高光谱土壤元素估测
- 格式：docx
- 大小：29.07 KB
- 文档页数：6
文档推荐
-
苹果树叶片叶绿素含量高光谱估测模型研究页数:5
-
土壤有机质含量地面高光谱估测模型对比分析页数:1
-
苹果树叶片叶绿素含量高光谱估测模型研究页数:4
-
高光谱土壤元素估测页数:6
下载文档原格式
合集下载
基于高光谱影像仪的土壤养分含量反演方法
基于高光谱影像仪的土壤养分含量反演方法高光谱影像仪是一种非常有用的工具，可用于获取土壤信息。
其中之一的关键应用是反演土壤养分含量。
本文将探讨基于高光谱影像仪的土壤养分含量反演方法。
引言：土壤养分含量是决定作物生长与发育的重要因素之一。
传统的土壤检测方法需要采集大量土壤样本，并进行实验室分析。
这种方法费时费力且成本高昂。
高光谱影像仪则提供了一种更为高效和经济的手段来反演土壤养分含量。
通过对土壤颜色和光谱特征的获取与分析，可以快速准确地推测土壤养分含量。
一、高光谱影像仪的原理高光谱影像仪能够获取物体在可见光和近红外波段的连续光谱反射率信息。
它的工作原理是利用光电二极管或光电探测器捕捉不同波段的光信号，形成高光谱图像。
这些光谱图像能够提供物体在不同波段的光谱响应，进而揭示物体的物化特性。
二、土壤养分含量反演方法1. 数据采集利用高光谱影像仪对土地进行无损扫描，收集大量土壤光谱数据。
这些光谱数据可以包括来自不同波段的连续光谱反射率信息。
2. 数据预处理对采集到的光谱数据进行预处理，包括去除植被遮挡、大气校正、波段选择等，以确保数据的准确性和有效性。
3. 光谱特征提取根据土壤光谱数据，提取一系列光谱特征。
这些特征可以包括主成分分析、一阶导数、比值指数等。
通过对这些特征的分析，可以揭示土壤中养分含量与光谱特征之间的关系。
4. 模型训练与建立利用光谱特征和实测土壤样本的养分含量数据，建立反演模型。
常用的模型包括最小二乘支持向量机（LS-SVM）、主成分回归（PCR）等。
通过反复迭代和优化，得到具有良好准确度的反演模型。
5. 养分含量反演利用建立好的反演模型，对采集到的土壤光谱数据进行反演，推测土壤中各种养分的含量。
反演结果可以呈现为高光谱空间图像或养分含量分布图。
三、高光谱影像仪的优势和应用1. 高时空分辨率：高光谱影像仪能够以较高的时空分辨率获取土壤光谱数据，提供更详细的土壤信息。
2. 非破坏性测量：与传统土壤检测方法相比，高光谱影像仪无需采集土壤样本，不会对土壤结构和质量造成破坏。
土壤有机质高光谱估算模型研究进展
土壤有机质高光谱估算模型研究进展章涛;于雷【摘要】土壤有机质高光谱估算较传统土壤农化分析方法表现出极大优势,顺应了现代农业发展的迫切需要.国内外众多学者先后对土壤有机质高光谱估算模型进行了大量研究,估算模型由简单的一元线性模型逐渐发展为多元线性及非线性模型,常用的建模方法分为线性方法和非线性方法,重点分析了各种方法的适用性.通过总结分析前人研究,发现土壤有机质高光谱估算模型研究存在以下发展趋势:多种建模方法耦合使用增多;建模方法的复杂度逐渐增强;尝试消减外部环境因素对建模的影响;尝试将室内土壤有机质估算模型应用于野外实地研究.%The hyperspectral estimation of soil organic matter shows a great advantage compared with the traditional soil agrochemical analysis method,which conforms to the urgent need of modem agricultural development.Many models have studied the hyperspectral estimation model of soil organic matter at home and abroad.The estimation model has been developed from simple linear model to multivariate linear and nonlinear model.The commonly used modeling method is divided into linear method and nonlinear method.The applicability of the various methods is analyzed.By analyzing the previous studies,it is found that there are the following trends in the study of hyperspectral estimation model of soil organic matter:the coupling of multiple modeling methods is increasing;the complexity of modeling method is gradually enhanced;try to reduce the influnce of external environmental factors on modeling;the indoor soil organic matter estimation model is applied to fieldresearch.【期刊名称】《湖北农业科学》【年(卷),期】2017(056)017【总页数】5页(P3205-3208,3227)【关键词】土壤有机质;高光谱;多元逐步回归;偏最小二乘回归【作者】章涛;于雷【作者单位】华中师范大学城市与环境科学学院,武汉430079;华中师范大学城市与环境科学学院,武汉430079【正文语种】中文【中图分类】S153.6土壤有机质是指存在于土壤中所含碳的有机物质，可以提供植物所需的养分，其含量是衡量土壤肥力高低的重要指标［1］。
土壤重金属元素的测定能量色散X射线荧光光谱法地方标
土壤重金属元素的测定能量色散X射线荧光光谱法地方
标
一、重金属元素的测定
二、EDXRF技术原理
EDXRF是通过应用X射线束照射分析样品，利用由样品中的元素散射或被它们吸收并释放出来的X射线来分析样品成分的方法。
EDXRF技术检测的原理是，电子被X射线束打击，从而释放出高能量的X射线，这些X 射线被样品中的原子核散射和吸收，产生的X射线谱便可以用来分析样品中的元素。
由于每种元素都有其特定的能量，这些元素能被测量出来。
通常，被测元素的浓度可以用它们的量子效率进行估算。
三、EDXRF技术应用
EDXRF技术在土壤中重金属元素分析上的应用，首先是具有极高灵敏度，可以测量出低浓度的重金属元素。
其次，它可以用在混合样本上，具有很好的精确度和稳定性，能够提供准确可靠的结果。
此外，它可以表示多种元素，测试过程简单快速，容易操作。
四、EDXRF在土壤重金属元素测试中的优势
EDXRF技术有许多优势，首先，由于其自身的特点，具有非常灵敏的检测精度，适用于检测低浓度的重金属元素；其次。
基于土壤优化光谱参数估测太湖地区土壤全氮含量
摘 要：为明确太湖地区土壤全氮的高光谱特征，构建定量分析模型，以江苏省无锡市滨湖区为研究区域，选取地理位置跨度大、
土壤质地相似的 93 个样品，进行土壤风干样品全氮含量测定和光谱数据采集，对光谱反射率进行一阶微分，运用相关系数峰谷值
法筛选敏感波长，将敏感波长两两结合进行土壤调节光谱指数（MSASI）运算。将两两结合后敏感波段分别采用多元线性回归分
农 业 资 源 与 环 境 学 报 2020, 37（1）: 43-50
Journal of Agricultural Resources and Environment
宋 雪，张 民，周洪印，等 . 基于土壤优化光谱参数估测太湖地区土壤全氮含量[J]. 农业资源与环境学报, 2020, 37（1）: 43-50. SONG Xue, ZHANG Min, ZHOU Hong-yin, et al. Estimation of soil total nitrogen content in the Taihu Lake region based on soil regulatory spectral parameters[J]. Journal of Agricultural Resources and Environment, 2020, 37（1）: 43-50.
高光谱技术是一种根据物质的光谱来鉴别物质 并 确 定 其 化 学 组 成 和 相 对 含 量 的 方 法 ，为 土 壤 全 氮 含量的快速监测提供了研究途径 。 [3-5] 卢艳丽等[6]选 用 550 nm 和 450 nm 的反射率构建了基于归一化植 被 指 数 估 测 土 壤 全 氮 含 量 的 反 演 模 型 ，实 测 值 与 估 测值决定系数 R2 在 0.82 以上。杨扬[7]通过多元线性 回归、偏最小二乘法、人工神经网络模型三种方法反 演 土 壤 全 氮 含 量 ，并 对 全 波 段 和 敏 感 波 段 的 建 模 精 度进行对比，证实了对于多元线性回归方法，全波段 建 模 效 果 优 于 敏 感 波 段 。 张 娟 娟 等[8] 通 过 对 敏 感 波 段 反 射 率 进 行 平 滑 、一 阶 微 分 构 建 了 基 于 人 工 神 经 网 络 、偏 最 小 二 乘 法 分 析 和 特 征 光 谱 指 数 的 土 壤 全 氮 诊 断 数 学 模 型 ，经 光 谱 指 数 优 化 后 的 光 谱 数 据 与 土壤全氮含量的响应效果在一定程度上更具有代表 性。吴明珠等[9]以亚热带红壤为研究对象，对全氮的 高 光 谱 响 应 和 反 演 特 征 进 行 了 研 究 ，总 结 全 氮 含 量 的敏感波段，并且修正了逐步多元线性回归模型，获 得了优化效果。
土壤重金属元素的测定能量色散X射线荧光光谱法地方标
土壤重金属元素的测定能量色散X射线荧光光谱法地方标土壤中的重金属元素是指相对原子质量较重且相对稳定的金属元素，如铜、铅、锌、镉、铬、镍等。
这些重金属元素在土壤中的含量通常很低，但由于其毒性较强，可能对生态系统和人类健康造成不良影响。
因此，准确测定土壤中重金属元素的含量是非常重要的。
目前，能量色散X射线荧光光谱法（EDXRF）是一种常用的测定土壤中重金属元素含量的方法。
该方法通过测量荧光X射线的能量和强度，可以定量分析样品中不同元素的含量，包括重金属元素。
下面将详细介绍EDXRF在土壤重金属元素测定中的应用。
首先，EDXRF测定土壤中重金属元素的原理是利用样品被入射X射线激发发射X射线的特性。
当入射X射线能量足够大时，样品中的电子被激发至高能级状态，然后返回低能级时会发射荧光X射线。
不同元素的原子核结构不同，发射的荧光X射线的能量也不同，因此可以通过测量荧光X射线的能量来判断样品中的元素种类和含量。
为了保证测定结果的准确性，需要地方标准样品作为参照物。
地方标准样品是由国家或地方认可的实验室制备的，其元素含量已经被认证和确认。
通过与地方标准样品的对比，可以确定所测样品中的重金属元素的含量。
在进行EDXRF测定前，需要对土壤样品进行前处理。
通常包括样品的干燥、研磨和筛分等步骤。
干燥的目的是去除样品中的水分，以免对测定结果造成影响。
研磨和筛分能够使土壤样品更加均匀，确保测定结果的准确性。
在实际测定中，首先需要根据地方标准样品制备EDXRF分析所需的参考曲线。
参考曲线是一种使用一系列已知浓度的标准样品绘制的曲线，可以将不同元素的荧光X射线强度与元素浓度之间的关系表示出来。
通过测量标准样品的荧光X射线强度，并与其浓度进行对比，可以获得测定元素浓度与荧光X射线强度之间的关系。
在进行土壤样品的测定时，将已经进行前处理的样品放置在EDXRF仪器中进行测量。
仪器将发射一束X射线，并测量荧光X射线的能量和强度。
通过测量出的荧光X射线能量和强度，可以使用参考曲线进行反演计算，得到土壤样品中各种元素的含量。
土壤重金属污染高光谱遥感监测方法
土壤重金属污染高光谱遥感监测方法摘要：近些年，土壤重金属污染非常重要，在威胁生态环境安全的同时，也非常不利于人类健康。
高光谱遥感技术在土壤重金属含量监测时进行应用，可以快速的获取结果，能够为土壤重金属污染防治工作的开展，提供一些数据支持。
文本从三个方面对土壤重金属污染中高光谱遥感检测方法进行讨论，对技术概述、检测方法以及反模型建立进行了总结，能够有效帮助土壤重金属污染防治工作的高效开展。
关键词：土壤重金属污染；高光谱遥感检测；要点引言针对土壤重金属污染程度进行检测时，传统的检测方法，是从土壤中取样，然后对样品进行化学成分分析，进而可以科学、精确的确定土壤中的重金属元素含量，这种检测方法环节多，并且会消耗较长的时间，所以会消耗较多的成本，并且不能获取大范围內的土壤重金属污染物含量。
而高光谱遥感技术具有快速、宏观等特点，可以科学、精确的检测地物信息，所以，这种技术在壤重金属污染检测领域应用的优势十分明显。
1高光谱遥感概述高光谱遥感技术，还叫作321成像光谱遥感技术，这种技术十分先进。
其主要是利用光谱技术和成像技术，来完成目标物体的监测，并且监测的数据十分准确，获取的光谱信息窄且连续，光谱所覆盖的范围也比较广，从电磁波的紫外波段一直到热红外波段都在覆盖范围之内。
高光谱遥感技术在应用过程中，表现出光谱范围宽、光谱分辨率高等特点，所以，在地物进行监测时，监测效果十分精准。
在信息技术不断发展背景下，高光谱遥感技术在土壤重金属监测领域中进行广泛应用[1]。
2土壤重金属污染高光谱遥感监测方法土壤中所含有的重金属元素，都是微量元素，这些重金属元素在对土壤进行光谱检测时，很难显示出来，所以，在针对土壤重金属元素进行监测时，如果直接采取光谱法进行分析，那么很难直接确定土壤中的重金属元素含量。
所以，目前针对土壤重金属元素污染情况进行监测时，可以利用重金属元素和其他物质进行吸附的性质，并且重金属元素还会给植被带来一定的威胁，利用重金属元素的这些特性，来对重金属元素进行间接监测，确定出土壤被重金属的污染程度。
高光谱遥感数据处理与土壤含水量预测研究
高光谱遥感数据处理与土壤含水量预测研究近年来，随着高光谱遥感技术的快速发展，其在土壤含水量预测方面的应用也得到了广泛的关注。
高光谱遥感数据处理与土壤含水量预测研究成为了农业、环境和水资源管理等领域的热点问题。
本文将围绕这一任务名称，结合相关研究，探讨高光谱遥感数据处理方法与土壤含水量预测研究的关键问题和应用前景。
首先，高光谱遥感技术可以提供大量的光谱信息，涵盖了可见光、近红外和短波红外等多个波段。
这种多波段的高光谱数据可以反映出土壤的化学成分、水分含量和植被覆盖等信息，为土壤含水量预测提供了有力的支持。
然而，高光谱遥感数据处理中存在着诸多挑战，如数据维度高、光谱特征提取等。
在高光谱遥感数据处理方面，数据预处理是非常重要的一步。
由于高光谱遥感数据的波段较多，数据维度较高，而且存在着光谱数据的噪声和冗余等问题。
因此，需要进行波段选择、降维和去噪等处理，以简化数据结构和降低数据复杂度，提高后续分析的效率和准确性。
常用的数据处理方法包括主成分分析(PCA)和线性判别分析(LDA)等。
这些方法能够从原始高光谱数据中提取出最具代表性的特征，为土壤含水量预测提供更有意义的输入信息。
除了数据处理，高光谱遥感数据的光谱特征提取也是研究的关键问题。
不同波段的光谱特征对土壤含水量的变化具有不同的敏感性，因此需要通过光谱分析来选择最具代表性的波段变量。
这可以通过常见的方法，如峰值提取、变量重要性分析和光谱角度指数等来实现。
这些方法能够帮助我们了解哪些光谱波段与土壤含水量相关性较大，从而提高预测模型的准确性。
土壤含水量预测是高光谱遥感数据处理的一个重要应用领域。
通过建立高光谱遥感图像与土壤含水量之间的关系模型，可以实现对大范围土壤含水量的监测和预测。
常用的预测模型包括线性回归、支持向量机(SVM)和人工神经网络(ANN)等。
这些模型能够利用高光谱数据的特征与土壤含水量之间的非线性关系，从而提高土壤含水量的预测准确性。
此外，高光谱遥感数据处理与土壤含水量预测研究也具有广阔的应用前景。
icp测土壤元素的方法
icp测土壤元素的方法
ICP（电感耦合等离子体发射光谱分析法）是一种常用的测土壤元素的方法。
该方法通过将土壤样品转化为气态，并通过等离子体发射光谱仪分析元素的谱线来获得元素含量。
ICP测土壤元素的方法包括以下步骤：
1. 土壤样品的制备：将土壤样品收集后，进行干燥、研磨等处理，以获得均匀的土壤样品。
2. 溶解土壤样品：将制备好的土壤样品用酸进行溶解，以将土壤中的元素转化为离子态，便于分析。
3. 用ICP分析元素：将溶解后的土壤样品通过ICP装置进行分析。
通过等离子体发射光谱仪检测元素的谱线，可以获得元素的含量。
ICP测土壤元素的方法是一种快速、准确、灵敏的分析方法，特别适用于多元素同时分析。
该方法已广泛应用于土壤科学、环境科学、农业生产等领域，可以为土壤营养评价、土地利用规划等提供重要的科学依据。
除了ICP，还有其他方法可以测量土壤元素，例如原子吸收光谱（AAS）、X射线荧光光谱（XRF）等。
每种方法都有其优点和局限性，选择合适的方法需要结合样品的特性和分析目的进行综合考虑。
- 1 -。
傅里叶变换红外光谱的土壤团聚体有机碳和全氮含量估测
傅里叶变换红外光谱的土壤团聚体有机碳和全氮含量估测下载温馨提示:该文档是我店铺精心编制而成，希望大家下载以后，能够帮助大家解决实际的问题。
文档下载后可定制随意修改，请根据实际需要进行相应的调整和使用，谢谢!并且，本店铺为大家提供各种各样类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，如想了解不同资料格式和写法，敬请关注!Download tips: This document is carefully compiled by theeditor.I hope that after you download them,they can help yousolve practical problems. The document can be customized andmodified after downloading,please adjust and use it according toactual needs, thank you!In addition, our shop provides you with various types ofpractical materials,such as educational essays, diaryappreciation,sentence excerpts,ancient poems,classic articles,topic composition,work summary,word parsing,copy excerpts,other materials and so on,want to know different data formats andwriting methods,please pay attention!傅里叶变换红外光谱在土壤团聚体有机碳和全氮含量估测中的应用随着环境科学的发展，对土壤质量的精确评估变得越来越重要。
基于光谱指数的晋西黄土区土壤黏粒含量估测
doidoi:10.3969/j.issn.1002-2481.2022.05.08山西农业科学2022，50（5）：660-668JournalofShanxiAgriculturalSciences基于光谱指数的晋西黄土区土壤黏粒含量估测孙瑞鹏，丁皓希，毕如田，邓永鹏，朱洪芬（山西农业大学资源环境学院，山西太谷030801）摘要：
通过构建提高土壤黏粒含量预测精度的可行性方法光谱指数模型，为快速估测晋西黄土区土壤黏粒含
量提供技术支持，以晋西黄土区土壤为研究对象，利用光谱指数特征构建该区域土壤黏粒含量的光谱快速估测模型，使用ASD地物光谱仪测得土壤高光谱数据，对原始光谱（R）进行倒数变换（IR）、倒数的对数变换（LGIR）和倒数的一阶微分变换（FDIR）3种预处理，对以上4种光谱形式构建差值光谱指数（DSI）、比值光谱指数（RSI）、归一化光谱指数（Normalizeddifferencespectralindex，NDSI）3种光谱指数，并计算其与土壤黏粒含量的相关性；然后，选取相关系数中最显著的5个光谱指数用于多元线性回归（MLR）模型拟合，筛选出47个光谱指数用于偏最小二乘回归（PLSR）和反向传播神经网络（N）模型拟合。结果表明，原始光谱与土壤黏粒含量的相关性较低（相关系数最高仅为-0.28），而通过光谱变换及构建光谱指数后其相关性明显提升，其中，相关性较高的为FDIR-RSI、FDIR-NDSI、R-DSI、LGIR-RSI和LGIR-NDSI（相关系数分别为-0.70、0.69、-0.68、0.68、0.68），且
相关性均显著，置信水平P均小于0.001；预测精度最高的模型是LGIR-NDSI-BPNN，其预测集的R2和RMSE分别为0.64、1.32，验证集的R2、RMSE和RPD分别为0.74、1.13、1.96，明显提升了基于原始光谱土壤黏粒含量的预测精度。关键词：
光谱指数；土壤黏粒含量；晋西黄土区；土壤高光谱
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
综上所述，土壤有机质敏感波段主要位于可见光及近红外区，多变量回归分析方法常用于土壤有机质含量分析，包括线性和非线性分析方法. 其中非线性分析方法，例如人工神经网络，可能得到的精度会较高，但模型复杂且不具备稳定性和可靠性. Vasques 等［12］用高光谱数据预测土壤含碳量时比较了各种线性及非线性的多变量分析方法，发现采用多元线性逐步回归法和偏最小二乘法得到的预测效果最好且最稳定. 高光谱预测土壤有机质含量的研究虽然很多，但针对不同地区建立的模型往往差别很大，主要原因是成土母质对土壤光谱影响很大;同时建模波段及建模方法的选择也会影响研究结果。
2.2土壤有机质含量估测方法
2.2.壤。土壤样本经风干、研磨后过 2mm 孔筛。每个样品分 2 份，一份用于光谱测量；一份用于有机质含量分析。
2.2.2土壤有机质分析
土壤有机质含量用高温外热重铬酸钾氧化-容量法[1]测 定。
2.2.3光谱测量
运用便携式光谱仪 ASD FieldSpec Pro 测量土壤样品的反射光谱，波长范围为 350 ～ 2500nm(350 ～1000nm 之间光谱采样间隔为1.4nm，光谱分辨率为 3nm；1000 ～ 2500nm 范围内光谱采样间隔为 2nm，光谱分辨率为 10nm；光谱仪最后将数据重采样成 1nm)。将每个土样测得的10条反射光谱曲线经算术平均后则为该土样的实际反射光谱数据。
关键词：高光谱遥感；土壤有机质；光谱分析；含量估测
Hyperspectral remote sensing in the estimation of
soil organic matter content
Abstract:Hyperspectral remote sensing technology with its high spectral resolution band continuity, richdata, which has been widely applied in the soil nutrient research.With the hyperspectral remote sensing analysisofsoil organic matter,we canfully understand the condition and dynamic changes of soil nutrients, andalso canprovide a scientific basis for the guidance of agricultural production and the protection of agricultural ecological environment. Thisarticleanalyzes the spectral characteristics of the soil organic matter,and anestimation method basedonhyperspectral.
（2）偏最小二乘回归模型
偏最小二乘回归(partial least squares regression，PLSR)考虑 p个因变量与 m 个自变量的建模问题，基本做法是首先在自变量集中提取第1成分t1，同时在因变量集中提取第 1 成分u1，要求t1和u1相关程度达到最大. 然后建立因变量与t1的回归，如果回归方程已达到满意的精度，则算法终止. 否则继续对第 2 对成分的提取，直到达到满意的精度为止。最终对自变量集提取 r 个成分t1，t2，…，tr，偏最小二乘回归将建立因变量与t1，t2，…，tr的回归式，然后再表示为因变量与原自变量的回归方程式，即偏最小二乘回归方程式［17］。为避免过拟合，检验所建模型的有效性，PLSR 所选择的成分数量 h 可通过交叉有效性检验确定. 例如对于某个应变量，具体做法为:将 m 个样本中m-1个用作训练样本，的 1 个样本作检验样本. 第1 次先将第 1 个样本作检验样本，用其余 m-1 个样本建模，用检验样本代入模型，可以求得 1 个估计值，记为y1，-1，第 2 次再将第 2 个样本留下作检验样本，用其余样本建模，将 2 个样本代入模型求得估计值y2，-2，如果循环 m 次，将这 m 个残差值平方求和，用PRESS(h)表示该值，表达式为:
Key words:remote sensing; soil organic matter; spectral analysis; content prediction
1高光谱简介
高光谱遥感是高光谱分辨率遥感（Hyperspectral Remote Sensing）的简称，是上世纪80年代发展以来的遥感科学的前沿领域,她的出现是遥感界的一场革命。它是指利用很多窄的电磁波波段获取物体有关数据的技术，它可在电磁波的紫外、可见光、近红外、中红外以至热红外区域，获取许多非常窄且光谱连续的图像数据。这样，在传统的二维遥感的基础上增加了光谱维，形成了一种独特的三维遥感。鉴于高光谱遥感的诸多优点，人们逐渐尝试在植被、生态、大气、环境、考古、农业等方面进行应用，取得了一系列的进展和很多成就，使高光谱遥感成为科研必不可少的工具和技术。
2.1土壤有机质光谱特征分析
早在 1965 年 Bowers 等［4］指出，影响土壤反射率的因素主要有土壤质地，表面粗糙度、氧化铁含量、土壤水分及有机质含量，其中有机质是影响土壤色调进而影响光谱反射特性的重要因素. Gunasulis等［5］研究表明，土壤有机质含量与红光波段反射率有较强的相关性. Chang 等［6］从有机质结构组成的角度解释了近红外区的光谱特征，认为有机质增加一般会降低谱线的反射率值. 徐彬彬等［7］通过比较去除有机质前后的土壤光谱反射率曲线，发现有机质的影响主要在可见光和近红外波段. 贺军亮等［8］利用统计单相关分析方法确定 511nm 为诊断土壤有机质含量的敏感波段，并对 507 ～ 516nm 敏感范围反射率做均值标准化处理后获得有机质诊断指数. 刘焕军等［9］通过研究东北地区黑土土壤有机质反射光谱特征，发现黑土土壤有机质敏感波段主要在 350 ～ 1100nm，其中 680 ～ 810nm 最为显著，并利用多元逐步回归分析建立了土壤有机质预测模型. 张娟娟等［10］构建了近红外区反射率差值指数预测土壤有机质含量. 沈润平等［11］应用多元线性逐步回归法和人工神经网络建立了有机质反演模型，结果表明人工神经网络模型普遍优于回归模型。
另外，得到拟合 h 个成分的回归方程后，计算所有样本点预测值 y′i，并求其误差平方和SS(h):SS(h)= 。PRESS(h)/SS(h-1)值越小越好，一般设定限制值为0.05，当PRESS(h)/SS(h-1)>(1-0.05)2时，增加新的成分，对减小方程预测误差无明显改善作用。如此，可确定偏最小二乘法所提取的因子数。偏最小二乘回归分析在建模的过程中集中了主成分分析，典型相关分析和线性回归分析方法的特点，因此在分析结果中，除了可以提供一个更为合理的回归模型外，还可以同时完成一些类似主成分分析和典型相关分析的研究内容，提供更丰富、深入的一些信息。
3问题与展望
土壤光谱是其各种成分的光谱响应的综合反映,土壤是由固、液、气三相物质共同组成的多相分散体系,光有机质的组成就相当复杂,铁在土壤中存在也形式多样,每种成分的光谱响应都是不一样的,如有机质中的胡敏酸和富里酸就有不同光谱反射曲线。在以后的研究中,应该进行更细致的研究,了解土壤各种成分光谱响应机理,区分出哪些特征是其本质的特征表现。这样便于光谱分析研究。
土壤有机质是存在于土壤中所有含碳的有机物质，包括土壤中各种动植物残体、微生物体及其分解和合成的各种有机物质，是土壤中各种营养元素的重要来源(如:氮、磷等)。它即含有刺激植物生长的胡敏酸等物质，又具有胶体特性能吸附较多的阳离了，使土壤具有保肥力和缓冲性。同时它还能使土壤疏松并形成结构，从而改善土壤理化特性。它是微生物必不可少的碳源和能源。因此，土壤有机质含量的多少，是土壤肥力的一个重要指标[2]。通过高光谱估测土壤有机质含量，建立有机质高光谱预测模型，旨在快速评价有机质含量，可以为提高土壤有机质含量水平，改善土壤条件服务；同时对提高作物产量有着重要意义[3]。
高光谱遥感的基础是测谱学,主要在电磁波谱的紫外、可见光、近红外和中红外区域,获取许多非常窄且光谱连续的图像数据的技术。成像光谱仪为每个像元提供数十个至数百个窄波段(通常波段宽度<10nm)的光谱信息,能产生一条完整而连续的光谱曲线。国际遥感界公认:光谱分辨率在10-1λ次数量级范围的定为多光谱(Mult1spectral),这样的遥感器在可见光和近红外光谱区域通常只有几个波段,如美国LandsatMSS、TM,法国的SPOT等;而光谱分辨率在10-2λ认的遥感信息称之为高光谱(Hyperspectral);随着遥感光谱分辨率的进一步提高,当达到10-3λ以上时,遥感即进入超高光谱(Ul-traspectral)阶段，许多物质的特征往往表现在一些狭窄的光谱范围内,如何捕获物体的这种特征而又不失其整体形态及与周围地物的关系,这就是高光谱分辨率遥感产生和发展的基础和要回答的问题。高光谱遥感的特点是光谱分辨率高,波段连续性强,能获得多光谱传感器无法获得的精细的光谱信息,由于其光谱分辨率高达纳米数量级,因此传感器在0.4-2.5μm范围内可细分成几十个,甚至几百个波段,光谱分辨率为5-10nm。
2高光谱遥感的土壤有机质含量估测
土壤是万物生存的物质基础,是人类财富的主要来源,是我们祖先最早利用的生产资料。土壤是地壳表层岩石矿物的风化产物(母质),在气候、生物、地形等环境条件和时间综合因素的作用下形成的一种特殊自然体。土壤是一种复杂的混合体,它的物理与化学性质是由其组分所决定，这些有着不同理化特征的土壤成分及其质地和结构决定着各种土壤类型及其独特的光谱特性[1]。
尽管国内外对土壤有机质含量的光谱效应进行了大量的研究工作，但在认识上还存在一定的分歧，主要是由于以上研究大多基于多种土壤类型，不同的土壤，由于受气候、母质、地形、生物等成土因素不同和成土年龄的差异，以及人类活动的影响，其理化特性具有明显差别。土壤组成物质的多样性以及每种组成物质独特光谱特性，使得各类土壤光谱具有自己的特点。因此，将其他研究结果应用到特定土壤时，都可能产生较大误差。对于土壤有机质估测，模型的适用性往往较差，建立一种实用而且通用的模型是现阶段探索的目标之一。要建立准确的土壤反射率特征参量的反射率反演模型需要进行大量而精确的实验室与田间的光谱测量,若将其推广到图像上则需进行严格地校正和大量反复的实验。
2.2土壤有机质含量估测方法
2.2.壤。土壤样本经风干、研磨后过 2mm 孔筛。每个样品分 2 份，一份用于光谱测量；一份用于有机质含量分析。
2.2.2土壤有机质分析
土壤有机质含量用高温外热重铬酸钾氧化-容量法[1]测 定。
2.2.3光谱测量
运用便携式光谱仪 ASD FieldSpec Pro 测量土壤样品的反射光谱，波长范围为 350 ～ 2500nm(350 ～1000nm 之间光谱采样间隔为1.4nm，光谱分辨率为 3nm；1000 ～ 2500nm 范围内光谱采样间隔为 2nm，光谱分辨率为 10nm；光谱仪最后将数据重采样成 1nm)。将每个土样测得的10条反射光谱曲线经算术平均后则为该土样的实际反射光谱数据。
关键词：高光谱遥感；土壤有机质；光谱分析；含量估测
Hyperspectral remote sensing in the estimation of
soil organic matter content
Abstract:Hyperspectral remote sensing technology with its high spectral resolution band continuity, richdata, which has been widely applied in the soil nutrient research.With the hyperspectral remote sensing analysisofsoil organic matter,we canfully understand the condition and dynamic changes of soil nutrients, andalso canprovide a scientific basis for the guidance of agricultural production and the protection of agricultural ecological environment. Thisarticleanalyzes the spectral characteristics of the soil organic matter,and anestimation method basedonhyperspectral.
（2）偏最小二乘回归模型
偏最小二乘回归(partial least squares regression，PLSR)考虑 p个因变量与 m 个自变量的建模问题，基本做法是首先在自变量集中提取第1成分t1，同时在因变量集中提取第 1 成分u1，要求t1和u1相关程度达到最大. 然后建立因变量与t1的回归，如果回归方程已达到满意的精度，则算法终止. 否则继续对第 2 对成分的提取，直到达到满意的精度为止。最终对自变量集提取 r 个成分t1，t2，…，tr，偏最小二乘回归将建立因变量与t1，t2，…，tr的回归式，然后再表示为因变量与原自变量的回归方程式，即偏最小二乘回归方程式［17］。为避免过拟合，检验所建模型的有效性，PLSR 所选择的成分数量 h 可通过交叉有效性检验确定. 例如对于某个应变量，具体做法为:将 m 个样本中m-1个用作训练样本，的 1 个样本作检验样本. 第1 次先将第 1 个样本作检验样本，用其余 m-1 个样本建模，用检验样本代入模型，可以求得 1 个估计值，记为y1，-1，第 2 次再将第 2 个样本留下作检验样本，用其余样本建模，将 2 个样本代入模型求得估计值y2，-2，如果循环 m 次，将这 m 个残差值平方求和，用PRESS(h)表示该值，表达式为:
Key words:remote sensing; soil organic matter; spectral analysis; content prediction
1高光谱简介
高光谱遥感是高光谱分辨率遥感（Hyperspectral Remote Sensing）的简称，是上世纪80年代发展以来的遥感科学的前沿领域,她的出现是遥感界的一场革命。它是指利用很多窄的电磁波波段获取物体有关数据的技术，它可在电磁波的紫外、可见光、近红外、中红外以至热红外区域，获取许多非常窄且光谱连续的图像数据。这样，在传统的二维遥感的基础上增加了光谱维，形成了一种独特的三维遥感。鉴于高光谱遥感的诸多优点，人们逐渐尝试在植被、生态、大气、环境、考古、农业等方面进行应用，取得了一系列的进展和很多成就，使高光谱遥感成为科研必不可少的工具和技术。
2.1土壤有机质光谱特征分析
早在 1965 年 Bowers 等［4］指出，影响土壤反射率的因素主要有土壤质地，表面粗糙度、氧化铁含量、土壤水分及有机质含量，其中有机质是影响土壤色调进而影响光谱反射特性的重要因素. Gunasulis等［5］研究表明，土壤有机质含量与红光波段反射率有较强的相关性. Chang 等［6］从有机质结构组成的角度解释了近红外区的光谱特征，认为有机质增加一般会降低谱线的反射率值. 徐彬彬等［7］通过比较去除有机质前后的土壤光谱反射率曲线，发现有机质的影响主要在可见光和近红外波段. 贺军亮等［8］利用统计单相关分析方法确定 511nm 为诊断土壤有机质含量的敏感波段，并对 507 ～ 516nm 敏感范围反射率做均值标准化处理后获得有机质诊断指数. 刘焕军等［9］通过研究东北地区黑土土壤有机质反射光谱特征，发现黑土土壤有机质敏感波段主要在 350 ～ 1100nm，其中 680 ～ 810nm 最为显著，并利用多元逐步回归分析建立了土壤有机质预测模型. 张娟娟等［10］构建了近红外区反射率差值指数预测土壤有机质含量. 沈润平等［11］应用多元线性逐步回归法和人工神经网络建立了有机质反演模型，结果表明人工神经网络模型普遍优于回归模型。
另外，得到拟合 h 个成分的回归方程后，计算所有样本点预测值 y′i，并求其误差平方和SS(h):SS(h)= 。PRESS(h)/SS(h-1)值越小越好，一般设定限制值为0.05，当PRESS(h)/SS(h-1)>(1-0.05)2时，增加新的成分，对减小方程预测误差无明显改善作用。如此，可确定偏最小二乘法所提取的因子数。偏最小二乘回归分析在建模的过程中集中了主成分分析，典型相关分析和线性回归分析方法的特点，因此在分析结果中，除了可以提供一个更为合理的回归模型外，还可以同时完成一些类似主成分分析和典型相关分析的研究内容，提供更丰富、深入的一些信息。
3问题与展望
土壤光谱是其各种成分的光谱响应的综合反映,土壤是由固、液、气三相物质共同组成的多相分散体系,光有机质的组成就相当复杂,铁在土壤中存在也形式多样,每种成分的光谱响应都是不一样的,如有机质中的胡敏酸和富里酸就有不同光谱反射曲线。在以后的研究中,应该进行更细致的研究,了解土壤各种成分光谱响应机理,区分出哪些特征是其本质的特征表现。这样便于光谱分析研究。
土壤有机质是存在于土壤中所有含碳的有机物质，包括土壤中各种动植物残体、微生物体及其分解和合成的各种有机物质，是土壤中各种营养元素的重要来源(如:氮、磷等)。它即含有刺激植物生长的胡敏酸等物质，又具有胶体特性能吸附较多的阳离了，使土壤具有保肥力和缓冲性。同时它还能使土壤疏松并形成结构，从而改善土壤理化特性。它是微生物必不可少的碳源和能源。因此，土壤有机质含量的多少，是土壤肥力的一个重要指标[2]。通过高光谱估测土壤有机质含量，建立有机质高光谱预测模型，旨在快速评价有机质含量，可以为提高土壤有机质含量水平，改善土壤条件服务；同时对提高作物产量有着重要意义[3]。
高光谱遥感的基础是测谱学,主要在电磁波谱的紫外、可见光、近红外和中红外区域,获取许多非常窄且光谱连续的图像数据的技术。成像光谱仪为每个像元提供数十个至数百个窄波段(通常波段宽度<10nm)的光谱信息,能产生一条完整而连续的光谱曲线。国际遥感界公认:光谱分辨率在10-1λ次数量级范围的定为多光谱(Mult1spectral),这样的遥感器在可见光和近红外光谱区域通常只有几个波段,如美国LandsatMSS、TM,法国的SPOT等;而光谱分辨率在10-2λ认的遥感信息称之为高光谱(Hyperspectral);随着遥感光谱分辨率的进一步提高,当达到10-3λ以上时,遥感即进入超高光谱(Ul-traspectral)阶段，许多物质的特征往往表现在一些狭窄的光谱范围内,如何捕获物体的这种特征而又不失其整体形态及与周围地物的关系,这就是高光谱分辨率遥感产生和发展的基础和要回答的问题。高光谱遥感的特点是光谱分辨率高,波段连续性强,能获得多光谱传感器无法获得的精细的光谱信息,由于其光谱分辨率高达纳米数量级,因此传感器在0.4-2.5μm范围内可细分成几十个,甚至几百个波段,光谱分辨率为5-10nm。
2高光谱遥感的土壤有机质含量估测
土壤是万物生存的物质基础,是人类财富的主要来源,是我们祖先最早利用的生产资料。土壤是地壳表层岩石矿物的风化产物(母质),在气候、生物、地形等环境条件和时间综合因素的作用下形成的一种特殊自然体。土壤是一种复杂的混合体,它的物理与化学性质是由其组分所决定，这些有着不同理化特征的土壤成分及其质地和结构决定着各种土壤类型及其独特的光谱特性[1]。
尽管国内外对土壤有机质含量的光谱效应进行了大量的研究工作，但在认识上还存在一定的分歧，主要是由于以上研究大多基于多种土壤类型，不同的土壤，由于受气候、母质、地形、生物等成土因素不同和成土年龄的差异，以及人类活动的影响，其理化特性具有明显差别。土壤组成物质的多样性以及每种组成物质独特光谱特性，使得各类土壤光谱具有自己的特点。因此，将其他研究结果应用到特定土壤时，都可能产生较大误差。对于土壤有机质估测，模型的适用性往往较差，建立一种实用而且通用的模型是现阶段探索的目标之一。要建立准确的土壤反射率特征参量的反射率反演模型需要进行大量而精确的实验室与田间的光谱测量,若将其推广到图像上则需进行严格地校正和大量反复的实验。