【摘要】为实现博斯腾湖湖滨绿洲土壤有机碳含量的快速估算，结合实测的土壤高光谱数据与土壤有机碳数据，通过连续小波变换(CWT)进行土壤光谱数据预处理，利用相关系数法(CC)、连续投影算法(SPA)、竞争自适应重加权采样(CARS)、遗传算法(GA)筛选的特征波段作为建模输入量，构建随机森林(RF)模型。结果表明：研究区土壤有机碳含量平均值随土层深度增加由12.36 g/kg降低至10.49 g/kg,变异系数平均值为69.62%,空间异质性较强；CWT变换可以有效提高不同土层深度土壤有机碳含量与光谱反射率间的相关性，不同土层深度相关系数均值平均提升约22.41%;光谱数据经过CWT变换构建的模型精度明显提升，RF模型验证集R~2与RPD分别平均提高7.09%、10.06%。CC、CARS、SPA、GA方法能消除光谱信息冗余，有效降低CWT-RF模型的输入量与RMSE值，土层深度0～20、20～40、40～60和60～80 cm筛选的特征波段平均压缩至全波段数目分别为8.51%、5.38%、2.21%和3.67%;RMSE值分别平均降低111.67%、135.61%、12.25%和74.96%,有效提升了建模速率与模型精度。利用CWT-SPA-RF模型对博斯腾湖湖滨绿洲0～80 cm土壤有机碳含量进行估算的效果最佳，构建的模型验证集R~2≥0.77,RMSE≤3.06 g/kg, RPD≥2.07。