盧牧原，劉 源，劉桂建，*

(1.合肥工業(yè)大學(xué) 資源與環(huán)境工程學(xué)院，安徽 合肥 230009； 2.中國科學(xué)技術(shù)大學(xué) 地球和空間科學(xué)學(xué)院，安徽 合肥 230026)

土壤有機(jī)質(zhì)泛指土壤中來源于生命的物質(zhì)，是組成土壤固相部分的重要成分。一般條件下，土壤有機(jī)質(zhì)含量在一定范圍內(nèi)與土壤肥力呈正相關(guān)，因此土壤有機(jī)質(zhì)含量也被視為評價土壤肥力的重要指標(biāo)[1-2]?？焖?、準(zhǔn)確地測定土壤有機(jī)質(zhì)含量對于了解土壤肥力、提高作物產(chǎn)量，以及智慧農(nóng)業(yè)的實(shí)施等均具有重要意義。傳統(tǒng)的土壤有機(jī)質(zhì)測定方法耗時長、工作量大，難以滿足快速無損的土壤有機(jī)質(zhì)含量測定需求[3]?，F(xiàn)階段，光譜分析、遙感解譯、GIS空間分析技術(shù)等已在耕地質(zhì)量和農(nóng)業(yè)信息監(jiān)測中得到了一定的應(yīng)用，尤其是遙感數(shù)據(jù)具有覆蓋范圍廣、實(shí)時性和現(xiàn)勢性強(qiáng)等優(yōu)點(diǎn)，為迅速而準(zhǔn)確地獲取土壤質(zhì)量評價指標(biāo)提供了有利條件。

目前，國內(nèi)外有關(guān)土壤有機(jī)質(zhì)的預(yù)測研究主要是基于多光譜、高光譜數(shù)據(jù)展開，通過對光譜數(shù)據(jù)進(jìn)行處理篩選出最佳波段及其組合從而構(gòu)建多種預(yù)測模型來提高有機(jī)質(zhì)空間預(yù)測的精度[4-6]。已有的研究表明，通過對光譜數(shù)據(jù)進(jìn)行數(shù)學(xué)變換處理，最大化波段所包含的信息量，能夠有效地降低波段間信息冗余，增強(qiáng)其與研究目標(biāo)間的相關(guān)性，從而篩選出最佳波段用于提高預(yù)測模型的精度。章志等[7]利用基于信息量的最佳指數(shù)法(OIF)從陸地成像儀(OLI)影像多波段數(shù)據(jù)中篩選了最佳波段組合用于地類提??；鄭麗等[8]計算了SPOT(地球觀測系統(tǒng))波段數(shù)據(jù)間的協(xié)方差，利用最佳因子和雪氏熵法選取了最佳波段和不同顏色通道，可較全面地反映各類地物差別；徐明星等[9]應(yīng)用偏最小二乘回歸(PLSR)模型對光譜原始數(shù)據(jù)和經(jīng)數(shù)學(xué)變換處理后的數(shù)據(jù)進(jìn)行建模分析，發(fā)現(xiàn)不同土壤有機(jī)質(zhì)預(yù)測最佳光譜指標(biāo)與成陸年代相關(guān)。以上研究說明，利用光譜數(shù)據(jù)可以篩選出適用于土壤有機(jī)質(zhì)空間預(yù)測的最佳波段。前人在最佳波段選取的研究中多采用信息量算法，較少利用波段貢獻(xiàn)率來選取最佳波段，且較少對傳統(tǒng)非線性回歸方法與不同機(jī)器學(xué)習(xí)方法進(jìn)行對比研究。

本研究基于陸地衛(wèi)星8(Landsat8)影像波段，進(jìn)行不同數(shù)學(xué)變換來突出影像數(shù)據(jù)中的光譜信息，同時利用標(biāo)準(zhǔn)化模型量化經(jīng)數(shù)學(xué)變換的光譜數(shù)據(jù)貢獻(xiàn)率，結(jié)合相關(guān)性分析篩選出最佳波段用于建立土壤有機(jī)質(zhì)預(yù)測模型，探討典型黑土區(qū)土壤的有機(jī)質(zhì)含量預(yù)測波段及其模型優(yōu)選問題[10-12]。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于海拉爾地區(qū)某農(nóng)牧場，系黑龍江額爾古納河水系，地處內(nèi)蒙古自治區(qū)東北部，呼倫貝爾中部偏西南，地理坐標(biāo)介于119°30′48″～120°35′36″E、49°5′44″～49°27′15″N。研究區(qū)東部地勢起伏較大，整體高程處于600～800 m，土壤種類主要包括黑鈣土、草甸土和少量沼澤土，屬于典型黑土區(qū)[13]。研究區(qū)屬中溫帶半干旱大陸性草原氣候，受大興安嶺的屏障作用，氣候特點(diǎn)為夏季降水集中、冬季嚴(yán)寒漫長，地面積雪時間長，年平均降水量為350～370 mm。

1.2 土壤數(shù)據(jù)

研究區(qū)長8.2 km，寬15.6 km，面積約77 km2。測區(qū)表層土為40～50 cm的黑色腐殖質(zhì)層，更深處為鈣積層，pH值為7.0～7.8。土壤有機(jī)質(zhì)含量來源于農(nóng)場測土配方數(shù)據(jù)，共選取135個樣點(diǎn)，采樣時間為2018年4月6—9日，隨機(jī)取其中70%樣本用于建模，其余30%樣本用于驗(yàn)證。研究區(qū)土壤樣點(diǎn)分布如圖1所示。樣本集具體信息如表1所示。

由圖2可知，樣本集中有機(jī)質(zhì)含量分布連續(xù)性較好，但不完全符合隨機(jī)分布，因此僅滿足偏態(tài)分布?？紤]到有機(jī)質(zhì)含量分布受地形、年前種植作物、施肥的影響，因此預(yù)測模型對樣本是否符合正態(tài)分布無需求。訓(xùn)練集與檢驗(yàn)集樣本的分布較均勻(表1)，基本覆蓋整個研究區(qū)域，且變異系數(shù)均大于16%(屬于中等變異，說明樣本較為離散)，因此認(rèn)為該樣本集適于建模。從空間位置和數(shù)學(xué)變換上進(jìn)行分析，本研究采用的訓(xùn)練集和檢驗(yàn)集具有合理性和代表性。

1.3 影像數(shù)據(jù)

本次研究采用的一景影像數(shù)據(jù)是來源于USGS(美國地質(zhì)調(diào)查局，United States Geological Survey)的Landsat8衛(wèi)星影像，多光譜影像分辨率為30 m，云量為3.13%，全色影像分辨率15 m，熱外紅影像分辨率100 m。所選影像時間為2018-04-08，與樣本采集時間接近，且地表裸露無降雪或冰凍現(xiàn)象，適于土壤有機(jī)質(zhì)含量預(yù)測研究[14]。

影像的預(yù)處理過程簡述如下：為了將圖像的像元值(DN值)轉(zhuǎn)換為絕對輻射亮度，并消除大氣分子和氣溶膠散射的影響，運(yùn)用ENVI 5.X軟件對圖像多光譜波段分別進(jìn)行輻射定標(biāo)和大氣校正。為避免由傳感器、成像時間等帶來的圖像差異，以10 m分辨率的天地圖影像(影像時間為2019-07-04)為基準(zhǔn)，對影像進(jìn)行幾何校正，均方根值(RMS)低于0.5個像元。最后，利用研究區(qū)邊界感興趣區(qū)對影像進(jìn)行裁剪。

1.4 建模方法

本研究采用PLSR結(jié)合反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)、支持向量機(jī)(SVM)方法建立土壤有機(jī)質(zhì)含量光譜預(yù)測模型，旨在為典型黑土區(qū)土壤有機(jī)質(zhì)含量預(yù)測找到更為合理的模型。

圖1 采樣點(diǎn)分布Fig.1 Distribution of sampling points

1.4.1 PLSR標(biāo)準(zhǔn)化模型構(gòu)建

PLSR在各自變量內(nèi)部高度線性相關(guān)且為多因變量對多自變量時效果最好，是一種新型的多元統(tǒng)計數(shù)據(jù)分析方法，在樣本量較小時表現(xiàn)較好[15-16]。PLSR在考慮自變量矩陣的基礎(chǔ)上增加了響應(yīng)矩陣，能夠降低噪聲的干擾，降低數(shù)據(jù)維度，因此具有一定的預(yù)測能力。但如自變量的單位存在差異，則各自變量前的系數(shù)將無法標(biāo)識該因素的重要程度；因此須通過標(biāo)準(zhǔn)化處理，將各自變量(包括因變量)都轉(zhuǎn)化為標(biāo)準(zhǔn)分，再進(jìn)行線性回歸，此時得到的回歸系數(shù)即可反映對應(yīng)自變量的重要程度，此時的回歸方程即為標(biāo)準(zhǔn)回歸方程[17]。

圖2 樣本集土壤有機(jī)質(zhì)含量分布直方圖Fig.2 Histogram of soil organic matter content distribution in sample set

表1 樣本集有機(jī)質(zhì)含量統(tǒng)計

由于執(zhí)行標(biāo)準(zhǔn)分轉(zhuǎn)化是對原始變量作投影處理，得到各自變量對因變量的貢獻(xiàn)率；因此，標(biāo)準(zhǔn)回歸方程兩邊都取0時，常數(shù)項也取0[18]。

1.4.2 BPNN模型構(gòu)建

BPNN模型又稱連接機(jī)模型，是一種具有強(qiáng)大非線性逼近能力與容錯能力的多層前饋網(wǎng)絡(luò)[18-20]。反向傳播意為模型在進(jìn)行模擬的過程中能夠收集網(wǎng)絡(luò)系統(tǒng)所產(chǎn)生的誤差，將誤差反饋到神經(jīng)元從而調(diào)整權(quán)重的分配[21]，這樣就得到了可以擬合出原始輸出值的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)。

本文基于Matlab軟件實(shí)現(xiàn)BPNN模型的構(gòu)建，并采用自適應(yīng)lr動量梯度下降法作為訓(xùn)練函數(shù)[22]。訓(xùn)練次數(shù)設(shè)定為500，觀察準(zhǔn)確度變化進(jìn)行調(diào)整；mini-batch參數(shù)的值在2n內(nèi)選擇，一般n不大于8；隱含層和輸出層傳遞函數(shù)分別選用非線性Tansing函數(shù)和線性purelin函數(shù)；其余參數(shù)的選擇可以依據(jù)樣本情況反復(fù)多次試驗(yàn)確定。

1.4.3 SVM模型

SVM方法建立在統(tǒng)計學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)之上，根據(jù)有限的樣本信息在模型的學(xué)習(xí)精度和無差識別樣本的能力之間尋求最佳折衷，以期獲得最好的泛化能力[23]。傳統(tǒng)回歸方法當(dāng)且僅當(dāng)回歸函數(shù)值f(x)完全等于因變量y時才認(rèn)為是預(yù)測正確，計算其損失；而SVM認(rèn)為|f(x)-y|>α參數(shù)的loss函數(shù)偏離程度不大即可。本研究中SVM的實(shí)現(xiàn)基于LibSVM運(yùn)算庫，該程序的核心參數(shù)是對核函數(shù)的設(shè)定。一般處理多元回歸問題時，核函數(shù)選擇徑向基函數(shù)(RBF)，但值得注意的是核參數(shù)g(gamma)和懲罰參數(shù)c(cost)的設(shè)定。g是RBF核函數(shù)參數(shù)，表征RBF核函數(shù)寬度，默認(rèn)變化范圍[2-8，28]；c是RBF懲罰參數(shù)，用于平衡經(jīng)驗(yàn)風(fēng)險和模型復(fù)雜度，默認(rèn)變化范圍是[2-8，28][24-25]。

1.5 圖像處理方法

為了增強(qiáng)反射率與研究對象之間的相關(guān)性，對反射率進(jìn)行多種數(shù)學(xué)變換以有效削弱噪聲。本研究通過ENVI 5.X軟件的bandmath和IDL編程對預(yù)處理后的反射率實(shí)現(xiàn)4種數(shù)學(xué)變換處理，并以此為變換指標(biāo)。將預(yù)處理簡記為L。

1.5.1 一階微分(L′)

圖像微分梯度計算是對圖像邊緣的提取。對于離散圖像來說，一階、二階微分處理可作為銳化空間濾波器，使用領(lǐng)域的微分作為算子，增大鄰域間像素的差值，使圖像的突變部分變得更加明顯，以增強(qiáng)圖像的突變信息、圖像的細(xì)節(jié)和邊緣信息。

1.5.2 二階微分(L″)

圖像的二階微分采用的Laplace算子對噪聲敏感，在恒定區(qū)域二階微分值為0，在灰度臺階或斜坡的起點(diǎn)處微分值不為0。因此，二階微分算法在檢測某像素是在邊緣亮的一側(cè)還是暗的一側(cè)時，可利用“零跨越”確定邊緣的位置，得到的圖像邊緣較細(xì)。

1.5.3 倒數(shù)對數(shù)(LR)

通過對光譜進(jìn)行對數(shù)變換，將圖像的低DN值部分?jǐn)U展、高DN值部分壓縮，以達(dá)到強(qiáng)調(diào)圖像低DN值部分的作用[26]。倒數(shù)變換能夠?qū)⑿轮缔D(zhuǎn)換為同一量級的數(shù)據(jù)，使之具備更好的對比性。

1.5.4 主成分分析(PCA)

主成分分析是一種常用的數(shù)據(jù)分析方法，通過線性變換將原始數(shù)據(jù)變換為一組各維度線性無關(guān)的變量，通過數(shù)據(jù)壓縮消除冗余和數(shù)據(jù)噪音，提升數(shù)據(jù)處理速度[27-28]。PCA的工作就是從原始的空間中順序地找一組相互正交的坐標(biāo)軸，新的坐標(biāo)軸的選擇與數(shù)據(jù)本身是密切相關(guān)的。事實(shí)上，這相當(dāng)于只保留包含絕大部分方差的維度特征，而忽略包含方差幾乎為0的特征維度，從而實(shí)現(xiàn)對數(shù)據(jù)特征的降維處理。

1.6 模型精度評價

對于預(yù)測模型來說，最重要的是能對新出現(xiàn)的數(shù)據(jù)樣本進(jìn)行準(zhǔn)確預(yù)測。一般來說，為避免由于模型總是傾向于更好地擬合訓(xùn)練數(shù)據(jù)從而出現(xiàn)過擬合現(xiàn)象[29-33]，多通過決定系數(shù)(R2)、均方根誤差(RMSE)、相對分析誤差(RPD)對模型精度進(jìn)行預(yù)測。RMSE可用來衡量觀測值同真值之間的偏差[34]。一般來說，R2越大、RMSE越小，說明模型的精度越高。而對于RPD來說，當(dāng)RPD>1.8時，可認(rèn)為其預(yù)測能力較好，當(dāng)RPD>2.0時，可認(rèn)為其預(yù)測能力極好。

2 結(jié)果與分析

2.1 標(biāo)準(zhǔn)化模型建立與特征波段優(yōu)選

為進(jìn)一步定量化分析土壤有機(jī)質(zhì)與光譜的關(guān)系，避免信息冗余，通過構(gòu)建PLSR標(biāo)準(zhǔn)化模型對預(yù)處理后和經(jīng)數(shù)學(xué)變換處理后的波段數(shù)據(jù)集建立標(biāo)準(zhǔn)回歸方程，從經(jīng)過不同處理后的波段集中選取最具有特征性、相關(guān)性最高的波段作為建模因子。在Matlab軟件中利用PLSR標(biāo)準(zhǔn)化模型對各波段集進(jìn)行回歸建模，結(jié)果如表2所示。經(jīng)過不同處理后的波段對應(yīng)的標(biāo)準(zhǔn)系數(shù)越大，說明該波段對模型的貢獻(xiàn)越大。以波段貢獻(xiàn)率為主要依據(jù)，并結(jié)合相關(guān)性進(jìn)行最佳特征波段的選取。同時，為避免信息冗余，當(dāng)挑選最佳特征波段時，應(yīng)避免選擇同一對應(yīng)波段?？梢钥闯觯侯A(yù)處理后的數(shù)據(jù)和經(jīng)LR處理后的波段集中第10、11波段的貢獻(xiàn)率較高；經(jīng)PCA處理后，第5、6、8波段貢獻(xiàn)率較高；經(jīng)一階微分處理后，第8波段的貢獻(xiàn)率較高；經(jīng)二階微分處理后，第3、7波段貢獻(xiàn)率較高。

各波段反射率與有機(jī)質(zhì)含量的相關(guān)性如表3所示，綜合考量挑選相關(guān)性達(dá)顯著水平(P<0.05)、貢獻(xiàn)率較高的波段構(gòu)建PLSR標(biāo)準(zhǔn)化模型。最終選取預(yù)處理后的第10波段，PCA處理后的第5、6、8波段，二階微分后的第7波段，以及LR處理后的第10波段這6個波段作為建模波段。

2.2 模型對比分析

2.2.1 PLSR模型

以經(jīng)過標(biāo)準(zhǔn)分篩選的6個組合波段反射率為自變量、土壤有機(jī)質(zhì)含量為因變量，建立相應(yīng)的PLSR預(yù)測模型。由圖3、表4可知，訓(xùn)練集的R2為0.62、RMSE為4.59 g·kg-1，檢驗(yàn)集的R2為0.59、RMSE為5.03 g·kg-1、RPD為1.72。由R2大于0.6可知，模型效果較顯著，能夠?qū)ν寥烙袡C(jī)質(zhì)含量進(jìn)行較準(zhǔn)確的估算。但是整體精度不高(RPD<1.8)，預(yù)測過程存在著隨機(jī)性。

2.2.2 BPNN模型

以經(jīng)過標(biāo)準(zhǔn)分篩選的6個組合波段反射率為自變量、土壤有機(jī)質(zhì)含量為因變量，建立具有3層結(jié)構(gòu)的BPNN模型。隱含層節(jié)點(diǎn)設(shè)定為15，隱含層函數(shù)設(shè)定為雙曲正切S型函數(shù)Tansig，輸出層函數(shù)為線性函數(shù)Logsig。如表4所示，相較于PLSR模型，BPNN模型在檢驗(yàn)集上的R2、RPD增大，RMSE減小，表明其效果優(yōu)于PLSR模型，說明BPNN能較好地應(yīng)對非線性預(yù)測問題。但是，該模型的運(yùn)算過程相對不穩(wěn)定，依賴于參數(shù)調(diào)整和環(huán)境配置。結(jié)合先驗(yàn)經(jīng)驗(yàn)對波段進(jìn)行優(yōu)選，可提高精度，并減少可能出現(xiàn)的過擬合問題。

表2 基于PLSR標(biāo)準(zhǔn)化模型的各波段對應(yīng)標(biāo)準(zhǔn)系數(shù)

表3 有機(jī)質(zhì)含量與各波段反射率和變換形式的相關(guān)性

圖3 PLSR(a、b)、BPNN(c、d)、SVM(e、f)模型在訓(xùn)練集(a、c、e)和檢驗(yàn)集(b、d、f)上的土壤有機(jī)質(zhì)含量預(yù)測值與實(shí)測值Fig.3 Predicted and measured data of soil organic matter content in training set (a， c， e) and test set (b， d， f) based on PLSR model (a， b)， BPNN model (c， d)， and SVM model (e， f)， respectively

2.2.3 SVM模型

表4 不同模型的土壤有機(jī)質(zhì)含量建模精度

基于LibSVM運(yùn)算庫，以土壤有機(jī)質(zhì)含量為擬合目標(biāo)，經(jīng)過模型設(shè)定和優(yōu)選，最終確定SVM類型為v-SVR，徑向基函數(shù)為核函數(shù)，并對各參數(shù)進(jìn)行調(diào)整，構(gòu)建出SVM模型。如表4所示，SVM模型在檢驗(yàn)集上的R2、RMSE、RPD分別為0.89、2.81 g·kg-1、2.14，說明該模型能夠?qū)ν寥烙袡C(jī)質(zhì)含量進(jìn)行較準(zhǔn)確的預(yù)測，總體效果在構(gòu)建的3種模型中最優(yōu)。

綜合對比3種建模方法，SVM模型與BPNN模型的擬合效果較好，說明本研究中機(jī)器學(xué)習(xí)方法在土壤有機(jī)質(zhì)含量預(yù)測的建模效果上優(yōu)于傳統(tǒng)統(tǒng)計方法[35]。但機(jī)器學(xué)習(xí)方法對于建模環(huán)境和參數(shù)調(diào)整的要求較高，隱含層建模過程復(fù)雜，僅能通過多次試驗(yàn)確定適宜當(dāng)前環(huán)境的最優(yōu)方法，并須通過多次測試避免過擬合。在本研究中，SVM建模方法效果最佳，這種在高維特征空間中使用線性函數(shù)假設(shè)空間的新型機(jī)器學(xué)習(xí)方法避免了波段間的信息重疊，因此，建模質(zhì)量好，且運(yùn)算量小。

2.3 有機(jī)質(zhì)含量分布預(yù)測

圖4 研究區(qū)有機(jī)質(zhì)含量分布預(yù)測結(jié)果Fig.4 Prediction of soil organic matter content distribution in study area

基于ENVI 5.X軟件輸出研究區(qū)整體建模波段值，輸入表現(xiàn)最好的SVM預(yù)測模型，得到研究區(qū)有機(jī)質(zhì)含量分布預(yù)測(圖4)。在圖中可以清晰地觀察到田埂上栽種的樹木等異常值，田塊間界限清晰。研究區(qū)整體土壤有機(jī)質(zhì)含量主要分布在30～40 g·kg-1，中部偏東部地區(qū)有機(jī)質(zhì)含量偏高，可能是由于偏東部地區(qū)遠(yuǎn)離主干道，作物類型不統(tǒng)一，不同地塊休耕時間不同，本底值更易得到較好的恢復(fù)。偏西部地區(qū)由于交通便利，大面積種植同一作物，因此，有機(jī)質(zhì)分布情況較為平均。由此可知，對于容易受到人類活動影響的地區(qū)，可以通過增加作物種類、輪作休耕等方法減少耕地有機(jī)質(zhì)流失，促進(jìn)土壤有機(jī)質(zhì)恢復(fù)、積累。

3 結(jié)論與討論

本研究以海拉爾地區(qū)典型黑土區(qū)為研究對象，基于135個土壤樣點(diǎn)的有機(jī)質(zhì)含量數(shù)據(jù)和對應(yīng)時相的Landsat8影像數(shù)據(jù)，對影像波段反射率進(jìn)行主成分分析等4種數(shù)學(xué)變換，并通過貢獻(xiàn)率結(jié)合相關(guān)性分析篩選得到6個最佳特征波段，采用PLSR、BPNN、SVM方法分別建立了3種土壤有機(jī)質(zhì)含量預(yù)測模型，并進(jìn)行驗(yàn)證，主要結(jié)論如下。

(1)休耕時期的農(nóng)田影像波段數(shù)據(jù)經(jīng)過預(yù)處理后與土壤有機(jī)質(zhì)含量相關(guān)性較高且顯著，經(jīng)不同數(shù)學(xué)變換后，對應(yīng)波段與有機(jī)質(zhì)含量間的相關(guān)性有所提高，說明數(shù)學(xué)變換能夠擴(kuò)大數(shù)據(jù)中對有機(jī)質(zhì)含量變化敏感的細(xì)微吸收特征，突出光譜信息，從而更好地用于土壤有機(jī)質(zhì)含量預(yù)測。

(2)基于PLSR標(biāo)準(zhǔn)化模型對經(jīng)不同處理后的光譜反射率結(jié)合相關(guān)系數(shù)進(jìn)行貢獻(xiàn)率分析，可以發(fā)現(xiàn)波段對于土壤有機(jī)質(zhì)含量建模的貢獻(xiàn)率與相關(guān)系數(shù)并非絕對相關(guān)，篩選最佳特征波段時需結(jié)合這2類系數(shù)進(jìn)行分析。

(3)在基于最佳特征波段建立的3種土壤有機(jī)質(zhì)含量預(yù)測模型中，SVM模型略優(yōu)于BPNN模型，優(yōu)于PLSR模型。SVM方法核函數(shù)的參數(shù)能夠通過自動優(yōu)化的方法得到，避免了局部最小點(diǎn)、過學(xué)習(xí)等缺陷，提高了建模精度。本研究檢驗(yàn)集中SVM模型的R2最高(0.89)，RMSE為2.81 g·kg-1，RPD為2.14，相比而言，此模型的預(yù)測能力最強(qiáng)，為本次研究中最優(yōu)的黑土區(qū)土壤有機(jī)質(zhì)含量預(yù)測模型。

(4)PLSR模型與BPNN、SVM模型相比，預(yù)測效果較差，主要是由于矩陣轉(zhuǎn)換不可逆，加上默認(rèn)變量間為線性關(guān)系；因此，通過降維處理非隨機(jī)問題時會造成數(shù)據(jù)信息缺失，具有一定的局限性。BPNN和SVM模型屬于深度學(xué)習(xí)模型，在本研究中預(yù)測效果較好，但仍存在一定程度的誤差。這主要是由于研究區(qū)面積較大，種植作物、基礎(chǔ)肥力、施肥情況不同，造成土壤有機(jī)質(zhì)含量分布存在差異，從而對模型的預(yù)測精度造成了一定影響。今后，可以先基于田塊種植作物類型對樣本數(shù)據(jù)進(jìn)行分類，再開展有機(jī)質(zhì)含量預(yù)測研究，通過與粗糙集理論結(jié)合，從而獲得更理想的預(yù)測結(jié)果。

本研究表明，采用遙感影像數(shù)據(jù)能夠?qū)崿F(xiàn)對黑土區(qū)土壤有機(jī)質(zhì)含量的大尺度預(yù)測和快速監(jiān)測，有助于促進(jìn)對黑土區(qū)的保護(hù)和利用。在后續(xù)工作中，如何減少環(huán)境因素干擾和正確處理樣本數(shù)據(jù)，仍值得進(jìn)一步研究探討。