下载文档原格式
高光谱遥感技术在土壤质量评估中的应用研究第一章：引言（200字）随着人类经济的不断发展和环境问题的日益突出，土壤质量评估成为了保护土地资源和持续农业发展的重要课题。
传统的土壤质量评估方法受限于样品获取的困难、周期性和高成本等问题，无法全面准确地综合评价一个大范围内的土壤质量。
而高光谱遥感技术正是针对这些问题而发展起来的一种先进地球观测技术，具有获取大范围土壤光谱信息的优势。
本文将介绍高光谱遥感技术在土壤质量评估中的应用研究。
第二章：高光谱遥感技术概述（200字）高光谱遥感技术是通过获取大范围土地表面所反射、辐射或发射的光谱信息，对不同波长范围内的光谱数据进行获取、分析和解译。
它能够获取土地表面细微特征，如土壤湿度、有机质含量、养分含量等信息，为土壤质量评估提供全面准确的数据支持。
第三章：高光谱遥感技术在土壤湿度评估中的应用（200字）高光谱遥感技术在土壤湿度评估中具有重要的应用价值。
传统的土壤湿度检测方法需要进行大量的土样采集和实验室分析，耗时且成本高。
而高光谱遥感技术能够快速获取大范围土地表面的多光谱数据，通过光谱特征参数的分析和模型的建立，可以实现对土壤湿度的定量评估。
第四章：高光谱遥感技术在土壤有机质评估中的应用（200字）土壤有机质是衡量土壤质量的重要指标之一。
传统的土壤有机质测量方法需要大量的土壤样品和复杂的化学分析，费时费力。
而高光谱遥感技术可以通过光谱反射率与土壤有机质含量之间的关系，建立起预测模型，实现对土壤有机质空间分布的精准评估。
第五章：高光谱遥感技术在土壤养分评估中的应用（200字）土壤养分是农作物生长的关键因素之一。
传统的土壤养分检测方法需要采集大量的土壤样品，而光谱遥感技术可以通过对土壤光谱数据的分析，获得土壤养分的空间分布信息。
通过光谱数据与土壤养分含量的相关关系建模，可以实现大范围土壤养分评估。
第六章：高光谱遥感技术在土壤质量评估中的局限性和发展前景（200字）高光谱遥感技术在土壤质量评估中的应用还存在一些局限性。
设施农业2023-0727农业工程技术（设施农业）基于高光谱遥感的土壤有机质反演模型研究进展*摘要:利用高光谱遥感反演土壤有机质与传统的化学分析方式有很大的优势，促进现代农业的发展。
国内外利用高光谱反演土壤有机质含量模型进行了大量的研究，从最初的线性回归模型发展到如今较为复杂的非线性模型，该文总结了常见的高光谱对有机质含量建模方法与模型特点。
通过分析总结前人的研究发现，目前土壤有机质含量模型研究进展主要有运用的模型复杂化、反演模型的评价方法多样化、多种建模方法综合应用及深度学习大数据分析新技术更加普遍。
关键词: 高光谱遥感；土壤有机质含量；反演模型土壤有机质是衡量土壤肥力的重要指标，是维持农业健康发展、土地质量评价的重要考虑因素[1]。
传统的土壤有机质化学测定方法试剂消耗量大、具有一定危险性、对操作人员有专业性要求等原因，难以做到迅速、大规模和周期性地土壤有机质含量测定[2]。
而高光谱遥感可以快速地进行大范围、周期性、快速的特点受到人们的关注。
利用高光谱反演土壤有机质含量最重要的是建立土壤高光谱信息与有机质含量之间的联系。
目前利用高光谱遥感反演土壤有机质含量的模型中，大体可以分为两大类。
一类是线性模型。
例如：偏最小二乘法，多元线性回归模型；另一类是非线性模型。
例如：反向神经网络，随机森林，支持向量机等。
根据目前的研究进展，总结了现阶段利用高光谱遥感反演土壤有机质含量方法和模型的特点。
1 土壤有机质的高光谱反演模型发展历程1965年，Bowers 等[3]开始研究土壤与光谱反射之间的关系时就发现土壤有机质含量与光谱反射之间存在负相关的关系。
21世纪前，主要是研究土壤有机质与高光谱反射率之间的定性关系上的研究，处于探索阶段，研究样本数量较少，使用的模型主要以多元线性回归，偏最小二乘回归等线性方法为主[4]。
近年来随着研究的深入与研究工具的进步，更多的模型方法，研究方式的韦森超1，梁立恒1，董炜华1**，李晓强1，邓守奇1,2（1.长春师范大学地理科学学院，吉林 长春 130123；2.长春文理高中，吉林 长春 130062）改进，比如机器学习与深度学习[5]。
第!"卷第"期干旱地区农业研究#$%&!"’$&" !(()年)月!"#$%&’(&#)’*+,+)#%-$.(-+!#$/!#+),*+,!(()土壤参数的光谱实时分析谢伯承-，!，薛绪掌-，王纪华-，王国栋!（-&国家农业信息化工程技术研究中心，北京-(((./；!&西北农林科技大学资源与环境学院，陕西杨凌0-!-((）摘要：使用12345!)((便携光谱仪对国家精准农业示范区原状土土壤水分、有机质、’6"7、89和:;等参数进行了野外测定测评。
用原反射率倒数的对数（!值）分别与各土壤参数建立的直线相关模型均取得较好相关结果。
分析认为土壤有机质的测定选用0<!=>波段，’6"7光谱吸收波段在?"-=>时相关性最好，电导率选用-?-?=>作为测定波段为最佳。
这些模型可作为土壤参数估测和评价的参考。
关键词：土壤参数；土壤反射率；精准农业中图分类号：2-)/文献标识码：1文章编号：-(((@0<(-（!(()）("@(()?@(?精准农业（:ABCDED$=+FADCG%HGAB）是近年来国际上农业科学研究的热点领域，也是现代信息技术和传统农业紧密结合的产物［-］。
随着精准农业的发展迫切要求遥感技术能够为其提供快速，准确的地表信息，如土壤水分含量、有机质含量，粗糙度、质地特性等。
从精准农业的本质来说，它是一种变量技术，目前采用较普遍的是产量图的获取和基于网格取样的变量施肥技术。
然而基于土壤养分状况和产量目标确定施肥处方，很少考虑土壤的其它理化性状，是目前变量施肥技术的缺陷，也是变量施肥增产效果不明显的重要原因之一。
目前对农田土壤信息的监测基本上仍沿用实验室化验分析的方法，由于耗资，费时，因而使农田土壤栅格式采样的空间尺度偏大，采样点偏于稀疏，难于建立较为精细的土壤参数空间分布图［!］。
土壤有机质不同测定方法的对比土壤有机质是指土壤中的有机物质含量，它是土壤中重要的营养贮备物质，对土壤肥力和生态系统的功能具有非常重要的影响。
准确测定土壤有机质含量对于科学评估土壤肥力和环境质量具有重要的意义。
目前，有关土壤有机质含量测定方法众多，各具特点，但其测定结果却有时存在较大差异。
对比不同的土壤有机质测定方法，有助于找到最适合的测定方法，提高土壤有机质测定的准确性。
土壤有机质的测定方法主要有理化法、化学法和光谱法等，下面将对这几种常见的测定方法进行对比分析，以期能够准确地评价土壤有机质含量。
一、理化法理化法是通过物理性质或化学性质的变化，来间接测定土壤有机质含量的方法。
其优点在于操作简单，流程清晰，但是一般只适用于含有机质很少的土壤。
典型的理化法包括重量法和气体法。
重量法是通过干燥土壤样品后，测量土壤重量的减少来计算有机质含量，这种方法操作简单，但是对于含水量和含盐量较高的土壤，测定结果可能会有偏差。
气体法则是通过测定土壤中有机质的燃烧产生的气体体积，来计算有机质含量，但是该方法需要专门的仪器设备，成本较高，且对于深层含有机质的土壤测定效果较差。
二、化学法化学法是常见的土壤有机质测定方法，其原理是通过特定试剂与土壤中的有机质发生化学反应，再通过定量测定试剂消耗量来计算有机质含量。
化学法的优点是准确性高，适用范围广，但也因为需要较多的试剂和仪器，操作较为繁琐。
目前常用的化学法测定土壤有机质含量的方法有碱液挥发法、酸性消解法和氧化法等。
碱液挥发法是通过用碱液溶解土壤中的有机质，再通过加热挥发的方法来测定有机质含量，操作简单，但对含碱不溶物和颗粒粗糙的土壤测定效果较差；酸性消解法则是将土壤样品加入强酸中消解，再通过测定产生的CO2来计算有机质含量，但是该方法需要严格控制反应条件，且对于含镁铝矿物的土壤效果不佳；氧化法则是通过氧化剂氧化土壤中的有机物，再通过测定剩余的氧化剂来计算有机质含量，但是该方法对于含有机质形态复杂的土壤样品测定结果可能有偏差。
基于高光谱遥感的银川平原土壤有机质定量反演基于高光谱遥感的银川平原土壤有机质定量反演摘要：本文通过分析基于高光谱遥感的银川平原土壤有机质定量反演的研究现状和方法，探讨了高光谱遥感在土壤有机质研究中的应用前景。
研究结果表明，高光谱遥感技术能够提供土壤有机质的快速、准确的定量反演方法，并为农业生产和土地管理提供重要参考。
1. 引言土壤有机质是土壤肥力的重要指标之一，对土地的可持续利用和农业生产具有重要意义。
传统的土壤有机质测定方法通常需要大量的样品采集和实验室分析，耗时费力。
因此，研究土壤有机质的遥感反演方法对于高效调查和管理土壤资源具有重要意义。
高光谱遥感技术具有多光谱信息提供高分辨率反演能力的特点，因此成为研究土壤有机质定量反演的一种重要手段。
2. 银川平原土壤有机质特征及其影响因素银川平原是中国北方重要的农业区域之一，土壤有机质的空间分布特征与农田利用方式、地形条件、气候等因素密切相关。
土壤有机质含量通常受土壤类型、土壤质地、作物种植类型和施肥方式等因素的影响。
因此，准确评估银川平原土壤有机质含量对于制定优化的土地利用政策和提高农田生产力具有重要意义。
3. 高光谱遥感技术在土壤有机质定量反演中的应用高光谱遥感技术是通过获取地物不同波段的光谱反射率来进行定量反演的一种技术。
通过对土壤光谱特征进行分析和建模，可以实现土壤光谱与有机质含量之间的定量关系。
在银川平原土壤有机质定量反演中，高光谱遥感技术成为了主要工具。
3.1 高光谱数据获取与处理通过航空或卫星遥感获取高光谱数据，包括多光谱和高光谱数据。
针对银川平原土壤有机质定量反演的研究，选择适当的高光谱波段，获取高光谱遥感数据，并进行辐射校正和大气校正。
3.2 光谱指数和模型构建光谱指数是通过计算不同波段的光谱反射率之间的比值或差值得到的，常用的光谱指数包括归一化差异植被指数（NDVI）、土壤调制离射比（SMR）等。
通过与土壤样本的有机质含量进行回归分析，建立光谱指数和土壤有机质含量之间的定量关系模型。
基于偏最小二乘法的土壤有机碳高光谱预测研究马丽;吕成文;唐炎【摘要】对86个土壤样品高光谱数据进行平滑去噪、一阶微分变换以及多元散射校正处理,在此基础上,建立土壤有机碳含量的偏最小二乘法(PLS)反演模型.结果表明,获得的五种PLS模型均具有较高的模型精度.其中,主成份个数为10时,R+ MSC 的PLS模型效果最好,校正模型的决定系数R2=0.95,校正均方根误差RMSEC=0.95.验证模型的决定系数R2=0.78,预测均方根误差RMSEP=2.03.利用PLS模型对预测集进行预测,实测值与预测值的决定系数R2=0.83,预测均方根误差RMSEP=1.71,预测标准差SEP=1.73.PLS模型可以对土壤有机碳含量进行预测.【期刊名称】《安徽师范大学学报（自然科学版）》【年(卷),期】2016(039)002【总页数】4页(P164-167)【关键词】高光谱;偏最小二乘法;土壤有机碳【作者】马丽;吕成文;唐炎【作者单位】安徽师范大学国土资源与旅游学院,安徽芜湖241000;安徽师范大学国土资源与旅游学院,安徽芜湖241000;安徽师范大学国土资源与旅游学院,安徽芜湖241000【正文语种】中文【中图分类】TP79土壤被认为是农业生态服务系统中最主要的贡献因子，是水土资源与环境模拟等研究的基本参数[1].在环境监测、模型预测及精准农业中需要成本低且质量高的土壤数据，而传统的土壤数据获取费时费力且昂贵[2].要解决这一问题就必须要对土壤进行快速准确的测定与评价.近年来，高光谱技术在土壤属性定量分析中获得了快速发展[3].国内外的许多学者通过各种方法建立土壤有机碳与高光谱反射率之间的反演模型，常用的方法有多元线性回归、主成分回归、人工神经网络、支持向量机等[4-7].王超等利用多元逐步回归统计方法进行了土壤有机质信息波段的提取和监测模型的构建[8].姚慧等利用三个中心波段的有机质诊断指数与有机质含量分别进行回归分析[9].然而这些方法仅使用光谱数据中部分特征波段代替整个光谱数据，造成了光谱信息的损失，丢弃了一些对有机碳含量反演有用的信息.偏最小二乘法(PLS)是解决这一问题的有效方法，它可以利用全谱数据进行分析，且对样本容量要求不高，对自变量多、变量间存在多重相关性的情况具有独特的优势[10]，适合于土壤高光谱数据的处理.本文拟探讨基于土壤高光谱数据结合偏最小二乘法(PLS)实现对农田土壤有机碳含量的快速测定与评价，以期为环境监测、精准农业等相关研究提供参考.1.1 土壤样品的采集与处理土壤样品采集于安徽省淮南市和蚌埠市相接壤的沿淮平原区，采集时间为2014年3月，沿公路两侧且距离公路至少100m外采集，采样间隔大于100m，在采集过程中使用GPS定位，记录采样点的坐标以及土地利用等信息，在其周围2×2m范围内再设置4个采样点，取每个样本点0-15cm深度的表层土壤混合，获得一个土样，取500g左右，装入布袋中，共86个土样.土样置室内风干、研磨，分别过20目(1mm孔径)和100目(0.149mm孔径)的筛子，过20目(1mm孔径)筛的土样用于实验室土壤高光谱测量，过100目(0.149mm孔径)筛的土样用于土壤有机碳含量测定.实验室测定的土样有机碳含量统计特征值见表1.1.2 光谱数据获取使用荷兰Avantes公司生产的型号分别为Avaspec-2048×14、Avaspec-NIR256-2.5的两种地物光谱仪进行测量.其中Avaspec-2048×14光谱仪光谱范围为188-1170nm，光谱分辨率2.4nm，光谱采样间隔0.6nm.Avaspec-NIR256-2.5的光谱范围是928-2528nm，光谱分辨率10nm，光谱采样间隔6nm.两种光谱仪输出光谱曲线均设定由10条原始扫描光谱自动平均所得.土壤样品置于深2cm，直径8cm的器皿中，用直尺刮平土样表面.光源为4×25w的环形光源.8°视场角的光纤探头，探头垂直置于土壤样品表面上方20cm处.每一个土壤样品测量前均使用标准白板进行定标，同时每个土壤样品从四个不同方向进行光谱曲线的获取，进行算术平均后得到该土样的高光谱反射率数据.1.3 光谱数据预处理为了减少噪音，提高信噪比，压缩数据量，对光谱数据进行平滑处理.本研究采用9点移动平均法对光谱曲线进行平滑去噪处理，得到平滑后的原始光谱反射率数据(Original reflectance, R).为了进一步消除无关信息，充分挖掘高光谱数据中的有效信息，对平滑后的数据进行一阶微分(First derivative scattering, FDR)及多元散射校正(Multiplicative scatter correction, MSC)处理.使用Savitzky-Golay卷积求导法对高光谱原始数据R进行求导，求导后的一阶微分光谱曲线如图1所示，从中可看出光谱反射率曲线的波段特征更为明显，尤其是1370nm和1880nm波段处的吸收谷及1960nm波段处的反射峰，显著提高了土壤光谱反射率与有机碳含量的相关性.多元散射校正(MSC)处理后的光谱曲线如图2所示，其可以去除近红外漫反射光谱中样品的镜面反射及不均匀性造成的噪声，消除漫反射光谱的基线及光谱的不重复性，使图像更紧凑，提高原光谱数据的信噪比.基于上述预处理，并参照相关文献[11]，设置五种光谱预测方案，见表2.1.4 偏最小二乘法(PLS)偏最小二乘法(PLS)是基于因子分析的多变量校正方法，可以同时实现回归建模、数据结构简化以及两组变量之间的相关性分析. 其原理与主成分分析很相似，假设矩阵X及矩阵Y，主成分只对矩阵X进行分解，消除无用的噪音信息，而偏最小二乘法既对矩阵X分解，提取相关有用信息，也对矩阵Y进行分解，且在分解矩阵X的同时考虑矩阵Y的影响[12].因此，PLS所提取的成分既能很好地概括自变量系统中的信息，又能最好地解释因变量，并排除系统中的噪音干扰[13].以单因变量为例阐述其基本建模思想[10,14]：设有因变量y和k个自变量{x1,x2,…,xk}，样本数为n，构成因变量和自变量的数据表x[x1,x2，…,xk]n×k和y=[u]n×1，在x中提取一个主成分t1，t1是x1，x2，…，xk的线性组合，要求t1尽可能多的携带x中的变异信息，同时与y的相关性最大，提取第一个主成分t1后，实施y和x对t1的回归，如果此时回归方程达到满意的精度，则算法停止.否则，利用x和y被t1解释后的残余信息进行第二轮的主成分提取.如此反复，直到能达到一个较为满意的精度为止.若最终对x提取了m个主成分t1，t2，…，tm，偏最小二乘回归将实施y对t1，t2，…，tm的回归，然后再表达成y对原变量x的回归方程.1.5 模型的评价指标模型的评价指标常用的有均方根误差(RMSE)和决定系数(R2)，均方根误差越小，模型的效果越好，决定系数越接近1，效果越好.好的校正模型及验证模型对应较低的均方误差(RMSE)和较高的决定系数R2.校正模型对验证集预测结果的好坏也是由预测均方根误差(RMSEP)和决定系数判定，好的预测结果同样对应较低的预测均方根误差(RMSEP)和较高的决定系数(R2).此外，预测集标准差(SEP)也常用于模型预测的评价，预测标准差越小，模型的预测结果越好.2.1 模型的构建对采样获得的86个样本数据，随机选取61个用于建立预测模型，剩余的25个用于评价所建预测模型的稳定性和准确性.根据偏最小二乘法原理，模型的构建不需要全部主成分因子参与，而只要选取合适的主成分因子(最适主因子)，就可以得到一个预测效果很好的模型.本研究采用交互验证法(cross validation)确定主成分最佳因子数，并根据残余方差和判定最佳主成分因子个数.一般来说，主成分因子数过少不能充分反映光谱特征信息，过多则可能含有过多的噪音信息.具体计算过程：对于参加建模的N个样本，每次选择n个作为预测样本，剩下的N-n个作为建模样本，用来建立模型用以预测这n个样本，重复上述过程，直到N个样本都被且仅被预测过一次时，得到的最小的预测值与真实值的差的平方和的值，即残余方差和最小，便可确定最佳的预测模型.建模过程在Unscrambler9.7软件中完成，各方案建模结果见表3.由表可知，总体来看，五种方案获得的PLS模型均具有较高的模型精度.其中，校正模型效果最好的是R+MSC的PLS模型，决定系数R2=0.95，校正均方误差RMSEC=0.95.其次是原始数据R与R+FDR的PLS模型，模型效果相同，决定系数均为R2=0.94，校正均方误差RMSEC=1.02.然后是一阶微分(FDR)的PLS模型，决定系数R2=0.94，校正均方误差RMSEC=1.01.最后是多元散射校正(MSC)的PLS模型，决定系数R2=0.92，校正均方误差RMSEC=1.17.而验证模型效果最好的是多元散射校正(MSC)的PLS模型，决定系数R2=0.79，预测均方误差RMSEP=1.90.其次是原始数据R与R+FDR的PLS模型，决定系数均为R2=0.78，预测均方误差均为RMSEP=2.01.再次是R+MSC的PLS模型，决定系数R2=0.78，预测均方误差RMSEP=2.03.最后是一阶微分(FDR)的PLS模型，决定系数R2=0.71，预测均方误差RMSEP=2.30.以上结果表明，各方案建立的校正模型效果均较好.其中，R+MSC建立的校正模型精度最高，建模效果最好.2.2 模型的检验将预测集中的25个样本代入建好的模型中，对预测集中的有机碳含量进行预测，结果见表4.可知模型的预测效果均较好，其中R+MSC的模型预测决定系数R2=0.83，误差均方根RMSE=1.71，预测标准差SEP=1.73，效果最好.原始数据R的模型预测决定系数R2=0.83，误差均方根RMSE=1.81，预测标准差SEP=1.84.一阶微分(FDR)预测模型决定系数R2=0.81，误差均方根RMSE=2.13，预测标准差SEP=1.98.多元散射校正(MSC)模型预测决定系数R2=0.82，误差均方根RMSE=1.66，预测标准差SEP=1.68.R+FDR的预测模型决定系数R2=0.83，误差均方根RMSE=1.80，预测标准差SEP=1.84.可用于土壤有机碳含量的预测.根据光谱预测方案，结合偏最小二乘法(PLS)对土壤高光谱数据进行定量反演，五种方案模型预测效果均较好.其中，校正模型效果最好的是R+MSC结合的PLS模型，决定系数R2=0.95，校正均方误差RMSEC=0.95.模型验证效果最好的也是R+MSC结合的PLS模型，预测决定系数R2=0.83，误差均方根RMSE=1.71，预测标准差SEP=1.73.偏最小二乘法可以实现农田土壤有机碳含量的快速测定与评价，为环境监测、精准农业等相关研究提供参考.【相关文献】[1]SANCHEZ PA, AHAMED S, CARRé F, et al. Digital soil map of the world[J]. Science, 2011,32 5:680-681.[2]GOMEZ C, ROSSEL AR, McBratney AB. Soil organic carbon prediction by hyperspectral re mote sensing and field vis-NIR spectroscopy: An Australian case study[J].Geoderma,2008,(146):403-411.[3] 汪善勤,舒宁.土壤定量遥感技术研究进展[J].遥感信息,2007,(6):89-93.[4] 李启权,王昌全,岳天祥，等.基于定性和定量辅助变量的土壤有机质空间分布预测——以四川三台县为例[J].地理科学进展,2014,33(2):269-268.[5] LU P, WANG L, NIU Z, et al. Prediction of soil properties using laboratory VIS-NIR spectroscopy and Hyperion imagery[J]. Journal of Geochemical Exploration,2013,132: 26-33.[6] 陈红艳,赵庚星,李希灿，等.基于小波变换的土壤有机质含量高光谱估测[J].应用生态学报,2011,22(11):2935-2942.[7] 纪文君,李曦,李成学，等.基于全谱数据挖掘技术的土壤有机质高光谱预测建模研究[J].光谱学与光谱分析,2012,32(9):2393-2398.[8] 王超,冯美臣,杨武德，等.麦田耕作层土壤有机质的高光谱监测[J].山西农业科学,2014,42(8):869-873.[9] 姚慧,吕成文,刘程海，等.宣城市岗坡地土壤有机质含量光谱预测分析[J].安徽师范大学学报,2011,34(5):472-474,484.[10] 张恒喜,郭基联,朱家元，等.小样本多元数据分析方法及应用[M].西安:西北工业大学出版社,2002.[11] 刘雪华,孙岩,吴燕.光谱信息降维及判别模型建立用于识别湿地植物物种[J].光谱学与光谱分析,2012,32(2):459-464.[12] 陆婉珍.现代近红外光谱分析技术[M].北京:中国石化出版社,2006：44.[13] 杜发兴,徐刚.偏最小二乘回归模型在城市需水预测中的应用[J].水力发电,2008,34(6):20-23.[14] 罗批,郭继昌,李锵，等.基于偏最小二乘回归建模的探讨[J].天津大学学报,2002,35(6):783-786.。
高光谱技术——生态学领域研究的新方法姜庆虎;童芳;余明珠;章影;廖畅;刘峰【摘要】高光谱技术是一种新的地物探测技术,该技术以其敏锐的地物光谱特征探测能力为精准识别地物属性提供了强有力的手段,在生态系统过程与属性研究中具有广阔的应用前景.该文以可见光-近红外光谱分析技术为例概述了高光谱技术的原理、特点与优势,以及高光谱技术分析的流程;总结并归纳了其在土壤、植物生理、农产品品质检测、凋落物分解方面的研究应用,指出高光谱技术与遥感成像技术结合在生态监测研究中的优势;归纳了高光谱技术应用中面临的问题,并希望高光谱技术在生态学领域研究中得到更广泛的应用.【期刊名称】《植物科学学报》【年(卷),期】2015(033)005【总页数】8页(P633-640)【关键词】高光谱;分析流程;生态监测;信息提取;参数反演【作者】姜庆虎;童芳;余明珠;章影;廖畅;刘峰【作者单位】中国科学院武汉植物园水生植物与流域生态重点实验室,武汉430074;中国科学院武汉植物园水生植物与流域生态重点实验室,武汉430074;中国科学院大学,北京100049;中国科学院武汉植物园水生植物与流域生态重点实验室,武汉430074;中国科学院大学,北京100049;中国科学院武汉植物园水生植物与流域生态重点实验室,武汉430074;中国科学院大学,北京100049;中国科学院武汉植物园水生植物与流域生态重点实验室,武汉430074;中国科学院大学,北京100049;中国科学院武汉植物园水生植物与流域生态重点实验室,武汉430074【正文语种】中文【中图分类】Q948近年来，随着人类活动和全球环境变化的加剧，生态系统过程及其功能发生了显著的变化。
为此，学者们在国家、区域尺度上开展了一系列的土壤、植被调查，并通过不同时空尺度信息的挖掘来分析人类活动及气候变化对生态系统演替过程中生物量、生物多样性、稳定性以及碳、氮、水养分循环等生态系统过程及其属性的影响[1]。
