摘要：为实现干旱地区土壤水分含量（soil moisture content,SMC）的快速监测,该文以渭干河-库车河绿洲为靶区,采用小波变换（wavelet transform,WT）对反射光谱进行1-8层小波分解,通过相关性分析确定最大分解层数,再通过竞争性自适应重加权（competitive adaptive reweighted sampling,CARS）滤除冗余变量,筛选出与SMC相关性较好的波长变量,并叠加各层特征光谱的优选波长变量作为最优变量集,用偏最小二乘回归（partial least squares regression,PLSR）构建土壤水分含量预测模型并进行分析。结果显示：1）小波分解过程中,土壤反射率与SMC的相关性不断增强,到小波变换第6层分解（L6）处达到最高,因此小波变换最大分解层数为6层分解;2）通过对土样进行WT-CARS耦合算法筛选出变量,得出的最优变量集包括400-500、1 320-1 461、1 851-1 961、2 125-2 268 nm区域之间共131个波长变量;3）相对于全波段预测模型,各层特征光谱的CARS优选变量预测模型的精度均高,并且基于最优变量集的预测模型的精度最高,该模型的建模集均方根误差0.021、建模集决定系数0.721、预测集均方根误差0.028、预测集决定系数0.924、相对分析误差2.607。说明WT-CARS耦合算法使其在建立模型时尽可能少地损失光谱细节、较为彻底的去除噪声,同时还能对无信息变量进行有效去除,为该研究区SMC的预测提供新的思路。

关键词：土壤 含水率 光谱分析 小波变换 竞争适应重加权采样算法 

单位：新疆大学资源与环境科学学院; 乌鲁木齐830046; 新疆大学绿洲生态教育部重点实验室; 乌鲁木齐830046