楊邵文

(安徽理工大學(xué) 空間信息與測(cè)繪工程學(xué)院，安徽 淮南 232001)

作為地理環(huán)境中的重要組成部分，土壤在人類生存和社會(huì)發(fā)展過(guò)程中具有十分重要的地位[1]。而有機(jī)質(zhì)作為土壤中的重要組成部分，是衡量土壤肥力的重要理化指標(biāo)，在土壤結(jié)構(gòu)和性狀的改善方面具有重要的作用[2]，因此，實(shí)現(xiàn)土壤有機(jī)質(zhì)含量的測(cè)定顯得尤為重要。傳統(tǒng)的做法是通過(guò)實(shí)驗(yàn)室化學(xué)分析測(cè)定土壤有機(jī)質(zhì)含量，該方法測(cè)定的結(jié)果較為準(zhǔn)確，但是卻存在費(fèi)時(shí)、費(fèi)力以及耗資較高的問(wèn)題[3]。由于土壤光譜曲線可以很好地反映出包括土壤有機(jī)質(zhì)含量在內(nèi)的多種土壤屬性[4]，且遙感影像具有獲取簡(jiǎn)單、便捷、覆蓋面積廣、時(shí)間分辨率較好等特點(diǎn)，為土壤有機(jī)質(zhì)含量的快速監(jiān)測(cè)提供了一個(gè)新的途徑[5]。該方法的基本原理是利用有機(jī)質(zhì)的顏色、吸濕作用以及相關(guān)化學(xué)鍵對(duì)土壤反射光譜特征的影響，尋找可見(jiàn)光與近紅外范圍內(nèi)光譜信息與土壤有機(jī)質(zhì)間的響應(yīng)關(guān)系，以實(shí)現(xiàn)基于遙感影像的土壤有機(jī)質(zhì)含量空間估測(cè)。

近年來(lái)，以統(tǒng)計(jì)學(xué)中的回歸方法為基礎(chǔ)，在探討涉及土壤有機(jī)質(zhì)的遙感影像反演的過(guò)程中，國(guó)內(nèi)外學(xué)者進(jìn)行了大量研究。Guo等人基于高光譜影像通過(guò)偏最小二乘回歸(Partial Least Squares Regression，PLSR)等方法實(shí)現(xiàn)了全區(qū)范圍內(nèi)的土壤有機(jī)碳含量估測(cè)[6]；Chen等人則是通過(guò)對(duì)有機(jī)碳含量進(jìn)行對(duì)數(shù)變換，并利用線性模型實(shí)現(xiàn)可見(jiàn)光波段范圍內(nèi)基于航空相片的研究區(qū)有機(jī)碳含量估測(cè)[7]；劉煥軍等人基于多光譜影像的可見(jiàn)光與近紅外波段建立了土壤有機(jī)質(zhì)含量估測(cè)模型[8]；欒福明等人探討了不同土壤深度范圍內(nèi)基于多光譜影像建立土壤有機(jī)質(zhì)含量估測(cè)模型的可行性[9]；喬娟峰等人則是對(duì)多光譜遙感影像的反射率進(jìn)行相應(yīng)預(yù)處理后，對(duì)比單波段和多波段模型的估測(cè)效果，并進(jìn)行有機(jī)質(zhì)含量估測(cè)模型的優(yōu)選[10]。上述研究表明，基于遙感影像的土壤有機(jī)質(zhì)快速估測(cè)技術(shù)具備較高的可行性，均取得了令人滿意的結(jié)果。但以上研究多是以單期影像為基礎(chǔ)構(gòu)建反演模型，忽略了多時(shí)相影像中所包含的變化信息，已有研究表明，利用這種多余觀測(cè)的方法來(lái)豐富光譜信息可有效增強(qiáng)影像中所隱藏的弱信號(hào)[11]，且在較大范圍的旱作區(qū)下，利用支持向量機(jī)這一機(jī)器學(xué)習(xí)方法來(lái)建立土壤有機(jī)質(zhì)多光譜估測(cè)模型的可行性問(wèn)題鮮有研究。同時(shí)，對(duì)于建模數(shù)據(jù)優(yōu)化、建模方法優(yōu)選等問(wèn)題還有待進(jìn)一步分析。

本文以兩期landsat8 OLI遙感影像為數(shù)據(jù)源，采用不同的波段變換方法構(gòu)建光譜參量，嘗試不同的建模數(shù)據(jù)選取方法，利用不同核函數(shù)構(gòu)建支持向量機(jī)(SVM)模型，遴選土壤有機(jī)質(zhì)含量?jī)?yōu)化估測(cè)模型，以期為皖北旱作區(qū)土壤有機(jī)質(zhì)含量快速監(jiān)測(cè)的實(shí)現(xiàn)提供技術(shù)參考。

1 材料與方法

1.1 研究區(qū)概況

以坡度小于5°且每平方公里內(nèi)旱地占耕地比例在40%以上作為界定的依據(jù)，確定安徽省旱作區(qū)范圍，即皖北旱作區(qū)。該區(qū)域以平原為主，范圍為東經(jīng)114°52′～118°11′，北緯32°24′～34°39′之間，涵蓋了宿州、淮北、蚌埠、阜陽(yáng)、淮南、亳州6個(gè)省轄市，四季變化較為明顯、氣候溫和、雨水適中且平均海拔在30 m左右，主要土壤為砂姜黑土，此外還包括褐土和潮土[12]。

1.2 數(shù)據(jù)采集

以研究區(qū)25個(gè)縣中的耕地土壤為研究對(duì)象，綜合考慮成土條件、土壤環(huán)境、土壤類型、耕作方式等自然和人為因素的影響，采用網(wǎng)格布點(diǎn)結(jié)合分層抽樣的方法均勻布設(shè)土壤采樣點(diǎn)，以確保樣點(diǎn)的代表性與合理性。采樣時(shí)間為2017年，采樣深度為0～10 cm，利用GPS對(duì)采樣點(diǎn)進(jìn)行精確定位，采用梅花法、“S”法或棋盤(pán)法在每個(gè)采樣點(diǎn)所處位置采取混合樣，共采集樣點(diǎn)34個(gè)，采樣點(diǎn)具體分布情況如圖1所示。

圖1 研究區(qū)位置及采樣點(diǎn)分布

采集到的土壤樣本經(jīng)自然風(fēng)干及過(guò)篩后采用重鉻酸鉀-外加熱法檢測(cè)土壤有機(jī)質(zhì)含量。為確保數(shù)據(jù)劃分的合理性，采用 Kennard-Stone(K-S)方法[13]基于兩期遙感影像中各樣點(diǎn)對(duì)應(yīng)的光譜反射率劃分建模集與驗(yàn)證集，比例設(shè)為2∶1，其中，建模集樣點(diǎn)23個(gè)，驗(yàn)證集樣點(diǎn)11個(gè)。表1為樣點(diǎn)有機(jī)質(zhì)含量統(tǒng)計(jì)特征，可以發(fā)現(xiàn)建模集樣本整體分布與總體樣本較為相似，具備較高的代表性，而驗(yàn)證集雖然與建模集相比數(shù)值分布較為集中，但均值與總體樣本接近且分布趨勢(shì)也較為相似，因此，也可以認(rèn)為具備較好的代表性。

表1 土壤有機(jī)質(zhì)含量統(tǒng)計(jì)特征

1.3 影像預(yù)處理

Landsat8 OLI影像共有9個(gè)波段，包括分辨率為30 m的海岸波段、藍(lán)光波段、綠光波段、紅光波段、近紅外波段和2個(gè)短波紅外波段以及1個(gè)紅外卷云識(shí)別波段，此外,還包括1個(gè)分辨率為15 m的全色波段[14]，本次主要選用前7個(gè)波段作為建模依據(jù)。數(shù)據(jù)級(jí)別為L(zhǎng)1T級(jí)，數(shù)據(jù)來(lái)源為地理空間數(shù)據(jù)云(http://www.gscloud.cn/)。

由于土壤有機(jī)質(zhì)含量短期內(nèi)變化幅度較低，為了進(jìn)一步豐富影像的光譜信息，且考慮到云層和植被對(duì)影像反射率的影響，分別選取2017年11月和12月兩期云量低于5%的四景Landsat8 OLI影像作為研究數(shù)據(jù)，該時(shí)期研究區(qū)的植被覆蓋度整體相對(duì)較低，更易反映出土壤的光譜信息。影像軌道號(hào)分別為P122R36、P123R37、P122R37、P121R37，由于受云量影響,11月軌道號(hào)為P123R37的影像使用10月30日獲取的影像來(lái)代替。對(duì)前7個(gè)波段進(jìn)行輻射定標(biāo)、FLAASH大氣校正、鑲嵌、裁剪等預(yù)處理，最終得到研究區(qū)的兩期遙感影像，并提取樣點(diǎn)對(duì)應(yīng)的光譜反射率。

1.4 光譜預(yù)處理

本文結(jié)合已有研究[15]，對(duì)兩期影像中獲取的7個(gè)波段反射率，分別嘗試進(jìn)行對(duì)數(shù)、倒數(shù)、倒數(shù)之對(duì)數(shù)3種數(shù)學(xué)變換以及波段組合等預(yù)處理以進(jìn)一步增加光譜參量。其中，波段組合包括比值形式、差值形式、差值倒數(shù)形式以及差和與和差比值形式，具體如表2所示，其中，Bi和Bj表示第i和第j波段的反射率，i,j取1到7且i不等于j，每期影像可得到7個(gè)原始光譜參量和147個(gè)波段變換參量(不考慮正負(fù)號(hào))，兩期數(shù)據(jù)共獲得308個(gè)光譜參量。

表2 波段變換形式

1.5 建模數(shù)據(jù)的選取

為探討合理的建模數(shù)據(jù)選取方法，本次分別將全參量、顯著性參量、極顯著性參量以及基于最優(yōu)多元逐步回歸模型選取的優(yōu)化參量作為建模數(shù)據(jù)，建立研究區(qū)土壤有機(jī)質(zhì)含量的估測(cè)模型，即基于皮爾森相關(guān)系數(shù)對(duì)采樣點(diǎn)有機(jī)質(zhì)含量實(shí)測(cè)值與相應(yīng)光譜參量進(jìn)行相關(guān)性分析，其中,全參量是以所有的光譜參量作為建模依據(jù)，顯著性參量是選擇通過(guò)P=0.05水平上的顯著性檢驗(yàn)的光譜參量，極顯著性參量則是僅選取通過(guò)P=0.01水平上的顯著性檢驗(yàn)的光譜參量；而基于多元逐步回歸模型的建模數(shù)據(jù)選取方法則是基于樣點(diǎn)的實(shí)測(cè)值與對(duì)應(yīng)光譜參量建立多元逐步回歸模型，選取最優(yōu)模型對(duì)應(yīng)的光譜參量作為后期的建模依據(jù)。

1.6 建模方法與精度評(píng)價(jià)

由于支持向量機(jī)(SVM)具備較好的小樣本學(xué)習(xí)能力，且能夠很好地處理非線性問(wèn)題[16]，因此，嘗試使用該方法建立土壤有機(jī)質(zhì)含量估測(cè)模型，并探討不同核函數(shù)下模型的精度變化。支持向量機(jī)作為1種內(nèi)核統(tǒng)計(jì)模型，是1種監(jiān)督類學(xué)習(xí)方法，它可以依據(jù)定義的核函數(shù)將輸入數(shù)據(jù)映射到高維特征空間，以尋找1個(gè)滿足分類或回歸的超平面來(lái)實(shí)現(xiàn)分類與回歸決策[17]。本次分別采用線性函數(shù)、多項(xiàng)式函數(shù)、高斯徑向基函數(shù)作為核函數(shù)進(jìn)行對(duì)比分析，其中，多項(xiàng)式函數(shù)選擇較為常用的二次和三次多項(xiàng)式，模型的其余相關(guān)參數(shù)通過(guò)網(wǎng)格搜索法結(jié)合十折交叉驗(yàn)證的方式來(lái)確定[18]。

選用均方根誤差(Root Mean Square Error，RMSE)和平均相對(duì)誤差作為模型精度評(píng)價(jià)指標(biāo)，兩者值越小說(shuō)明誤差越小，估測(cè)精度越高。

(1)

(2)

式中:SOMob為樣本有機(jī)質(zhì)含量實(shí)測(cè)值；SOMpre為預(yù)測(cè)值；n為樣本數(shù)量。

本文所涉及的數(shù)據(jù)處理與分析均是基于ENVI5.3、Matlab2018以及SPSS20來(lái)實(shí)現(xiàn)，圖片制作與優(yōu)化則是利用ArcGIS10.1軟件來(lái)完成。

2 結(jié)果與分析2.1 土壤光譜與有機(jī)質(zhì)含量相關(guān)分析

將有機(jī)質(zhì)含量實(shí)測(cè)值與對(duì)應(yīng)的308個(gè)光譜參量進(jìn)行基于皮爾森系數(shù)的相關(guān)性分析，結(jié)果顯示在11月的影像中不存在極顯著性相關(guān)的光譜參量，顯著性相關(guān)的參量共18個(gè)，以差值組合及其倒數(shù)形式為主，倒數(shù)形式居多，此外，還包括紅光波段、短波紅外波段(SWIR 2)以及2個(gè)短波紅外波段的3種數(shù)學(xué)變換形式；在12月的影像中顯著性參量較多，達(dá)到42個(gè)，其中，極顯著性參量數(shù)量達(dá)到29個(gè)。42個(gè)顯著性參量中有25個(gè)是差值組合及其倒數(shù)形式，分別為12個(gè)和13個(gè)，還包括1個(gè)和差比值形式以及紅、綠波段和2個(gè)短波紅外波段及其3種數(shù)學(xué)變換形式，而極顯著性參量與顯著性參量相比，剔除了紅、綠波段、和差比值形式以及其余形式中的部分光譜參量。最終，基于兩期的Landsat8 OLI影像共獲取60個(gè)顯著性參量以及29個(gè)極顯著性參量，其中，12月的海岸波段與短波紅外波段差值的倒數(shù)形式與有機(jī)質(zhì)含量實(shí)測(cè)值相關(guān)性最高，相關(guān)系數(shù)絕對(duì)值達(dá)到0.56。所有顯著性參量的具體信息如表3所示。

表3 土壤有機(jī)質(zhì)含量與光譜參量的相關(guān)分析

2.2 基于多元逐步回歸模型的光譜參量?jī)?yōu)選

根據(jù)樣點(diǎn)有機(jī)質(zhì)含量實(shí)測(cè)值與相應(yīng)光譜參量，構(gòu)建多元逐步回歸方程，選取擬合效果最優(yōu)，即解釋能力最強(qiáng)的模型。該模型下篩選的光譜參量即為多元逐步回歸模型確定的重要參量，將其作為下一步建模過(guò)程中的光譜參量，實(shí)現(xiàn)優(yōu)選。此方法共篩選出6個(gè)參量，分別是11月影像中海岸波段與藍(lán)光波段的和差比值形式((B1+B2)/(B1-B2))、紅光波段與短波紅外波段的比值形式(B4/B6)、紅光波段與藍(lán)光波段的比值形式(B4/B2)、綠光波段與紅光波段差值的倒數(shù)形式(1/(B3-B4))、近紅外波段與短波紅外波段差值的倒數(shù)形式(1/(B5-B6))以及12月影像中海岸波段與短波紅外波段差值的倒數(shù)形式(1/(B1-B6))?？梢园l(fā)現(xiàn)入選參量均是經(jīng)預(yù)處理后得到的變換參量，且兩期影像中的光譜參量均有包含。

2.3 土壤有機(jī)質(zhì)含量估測(cè)模型及驗(yàn)證

基于3種核函數(shù)與4種建模數(shù)據(jù)選取方式建立土壤有機(jī)質(zhì)含量估測(cè)模型并對(duì)驗(yàn)證集進(jìn)行精度評(píng)定，結(jié)果如表4所示。

表4 土壤有機(jī)質(zhì)含量估測(cè)模型驗(yàn)證

由表4可知，各建模方式下估測(cè)精度存在一定程度的差異，基于優(yōu)化參量建立的估測(cè)模型取得了最好的估測(cè)效果，RMSE普遍在5以下，表明模型具有較好的估測(cè)能力，且在多項(xiàng)式函數(shù)下的模型取得了最好的估測(cè)效果；其次是全參量下的估測(cè)模型，該建模方式在多項(xiàng)式函數(shù)下也取得了相對(duì)較好的估測(cè)效果，RMSE位于5以下，MRE最低達(dá)到21.55；而基于顯著性參量與極顯著性參量建立的估測(cè)模型整體上效果要弱于優(yōu)化參量與全參量，MRE整體位于25左右，且RMSE均出現(xiàn)大于5的情況。

從建模方法上來(lái)看，基于線性函數(shù)的估測(cè)模型在4種建模方式下均未體現(xiàn)出較為優(yōu)越的估測(cè)效果；基于多項(xiàng)式函數(shù)的模型在全參量和優(yōu)化參量建模形式下?lián)碛凶詈玫墓罍y(cè)能力，但在顯著性參量和極顯著性參量建模方式下效果較差，尤其是以極顯著性參量作為建模數(shù)據(jù)時(shí)，二次多項(xiàng)式下驗(yàn)證集的MRE已經(jīng)達(dá)到30以上，從整體估測(cè)效果來(lái)看三次多項(xiàng)式下模型估測(cè)性能更為穩(wěn)定；而RBF函數(shù)下的估測(cè)模型則在顯著性參量和極顯著性參量建模方式下體現(xiàn)出較好的估測(cè)效果。

為了進(jìn)一步探究模型在研究區(qū)不同土壤類型下的估測(cè)精度，以整體估測(cè)效果最優(yōu)的優(yōu)化參量建模方式為例，按土類對(duì)驗(yàn)證集樣點(diǎn)進(jìn)行劃分，分析各模型在3種主要土壤類型下的估測(cè)效果，結(jié)果如表5所示。從土類來(lái)看，估測(cè)模型在砂姜黑土和褐土中的估測(cè)效果較好，MRE與RMSE均處于20和4以下，而潮土的效果整體較差，其MRE與RMSE均分別處于30和7以上。從建模方法上來(lái)看，在砂姜黑土和褐土中，三次多項(xiàng)式下的SVM模型依然取得了很好的估測(cè)能力。而在潮土中，RBF函數(shù)下的SVM模型則取得了相對(duì)最好的估測(cè)結(jié)果，但考慮到潮土下各模型的MRE均位于35附近，因此，4種建模方法并無(wú)較大差異。綜合來(lái)看，三次多項(xiàng)式下的估測(cè)模型在3種土類中的整體估測(cè)效果較好。

表5 優(yōu)化參量下不同土類的有機(jī)質(zhì)含量估測(cè)模型驗(yàn)證

2.4 研究區(qū)土壤有機(jī)質(zhì)空間格局分析

基于上述各建模方式和建模方法以及不同土類下驗(yàn)證集的估測(cè)效果，遴選優(yōu)化估測(cè)模型，最終決定以優(yōu)化參量建模方式下的三次多項(xiàng)式SVM模型對(duì)研究區(qū)進(jìn)行全區(qū)范圍內(nèi)的表層土壤有機(jī)質(zhì)含量估測(cè)。為防止異常值和水體的干擾，利用ENVI中的band math功能實(shí)現(xiàn)土壤相關(guān)區(qū)域的掩模，其中，考慮到研究區(qū)土壤養(yǎng)分的實(shí)際情況以及未經(jīng)處理前有機(jī)質(zhì)含量反演圖中像元值的分布情況，將非異常值范圍設(shè)為0～50 g·kg-1以去除少數(shù)異常值，而水體的掩模圖像則是基于歸一化水體指數(shù)(Normalized Difference Water Index，NDWI)來(lái)制作，最終得到皖北旱作區(qū)的土壤有機(jī)質(zhì)含量空間格局特征，并以全國(guó)第二次土壤普查養(yǎng)分分級(jí)標(biāo)準(zhǔn)為依據(jù)對(duì)皖北旱作區(qū)的土壤有機(jī)質(zhì)含量進(jìn)行分級(jí)。其中，小于6 g·kg-1為六級(jí)，6～10 g·kg-1為五級(jí)，10～20 g·kg-1為四級(jí)，20～30 g·kg-1為三級(jí)，30～40 g·kg-1為二級(jí)，大于40 g·kg-1為一級(jí)(見(jiàn)圖2)。

圖2 研究區(qū)土壤有機(jī)質(zhì)含量反演

由反演結(jié)果可得，全區(qū)土壤有機(jī)質(zhì)含量以三級(jí)和四級(jí)為主，分布較為廣泛，其中，三級(jí)面積占比最高，在6個(gè)等級(jí)土壤的總面積中占比為62%左右，四級(jí)則為26%。而一級(jí)、五級(jí)和六級(jí)占比較低，三者在總面積中的占比大約為4%。二級(jí)分布則較為分散，其在研究區(qū)的東北部相對(duì)較為明顯。綜合分析可得，皖北旱作區(qū)土壤有機(jī)質(zhì)等級(jí)基本位于四級(jí)及以上，各級(jí)土壤在全區(qū)均有分布，且東北方向有機(jī)質(zhì)含量整體較高，而南部地區(qū)整體較低。

3 討論與結(jié)論

3.1 討論

研究結(jié)果表明，紅、綠及兩個(gè)短波紅外波段與土壤有機(jī)質(zhì)含量存在顯著的負(fù)相關(guān)關(guān)系，且7個(gè)原始波段經(jīng)進(jìn)一步預(yù)處理后相關(guān)性可以得到進(jìn)一步提升，尤其是在波段組合形式下存在較為顯著的相關(guān)性，相關(guān)系數(shù)絕對(duì)值最高達(dá)0.55以上，而從篩選的優(yōu)化參量也可以發(fā)現(xiàn)，基于波段組合的光譜參量對(duì)土壤具備更好的解釋能力，這表明對(duì)原始波段進(jìn)行這種波段組合的變換后可以有效減小地形、大氣對(duì)光譜數(shù)據(jù)的影響[19]，更好地凸顯出光譜與土壤有機(jī)質(zhì)含量間的關(guān)系。值得指出的是，篩選的優(yōu)化參量與顯著性參量存在差異，在確定的6個(gè)優(yōu)化參量中，僅2個(gè)存在顯著性相關(guān)，這可能是因?yàn)轱@著性參量是利用基于雙變量的相關(guān)性分析選取的，而多元逐步回歸模型綜合考慮到每個(gè)入選變量的重要性[20]，篩選出的是解釋程度較高且相互之間相關(guān)性較低的參量組合。此外，篩選的優(yōu)化參量包含兩期影像的光譜參量，則表明利用多期影像可有效解決多光譜數(shù)據(jù)信息量較少的問(wèn)題，提升光譜數(shù)據(jù)對(duì)土壤屬性的解釋能力[21]。

不同核函數(shù)的SVM模型在各建模方式下的估測(cè)效果也存在差異，可以發(fā)現(xiàn)線性函數(shù)下估測(cè)模型由于核函數(shù)較為簡(jiǎn)單，對(duì)數(shù)據(jù)的敏感性較差，整體估測(cè)效果并不突出。而多項(xiàng)式函數(shù)和RBF函數(shù)下的部分模型則體現(xiàn)出更好的估測(cè)效果，這表明相較于線性函數(shù)，多項(xiàng)式函數(shù)和RBF函數(shù)在小樣本學(xué)習(xí)下具備一定的優(yōu)勢(shì)；而從建模方式上可以看出，相較于選取顯著性參量建立估測(cè)模型，將整體解釋度較高的全參量和優(yōu)化參量組合作為建模數(shù)據(jù)應(yīng)是更理想的選擇，其中，在優(yōu)化參量建模方式下取得了最好的估測(cè)結(jié)果則表明在保留較強(qiáng)解釋度的前提下，考慮光譜參量之間的多重相關(guān)性，實(shí)現(xiàn)建模數(shù)據(jù)的降維可進(jìn)一步提升估測(cè)精度；在不同土類下，估測(cè)模型也體現(xiàn)出不同的估測(cè)效果，結(jié)果表明模型對(duì)砂姜黑土和褐土的估測(cè)精度整體較高，對(duì)潮土的估測(cè)能力卻較差，這可能是受影像的光譜分辨率以及采樣點(diǎn)數(shù)量的影響，更多的光譜信息與樣本數(shù)據(jù)理論上可以增強(qiáng)潮土下模型的學(xué)習(xí)效果，因此，在建立有機(jī)質(zhì)含量的估測(cè)模型時(shí)可考慮增加潮土采樣比例或選用波段數(shù)量更多的遙感影像以提升潮土的估測(cè)精度。同時(shí)值得注意的是由于皖北旱作區(qū)面積較大且基于遙感影像獲取的光譜數(shù)據(jù)受大氣條件、影像分幅等多種因素的影響，如何進(jìn)一步提升模型的估測(cè)精度還有待于進(jìn)一步分析[22]。

3.2 結(jié) 論

本文以兩期Landsat8 OLI遙感影像為數(shù)據(jù)源，結(jié)合有機(jī)質(zhì)含量實(shí)測(cè)值探討在不同的建模方式和建模方法下建立皖北旱作區(qū)有機(jī)質(zhì)含量估測(cè)模型的可行性，得到以下結(jié)論：

1)紅、綠、短波紅外波段與表層土壤有機(jī)質(zhì)含量存在較高的相關(guān)性，且對(duì)兩期影像的7個(gè)原始光譜反射率進(jìn)行基于波段組合的變換后可以更好地實(shí)現(xiàn)研究區(qū)土壤有機(jī)質(zhì)含量的估測(cè)。

2)相較于選擇顯著性參量，利用全參量以及優(yōu)化參量可以更好地反應(yīng)出光譜參量與土壤有機(jī)質(zhì)含量間的關(guān)系，實(shí)現(xiàn)更高精度的估測(cè)，且在優(yōu)化參量建模方式下模型的估測(cè)效果更好。

3)在不同的建模方式下可結(jié)合不同種類的核函數(shù)以提升SVM模型的估測(cè)精度，其中，基于優(yōu)化參量建立的三次多項(xiàng)式核函數(shù)下的估測(cè)模型可以更好地實(shí)現(xiàn)研究區(qū)內(nèi)土壤有機(jī)質(zhì)含量的快速估測(cè)，整體上具有較好的估測(cè)效果，其反演結(jié)果可以為耕地質(zhì)量評(píng)價(jià)、土壤肥力估算提供一定的參考。