非均匀采样干涉数据光谱反演技术研究
基于不同模型的土壤有机质含量高光谱反演比较分析
２ ０ １ ３ 年 １月
光
谱
学
与
光
谱
分
析
Ｖｏ １ ． ３ ３ ， Ｎｏ ． １ ， ｐ ｐ １ ９ ６ — ２ ０ ０
Ｓ ｐ ｅ ｃ ｔ ｒ ｏ ｓ ｃ ｏ ｐ ｙ ａ ｎ ｄ Ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ Ａｎ ａ ｌ ｙ ｓ ｉ ｓ
４ ．新疆大学资源与环境科学学院 ， 新疆 乌鲁木齐
８ ３ ０ ０ ４ ６
摘
要
以新疆奇 台县 为研究 区域 ，选取 该县 ４ Ｏ个土壤样本 ， 采用多元线性 逐步 回归 法和人工神经 网络法
两种方法分别建立了土壤 有机质含 量的反演 模型 ， 并 对模 型进行 了检验 。 结 果发 现 ： 不 同模型 的精度值 各 异， 其拟合效果从高到低依次为人工神经网络（ ＡＮＮｓ ） 集 成模 型＞单个人 工神经 网络 （ ＡＮＮｓ ） 模型 ＞多元逐 步 回归 （ ＭＬ Ｓ Ｒ） 模 型。人工神经网络的线性和非线性 逼近能力 较强 ，而其集成模型作为提高反演模 型精度 的 重要手段 ， 相关 系数高达 ０ ． ９ ３ ８ ， 均方根误差和总均方根 误差 最小 ， 分别仅 为 ２ ． １ ３和 １ ． ４ ０ ４ ， 对土 壤有机质 含量 的预测能力与实测光谱非常接近 ， 分析结果达到 了较实用的预测精度 ， 为最优拟合模型 。 关键词 奇 台；土壤有机质 ；高光谱 反演 分析 ； 多元逐步 回归 ； 人工
基 于不 同模 型 的 土壤 有机 质含 量 高 光谱 反演 比较分 析
栾福 明 ， 张小雷 ， 熊黑钢。 一， 张 芳 ， 王 芳
８ ３ ０ ０ １ １
１ ．中国科学院新疆生态与地理研究所 ， 新疆 乌鲁木齐 ２ ．中国科学 院大学 ， 北京 １ ０ ０ ０ ４ ９ １ ０ ０ ０ ８ ３ ３ ．北 京联合大学应用文理学院 ， 北京
有色反演技术在海外A油田评价中的应用
有色反演技术在海外A油田评价中的应用胡滨【摘要】近年来出现的有色反演技术是一种频率域测井约束下的地震反演新技术,其核心是设计匹配算子使地震频谱和井的波阻抗频谱相匹配,该技术具有无需初始模型、受人为干扰小和计算速度快等方面的优势,特别适用于海外勘探项目评价中常遇到钻井少、研究时间短的问题.海外A油田的实际应用表明,低通频率是影响匹配算子的关键参数,反演结果在保留地震数据原有地质特征基础上,增加了测井数据的高频信息,改善了反演结果的分辨率.针对研究区油层具有明显相对低纵波阻抗的特征,通过定量标定,可快速清晰地刻画和识别油层.经2017年新钻井证实,油层解释结果可靠.【期刊名称】《石油地质与工程》【年(卷),期】2019(033)001【总页数】6页(P25-29,33)【关键词】海外A油田;有色反演;稀疏脉冲反演;油气评价【作者】胡滨【作者单位】中海油研究总院有限责任公司,北京100028【正文语种】中文【中图分类】P631.4常规地震资料主要反映地层界面的起伏变化，经过反演可以把界面型的地震资料转换成岩层型的波阻抗资料。
最早出现的道积分和递归反演等方法分辨率低，满足不了精细勘探的需求。
随后发展出了稀疏脉冲反演[1-2]、分频波阻抗反演[3]、地震特征反演[4]、地质统计反演[5-7]、谱反演[8]与随机模拟反演[9]等技术，这些反演技术针对特定的基础资料条件和地质问题，均具有一定技术优势，但也均存在一定的缺陷[10]。
近年来，在有色滤波技术的基础上发展起来一种新的反演技术——有色反演，该方法克服了上述技术的缺陷，取得了较好的应用效果[11]。
1 有色反演技术1.1 基本原理与技术流程有色反演是一种频率域测井约束波阻抗反演技术，其核心是设置一个合适的算子，使地震频谱和井的波阻抗频谱相匹配，然后通过褶积完成反演，其过程无需子波提取，从井震标定到反演均快捷方便，但也存在相应的问题[12]：①地震记录有限的频带宽度和高频噪音会对反演精度产生一定影响；②实际地震子波是形状复杂、具有时空变化性质的动态子波，对子波的相位特性及时空变化情况所作的假设，必然导致反演结果具有一定误差。
气溶胶光学厚度遥感反演方法研究
气溶胶光学厚度遥感反演方法研究气溶胶光学厚度是指大气中可见光波段的气溶胶对光的吸收和散射能力，是研究大气污染和气候变化的重要参数之一。
随着遥感技术的发展，气溶胶光学厚度的遥感反演方法也越来越多样化。
本文将围绕气溶胶光学厚度的遥感反演方法展开探讨，并介绍其中几种常用的方法。
首先，我们来介绍一种基于太阳辐射的反演方法，即通过观测太阳辐射在大气中的衰减程度来推导气溶胶光学厚度。
该方法的基本原理是：利用太阳辐射的特定波段观测数据，与大气传输模型进行比对，通过比较模型计算的大气透过率和实际观测得到的透过率之间的差异，推导出气溶胶光学厚度。
这种方法的优点是简单且操作直观，但是需要准确的大气传输模型和太阳辐射观测数据。
另一种常用的反演方法是利用遥感数据中的多光谱信息进行反演。
这种方法利用多光谱数据中不同波长的光谱信息和气溶胶光学特性之间的关系，从而反演出气溶胶光学厚度。
常用的多光谱遥感数据包括MODIS卫星的数据和Landsat卫星的数据。
这种方法的优点是获取的数据较全面和准确，但是对大气参数和气溶胶光学特性的准确性要求较高。
此外，还有一些基于亮温数据的反演方法。
亮温是指地物在遥感图像中反射和辐射出的热能，不同的地物有不同的亮温值。
利用亮温数据可以推导出地表和大气的温度分布，从而推导出气溶胶光学厚度。
这种方法适用于全球遥感数据，但是对地表和大气温度的准确性有一定要求。
在不断深入研究中，一些新的反演方法也得到了发展。
例如，基于人工神经网络的反演方法。
通过训练神经网络，能够从遥感数据中学习到气溶胶光学厚度和其他大气参数之间的复杂非线性关系，从而实现准确的反演。
这种方法的优点是能够适应复杂的遥感数据，减少传统方法中的模型假设和参数要求，提高了反演的准确性。
综上所述，气溶胶光学厚度的遥感反演方法多样化且不断发展。
通过太阳辐射观测、多光谱数据分析、亮温数据推算和人工神经网络等方法，可以准确地反演出气溶胶光学厚度。
未来随着遥感技术的不断进步，反演方法将更加精细化和高效化，为大气污染和气候变化研究提供更加可靠的数据支持。
2019年巴基斯坦新米尔普尔M_(W)6.0地震的同震形变场与断层滑动分布反演
关键词 巴基斯坦地 震 同 震 形 变 场 断 层 滑 动 分 布 发 震 构 造 喜 马 拉 雅 主 前 缘 逆 冲 断 裂
次级断裂
中 图 分 类 号 ：Ｐ３１５２
文 献 标 识 码 ：Ａ
文 章 编 号 ：０２５３－４９６７（２０２１）０３－０６００－１４
０ 引言
２０１９年 ９月 ２４日 １１时 ０１分（ＵｎｉｖｅｒｓａｌＴｉｍｅＣｏｏｒｄｉｎａｔｅｄ，ＵＴＣ），巴基 斯坦北 部距 新米尔 普尔（ＮｅｗＭｉｒｐｕｒ）７ｋｍ 处 发 生 ＭＷ６０地 震。美 国 地 质 调 查 局 （ＵｎｉｔｅｄＳｔａｔｅｓＧｅｏｌｏｇｉｃａｌＳｕｒｖｅｙ， ＵＳＧＳ）利用远场地震波数据进 行 测 定，给 出 的 地 震 震 中 位 于 （３３０７８°Ｎ，７３７９４°Ｅ），震 源 深 度为 １１５ｋｍ（表 １）。
利用区域或远场地震数据可以 反 演 出 中 强 地 震 的 震 源 机 制，用 于 分 析 目 标 地 震 的 断 层 特
６０２
地 震 地 质
４３卷
图 １ ２０１９年 １２月 ２４日巴基斯坦新米尔普尔 ＭＷ６０地震周边构造背景图
Ｆｉｇ．１ ＴｅｃｔｏｎｉｃｂａｃｋｇｒｏｕｎｄｏｆｔｈｅＭＷ ６０ｅａｒｔｈｑｕａｋｅｉｎＮｅｗＭｉｒｐｕｒ，Ｐａｋｉｓｔａｎ，２４Ｄｅｃｅｍｂｅｒ，２０１９．
质 ，４３（３）：６００— ６１３． ＪＩＡ Ｒｕｉ，ＺＨＡＮＧＧｕｏｈｏｎｇ，ＸＩＥＣｈａｏｄｉ，ｅｔａｌ．２０２１．ＣｏｓｅｉｓｍｉｃｄｅｆｏｒｍａｔｉｏｎｆｉｅｌｄａｎｄｆａｕｌｔｓｌｉｐｍｏｄｅｌｏｆｔｈｅＭＷ６．０Ｐａｋｉｓｔａｎｅａｒｔｈ
ｑｕａｋｅｃｏｎｓｔｒａｉｎｅｄｂｙＳｅｎｔｉｎｅｌ－１Ａ ＳＡＲ ｄａｔａ［Ｊ］．ＳｅｉｓｍｏｌｏｇｙａｎｄＧｅｏｌｏｇｙ，４３（３）：６００— ６１３．
基于连续小波变换的土壤有机质含量高光谱反演
中国农业科技导报ꎬ２０２１ꎬ２３(５):１３２－１４２ＪｏｕｒｎａｌｏｆＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ㊀收稿日期:２０２０￣０８￣２４ꎻ接受日期:２０２０￣１０￣２４㊀基金项目:内蒙古自治区科技重大专项(２０１９ＺＤ００３)ꎮ㊀联系方式:陈昊宇Ｅ￣ｍａｉｌ:ｃｈｅｎｈａｏｙｕ０８０７＠１６３.ｃｏｍꎻ∗通信作者杨光Ｅ￣ｍａｉｌ:ｙｇ３３１＠１２６.ｃｏｍ基于连续小波变换的土壤有机质含量高光谱反演陈昊宇ꎬ㊀杨光∗ꎬ㊀韩雪莹ꎬ㊀刘昕ꎬ㊀刘峰ꎬ㊀王宁(内蒙古农业大学沙漠治理学院ꎬ内蒙古自治区风沙物理与防沙治沙工程重点实验室ꎬ呼和浩特０１００１０)摘㊀要:以托克托县境内１２０个土壤有机质含量以及对应光谱数据为数据源ꎬ探究了不同土壤类型与土地利用类型下土壤有机质高光谱反演研究的可行性ꎬ采用连续小波变换对原始光谱(Ｒ)㊁光谱倒数(１/Ｒ)㊁光谱对数(ＬｎＲ)㊁光谱一阶微分(Ｒᶄ)进行分解生成小波系数并与土壤有机质进行相关系分析ꎬ提取特征波段建立ＢＰ神经网络与支持向量机模型(ＳＶＭ)ꎮ结果表明:①Ｒ㊁１/Ｒ㊁ＬｎＲ㊁Ｒᶄ与土壤有机质相关系数经过连续小波变换后ꎬ较之前增加了０.２０４㊁０.０９０㊁０.１９９㊁０.２５２ꎬ表明连续小波变换可深度挖掘光谱潜在信息ꎬ提升与有机质含量之间的相关系数ꎮ②未经过连续小波处理前ꎬＳＶＭ无法实现对当地土壤有机质含量的预测ꎬ经过处理后ꎬ模型ＳＶＭ￣ＣＷＴ￣Ｒ与ＳＶＭ￣ＣＷＴ￣Ｒᶄ的精度决定系数分别达到了０５０㊁０.５６ꎬ均方根误差为０.１７㊁０.１５ꎬ相对分析误差为１.６２㊁１.５３ꎬ实现了对土壤有机质的有效估算ꎮ③经过连续小波变换后ＢＰ神经网络预测模型结果得到提升ꎬ其中ＢＰ￣ＣＷＴ￣ＬｎＲ预测模型效果最佳ꎬ精度决定系数达到０.７６ꎬ较之前ＢＰ￣ＬｎＲ提升了０.２ꎻ均方根误差达到０ １５ꎬ降低０.０４ꎻ相对分析误差为２.１２ꎬ增加了０.８７ꎮ因此利用ＢＰ￣ＣＷＴ￣ＬｎＲ高光谱反演模型进行区域土壤有机质遥感监测ꎬ可为当今精准农业提供理论参考与技术支持ꎮ关键词:连续小波变换ꎻＢＰ神经网络ꎻ支持向量机ꎻ精准农业ｄｏｉ:１０.１３３０４/ｊ.ｎｙｋｊｄｂ.２０２０.０７４２中图分类号:Ｓ１２７㊀㊀㊀文献标识码:Ａ㊀㊀㊀文章编号:１００８￣０８６４(２０２１)０５￣０１３２￣１１ＨｙｐｅｒｓｐｅｃｔｒａｌＩｎｖｅｒｓｉｏｎｏｆＳｏｉｌＯｒｇａｎｉｃＭａｔｔｅｒＣｏｎｔｅｎｔＢａｓｅｄｏｎＣｏｎｔｉｎｕｏｕｓＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍＣＨＥＮＨａｏｙｕꎬＹＡＮＧＧｕａｎｇ∗ꎬＨＡＮＸｕｅｙｉｎｇꎬＬＩＵＸｉｎꎬＬＩＵＦｅｎｇꎬＷＡＮＧＮｉｎｇ(ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＡｅｏｌｉａｎＰｈｙｓｉｃｓａｎｄＤｅｓｅｒｔｉｆｉｃａｔｉｏｎＣｏｎｔｒｏｌＥｎｇｉｎｅｅｒｉｎｇｆｒｏｍＩｎｎｅｒＭｏｎｇｏｌｉａＡｕｔｏｎｏｍｏｕｓＲｅｇｉｏｎꎬＣｏｌｌｅｇｅｏｆＤｅｓｅｒｔＣｏｎｔｒｏｌＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇꎬＩｎｎｅｒＭｏｎｇｏｌｉａＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙꎬＨｏｈｈｏｔ０１００１０ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｔａｋｉｎｇｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｓｏｆ１２０ｓｏｉｌｓａｍｐｌｅｓａｎｄｃｏｒｒｅｓｐｏｎｄｉｎｇｓｐｅｃｔｒａｌｄａｔａｉｎＴｕｏｋｅｔｕｏＣｏｕｎｔｙａｓｄａｔａｓｏｕｒｃｅｓꎬｔｈｅｆｅａｓｉｂｉｌｉｔｉｅｓｏｆｈｙｐｅｒｓｐｅｃｔｒａｌｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｓｕｎｄｅｒｄｉｆｆｅｒｅｎｔｔｙｐｅｏｆｓｏｉｌｓａｎｄｌａｎｄｓｏｆｄｉｆｆｅｒｅｎｔｕｓｅｗｅｒｅｅｘｐｌｏｒｅｄ.Ｔｈｅｏｒｉｇｉｎａｌｓｐｅｃｔｒｕｍ(Ｒ)ꎬｓｐｅｃｔｒａｌｒｅｃｉｐｒｏｃａｌ(１/Ｒ)ꎬｓｐｅｃｔｒａｌｌｏｇａｒｉｔｈｍ(ＬｎＲ)ａｎｄｓｐｅｃｔｒａｌｆｉｒｓｔ￣ｏｒｄｅｒｄｉｆｆｅｒｅｎｔｉａｌ(Ｒᶄ)ｗｅｒｅｄｅｃｏｍｐｏｓｅｄｂｙｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍｔｏｇｅｎｅｒａｔｅｗａｖｅｌｅｔｃｏｅｆｆｉｃｉｅｎｔｓꎬａｎｄｔｈｅｃｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒａｎｄｗａｖｅｌｅｔｃｏｅｆｆｉｃｉｅｎｔｓｗａｓａｎａｌｙｚｅｄꎬａｎｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ(ＳＶＭ)ｗｅｒｅｅｓｔａｂｌｉｓｈｅｄｂｙｅｘｔｒａｃｔｉｎｇｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｂａｎｄｓ.Ｔｈｅｒｅｓｕｌｔｓｗｅｒｅｆｏｌｌｏｗｅｄ.①ＴｈｅｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｓｂｅｔｗｅｅｎＲꎬ１/ＲꎬＬｎＲꎬＲᶄａｎｄｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｗｅｒｅｉｎｃｒｅａｓｅｄｂｙ０.２０４ꎬ０.０９０ꎬ０.１９９ａｎｄ０.２５２ａｆｔｅｒｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍꎬｒｅｓｐｅｃｔｉｖｅｌｙꎬｗｈｉｃｈｓｈｏｗｅｄｔｈａｔｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍｃｏｕｌｄｄｅｅｐｌｙｍｉｎｅｔｈｅｐｏｔｅｎｔｉａｌｌｙｓｐｅｃｔｒａｌｉｎｆｏｒｍａｔｉｏｎａｎｄｅｎｈａｎｃｅｔｈｅｃｏｒｒｅｌａｔｉｏｎｗｉｔｈｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔ.②ＢｅｆｏｒｅｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｐｒｏｃｅｓｓｉｎｇꎬＳＶＭｃｏｕｌｄｎｏｔｐｒｅｄｉｃｔｔｈｅｃｏｎｔｅｎｔｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒꎬｗｈｉｌｅａｆｔｅｒｐｒｏｃｅｓｓｉｎｇꎬｔｈｅａｃｃｕｒａｃｉｅｓ(Ｒ２)ｏｆＳＶＭ￣ＣＷＴ￣ＲａｎｄＳＶＭ￣ＣＷＴ￣Ｒᶄｗｅｒｅ０.５０ａｎｄ０.５６ꎬＲｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒｓ(ＲＭＳＥ)ｗｅｒｅ０.１７ａｎｄ０.１５ꎬｒｅｓｉｄｕａｌｐｒｅｄｉｃｔｉｖｅｄｅｖｉａｔｉｏｎｓ(ＲＰＤ)ｗｅｒｅ１.６２ａｎｄ１.５３ꎬｒｅｓｐｅｃｔｉｖｅｌｙꎬｗｈｉｃｈｒｅａｌｉｚｅｄｔｈｅｅｆｆｅｃｔｉｖｅｅｓｔｉｍａｔｉｏｎｏｆＳＯＭ.③ＡｆｔｅｒｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍꎬｔｈｅｒｅｓｕｌｔｓｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｗｅｒｅｉｍｐｒｏｖｅｄ.ＡｍｏｎｇｔｈｅｍꎬＢＰ￣ＣＷＴ￣ＬｎＲｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｈａｄｔｈｅｂｅｓｔｅｆｆｅｃｔꎬＲ２ｗａｓ０.７６ꎬｗｈｉｃｈｗａｓｈｉｇｈｅｒｔｈａｎＢＰ￣ｌｎＲꎬＲＭＳＥｗａｓ０.１５ｒｅｄｕｃｅｄｂｙ０.０４ꎬＲＰＤｗａｓ２.１２ｉｎｃｒｅａｓｅｄｂｙ０.８７.ＴｈｅｒｅｆｏｒｅꎬｔｈｅＢＰ￣ＣＷＴ￣ＬｎＲｈｙｐｅｒｓｐｅｃｔｒａｌｉｎｖｅｒｓｉｏｎｍｏｄｅｌｃｏｕｌｄｐｒｏｖｉｄｅｔｈｅｏｒｅｔｉｃａｌｒｅｆｅｒｅｎｃｅａｎｄｔｅｃｈｎｉｃａｌｓｕｐｐｏｒｔｆｏｒｐｒｅｃｉｓｉｏｎａｇｒｉｃｕｌｔｕｒｅ.Ｋｅｙｗｏｒｄｓ:ｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍꎻＢＰｎｅｕｒａｌｎｅｔｗｏｒｋꎻｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅꎻｐｒｅｃｉｓｉｏｎａｇｒｉｃｕｌｔｕｒｅ㊀㊀精准农业作为目前农业发展的主要方向ꎬ是一种基于信息和知识管理的现代化生产系统ꎬ主要是通过３Ｓ(ＧＰＳ㊁ＧＩＳ和ＲＳ)技术与现代农业相结合ꎬ最大限度地提高农业生产力ꎮ所以快速㊁无损㊁精确地获取土壤中水分㊁养分的空间分布成为了实现精准农业的关键环节ꎬ近年来ꎬ光谱分析在土壤化学分析领域得到了迅猛发展ꎬ为实现土壤养分的快速诊断提供了新思路[１]ꎮ有机质是土壤养分供应能力和肥力的重要指标之一ꎬ在全球碳循环中发挥着重要作用ꎮ因此ꎬ快速准确地估测土壤有机质含量对于发展精准农业具有重要意义[２]ꎮ传统的土壤有机质测定方法虽然精度比较高ꎬ但周期较长㊁成本较高ꎬ只能达到瞬测量ꎬ很难进行长时间大面积测量ꎮ高光谱遥感具有波段多㊁波段窄㊁信息丰富和实时高效等特点ꎬ为快速测量土壤有机质含量提供了一种新的方法和手段[３]ꎮ国内外已经有大量研究表明ꎬ通过对光谱数据进行不同的数学变换(主要通过对光谱进行倒数㊁对数㊁微分㊁平方根㊁吸收峰深度㊁包络线去除等方法)可以有效提高光谱数据与土壤有机质含量之间的相关系数ꎬ有效筛选出光谱信息中的敏感波段[４]ꎮ现在各学者主要将研究重心放到了模型建立上[５]ꎬ普遍运用的线性模型有多元逐步回归与偏最小二乘回归[６]ꎻ常见的非线性模型包括ＢＰ神经网络[７]㊁支持向量机[８]㊁决策树[９]等ꎬ而且随着非线性模型算法的逐步改良与完善ꎬ在土壤有机质含量估算中已经成为不可取代的一部分ꎮ随着小波算法的改进与发展ꎬ最初仅运用于植物叶绿素㊁冠层成分含量预测中[１０￣１１]ꎬ目前已成为土壤养分预测的热点问题[１２￣１３]ꎬ连续小波变换是目前被广泛应用的一种方法ꎮ王祥浩[１４]选择土地裸露地区为样区ꎬ利用神经网络算法对光谱连续小波变换㊁一阶导数㊁对光谱的平均值处理㊁光谱背景及深度４种方法建模ꎬ模型结果表明ꎬ小波变换方法得到的神经网络模型精度最高ꎻ包青岭等[１５]选择渭干河－库车河三角洲具有代表性的干旱区绿洲为研究区ꎬ对光谱进行８层分解ꎬ结果表明小波变换不同分解层ꎬ从低频到高频范围内与土壤有机质含量的相关性呈现先减后增的趋势ꎬ结合随机森岭模型可以对干旱区土壤有机质含量进行有效的估算ꎻ王延仓等[１６]以北京东部区潮土为例ꎬ对不同梯度重采样的光谱进行连续小波变换后ꎬ利用偏最小二乘法建立模型ꎬ结果表明连续小波分析算法可深入挖掘土壤光谱内的有益信息ꎬ提升对有机质含量的估测能力ꎬ与土壤高光谱反射率相比ꎬ经连续小波技术处理后ꎬ模型精度得到了有效的提升ꎻ叶红云等[１７]同样针对干旱区土壤ꎬ通过对两种常用光谱变换Ｒᶄ㊁Ｌｎ(１/Ｒ)进行连续小波变换建立偏最小二乘模型ꎬ结果表明连续小波变换不会因人类干扰程度的提高而使模型精度大幅度降低ꎬ更加适用于干旱区有机质含量的预测ꎻ林鹏达等[１８]通过解决黑土有机质高光谱野外反演的困难ꎬ同样证明了连续小波变换可有效提升模型精度ꎮ小波技术在土壤有机质高光谱反演研究中逐渐趋于成熟ꎬ但目前学者的研究多数都在同一土壤类型下或同一区域内ꎬ对于不同土壤类型及土地利用下土壤有机质高光谱反演是否存在影响的研究目前并不多ꎮ本文研究区内土壤类型主要包括３类:沙壤土㊁栗钙土㊁盐碱土ꎬ且部分区域土壤盐渍化程度严重ꎬ导致土壤养分空间分布上存在较大差异ꎬ取样表层土地利用类型主要包括:耕地㊁林地㊁草地㊁盐渍地㊁荒地ꎮ通过对原始光谱(Ｒ)㊁原始光谱倒数(１/Ｒ)㊁原始光谱对数(ＬｎＲ)以及原始光谱一阶微分(Ｒᶄ)４种不同情况进行连续小波变换ꎬ利用ＢＰ神经网络以及支持向量机２种模型ꎬ探究了不同土壤类型与不同土地利用类型下是否会对土壤有机质高光谱反演模型产生影响ꎬ小波变换前后土壤有机质反演模型的精度ꎬ旨为区域土壤有机质含量监测及实现精准农业提供理论与技术支持ꎮ１㊀材料与方法１.１㊀研究区概况托克托县隶属于内蒙古自治区呼和浩特市ꎬ位于自治区中部㊁大青山南麓㊁黄河上中游分界处北岸的土默川平原上(图１)ꎮ地理坐标东经３３１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演１１１ʎ２ᶄ３０ᵡ １１１ʎ３２ᶄ２１ᵡ㊁北纬４０ʎ５ᶄ５５ᵡ ４０ʎ３５ᶄ１５ᵡꎬ总面积１４０９.６７ｋｍ２ꎬ平均海拔１１１７ｍꎬ属于温带大陆性干旱气候ꎬ年均气温７.３ħꎬ年均降雨３６２ｍｍꎮ托克托县耕地总面积达４００ｋｍ２ꎬ其中古城镇㊁新营子镇和五申镇的耕地较多ꎬ占全县耕地面积的６０％以上[１９]ꎬ主要作物包括小麦㊁玉米㊁莜麦ꎮ工农业及生产生活用水主要来源于大黑河和黄河水资源ꎬ整个地形以大黑河为轴ꎬ呈现由丘陵向平原过渡的趋势ꎬ地势为东南高㊁西北和西南低ꎮ东南向西北土壤类型依次为栗钙土㊁砂壤石灰性冲积土㊁盐渍化石灰性冲积土[２０]ꎬ土壤类型的不同导致土壤养分存在差异性分布ꎮ植被类型从西向东依次为草甸草原㊁干草原和退化灌丛草原分布ꎮ以Ｌａｎｄｓａｔ８ＯＬＩ影像为基础数据源ꎬ运用人工目视解译与ＢＰ神经网络分类法得到托克托县２０１９年７月份土地利用数据ꎬ其中耕地面积最大为７３０.１２ｋｍ２ꎬ占５１.７９％ꎻ林草地３３８.７ｋｍ２ꎬ占２４.０２％ꎻ盐碱地１４１.１ｋｍ２ꎬ占１０.００％ꎮ详细土地利用空间分布见图１ꎮ图１㊀土样采集点及土地利用空间分布Ｆｉｇ.１㊀Ｃｏｌｌｅｃｔｉｏｎｐｏｉｎｔｓｏｆｓｏｉｌｓａｍｐｌｅｓａｎｄｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｌａｎｄｕｓｅ１.２㊀研究方法１.２.１㊀土样采集与处理㊀土壤样本点均匀地分布在托克托县境内ꎬ采集方法为五点采样法ꎬ采集深度为０ ２０ｃｍꎬ共采集１２０个点ꎮ采集的土样置于通风干燥室内进行自然风干㊁研磨ꎬ过１０目筛ꎬ进行土壤光谱测定ꎻ过１００目筛ꎬ采用重铬酸钾外加热法进行土壤有机质含量测定ꎮ１.２.２㊀光谱测量及光谱处理㊀土壤光谱于暗室内测量ꎬ采用ＳＶＣＨＲ￣１０２４(北京东方佳气科技有限公司)便携式光谱仪ꎬ光谱范围在３５０~２５００ｎｍꎮ在３５０~１０００ｎｍ波段之间光谱分辨率ɤ３.５ｎｍꎻ在１０００~１８５０ｎｍ波段之间ꎬ光谱分辨率ɤ９.５ｎｍꎻ在１８５０~２５００ｎｍ波段之间ꎬ光谱分辨率ɤ６.５ｎｍꎮ光源采用与太阳光接近的５０Ｗ卤素灯ꎬ将土壤样品放入深２ｃｍ㊁宽１０ｃｍ的黑色器皿内ꎬ用直尺将土壤表面刮平ꎬ探头距离土样１０ｃｍꎬ光源距离土壤表面３０ｃｍꎬ天顶角为１５ʎꎮ测量前用白板进行标定ꎬ每个土样采集５条光谱作为该土样的光谱数据ꎮ由于受噪音与仪器暗电流的的影响ꎬ导致光谱数据混入噪音等信息ꎬ因此删除３５０~３９９ｎｍ和２４００~２５００ｎｍ的波段ꎬ采用五点平滑法对光谱进行平滑处理ꎬ并将光谱重采样至５ｎｍꎬ同时对原始光谱(Ｒ)进行一阶微分(Ｒᶄ)㊁倒数(１/Ｒ)㊁对数(ＬｎＲ)等传统数学变换ꎮ１.２.３㊀连续小波变换㊀采用连续小波变换ꎬ并用Ｍｅｘｈ小波母函数对原始光谱㊁原始光谱的倒数㊁对数㊁一阶微分进行１０层小波变换ꎬ生成一系列小波系数ꎮΨａꎬｂ＝１㊀ａΨλ－ｂａæèçöø÷(１)式中ꎬａ为伸缩因子ꎬｂ为平移因子ꎬλ为土壤高光谱数据的波段数ꎮＷｆａꎬｂ()＝ｆꎬΨａꎬｂ()＝ʏ＋ɕ－ɕｆλ()Ψａꎬｂλ()ｄｙ(２)式中ꎬｆλ()为土壤光谱反射率ꎬ小波系数Ｗｆａꎬｂ()包含二维ꎬ分别为波长(３５０~２５００)与分解尺度(１ꎬ２ꎬ３ １０)ꎬ故小波系数行为尺度数ꎬ列为波长数的矩阵[１６]ꎮ１.２.４㊀模型及精度验证㊀采用ＢＰ神经网络与支持向量机模型(ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅꎬＳＶＭ)建立土壤有机质预测模型ꎬ支持向量机采用线性核函数ꎬ相对于径向基函数(ｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎꎬ４３１中国农业科技导报２３卷ＲＢＦ)来说计算高效ꎬ不易过拟合ꎮＢＰ神经网络的迭代次数设置为１０００ꎬ学习率０.０１ꎬ训练的均方根误差(ｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒꎬＲＭＳＥ)小于０.００１ꎮ依据相关系数筛选的特征波段以及小波系数作为自变量ꎬ土壤有机质含量为因变量ꎬ分别建立模型ꎬ模型精度采用决定系数(Ｒ２)㊁均方根误差(ＲＭＳＥ)㊁相对分析误差(ｒｅｌａｔｉｖｅｐｅｒｃｅｎｔｄｅｖｉａｔｉｏｎꎬＲＰＤ)以及１ʒ１线共同评价ꎮＲ２表征模型的稳定性ꎬ越接近于１模型越稳定ꎬ拟合程度越好ꎮ均方根误差(ＲＭＳＥ)用来检验模型的预报能力ꎬＲＭＳＥ越小则表明模型的估测能力越好ꎮＲＰＤ是样本的标准差与ＲＭＳＥ的比值ꎬＲＰＤ<１.４时ꎬ模型无法对样品进行预测ꎻ１.４ɤＲＰＤ<２时ꎬ模型效果一般ꎬ可以用来对样品进行粗略评估ꎻＲＰＤȡ２时ꎬ模型具有极好的预测能力ꎮ１ʒ１线表示实测值与预测值构成的点偏离ｙ＝ｘ线的程度[２１]ꎮ２㊀结果与分析２.１㊀土壤有机质含量统计分析建模样品集㊁不同土地利用方式㊁不同土壤类型下土壤有机质含量描述性统计见表１ꎮ本研采样点内土地利用方式主要包括林地㊁草地㊁耕地㊁盐渍地ꎬ土壤有机质在草地内均值含量最大(０ ８０％)ꎬ其次为林地(０.７２％)㊁耕地(０.６７％)㊁盐渍地有机质含量最低(０.６３％)ꎻ土壤有机质含量最大值位于耕地(１.２８％)ꎬ最小值位于林地(０ １９％)ꎮ采样点内主要土壤类型为栗钙土㊁沙壤土㊁盐碱土ꎬ沙壤土有机质含量最高(０.７７％)ꎬ其次为盐碱土(０.６８％)和栗钙土(０.６７％)ꎬ土壤有机质含量最大值位于沙壤土内(１.２８％)ꎬ最小值位于盐碱土内(０.１９％)ꎮ表１㊀土壤有机质含量描述性统计结果Ｔａｂｌｅ１㊀Ｄｅｓｃｒｉｐｔｉｖｅｓｔａｔｉｓｔｉｃｓｒｅｓｕｌｔｓｏｆｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎｓｏｉｌｓａｍｐｌｅｓ项目Ｉｔｅｍ样品集及类型Ｓａｍｐｌｅｓｅｔａｎｄｔｙｐｅ土样数Ｎｕｍｂｅｒｏｆｓａｍｐｌｅｓ最大值Ｍａｘｉｍｕｍ/％最小值Ｍｉｎｉｍｕｍｖａｌｕｅ/％均值Ｍｅａｎｖａｌｕｅ/％标准差Ｓｔａｎｄａｒｄｄｅｖｉａｔｉｏｎ/％模型样品集Ｍｏｄｅｌｓａｍｐｌｅｓｅｔ样品全集Ｗｈｏｌｅｓｅｔ１２０１.２００.１９４０.７１０.２７６建模集Ｍｏｄｅｌｉｎｇｓｅｔ９０１.２００.１９０.７２０.２２７验证集Ｖａｌｉｄａｔｉｏｎｓｅｔ３０１.２８０.２５０.７０.２５７土地利用方式Ｌａｎｄｕｓｅｐａｔｔｅｒｎ耕地Ｃｕｌｔｉｖａｔｅｄｌａｎｄ５５１.２８０.２００.６７０.２０林地Ｗｏｏｄｌａｎｄ２０１.１５０.１９０.７２０.２３草地Ｇｒａｓｓｌａｎｄ２５１.１８０.２５０.８００.２１盐渍地Ｓａｌｉｎｅｓｏｉｌ２０１.０３０.２５０.６３０.２２土壤类型Ｓｏｉｌｔｙｐｅ栗钙土Ｃｈｅｓｔｎｕｔｓｏｉｌ５４１.２０.２０.６７０.２２沙壤土Ｓａｎｄｙｌｏａｍ５１１.２８０.２５０.７７０.２４盐碱土Ｓａｌｉｎｅ￣ａｌｋａｌｉｓｏｉｌ１５１.１５０.１９０.６８０.２２２.２㊀土壤反射光谱特征对Ｒ㊁１/Ｒ㊁ＬｎＲ㊁Ｒᶄ进行小波变换ꎬ变换结果如图２所示ꎬＲ㊁１/Ｒ㊁ＬｎＲ光谱曲线较为平滑ꎬ分解曲线随波峰波谷变化.Ｒᶄ其光谱曲线并不规则存在较多波峰波谷ꎬ分解小波系数与前三者不同ꎮＲ㊁１/Ｒ㊁ＬｎＲ㊁Ｒᶄ分解后ꎬ小波系数均随分解尺度的增加而增加ꎬ同时可以看出ꎬ由Ｍｅｘｈ小波母函数进行的连续小波变换ꎬ对于光谱波峰与波谷有较高的敏感性ꎬ对于放大㊁挖掘光谱信息有着显著的作用ꎮ２.３㊀相关性分析２.３.１㊀不同导数变换光谱与土壤有机质含量相关性㊀土壤有机质含量与光谱相关性曲线及敏感波段见图３ꎮＲ与土壤有机质含量呈负相关关系(相关系数ｒ＝－０.４６３)ꎬ主要集中于７３５~７８０ｎｍ处波段ꎻ１/Ｒ与土壤有机质的相关性则与Ｒ相反ꎬ呈正相关关系(ｒ＝０.４６２)ꎬ集中于６００~８００ｎｍ与１８００~２２００ｎｍ处波段ꎻＬｎＲ的相关性曲线图与Ｒ相关性曲线类似ꎬ总体呈现负相关关系ꎬ相关系数(ｒ＝－０.４６５)ꎬ主要集中于７４５~７９５５３１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演ｎｍ处的波段ꎻＲᶄ相关性在５００ｎｍ(ｒ＝－０.５８９)与１４００ｎｍ(ｒ＝－０.４１１)处为负相关ꎬ在８００ｎｍ(ｒ＝０.４０８)与１３８０ｎｍ(ｒ＝０.４１２)处为正相关ꎬ相关系数曲线变换趋势与前三者不同ꎬ呈无规律变化ꎮ２.３.２㊀不同分解尺度小波系数与土壤有机质含量的相关性㊀图４为不同光谱变换方式经过连续小波变换后与土壤有机质含量的相关系数矩阵图ꎬ其中红色代表相关性高的区域ꎬ蓝色代表相关性低的区域ꎮＲ在８００~１０００㊁１４００~１６００ｎｍ处相关性明显增加ꎬ在５００㊁８００㊁２２００ｎｍ波段处相关系数达到最大值(ｒ＝０.６６７)ꎻ１/Ｒ在８００~１２００ｎｍ处相关系数达到最大值(ｒ＝０.５５２)ꎬ在２４００~２５００ｎｍ处相系数达到０.４ꎬ受噪音和仪器本身的影响ꎬ此波段的相关系数不进行相关性参考ꎻＬｎＲ在分解尺度１下相关性较低ꎬ在２~１０尺度下ꎬ相关性出现最大值(ｒ＝０.６６４)ꎻＲᶄ相关性主要集中在５００~９００㊁１２００~１６００㊁２１００~２３００ｎｍ处ꎮ筛选的敏感波段与尺度如表２所示ꎮ有效的光谱信息主要存在于低分解尺度ꎬ随分解尺度的增加呈递减趋势ꎬ相关性最大值较未处理前分别增加了０.２０４㊁０.０９㊁０.１９９㊁０.２５２ꎬ对于挖掘潜在光谱信息有着重要意义ꎮ２.４㊀土壤有机质高光谱模型建立２.４.１㊀ＢＰ神经网络预测模型㊀采用ＢＰ神经网络构建反演模型ꎬ结果如表３所示ꎮ未进行连续小波变换处理的模型中ꎬＢＰ￣Ｒ与ＢＰ￣Ｒᶄ效果较好ꎬＲ２分别为０.６９和０.７３ꎬＲＰＤ为１.４５与１.５３ꎬ模型能粗略估算土壤有机含量ꎬＢＰ￣ＬｎＲ与ＢＰ￣１/Ｒ样本外预测能力较差ꎬ同时ＲＰＤ未达到１.４以上ꎬ不能对土壤有机质未能进行有效预测ꎻ连续小图２㊀连续小波变换光谱特性Ｆｉｇ.２㊀Ｓｐｅｃｔｒａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ６３１中国农业科技导报２３卷图３㊀土壤光谱相关性曲线及敏感波段Ｆｉｇ.３㊀Ｃｏｒｒｅｌａｔｉｏｎｃｕｒｖｅａｎｄｓｅｎｓｉｔｉｖｅｂａｎｄｏｆｓｏｉｌｓｐｅｃｔｒｕｍ图４㊀土壤有机质与小波系数相关性Ｆｉｇ.４㊀Ｃｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒａｎｄｗａｖｅｌｅｔｃｏｅｆｆｉｃｉｅｎｔｓ７３１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演表２㊀筛选的敏感波段Ｔａｂｌｅ２㊀Ｓｅｎｓｉｔｉｖｅｂａｎｄｆｏｒｓｃｒｅｅｎｉｎｇ处理方式Ｔｒｅａｔｍｅｎｔｍｅｔｈｏｄ相关系数Ｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔ分解尺度Ｄｅｃｏｍｐｏｓｉｔｉｏｎｓｃａｌｅ敏感波段Ｓｅｎｓｉｔｉｖｅｂａｎｄ/ｎｍＣＷＴ￣Ｒ０.６６７１~１０２１４㊁２１２㊁９１㊁９１㊁１０９㊁１０９㊁１０９㊁１１０㊁１１１㊁１１２ＣＷＴ￣１/Ｒ０.５５２１~７４００㊁２１２㊁１０８㊁１０８㊁１０８㊁１０８㊁１０９ＣＷＴ￣ＬｎＲ０.６６４２~８２１３㊁２１２㊁４５㊁４５㊁４５㊁１０９㊁１１０ＣＷＴ￣Ｒᶄ０.６６４１~１０２１２㊁２１５㊁２１５㊁２１６㊁９９㊁９９㊁９９㊁９８㊁９８㊁９８波变换处理之后的模型ꎬ仅ＢＰ￣ＣＷＴ￣１/Ｒ模型ＲＰＤ未达到预测水平ꎬ其余３种模型Ｒ２与ＲＰＤ较未处理前均有所增加ꎬＲＭＳＥ均减少ꎬ其中ＢＰ￣ＣＷＴ￣ＬｎＲ模型预测效果较好ꎬＲＰＤ达到２.１２可以有效地对土壤有机质进行预测ꎮ将ＢＰ￣ＣＷＴ处理的４个模型的实测值与预测值进行１ʒ１线分析ꎮ由图５可知ꎬ除ＢＰ￣ＣＷＴ￣１/Ｒ模型外ꎬ其余模型的实测值与预测值样点基本分布在１ʒ１线附近ꎬＢＰ￣ＣＷＴ￣ＬｎＲ效果较为明显ꎬ且估算精度高ꎬ可较好地进行土壤有机质含量的估算ꎮ２.４.２㊀支持向量机预测模型㊀ＳＶＭ构建反演模型ꎬ结果如表４所示ꎮ未经过连续小波处理的光谱特征波段未能较好地对土壤有机质进行预测反演ꎬ经过ＣＷＴ后模型ＳＶＭ￣ＣＷＴ￣Ｒ与ＳＶＭ￣ＣＷＴ￣Ｒᶄ预测结果较之前有较大的提升ꎬＲ２分别达到了０.５０与０.５６ꎬ二者ＲＰＤ均达到１.４以上ꎬ可以粗表３㊀土壤有机质ＢＰ神经网络估测模型结果Ｔａｂｌｅ３㊀ＲｅｓｕｌｔｓｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｆｏｒｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒ模型Ｍｏｄｅｌ建模集ＭｏｄｅｌｉｎｇｓｅｔＲ２ＲＭＳＥ验证集ＶａｌｉｄａｔｉｏｎｓｅｔＲ２ＲＭＳＥＲＰＤＢＰ￣Ｒ０.６９０.１７０.５２０.１９１.４５ＢＰ￣１/Ｒ０.６８０.１７０.３３０.２２１.２５ＢＰ￣ＬｎＲ０.５６０.１９０.２４０.２２１.２５ＢＰ￣Ｒᶄ０.７３０.１６０.５２０.１８１.５３ＢＰ￣ＣＷＴ￣Ｒ０.８００.１４０.５４０.１７１.６２ＢＰ￣ＣＷＴ￣１/Ｒ０.６４０.１８０.２１０.２８０.９８ＢＰ￣ＣＷＴ￣ＬｎＲ０.７６０.１５０.７４０.１３２.１２ＢＰ￣ＣＷＴ￣Ｒᶄ０.７７０.１４０.６６０.１６１.７２表４㊀土壤有机质支持向量机估测模型结果Ｔａｂｌｅ４㊀Ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｒｅｓｕｌｔｓｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒ模型Ｍｏｄｅｌ建模集ＭｏｄｅｌｉｎｇｓｅｔＲ２ＲＭＳＥ验证集ＶａｌｉｄａｔｉｏｎｓｅｔＲ２ＲＭＳＥＲＰＤＳＶＭ￣Ｒ０.２１０.２００.１９０.２０１.３８ＳＶＭ￣１/Ｒ０.２１０.２００.２００.２１１.３１ＳＶＭ￣ＬｎＲ０.２１０.２００.２００.２１１.３１ＳＶＭ￣Ｒᶄ０.４３０.１７０.２７０.２０１.３８ＳＶＭ￣ＣＷＴ￣Ｒ０.５００.１６０.４８０.１７１.６２ＳＶＭ￣ＣＷＴ￣１/Ｒ０.２９０.１９０.１６０.２１１.３１ＳＶＭ￣ＣＷＴ￣ＬｎＲ０.４９０.１６０.２７０.２０１.３８ＳＶＭ￣ＣＷＴ￣Ｒᶄ０.５６０.１５０.４１０.１８１.５３８３１中国农业科技导报２３卷图５㊀ＢＰ￣ＣＷＴ模型土壤实测值与预测值对比Ｆｉｇ.５㊀ＣｏｍｐａｒｉｓｏｎｏｆｍｅａｓｕｒｅｄｖａｌｕｅａｎｄｐｒｅｄｉｃｔｅｄｖａｌｕｅｏｆＢＰ￣ＣＷＴｍｏｄｅｌ略地对土壤有机质进行预测ꎮ同时根据图６ꎬＳＶＭ￣ＣＷＴ模型进行１:１线分析ꎬ二者实测值与预测值分布情况在４种模型下较好ꎬ虽然模型ＳＶＭ￣ＣＷＴＬｎＲ分布同样较为集中ꎬ但其样本外预测情况较差(ＲＰＤ＝１.３８)ꎬ综合考虑不对其进行土壤有机质预测ꎮ结合表３和表４的结果分析ꎬ连续小波变换能够有效地提升模型精度与模型泛化能力ꎬ对于光谱信息挖掘有着重要意义ꎬＢＰ神经网络与支持向量机对ＣＷＴ￣Ｒ与ＣＷＴ￣Ｒᶄ都能够提升Ｒ２减少ＲＭＳＥꎬ可对土壤有机质做出较好的预测ꎮ虽然ＢＰ神经网络与支持向量机在处理非线性回归问题中有较强的能力ꎬ但本身模型中存在不稳定性ꎬ对模型的环境设置同样要求较高ꎬ所以未能对所有数据集进行良好的预测ꎮ３㊀讨论本研究采用连续小波变换对光谱进行处理ꎬ用ＢＰ神经网络与支持向量机(ＳＶＭ)两种模型对土壤有机质含量进行反演预测ꎮ未经过连续小波变换前ꎬＲ㊁１/Ｒ㊁ＬｎＲ㊁Ｒᶄ与土壤有机质的相关系系数最大值分别为－０.４６３㊁０.４６２㊁－０.４６５㊁０.５８９ꎬ可以看出ꎬＲᶄ与土壤有机质的相关系数最高ꎬ与吴倩等[２２]㊁张新乐等[２３]的研究结果相同ꎻ经过连续小波变换后ꎬＣＷＴ￣Ｒ㊁ＣＷＴ￣１/Ｒ㊁ＣＷＴ￣ＬｎＲ㊁ＣＷＴ￣Ｒᶄ相关系数最大值分别为０ ６６７㊁０.５５２㊁０ ６６４㊁０.６６２ꎬ较之前分别增加了０ ２０㊁０.０９㊁０.１９㊁０.０７ꎮ王延仓等[１]㊁于雷等[４]㊁叶红云等[１７]等同样证明连续小波变换可有效提高与土壤有机质含量的相关系数ꎮ不同分解尺度对于光谱数据的深度挖掘有着重要意义ꎬ本研究只利用Ｍｅｘｈ小波母函数进行处理ꎬ未对其他函数进行考虑ꎬ分解层数同样是根据前人经验所得[４ꎬ１０]ꎬ小波技术的研究与发展仍然有很大的探索空间ꎮ相对于两种模型来看ꎬ未进行连续小波处理９３１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演图６㊀利用ＳＶＭ￣ＣＷＴ模型土壤实测值与预测值的对比Ｆｉｇ.６㊀ＣｏｍｐａｒｉｓｏｎｏｆｓｏｉｌｍｅａｓｕｒｅｄｖａｌｕｅａｎｄｐｒｅｄｉｃｔｅｄｖａｌｕｅｏｆＳＶＭ￣ＣＷＴｍｏｄｅｌ的支持向量机模型中ꎬ只有ＳＶＭ￣Ｒᶄ模型Ｒ２最高达到０.４３ꎬ其余三者均未到达０.４ꎮ综合多种模型评价方法ꎬ由于其ＲＰＤ未达到１.４以上ꎬ无法对土壤有机质含量进行预测ꎮ经过连续小波处理后ꎬ各模型的Ｒ２有明显提高ꎬ其中ＳＶＭ￣ＣＷＴ￣Ｒ与ＳＶＭ￣ＣＷＴ￣Ｒᶄ模型效果较好ꎬＲ２分别提高了０.２９㊁０.１３ꎬＲＰＤ达到１.６２与１.５３实现了对土壤有机质有效的预测ꎬ但预测结果较ＢＰ神经网络较低ꎮ在ＢＰ神经网络预测模型中ꎬ未进行连续小波变换前ꎬＢＰ￣Ｒ与ＢＰ￣Ｒᶄ预测效果较好ꎬＲ２达到０.６９与０.７３ꎬＲＰＤ为１.４５与１.５３ꎻ进行连续小波处理后ꎬ除ＳＶＭ￣ＣＷＴ￣１/Ｒ模型未到达预测效果ꎬ其余３种模型预测结果较之前均有明显改善ꎬ可实现对土壤有机质较好的预测ꎬ其中ＢＰ￣ＣＷＴ￣ＬｎＲ预测模型效果最佳Ｒ２达到０.７６ꎬＲＰＤ达到２.１２ꎮ根据１:１线分析图也可看出ꎬ其实测值与预测值分布较为集中ꎬ于雷等[４]㊁叶红云等[１７]㊁林鹏达等[１８]同样通过连续小波变换有效提升了模型的精度与泛化能力ꎮ针对土壤有机质高光谱反演研究中ꎬ姚聪[２４]对耕层土壤通过ＢＰ神经网络与支持向量机模型ꎬ反演精度Ｒ２分别为０.４２与０.６７ꎻ叶红云等[１７]采用连续小波变换对干旱区土壤有机质反演ꎬ模型精度Ｒ２＝０.７５㊁ＥＭＳＥ＝０.７１ꎻ谢文[２５]在森林土壤有机质反演研究中ꎬＢＰ神经网络模型Ｒ２＝０ ７８㊁ＥＭＳＥ＝０.７７ꎬ支持向量机模型Ｒ２＝０.８７㊁ＥＭＳＥ＝０.７６ꎮ本研究对耕地㊁林草地㊁盐碱地㊁栗钙土㊁沙壤土㊁盐渍土等不同土地利用类型与土壤类型进行综合反演ꎬ最佳反演模型为ＢＰ￣ＣＷＴＬｎＲꎬＲ２＝０.７６㊁ＥＭＳＥ＝０.１５㊁ＲＰＤ＝２.１２ꎬ与前人研究的结果基本相符ꎬ证明通过连续小波变换处理ꎬ不同土壤类型与土地利用类型未对土壤反演模型精度产生影响ꎮ所以采用连续小波变换进行光谱数据挖掘ꎬ采用ＢＰ￣ＣＷＴ￣ＬｎＲ神经网络建０４１中国农业科技导报２３卷立反演模型ꎬ可对不同土地利用于土壤类型条件下土壤有机质高光谱反演提供一定的理论支持与应用价值ꎮ参㊀考㊀文㊀献[１]㊀王延仓ꎬ杨秀峰ꎬ赵起超ꎬ等.二进制小波技术定量反演北方潮土土壤有机质含量[Ｊ].光谱学与光谱分析ꎬ２０１９ꎬ３９(９):２８５５－２８６１.ＷＡＮＧＹＣꎬＹＡＮＧＸＦꎬＺＨＡＯＱＣꎬｅｔａｌ..Ｑｕａｎｔｉｔａｔｉｖｅｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｂａｓｅｄｏｎｂｉｎａｒｙｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ[Ｊ].ＳｐｅｃｔｒｏｓｃｏｐｙＳｐｅｃｔｒａｌＡｎａｌ.ꎬ２０１９ꎬ３９(９):２８５５－２８６１. [２]㊀于雷ꎬ洪永胜ꎬ耿雷ꎬ等.基于偏最小二乘回归的土壤有机质含量高光谱估算[Ｊ].农业工程学ꎬ２０１５ꎬ３１(１４):１０３－１０９.ＹＵＬꎬＨＯＮＧＹＳꎬＧＥＮＧＬꎬｅｔａｌ..Ｈｙｐｅｒｓｐｅｃｔｒａｌｅｓｔｉｍａｔｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｂａｓｅｄｏｎｐａｒｔｉａｌｌｅａｓｔｓｑｕａｒｅｓｒｅｇｒｅｓｓｉｏｎ[Ｊ].Ｔｒａｎｓ.ＣＳＡＥꎬ２０１５ꎬ３１(１４):１０３－１０９. [３]㊀钟浩ꎬ李西灿ꎬ翟浩然ꎬ等.耕层土壤有机质高光谱间接估测模型[Ｊ].测绘科学技术学报ꎬ２０１９ꎬ３６(１):７４－７８ꎬ８５.ＺＨＯＮＧＨꎬＬＩＸＣꎬＺｈＡＩＨＲꎬｅｔａｌ..Ｈｙｐｅｒｓｐｅｃｔｒａｌｉｎｄｉｒｅｃｔｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎｐｌｏｕｇｈｌａｙｅｒ[Ｊ].Ｊ.ＧｅｏｍａｔｉｃｓＴｅｃｈｎｏｌ.ꎬ２０１９ꎬ３６(１):７４－７８ꎬ８５. [４]㊀于雷ꎬ洪永胜ꎬ周勇ꎬ等.连续小波变换高光谱数据的土壤有机质含量反演模型构建[Ｊ].光谱学与光谱分析ꎬ２０１６ꎬ３６(５):１４２８－１４３３.ＹＵＬꎬＨＯＮＧＹＳꎬＺＨＯＵＹꎬｅｔａｌ..Ｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｕｓｉｎｇｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａｂａｓｅｄｏｎｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍａｔｉｏｎ[Ｊ].ＳｐｅｃｔｒｏｓｃｏｐｙＳｐｅｃｔｒａｌＡｎａｌ.ꎬ２０１６ꎬ３６(５):１４２８－１４３３.[５]㊀ＳＴＥＮＢＥＲＧＢꎬＶＩＳＣＡＲＲＡＲＲＡꎬＭＯＵＡＺＥＮＡＭꎬｅｔａ１..Ｖｉｓｉｂｌｅａｎｄｎｅａｒｉｎｆｒａｒｅｄｓｐｅｃｔｒｏｓｃｏｐｙｉｎｓｏｉｌｓｃｉｅｎｃｅ[Ｊ].Ａｄｖ.Ａｇｒｏｎ.ꎬ２０１０ꎬ１０７:１６３－２１５.[６]㊀聂哲ꎬ李秀芬ꎬ吕家欣ꎬ等.东北典型黑土区表层土壤有机质含量高光谱反演研究[Ｊ].土壤通报ꎬ２０１９ꎬ５０(６):１２８５－１２９３.ＮＩＥＺꎬＬＩＵＸＦꎬＬＹＵＪＸꎬｅｔａｌ..ＨｙｐｅｒｓｐｅｃｔｒａｌｒｅｔｒｉｅｖａｌｏｆｓｕｒｆａｃｅｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎａｔｙｐｉｃａｌｂｌａｃｋｓｏｉｌｒｅｇｉｏｎｏｆｎｏｒｔｈｅａｓｔＣｈｉｎａ[Ｊ].Ｃｈｉｎ.Ｊ.ＳｏｉｌＳｃｉ.ꎬ２０１９ꎬ５０(６):１２８５－１２９３.[７]㊀沈润平ꎬ丁国香ꎬ魏国栓ꎬ等.基于人工神经网络的土壤有机质含量高光谱反演[Ｊ].土壤学报ꎬ２００９ꎬ４６(３):３９１－３９７.ＳＨＥＮＲＰꎬＤＩＮＧＧＸꎬＷＥＩＧＳꎬｅｔａｌ..Ｒｅｔｒｉｅｖａｌｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｆｒｏｍｈｙｐｅｒ￣ｓｐｅｃｔｒｕｍｂａｓｅｏｎＡｎｎ[Ｊ].ＡｃｔａＰｅｄｏｌ.Ｓｉｎ.ꎬ２００９ꎬ４６(３):３９１－３９７.[８]㊀沈强ꎬ张世文ꎬ夏沙沙ꎬ等.基于支持向量机的土壤有机质高光谱反演[Ｊ].安徽理工大学学报(自然科学版)ꎬ２０１９ꎬ３９(４):３９－４５.ＳＨＥＮＱꎬＺＨＡＮＧＳＷꎬＸＩＡＳＳꎬｅｔａｌ..Ｈｙｐｅｒｓｐｅｃｔｒａｌｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｂａｓｅｄｏｎｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ[Ｊ].Ｊ.ＡｎｈｕｉＵｎｉｖ.Ｓｃｉ.Ｔｅｃｈｎｏｌ.(Ｎａｔ.Ｓｃｉ.)ꎬ２０１９ꎬ３９(４):３９－４５.[９]㊀ＢＲＥＩＭＡＮＬꎬＦＲＩＥＤＭＡＮＪＨꎬＯＬＳＨＥＮＲＡꎬｅｔａｌ..ＣｌａｓｓｉｆｉｃａｔｉｏｎａｎｄＲｅｇｒｅｓｓｉｏｎＴｒｅｅｓ[Ｍ].Ｂｅｌｍｏｎｔ:ＷａｄｓｗｏｒｔｈＩｎｔｅｒｎａｔｉｏｎａｌＧｒｏｕｐꎬ１９８４.[１０]㊀方圣辉ꎬ乐源ꎬ梁琦.基于连续小波分析的混合植被叶绿素反演[Ｊ].武汉大学学报ꎬ２０１５ꎬ４０(３):２９６－３０２.ＦＡＮＧＳＨꎬＬＥＹꎬＬＩＡＮＧＱ.Ｒｅｔｒｉｅｖａｌｏｆｃｈｌｏｒｏｐｈｙｌｌｃｏｎｔｅｎｔｕｓｉｎｇｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔａｎａｌｙｓｉｓａｃｒｏｓｓａｒａｎｇｅｏｆｖｅｇｅｔａｔｉｏｎｓｐｅｃｉｅｓ[Ｊ].ＧｅｏｍａｔｉｃｓＩｎｆｏｒｍ.Ｓｃｉ.ＷｕＨａｎＵｎｉｖ.ꎬ２０１５ꎬ４０(３):２９６－３０２.[１１]㊀何汝艳ꎬ乔小军ꎬ蒋金豹ꎬ等.小波法反演条锈病胁迫下冬小麦冠层叶片全氮含量[Ｊ].农业工程学报ꎬ２０１５ꎬ３１(２):１４１－１４６.ＨＥＲＹꎬＱＩＡＯＸＪꎬＪＩＡＮＧＪＢꎬｅｔａｌ..Ｒｅｔｒｉｅｖｉｎｇｃａｎｏｐｙｌｅａｆｔｏｔａｌｎｉｔｒｏｇｅｎｃｏｎｔｅｎｔｏｆｗｉｎｔｅｒｗｈｅａｔｂｙｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ[Ｊ].Ｔｒａｎｓ.ＣＳＡＥꎬ２０１５ꎬ３１(２):１４１－１４６. [１２]㊀陈红艳ꎬ赵庚星ꎬ李希灿ꎬ等.小波分析用于土壤速效钾含量高光谱估测研究[Ｊ].中国农业科学ꎬ２０１２ꎬ４５(７):１４２５－１４３１.ＣＨＥＮＨＹꎬＺＨＡＯＧＸꎬＬＩＸＣꎬｅｔａｌ..Ａｐｐｌｉｃａｔｉｏｎｏｆｗａｖｅｌｅｔａｎａｌｙｓｉｓｆｏｒｅｓｔｉｍａｔｉｏｎｏｆｓｏｉｌａｖａｉｌａｂｌｅｐｏｔａｓｓｉｕｍｃｏｎｔｅｎｔｗｉｔｈｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｆｌｅｃｔａｎｃｅ[Ｊ].Ｓｃｉ.Ａｇｒｉｃ.Ｓｉｎ.ꎬ２０１２ꎬ４５(７):１４２５－１４３１.[１３]㊀高洪智ꎬ卢启鹏.土壤主要养分近红外光谱分析及其测量系统[Ｊ].光谱学与光谱分析ꎬ２０１１ꎬ３１(５):１２４５－１２４９.ＧＡＯＨＺꎬＬＵＱＰ.Ｎｅａｒｉｎｆｒａｒｅｄｓｐｅｃｔｒａｌａｎａｌｙｓｉｓａｎｄｍｅａｓｕｒｉｎｇｓｙｓｔｅｍｆｏｒｐｒｉｍａｒｙｎｕｔｒｉｅｎｔｏｆｓｏｉｌ[Ｊ].ＳｐｅｃｔｒｏｓｃｏｐｙＳｐｅｃｔｒａｌＡｎａｌ.ꎬ２０１１ꎬ３１(５):１２４５－１２４９.[１４]㊀王祥浩.土壤有机质高光谱反演模型研究[Ｊ].黑龙江工程学院学报ꎬ２０１９ꎬ３３(５):３４－３９.ＷＡＮＧＸＨ.Ｒｅｓｅａｒｃｈｏｎｈｉｇｈｓｐｅｃｔｒａｌｉｎｖｅｒｓｉｏｎｍｏｄｅｌｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒ[Ｊ].Ｊ.ＨｅｉｌｏｎｇｊｉａｎｇＩｎｓｔｉｔｕｔｅＴｅｃｈｎｏｌ.ꎬ２０１９ꎬ３３(５):３４－３９.[１５]㊀包青岭ꎬ丁建丽ꎬ王敬哲ꎬ等.基于随机森林算法的土壤有机质含量高光谱检测[Ｊ].干旱区地理ꎬ２０１９ꎬ４２(６):１４０４－１４１４.ＢＡＯＱＬꎬＤＩＮＧＪＬꎬＷＡＮＧＪＺꎬｅｔａｌ..Ｈｙｐｅｒｓｐｅｃｔｒａｌｄｅｔｅｃｔｉｏｎｏｆｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｂａｓｅｄｏｎｒａｎｄｏｍｆｏｒｅｓｔａｌｇｏｒｉｔｈｍ[Ｊ].ＡｒｉｄＬａｎｄＧｅｏｇｒａｐｈｙꎬ２０１９ꎬ４２(６):１４０４－１４１４.[１６]㊀王延仓ꎬ张兰ꎬ王欢ꎬ等.连续小波变换定量反演土壤有机质含量[Ｊ].光谱学与光谱分析ꎬ２０１８ꎬ３８(１１):３５２１－３５２７.ＷＡＮＧＹＣꎬＺＨＡＮＧＬꎬＷＡＮＧＨꎬｅｔａｌ..Ｑｕａｎｔｉｔａｔｉｖｅｉｎｖｅｒｓｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｂａｓｅｄｏｎｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ[Ｊ].ＳｐｅｃｔｒｏｓｃｏｐｙＳｐｅｃｔｒａｌＡｎａｌ.ꎬ２０１８ꎬ３８(１１):３５２１－３５２７.[１７]㊀叶红云ꎬ熊黑钢ꎬ张芳ꎬ等.基于ＣＷＴ的人类不同程度干扰下干旱区土壤有机质含量估算研究[Ｊ].激光与光电子学进展ꎬ２０１９ꎬ５６(５):１１５－１２４.ＹＥＨＹꎬＸＩＯＮＧＨＧꎬＺＨＡＮＧＦꎬｅｔａｌ..ＣＷＴ￣Ｂａｓｅｄｅｓｔｉｍａｔｉｏｎｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎａｒｉｄａｒｅａｕｎｄｅｒｄｉｆｆｅｒｅｎｔｈｕｍａｎｄｉｓｔｕｒｂａｎｃｅｄｅｇｒｅｅｓ[Ｊ].ＬａｓｅｒＯｐｔｏｅｌｅｃｔｒｏｎｉｃｓＰｒｏｇｒ.ꎬ２０１９ꎬ５６(５):１１５－１２４.[１８]㊀林鹏达ꎬ佟志军ꎬ张继权ꎬ等.基于ＣＷＴ的黑土有机质含量野外高光谱反演模型[Ｊ].水土保持研究ꎬ２０１８ꎬ２５(２):４６－５２ꎬ５７.ＬＩＮＰＤꎬＴＯＮＧＺＪꎬＺＨＡＮＧＪＱꎬｅｔａｌ..Ｉｎｖｅｒｓｉｏｎｏｆｂｌａｃｋｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｗｉｔｈｆｉｅｌｄｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｆｌｅｃｔａｎｃｅｂａｓｅｄｏｎｃｏｎｔｉｎｕｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍａｔｉｏｎ[Ｊ].Ｒｅｓ.ＳｏｉｌＷａｔｅｒＣｏｎｎｓｅｒｖ.ꎬ２０１８ꎬ２５(２):４６－５２ꎬ５７.１４１５期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演[１９]㊀范晓冰ꎬ鲁丽波ꎬ范海娇.托克托县耕地动态变化及驱动因子分析[Ｊ].内蒙古师范大学学报ꎬ２０１７ꎬ４６(１):１５１－１５５.ＦＡＮＧＸＢꎬＬＵＬＢꎬＦＡＮＧＨＪꎬｅｔａｌ..ＡｎａｎａｌｙｓｉｓｏｆｄｙｎａｍｉｃｃｈａｎｇｅｓａｎｄｄｒｉｖｉｎｇｆａｃｔｏｒｓｏｆａｒａｂｌｅｌａｎｄｉｎＴｏｇｔｏｈｃｏｕｎｔｙ[Ｊ].Ｊ.ＩｎｎｅｒＭｏｎｇｏｌｉａＮｏｒｍ.Ｕｎｉｖ.ꎬ２０１７ꎬ４６(１):１５１－１５５. [２０]㊀李政葵.内蒙古托克托县潜水与土壤中氟化物的分布规律及其相关性研究[Ｄ].呼和浩特:内蒙古大学ꎬ硕士学位论文ꎬ２０１５.ＬＩＫＺ.ＤｉｓｔｒｉｂｕｔｉｏｎａｎｄｃｏｒｒｅｌａｔｉｏｎｏｆｆｌｕｏｒｉｄｅｂｅｔｗｅｅｎｕｎｃｏｎｆｉｎｅｄｗａｔｅｒａｎｄｓｏｉｌｏｆＩｎｎｅｒＭｏｎｇｏｌｉａＴｕｏｋｅｔｕｏｃｏｕｎｔｙ[Ｄ].Ｈｏｈｈｏｔ:ＩｎｎｅｒＭｏｎｇｏｌｉａＵｎｉｖｅｒｓｉｔｙꎬＭａｓｔｅｒＤｉｓｓｅｒｔａｔｉｏｎꎬ２０１５.[２１]㊀ＶＩＳＣＡＲＲＡＲＡꎬＭＣＧＬＹＮＮＲＮꎬＭＣＢＲＡＴＮＥＹＡＢ.Ｄｅｔｅｒｍｉｎｉｎｇｔｈｅｃｏｍｐｏｓｉｔｉｏｎｏｆｍｉｎｅｒａｌ￣ｏｒｇａｎｉｃｍｉｘｅｓｕｓｉｎｇＵＶ￣ｖｉｓ￣ＮＩＲｄｉｆｆｕｓｅｒｅｆｌｅｃｔａｎｃｅｓｐｅｃｔｒｏｓｃｏｐｙ[Ｊ].Ｇｅｏｄｅｒｍａꎬ２００７ꎬ１３７(１/２):７０－８２.[２２]㊀吴倩ꎬ姜琦刚ꎬ史鹏飞ꎬ等.基于高光谱的土壤碳酸钙含量估算模型研究[Ｊ/ＯＬ].国土资源遥感ꎬ２０２０:[２０２０－０９－１６].ｈｔｔｐｓ://ｋｎｓ.ｃｎｋｉ.ｎｅｔ/ｋｃｍｓ/ｄｅｔａｉｌ/１１.２５１４.Ｐ.２０２００８１０.１５１８.００４.ｈｔｍｌ.ＷＵＱꎬＪＩＡＮＧＱＧꎬＳＨＩＰＦꎬｅｔａｌ..Ｅｓｔｉｍａｔｉｏｎｏｆｓｏｉｌｃａｌｃｉｕｍｃａｒｂｏｎａｔｅｃｏｎｔｅｎｔｂａｓｅｄｏｎｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａ[Ｊ/ＯＬ].ＲｅｍｏｔｅＳｅｎｓｉｎｇＬａｎｄＲｅｓｏｕｒｃｅｓꎬ２０２０:[２０２０－０９－１６].ｈｔｔｐｓ://ｋｎｓ.ｃｎｋｉ.ｎｅｔ/ｋｃｍｓ/ｄｅｔａｉｌ/１１.２５１４.Ｐ.２０２００８１０.１５１８.００４.ｈｔｍｌ.[２３]㊀张新乐ꎬ于滋洋ꎬ李厚萱ꎬ等.东北水稻叶片ＳＰＡＤ遥感光谱估算模型[Ｊ].中国农业大学学报ꎬ２０２０ꎬ２５(１):６６－７５.ＺＨＡＮＧＸＬꎬＹＵＺＹꎬＬＩＨＸꎬｅｔａｌ..ＲｅｍｏｔｅｓｅｎｓｉｎｇｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｏｆＳＰＡＤｆｏｒｒｉｃｅｌｅａｖｅｓｉｎＮｏｒｔｈｅａｓｔＣｈｉｎａ[Ｊ].Ｊ.Ｃｈｉｎ.Ａｇｒｉｃ.Ｕｎｉｖ.ꎬ２０２０ꎬ２５(１):６６－７５.[２４]㊀姚聪.基于卷积神经网络的耕层土壤有机质含量估测模型研究[Ｄ].山东泰安:山东农业大学ꎬ硕士学位论文ꎬ２０２０.ＹＡＯＣ.Ｓｔｕｄｙｏｎｅｓｔｍａｔｉｏｎｍｏｄｅｌｏｆｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔｉｎｐｌｏｗｅｄｌａｙｅｒｂａｓｅｄｏｎｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ[Ｄ].ＳｈａｎｄｏｎｇＴａｉａｎ:ＳｈａｎｄｏｎｇＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙꎬＭａｓｔｅｒＤｉｓｓｅｒｔａｔｉｏｎꎬ２０２０.[２５]㊀谢文.基于高光谱技术的森林土壤不同养分含量光谱特征及估测模型研究[Ｄ].南昌:江西农业大学ꎬ博士学文论文ꎬ２０１７.ＸＩＥＷ.Ｓｔｕｄｙｏｎｓｐｅｃｔｒａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓａｎｄｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｓｏｆｄｉｆｆｅｒｅｎｔｎｕｔｒｉｅｎｔｃｏｎｔｅｎｔｓｉｎｆｏｒｅｓｔｓｏｉｌｓｂａｓｅｄｏｎｈｙｐｅｒｓｐｅｃｔｒａｌｔｅｃｈｎｏｌｏｇｙ[Ｄ].Ｎａｎｃｈａｎｇ:ＪｉａｎｇｓｕＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙꎬＤｏｃｔｏｒＤｉｓｓｅｒｔａｔｉｏｎꎬ２０１７.(责任编辑:陈凌云)２４１中国农业科技导报２３卷。
地球物理反演研究的方法与技术
地球物理反演研究的方法与技术地球物理反演是一种通过观测和分析地球物理现象来推断地下结构和性质的方法。
反演研究的目标是揭示地下地球的内部构造，了解地球的演化历史以及地质过程。
本文将介绍常见的地球物理反演方法和技术，包括重磁法、地震波形反演、物性反演和电磁法反演。
一、重磁法反演重磁法反演是利用地球重力和地磁场的测量数据来推断地下物质分布和性质。
地球重力和地磁场是地下物质分布的重要指示器。
通过收集地面上的重力和磁场测量数据，可以建立数学模型，通过反演算法推断地下物质的密度分布和磁性特征。
重磁法反演的关键是建立准确的物理模型和有效的数学算法。
建模过程中需要考虑到地球重力和地磁场的多种因素对测量数据的影响，例如地形起伏、地表岩石性质、地下岩性边界等。
反演算法的选取也是关键，常用的反演算法包括正则化方法、模型约束方法和优化算法等。
二、地震波形反演地震波形反演是利用地震波传播过程中测量到的数据来推断地下介质的性质。
地震波在地下介质中传播时会发生折射、反射和散射，通过记录地震波的到达时间、振幅和频谱等信息，可以重建地下介质的速度和密度模型。
地震波形反演的核心是通过正演模拟和反演算法来寻找最优的地下模型。
正演模拟是利用地球物理波动方程对地震波在地下介质中的传播进行模拟，通过比较模拟波形和实际观测波形的差异来获得地下介质的模型参数。
反演算法的选择取决于地下介质的复杂程度和数据的可靠性，常用的反演算法包括全波形反演、走时反演和频率反演等。
三、物性反演物性反演是指根据物理计量描述地下介质性质的参数，如电阻率、介电常数、磁化率等，通过测量数据推断地下介质的物性分布。
常见的物性反演方法包括电法、电磁法和磁法等。
在电法反演中，通过测量电场和电流数据，利用欧姆定律推断地下介质的电阻率分布。
电磁法反演是利用地球磁场和电磁感应现象推断地下介质的导电性和磁化性。
磁法反演是利用地磁场测量数据推断地下介质的磁性特征。
物性反演的关键在于建立合理的物理模型和有效的数据处理方法。
地震反演方法综述
地震反演技术简介在上世纪70~80年代，地震反演作为地球物理学的一个重要进展得到了广泛的赞扬，获得广泛应用；地震反演技术能够帮助解释人员确定地层单元而不仅仅是通过反射波确定地层单元的边界，而且能直接进行深度域成图。
在一个竞争的市场环境中，开发出了很多不同的反演算法，在基本递归反演方法的基础上不断取得进进展，一下简要介绍几种基本的地震反演方法。
主要分三大类：1、基于地震数据的声波阻抗反演：其结果有两种：相对阻抗反演（常说的道积分）与绝对阻抗反演。
主要算法有：递归反演（早期的地震反演算法）与约束稀疏脉冲反演（优化的地震反演算法）。
这种反演受初始模型的影响小，忠实于地震数据，反映储层的横向变化可靠；但分辨率有限，无法识别10米以下的薄砂层。
2、基于模型的测井属性反演：此种反演可以得到多种测井属性的反演结果，分辨率较高（可识别2-6米的薄层砂岩）；但受初始模型的影响严重，存在多解性，只有井数多（工区内至少有10口以上的井，分布合理，且要求反演的属性与阻抗相关），才能得到较好的结果。
3、基于地质统计的随机模拟与随机反演：此种算法可以进行各种测井属性的模拟与岩性模拟，分辨率高（可识别2-6米的薄层砂岩），能较好的反映储层的非均质性，受初始模型的影响小，在井点处忠实于井数据，在井间忠实于地震数据的横向变化，最终得到多个等概率的随机模拟结果；但要求工区内至少有6-7口井，且分布较合理，才能得到好的模拟结果。
道积分道积分技术出现，为广大少井无井地区岩性及油气预测提供了新的途径，它能得到类似于虚速度测井的新方法，其结果对应于地层的波阻抗，它最大优点是不像虚速度测井那样依赖于井的资料和地球物理学家的经验。
尽管道积分剖面不能像GLOG波阻抗剖面那样反映地层绝对速度，而只能反映其相对速度大小，但是它反映出的层位与GLOG剖面是一样的，甚至在反映的细节上还比它多，对薄层识别也非常有利，因此道积分剖面能用于岩性和油气层解释。
先进夜视成像技术发展探讨
先进夜视成像技术发展探讨夜视成像技术是在低照度条件下，将不可见辐射加以转换或将微弱的夜天光进行增强，以实现人眼夜间隐蔽观察的一种成像技术，在夜间侦查瞄准、辅助驾驶、导航制导等现代军事应用中发挥着重要作用。
为了确保“单向透明”，充分发挥“拥有黑夜”的技术优势，世界军事强国都投入大量人力、物力开展先进夜视成像技术研究，使夜视装备性能得以迅速发展。
夜视装备战术性能的提升主要依赖于核心夜视器件和信号处理技术的进步和发展，探测灵敏度（光通量）和空间分辨率（像元大小）是夜视装备的核心指标，且又相互制约。
高灵敏度和高分辨率夜视成像一直是夜视技术发展所面临的重要挑战。
未来先进夜视技术的发展趋势应该是基于光电转换的光强直接成像与基于计算成像的信号反演成像二者的相辅相成，即“光强直接成像”+“信号反演成像”。
据麦姆斯咨询报道，近期，南京理工大学电子工程与光电技术学院陈钱教授在《红外与激光工程》期刊上发表了以“先进夜视成像技术发展探讨”为主题的综述文章。
陈钱教授主要从事光电成像与信息处理等方面的研究工作。
先进夜视成像装备的发展历程这项研究概要地介绍了夜视成像技术当前的进展与所面临的挑战，并对未来先进夜视成像技术的发展趋势——基于光电转换的光强直接成像与基于计算成像的信号反演成像分别进行了探讨与展望。
传统夜视成像技术基于光强直接探测机理、探测器像素和目标场景之间通过建立一一对应关系来获取图像。
探测器是传统夜视成像技术的核心。
微光夜视技术利用光电效应将微弱光转换成光电子进行放大增强，实现夜间低照度条件下目标反射强度的探测，其核心器件是图像增强器。
提升夜视探测灵敏度的核心技术是光电子倍增技术，通过提高电荷倍增增益抑制输出噪声，从而提高信噪比。
图像增强器主要分真空像增强器和固态像增强器，前者主要基于外光电效应，即金属阴极表面在能力超过“红限”的辐照作用下，吸收光子并激发出自由光电子的效应。
后者主要基于内光电效应，即光照射到半导体表面时，内部电子吸收光子能量激发载流子，从而使其导电性能改变的效应。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
于动镜 的非 线 性 ，导 致 获 取 干 涉数 据 采 样 光 程 差 的 非 线 性＿ ； １ 对于时空 联合 调制 干涉 光谱 成像 仪 （ａｇ ｐｒｕｅ １ ｅａｅｔｒ ｒ ｓａｉ ｉ ｇｎ ｐ ｃｒｍｅｅ，Ｌ Ｉ） ｔｔ ｉｇｓｅｔ ｔｒ Ａｓｓ 来说 ，由于获取 数据 的 ｃ ｍａ ｏ
因此 ， 如何将非均匀采样干涉数据转换为适合 于快 速傅里叶 变换 的数 据是 光谱 反演 的关键 。
收稿 日期 ：２０ —６２ 。修订 日期 ： ０ ９１—２ ０ ９０ —９ ２ ０ —００
基金项 目： 国家 自 然科学基金项 目（０ ３ ０ ０ 和 国家（ ７ 计划 ） 目（０ ９ Ｂ ２ ０ ５ 资助 ６ ５２ ７ ） ９３ 项 ２０Ｃ ７４０） 作者简介 ： 姚 涛 ， ９３ １ ７ 年生 ， 中国科学 院西安光学精密机械研究所博士 ｅ ｉ ｂ ｔ ｏ ｐ．ｃｃ － ｌ ｈｙ ＠ｏ ｔａ ａ ｍａ ： ａ ． ＊ 通讯联 系人
非均 匀 采样 干涉数 据 光谱 反演 技术 研 究
姚 涛ｈ ，吕群 波 ， 相里斌 袁 艳。 ，
１ ．中国科学院西安光学精密机械研究所，陕西 西安 ２ ．中国科学院光电研究 院，北京 １０ ８ ０００ ７ ０ １ １１ ９
３ ．北京航空航天大学仪器科学与光电工程学 院， 北京 １０ ８ ００３
４ ．中国科学院研究生院， 北京
１０ ４ 数据是一种 中间数据 ，需要 进行光谱 反演才 能够 得到 目标 光谱数 据 ，
傅里 叶变换方法是常规的光谱反演方法 。由于干涉数据中存在非均匀采样 问题 ，若忽略光谱 混叠 ，直接采用 快速傅里 叶变换会导致反演 光谱 的失真 ， 以满 足实时处理需 求 。针对非均匀 采样 干涉 数据 的光 谱反演需 难 求， 将插值及 非均匀快速傅里叶变换（ ＮＵＦ ） ＷＦ 方法应用到光谱反 演处理 中， 过采样及部分 欠采样情况下 对 的非 均匀采样干涉数据 ， 出了相应的光谱反演方法 ， 提 并分析 了方法的适用性 。 最后对过采样及部分欠采样 情况 下的光谱反演方法进行计算机仿真 ， 过采样情况 下采用 Ｎ Ｆ ＵＦ Ｔ方法反演 光谱 的精 度要 明显高于插值 方法 ， 而部分欠采样情况下插值方 法反演光谱的精度要明显高于 ＮＵＦ Ｔ方法 ， Ｆ 并对欠采样造成的光谱混叠 有一定 的修正 ， 验证 了方法 的有效性。 关键 词 干涉数据 ； 非均匀采样 ； 光谱反演 ； 插值 ； 光谱混叠
特殊性 ， 仪器内在缺陷及外部使用环 境的影响 ， 导致获取 的 干涉数 据中同样存在光程差非 均匀采样 的问题［ 。 ３ 一】
对 于非均匀采样的干涉数 据，在不考虑光谱混叠 的情 况 下， 直接采用快速傅 里 叶变换 进行 光谱 反 演会导 致光 谱失 真， 直接采用傅里 叶变 换 ， 反演 光谱 的效 率很低 ，因此需要 寻找一种快速准确的处理方 法。本文 针对上述 问题 ，将插值 和非均 匀 快 速 傅 里 叶 变 换 技 术 （ ｏ ｕ ｉ・ ｌｆｓ Ｆ ｕｉ ｎ ｎ ｎ￣ｒ ａｔ ｏ ｒ ｒ ｎ ｅ ｔ ｎ｛ｒ ， ｒ ｓ ｒ ＮＵＦ Ｔ）５ 应用到非均匀采 样干涉数 据的光谱 ａ ｏｎ Ｆ ｌ ］ 复原 中， 并针对常见的过采样和部分欠采样情 况下 的非均匀
变换 实现 ，根据多年研制经 验 ，Ｓ Ｆ Ｓ的光谱反 演流程 如 ＭＩＴ 图１ 所示 。其中 ， 切趾 、相位修正 及快速傅 里叶变 换作 为干 涉光谱成像技术 的基础 ，已有文 献进行 介绍ｌ ，光谱辐 射 ７ ］
定标也 已经有深入 的研究＿ ，只有干涉 数据 的预处理 ，由于 ｇ ］ 处理方法 与仪器 的特性息息相关 ， 有文献发 表。 鲜
ｉ ｇｎ ｏ ｒ ｒｔ ｎｆｒ ｐｃｒｍｅｅ，Ｔ Ｆ ） 说 ，由 ｍａ ｉ Ｆ ｕｉ ｒ ｓ ｒ ｓ ｅｔ ｇ ｅ ａ ｏｎ ｏ ｔｒ ＭＩＴＳ 来
ｌ 均匀采样干涉数据光谱反演
虽然 干涉数据 中都存在非均匀采样 的问题 ，但是对 于空
间调 制干涉光谱 成 像仪 （ｐｔ ｌ ｄ ｌｔｄｉ ｇｎ ｕｉ ｓａｉｌ ｍｏ ｕａｅ ａｙ ｍａ ｉ ｆ ｒ ｒ ｇｏ ｅ ｔ ｎｆｒ ｓ ｅｔ ｍｅｅ，Ｓ Ｆ Ｓ 来说 ，干 涉数据 的非均匀 ｒ ｓ ｍ ｐｃｒ ｔｒ ＭＩＴ ） ａ ｏ ｏ 采样通 常可 以忽略 ， 时的光谱 反演 可直 接通过快速傅里 叶 此
采样干涉数据 ， 出了相应的光谱反演方法 。 给
２ 非均匀采样 干涉数据 光谱反演
若 干涉数据 的非均匀采样不 可忽 略（ Ｔ Ｆ ） 如 ＭＩＴＳ ，直接
采用 图 １ 的光谱反演流程将导致光谱失 真 ， 若用直 接傅里叶 变换代替 图 １中的快速傅 里 叶变换 ，将导致 反演 效率降 低 ，
第３卷， ５ ０ 第 期
２０ １０ 年 ５月
光
谱
学
与
光
谱
分
析
Ｓ ｅ ｔ ｏ ｃ ｐ ｎ ｐ ｃ ｒ ｌＡｎ ｌ ｓｓ ｐ ｃｒ ｓ ｏ ｙ ａ ｄ Ｓ ｅ ｔａ ａ ｙ ｉ
Ｖｏ． ０ Ｎ ． ， ｐ ４ ０ １ ３ １３ ， ｏ ５ ｐ １ ３ — ４ ３ Ｍ ａ ，２ １ ｙ ００
文献标识码 ： Ａ Ｄ ：１． ９ ４ｊｉ ｎ １０ —５ ３ ２ １ ）５１３ —４ ＯＩ ０ ３６ ／．ｓ ． ０００ ９ （ ００ ０ —４ ００ ｓ
中图分类 号： ３ １ ９ ＴＰ ９．
引 言
干涉光谱成像仪获取的干涉数 据中通常存在非均匀采样
的问题 ， 如对于时间调制型干涉光谱成像仪 （ｉ ｄ ｌ ｅ ｔ ｍｏ ｕａ ｄ ｍｅ ｔ
第５ 期
光谱学 与光谱分 析
１３ ４１
据是 均匀采样后的干涉数据 ，而 Ｎ Ｆ ＵＦ Ｔ中快 速傅里 叶变换 的数据是 一种 均匀采样 的中间数据 。 假定非 均匀采样干涉数据 为 Ｉ （ ， 对应 的傅里 叶变 Ｉｘ） 其