何少芳， 沈陆明， 谢红霞

1. 湖南农业大学信息与智能科学技术学院， 湖南 长沙 410128 2. 湖南农业大学资源环境学院， 湖南 长沙 410128

引 言

土壤中含碳有机物总称为有机质， 它是诊断和评价土壤肥力的核心指标。 传统的土壤有机质含量测定方法为室内化学测定法， 该方法具有精度高的优点， 但具有测定周期长且费时费力的缺点。 目前用于估测土壤性状指标的主要技术手段是高光谱遥感， 它具有分辨率高、 波段多且连续的特点， 能够对一定范围内的地物进行准确识别。 近年来， 对土壤有机质高光谱估算模型的研究， 已经由简单的一元线性模型逐渐发展成多元线性模型和非线性模型， 以及多种建模方法的耦合使用。 线性方法主要包括多元逐步回归(stepwise multiple linear regression, SMLR)、 主成分回归(principal component regression, PCR)和偏最小二乘回归(partial least squares regression, PLSR)。 徐夕博等[1]在主成分变换的基础上提取光谱特征， 对光谱信息的来源分类进行差别分析， 建立了基于主成分分析的多元逐步回归和神经网络预测模型。 李阳等[2]以新疆南部地区的荒漠土壤为研究对象， 使用主成分回归分析、 偏最小二乘回归分析和支持向量机回归分析方法建立并筛选出最佳反演模型。 由于土壤高光谱数据信息错综复杂且彼此关联， SMLR并不适合于变量间存在共线性问题， 而PCR较好地解决了自变量间存在的信息重叠问题， 能避免估测模型的过度拟合， 但忽略了因变量的作用。 非线性方法主要有神经网络(artificial neural network, ANN)、 随机森林(random forest regression, RFR)、 支持向量机(support vector machines, SVM)和局部加权回归(locally weighted regression, LWR)等。……