孟 珊, 李新國(guó)*

1. 新疆師范大學(xué)地理科學(xué)與旅游學(xué)院, 新疆 烏魯木齊 830054 2. 新疆干旱區(qū)湖泊環(huán)境與資源實(shí)驗(yàn)室, 新疆 烏魯木齊 830054

引 言

土壤有機(jī)碳(soil organic carbon, SOC)影響土壤肥力, 可以調(diào)控土壤生態(tài)系統(tǒng)的功能發(fā)揮[1-2]、 維持結(jié)構(gòu)穩(wěn)定[3-4], 對(duì)于維持農(nóng)業(yè)可持續(xù)發(fā)展, 緩解溫室氣體增加和全球氣候變化的影響具有重要意義[5]。 傳統(tǒng)的土壤有機(jī)碳含量測(cè)定技術(shù)成本高、 周期長(zhǎng), 高光譜技術(shù)連續(xù)波段數(shù)量足、 光譜分辨率高, 可以快速、 高效的進(jìn)行土壤有機(jī)碳的測(cè)定[6-7]。 土壤高光譜數(shù)據(jù)在采集過(guò)程中, 易受外界測(cè)試環(huán)境及土壤樣品質(zhì)量、 儀器本身因素的影響, 導(dǎo)致光譜變量之間存在大量的無(wú)關(guān)冗余信息[8]。 連續(xù)小波變換(continuous wavelet transform, CWT)通過(guò)多尺度分解, 能夠有效提取光譜信號(hào)中的近似特征和細(xì)節(jié)信息, 捕捉土壤光譜特征, 提取有效信息, 在高光譜數(shù)據(jù)的噪聲去除和數(shù)據(jù)壓縮方面具有獨(dú)特優(yōu)勢(shì)[9-10]。 Lin等[11]通過(guò)CWT放大被噪聲掩蓋的隱藏光譜信息, 估算了礦區(qū)的土壤有機(jī)質(zhì)。 Li等[12]利用CWT進(jìn)行光譜預(yù)處理, 提升了土壤光譜對(duì)有機(jī)質(zhì)含量的相關(guān)性, 經(jīng)CWT變換的光譜估算能力明顯優(yōu)于傳統(tǒng)光譜變換。 經(jīng)CWT變換的光譜數(shù)據(jù)被分解若干尺度, 建立估算模型過(guò)程繁瑣、 計(jì)算量大, 相關(guān)學(xué)者利用特征波段篩選方法進(jìn)行光譜數(shù)據(jù)量的簡(jiǎn)化。 趙海龍等[13]應(yīng)用相關(guān)系數(shù)法(correlation coefficient, CC)結(jié)合CARS選擇CWT不同分解尺度的特征波段, 可以有效地減少建模的自變量數(shù), 模型穩(wěn)定性及估算能力良好。 勾宇軒等[14]利用CWT結(jié)合穩(wěn)定自適應(yīng)重加權(quán)采樣(stability competitive adaptive reweighted sampling, sCARS)算法進(jìn)行土壤有機(jī)質(zhì)含量的反演, sCARS算法能夠去除冗余、 重疊的光譜信息, 提高建模效率。 蔡亮紅等[15]研究表明利用競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣(competitive adaptive reweighted sampling, CARS)算法, 在建立模型時(shí)可以減少光譜細(xì)節(jié)損失, 同時(shí)還能對(duì)光譜無(wú)信息變量進(jìn)行有效去除。 Wang等[16]研究發(fā)現(xiàn)CWT經(jīng)連續(xù)投影算法(successive projections algorithm, SPA)處理后, 能夠選取有效波長(zhǎng), 減少冗余變量。 Banskota等[17]指出遺傳算法(genetic algorithm, GA)可以消除小波系數(shù)產(chǎn)生的噪音, 獲取敏感信息。 然而, 特征波段篩選方法, 雖然在保證CWT構(gòu)建模型精度的前提下一定程度降低了光譜數(shù)據(jù)量, 但是多分解尺度的小波系數(shù)仍然難以充分利用, 單一分解尺度小波系數(shù)不能有效代表不同尺度小波系數(shù)。 章濤等[18]構(gòu)建小波能量特征向量(energy features vector, EFV), 結(jié)果表明EFV不僅能夠代表不同尺度小波系數(shù)整體信息, 并且小波能量特征向量方法可以有效減少噪聲影響, 基于EFV的模型輸入的光譜數(shù)據(jù)維度可控, 估算能力提高。 目前, 應(yīng)用高光譜小波能量特征向量EFV估算土壤有機(jī)碳含量的研究鮮有報(bào)道。

以博斯騰湖湖濱綠洲為研究區(qū), 應(yīng)用CWT對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理, 將土壤光譜分解為若干個(gè)尺度的小波系數(shù), 利用CC、 sCARS、 CARS、 SPA、 GA常見(jiàn)5種特征波段篩選方法優(yōu)選不同尺度的小波系數(shù), 結(jié)合全波段小波系數(shù)分別計(jì)算各尺度小波系數(shù)的均方根, 將各尺度數(shù)據(jù)結(jié)合構(gòu)建EFV。 選取具有較強(qiáng)的非線性處理能力及良好的擬合優(yōu)度的BP神經(jīng)網(wǎng)絡(luò)模型(BP neural network model, BPNN)[19]。 以EFV作為建模輸入量, 構(gòu)建EFV-BPNN模型, 探究土壤高光譜噪聲去除和信息壓縮方法, 實(shí)現(xiàn)土壤有機(jī)碳含量快速估算。

1 實(shí)驗(yàn)部分

1.1 研究區(qū)概況

博斯騰湖湖濱綠洲位于新疆焉耆盆地東南面, 典型的干旱區(qū)湖濱綠洲, 地理位置介于86°15′-86°55′E, 41°45′-42°10′N, 面積為1 360 km2; 年均降水量47.7～68.1 mm, 年均蒸發(fā)量1 880.0～2 785.8 mm, 年平均氣溫8.2～11.5 ℃, 蒸降比大于40∶1, 無(wú)霜期176～211 d; 地下水埋深1.0～2.5 m, 礦化度為0.1～10.0 g·L-1; 土壤有機(jī)碳平均含量為13.31 g·kg-1, 研究區(qū)主要土壤類型為草甸土、 潮土、 沼澤土等[20]。

1.2 土壤樣品的采集與分析

1.2.1 土壤有機(jī)碳含量測(cè)定

依據(jù)研究區(qū)土壤類型、 土地利用類型以及植被類型狀況等因素, 于2020年10月進(jìn)行土壤樣品的采集。 采樣點(diǎn)需遍及研究區(qū)主要土地利用類型, 共計(jì)選取69個(gè)樣點(diǎn), 采用分層隨機(jī)取樣的方法, 每個(gè)樣本點(diǎn)以0～10和10～20 cm采樣土層進(jìn)行, 共計(jì)138份0～20 cm表層土壤樣品[21]。 處理土壤中雜物后以四分法混合均勻, 選取約200 g土壤樣品裝袋; 將土樣風(fēng)干、 研磨, 過(guò)2 mm篩后重新封裝, 以備實(shí)驗(yàn)分析; 采用重鉻酸鉀-外加熱法進(jìn)行土壤有機(jī)碳含量的測(cè)定[22], 剔除3個(gè)異常值, 統(tǒng)計(jì)特征見(jiàn)表1。

表1 土壤有機(jī)碳含量的統(tǒng)計(jì)特征Table 1 Statistical characteristics of soil organic carbon content

1.2.2 土壤光譜測(cè)定

土壤樣品的高光譜數(shù)據(jù)利用ASD FieldSpec3地物光譜儀室外采集(表2)。 考慮環(huán)境因素的影響, 高光譜數(shù)據(jù)首尾波段的信噪比低, 保留400～2 450 nm, 并去除1 301～1 449與1 801～1 949 nm水汽影響波段, 減少高頻噪音對(duì)光譜數(shù)據(jù)的影響[23]。 應(yīng)用Savitzky-Golay濾波方法進(jìn)行光譜曲線的平滑處理, 去除干擾波段的光譜曲線。

表2 儀器參數(shù)及測(cè)定要求Table 2 Instrument parameters and measurement requirements

1.3 方法模型與精度檢驗(yàn)

1.3.1 連續(xù)小波變換

連續(xù)小波變換(CWT)源于傅里葉算法, 通過(guò)小波基函數(shù)將一維的土壤高光譜數(shù)據(jù)分解包含波段和不同分解尺度的二維小波系數(shù), 具有一定程度的高分辨和適應(yīng)性[12], 見(jiàn)式(1)

(1)

其中

(2)

式中:t為高光譜波段數(shù);a為尺度因子;b為平移因子;f(t)為光譜反射率;Ψa, b為小波基函數(shù)。

1.3.2 高光譜小波能量

計(jì)算第i個(gè)分解尺度的小波系數(shù)的均方根, 作為該尺度的EFi[18], 見(jiàn)式(3)

(3)

構(gòu)建EFV

EFV=[EF1,EF2, …,EFi]

(4)

1.3.3 模型構(gòu)建

將光譜數(shù)據(jù)進(jìn)行連續(xù)小波變換預(yù)處理, 選擇Gaussian4作為小波變換基函數(shù)[14], 提高光譜數(shù)據(jù)的相關(guān)性, 放大有效光譜信息。 以5種常規(guī)特征波段篩選方法, CC、 sCARS、 CARS、 SPA、 GA算法篩選10個(gè)分解尺度的特征波段[18, 20]。 結(jié)合全波段數(shù)據(jù), 分別計(jì)算不同尺度下的均方根, 用以構(gòu)建高光譜小波能量特征向量, 簡(jiǎn)化建模數(shù)據(jù)量, 將復(fù)雜光譜數(shù)據(jù)化簡(jiǎn)為10維數(shù)據(jù); 利用小波能量特征向量作為建模輸入量, 構(gòu)建BPNN模型, 利用R2、 RMSE、 RPD評(píng)估小波能量特征向量在土壤有機(jī)碳含量估算建模的適用性, 并探究基函數(shù)對(duì)模型精度的影響。 流程圖見(jiàn)圖2。

圖1 研究區(qū)及采樣點(diǎn)分布示意圖Fig.1 Sampling point and location of the study area

圖2 基于高光譜小波能量特征向量土壤有機(jī)碳含量估算模型構(gòu)建流程圖Fig.2 Flowchart of soil organic carbon estimation modelling development with hyperspectral wavelet energy features vector

2 結(jié)果與討論

2.1 土壤有機(jī)碳與土壤光譜反射率相關(guān)性分析

由圖3相關(guān)分析的結(jié)果可知, 土壤有機(jī)碳含量與土壤光譜反射率R存在明顯的負(fù)相關(guān)關(guān)系, 相關(guān)系數(shù)范圍絕對(duì)值|0.005|

圖3 土壤有機(jī)碳與土壤光譜反射率相關(guān)性分析Fig.3 Correlation analysis between soil organic carbon and soil spectral reflectance

2.2 基于CWT的相關(guān)分析

Bior1.3、 db4、 Gaussian4與mexh基函數(shù)[24]中以Gaussian4為基函數(shù)的小波變換結(jié)果較為理想, 故選擇小波變換基函數(shù)為Gaussian4函數(shù), 進(jìn)行CWT處理, 變換尺度為21, 22, 23, …, 210, 將生成的連續(xù)小波變換后的光譜數(shù)據(jù)與土壤有機(jī)碳含量進(jìn)行相關(guān)性分析, 土壤有機(jī)碳含量與土壤原始光譜反射率R存在負(fù)相關(guān)關(guān)系。 由圖4可知, 有效光譜信息主要集中于中高尺度分解。 在分解尺度為1～4時(shí), 光譜細(xì)節(jié)特征缺乏, 連續(xù)有效光譜信息較少, 隨著分解尺度增大, 光譜對(duì)土壤有機(jī)碳的敏感性也逐步增大。

圖4 土壤有機(jī)碳含量與小波系數(shù)的相關(guān)系數(shù)矩陣Fig.4 Correlation coefficient matrix of soil organic carbon content and wavelet coefficients

通過(guò)CWT處理后10個(gè)分解尺度都存在一定的正負(fù)相關(guān)性, 土壤光譜與土壤有機(jī)碳含量間相關(guān)性明顯提高, 其中, 4～10分解尺度的相關(guān)系數(shù)平均值均高于r=|0.208|, 相關(guān)系數(shù)平均值分別為|0.254|、 |0.299|、 |0.366|、 |0.302|、 |0.345|、 |0.446|、 |0.422|; 1～3分解尺度相關(guān)性較差, 相關(guān)系數(shù)平均值分別為|0.165|、 |0.183|、 |0.206|, 第1尺度相關(guān)系數(shù)平均值最低r=|0.165|, 第10尺度相關(guān)系數(shù)平均值最高r=|0.446|。 1～10分解尺度的相關(guān)系數(shù)最大值分別是|0.623|、 |0.623|、 |0.690|、 |0.730|、 |0.681|、 |0.696|、 |0.678|、 |0.710|、 |0.710|、 |0.677|, 相較于原始光譜與土壤有機(jī)碳含量的相關(guān)系數(shù)最大值r=|0.406|有所提升。

2.3 構(gòu)建高光譜小波能量特征向量

通過(guò)CWT處理后, 10個(gè)分解尺度的小波系數(shù)難以整合利用, 構(gòu)建的小波能量特征向量能夠代表不同尺度小波系數(shù)整體信息, 數(shù)據(jù)維度可控, 有效降低建模輸入量[12]。 以CC、 sCARS、 CARS、 SPA、 GA, 分別篩選10個(gè)分解尺度的特征波段, 計(jì)算不同尺度下的均方根, 構(gòu)建高光譜小波能量特征向量。

利用CC法, 由圖5(a)可知, 分別篩選10個(gè)分解尺度通過(guò)p<0.01顯著性檢驗(yàn), 相關(guān)系數(shù)r≥0.50的特征波段。 由圖5(b)可知, 第1、 3、 4、 7尺度主要分布在400～760 nm可見(jiàn)光波段內(nèi); 第2、 8～10尺度主要分布在400～1 500 nm可見(jiàn)光波段及近紅外短波; 第5～6尺度主要分布在400～760和1 500～2 500 nm可見(jiàn)光及近紅外長(zhǎng)波。 不同尺度篩選特征數(shù)量占全波段數(shù)量的1.14%、 2.00%、 2.22%、 6.73%、12.84%、 25.84%、 12.26%、 26.58%、 51.34%、 46.04%。 逐尺度計(jì)算所篩選特征波段的均方根, 構(gòu)建CC-EFV。

圖5 CC算法篩選特征波段Fig.5 Characteristic wavelength selected by CC algorithm

應(yīng)用sCARS算法, 分別篩選10個(gè)分解尺度特征波段, 以第1尺度為例篩選過(guò)程為例, 由圖6(a)可知, 優(yōu)選出的波段變量個(gè)數(shù)隨著運(yùn)行次數(shù)增加逐漸減少, 經(jīng)過(guò)前20次運(yùn)算, 篩選的波段變量個(gè)數(shù)明顯降低, 在第23次運(yùn)算后趨于平穩(wěn); RMSECV值通過(guò)前20次運(yùn)算, 逐漸降低, 在第23次采樣達(dá)到最低值, 而后RMSECV值呈升高趨勢(shì); 第23次采樣RMSECV值最小即所選擇的特征波段最優(yōu)。 圖6(b), 第1～3、 5、 7、 9～10尺度選擇的特征波長(zhǎng)主要位于1 500～2 500 nm近紅外長(zhǎng)波; 第4尺度主要集中于760～2 500 nm近紅外波段; 第6尺度主要分布在400～760 nm可見(jiàn)光波段及1 500～2 500 nm近紅外長(zhǎng)波; 第8尺度主要分布在400～760 nm可見(jiàn)光波段。 不同尺度篩選特征數(shù)量占全波段數(shù)量的4.79%、 2.74%、 4.16%、 2.80%、 3.59%、 3.59%、 0.63%、 4.79%、 1.03%、 1.37%。 逐尺度計(jì)算所篩選特征波段的均方根, 構(gòu)建sCARS-EFV。

圖6 sCARS算法篩選特征波段Fig.6 Characteristic wavelength selected by sCARS algorithm

采用CARS算法, 分別篩選10個(gè)分解尺度特征波段, 與sCARS篩選原理基本相似, 以第1尺度篩選過(guò)程為例; 由圖7(a)可知, 變量個(gè)數(shù)在第27次運(yùn)算后趨于平穩(wěn); RMSECV在第23次采樣達(dá)到最低值, RMSECV值最小即所選擇的特征波段最優(yōu)。 圖7(b), 第1～5、 7、 9～10尺度選擇的特征波長(zhǎng)主要分布在1 500～2 500 nm近紅外長(zhǎng)波; 第6尺度主要分布于400～760和1 500～2 500 nm可見(jiàn)光及近紅外長(zhǎng)波; 第8尺度主要集中于400～760 nm可見(jiàn)光波段; 不同尺度篩選特征數(shù)量占全波段數(shù)量的2.74%、 1.83%、 4.73%、 4.79%、 1.20%、 1.83%、 0.80%、 3.14%、 0.68%、 0.91%。 逐尺度計(jì)算所篩選特征波段的均方根, 構(gòu)建CARS-EFV。

圖7 CARS算法篩選特征波段Fig.7 Characteristic wavelength selected by CARS algorithm

利用SPA算法, 分別篩選10個(gè)分解尺度特征波段, 以第1尺度篩選過(guò)程為例, 由圖8(a)可知, 變量個(gè)數(shù)為8之后RMSE值趨于平穩(wěn), RMSE=7.82變量個(gè)數(shù)為8時(shí), 所選擇的特征波段最優(yōu)。 圖8(b), 第1～3、 5～6尺度選擇的特征波長(zhǎng)主要在1 500～2 500 nm近紅外長(zhǎng)波; 第4尺度主要分布在400～760和1 500～2 500 nm可見(jiàn)光與近紅外長(zhǎng)波; 第7尺度主要分布于760～1 500 nm在近紅外短波; 第8～10尺度主要在760～2 500 nm近紅外波段; 不同尺度篩選特征數(shù)量占全波段數(shù)量的0.46%、 0.40%、 0.17%、 0.11%、 0.23%、 0.29%、 0.29%、 0.29%、 0.74%、 0.29%。 逐尺度計(jì)算所篩選特征波段的均方根, 構(gòu)建SPA-EFV。

圖8 SPA算法篩選特征波段Fig.8 Characteristic wavelength selected by SPA algorithm

采用GA算法, 分別篩選10個(gè)分解尺度特征波段, 由圖9(a)可知, GA算法據(jù)預(yù)定的目標(biāo)函數(shù)對(duì)樣本進(jìn)行評(píng)估, 給出一個(gè)適應(yīng)度值, 基于此適應(yīng)度值, 選擇最佳樣本。 圖9(b), 第1～5、 9～10尺度選擇的特征波長(zhǎng)在400～2 500 nm分布較為均勻; 第6～8尺度選擇的特征波長(zhǎng)主要分布于760～2 500 nm近紅外波段。 不同尺度篩選特征數(shù)量占全波段數(shù)量的2.45%、 9.87%、 11.12%、 3.59%、 3.99%、 3.88%、 1.94%、 2.05%、 2.91%、 3.94%。 逐尺度計(jì)算所篩選特征波段的均方根, 構(gòu)建GA-EFV。

圖9 GA算法篩選特征波段Fig.9 Characteristic wavelength selected by GA algorithm

2.4 基于高光譜小波能量特征向量構(gòu)建模型

依據(jù)CC、 sCARS、 CARS、 SPA、 GA算法及全波段構(gòu)建的EFV, 作為模型輸入量, 構(gòu)建土壤有機(jī)碳BPNN估算模型。 由表3可知, 利用EFV可以較好估算土壤有機(jī)碳含量, 6種模型的訓(xùn)練集與驗(yàn)證集R2平均值分別為0.73、 0.74, RMSE平均值分別為7.64、 7.28, RPD平均值為1.95。 對(duì)比模型驗(yàn)證集精度可知, CC-EFV-BPNN>sCARS-EFV-BPNN>Full-spectrum-EFV-BPNN>CARS-EFV-BPNN>GA-EFV-BPNN>SPA-EFV-BPNN。 以CC-EFV-BPNN構(gòu)建的模型效果最好,R2分別為0.78、 0.77, RMSE分別為6.38、 6.92, RPD為2.07; 其次sCARS-EFV-BPNN構(gòu)建的模型效果較好,R2分別為0.71、 0.76, RMSE分別為7.66、 6.72, RPD為2.03。 SPA-EFV-BPNN構(gòu)建模型精度略差R2分別為0.70、 0.70, RMSE分別為8.44、 6.43, RPD為1.82。

表3 BPNN模型估算結(jié)果對(duì)比Table 3 Comparison of estimation results of BPNN models

由圖10可知, 對(duì)比訓(xùn)練集樣本點(diǎn)Full-spectrum-EFV-BPNN、 CC-EFV-BPNN、 sCARS-EFV-BPNN、 GA-EFV-BPNN基本均勻的分布在1∶1線兩側(cè), 在土壤有機(jī)碳含量高于40.0 g·kg-1時(shí), 存在少量樣本偏移點(diǎn); CARS-EFV-BPNN、 SPA-EFV-BPNN, 在土壤有機(jī)碳含量介于0～20.0 g·kg-1時(shí), 存在樣本偏移現(xiàn)象, 估算值與實(shí)測(cè)值間相差約為10.0%, 樣本點(diǎn)在1∶1線兩側(cè)呈分散分布。 驗(yàn)證集樣本點(diǎn)Full-spectrum-EFV-BPNN、 CC-EFV-BPNN、 sCARS-EFV-BPNN基本均勻的分布在1∶1線兩側(cè), Full-spectrum-EFV-BPNN在40.0～60.0 g·kg-1間存在兩個(gè)高估樣本, 高估約50.26%; CARS-EFV-BPNN、 GA-EFV-BPNN、 SPA-EFV-BPNN, 與1∶1線間距離明顯高于其余模型。

應(yīng)用CWT提取EFV, 在有效降低數(shù)據(jù)維度與模型復(fù)雜度的前提下, 將多分解尺度小波系數(shù)整合, 充分利用小波系數(shù)整體信息。 對(duì)于快速估算土壤有機(jī)碳含量具有一定的參考價(jià)值。 研究結(jié)果表明, CWT可以有效提高光譜反射率與土壤有機(jī)碳含量間的相關(guān)性, 相關(guān)系數(shù)平均值提升43.66%, 這與勾宇軒等[14]研究結(jié)論基本一致。 高光譜數(shù)據(jù)在去除水汽及噪聲過(guò)大的全波段數(shù)量為1753, 而構(gòu)建的EFV僅為10維的光譜特征向量, 可以有效降低數(shù)據(jù)維度, 提升建模速率, 構(gòu)建的模型訓(xùn)練集與驗(yàn)證集R2平均值分別為0.73、 0.74, RMSE平均值分別為7.64、 7.28, RPD平均值為1.95, 表明EFV進(jìn)行土壤有機(jī)碳含量的估算結(jié)果較好, 這與章濤等[18]研究結(jié)果一致。 本工作利用CC、 sCARS、 CARS、 GA、 SPA篩選不同尺度的特征波段進(jìn)行EFV構(gòu)建, 相比只利用代表部分敏感信息的特征波段, 特征波段方法結(jié)合EFV既可以減少不同尺度的光譜數(shù)據(jù)量、 突出重要光譜信息, 又能夠綜合表征不同尺度的光譜信息。 對(duì)比全波段數(shù)據(jù)CC、 sCARS算法可以有效提高模型估算能力, CARS、 GA、 SPA算法雖然未能顯著提高模型估算能力, 但是特征波段篩選方法一定程度上降低模型的RMSE值, 提升模型精度, 對(duì)比全波段建模結(jié)果可知驗(yàn)證集RMSE值平均降低22.80%。 本工作估算模型RMSE值總體偏高, 李冠穩(wěn)等[24]研究土壤有機(jī)質(zhì)所構(gòu)建的模型RMSE值也較高, 可能是由于光譜測(cè)量實(shí)驗(yàn)存在一定誤差, 未能實(shí)現(xiàn)野外原位光譜測(cè)量。 利用BPNN構(gòu)建土壤有機(jī)碳估算模型, 模型能力表現(xiàn)為CC-EFV-BPNN>sCARS-EFV-BPNN>Full-spectrum-EFV-BPNN>CARS-EFV-BPNN>GA-EFV-BPNN>SPA-EFV-BPNN, 說(shuō)明不同特征波段算法所構(gòu)建的EFV不同, 最終影響B(tài)PNN模型精度。 因此, 基于高光譜小波能量特征向量波段篩選算法的機(jī)理仍有待于進(jìn)一步研究。

3 結(jié) 論

連續(xù)小波變換可以有效提高光譜反射率與土壤有機(jī)碳含量間的相關(guān)性, 1～10分解尺度相關(guān)系數(shù)分別為|0.165|、 |0.183|、 |0.206|、 |0.254|、 |0.299|、 |0.366|、 |0.302|、 |0.345|、 |0.446|、 |0.422|, 相關(guān)系數(shù)平均值提升43.65%; 相關(guān)系數(shù)最大值分別為, |0.623|、 |0.623|、 |0.690|、 |0.730|、 |0.681|、 |0.696|、 |0.678|、 |0.710|、 |0.710|、 |0.677|, 相關(guān)系數(shù)最大值平均提升67.93%。

CC、 sCARS、 CARS、 GA、 SPA算法篩選10個(gè)分解尺度的特征波段數(shù)量平均值分別占全波段數(shù)量的18.70%、 2.95%、 2.27%、 4.57%、 0.33%。 篩選的特征波段, CC算法主要分布于在400～1 500 nm可見(jiàn)光及近紅外短波; sCARS、 CARS算法集中于1 500～2 500 nm近紅外長(zhǎng)波; GA算法篩選的特征波段在400～2 500 nm呈現(xiàn)均勻分布; SPA算法集中于760～2 500 nm近紅外波段。

高光譜小波能量特征向量EFV可以較好估算表層土壤有機(jī)碳含量, 6種模型的訓(xùn)練集與驗(yàn)證集R2平均值分別為0.73、 0.74, RMSE平均值分別為7.64、 7.28, RPD平均值為1.95。 以CC-EFV-BPNN構(gòu)建的模型效果最好,R2分別為0.78、 0.77, RMSE分別為6.38、 6.92, RPD為2.07; SPA-EFV-BPNN構(gòu)建模型精度較差R2分別為0.70、 0.70, RMSE分別為8.44、 6.43, RPD為1.82。 對(duì)比模型驗(yàn)證集精度, CC-EFV-BPNN>sCARS-EFV-BPNN>Full-spectrum-EFV-BPNN>CARS-EFV-BPNN>GA-EFV-BPNN>SPA-EFV-BPNN。