基于高光谱特征的土壤有机质含量估测研究

Size: px

Start display at page:

Download "基于高光谱特征的土壤有机质含量估测研究"

精慎
7 years ago
Views:

1 中国生态农业学报 Chinese Journal of Eco-griculture 发布日期 : --6 * 基于高光谱特征的土壤有机质含量估测研究张娟娟余华乔红波, 马新明翟青云 (. 河南农业大学信息与管理科学学院郑州 45;. 河南农业大学农学院郑州 45) 摘要在室内条件下, 利用 SD5 高光谱仪测定了潮土和水稻土自然风干土壤样品的光谱通过系统分析两种不同类型土壤的高光谱特征差异及其有机质含量的敏感波段区位, 进而建立了土壤有机质含量的光谱估测模型结果表明, 随有机质含量的变化, 两种类型土壤表现出差异性光谱曲线, 一阶导数变换能较好地显现谱图中的肩峰潮土和水稻土有机质的敏感波段集中在相同区域, 原始反射率在 685 nm 处相关性最高, 而一阶导数光谱在 554 nm 处相关性最高通过对整体样本的多元逐步回归分析, 筛选出相同的土壤有机质敏感波段 8 nm 398 nm 和 546 nm 进一步以一阶导数为自变量, 基于 4 nm 和 554 nm 两个波段构建了土壤有机质差值指数 SOMDI 及估测模型, 即 Y = *(R_FD 554 -R_FD 4 ) 利用独立的样本对建立的光谱参数进行了检验, 预测决定系数均达.79 以上上述结果表明, 利用高光谱技术可实现土壤有机质的快速监测与诊断关键词高光谱土壤有机质敏感波段导数光谱估测模型中图分类号 : S53.6 文献标识码 : Monitoring Soil Organic Matter Content ased on Hyperspectral Properties ZHNG Juan-Juan YU Hua QIO Hong-o M Xin-Ming, ZHI Qing-Yun (. College of Information and Management, Henan gricultural University, Zhengzhou 45;. gronomy College of Henan gricultural University, Zhengzhou 45) bstract In this experiment, Visible-NIR spectral reflectance of the paddy soil and fluvo-aquic soil were measured by using an SD5 device. Using dried soil samples from two different soil types, the variations of the spectrum characteristics and sensitive wavebands in relation to changing OM were detected, and the spectral index-based models were established for SOM. The results showed that the spectrum curves of different soil types exhibited differential patterns under similar SOM content, and the first derivative could better describe the peak of the spectrum curve. It was found that the sensitive wavebands of two soil types existed in similar spectral region. The original spectral reflectance had negative correlation with OM in VIS-NIR ranges, with highest significance at 685 nm, and the first derivative spectrum had a negative significant correlation at 554 nm. Stepwise multiple regression analysis (SMR) revealed that for all calibration samples, the combined spectral bands of 8 nm, 398 nm and 546 nm could well estimate OM contents. Furhter, soil organic matter difference index (SOMDI) composed of the first derivatives of 4nm and 554nm gave a better prediction performance, with equation as Y= *(R_FD R_FD 4 ). Testing of the above monitoring model with independent datasets from two types of soil samples resulted in R of.78. It appears that it should be feasible to estimate the SOM quickly using hyperspectral technology. Key words Hyperspectra, Soil organic matter, Sensitive waveband, Derivative spectrum, Estimating Model 土壤信息化是精确农业中精确施肥和管理的前提, 利用光谱技术对土壤特性进行采集和分析是土壤信息定量化研究的重点土壤有机质 (SOM, Soil organic matter) 是反映土壤肥力的重要指标 [], 而近年来高光 [-4] 谱技术的发展和应用为监测土壤有机质含量及其变化提供了更为精确和便利的手段土壤有机质含量的不同会在可见光至近红外区域产生独特的光谱特征, 因而可见光 - 近红外波段成为监测土壤有机质含量的重要光谱区域研究表明, 土壤光谱反射系数与 SOM 含量呈显著负相关 [5-6], 因此可以利用土壤光谱反射特性来估测 SOM 含量然而, 目前关于有机质的光谱反演结果仍存在一定的分歧, 选 [7] 取的敏感波段差异较大如沙晋明等通过测定不同土壤剖面上的土层光谱, 发现与有机质含量有较好负 [8] 相关的土壤光谱为紫外区的 nm 波段可见光区的 66.5 nm 波段和近红外区的 74. nm 波段何挺等通过对宜兴和横山县采集的土样的光谱反射特性与土壤有机质之间的关系进行分析, 表明在可见光 675 nm [9] 一阶导数的相关性最强, 而基于多元回归筛选的波段为 87 nm 849 nm 68 nm 刘焕军等和卢艳丽 [] 等分别研究了东北黑土的高光谱特性, 前者认为 6~8 nm 波段范围是东北黑土有机质的主要光谱响 * 国家自然科学基金项目 (39868), 河南省科技攻关项目 (3) 资助张娟娟 (979 ), 女, 讲师, 博士, 主要从事农业遥感监测方面的研究 zhangjuan_3@6.com 收稿日期 : 9 5 接受日期 : 8

2 中国生态农业学报 Chinese Journal of Eco-griculture 应区域, 最大响应区在 7 nm 附近 ; 而后者研究结果表明土壤有机质含量与原始光谱反射率在 545~83 nm 呈显著负相关 ; 与 48~598 nm 的一阶导数光谱呈现极显著负相关, 而在 nm 和 nm 波 [] 段范围内具有极显著的正相关性刘磊等研究了基于江西省余江县和泰和县采集的 34 个红壤土样的有机质反射光谱特性, 结果显示利用偏最小二乘回归法建立的模型精度优于多元逐步线性回归法建立的模型上述研究表明, 用可见光 - 近红外光谱可以对土壤有机质进行预测反演, 但不同研究中选取的土壤类型不同敏感波段有较大差异 ; 此外, 缺乏统一科学的测试条件也是影响因素之一目前还尚少有研究对潮土和水稻土的高光谱反射特性的差异进行系统的比较和分析因此, 本文在测试条件统一的前提下, 通过对比研究潮土和水稻土两种不同类型土壤光谱特征的差异, 基于敏感波段选择和逐步回归分析, 进而实现对上述两种类型土壤有机质含量信息的有效提取和可靠监测, 同时为今后土壤有机质的监测提供参考材料与方法. 试验设计土壤样品来自 6 年的河南郑州小麦试验和 8 年的江苏南京水稻试验郑州小麦试验采用土柱法在河南科教园区进行土柱管为 PCR 材料, 管长. m, 直径为 5 cm 供试土壤为潮土, 小麦品种为豫麦 34, 试验为有机肥无机肥配比试验, 设置 3 个处理 : 有机肥有机肥 + 氮肥及氮肥 3 个处理 ( 按每 667 m 施 5 kgn 计算 ), 共 36 个土柱于 6 年小麦拔节期抽穗期和成熟期共获取土样 66 个 ( 除去异常样本后 ), 深度为 ~ cm ~4 cm 4~6 cm 6~8 cm 8~ cm ~ cm 南京供试土壤为水稻土, 水稻品种为武香粳 4 和 73, 设置 3 个氮肥处理 : 8 4N kg 667m -, 试验设计为随机区组试验, 重复 3 次于水稻成熟期月 5 日采集土样 ( 两个重复 + 播前基础土样 ) 共 68 个, 每小区土壤取样深度分别为 : ~ cm ~ cm ~3 cm 3~5 cm. 样品采集与制备郑州土样直接将土柱挖出, 按不同深度随机选取样本充分混合 ; 南京土样的采集采用梅花法采集 5 点的混合样本样品经自然风干后, 用木棒压磨后粗略去除沙砾及植物残体, 然后过目筛子混合均匀, 供光谱测试和化学分析用.3 反射光谱测量采用 SD FieldSpec Pro 地物光谱仪测量土壤样品的反射光谱数据该光谱仪波长范围为 35~ 5 nm, 采样间隔为 3 nm(35~ nm) 和 nm( ~ 5 nm), 重采样间隔为 nm, 输出波段数为 5 光源为仪器配套的功率为 W 的卤素灯, 探头视场角为 5 操作过程在四周黑暗的实验室进行, 光源照射方向与垂直方向夹角 3, 探头到土样表面距离 5 cm, 把适量经处理的 mm 土壤样品倒入盛样皿中, 用玻璃稍稍压实, 使其表面尽量平整每个样品旋转 3 次, 每个角度扫描次, 共 36 次, 求其平均值.4 土壤有机质分析 [] 土壤样品经光谱测量后, 采用重铬酸钾容量法外加热法分析有机质含量.5 数据处理与分析.5. 光谱曲线的平滑由于光谱仪波段间在能量响应上的差异, 使光谱曲线存在一些噪声, 为得到平稳的变化模式, 需平滑波形, 以去除包含在信号内的少量噪声如果噪声的频率较高, 且量值也不大, 用平滑方法可在一定程度上降低噪声本研究采用 Savitzky-Golay 多项式平滑去噪处理, 光谱曲线给出了 N 个测定点的序列 {R i, i=,, 3, N}( 本研究中, N= 5) 平滑中, 对窗口 7 个数据点拟合三次多项式, 并由所得数学模型对平滑的点进 [3] 行计算, 计算公式为 : y i =(-y i-3 +3y i- +6y i- +7y i +6y i+ +3y i+ -y i+3 )/ ().5. 微分光谱技术为消除背景噪音的影响, 变非线性关系为线性关系, 常对原始反射率作倒数平方根对数倒数的对数一阶导数和二阶导数的变换比较而言, 一阶导数可以迅速确定光谱的拐点及最大最小反射率的波长位置 Cloutis 的研究表明 [4], 光谱经过低阶导数处理以后, 对噪声影响的敏感性有所降低, 因而在实际 [8] 应用中较为有效一般用光谱的差分作为导数的有限近似, 计算公式如下 : R (λ i )=[R(λ i ) 一 R(λ i- )]/ λ () R (λ i ) =[ R (λ i ) 一 R (λ i- )]/ λ =[R(λ i+ )- R(λ i )+R(λ i- )]/ λ (3) 式中, λi 为每个波段的波长 ; R (λ i ) 和 R (λ i ) 分别为波长的一阶和二阶微分光谱 ; λ是波长 λ i 到 λ i- 的间隔, 视

3 张娟娟等 : 基于高光谱特征的土壤有机质含量估测研究波段波长而定随着 λ的增加, 光谱微分曲线趋向于平滑, 可能导致滤除许多细微光谱特征的后果, 本研究中取 λ= nm.5.3 土壤有机质差值指数 (SOMDI) 的构建本研究在分析土壤光谱曲线吸收特征的基础上构建了反映土壤有机质含量的土壤有机质差值指数 (SOMDI), 计算公式如下 : SOMDI=R_FD 554 R_FD 4 (4) 其中, R_FD 554 为 554 nm 的一阶导数, R_FD 4 为 4 nm 的一阶导数, 这两个波段的选取依据基于文中估算模型的建立与检验对土壤有机质含量与土壤反射率及其变换形式逐波段地进行相关分析, 计算相关系数 R, 选取相关系数最高的一个波段作为其敏感波 ; 并对所有波段进行逐步回归分析数据处理和分析通过 Matlab7. 编程实现 [5] 将 34 个混合样本随机分成两组, 一组用于建立回归预测模型 ( 建模样本, 共个 ), 另一组用于验证已建立的回归模型 ( 测试样本, 共 3 个 ) 选择以下二个指标来评价监测模型的预测效果决定系数 R : 即相关系数 R 的平方值, 反映预测值解释实测值变化的程度 R 越大, 模型越稳定其计算公式为 : R = n n ( y ) / ( = i i y y i= i y ) 均方根偏差 RMSE: 检验模拟值和实测值的符合度 RMSE 越小, 模型精度越高, 预测能力越好其计算公式如下 : RMSE n = i = yi ( y ) n (6) i 结果与分析. 不同类型土壤样本的有机质含量变化表给出了两种不同类型土壤有机质含量测定结果的统计特征可以看出, 潮土样本的有机质含量水平较低, 而水稻土的有机质含量平均值要明显高于潮土二种类型土壤的有机质含量均表现为较大的变异性, 其中水稻土的变化范围为 5.9~4.85 g kg, 潮土的变化范围为.43~4.7 g kg 表土壤有机质含量统计特征 Table Statistic characteristics of SOM content (5) g kg 取样地点土壤类型样品个数最大值最小值平均值标准差 Sampling site Soil type Sample number Maximum Minimum Mean Std. deviation 郑州 Zhengzhou 南京 Nanjing 两种土壤类型相同有机质含量下的反射光谱及一阶导数光谱特征图为具有相同有机质含量 (3.53 g kg ) 的两种类型土壤的光谱反射曲线变化从图 () 可以看出, 除在 4 nm 和 9 nm 两个水分吸收峰外, 土壤光谱曲线整体表现平缓, 两种土壤类型整体光谱变化趋势并无明显差别然而, 虽然两种土壤的有机质含量相同, 但由于土壤组成不同而使反射率表现为明显的差异, 如有机质含量为 3.53 g kg 的潮土反射率明显低于相同有机质含量的水稻土图 () 为其一阶导数光谱, 表明经一阶导数变换后, 在 554 nm 48 nm 99 nm 附近分别出现了不同的正负峰值, 可见一阶导数较有利于显现原始谱图中的肩峰反射率 Reflectance 波长 wavelength(nm) First Derivative 一阶导数光谱波长 Wavelength

4 中国生态农业学报 Chinese Journal of Eco-griculture 图两种土壤类型相同有机质含量 (3.53 g kg - ) 原始反射率 () 及一阶导数 () 光谱特征 Fig. Spectral reflectance () and its first derivative () of two soil types with equal SOM content (3.53 g kg - ).3 土壤有机质与光谱反射率及其一阶导数的相关性图为郑州潮土 (n=5) 南京水稻土 (n=5) 及两地所有标定样本 (n=) 的原始反射率及一阶导数与土壤有机质含量的相关性由图 () 可以看出, 土壤有机质与原始反射率除水稻土在 9~ nm 和 4 nm 以外, 其余波段均呈极显著负相关, 且相关系数从 558 nm 开始至 38 nm 均大于.8; 至 38 nm 以后, 3 种样本相关系数随波长的增加表现不同, 其中水稻土相关系数绝对值下降最快, 可能是不同土壤类型土壤组成的差异引起图 () 为经过平滑后一阶导数混合样本与土壤有机质的相关性分析由于平滑和一阶导数变换能较好地消除背景噪音的影响, 混合样本经导数变换后在 49~77 nm 4~ 44 nm 呈极显著负相关, 而在 78~9 nm 36~ 4 nm 96~ 9 nm 呈极显著正相关从图可以看出, 两种类型土壤相关性高的波段选择即土壤有机质的敏感波段集中在相同区域因此, 可建立统一模型来预测两种不同类型土壤有机质的含量相关系数 Correlation coefficient. 水稻土 + 潮土 Paddy soil and Fluvo-aquic soil 水稻土 Paddy soi 图 l 土壤有机质与原始反射率 () 及一阶导数 () 的相关性 Fig. Correlation of soil organic matter content to original reflectance () and its first derivative () 从图可以看出, 土壤有机质与原始反射率的最大相关系数均出现在 685 nm, 因而用 685 nm 的反射率与有机质建立直线方程 ; 而与一阶导数的相关系数在 554nm 处达到.9, 因此可用 554 nm 处的一阶导数来预测土壤有机质含量, 如图 3 所示土壤有机质含量 SOM content (g kg - ) 波长 Wavelength(nm) y = -5.5x R² =.85 t 相关系数 Correlation coefficien 土壤有机质含量 SOM content (g kg - ) 3 波长 Wavelength(nm) y = -.9x R = 反射率 Reflectance(λ=685 nm) 图 3 土壤有机质含量与原始反射率 () 及一阶导数 () 的关系 Fig.3 Relationship of soil organic matter content to spectral reflectance at 685nm () and its first derivative at 554nm ().4 基于逐步回归的土壤有机质含量模型一阶导数 FD(λ=554 nm) 从图可知, 经过导数变换后有机质敏感的波段更加显著为此, 对潮土 (n=5) 水稻土 (n=5) 及整体

5 张娟娟等 : 基于高光谱特征的土壤有机质含量估测研究样本 (n=) 在全波段范围 (35~ 5nm) 的一阶导数进行逐步多元回归由于自变量个数较多, 在逐步回归时各模型中随着入选自变量增加, 相关系数也逐步增加考虑到模型在实际应用中的可能性, 本文对各模型自变量的筛选, 以当相关系数达到.9 时选取的自变量个数最适 ( 如表所示 ) 水稻土和潮土由于土质的差别, 筛选的波段有较大差异 : 水稻土选取的波段为 8 nm 49 nm 87 nm 795nm, 而潮土选取的波段为 568 nm 839 nm 将两种土质的样本放在一起进行逐步多元回归, 选取的波段为 8 nm 398 nm 546nm, 决定系数达到.9 可以看出, 两种类型样本一起分析筛选的敏感波段与单一土壤类型有所不同, 这是因为土壤理化特性不同土壤反射光谱变化也不一致, 一起分析需要选取共同的敏感波段作为入选波段, 故选取的波段有所差别 Table 表多元线性逐步回归的结果 Results of multi-linear regression analysis 土壤类型样本个数自变量入选波段及顺序模型决定系数 Soil type Sample number 5 5 两种样本 Two samples Independent variable 一阶导数 First derivative 一阶导数 First derivative 一阶导数 First derivative The band selected in order (nm) Coefficient of determination for model 由上表看出, 土壤类型不同筛选的建模波段有一定差异, 但两种样本可筛选相同的波段来进行预测, 建立统一回归方程为 : Y= x X X 546 (7) 这里 X λ 为光谱的一阶导数, Y 为土壤有机质含量, 模型的决定系数为 R =.9, 且 F=37.4 > F., 说明 Y 与 X λ 之间线性相关显著.5 基于土壤有机质差值指数的有机质含量模型通过相关分析和逐步回归方法后选取与有机质含量相关性较高的波段做差值, 可以综合利用较多波段信息, 同时减小光谱测试中引起的系统误差通过比较相关分析及逐步多元回归筛选出的波段, 发现利用 4 nm 和 554 nm 两个波段一阶导数作差值与有机质回归的决定系数最大 ( 为.9), 大于基于单一波段对有机质的预测因此, 利用个土样建模数据, 根据式 (4) 计算出土壤有机质差值指数 SOMDI, 建立土壤有机质含量的线性预测方程为 : 土壤有机质含量 SOM content (g kg - ) 3 Y = *SOMDI (8) y = -.85x R =.9.6 估测模型的验证 SOMDI 图 4 土壤有机质含量与 SOMDI 的关系 Fig.4 Relationship between soil organic matter content and SOMDI 为了评价模型的精度, 利用建模以外的独立样本 (n=3) 来对上述估测模型的有效性进行了测试图 5 为利用土壤光谱在 685 nm 的原始反射率和 554 nm 的一阶导数反演土壤的有机质含量, 结果显示利用一阶导数反演土壤有机质含量的精度稍高于原始反射率这是由于导数转化前对光谱曲线进行了平滑, 消除了噪声, 同时导数光谱还可以消除基线漂移和平缓背景干扰的影响, 能获得比原始光谱更清楚的信息图 6 为利用逐

6 中国生态农业学报 Chinese Journal of Eco-griculture 步多元回归筛选出的 3 个波段 8 nm 398 nm 546 nm 及其土壤有机质差值指数建立的模型反演出的土壤有机质含量, Rc 和 Rv 都大于用单一敏感波段的预测效果, 而 RMSEC 和 RMSEP 相对较小 ( 表 3) 从总体结果上看, 通过逐步回归筛选的组合波段及构建的差值指数对土壤有机质含量具有较强的预测能力预测有机质含量 Estimated 预测有机质含量 Estimated OM 3 3 R =.79 3 预测有机质含量 Estimated 3 R =.83 3 图 5 基于反射率 (λ=685nm)() 一阶导数 (λ=554nm)() 的土壤有机质估测模型检验结果 (n=3) Fig.5 Result validation of SOM models by reflectance at 685nm) () and its first derivative at 554nm () (n=3) R =.86 3 预测有机质含量 Estimated 图 6 基于逐步多元回归 () 和有机质差值指数 () 的土壤有机质估测模型检验结果 (n=3) Fig. 6 Result validation of SOM models based on SMLR () and SOMDI ()(n=3) 3 R =.86 3 表 3 不同方法建模及检验结果的比较 Table 3 Results of calibration and validation based on different methods 不同方法建模 Calibration (n=) 检验 Validation (n=3) Different method 决定系数 Rc 均方根偏差 RMSEC 决定系数 Rv 均方根偏差 RMSEV R λ =685nm R_FD λ =554nm SMLR SOMDI 结论和讨论由于土壤光谱反射率是土壤内在理化特性的综合反应, 不同类型的土壤, 其理化性质存在差异, 光谱特征也表现不同 [6] ; 而且即使在有机质含量相同的情况下, 土壤反射光谱也可能不尽一致 [3] 另外, 即使同一类

7 张娟娟等 : 基于高光谱特征的土壤有机质含量估测研究型土壤, 不同的成土母质对其光谱特性也有影响 [7] 因此, 一般认为难以建立统一的土壤有机质估测方程本研究表明, 水稻土和潮土通过逐步回归选取的有机质敏感波段存在一定差异, 但有机质敏感的导数波段基本集中在相同区域 (49~77nm 4~44 nm 及 78~9 36~ 4 96~9 nm), 因此, 有可能建立统一的模型来估测土壤有机质含量此外, 本研究显示, 可见光及近红外区域均存在有机质的敏 [] 感波段卢艳丽等研究表明, 黑土有机质在 545~83 nm 呈显著负相关, 与 48~598 nm 的一阶导数光谱呈极显著负相关, 而在 86~93 nm 和 39~ 45 nm 波段范围内具有极显著的正相关这些结果表明, 对于多种土壤类型在可见光部分有相似的敏感波段, 因而有可能建立统一的方程来估测土壤有机质含量两种类型土壤样本的导数光谱能够较好地分析谱图中的肩峰导数光谱在可见光 554 nm 处与有机质决定系数可达.9, 高于原始反射光谱与有机质在整个区域的相关系数, 这可能是由于导数光谱能够较好地减小噪音及各种背景信息干扰的影响, 同时还具有消除基线漂移的作用, 能获得比原始光谱更清楚的信息, 这在东北黑土 [] [7] 浙江水稻土等研究中也得到了证实利用高光谱技术监测土壤有机质含量是实现土壤肥力快速测定的一个有效工具本研究结果表明, 原始反射率变换后的一阶导数及其可见光与近红外波段的组合光谱均能较好地预测两种类型土壤的有机质含量尤其是以一阶导数为自变量构建了两种类型土壤的有机质差值光谱指数 SOMDI, 高于用单一波段建模的结果, 为两种类型土壤有机质的快速监测与精确诊断提供了技术途径但本研究中选取的样品相对于水稻土和潮土两种土壤类型来说, 有机含量相对较低, 覆盖范围较窄, 因而使得模型的精度受到一定限制, 今后有必要对多种土壤类型做进一步的研究探索参考文献 [] 杨世琦, 张爱平, 杨淑静, 等. 典型区域果园土壤有机质变化特征研究 [J]. 中国生态农业学报, 9, 7(6): 4-7. [] 屈晓晖, 庄大方, 彭望碌, 等. 基于 NN 分类的农田遥感动态监测模型研究 [J]. 自然资源学报, 7, (): [3] endor E, anin. Near-infrared analysis as a rapid method to simultaneously evaluate several soil properties [J]. Soil Science Society of merica Journal, 995, 59: [4] 丛建鸥, 李宁, 许映军, 等. 干旱胁迫下冬小麦产量结构与生长生理光谱指标的关系 [J]. 中国生态农业学报,, 8(): 67-7 [5] 徐彬彬, 戴昌达. 南疆土壤光谱反射特性与有机质含量的相关分析 [J]. 科学通报, 98, 5(6): [6]Mccarty G W, Reeves Ⅲ J, Reeves V, et al. Mid-infrared diffuse reflectance spectroscopy for soil carbon measurement[j]. Soil Science Society of merica Journal,, 66 () : [7] 沙晋明, 陈鹏程, 陈松林. 土壤有机质光谱响应特性研究 [J]. 水土保持研究, 3, (): -4. [8] 何挺, 王静, 林宗坚, 等. 土壤有机质光谱特征研究 [J]. 武汉大学学报信息科学版, 6, 3: [9] 刘焕军, 张柏, 赵军, 等. 黑土有机质含量高光谱模型研究 [J]. 土壤学报, 7, 44(): 7-3. [] 卢艳丽, 白由路, 杨俐苹, 等. 基于高光谱的土壤有机质含量预测模型的建立与评价 [J]. 中国农业科学, 7, 4(9): [] 刘磊, 沈润平, 丁国香. 基于高光谱的土壤有机质含量估算研究 [J]. 光谱学与光谱分析,, 3(3): [] 鲍士旦. 土壤农化分析. 中国农业出版社 [M], 999: [3] 李民赞. 光谱分析技术及其应用. 科学出版社 [M], 6. [4] Cloutis E. Hyperspectral geological remote sensing: Evaluation of analytical techniques [J]. International Journal of Remote Sensing, 996, 7(): 5-4. [5] 李强, 赵伟. MTL 数据处理与应用 [M]. 北京 : 国防工业出版社,. [6] 徐彬彬. 土壤剖面的反射光谱研究 [J]. 土壤,, 3(6):8-87. [7] 周清, 周斌, 张杨珠, 等. 水稻土 SOM 含量高光谱模型的母质差异性研究 [J]. 科技通讯, 4, (6):

39 7 : ASDFieldSpec?3 2) (350~2500 : nm) 50 W, 25, 15, (root mean square error of 40cm 15cm 10,cross-validation,RMSECV) (R 2 cv) ; (350~399nm

39 7 : ASDFieldSpec?3 2) (350~2500 : nm) 50 W, 25, 15, (root mean square error of 40cm 15cm 10,cross-validation,RMSECV) (R 2 cv) ; (350~399nm 39 7 20147 GeomaticsandInformationScienceofWuhanUniversity Vol.39No.7 July2014 DOI:10.13203/j.whugis20130202 :1671-8860(2014)07-0862-05 1 2 3 1,,430079 2,,518060 3,,430079 : 基于江苏省宜兴市 100 个土样的可见光 - 近红外高光谱反射率