張智韜 勞聰聰 王海峰 ARNON Karnieli 陳俊英 李 宇

(1.西北農(nóng)林科技大學(xué)水利與建筑工程學(xué)院， 陜西楊凌 712100；2.西北農(nóng)林科技大學(xué)旱區(qū)農(nóng)業(yè)水土工程教育部重點實驗室， 陜西楊凌 712100；3.本古里安大學(xué)Blaustein沙漠研究所， 思德博克 84990)

0 引言

土壤有機質(zhì)含量(Soil organic matter，SOM)是評價土壤肥力的最主要指標(biāo)，也是了解土壤退化狀態(tài)的主要指標(biāo)，監(jiān)測SOM是掌握土壤肥力和土壤退化情況的重要手段。高光譜遙感可以快速、無損監(jiān)測土壤有機質(zhì)含量，為荒漠土壤整治提供依據(jù)。然而土壤高光譜具有非特異性，波長相鄰的反射率互相重疊，且具有較強的相關(guān)性，當(dāng)土壤肥力較低(SOM小于2%)時，土壤質(zhì)地等特性會對光譜產(chǎn)生較大影響，在一定程度上掩蓋了SOM對光譜的作用，使得高光譜反演荒漠土壤的SOM具有一定困難[1]。

國內(nèi)外學(xué)者對利用高光譜技術(shù)反演SOM已進行了大量研究[2-8]。但是上述研究均是以SOM很高或較高的地區(qū)為研究區(qū)域，其成果無法很好應(yīng)用于SOM較低的干旱荒漠地區(qū)。侯艷軍等[1]利用高光譜反演新疆準(zhǔn)噶爾盆地東部的荒漠土壤有機質(zhì)，發(fā)現(xiàn)基于一階微分光譜的PLSR最優(yōu)，其R2可達0.78。王海峰等[9]通過對以色列Sde Boker地區(qū)采集的荒漠化土壤進行研究得出，利用灰度關(guān)聯(lián)分析結(jié)合標(biāo)準(zhǔn)正態(tài)變換光譜建立的嶺回歸模型可以較好預(yù)測SOM，R2可達0.866。這說明高光譜遙感監(jiān)測荒漠土壤SOM具有一定的可行性，但其所研究的模型均為線性模型，而線性模型無法較好解決非線性問題。因此，研究非線性組合模型反演荒漠土壤有機質(zhì)含量十分必要。

此外，分數(shù)階微分[10](Fractional-order derivative，F(xiàn)OD)與一階、二階微分相比，能以較小微分間隔確保光譜曲線形狀緩慢變化，可以檢測到光譜信號的更多特征，而敏感光譜指數(shù)是與對應(yīng)SOM經(jīng)二維相關(guān)分析篩選確定，既考慮了波長間的關(guān)系，也考慮SOM與波長之間的關(guān)系，可減少無關(guān)波長的影響。根據(jù)HONG等[11]研究，將兩者耦合可進一步提升效果，但現(xiàn)有研究[11-12]一般取相關(guān)系數(shù)最高的指數(shù)建模，未完全利用經(jīng)分數(shù)階微分優(yōu)化的光譜指數(shù)。

本文以在以色列荒漠地區(qū)采集的砂質(zhì)土與黏壤土為對象，在室內(nèi)進行理化分析與光譜采集，利用平均光譜反射率建立支持向量機分類(Support vector machines discriminant analysis，SVMAD)模型，進行分數(shù)階微分后建立歸一化光譜指數(shù)(Normalized difference index，NDI)，再對NDI與SOM進行二維相關(guān)性分析，并以0階NDI的最高決定系數(shù)作為閾值篩選敏感指數(shù)，結(jié)合隨機森林模型(Random forest，RF)，構(gòu)建SOM的SVMAD-RF模型，研究其對荒漠土壤的監(jiān)測精度。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)為Sde Boker等地區(qū)(34°26′～34°47′E，30°17′～30°52′N)，該區(qū)域位于以色列南部，海拔640 m，屬于干旱半干旱氣候，年降水量介于100～200 mm之間，年均蒸發(fā)量達2 500 mm。尤其以色列南部全年降水稀少，占以色列一半以上的面積，被荒漠所覆蓋。故而此地的荒漠土壤占大部分且有機質(zhì)含量低(0.5～18 g/kg)[13]，主要的土壤類型為黏壤土(CLS)與砂質(zhì)土(SS)。圖1為取樣分布示意圖，其中圖1e所示樣本為砂質(zhì)土，圖1b、1c、1d所示樣本均為黏壤土。

圖1 取樣點分布示意圖Fig.1 Sketch of study area and soil sampling locations

1.2 試驗材料及土壤樣本有機質(zhì)含量的測定

通過十字法在研究區(qū)域土層(0～20 cm)采集134份土樣。土樣經(jīng)過風(fēng)干、磨細、經(jīng)孔徑2 mm篩處理后，將每個土樣分成2份，分別用于光譜測試和理化性質(zhì)分析。由激光粒度儀測得土樣粒度分布，根據(jù)國際土壤顆粒分類標(biāo)準(zhǔn)，將所取樣本劃分為兩類，其中砂質(zhì)土樣本78個、黏壤土樣本56個。土樣SOM通過重鉻酸鉀外加熱法測定。

圖2 平滑后的土樣反射率曲線Fig.2 Reflectance curves of soil samples after smoothing

1.3 光譜測定

在照明控制的暗室，利用ASD FieldSpec 3型光譜儀測量土壤光譜反射率。將制備的134份土樣裝入直徑為10 cm、深度為2 cm的黑色容器中，土樣填滿容器后將表面刮平。光譜儀性能參數(shù)、光譜測試的幾何參數(shù)、光譜數(shù)據(jù)的采集方式等參照文獻[14]。

土樣光譜通過Savitzky-Golay算法(多項式階數(shù)為2，點數(shù)為10)進行平滑，并將噪聲較大的波段(350～399 nm、2 401～2 500 nm)剔除。為了降低冗余度，按10 nm為間隔重采樣，所得400～2 400 nm的光譜數(shù)據(jù)用于后續(xù)分析。去噪后的砂質(zhì)土和黏壤土樣品光譜曲線如圖2(圖中灰色區(qū)域表示光譜的標(biāo)準(zhǔn)偏差，下同)所示。

1.3.1平均反射率

為提高對土壤質(zhì)地的分類正確率，嘗試以平均反射率作為標(biāo)準(zhǔn)進行分類。全部波段(400～2 400 nm)的平均反射率計算公式為

(1)

式中Ri——波長i的土壤光譜反射率

圖3 不同有機質(zhì)含量土壤平均反射率散點圖Fig.3 Scatter plots of average reflectance values of soils with different organic matter contents

1.3.2分數(shù)階微分

FOD是數(shù)學(xué)理論的分支，其將經(jīng)典的整數(shù)階微分拓展至任意階微分。而Grünwald-Letnikov是一種離散形式的定義，便于進行數(shù)值計算，且運算效率較高[10]，故本文采用此表達式，具體為

(2)

式中 d——微分函數(shù)q——微分階數(shù)

h——步長t、a——微分的上限和下限

其中Gamma(Γ)函數(shù)[15]為

(3)

式中β——任意變量(本文指微分階數(shù))

(4)

其中ν為1或2時，式(4)與一、二階微分的方程相同；而當(dāng)ν=0時，表示未對光譜數(shù)據(jù)進行處理。本文利用式(4)分別計算兩種土壤的0～2階微分(間隔0.2階)。

1.3.3光譜指數(shù)

基于經(jīng)分數(shù)階微分處理后的光譜數(shù)據(jù)，構(gòu)建歸一化指數(shù)(Normalized difference index，NDI)，其計算式為

(5)

式中Aλ1、Aλ2—— 400～2 400 nm中任意兩波長，且Aλ1≠Aλ2

分析不同分數(shù)階微分下的NDI與SOM的相關(guān)性，設(shè)立閾值，確定估算SOM的敏感指數(shù)。

1.4 支持向量機分類和隨機森林模型

SVMDA具有強大的小樣本學(xué)習(xí)能力以及在高維空間中良好的擴展性能，因而廣泛用于分類[16]。RF是BREIMAN[17]提出的一個組合分類器算法，其主要思想是用自助法重采樣技術(shù)，基于原始樣本集，生成若干個自助樣本集，并將每個自助樣本集作為每棵分類樹的所有訓(xùn)練數(shù)據(jù)。該模型是多個分類樹的集合，可以估計獨立變量之間復(fù)雜的非線性關(guān)系并且響應(yīng)變量。有研究表明，RF預(yù)測性能較強，特別在高光譜技術(shù)估算土壤相關(guān)特征含量方面[18]。因而本文采用此法來預(yù)測SOM。

1.5 建模集和驗證集的劃分

SVMDA建模，以隨機抽樣法取89個樣本作為建模集，剩余45個樣本作為驗證集。RF建模采用Kennard-Stone(K-S)算法劃分建模集、驗證集,結(jié)果如圖4所示，圖中CV為變異系數(shù)，Mean為平均值，SD為標(biāo)準(zhǔn)差。

圖4 土壤有機質(zhì)含量描述性統(tǒng)計特征箱線圖Fig.4 Box plots of density and descriptive statistics of SOM

1.6 模型建立與驗證

以土壤平均光譜反射率作為自變量，土壤質(zhì)地類型作為因變量，采用非線性的SVMDA，建立土壤質(zhì)地判別模型，以leave one out法進行交叉驗證。再對不同質(zhì)地的土壤SOM分別建模，通過0階NDI的最高決定系數(shù)作為閾值獲取敏感指數(shù)，以所獲敏感指數(shù)作為自變量，SOM作為因變量，建立不同分數(shù)階的非線性RF模型。

1.7 數(shù)據(jù)分析軟件

Savitzky-Golay算法、平均反射率、分數(shù)階微分、光譜指數(shù)計算和篩選、K-S算法及SVMDA均在Matlab R2018a平臺進行。圖表的制作在OriginPro 2017C中實現(xiàn)。RF通過R3.5.2軟件中的Random Forest軟件包實現(xiàn)和優(yōu)化，具體參數(shù)設(shè)置有分類樹數(shù)目(ntree)、訓(xùn)練子集數(shù)目(mtry)。本文中ntree為500，mtry設(shè)置為1/3總變量數(shù)。

2 結(jié)果與分析

2.1 曲線特征分析

2.1.1土壤樣本高光譜曲線特征

圖5 不同土壤有機質(zhì)含量光譜反射率變化曲線Fig.5 Reflectance spectra curves of soils with different SOM

圖5為2種土壤不同SOM的光譜反射率變化曲線，可以看出，在400～1 800 nm內(nèi)，砂質(zhì)土反射率曲線斜率大，變化快，黏壤土反射率曲線斜率較小，變化慢；土樣雖已風(fēng)干，但殘留水分對光譜的作用依然顯著，在1 400、1 900、2 200 nm附近存在水分吸收谷[21]；在SOM基本相同時，黏壤土的反射率明顯小于砂質(zhì)土；在全波段范圍內(nèi)，就同一種土壤而言，隨著SOM的增加，光譜反射率逐漸降低。

2.1.2分數(shù)階微分光譜曲線特征

利用式(4)計算2種土壤0～2階分數(shù)階微分(間隔0.2階)，經(jīng)預(yù)處理后的光譜如圖6、7所示。圖6a～6f、7a～7f顯示，當(dāng)階數(shù)從0增加到1時，在580 nm處的負峰有所增加，此峰主要受SOM的影響，水分子振動作用逐漸凸顯，在1 400、1 900 nm處的吸收谷更加明顯[22]。由圖6d～6f、7d～7f可知，可見光區(qū)域的光譜吸收特征不斷增強，特別在430、550 nm處有2個正峰，而在480 nm處有1個負峰。由圖6e～6k、7e～7k可知，在0.8階以后，與水分有關(guān)的2 200 nm峰值較快增加，此處峰值也受SOM的影響，因為SOM越大，土壤吸附水分的能力就越強[23]。分數(shù)階微分光譜與原始光譜相比，可以改善光譜曲線分辨率，深度挖掘與SOM有關(guān)的潛在信息。

圖6 砂質(zhì)土光譜反射率分數(shù)階微分曲線Fig.6 Spectral reflectance fractional differential curves of sandy soil

圖7 黏壤土光譜反射率分數(shù)階微分曲線Fig.7 Spectral reflectance fractional differential curves of clay loam soil

2.2 建模與分析

2.2.1土壤質(zhì)地分類準(zhǔn)確率分析

SVMDA對土壤質(zhì)地的分類判別效果中，建模集和驗證集準(zhǔn)確率都達到100%。這也表示土壤質(zhì)地對土壤光譜反射率有顯著的影響。而平均反射率可以較好地表示砂質(zhì)土和黏壤土對光譜響應(yīng)的差異，用此模型可以精確地區(qū)分砂質(zhì)土和黏壤土，為后續(xù)針對不同土壤質(zhì)地建立SOM模型，并進行組合，提供了有效支撐。

2.2.2SOM與不同階數(shù)NDI的二維相關(guān)性分析

由圖8可知，砂質(zhì)土決定系數(shù)高于黏壤土，這可能與土壤質(zhì)地有較大關(guān)系，黏壤土的反射率較小，導(dǎo)致光譜中所含的SOM信息無法凸顯。

分數(shù)階微分對于反射率較小的黏壤土作用更加明顯，將決定系數(shù)從0.763提高到0.820。而對于反射率較大的砂質(zhì)土作用較小，只將決定系數(shù)從0.901提高到0.917。在NDI指數(shù)中相關(guān)性較好的波段主要集中在可見光和短波近紅外區(qū)域(400～1 000 nm)(圖8)，這與HONG等[23]的研究結(jié)果一致。而砂質(zhì)土、黏壤土的NDI指數(shù)與SOM的決定系數(shù)分別在0.8、0.6階時，達到最大值，但在1.4階以后，分數(shù)階微分對NDI的效果降低，這與WANG等[12]的研究結(jié)果基本一致。提取兩種土壤的每個分數(shù)階最佳組合波長，并計算NDI與SOM的決定系數(shù)，結(jié)果見表1。砂質(zhì)土與黏壤土NDI的最佳組合波長都不相同，但砂質(zhì)土的組合波長都稍大于黏壤土。在0.4～1.2階微分時，黏壤土最佳組合波長都集中在可見光區(qū)域。而砂質(zhì)土的所有最佳組合波長中，均含有至少1個紅外波段。這表明黏壤土SOM對可見光區(qū)域更敏感，而砂質(zhì)土SOM對紅外區(qū)域更敏感。

圖8 砂質(zhì)土和黏壤土光譜反射率各階微分的歸一化光譜指數(shù)與有機質(zhì)含量的決定系數(shù)Fig.8 Determination coefficients between SOM and normalized spectral index of sandy soil and clay loam soil reflectance treated by fractional order derivatives

2.2.3敏感光譜指數(shù)篩選

為獲得通過分數(shù)階微分所提升的敏感指數(shù)NDI，以0階最佳NDI所對應(yīng)的決定系數(shù)作為閾值，篩選富含SOM信息的敏感指數(shù)。由表1可知，砂質(zhì)土的篩選閾值為0.901，組合波長為R2210、R2170；黏壤土的篩選閾值為0.763，組合波長為R860、R850。

篩選結(jié)果如圖9所示，兩種土壤均在0.6階達到峰值，且黏壤土提升效果優(yōu)于砂質(zhì)土，差異的造成與土壤質(zhì)地有較大關(guān)系。這說明分數(shù)階微分耦合光譜指數(shù)均能夠有效放大高光譜與SOM有關(guān)的潛在信息，尤其當(dāng)階數(shù)為0.6時，可以獲得最多高相關(guān)性的自變量，以此建模可進一步提高模型性能，且此法對提取被其他土壤屬性遮蔽的SOM信息十分有效，且對遮蔽作用越大(決定系數(shù)小)的土壤，其提升效果越明顯。

2.2.4敏感光譜指數(shù)建模

基于不同階數(shù)的敏感NDI所建RF模型參數(shù)見表2，表中N為模型自變量數(shù)目。為與敏感指數(shù)RF模型對比，建立不同土質(zhì)的全波段RF模型(Full spectrum，F(xiàn)S)，其結(jié)果見表2。敏感NDI所建模型均具有較好的效果，均遠高于全波段模型?？傮w而言，利用敏感指數(shù)建模，可以一定程度上提高預(yù)測效果。RPD隨階數(shù)先增加后減小，但不同質(zhì)地的土壤達到峰值的階數(shù)不同，砂質(zhì)土1.2階模型(SS-1.2-NDI)的RPD最大，可達3.658；黏壤土0.6階模型(CLS-0.6-NDI)RPD最大，可達4.316。此差異可能與土壤質(zhì)地有關(guān)。而基于全波段的不同土質(zhì)FS模型中，砂質(zhì)土模型較優(yōu)，RPD為1.579，與敏感指數(shù)所建模型有較大差距。

將SS-1.2-NDI與CLS-0.6-NDI組合，建立SVMDA-RF模型，并計算其模型評價參數(shù)，結(jié)果見表3。為便于比較，建立將SS-FS、CLS-FS組合的SVMDA-RF模型，以及不區(qū)分土質(zhì)(Unclassified samples，US)的全波段RF模型。從表3可以看出，SVMDA-RF(SS-1.2-NDI、CLS-0.6-NDI)效果最好， SVMDA-RF(SS-FS、CLS-FS)次之，RF(US)效果最差。且SVMDA-RF(SS-1.2-NDI、CLS-0.6-NDI)其RPD可達7.004，能精確預(yù)測SOM。而RF(US)的RPD只有2.228，只具有一定的預(yù)測能力。這表明區(qū)分土質(zhì)分別建模并二次組合可以提高建模效果，結(jié)合敏感指數(shù)，能使模型具有較高精度，實現(xiàn)精確預(yù)測SOM。

SVMDA-RF(SS-1.2-NDI、CLS-0.6-NDI)的建立不僅可以快速區(qū)分土壤質(zhì)地類型，還能夠針對不同質(zhì)地的土壤精準(zhǔn)預(yù)測土壤SOM。但如果土壤種類過多時，SVMDA區(qū)分土壤質(zhì)地的正確率可能會下降，這將影響SVMDA-RF模型的穩(wěn)定及其精度，因此需要尋找不同土質(zhì)對光譜影響的特點，以此作為分類依據(jù)，為后續(xù)的RF模型精度提供保障。

高光譜數(shù)據(jù)具有高維度和數(shù)據(jù)冗余的特點，導(dǎo)致難以從中提取到與SOM相關(guān)性高的敏感數(shù)據(jù)。而且在SOM低于20 g/kg時，土壤中的其他組成物質(zhì)(水分、鹽分、礦物等)和土壤質(zhì)地的光譜反射將占主導(dǎo)，其中土壤含水率對光譜的作用較強。本文已將土樣經(jīng)過風(fēng)干處理、光譜重采樣和設(shè)置閾值剔除低相關(guān)性的指數(shù)，一定程度上消除了水分對光譜特征的影響。如果預(yù)測變量和響應(yīng)變量之間存在非線性關(guān)系，則RF這類非線性模型通常會有較好的擬合效果，產(chǎn)生優(yōu)異的估計精度。如WANG等[24]所建土壤鹽分的RF與偏最小二乘模型，RF優(yōu)于線性的偏最小二乘模型，最佳模型的驗證效果較好，其RPD可達2.78。

圖10中，RF(US)模型的預(yù)測值與實測值在1∶1線上偏差較大，點的離散程度高。但利用SVMDAD對土質(zhì)分類，再建模其精度得到明顯提升。由圖10c、10f可知，SVMDA-RF(SS-1.2-NDI、CLS-0.6-NDI) 的實測值與預(yù)測值的散點擬合線與1∶1直線基本重合，達到極高的精度，可以為高光譜遙感監(jiān)測土壤荒漠程度提供較為可靠的依據(jù)。由圖10a、10b、10d、10e可知，黏壤土比砂質(zhì)土的點更為分散，這與黏壤土的吸附特性優(yōu)于砂質(zhì)土有關(guān)。雖然經(jīng)長時間的風(fēng)干，但黏壤土可能還會吸附一些水分等物質(zhì)。這些物質(zhì)對于光譜的影響，更加掩蓋低含量SOM對于光譜的作用。故而有些研究者[1]會將1 400、1 900、2 200 nm附近存在的3個水分吸收谷作水汽吸收帶的剔除處理，以減少對有機質(zhì)反演的影響。但是其附近可能含有SOM信息的波段，利用這些波長可能會提升有機質(zhì)反演的精度。如本文砂質(zhì)土的1.2階最佳NDI含有1 420 nm波長，然而利用其建模效果較好，RPD可達3.65。

3 討論

高光譜數(shù)據(jù)具有高維度和數(shù)據(jù)冗余的特點，導(dǎo)致難以從中提取到與SOM相關(guān)性高的敏感數(shù)據(jù)。而且在SOM低于20 g/kg時，土壤中的其他組成物質(zhì)(水分、鹽分、礦物等)和土壤質(zhì)地的光譜反射將占主導(dǎo)，其中土壤質(zhì)地和黏粒含量是影響土壤光譜反射的重要因素之一[25]。故而為了減小土壤質(zhì)地對定量反演SOM的影響，利用平均反射率建立SVMDA模型，其對所研究區(qū)域的土壤質(zhì)地分類準(zhǔn)確率可達100%。雖然以往研究表明利用光譜技術(shù)可以較好分辨不同的土壤質(zhì)地，但是所建模型自變量數(shù)目多，較為復(fù)雜。如宋海燕等[26]通過正交信號校正(OSC)處理砂土、壤土、黏土3類土壤光譜，并結(jié)合偏最小二乘(PLS)對土壤質(zhì)地分類，其正確率最高達93.3%，但無法很好區(qū)分壤土與砂土；WANG等[25]利用土壤吸光度對基于垂直干旱指數(shù)(PDI)分組的樣本，建立PLS分類模型，可以較好區(qū)分砂土與黏土，并預(yù)測黏粒含量。而本文利用平均反射率建立相對簡單的分類模型，且分類效果更好。這表明平均反射率用于砂質(zhì)土和黏壤土分類是可行的。

表1 砂質(zhì)土與黏壤土在不同階數(shù)下的最佳歸一化指數(shù)及其決定系數(shù)Tab.1 Determination coefficients between SOM and optimal normalized spectral index for sandy soil and clay loam under different fractional order derivatives

注：R2210表示波長為2 210 nm，以此類推。

圖9 敏感指數(shù)數(shù)量隨階數(shù)的變化曲線Fig.9 Changing curves of number of sensitive indices under different fractional order derivatives

表2 基于RF的SOM建模與預(yù)測結(jié)果Tab.2 Calibration and validation results of SOM based on RF

表3 分類組合模型與不分類模型的SOM建模與預(yù)測結(jié)果Tab.3 Calibration and validation results of SOM based on classification combination models and non-classification model

圖10 基于RF的SOM預(yù)測值與實測值的比較Fig.10 Comparison of measured and predicted SOM values based on RF

洪永勝等[27]分析基于4種不同光譜變換的歸一化光譜指數(shù)與SOM的二維相關(guān)性，發(fā)現(xiàn)R2最高達0.55。郭燕等[28]分析NDI、DI、RI與SOM的二維相關(guān)性，得到最大相關(guān)系數(shù)均在0.5～0.7之間。HONG等[23]分析基于6種不同光譜變換的光譜指數(shù)與SOM的二維相關(guān)性，得到最大相關(guān)系數(shù)為0.81。雖然二維相關(guān)分析能從二維光譜空間中更精準(zhǔn)地捕捉到與SOM有關(guān)的光譜特征，有效減小土壤中其他組成物質(zhì)(包括水分)對預(yù)測SOM的影響，但上述研究均未結(jié)合分數(shù)階微分，相關(guān)系數(shù)有待提高。而本文分析基于分數(shù)階微分的光譜指數(shù)與SOM的相關(guān)性，得到?jīng)Q定系數(shù)最高可達0.917。因此光譜數(shù)據(jù)先經(jīng)過分數(shù)階微分處理，可以擴大二維光譜的空間，為獲取高相關(guān)性敏感指數(shù)提供了更大可能。且以0階決定系數(shù)篩選指數(shù)可以獲得更多特征信息，有利于提高建模的效果。

高光譜遙感反演的難點在于反演變量不完全是主導(dǎo)遙感光譜信息的因子，特別是在反演變量含量較低時，僅可以為遙感光譜提供微弱信號。而本文利用FOD聯(lián)合二維相關(guān)分析的方法可以得到高相關(guān)性的敏感指數(shù)。不過閾值的設(shè)立具有一定主觀性，需要更嚴(yán)謹客觀的方法進行篩選。今后的研究可以利用變量投影重要性分析法[30]、遺傳算法[31]等來篩選敏感指數(shù)。所建立的SVMDA-RF(SS-1.2-NDI、CLS-0.6-NDI)和SVMDA-RF(SS-FS、CLS-FS)都具有極好的預(yù)測性能，但是模型的普適性還需要大量其他地區(qū)荒漠土壤SOM數(shù)據(jù)來驗證。此外，本文只進行一種非線性模型(RF)的嘗試，以后的研究中可以建立不同非線性模型進行組合，比較獲得適應(yīng)性更佳的模型。

4 結(jié)論

(1)基于平均反射率的SVMDA可以對土壤質(zhì)地精確分類，將其與RF結(jié)合，可以提升荒漠土壤SOM的預(yù)測精度。

(2)0階NDI的最高決定系數(shù)作為閾值篩選敏感指數(shù)，可以獲得經(jīng)分數(shù)階微分提升的NDI，其數(shù)量達到峰值的階數(shù)均為0.6階，但峰值與土壤質(zhì)地有關(guān)。

(3)利用分數(shù)階微分結(jié)合NDI可獲得高相關(guān)性的敏感指數(shù)，以此建?？梢詷O大提升模型的整體效果。