电话：4008-508-928
手机：0592-6102588
邮箱：sales_52@optosky.com
用地物光谱ATP9110-25H看土壤：贵州山区土壤有机质的＂快速体检＂新方法
土壤有机质（SOM）是维持土壤健康与肥力的核心指标，在山地环境中对农业生产尤为重要。贵州省地形以山地为主，耕地分布零散，土地利用率较低，因此亟需通过快速、准确的 SOM 监测提升土壤利用效率并促进可持续农业。然而，传统的 SOM 测定方法如重铬酸钾氧化法、铬合碱溶比色法等虽精度高，但存在成本高、操作复杂、效率低等限制，难以满足大范围监测需求。相比之下，高光谱遥感因其高时效性、无损性和丰富的信息量，在 SOM 快速反演中显示出显著优势。
近年来，多种基于特征波段筛选和机器学习的反演方法被用于提升模型精度，但高光谱数据仍面临环境变化、样品差异及波段间强共线性等挑战。现有特征波段选择算法主要包括无信息变量消除（UVE）、竞争性自适应重加权采样（CARS）、连续投影算法（SPA）和迭代保留信息变量（IRIV）等。然而，单一算法容易陷入局部最优，选出的波段仍可能存在冗余与共线性。
为解决这一问题，本研究在贵州采集 189 份土壤样本，结合上述四种算法及其多种联合方式进行特征波段筛选，并筛选出优化联合算法构建反演模型。通过对比模型精度，验证联合算法在降低数据维度、提升 SOM 反演准确性方面的优越性，可为山区耕地 SOM 的快速无损监测提供有效方法。
数据来自哪里？
团队在贵州 13 个县区采集 189 个土壤样本，光谱范围覆盖 300–2500 nm，涵盖黄壤、水稻土、紫泥土等多种类型，实现了对复杂地貌区土壤特征的有效表达。
研究有什么意义？
更精准的土壤健康评估
联合算法能有效降低波段冗余，提高模型稳定性。
助力山地农业管理
山区耕地零散，监测成本高，高光谱能够提供快速、可靠的数据支撑。
为未来大范围遥感应用奠定基础
研究验证了联合算法在高光谱反演中的可行性，为区域农业监测提供新方案。
研究有什么意义？
更精准的土壤健康评估
联合算法能有效降低波段冗余，提高模型稳定性。
助力山地农业管理
山区耕地零散，监测成本高，高光谱能够提供快速、可靠的数据支撑。
为未来大范围遥感应用奠定基础
研究验证了联合算法在高光谱反演中的可行性，为区域农业监测提供新方案。
光谱曲线
图4展示了四种特征波段筛选算法的结果。对于 SPA（图4a），随着变量数量增加，模型 RMSE 整体下降，当 RMSE 最小为 0.60 时，对应的 186 个波长被确定为最优特征变量。UVE 的稳定性分析（图4b）通过对比光谱矩阵与随机噪声矩阵，并设置 ±28 的阈值剔除无效变量，最终得到 622 个有效波长。CARS（图4c）基于十折交叉验证与回归系数路径变化判断最优采样点，第 24 次采样的 RMSE 最低，筛选得到 71 个变量。IRIV（图4d）在设定 5 次交叉验证和最大 10 个主成分的条件下，经过 9 次迭代得到 66 个特征波段，其中包含 17 个强信息变量和 49 个弱信息变量。
图5进一步展示了四种算法在 300~2500 nm 范围内提取的敏感波长数量：UVE、SPA、CARS、IRIV 分别筛选出 622、186、71 和 66 个波段，分别占全波段的 28.92%、8.64%、3.30% 和 3.06%。结果显示，这些特征波段主要集中在可见光（400~780 nm）与近红外（780~1100 nm）区域。经过单一算法筛选后，光谱中的冗余信息被有效剔除，有助于提升模型构建效率。
结论
本研究以山区耕地土壤为对象，对土壤有机质含量开展高光谱反演。首先对原始光谱进行一阶导数（1D）预处理，并分别采用 UVE、SPA、IRIV 和 CARS 四种单一算法筛选特征波长，构建 RF 与 SVM 模型；随后对四种算法进行组合，进一步筛选变量并建立联合预测模型。研究表明：（1）1D 预处理后光谱与土壤有机质的相关性显著增强，能够有效突出光谱细节并降低噪声。（2）单一特征筛选算法虽具备降维能力，但仍存在变量冗余；联合算法能进一步压缩变量并提升模型精度。（3）其中 UVE-SPA-SVM 模型表现最佳，R²=0.87、RMSE=8.31、RPD=2.82，明显优于单一算法。（4）联合算法提升了模型的稳定性和反演能力，但贵州山区地形复杂，不同区域的适用性仍需进一步验证。
