孟 珊, 李新国*

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

引 言

土壤有机碳(soil organic carbon, SOC)影响土壤肥力, 可以调控土壤生态系统的功能发挥[1-2]、 维持结构稳定[3-4], 对于维持农业可持续发展, 缓解温室气体增加和全球气候变化的影响具有重要意义[5]。 传统的土壤有机碳含量测定技术成本高、 周期长, 高光谱技术连续波段数量足、 光谱分辨率高, 可以快速、 高效的进行土壤有机碳的测定[6-7]。 土壤高光谱数据在采集过程中, 易受外界测试环境及土壤样品质量、 仪器本身因素的影响, 导致光谱变量之间存在大量的无关冗余信息[8]。 连续小波变换(continuous wavelet transform, CWT)通过多尺度分解, 能够有效提取光谱信号中的近似特征和细节信息, 捕捉土壤光谱特征, 提取有效信息, 在高光谱数据的噪声去除和数据压缩方面具有独特优势[9-10]。 Lin等[11]通过CWT放大被噪声掩盖的隐藏光谱信息, 估算了矿区的土壤有机质。 Li等[12]利用CWT进行光谱预处理, 提升了土壤光谱对有机质含量的相关性, 经CWT变换的光谱估算能力明显优于传统光谱变换。 经CWT变换的光谱数据被分解若干尺度, 建立估算模型过程繁琐、 计算量大, 相关学者利用特征波段筛选方法进行光谱数据量的简化。 赵海龙等[13]应用相关系数法(correlation coefficient, CC)结合CARS选择CWT不同分解尺度的特征波段, 可以有效地减少建模的自变量数, 模型稳定性及估算能力良好。 勾宇轩等[14]利用CWT结合稳定自适应重加权采样(stability competitive adaptive reweighted sampling, sCARS)算法进行土壤有机质含量的反演, sCARS算法能够去除冗余、 重叠的光谱信息, 提高建模效率。……