1、本文以三江源為研究區(qū)，以野外采集的149個表層土壤（0～30cm）樣本為數(shù)據(jù)源，從實驗室測定的17種土壤特性（包括全氮、全碳、碳氮比、有機質(zhì)、pH值及硅、鋁、鐵、鎂、錳、砷、鉛、鋅、鎘和鉻元素）含量與土壤光譜反射率入手，經(jīng)過三種平滑方法平滑（Savitzky–Golay平滑、小波變換和九點加權(quán)移動平均）和一階微分變換后的光譜反射率，分別采用相關(guān)性分析法、多元逐步回歸分析以及遺傳算法，篩選主要土壤特性的特征譜段，并構(gòu)建了各種土壤特性的偏最
2、小二乘回歸（PLSR）、BP神經(jīng)網(wǎng)絡(luò)（BPNN）和支持向量機（SVM）模型。確定每種土壤特性的最佳估算模型并優(yōu)選出最佳光譜平滑去噪方法以及最優(yōu)篩選特征波段方法，并與基于全波段建立的PLSR、BPNN和SVM模型做對比，研究結(jié)論如下：
?。?）利用Savitzky-Golay卷積平滑（SG）、小波變換（WT）和九點加權(quán)移動平均（NWA）法對土壤光譜反射率進行平滑去噪，結(jié)果表明：在本研究中WT相較于其他兩種平滑去噪方法（SG和NWA
3、）更適合去除本研究中土壤樣本的光譜反射率噪聲；
（2）基于PLSR、BPNN和SVM三種方法分別建立的光譜全波段與17種土壤特性含量之間的估算模型，結(jié)果表明模型估算能力順序為SVM模型＞BPNN模型＞PLSR模型；土壤特性與光譜之間并非簡單的線性關(guān)系，因此PLSR模型表現(xiàn)出了一定的局限性，而BPNN和SVM模型能夠較好的處理光譜與土壤特性之間的非線性關(guān)系；
?。?）基于三種特征波段選擇方法，即相關(guān)分析法(CA)、多元逐
4、步回歸分析方法(SMLR)及遺傳算法（GA）,分別與PLSR、BPNN和SVM方法相結(jié)合構(gòu)建的估算模型結(jié)果表明：對PLSR模型來說，GA＞SMLR＞CA；對BPNN模型來說，GA＞SMLR和CA，而SMLR與CA估算能力基本相當；對SVM模型來說，SMLR＞GA＞CA。不同的建模方法與最佳模型精度特征波段挑選方法相互選擇，應(yīng)根據(jù)不同建模方法去選擇相適應(yīng)的特征波段選擇方法，總體來說GA和SMLR這兩種挑選特征波段的方法與三種建模方法所構(gòu)建
5、的模型精度優(yōu)于CA，今后可以代替?zhèn)鹘y(tǒng)的CA法去挑選特征波段。
?。?）相較于全波段建模，特征波段建模精度整體比全波段建模精度低，但特征波段建模所需要的波段少、數(shù)據(jù)冗余度低、模型運行效率快、模型更加穩(wěn)定，在該研究區(qū)能夠代替全波段建模估算土壤特性含量。
?。?）綜合比較全波段與特征波段的估算模型發(fā)現(xiàn)，所有模型均對全氮（TN）、全碳（TC）和有機質(zhì)（SOM）具有極好的估算能力，對硅(Si)、錳（Mn）、銅（Cu）和汞（Hg）元