式等指標(biāo)，將研究區(qū)劃分為輕度、中度和重度干擾區(qū)3種干擾類型，采用離散小波技術(shù)從土壤光譜數(shù)據(jù)中分別提取有機(jī)質(zhì)信息，并利用相關(guān)分析和灰色關(guān)聯(lián)分析法挑選有機(jī)質(zhì)含量的敏感波段，結(jié)合極限學(xué)習(xí)機(jī)構(gòu)建估測(cè)土壤有機(jī)質(zhì)含量的模型，以期提高估測(cè)精度，為精準(zhǔn)農(nóng)業(yè)的發(fā)展提供借鑒和科學(xué)依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于新疆北部的阜康市（87°44′～88°46′E，43°29′～45°45′N）。地勢(shì)南高北低，平均海拔為452 m。氣候?yàn)榈湫偷臏貛Т箨懶詺夂颍募靖邷?，冬季?yán)寒，光能資源充足，熱量資源豐富，降水稀少且空間分布不均，年降水量為163 mm，年蒸發(fā)潛力為2 000 mm左右［14］。

本試驗(yàn)將研究區(qū)分為Ⅰ、Ⅱ、Ⅲ3個(gè)區(qū)。Ⅰ區(qū)為輕度干擾區(qū)，因距離人類居住地較遠(yuǎn)，并未開發(fā)利用，該區(qū)人類活動(dòng)很少，偶有人類進(jìn)入，基本保持了其原有風(fēng)貌；Ⅱ區(qū)為中度干擾區(qū)，處于新疆生產(chǎn)建設(shè)兵團(tuán)102團(tuán)附近，大部分為廢棄耕地，人類目前對(duì)其干擾較?。虎髤^(qū)為重度干擾區(qū)，位于研究區(qū)的西南部，人類對(duì)其開發(fā)利用程度較大，主要開發(fā)利用方式為林地（包括人工梭梭林地、榆樹林地、育苗地），尚處于開發(fā)利用的初期階段（表1）。

參照余作岳提出的人類干擾分類體系［15］，研究中的Ⅰ區(qū)長(zhǎng)期以來(lái)的主導(dǎo)干擾因子只是人類偶爾進(jìn)入該區(qū)，并未對(duì)該區(qū)原有植被類型造成干擾，即幾乎不引起土壤中組分的變化，屬于無(wú)效干擾；而Ⅱ區(qū)、Ⅲ區(qū)經(jīng)過人類開墾、植樹等干擾活動(dòng)后，使得植被類型發(fā)生改變，正常演替序列被打破，土壤中的鹽分、有機(jī)質(zhì)等組分也隨之發(fā)生變化，即表1中的3種干擾改變了生態(tài)系統(tǒng)的正常動(dòng)態(tài)發(fā)展，屬于有效干擾。因此可以用輕度干擾區(qū)的各項(xiàng)指標(biāo)作為對(duì)照來(lái)比較分析中度干擾、重度干擾區(qū)土壤有機(jī)質(zhì)含量的變化等信息。

表1 研究區(qū)3類典型干擾區(qū)基本情況

1.2 實(shí)地調(diào)查與采樣

本研究于2017年10月進(jìn)行了土壤樣本數(shù)據(jù)采集。在Ⅰ區(qū)由南向北布設(shè)5條間距500～700 m的東西向采樣線，每條采樣線布設(shè)6個(gè)采樣點(diǎn)；Ⅱ區(qū)按同樣方向布設(shè)5條間距400～600 m的采樣線，每條采樣線上選擇5～7個(gè)具有代表性的的采樣點(diǎn)；Ⅲ區(qū)面積較小，因此布設(shè)6條間距200～400 m的采樣線，每條采樣線布設(shè)5個(gè)采樣點(diǎn)。每個(gè)區(qū)均為30個(gè)采樣點(diǎn)，由此構(gòu)成由90個(gè)采樣點(diǎn)組成的空間網(wǎng)格，并分別對(duì)其進(jìn)行GPS（全球定位系統(tǒng)）定位。采樣點(diǎn)具體分布見圖1。本次野外數(shù)據(jù)采集主要包括以下2個(gè)部分：

1.2.1 野外土壤高光譜數(shù)據(jù)的采集 光譜測(cè)量采用美國(guó)ASD公司生產(chǎn)的便攜式FieldSpec?3Hi-Res光譜儀，波段為350～2 500 nm，350～1 000 nm光譜采樣間隔為1.4 nm，光譜分辨率為3 nm；1 001～2 500 nm范圍內(nèi)光譜采樣間隔為1.1 nm，光譜分辨率為8 nm。由于本試驗(yàn)光譜測(cè)量采用野外實(shí)測(cè)方法，為了減少太陽(yáng)高度對(duì)光譜采集造成的不利影響，試驗(yàn)均選在當(dāng)?shù)貢r(shí)間11：00—15：00、晴朗少云、無(wú)風(fēng)的天氣進(jìn)行。每次采集光譜前對(duì)光譜儀進(jìn)行白板校正以去除暗電流的影響。采用25°視場(chǎng)角探頭，且距采樣地面15 cm處垂直角度，在每個(gè)采樣點(diǎn)按梅花樁對(duì)表層土壤原始光譜進(jìn)行采集，每個(gè)位置重復(fù)測(cè)量10次，得到的50條光譜曲線的平均值即為該采樣點(diǎn)的實(shí)測(cè)光譜值，共測(cè)定90個(gè)樣點(diǎn)的采樣光譜曲線。野外測(cè)量時(shí)觀察每個(gè)樣點(diǎn)的實(shí)測(cè)光譜值，將出現(xiàn)異常的光譜曲線刪除并重新測(cè)定，以便獲得更加準(zhǔn)確的實(shí)測(cè)光譜反射率。

1.2.2 土壤有機(jī)質(zhì)含量的采集 土樣的采集與高光譜數(shù)據(jù)的測(cè)定同時(shí)、同地進(jìn)行，選擇地勢(shì)平坦、能代表樣點(diǎn)周圍區(qū)域特征的地點(diǎn)作為采樣單元，每個(gè)采樣點(diǎn)分別從周邊1 m范圍內(nèi)不同的地點(diǎn)挖取3個(gè)0～10 cm的土坑分別采樣，并混合均勻放入密封袋中，封口標(biāo)記編號(hào)，用手持GPS定位后記錄經(jīng)緯度。將采集的樣品帶回實(shí)驗(yàn)室經(jīng)自然風(fēng)干、去除雜質(zhì)后，研磨過1 mm篩，送至中國(guó)科學(xué)院新疆生態(tài)與地理研究所，由專業(yè)人士采用重鉻酸鉀容量-外加熱法測(cè)定［16］有機(jī)質(zhì)含量。

1.3 高光譜數(shù)據(jù)處理

因?yàn)楣庾V儀器波譜兩端的邊緣波段存在較大的儀器噪聲，首先剔除350～399 nm和2 451～2 500 nm波段。然后運(yùn)用OriginPro 9.0對(duì)光譜反射率進(jìn)行Savitaky-Golay（9點(diǎn)）平滑去噪處理。通過觀察研究區(qū)90個(gè)采樣點(diǎn)的土壤光譜曲線，發(fā)現(xiàn)野外實(shí)測(cè)光譜在1 350～1 450 nm和1 830～1 950 nm附近出現(xiàn)異常，這主要受到水分吸收帶和大氣的影響，因此將其剔除。

1.4 離散小波變換

離散小波變換是基于傅里葉變換發(fā)展起來(lái)的數(shù)據(jù)分析方法，可以將原始信號(hào)按照不同的尺度、頻率進(jìn)行多級(jí)分解，得到不同分解尺度下的小波系數(shù)。通過小波系數(shù)可以實(shí)現(xiàn)原始光譜的信息重構(gòu)。借鑒前人研究結(jié)果［17-18］，本研究對(duì)原始光譜進(jìn)行1～8層小波分解并重構(gòu)各層光譜進(jìn)行分析。

1.5 灰色關(guān)聯(lián)度分析

灰色關(guān)聯(lián)分析是通過灰色關(guān)聯(lián)度來(lái)揭示2個(gè)因素的貼近程度，曲線幾何形狀越接近，灰色關(guān)聯(lián)度越大。一般而言，若關(guān)聯(lián)度≥0.8，則2個(gè)因素貼近程度很好；若關(guān)聯(lián)度介于0.6與0.8之間，則貼近程度較好；若關(guān)聯(lián)度小于0.5時(shí)，則認(rèn)為基本不相關(guān)［19-20］。

1.6 極限學(xué)習(xí)機(jī)（ELM）

ELM是發(fā)展于單隱含層前饋神經(jīng)網(wǎng)絡(luò)的新型神經(jīng)網(wǎng)絡(luò)算法［21］。在算法執(zhí)行過程中隨機(jī)設(shè)定輸入層與隱含層之間的權(quán)值和閾值，無(wú)需反復(fù)調(diào)整迭代網(wǎng)絡(luò)的輸入權(quán)值及隱元的偏置，并且產(chǎn)生唯一的最優(yōu)解，避免陷入局部最優(yōu)解的情況，因此具有學(xué)習(xí)速度快和強(qiáng)泛化性的優(yōu)點(diǎn)［22］。

1.7 模型的建立與檢驗(yàn)

模型的精度檢驗(yàn)主要通過判定系數(shù)（coefficient of determination，簡(jiǎn)稱R2）、均方根誤差（rootmean square error of calibration，簡(jiǎn)稱RMSE）和相對(duì)分析誤差（residual prediction deviation，簡(jiǎn)稱RPD）來(lái)檢驗(yàn)實(shí)測(cè)值和估測(cè)值的擬合效果。R2越大，RMSE越小，說(shuō)明模型精度越高［23］。Viscarra等對(duì)模型RPD做了如下分類，RPD＜1.0，預(yù)測(cè)能力極差；1.0＜RPD＜1.4，預(yù)測(cè)能力較差；1.4＜RPD＜1.8，預(yù)測(cè)能力一般；1.8＜RPD＜2.0，預(yù)測(cè)能力較好；2.0＜RPD＜2.5，說(shuō)明預(yù)測(cè)能力極好［24］。

2 結(jié)果與分析

2.1 土壤有機(jī)質(zhì)含量統(tǒng)計(jì)特征

選用SPXY（光譜-理化值共生距離）算法［25］分別計(jì)算出Ⅰ、Ⅱ、Ⅲ區(qū)各個(gè)樣品有機(jī)質(zhì)含量之間的歐式距離，按照3∶2的比例劃分為建模集和檢驗(yàn)集。研究區(qū)土壤有機(jī)質(zhì)含量總體較低，且隨著干擾強(qiáng)度的減少，經(jīng)營(yíng)方式逐漸回歸自然狀態(tài)，有機(jī)質(zhì)含量逐漸增加，變異系數(shù)逐漸減少（表2）。這是因?yàn)棰駞^(qū)原始植被狀態(tài)保存得完好，主要分布有梭梭、檉柳、豬毛菜、鹽爪爪等，植被覆蓋度較高；而Ⅲ區(qū)受人類活動(dòng)干擾的影響，土地利用方式多樣，主要有人工林、枸杞育苗地以及其他農(nóng)業(yè)土地利用類型，使得空間異質(zhì)性與其他2個(gè)區(qū)相比加強(qiáng)，變異系數(shù)也增加。

表2 土壤有機(jī)質(zhì)含量的描述統(tǒng)計(jì)量

2.2 不同程度人類干擾下原始光譜反射率的小波變換分析

應(yīng)用小波分解與重構(gòu)去噪方法需要對(duì)各種光譜信號(hào)進(jìn)行分解以選擇分解層次，從而在重構(gòu)時(shí)達(dá)到去噪與保留細(xì)微光譜特征的平衡點(diǎn)。在MATLAB R2017b中選取常用的db4函數(shù)作為小波母函數(shù)，并對(duì)原始高光譜數(shù)據(jù)進(jìn)行8層離散小波分解，然后將分解后的每層小波系數(shù)分別進(jìn)行光譜重構(gòu)（圖2）。隨著分解層數(shù)的增加，吸收谷由較為“尖銳”逐漸變得“圓潤(rùn)”。與L0相比，L1、L2的光譜反射率曲線變化不大，而L3～L5則凸顯了光譜曲線的局部細(xì)節(jié)，使得波峰、波谷更加清晰，到L6、L7光譜反射率趨于平滑，L8則幾乎看不到吸收谷。表明適當(dāng)?shù)姆纸獬叨瓤梢詼p少背景和噪音的影響，但分解尺度過高可能會(huì)導(dǎo)致某些有效光譜信息的丟失。Ⅰ區(qū)、Ⅱ區(qū)、Ⅲ區(qū)的光譜反射率曲線形態(tài)大致相同，土壤高光譜反射率曲線呈現(xiàn)Ⅰ區(qū)＜Ⅱ區(qū)＜Ⅲ區(qū)，即隨著人類干擾程度的增加，土壤高光譜反射率增強(qiáng)。

2.3 不同程度人類干擾下SOM與重構(gòu)光譜的相關(guān)性分析

以0.05顯著性水平為閾值，通過對(duì)比不同分解層數(shù)與土壤有機(jī)質(zhì)含量的相關(guān)性來(lái)選擇適宜的分解層（表3）。隨著分解層的增加，Ⅰ區(qū)、Ⅱ區(qū)、Ⅲ區(qū)通過0.05顯著性水平檢驗(yàn)的相關(guān)系數(shù)逐漸減小，在L6附近變化程度不大，且通過檢驗(yàn)的敏感波段數(shù)均在L6處達(dá)到最高值，分別為405、198、167個(gè)，而L7、L8的敏感波段數(shù)量則呈現(xiàn)快速下降的狀態(tài)。表明分解層數(shù)的增加，在一定程度上使得小波系數(shù)輸出原始光譜信息的能力逐漸減弱。因此，本研究選取相關(guān)性較強(qiáng)且通過的敏感波段數(shù)量較多的前6層特征光譜用于土壤有機(jī)質(zhì)含量模型的反演研究。

2.4 各層敏感波段的選取

基于以上分析，將通過0.05水平檢驗(yàn)的原始光譜（L0）和小波分解后（L1～L6）的特征光譜分別進(jìn)行1/R、lg R、R′、（1/R）′、（lg R）′等5種數(shù)學(xué)變換，以獲得各分解層的敏感波段。由于高光譜數(shù)據(jù)量較大，且通過小波變換后信息含量更大，使得選擇敏感波段難度加大，因此本研究以通過0.05顯著性水平以及相關(guān)性最大的原則選擇每層的敏感波段（表4）?？傮w來(lái)看，Ⅰ區(qū)敏感波段主要分布在可見光區(qū)（752～875 nm）和近紅外區(qū)（1 820 nm），Ⅱ區(qū)相關(guān)性最大的波段主要集中在可見光區(qū)（400～600 nm），而Ⅲ區(qū)主要集中在近紅外區(qū)（1 200～1 300 nm）；從不同數(shù)學(xué)變換來(lái)看，無(wú)論是哪個(gè)區(qū)，微分變換后整體上相關(guān)系數(shù)均有所增加；對(duì)于不同分解層來(lái)說(shuō)，Ⅰ區(qū)、Ⅱ區(qū)、Ⅲ區(qū)相關(guān)系數(shù)較高的波段均主要集中在L3和L4層，以Ⅰ區(qū)的1/R為例，L4層相關(guān)系數(shù)最高，為0.498 3，比L0處的相關(guān)系數(shù)提高了0.05左右，說(shuō)明微分處理可以將可見光區(qū)微弱的有效信息放大，有利于敏感波段的選擇。

2.5 特征光譜變換與SOM灰色關(guān)聯(lián)度分析

表3 不同程度人類干擾下SOM 與各層敏感光譜的相關(guān)性分析

表4 SOM 與各層特征光譜的不同數(shù)學(xué)變換的最大相關(guān)性及波段所處位置

單純依賴簡(jiǎn)單的相關(guān)性分析確定敏感波段并不能完全確定有機(jī)質(zhì)含量的有效信息，具有一定的局限性。為了進(jìn)一步衡量不同分解層所選的敏感波段與有機(jī)質(zhì)的關(guān)聯(lián)程度，更好地篩選出表征有機(jī)質(zhì)的敏感光譜指標(biāo)因素，本研究對(duì)其進(jìn)行了灰色關(guān)聯(lián)分析（表5）。總體來(lái)看，Ⅰ區(qū)、Ⅱ區(qū)和Ⅲ區(qū)各層特征光譜及其不同數(shù)學(xué)變換與有機(jī)質(zhì)含量的灰色關(guān)聯(lián)度均高于小波變換前（L0）所對(duì)應(yīng)的數(shù)據(jù)，表明小波變換在去除噪聲的同時(shí)也最大程度地保留了光譜中的有效信息，使得小波變換的各層重構(gòu)光譜與有機(jī)質(zhì)含量的關(guān)聯(lián)程度增加。從同一分解層來(lái)看，經(jīng)過微分處理后小波變換重構(gòu)特征光譜與有機(jī)質(zhì)含量之間的灰色關(guān)聯(lián)度總體上均高于對(duì)應(yīng)的未經(jīng)微分處理的數(shù)學(xué)變換，如Ⅰ區(qū)L0，其關(guān)聯(lián)度排序依次是（1/R）′＞R′＞（lg R）′＞1/R＞lg R＞R，進(jìn)一步說(shuō)明在小波去噪的基礎(chǔ)上，通過微分?jǐn)?shù)學(xué)變換可以顯著增強(qiáng)光譜曲線上局部位置對(duì)有機(jī)質(zhì)含量變化的響應(yīng)差異。

表5 不同程度人類干擾下各層特征光譜不同數(shù)學(xué)變換的灰色關(guān)聯(lián)度

2.6 SOM反演模型的優(yōu)選

分別選取Ⅰ區(qū)、Ⅱ區(qū)和Ⅲ區(qū)的原始光譜和重構(gòu)光譜及5種數(shù)學(xué)變換后與有機(jī)質(zhì)含量相關(guān)系數(shù)最大的波段為自變量、土壤有機(jī)質(zhì)含量為因變量，結(jié)合PLSR和ELM算法構(gòu)建有機(jī)質(zhì)含量的估測(cè)模型，通過對(duì)比得出灰度關(guān)聯(lián)-極限學(xué)習(xí)機(jī)模型建模精度均優(yōu)于對(duì)應(yīng)的相關(guān)系數(shù)-PLSR模型，由于各層小波重構(gòu)光譜所建立的模型太多，此處僅對(duì)各層灰色關(guān)聯(lián)-ELM模型進(jìn)行討論。此外，由于小波變換把原始光譜分解成不同的離散光譜，每層光譜均表征了原始光譜中的特定信息，如果單一地選擇某一層重構(gòu)特征光譜建模，容易導(dǎo)致其他分解層中有效信息的丟失，使得所選變量不能完全反映有機(jī)質(zhì)含量信息，對(duì)建模精度產(chǎn)生影響。因此，本研究再以各層相關(guān)系數(shù)最大的波段組合以及灰色關(guān)聯(lián)度分析所選的波段組合，分別建立PLSR和ELM模型。僅列出利用相關(guān)系數(shù)最大波段組合所建的PLSR模型和灰度關(guān)聯(lián)所建立的ELM模型，分別用L-R、L-GRD表示（表6）。

從各分解層的建模效果來(lái)看，以L3、L4所構(gòu)建的模型最優(yōu)。以Ⅰ區(qū)為例，前4層構(gòu)建的驗(yàn)證集模型R2呈不同程度的增加，到L4模型R2最優(yōu)（0.807），均方根誤差最?。?.093 g/kg），且RPD大于2（2.109），表明第4層能夠極好地預(yù)測(cè)有機(jī)質(zhì)含量。此后，隨著分解層數(shù)的增加，各模型的R2降低，RMSE增大，RPD也隨之減小。這與王延倉(cāng)等的研究結(jié)果［17，26］一致，即利用小波重構(gòu)原始光譜時(shí)，隨著分解層數(shù)的增加，使得原始光譜中噪聲和信號(hào)信息更加明顯，有利于有效光譜信息和噪聲的分離。但分解尺度過大，會(huì)導(dǎo)致有效信息的丟失而使得模型誤差較大。從總的建模效果來(lái)看，對(duì)于Ⅰ、Ⅱ、Ⅲ區(qū)利用相關(guān)分析-偏最小二乘法所建模型驗(yàn)證集決定系數(shù)R2分別為0.568、0.517、0.544，RMSE分別為1.620、1.771、3.208，RPD均小于1.4，預(yù)測(cè)能力較差。而利用灰度關(guān)聯(lián)-極限學(xué)習(xí)機(jī)建模效果均最好。以驗(yàn)證集所建模型為例，與原始光譜所建模型相比，Ⅰ、Ⅱ、Ⅲ區(qū)R2分別提高了9.8%、8.9%、13.6%，RMSE分別減少了18.3%、2.5%、7.3%，RPD分別增大了39.9%、22.2%、46.4%，這可能是因?yàn)閱我坏乩媚骋粚拥男〔ㄖ貥?gòu)光譜，并不能完全將光譜中的細(xì)節(jié)體現(xiàn)出來(lái)，通過灰色關(guān)聯(lián)度分析將不同層的特征光譜組合起來(lái)，可以很好地體現(xiàn)每一層特征光譜與有機(jī)質(zhì)含量的關(guān)系，增加了模型的穩(wěn)定性和模型精度。同時(shí)，灰色算法結(jié)合光譜和有機(jī)質(zhì)信息，能夠較好地挑選敏感波段，且ELM算法是在BP神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上的優(yōu)化新型算法，具有學(xué)習(xí)速度快且泛化性能好的優(yōu)點(diǎn)。

此外，Ⅰ區(qū)不同分解層下的土壤有機(jī)質(zhì)建模精度均高于相應(yīng)的Ⅱ區(qū)、Ⅲ區(qū)，這主要是因?yàn)棰駞^(qū)為輕度干擾區(qū)，基本保持原有狀態(tài)，有機(jī)質(zhì)分布較為均質(zhì)，而Ⅱ區(qū)、Ⅲ區(qū)由于受到人類不同干擾程度的影響，不同地塊的土地利用方式不同，使得有機(jī)質(zhì)含量分布變異性較大，導(dǎo)致模型預(yù)測(cè)精度相對(duì)較低。

3 結(jié)論

對(duì)于人類不同干擾程度土壤的小波重構(gòu)光譜來(lái)說(shuō)，對(duì)其最大的影響因素主要是有機(jī)質(zhì)含量的高低，整體上隨著人類干擾程度的增加，小波分解的重構(gòu)光譜反射率隨之升高，排序?yàn)棰駞^(qū)＜Ⅱ區(qū)＜Ⅲ區(qū)。

在確定最佳分解尺度中，Ⅰ區(qū)、Ⅱ區(qū)、Ⅲ區(qū)土壤有機(jī)質(zhì)和重構(gòu)光譜通過0.05顯著性水平檢驗(yàn)的敏感波段在L6處變化幅度不大，且通過檢驗(yàn)的敏感波段數(shù)達(dá)到最大值，分別達(dá)405、198、167個(gè)。因此L6為本研究的最大分解層。

對(duì)于不同層的重構(gòu)光譜來(lái)說(shuō)，小波分解使得重構(gòu)光譜及各種數(shù)學(xué)變換與有機(jī)質(zhì)含量之間的相關(guān)性和灰色關(guān)聯(lián)度有不同程度的提高；對(duì)于同一分解層來(lái)說(shuō)，經(jīng)過微分變換后與有機(jī)質(zhì)含量之間的相關(guān)性和灰色關(guān)聯(lián)度均優(yōu)于微分變換前，表明小波變換和微分結(jié)合有利于挖掘光譜中的有效信息，提升其與有機(jī)質(zhì)含量的相關(guān)性。

表6 土壤有機(jī)質(zhì)含量反演最優(yōu)模型的建模集與驗(yàn)證集結(jié)果

對(duì)3個(gè)區(qū)原始光譜分別進(jìn)行不同尺度的分解后（L1～L6），總體上L3、L4的建模效果最好，與L0建模效果相比，驗(yàn)證集R2分別提高了0.06、0.04、0.05，表明L3、L4在去噪的同時(shí)又最大程度上保留了光譜的有效信息。

不論在哪個(gè)區(qū)，利用灰度關(guān)聯(lián)與ELM結(jié)合均優(yōu)于傳統(tǒng)建模方法，且Ⅰ區(qū)、Ⅱ區(qū)、Ⅲ區(qū)均以L-GRA所建模型的精度最高。其驗(yàn)證集R2均大于0.73，RPD均大于2，相比原始L0所建模型，RPD分別提高了0.679、0.400、0.678。預(yù)測(cè)能力由較差上升為極好，表明灰色關(guān)聯(lián)-極限學(xué)習(xí)機(jī)方法有利于最大程度地篩選有機(jī)質(zhì)敏感光譜信息，尤其適用于干旱區(qū)有機(jī)質(zhì)含量較低情況下有機(jī)質(zhì)含量的預(yù)測(cè)，且不受人類干擾程度的影響，是估算干旱區(qū)有機(jī)質(zhì)含量的優(yōu)選模型。