用地物光谱ATP9110-25H看土壤：贵州山区土壤有机质的"快速体检"新方法

团队在贵州 13 个县区采集 189 个土壤样本，光谱范围覆盖 300–2500 nm，涵盖黄壤、水稻土、紫泥土等多种类型，实现了对复杂地貌区土壤特征的有效表达。

更精准的土壤健康评估
联合算法能有效降低波段冗余，提高模型稳定性。

助力山地农业管理
山区耕地零散，监测成本高，高光谱能够提供快速、可靠的数据支撑。

为未来大范围遥感应用奠定基础
研究验证了联合算法在高光谱反演中的可行性，为区域农业监测提供新方案。

更精准的土壤健康评估
联合算法能有效降低波段冗余，提高模型稳定性。

助力山地农业管理
山区耕地零散，监测成本高，高光谱能够提供快速、可靠的数据支撑。

为未来大范围遥感应用奠定基础
研究验证了联合算法在高光谱反演中的可行性，为区域农业监测提供新方案。

图4展示了四种特征波段筛选算法的结果。对于 SPA（图4a），随着变量数量增加，模型 RMSE 整体下降，当 RMSE 最小为 0.60 时，对应的 186 个波长被确定为**特征变量。UVE 的稳定性分析（图4b）通过对比光谱矩阵与随机噪声矩阵，并设置 ±28 的阈值剔除无效变量，最终得到 622 个有效波长。CARS（图4c）基于十折交叉验证与回归系数路径变化判断**采样点，第 24 次采样的 RMSE 最低，筛选得到 71 个变量。IRIV（图4d）在设定 5 次交叉验证和** 10 个主成分的条件下，经过 9 次迭代得到 66 个特征波段，其中包含 17 个强信息变量和 49 个弱信息变量。

图5进一步展示了四种算法在 300~2500 nm 范围内提取的敏感波长数量：UVE、SPA、CARS、IRIV 分别筛选出 622、186、71 和 66 个波段，分别占全波段的 28.92%、8.64%、3.30% 和 3.06%。结果显示，这些特征波段主要集中在可见光（400~780 nm）与近红外（780~1100 nm）区域。经过单一算法筛选后，光谱中的冗余信息被有效剔除，有助于提升模型构建效率。

本研究以山区耕地土壤为对象，对土壤有机质含量开展高光谱反演。首先对原始光谱进行一阶导数（1D）预处理，并分别采用 UVE、SPA、IRIV 和 CARS 四种单一算法筛选特征波长，构建 RF 与 SVM 模型；随后对四种算法进行组合，进一步筛选变量并建立联合预测模型。研究表明：（1）1D 预处理后光谱与土壤有机质的相关性显著增强，能够有效突出光谱细节并降低噪声。（2）单一特征筛选算法虽具备降维能力，但仍存在变量冗余；联合算法能进一步压缩变量并提升模型精度。（3）其中 UVE-SPA-SVM 模型表现**，R²=0.87、RMSE=8.31、RPD=2.82，明显优于单一算法。（4）联合算法提升了模型的稳定性和反演能力，但贵州山区地形复杂，不同区域的适用性仍需进一步验证。