陈文倩 丁建丽 谭 娇 李 相

(1.新疆大学资源与环境科学学院, 乌鲁木齐 830046； 2.新疆大学绿洲生态教育部重点实验室， 乌鲁木齐 830046；3.北京师范大学地理学与遥感科学学院， 北京 100875)

引言

土壤水分是土壤的重要组成部分，是影响陆地表面的吸收、反射和发射等特性的关键因素，在地球表面与大气层之间的物量循环中起着重要的作用[1]。尤其是表层土壤含水率对微观气象反应较为敏感[2]，可利用它有效地监测土壤与农作物旱情状况。近年来，干旱区绿洲农业发展迅速，人类活动已严重影响到区域性土壤水分的平衡，产生大面积的盐渍化现象。因此，土壤水分的监测对绿洲农业作物与经济的发展均有着十分重要的现实意义。

高光谱技术的发展，使土壤含水率的监测呈现多样化趋势，其中利用植被指数估算土壤含水率成为研究热点之一[3]，基于干旱区植被光谱与土壤含水率的相关性分析的数据建模亦是一个值得探讨的研究方向[4]，它更为直接地影响土壤含水率的反演精度。现阶段，在植被指数估算土壤含水率的研究进展中，大多是利用多元逐步回归(Multiple stepwise regression， MLSR)、偏最小二乘回归(Partial least squares， PLS)等统计方法进行数据之间的建模反演[5-7]，但土壤含水率与植被光谱之间的关系复杂，存在非线性关系，而简单的回归模型在处理非线性、异方差性等复杂问题尚有一定的不足，难以符合研究需求。

支持向量机回归预测模型(Support vector regression，SVR)是以统计学为理论发展起来的机器学习算法[8]，其基本思想是通过一个非线性映射将数据映射到高维特征空间，并在这个空间进行线性回归，从结构风险最小化的角度保证了模型的最大泛化能力。……