用地物光譜ATP9110-25H看土壤：貴州山區土壤有機質的＂快速體檢＂新方法
土壤有機質（SOM）是維持土壤健康與肥力的核心指標，在山地環境中對農業生產尤為重要。貴州省地形以山地為主，耕地分布零散，土地利用率較低，因此亟需通過快速、準確的 SOM 監測提升土壤利用效率并促進可持續農業。然而，傳統的 SOM 測定方法如重鉻酸鉀氧化法、鉻合堿溶比色法等雖精度高，但存在成本高、操作復雜、效率低等限制，難以滿足大范圍監測需求。相比之下，高光譜遙感因其高時效性、無損性和豐富的信息量，在 SOM 快速反演中顯示出顯著優勢。
近年來，多種基于特征波段篩選和機器學習的反演方法被用于提升模型精度，但高光譜數據仍面臨環境變化、樣品差異及波段間強共線性等挑戰?，F有特征波段選擇算法主要包括無信息變量消除（UVE）、競爭性自適應重加權采樣（CARS）、連續投影算法（SPA）和迭代保留信息變量（IRIV）等。然而，單一算法容易陷入局部最優，選出的波段仍可能存在冗余與共線性。
為解決這一問題，本研究在貴州采集 189 份土壤樣本，結合上述四種算法及其多種聯合方式進行特征波段篩選，并篩選出優化聯合算法構建反演模型。通過對比模型精度，驗證聯合算法在降低數據維度、提升 SOM 反演準確性方面的優越性，可為山區耕地 SOM 的快速無損監測提供有效方法。
數據來自哪里？
團隊在貴州 13 個縣區采集 189 個土壤樣本，光譜范圍覆蓋 300–2500 nm，涵蓋黃壤、水稻土、紫泥土等多種類型，實現了對復雜地貌區土壤特征的有效表達。
研究有什么意義？
更精準的土壤健康評估
聯合算法能有效降低波段冗余，提高模型穩定性。
助力山地農業管理
山區耕地零散，監測成本高，高光譜能夠提供快速、可靠的數據支撐。
為未來大范圍遙感應用奠定基礎
研究驗證了聯合算法在高光譜反演中的可行性，為區域農業監測提供新方案。
研究有什么意義？
更精準的土壤健康評估
聯合算法能有效降低波段冗余，提高模型穩定性。
助力山地農業管理
山區耕地零散，監測成本高，高光譜能夠提供快速、可靠的數據支撐。
為未來大范圍遙感應用奠定基礎
研究驗證了聯合算法在高光譜反演中的可行性，為區域農業監測提供新方案。
光譜曲線
圖4展示了四種特征波段篩選算法的結果。對于 SPA（圖4a），隨著變量數量增加，模型 RMSE 整體下降，當 RMSE 最小為 0.60 時，對應的 186 個波長被確定為最優特征變量。UVE 的穩定性分析（圖4b）通過對比光譜矩陣與隨機噪聲矩陣，并設置 ±28 的閾值剔除無效變量，最終得到 622 個有效波長。CARS（圖4c）基于十折交叉驗證與回歸系數路徑變化判斷最優采樣點，第 24 次采樣的 RMSE 最低，篩選得到 71 個變量。IRIV（圖4d）在設定 5 次交叉驗證和最大 10 個主成分的條件下，經過 9 次迭代得到 66 個特征波段，其中包含 17 個強信息變量和 49 個弱信息變量。
圖5進一步展示了四種算法在 300~2500 nm 范圍內提取的敏感波長數量：UVE、SPA、CARS、IRIV 分別篩選出 622、186、71 和 66 個波段，分別占全波段的 28.92%、8.64%、3.30% 和 3.06%。結果顯示，這些特征波段主要集中在可見光（400~780 nm）與近紅外（780~1100 nm）區域。經過單一算法篩選后，光譜中的冗余信息被有效剔除，有助于提升模型構建效率。
結論
本研究以山區耕地土壤為對象，對土壤有機質含量開展高光譜反演。首先對原始光譜進行一階導數（1D）預處理，并分別采用 UVE、SPA、IRIV 和 CARS 四種單一算法篩選特征波長，構建 RF 與 SVM 模型；隨后對四種算法進行組合，進一步篩選變量并建立聯合預測模型。研究表明：（1）1D 預處理后光譜與土壤有機質的相關性顯著增強，能夠有效突出光譜細節并降低噪聲。（2）單一特征篩選算法雖具備降維能力，但仍存在變量冗余；聯合算法能進一步壓縮變量并提升模型精度。（3）其中 UVE-SPA-SVM 模型表現最佳，R²=0.87、RMSE=8.31、RPD=2.82，明顯優于單一算法。（4）聯合算法提升了模型的穩定性和反演能力，但貴州山區地形復雜，不同區域的適用性仍需進一步驗證。
