摘要:為了提高野外高光譜反演土壤水溶性鹽基離子的精度,以河套灌區(qū)永濟灌域鹽漬化土壤為研究對象,,構(gòu)建了基于光譜變換,、特征波段、特征光譜指數(shù)篩選以及支持向量機(SVM)的機器學習相結(jié)合的高光譜綜合反演模型,。結(jié)果表明,,經(jīng)預(yù)處理的原始光譜反射率與土壤離子相關(guān)性總體較低,最大相關(guān)系數(shù)僅為0.18,,原始光譜反射率與土壤離子的相關(guān)系數(shù)由大到小依次為Ca2+,、 SO2-4、 Mg2+,、全鹽量,、Na++K+、Cl-,。全鹽量,、Na++K+、Cl-,、SO2-4,、Ca2+、Mg2+的光譜最優(yōu)變換形式分別為(1/R)″,、(1/R)″,、(lnR)′、(lnR)″,、R′,、(lnR)″,,敏感波段(P<001)數(shù)分別為41、7,、9,、65、76,、28個,,利用逐步回歸法在敏感波段中篩選出特征波段,基于特征波段建立的回歸模型中各離子的決定系數(shù)R2平均值為035,,均方根誤差RMSE平均值為087g/kg,,其中SO2-4擬合精度最高,R2為0.52,,Ca2+擬合精度最低,,R2僅為0.20,。將特征波段代入光譜指數(shù)中,,結(jié)合逐步回歸法確定了Mg2+特征光譜指數(shù)為3個,全鹽量特征光譜指數(shù)為2個,,Na++K+,、SO2-4、〖JP3〗Ca2+特征光譜指數(shù)分別為1個,,與僅考慮特征波段的回歸模型相比,,特征波段+〖JP〗特征光譜指數(shù)結(jié)合后各離子回歸模型的R2平均提高了58.67%,RMSE降低了24.60%,,其中SO2-4擬合精度最高,,R2為0.74,RMSE為0.47g/kg,??紤]了特征波段+特征光譜指數(shù)的SVM模型相比僅考慮特征波段的SVM模型,其預(yù)測能力有了明顯提高,,各離子相對分析誤差(RPD)平均提高了11027%,,訓練集R2平均提高了3754%,RMSE平均降低了4012%,,驗證集R2平均提高了56.04%,,RMSE平均降低了39.39%。SO2-4的RPD達到3000,,模擬效果最優(yōu),,具備很好的預(yù)測能力;全鹽量模型具有很好的定量預(yù)測能力,,Mg2+模型可用于評估或相關(guān)性方面的預(yù)測,,Na++K+,、Ca2+的模型具有區(qū)別高低值的能力。