牛芳鹏，李新国*，麦麦提吐尔逊·艾则孜，赵慧

（1.新疆师范大学地理科学与旅游学院，乌鲁木齐 830054；2.新疆干旱区湖泊环境与资源实验室，乌鲁木齐 830054）

土壤是碳在陆地生态系统中最大的储存库，并影响其生产力的发展，其中土壤有机碳（soil organic carbon,SOC）是构成土壤碳库的重要部分[1]。干旱半干旱区是稳定全球生态环境变化的重要环节之一，绿洲及其生态系统在对抗与缓解干旱区气候方面起着重要作用，对土壤碳的研究特别是绿洲土壤有机碳的研究对全球碳循环及生态环境保护具有重要意义[2]。土壤光谱中包含丰富的土壤信息，便携快速、无损与高精度的波谱特性使高光谱遥感技术在估算SOC含量的应用中，从定性到定量越来越成熟[3]。筛选具有代表性的光谱响应波段是构建高光谱估算模型的基础，学者们在进行光谱数据特征波段的优选方面已做了大量研究[4-5]。WANG 等研究表明，利用连续投影算法（successive projection algorithm,SPA）选择的光谱特征波段可以有效地提高偏最小二乘回归（partial least square regression,PLSR）模型的决定系数（coefficient of determination,R2）和残余预测误差（residual prediction deviation,RPD）性能[6]；王涛等采用相关性分析法和SPA 筛选特征波长，构建的最优模型精度R2=0.98，均方根误差（root mean square error,RMSE）=0.30 g/kg，RPD=9.32[7]；章海亮等采用遗传算法结合SPA 挑选出18个特征波段并构建PLSR模型，其预测集的R2=0.83，RMSE=0.20 g/kg，RPD=2.45[8]。然而，利用土壤光谱反射率对SOC含量的估算，大多是通过建立线性方程来进行，这些传统的回归方法受数据本身影响较大；而支持向量机（support vector machine,SVM）的发展，有效解决了样本维数问题[9]。张子鹏等通过构建SVM 模型，比较了不同维度光谱参数对SOC含量估测的准确性[10]；……