土壤是一种重要的环境资源,有机质是衡量土壤肥沃度的重要标准,因此预测土壤有机质含量具有重要意义。相比传统的实地网格采样预测方法,通过遥感技术预测有机质含量具有成本低、效率高、预测精度较高的特点。本文以江西省乐安河及其径流附近的土壤有机质为研究对象,以Landsat5TM单影像的光谱反射率和植被指数为输入特征建立遗传算法优化的SVR、BP模型和改进鱼群算法优化的SVR、BP模型;并通过GIS技术提取地形因子作为增加的输入变量,探究其对模型的精度影响情况;再在以上的基础上通过多时相Landsat影像来增加光谱信息对土壤有机质含量的响应能力,并通过特征提取方法选取特征波段,建立最佳的反演模型;最后通过提出新型水体指数提取研究区水体并结合最佳反演模型对研究区的河流沿岸150m缓冲区进行了有机质含量制图得到如下结论:（1）通过相关性分析选取Landsat5TM单影像的B1、B2、B3和NDVI作为输入变量建立了 SVR、GA-SVR、ADAFSA-SVR、BP、GA-BP、ADAFSA-BP6 种模型,通过比较分析得到ADAFSA-BP模型最佳R2=0.361,RMSE=0.626,MAE=0.593。（2）通过相关性分析在输入变量中加入地形因子:高程、坡度、平面曲率和剖面曲率,使得6种反演模型的训练效果和预测效果均有明显的提升。从测试集的预测值相对误差得到地形因子对低土壤有机质含量的预测精度有明显改善。两种机器学习方法建立的最优模型分别为ADAFSA-SVR,R2=0.424,RMSE=0.594,MAE=0.52;ADAFSA-BP,R2=0.519,RMSE=0.543,MAE=0.504。它们对应的RPD分别为1.35和1.44。ADAFSA-BP模型具备一定的可靠性。（3）ADAFSA相比GA在SVR寻参迭代上所需迭代次数更少;在BP上前者虽然迭代次数较多,但是可以跳出局部最优解寻找到更合适的解。SVR在学习速度上要远快于BP,智能算法对于SVR常用的网格搜索法在速度上有提升。在小样本学习能力方面,最好的小样本学习模型是ADAFSA-BP,但是SVR模型对于训练集减少带来的预测精度降低影响是最小的。（4）通过不同时间同一地域的多幅landsat5TM影像叠加,构成类似高光谱影像的多时相影像,利用PCA、ICA、MNF特征提取方法,建立ADAFSA-SVR、ADAFSA-BP、ELM模型。得到以MNF方法提取的前10个方差最大量特征波段和地形因子作为输入变量建立的ELM模型效果最佳,其训练集R2=0.772,RMSE=0.375,MAE=0.297,其测试集 R2=0.602,RMSE=0.521,MAE=0.463,相对分析误差RPD为1.68,通过引入多时相影像波段信息和地形因子建立ELM模型,获得了更可靠的研究区有机质制图反演模型。利用新型水体指数ICWI解决了 NDWI在提取研究区细小水体和山体阴影对水体提取的不足,并进行了研究区河流沿岸150m范围的制图,但是制图效果不佳。图[24]表[20]参[81]