将多尺度小波分解与机器学习方法相结合，以提高干旱湖区绿洲土壤有机碳含量估算的准确性

《Land Degradation & Development》：Synergizing Multiscale Wavelet Decomposition and Machine Learning Approach for Improved Accuracy of Soil Organic Carbon Content Estimation in the Arid Lakeside Oases

土壤有机碳估算中可见-近红外光谱结合小波变换与机器学习提升精度。采用CWT-1-CARS特征筛选与随机森林模型优化，R2达0.79，RPD为2.23，空间插值与实测值一致率91.3%，为干旱区生态监测提供可靠方法。

　　

摘要

土壤有机碳（SOC）含量在稳定绿洲生态系统和调节干旱湖岸地区的碳封存方面起着至关重要的作用。然而，使用可见光-近红外（Vis–NIR）光谱技术准确估算SOC含量常常受到光谱冗余和高维性的阻碍。本研究采用了一种新的方法，将小波分析与机器学习相结合，以提高新疆博斯腾湖畔绿洲地区SOC含量的估算精度。共收集了82个表层土壤（0–20厘米）样本，并测量了它们的SOC含量及其对应的Vis–NIR光谱。高光谱数据经过连续小波变换（CWT）和离散小波变换（DWT）处理。通过三种算法——连续投影算法（SPA）、Boruta和竞争自适应加权采样（CARS）——选择了关键的光谱特征，并基于偏最小二乘回归（PLSR）、反向传播神经网络（BPNN）和随机森林（RF）建立了SOC含量估算模型。结果表明，在降低噪声方面，CWT的表现优于DWT，尤其是在低分解尺度（1–5）时，其性能提升了19.21%。基于CWT的最佳模型使残差预测偏差（RPD）比基于DWT的最佳模型提高了23.20%。特征选择进一步提高了模型精度，决定系数（R2）提高了49.04%，RPD提高了58.23%。在各种算法中，CARS的改进效果最为显著，其次是SPA和Boruta。因此，CWT-1-CARS与RF算法的组合展现了最强的非线性建模性能。RF（CWT-1-CARS）配置的校准指标为R2=0.79、均方根误差（RMSE）=2.57和RPD=2.23，优于原始的光谱模型，其性能提升了63.3%（相对于PLSR的RPD=1.84和BPNN的RPD=1.91）。空间插值分析显示，该模型与实地测量的SOC含量值的一致性达到91.3%，验证了其实际可靠性。对SOC含量最敏感的光谱响应带主要位于可见光范围（401–504纳米）和近红外范围（1638–2369纳米）。本研究为准确估算SOC含量、实现精确的生态监测以及可持续管理干旱湖岸绿洲奠定了坚实的基础。

利益冲突

作者声明不存在利益冲突。