基于光谱指数和机器学习的土壤有机质含量反演

土壤有机质(SOM)是衡量矿区生态环境质量的重要指标之一.为了提高SOM含量的估算精度,在已有二波段指数的基础上加入第3个波段,构建新的三波段指数,利用极限学习机(ELM)和随机森林(RF)分别建立SOM含量的预测模型.在新疆准东煤田采集168个土壤样点,在室内迸行SOM含量、光谱的测定.对光谱数据迸行平滑和预处理后,构建多个两波段、三波段光谱指数,随后分析不同维度光谱数据与SOM含量的敏感程度和敏感区域.ELM和RF被用于对每个维度最优光谱参数建立预测模型.研究结果显示,无论采用哪种方式建模,每个维度的光谱数据与SOM含量的敏感程度和建模精度均随信息维度的增加而增加,即三波段指数(TBI)＞二波段指数＞一维光谱数据.在三波段指数中,ELM的预测效果要优于RF,其中(TBI－4)－ELM的预测效果最好,决定系数(r2)＝0.87,均方根误差(RMSEP)＝4.07,相对分析误差(RPD)＝2.63.三波段指数与ELM的结合,可以很好地减弱土壤信息噪声,提高SOM含量的预测精度.