宋妮娜, 肖 冬*, 李 森, 高宇洁

1. 东北大学信息科学与工程学院， 辽宁 沈阳 110819

2. 东北大学冶金学院， 辽宁 沈阳 110819

引 言

盐碱地形成的实质是土壤中不同方向的易溶性盐发生渍化沉积， 使得盐分逐渐积聚在盐密集区的地表， 通过这种方式形成的有盐渍土、 碱化土和各种盐碱土等。 农业生产受土壤盐渍化影响较大， 因此研究盐碱地的性质和组成对后续实施生态恢复、 土地利用和改良措施具有重要意义。

传统的含盐量测定方法大多基于化学分析， 其测量精度高的优点仍不能使人们忽视其成本高、 效率低的缺点， 将化学分析应用于大面积土地的可行性大大降低。 随着时代的发展， 光谱法在含量检测中的应用发展迅速。 将土壤指标与光谱指标相结合分析盐碱地土壤性质是一种高效率、 低损耗的流行方法[1]， 考虑到硅、 硫、 铁等金属元素和一些复杂有机质对盐碱土样品原始光谱数据的影响较大， 使正常情况下直接得到的光谱数据中包含有大量无效信息， 且获得的样本数据相关性过大。 极限学习机(extreme learning machine, ELM)作为一种基于前馈神经网络构建的机器学习系统， 在许多研究中作为一种光谱处理方法被成功应用[2-3]。 有研究将其结合卷积神经网络(convolutional neural network, CNN)应用到煤炭分类上。 在探索过程中， 利用ELM算法构建的光谱特征数据预测分析模型具有诸多优点， 自2006年以来迅速发展[4]。 例如有将粒子群算法(particle swarm optimization algorithm, PSO)加入ELM中进行参数优化[5]。 根据ELM初始参数的特点， Chen等[6]提出了一种集成ELM算法对近红外光谱进行标定。……