摘要:
本研究以黄河三角洲东营市为研究区,基于高光谱数据开展土壤盐分估算。对原始光谱进行Savitzky-Golay(S-G)滤波和多元散射校正(Multiplicative Scatter Correction, MSC)预处理后,进行倒数(1/R)、倒数对数(log(1/R))与连续统去除(Continuum Removal, CR)变换,并结合分数阶微分(Fractional Order Derivative, FOD)处理,构建10种典型二维光谱指数作为特征。在此基础上,采用贝叶斯优化(Bayesian Optimization, BO)方法训练偏最小二乘回归(Partial Least Squares Regression, PLSR)、卷积神经网络(Convolutional Neural Network, CNN)、极限梯度提升(eXtreme Gradient Boosting, XGBoost)和支持向量机(Support Vector Machine, SVM)4种模型。结果表明:连续统去除组合二阶微分后的归一化差值指数(Normalized Difference Index, NDI)与土壤含盐量相关性最高(|r|=0.91);基于该变换的XGBoost模型反演性能最优,测试集决定系数(R2)、均方根误差(Root Mean Square Error, RMSE)与相对分析误差(Residual Prediction Deviation, RPD)分别达0.94、0.85 g·kg-1和4.33;SHAP(SHapley Additive exPlanation)可解释性分析进一步揭示,广义指数1(Generalized Index 1, GDI 1)为模型中最重要的特征。本研究为区域盐渍化高光谱监测提供了有效方法支持。