全 文 ：基于相关分析和偏最小二乘回归的黄绵土
土壤全氮和碱解氮含量的高光谱预测∗
刘秀英１，２　 王　 力１　 常庆瑞１∗∗　 王晓星１　 尚　 艳１
（ １西北农林科技大学资源环境学院， 陕西杨凌 ７１２１００； ２河南科技大学农学院， 河南洛阳 ４７１００３）
摘　 要　 以采取植被恢复措施的陕西省吴起县为研究区，实地采集 ２４ 个土壤剖面不同层次
的黄绵土土样 １００个，在进行土壤样本全氮（ＴＮ）和碱解氮（ＡＨＮ）含量及实验室反射光谱数
据测量和分析的基础上，用相关分析（ＣＡ）结合偏最小二乘回归（ＰＬＳ）方法建立黄绵土土壤
ＴＮ和 ＡＨＮ含量的校正模型，并用独立样本对校正模型进行验证．结果表明： 利用 ６ 种光谱变
换方式建立的校正模型中，微分光谱建立的校正模型是预测研究区土壤 ＴＮ含量的最佳模型，
校正和验证 Ｒ２分别为 ０．９２９和 ０．９３５，均方根误差（ＲＭＳＥ）分别为 ０．０４５和 ０．０４７ ｇ·ｋｇ－１，相对
预测偏差（ＲＰＤ）为 ３．１２；而归一化变换建立的校正模型是预测土壤 ＡＨＮ含量的最佳模型，校
正和验证 Ｒ２分别为 ０．８７３和 ０．７７３，ＲＭＳＥ 分别为 ９．９４６ 和 １６．２０４ ｍｇ·ｋｇ－１，ＲＰＤ 为 １．５３８．所
建立的全氮预测模型可以对 ０～４０ ｃｍ土层的 ＴＮ进行有效预测，而碱解氮的预测模型对同一
深度只能进行粗略预测．本研究为采取植被恢复措施的退化生态系统区黄绵土土壤全氮的快
速预测提供了一种较好的方法，但是对于碱解氮的准确、快速预测，需要进一步研究．
关键词　 黄绵土； 全氮； 碱解氮； 高光谱； 植被恢复
文章编号　 １００１－９３３２（２０１５）０７－２１０７－０８　 中图分类号　 Ｓ１５３．６　 文献标识码　 Ａ
Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｔｏｔａｌ ｎｉｔｒｏｇｅｎ ａｎｄ ａｌｋａｌｉ ｈｙｄｒｏｌｙｓａｂｌｅ ｎｉｔｒｏｇｅｎ ｃｏｎｔｅｎｔ ｉｎ ｌｏｅｓｓ ｕｓｉｎｇ ｈｙｐｅｒｓｐｅｃ⁃
ｔｒａｌ ｄａｔａ ｂａｓｅｄ ｏｎ ｃｏｒｒｅｌａｔｉｏｎ ａｎａｌｙｓｉｓ ａｎｄ ｐａｒｔｉａｌ ｌｅａｓｔ ｓｑｕａｒｅｓ ｒｅｇｒｅｓｓｉｏｎ． ＬＩＵ Ｘｉｕ⁃ｙｉｎｇ１，２，
ＷＡＮＧ Ｌｉ１， ＣＨＡＮＧ Ｑｉｎｇ⁃ｒｕｉ１， ＷＡＮＧ Ｘｉａｏ⁃ｘｉｎｇ１， ＳＨＡＮＧ Ｙａｎ１ （ １ Ｃｏｌｌｅｇｅ ｏｆ Ｒｅｓｏｕｒｃｅｓ ａｎｄ
Ｅｎｖｉｒｏｎｍｅｎｔ， Ｎｏｒｔｈｗｅｓｔ Ａ＆Ｆ Ｕｎｉｖｅｒｓｉｔｙ， Ｙａｎｇｌｉｎｇ ７１２１００， Ｓｈａａｎｘｉ， Ｃｈｉｎａ； ２Ｃｏｌｌｅｇｅ ｏｆ Ａｇｒｏｎｏ⁃
ｍｙ， Ｈｅｎａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， Ｌｕｏｙａｎｇ ４７１００３， Ｈｅｎａｎ， Ｃｈｉｎａ） ． ⁃Ｃｈｉｎ． Ｊ．
Ａｐｐｌ． Ｅｃｏｌ．， ２０１５， ２６（７）： ２１０７－２１１４．
Ａｂｓｔｒａｃｔ： Ｗｕｑｉ Ｃｏｕｎｔｙ ｏｆ Ｓｈａａｎｘｉ Ｐｒｏｖｉｎｃｅ， ｗｈｅｒｅ ｔｈｅ ｖｅｇｅｔａｔｉｏｎ ｒｅｃｏｖｅｒｉｎｇ ｍｅａｓｕｒｅｓ ｈａｖｅ ｂｅｅｎ
ｃａｒｒｉｅｄ ｏｕｔ ｆｏｒ ｙｅａｒｓ， ｗａｓ ｔａｋｅｎ ａｓ ｔｈｅ ｓｔｕｄｙ ａｒｅａ． Ａ ｔｏｔａｌ ｏｆ １００ ｌｏｅｓｓ ｓａｍｐｌｅｓ ｆｒｏｍ ２４ ｄｉｆｆｅｒｅｎｔ ｐｒｏ⁃
ｆｉｌｅｓ ｗｅｒｅ ｃｏｌｌｅｃｔｅｄ． Ｔｏｔａｌ ｎｉｔｒｏｇｅｎ （ＴＮ） ａｎｄ ａｌｋａｌｉ ｈｙｄｒｏｌｙｓａｂｌｅ ｎｉｔｒｏｇｅｎ （ＡＨＮ） ｃｏｎｔｅｎｔｓ ｏｆ ｔｈｅ
ｓｏｉｌ ｓａｍｐｌｅｓ ｗｅｒｅ ａｎａｌｙｚｅｄ， ａｎｄ ｔｈｅ ｓｏｉｌ ｓａｍｐｌｅｓ ｗｅｒｅ ｓｃａｎｎｅｄ ｉｎ ｔｈｅ ｖｉｓｉｂｌｅ ／ ｎｅａｒ⁃ｉｎｆｒａｒｅｄ （ＶＮＩＲ）
ｒｅｇｉｏｎ ｏｆ ３５０－２５００ ｎｍ ｉｎ ｔｈｅ ｌａｂｏｒａｔｏｒｙ． Ｔｈｅ ｃａｌｉｂｒａｔｉｏｎ ｍｏｄｅｌｓ ｗｅｒｅ ｄｅｖｅｌｏｐｅｄ ｂｅｔｗｅｅｎ ＴＮ ａｎｄ
ＡＨＮ ｃｏｎｔｅｎｔｓ ａｎｄ ＶＮＩＲ ｖａｌｕｅｓ ｂａｓｅｄ ｏｎ ｃｏｒｒｅｌａｔｉｏｎ ａｎａｌｙｓｉｓ （ＣＡ） ａｎｄ ｐａｒｔｉａｌ ｌｅａｓｔ ｓｑｕａｒｅｓ ｒｅｇｒｅｓ⁃
ｓｉｏｎ （ＰＬＳ）． Ｉｎｄｅｐｅｎｄｅｎｔ ｓａｍｐｌｅｓ ｖａｌｉｄａｔｅｄ ｔｈｅ ｃａｌｉｂｒａｔｉｏｎ ｍｏｄｅｌｓ． Ｔｈｅ ｒｅｓｕｌｔｓ ｉｎｄｉｃａｔｅｄ ｔｈａｔ ｔｈｅ
ｏｐｔｉｍｕｍ ｍｏｄｅｌ ｆｏｒ ｐｒｅｄｉｃｔｉｎｇ ＴＮ ｏｆ ｌｏｅｓｓ ｗａｓ ｅｓｔａｂｌｉｓｈｅｄ ｂｙ ｕｓｉｎｇ ｆｉｒｓｔ ｄｅｒｉｖａｔｉｖｅ ｏｆ ｒｅｆｌｅｃｔａｎｃｅ． Ｔｈｅ
ｂｅｓｔ ｍｏｄｅｌ ｆｏｒ ｐｒｅｄｉｃｔｉｎｇ ＡＨＮ ｏｆ ｌｏｅｓｓ ｗａｓ ｅｓｔａｂｌｉｓｈｅｄ ｂｙ ｕｓｉｎｇ ｎｏｒｍａｌ ｄｅｒｉｖａｔｉｖｅ ｓｐｅｃｔｒａ． Ｔｈｅ ｏｐｔｉ⁃
ｍｕｍ ＴＮ ｍｏｄｅｌ ｃｏｕｌｄ ｅｆｆｅｃｔｉｖｅｌｙ ｐｒｅｄｉｃｔ ＴＮ ｉｎ ｌｏｅｓｓ ｆｒｏｍ ０ ｔｏ ４０ ｃｍ， ｂｕｔ ｔｈｅ ｏｐｔｉｍｕｍ ＡＨＮ ｍｏｄｅｌ
ｃｏｕｌｄ ｏｎｌｙ ｒｏｕｇｈｌｙ ｐｒｅｄｉｃｔ ＡＨＮ ａｔ ｔｈｅ ｓａｍｅ ｄｅｐｔｈ． Ｔｈｉｓ ｓｔｕｄｙ ｐｒｏｖｉｄｅｄ ａ ｇｏｏｄ ｍｅｔｈｏｄ ｆｏｒ ｒａｐｉｄｌｙ
ｐｒｅｄｉｃｔｉｎｇ ＴＮ ｏｆ ｌｏｅｓｓ ｗｈｅｒｅ ｖｅｇｅｔａｔｉｏｎ ｒｅｃｏｖｅｒｉｎｇ ｍｅａｓｕｒｅｓ ｈａｖｅ ｂｅｅｎ ａｄｏｐｔｅｄ， ｂｕｔ ｐｒｅｄｉｃｔｉｏｎ ｏｆ
ＡＨＮ ｎｅｅｄｓ ｔｏ ｂｅ ｆｕｒｔｈｅｒ ｓｔｕｄｉｅｄ．
Ｋｅｙ ｗｏｒｄｓ： ｌｏｅｓｓ； ｔｏｔａｌ ｎｉｔｒｏｇｅｎ； ａｌｋａｌｉ ｈｙｄｒｏｌｙｓａｂｌｅ ｎｉｔｒｏｇｅｎ； ｈｙｐｅｒｓｐｅｃｔｒｕｍ； ｖｅｇｅｔａｔｉｏｎ ｒｅｃｏｖｅ⁃
ｒｉｎｇ．
∗国家高技术研究发展计划项目 （ ２０１３ＡＡ１０２４０１⁃２）、国家科技支撑计划项目 （ ２０１２ＢＡＨ２９Ｂ０４⁃００ ） 和河南省科技攻关计划项目
（１３２１０２１１０２１０）资助．
∗∗通讯作者． Ｅ⁃ｍａｉｌ： ｃｈａｎｇｑｒ＠ ｎｗｓｕａｆ．ｅｄｕ．ｃｎ
２０１４⁃０８⁃２０收稿，２０１５⁃０３⁃０５接受．
应 用 生 态 学 报　 ２０１５年 ７月　 第 ２６卷　 第 ７期　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　
Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ， Ｊｕｌ． ２０１５， ２６（７）： ２１０７－２１１４
　 　 土壤学理论和生态建设工程实践证明，严重退
化生态系统植被恢复重建的环境效应在一定程度上
取决于重建过程中土壤的形成发育和质量状况［１］、
及其土壤与植物之间的相互作用与协调关系．因此，
在植被恢复过程中了解土壤质量状况即土壤肥力的
基本特征及其变化，对于评估退化生态系统恢复重
建的功能与效益以及探讨不同植被恢复方案所产生
的环境效应差异非常重要．
土壤氮素水平不仅是衡量和表征土壤肥力特征
的重要指标，也是决定植株氮素营养水平的关键因
素，因此，如何实时、快速、无损、准确获取土壤的氮
素含量及其变化对评估植被恢复方案所产生的环境
效应差异极其重要．传统的土壤氮素含量测定方法
采用实验室化学法，此方法虽然相对准确，但通常比
较费时、费工、有害或有污染，且难以在野外直接测
定．高光谱遥感波段多、分辨率高，具有定量获取土
壤养分含量的研究潜力［２－４］，现已成为一种非损伤
的、快速检测土壤养分含量的新方法［５］ ．
光谱数据应用于土壤氮素含量估测开始于 ２０
世纪 ８０ 年代．近几年来，土壤氮素的定量遥感估测
已成为土壤学和遥感技术方面研究较多的内容之
一［６］ ．国内许多研究表明，可见光⁃近红外光谱在估
算黑土、紫色土、红壤、水稻土和潮土等土壤氮素时
比较成功，反演精度较高［７－１０］ ．如李伟等［８］运用 ＰＬＳ
和 ＡＮＮ 方法成功地建立了黑土土壤碱解氮等的近
红外光谱预测分析模型．卢艳丽等［９］对光谱进行不
同的变换或组合，建立了黑土土壤全氮的预测模型，
模型的预测精度较高．徐丽华等［１０］用偏最小二乘回
归方法建立了紫色土土壤全氮和全磷含量的预测模
型，对全氮含量的预测具有一定可行性，但对全磷含
量的预测效果较差．现有研究表明，在利用可见光⁃
近红外光谱技术对土壤氮素进行定量遥感估测时，
不同土壤类型利用的波段或波段范围是有差异
的［２，４，７－１４］，并且大多选择耕作区作为研究区
域［７－９，１３－１４］ ．如吴明珠等［１２］研究表明，亚热带红壤全
氮的敏感光谱波段为：可见光 ６３４ ～ ６８８ ｎｍ 和红外
８７２、８７３、１４１４、１４１５ ｎｍ． Ｄａｌａｌ 等［１３］用近红外光谱
１７４４、１８７０和 ２０５２ ｎｍ 波段的反射率有效地估测了
耕作区多种土壤类型全氮的含量．Ｈｅ 等［１４］利用近
红外光谱技术对耕作区土壤氮素等营养成分进行了
预测．在分析方法方面，目前许多研究都以偏最小二
乘方法构建土壤属性预测模型［４，８，１０，１５－１６］ ．如陈红艳
等［１５］以潮土为研究对象，采用 ＤＷＴ⁃ＧＡ⁃ＰＬＳ方法对
土壤碱解氮含量进行高光谱估测，取得了较好的预
测效果．栾福明等［１６］采用小波分析结合 ＰＬＳ 建立了
碱化土壤碱解氮含量的高光谱反演模型，反演精度
较高．迄今，利用可见光⁃近红外光谱技术对土壤氮
素进行定量遥感估测时，较少有研究以采取植被恢
复方案的生态系统退化严重的特殊区域的黄绵土作
为研究对象，利用 ＣＡ＋ＰＬＳ 方法构建土壤氮素预测
模型．
本研究选择陕西省吴起县为研究区，以黄绵土
为研究对象，室内测定土壤样本全氮和碱解氮含量
及样本的高光谱反射率，对不同变换形式的光谱与
全氮和碱解氮进行相关分析，找出预测黄绵土全氮
和碱解氮的敏感波段；并建立不同变换形式光谱与
土壤全氮和碱解氮含量的预测模型，比较不同光谱
变换对土壤全氮和碱解氮含量预测精度的影响；探
讨预测模型对 ０～４０ ｃｍ 和＞４０ ｃｍ 深度土壤全氮和
碱解氮预测的效果；总结不同类型土壤全氮和碱解
氮预测的通用波段，以期为采取植被恢复措施的生
态系统退化区域的黄绵土土壤氮素快速获取提供技
术支撑，为评价不同植被恢复方案所产生的环境效
应差异提供参考．
１　 研究地区与研究方法
１􀆰 １　 研究区概况
吴起县（３６°３３′３３″—３７°２４′２７″ Ｎ，１０７°２８′５７″—
１０８°３２′４９″ Ｅ）位于黄土高原北部的陕西省延安市
西北部，土壤类型为黄绵土，海拔 １２３３ ～ １８０９ ｍ，东
西宽 ７９．８９ ｋｍ，南北长 ９３．６４ ｋｍ．吴起县是半湿润气
候与干旱气候的过渡区，生态系统退化严重且形式
多样，长期采取不同植被恢复措施，是研究退化生态
系统恢复重建的理想地区．根据该区地域分异特点，
将全县分为大致均匀的 ９ 个区域，在每个区域依据
植被类型、造林方式、生长年限和地貌类型等差异，
选择典型样区，然后在该区的典型地点进行采样．共
选取 ２４个土壤剖面不同层次（０ ～ ５ 和 ５ ～ ２０ 或 ０ ～
２０、以及 ２０～４０、４０ ～ ６０、６０ ～ １００ ｃｍ）的 １０７ 个土壤
样本作为本研究的样本，剔除有明显误差的 ７ 个样
本，余下 １００个有效样本．随机选取 ６０ 个样本用于
建模，４０个样本用于模型验证．通过对本研究的土
壤样本统计分析发现，４０ ｃｍ 以下土壤全氮和碱解
氮急剧减少．因此，本文以 ４０ ｃｍ 深度为界，选择预
测效果较好的模型对 ４０个验证样本分 ０ ～ ４０ ｃｍ 和
＞４０ ｃｍ深度两个土层进行预测．样品经风干、研磨
并通过 １ ｍｍ 孔筛后，采用四分法取样，一式两份，
一份用于实验室全氮含量和碱解氮含量的化学测
８０１２ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
定，另一份用于土壤光谱的测定．
１􀆰 ２　 测量方法
１􀆰 ２􀆰 １土壤全氮和有效氮含量的测定 　 土壤全氮
（ＴＮ，ｇ·ｋｇ－１）含量采用凯氏定氮法测定［１７］；碱解氮
（ＡＨＮ，ｍｇ·ｋｇ－１）含量用碱解扩散法测定［１７］ ．
１􀆰 ２􀆰 ２土壤反射率测量　 土壤反射率采用 ＳＶＣ ＨＲ⁃
１０２４ｉ便携式光谱仪测定，光谱范围 ３５０ ～ ２５００ ｎｍ．
将处理好的土样置于直径 １０ ｃｍ 的容器中，装满后
将土壤表面刮平，进行室内光谱测量．光谱测量用 ４°
视场角的光纤探头，探头距土壤样本表面 １５ ｃｍ；光
源为能够提供平行光的 ５０ Ｗ 卤素灯，距土壤表面
３０ ｃｍ，光源天顶角为 １５°．由于土壤表面平整状况和
土样本身组成物质的结构可能引起光谱各向异性的
情况，测量时水平转动被试样品 ３ 次，每次约 ９０°，
测试土样 ４个方向的光谱曲线，每个方向测定 ３ 条
样本线，共 １２条样本线，去掉异常线后取平均作为
该土样的光谱反射率值，并以白色参考板获取相对
反射率．
１􀆰 ３　 数据处理
１􀆰 ３􀆰 １高光谱数据处理　 本研究选用 ４００ ～ ２４５０ ｎｍ
间的光谱曲线［１５］ ．由于光谱仪各波段对能量响应的
差异，使得光谱曲线上存在一些噪声，因此，首先将
原始光谱进行重采样，得到 １０ ｎｍ 间隔的光谱反射
率［１８］，然后对数据分别进行 ９点移动平均和 Ｓａｖｉｔｚｋｙ⁃
Ｇｏｌａｙ平滑、多元散射校正（ＭＳＣ）、基线偏移（ＢＯＣ）等
预处理，与移动平均相比其他方法对预测效果没有明
显改善，因此，选取移动平均平滑处理后的光谱进行
多种数学变换［１９］：均值光谱（Ｒ）倒数取对数［ｌｏｇ（１ ／
Ｒ）］、均值光谱归一化［Ｎ（Ｒ）］，然后对均值光谱、倒
数对数光谱、归一化光谱分别进行一阶微分，得到
ｄＲ、ｄ［ｌｏｇ（１ ／ Ｒ）］、ｄ［Ｎ（Ｒ）］，共 ６种不同的光谱变换
形式．相对于 Ｒ的 ６种变换方法包括：
１）均值光谱．Ｒ ＝
ｒ１
ｎ
，
ｒ２
ｎ
，…，
ｒｎ
ｎ
æ
è
ç
ö
ø
÷ ，式中，ｎ 为波
段数．
２）对 Ｒ 的倒数取对数变换． ｌｏｇ（１ ／ Ｒ）＝ ［ ｌｏｇ（１ ／
Ｒ１），ｌｏｇ（１ ／ Ｒ２），…，ｌｏｇ（１ ／ Ｒｎ）］．
３）对 Ｒ 的归一化变换． Ｎ（Ｒ） ＝ （
Ｒ１
∑Ｒ ｉ ／ ｎ
，
Ｒ２
∑Ｒ ｉ ／ ｎ
，…，
Ｒｎ
∑Ｒ ｉ ／ ｎ
） ，用各波段平均值做分母以
免变换后的值太小．
４）对 Ｒ 的一阶微分变换． ｄ（Ｒ） ＝ （
Ｒ３ － Ｒ１
Δλ
，
Ｒ４ － Ｒ２
Δλ
，…，
Ｒｎ － Ｒｎ－２
Δλ
） ，式中，Δλ为两倍波段宽．
５）对 ｌｏｇ（１ ／ Ｒ）的一阶微分变换，ｄ［ｌｏｇ（１ ／ Ｒ）］．
６）对 Ｎ（Ｒ）的一阶微分变换，ｄ［Ｎ（Ｒ）］．
１􀆰 ３􀆰 ２数据分析方法　 数据分析采用偏最小二乘回
归法（ＰＬＳ）．ＰＬＳ集主成分、典型相关和多元线性回
归分析 ３种分析方法的优点，能够利用所有有效的
数据构建模型，提取出反映数据变异的最大信息，具
有良好的预测功能［２０］，特别适合处理各变量内部高
度线性相关的数据［１６］ ．很多研究者采用此方法构建
光谱与土壤属性的预测模型［４，１０，１５－１６，２１］ ．本研究对全
氮和碱解氮建立校正模型时，先采用相关分析（ＣＡ）
对光谱数据进行降维，减少冗余信息，然后结合 ＰＬＳ
算法（ＰＬＳ１）建立校正模型，这样既可以保留绝大部
分有用信息，又可以提高运算速度、简化方程，然后
用独立样本对模型进行验证．建模过程中采用交叉
验证（ｆｕｌｌ ｃｒｏｓｓ ｖａｌｉｄａｔｉｏｎ）确定主成分的个数，模型
的预测精度采用预测值和实际值的判断系数（Ｒ２）、
均方根误差（ＲＭＳＥ）和相对预测偏差（ＲＰＤ）来衡
量［７，１５，２１］ ．其计算过程借助 Ｕｎｓｃｒａｍｂｌｅｒ ９． ７（ＣＡＭＯ
ＡＳＡ，Ｔｒｏｎｄｈｅｉｍ，Ｎｏｒｗａｙ）软件完成．
计算 ＲＰＤ值的目的是为了解释每一个模型的
预测能力，ＲＰＤ的评价标准采用 Ｃｈａｎｇ等［２２］提出的
阈值划分方法，ＲＰＤ＞２．０ 表明模型是稳定的、准确
的；１．４＜ＲＰＤ＜２．０表示是可以接受的模型，并可以改
进；ＲＰＤ＜１．４表明模型的预测能力很差．一个好的预
测模型应该有大的 Ｒ２和 ＲＰＤ，小的 ＲＭＳＥ［４］ ．
Ｒ２ ＝∑
ｎ
１
（ ｙ＾ｉ － 􀭰ｙ） ２ ／∑
ｎ
１
（ｙｉ － 􀭰ｙ） ２ （１）
ＲＭＳＥ ＝ ∑
ｎ
１
（ ｙ＾ｉ － ｙｉ） ２ ／ ｎ （２）
ＲＰＤ＝ＳＤｖ ／ ＲＭＳＥｖ ｎ ／ （ｎ－１） （３）
式中：ｙ＾是预测值；􀭰ｙ是观测值的均值；ｙ 是观测值；ｎ
是样本数量，用 ｉ ＝ １，２，…，ｎ 表示；ＳＤｖ 是验证集的
标准偏差；ＲＭＳＥｖ 是验证集的均方根误差．
２　 结果与分析
２􀆰 １　 样本土壤氮含量状况
由表 １ 可以看出，研究区土壤全氮含量的变化
范围是 ０．１０～１．０９ ｇ·ｋｇ－１，标准差为 ０．１７９ ｇ·ｋｇ－１；
碱解氮含量的变化范围是 １１．４５ ～ １４９．８４ ｍｇ·ｋｇ－１，
标准差为 ３０．６５１ ｍｇ·ｋｇ－１ ．该区全氮和碱解氮含量
偏低，明显低于其他地区［７－８，１５］ ．全氮的校正集和验
证集的土壤样本的统计指标与整体样本较一致，而
９０１２７期　 　 　 　 　 刘秀英等： 基于相关分析和偏最小二乘回归的黄绵土土壤全氮和碱解氮含量的高光谱预测　
表 １　 土壤样本的总氮和碱解氮含量的统计描述
Ｔａｂｌｅ １ 　 Ｄｅｓｃｒｉｐｔｉｖｅ ｓｔａｔｉｓｔｉｃ ｏｆ ｔｏｔａｌ ｎｉｔｒｏｇｅｎ ａｎｄ ａｌｋａｌｉ
ｈｙｄｒｏｌｙｓａｂｌｅ ｎｉｔｒｏｇｅｎ ｃｏｎｔｅｎｔ ｉｎ ｍｅａｓｕｒｅｄ ｓｏｉｌ ｓａｍｐｌｅｓ
土壤氮
Ｓｏｉｌ
ｎｉｔｒｏｇｅｎ
土层深度
Ｓｏｉｌ
ｄｅｐｔｈ
（ｃｍ）
样本数
Ｎｕｍｂｅｒ
ｏｆ ｓａｍｐｌｅｓ
均值
Ｍｅａｎ
标准差
Ｓｔａｎｄａｒｄ
ｄｅｖｉａｔｉｏｎ
最小值
Ｍｉｎｉｍｕｍ
最大值
Ｍａｘｉｍｕｍ
全氮 ０～１００ １００ ０．３７１ ０．１７９ ０．１０ １．０９
ＴＮ ０～１００ ６０ ０．３８３ ０．１９９ ０．２０ １．０９
（ｇ·ｋｇ－１） ０～１００ ４０ ０．３５５ ０．１４５ ０．１０ ０．８５
０～４０ ２１ ０．４６７ ０．２０６ ０．２０ ０．８７
＞４０ １９ ０．２８１ ０．１１１ ０．１０ ０．５３
碱解氮 ０～１００ １００ ４５．３５９ ３０．６５１ １１．４５ １４９．８４
ＡＨＮ ０～１００ ６０ ４７．１７６ ３４．２１９ １１．４５ １４９．８４
（ｍｇ·ｋｇ－１） ０～１００ ４０ ４２．６３４ ２４．５０９ １１．８２ １１３．８８
０～４０ ２１ ５８．８８０ ３７．８１０ １７．６０ １４９．８４
＞４０ １９ ２４．８９８ １２．４００ １１．４５ ４８．５８
ＴＮ： Ｔｏｔａｌ ｎｉｔｒｏｇｅｎ； ＡＨＮ： Ａｌｋａｌｉ ｈｙｄｒｏｌｙｓａｂｌｅ ｎｉｔｒｏｇｅｎ． 下同 Ｔｈｅ ｓａｍｅ ｂｅｌｏｗ．
碱解氮验证集的范围、标准差与校正集和整体样本
相差较大．０～ ４０ ｃｍ 土壤全氮和碱解氮的含量明显
高于 ４０ ｃｍ以下土壤，几乎相差 １倍．
２􀆰 ２　 土壤的光谱特征及特征波段的选择
由黄绵土各剖面不同层次土壤样本的原始平均
光谱曲线（图 １）可以看出，供试土壤光谱曲线形态
相似；除 ２０～４０ ｃｍ土层外，土壤剖面从上到下各土
层光谱反射率有依次增大的趋势，这与彭杰等［２３］的
研究结论相似；０～５ ｃｍ土层光谱反射率在整个波段
范围明显减小，与 ５ ｃｍ以下土层土壤光谱反射率相
差较大；在可见光区，不同层土壤的光谱反射率总体
变化比较平缓，呈上升趋势；进入近红外波段后，在
１４００、１９００、２２００ ｎｍ 处有明显的吸收谷，即水分吸
收带．
对土壤全氮和碱解氮与反射光谱的不同变换形
式之间进行相关分析，将具有最大相关系数的波段
列于表 ２．不同变换形式光谱与全氮的最大相关系数
分别位于可见光区的６１０、６７０、６９０ ｎｍ处，近红外区
图 １　 土壤剖面不同层的平均光谱曲线
Ｆｉｇ．１　 Ａｖｅｒａｇｅ ｓｐｅｃｔｒａｌ ｃｕｒｖｅｓ ｏｆ ｓｏｉｌ ｐｒｏｆｉｌｅ ｓａｍｐｌｅｓ ｏｆ ｄｉｆｆｅ⁃
ｒｅｎｔ ｌａｙｅｒｓ．
表 ２　 不同土壤光谱反射率变换形式与土壤全氮和碱解氮
含量相关系数的峰值及其波段位置
Ｔａｂｌｅ ２ 　 Ｐｅａｋ ｖａｌｕｅ ａｎｄ ｂａｎｄ ｐｏｓｉｔｉｏｎ ｏｆ ｔｈｅ ｃｏｒｒｅｌａｔｉｏｎ
ｃｏｅｆｆｉｃｉｅｎｔｓ ｂｅｔｗｅｅｎ ｄｉｆｆｅｒｅｎｔ ｓｐｅｃｔｒｕｍ ｔｒａｎｓｆｏｒｍａｔｉｏｎ ａｎｄ
ｓｏｉｌ ｔｏｔａｌ ｎｉｔｒｏｇｅｎ ａｎｄ ａｌｋａｌｉ ｈｙｄｒｏｌｙｓａｂｌｅ ｎｉｔｒｏｇｅｎ ｃｏｎｔｅｎｔ
光谱变换
Ｓｐｅｃｔｒｕｍ
ｔｒａｎｓｆｏｒｍ
全氮 ＴＮ
最大相关系数
Ｍａｘｉｍｕｍ
ｃｏｒｒｅｌａｔｉｏｎ
ｃｏｅｆｆｉｃｉｅｎｔ
波段位置
Ｂａｎｄ
ｐｏｓｉｔｉｏｎ
（ｎｍ）
碱解氮 ＡＨＮ
最大相关系数
Ｍａｘｉｍｕｍ
ｃｏｒｒｅｌａｔｉｏｎ
ｃｏｅｆｆｉｃｉｅｎｔ
波段位置
Ｂａｎｄ
ｐｏｓｉｔｉｏｎ
（ｎｍ）
Ｒ ０．６５６ ７１０ ０．５５４ ６４０
ｄ（Ｒ） ０．７１８ １４５０ ０．５９４ ２１７０
Ｎ（Ｒ） ０．７１５ ６７０ ０．４７０ １４２０
ｄ［Ｎ（Ｒ）］ ０．７１５ ２２４０ ０．５０３ ２２４０
ｌｏｇ（１ ／ Ｒ） ０．６３３ ６１０ ０．５４９ １９８０
ｄ［ｌｏｇ（１ ／ Ｒ）］ ０．６７０ ６９０ ０．５０３ ２２３０
Ｒ： 光谱反射率 Ｓｐｅｃｔｒｕｍ ｒｅｆｌｅｃｔａｎｃｅ． 下同 Ｔｈｅ ｓａｍｅ ｂｅｌｏｗ．
的 ７１０、１４５０和 ２２４０ ｎｍ处；而与碱解氮的最大相关
系数分别位于可见光区的 ６４０ ｎｍ 和近红外区的
１４２０、１９８０、２１７０、２２３０和 ２２４０ ｎｍ处．具有最大相关
系数的波段通常作为预测土壤全氮和碱解氮的敏感
波段．从全氮的相关系数来看，除 ｌｏｇ（１ ／ Ｒ）的相关系
数比 Ｒ 小之外，其他的变换形式与全氮的相关系数
都增大，相关性得到增强；对于碱解氮，除微分变换
ｄ（Ｒ）对相关性有所提高之外，其他变换形式未能改
善与碱解氮的相关关系．从而说明对于不同的土壤
属性，应该对反射光谱采取不同的变换，以提高两者
之间的相关关系．表 ３ 列出了土壤全氮和碱解氮与
反射光谱的不同变换形式具有的最大相关系数对应
的前 ７０个波段，这些波段包括了前人用于预测土壤
氮素的最佳波段［７，９，１３］，因此，选取表 ３ 中相关系数
较大的 ７０个波段用于下一步建立全氮和碱解氮的
预测模型，以达到保留最多有用信息，同时又对数据
进行降维、简化方程的目的．
２􀆰 ３　 土壤全氮和碱解氮的预测
由表 ４ 可以看出，对于全氮来说，均值光谱 Ｒ
构建的校正模型的判断系数最大（０．９４８），校正均方
根误差（ＲＭＳＥｃ）最小，为 ０．０３９ ｇ·ｋｇ－１，内部交叉
验证的结果为 Ｒ２ ＝ ０． ８７７，交叉验证均方根误差
（ＲＭＳＥｃｖ）为 ０．０６１ ｇ·ｋｇ－１，但是选择的主成分数最
多，为 １２个；归一化微分 ｄ［Ｎ（Ｒ）］构建的校正模型
选择的主成分数较少，仅为 ６，但校正模型的判断系
数和交叉验证模型的判断系数均最小，分别为
０􀆰 ８８８ 和 ０．８０７，而且 ＲＭＳＥｃ最大，为 ０．０５７ ｇ·ｋｇ－１，
因此，这两个模型都不是最优．微分光谱变换 ｄ（Ｒ）
构建模型时选择的主成分数为 ７，其校正和内部交
叉验证的判断系数均较高，分别为 ０．９２９ 和 ０．８８４，
而 均方根误差均较低 ，分别为 ０􀆰 ０４５和 ０􀆰 ０５９
０１１２ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
表 ３　 不同土壤光谱反射率变换形式与土壤全氮和碱解氮含量前 ７０个较大的相关系数的波段
Ｔａｂｌｅ ３　 Ｂａｎｄｓ ｏｆ ｔｈｅ ｂｉｇｇｅｓｔ ７０ ｃｏｒｒｅｌａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔｓ ｂｅｔｗｅｅｎ ｄｉｆｆｅｒｅｎｔ ｓｐｅｃｔｒｕｍ ｔｒａｎｓｆｏｒｍａｔｉｏｎ ａｎｄ ｓｏｉｌ ｔｏｔａｌ ｎｉｔｒｏｇｅｎ
ａｎｄ ａｌｋａｌｉ ｈｙｄｒｏｌｙｓａｂｌｅ ｎｉｔｒｏｇｅｎ ｃｏｎｔｅｎｔ
光谱变换
Ｓｐｅｃｔｒｕｍ ｔｒａｎｓｆｏｒｍ
全氮（ＴＮ）的 ７０个最大相关系数波段
Ｂａｎｄｓ ｏｆ ｔｈｅ ｂｉｇｇｅｓｔ ７０ ｃｏｒｒｅｌａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔｓ （ｎｍ）
碱解氮（ＡＨＮ）的 ７０个最大相关系数波段
Ｂａｎｄｓ ｏｆ ｔｈｅ ｂｉｇｇｅｓｔ ７０ ｃｏｒｒｅｌａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔｓ （ｎｍ）
Ｒ ４００～８６０、９７０～１０７０、１４００～１４８０、１５７０、１９６０～１９７０ ４００～８５０、１９３０～２１７０、２２８０～２２９０
ｄ（Ｒ） ４１０～９２０、９４０～９５０、１４３０～１４８０、１９４０～１９５０、２１３０～２２６０ ４１０～６２０、７９０ ～ ８９０、１３６０ ～ １３７０、１４３０ ～ １４８０、１６９０、１９４０ ～
１９６０、２０４０～２０８０、２１２０～２２７０、２３００～２３４０
Ｎ（Ｒ） ５２０～７２０、１１１０～１５９０ ５１０～７８０、１３５０～１７１０、１８４０～１８８０
ｄ［Ｎ（Ｒ）］ ４１０～ ６００、６３０ ～ ９２０、９４０ ～ ９５０、１０６０ ～ １１１０、１４４０ ～ １４６０、
１９２０～１９３０、２２３０～２２６０、２３９０、２４００～２４１０
４１０～ ６１０、６４０ ～ ９１０、９５０ ～ ９６０、１０４０、１０６０ ～ １１００、 １４５０、
１５４０～１５６０、１８１０、１９９０、２１３０、２２２０～２２７０
ｌｏｇ（１ ／ Ｒ） ４００～８８０、１９３０～２１３０ ６４０～８８０、１９１０～２３４０、２４５０
ｄ［ｌｏｇ（１ ／ Ｒ）］ ４４０～４８０、５７０ ～ ９５０、１０６０ ～ １１００、１４５０、１９００ ～ １９３０、１９８０ ～
２１１０、２２３０～２２７０、２３９０～２４３０
４１０～８９０、９５０ ～ ９６０、１０７０ ～ １１２０、１５３０ ～ １５６０、１９９０、２１００ ～
２２７０
表 ４　 土壤全氮和碱解氮含量的偏最小二乘回归模型
Ｔａｂｌｅ ４　 Ｐａｒｔｉａｌ ｌｅａｓｔ ｓｑｕａｒｅｓ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ ｏｆ ｓｏｉｌ ｔｏｔａｌ ｎｉｔｒｏｇｅｎ ａｎｄ ａｌｋａｌｉ ｈｙｄｒｏｌｙｓａｂｌｅ ｎｉｔｒｏｇｅｎ ｃｏｎｔｅｎｔ
土壤氮
Ｓｏｉｌ ｎｉｔｒｏｇｅｎ
光谱变换
Ｓｐｅｃｔｒｕｍ
ｔｒａｎｓｆｏｒｍ
主成分数
Ｐｒｉｎｃｉｐａｌ
ｃｏｍｐｏｎｅｎｔ ｎｕｍｂｅｒ
校正 Ｃａｌｉｂｒａｔｉｏｎ
Ｒ２ 均方根误差
ＲＭＳＥ
交叉验证 Ｃｒｏｓｓ ｖａｌｉｄａｔｉｏｎ
Ｒ２ 均方根误差
ＲＭＳＥ
相对预测偏差
ＲＰＤ
全氮 Ｒ １２ ０．９４８ ０．０３９ ０．８７７ ０．０６１ ３．２８６
ＴＮ ｄ（Ｒ） ７ ０．９２９ ０．０４５ ０．８８４ ０．０５９ ３．３９７
Ｎ（Ｒ） １０ ０．９１０ ０．０５１ ０．８５０ ０．０６８ ２．９４８
ｄ［Ｎ（Ｒ）］ ６ ０．８８８ ０．０５７ ０．８０７ ０．０６５ ３．０８４
ｌｏｇ（１ ／ Ｒ） ６ ０．９２０ ０．０２９ ０．８７４ ０．０６２ ３．２３３
ｄ［ｌｏｇ（１ ／ Ｒ）］ ６ ０．９１９ ０．０４９ ０．８６８ ０．０６３ ３．１８２
碱解氮 Ｒ １２ ０．８９６ ８．９９２ ０．８１４ １２．２４１ ２．８１６
ＡＨＮ ｄ（Ｒ） ７ ０．８６４ １０．２６８ ０．７７８ １３．３５２ ２．５８１
Ｎ（Ｒ） １３ ０．８７３ ９．９４６ ０．７４６ １４．２９５ ２．４１１
ｄ［Ｎ（Ｒ）］ ９ ０．８８５ ９．４３９ ０．７７７ １３．３７８ ２．５７６
ｌｏｇ（１ ／ Ｒ） １０ ０．８７６ ９．８２０ ０．８０３ １２．５９５ ２．７３６
ｄ［ｌｏｇ（１ ／ Ｒ）］ ８ ０．８９８ ８．８９３ ０．８３２ １１．６２７ ２．９６４
ｇ·ｋｇ－１，说明微分光谱变换相对于其他变换形式而
言有利于全氮的高光谱预测模型构建，是预测全氮
的较优模型．除归一化微分变换构建的校正模型的
判断系数低于 ０．９０外，其他形式光谱构建的校正模
型的判断系数都大于 ０．９０．内部交叉验证时除归一
化微分变换形式光谱的判断系数为 ０．８０７ 外，其他
的都大于或等于 ０．８５，说明利用 ＣＡ＋ＰＬＳ 方法建立
的 ＴＮ的回归模型比较稳定，精度较高．
对于碱解氮而言，有最大校正判断系数的模型
为倒数对数微分变换光谱 ｄ［ ｌｏｇ（１ ／ Ｒ）］构建的模
型，选择的主成分为 ８个，其校正和交叉验证模型的
判断系数均最高，分别为 ０．８９８ 和 ０．８３２，均方根误
差均最小，分别为 ８．８９３和 １１．６２７ ｍｇ·ｋｇ－１ ．选择主
成分最多的是归一化光谱构建的模型，选择 １３个主
成分，但校正模型和交叉验证模型的判断系数和均
方根误差均略低于或高于 ｄ［ ｌｏｇ（１ ／ Ｒ）］构建的模
型．说明 ＰＬＳ 建立的校正模型的精度与主成分个数
的选取不一定呈正比，利用 ＣＡ＋ＰＬＳ 方法建立的碱
解氮的回归模型也比较稳定，精度也比较高．
２􀆰 ４　 土壤全氮和有效氮预测模型的效果评价
利用独立样本对校正模型的预测效果进行验证
（表 ５）的结果表明，土壤全氮校正模型验证过程中
的判断系数最高的是微分光谱ｄ（Ｒ）建立的校正模
表 ５　 ＰＬＳ模型的检验结果
Ｔａｂｌｅ ５　 Ｖａｌｉｄａｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ｓｐｅｃｔｒａｌ ｍｏｄｅｌｓ ｄｅｖｅｌｏｐｅｄ ｂｙ
ＰＬＳ
土壤氮
Ｓｏｉｌ
ｎｉｔｒｏｇｅｎ
光谱变换
Ｓｐｅｃｔｒｕｍ
ｔｒａｎｓｆｏｒｍ
Ｒ２ 均方根
误差
ＲＭＳＥ
相对预测
偏差
ＲＰＤ
全氮 Ｒ ０．８８６ ０．０６４ ２．２９０
ＴＮ ｄ（Ｒ） ０．９３５ ０．０４７ ３．１２０
Ｎ（Ｒ） ０．８４０ ０．０７６ １．９３０
ｄ［Ｎ（Ｒ）］ ０．９０３ ０．０５９ ２．４８０
ｌｏｇ（１ ／ Ｒ） ０．８７５ ０．０８０ １．８４０
ｄ［ｌｏｇ（１ ／ Ｒ）］ ０．９１２ ０．０５６ ２．６２０
碱解氮 Ｒ ０．７０５ １８．９２１ １．３１２
ＡＨＮ ｄ（Ｒ） ０．６８８ １９．００５ １．３０６
Ｎ（Ｒ） ０．７７３ １６．２０４ １．５３８
ｄ［Ｎ（Ｒ）］ ０．５４８ ２２．８７７ １．０８４
ｌｏｇ（１ ／ Ｒ） ０．７１７ １８．１０１ １．３７１
ｄ［ｌｏｇ（１ ／ Ｒ）］ ０．６０２ ２１．４７８ １．１５６
１１１２７期　 　 　 　 　 刘秀英等： 基于相关分析和偏最小二乘回归的黄绵土土壤全氮和碱解氮含量的高光谱预测　
型，Ｒ２为 ０．９３５，均方根误差最小，为 ０􀆰 ０４７ ｇ·ｋｇ－１ ．
通过比较发现：建模过程和验证过程中 ＲＭＳＥ 之间
的差异不超过 ０．０５ ｇ·ｋｇ－１，而且判断系数之差均不
超过 ０．１５．这表明利用 ＣＡ＋ＰＬＳ 方法建立的全氮预
测模型比较稳定，预测精度较高，同时也说明微分变
换是构建全氮预测模型的一种较好的变换方法．
土壤碱解氮模型验证过程中 Ｒ２最大（０．７７３）的
为归一化变换构建的模型，并且均方根误差最小，为
１６．２０４ ｍｇ·ｋｇ－１ ．验证效果最差的为归一化微分变
换构建的模型，其 Ｒ２为 ０．５４８，ＲＭＳＥ 最大为 ２２．８７７
ｍｇ·ｋｇ－１ ．总体来看，建模过程和验证过程中 ＲＭＳＥ
之间的差异均较大．说明归一化变换是构建碱解氮
预测模型的一种较好的变换方式，同时也说明利用
ＣＡ＋ＰＬＳ方法建立的碱解氮的回归模型不太稳定．
ＣＡ＋ＰＬＳ构建的全氮的校正模型在验证过程中
相对预测偏差（ＲＰＤ）大于 ２的分别为 Ｒ、ｄ（Ｒ）、ｄ［Ｎ
（Ｒ）］、ｄ［ｌｏｇ（１ ／ Ｒ）］光谱变换，而 Ｎ（Ｒ）、ｌｏｇ（１ ／ Ｒ）
构建模型的 ＲＰＤ值大于 １．８，在 １．４ ～ ２．０ 之间，进一
步说明 ＴＮ的预测模型稳定可靠，可以用于植被恢
复区黄绵土土壤全氮的快速预测．而碱解氮的校正
模型在验证过程中的 ＲＰＤ 只有归一化变换略大于
１．４，其他均在 １．０～１．４之间．表明碱解氮的预测模型
不够稳定，只有归一化变换构建的模型可以粗略进
行碱解氮的预测．
　 　 将全氮和碱解氮的参考值与预测值做趋势线并
与参考值的 １ ∶ １线进行比较，可以了解预测值与参
考值的关系及预测的准确度．通过比较可知，原始光
谱（Ｒ）构建的模型预测的全氮含量整体偏低；全氮
含量大于 ０．７０ ｇ·ｋｇ－１时，ｄ（Ｒ）和 Ｎ（Ｒ）构建的模型
预测值与参考值比较接近，模型的预测精度较高，但
当全氮含量小于 ０．７０ ｇ·ｋｇ－１时，ｄ（Ｒ）为自变量构
建模型的预测值偏低，而 Ｎ（Ｒ）构建模型的预测值
偏高，而且全氮含量越低预测精度越差；ｄ［Ｎ（Ｒ）］
为自变量构建的模型以全氮含量 ０．６０ ｇ·ｋｇ－１为界，
小于此值时模型预测值偏高，反之则偏低；ｌｏｇ（１ ／ Ｒ）
为自变量构建的模型预测值整体偏低，而且全氮含
量越大预测精度越低；ｄ［ ｌｏｇ（１ ／ Ｒ）］为自变量构建
的模型以 ０．２５ ｇ·ｋｇ－１为界，小于此值时模型预测值
偏高，反之则偏低，全氮含量越高预测精度越低．对
于碱解氮而言，ｄ（Ｒ）和 ｌｏｇ（１ ／ Ｒ）构建模型的预测精
度随碱解氮含量的增加而降低，当碱解氮含量较大
时，预测值均偏高；ｄ［ｌｏｇ（１ ／ Ｒ）］构建的模型预测的
碱解氮含量整个范围都偏低；Ｒ 构建的模型预测
精度随碱解氮含量的增加而增高；Ｎ（Ｒ）构建的模型
表 ６　 全氮和碱解氮分层预测结果
Ｔａｂｌｅ ６ 　 Ｌａｙｅｒｉｎｇ ｆｏｒｅｃａｓｔ ｒｅｓｕｌｔｓ ｏｆ ｓｐｅｃｔｒａｌ ｍｏｄｅｌｓ ｆｏｒ
ｓｏｉｌ ｔｏｔａｌ ｎｉｔｒｏｇｅｎ ａｎｄ ａｌｋａｌｉ ｈｙｄｒｏｌｙｓａｂｌｅ ｎｉｔｒｏｇｅｎ ｃｏｎｔｅｎｔ
土壤氮
Ｓｏｉｌ
ｎｉｔｒｏｇｅｎ
光谱变换
Ｓｐｅｃｔｒｕｍ
ｔｒａｎｓｆｏｒｍ
样本数
Ｎｕｍｂｅｒ
ｏｆ ｓａｍｐｌｅｓ
土层深度
Ｓｏｉｌ
ｄｅｐｔｈ
（ｃｍ）
Ｒ２ 均方根
误差
ＲＭＳＥ
相对预测
偏差
ＲＰＤ
全氮 Ｎ（Ｒ） ２１ ０～４０ ０．８９２ ０．０６６ ３．１９９
ＴＮ １９ ＞４０ ０．３７３ ０．０８６ １．３２６
Ｒ ２１ ０～４０ ０．８９０ ０．０６７ ３．１５１
１９ ＞４０ ０．６９２ ０．０６０ １．９００
ｄ（Ｒ） ２１ ０～４０ ０．９２１ ０．０５７ ３．７００
１９ ＞４０ ０．８９０ ０．０３４ ３．３５４
ｄ［Ｎ（Ｒ）］ ２１ ０～４０ ０．９３１ ０．０５３ ３．９８３
１９ ＞４０ ０．６４５ ０．０６５ １．７５４
ｌｏｇ（１ ／ Ｒ） ２１ ０～４０ ０．８０６ ０．０９０ ２．３４５
１９ ＞４０ ０．９２７ ０．０６７ １．７０２
ｄ［ｌｏｇ（１ ／ Ｒ）］ ２１ ０～４０ ０．９１９ ０．０５７ ３．７０３
１９ ＞４０ ０．７５２ ０．０５４ ２．１１２
碱解氮 Ｎ（Ｒ） ２１ ０～４０ ０．６６５ ２０．８９５ １．８５４
ＡＨＮ １９ ＞４０ ０．０１６ １４．５０３ ０．８７８
预测的碱解氮含量整体偏高；ｄ［Ｎ（Ｒ）］为自变量构
建的模型预测的碱解氮含量在整个范围内有偏高的
也有偏低的，因此趋势线与 １ ∶ １线较接近．
２􀆰 ５　 全氮和碱解氮的分层预测
利用构建的预测模型对验证样本集的土壤样本
分 ０～４０ ｃｍ和＞４０ ｃｍ两层进行预测，结果（表 ６）表
明，０～４０ ｃｍ土层的全氮预测模型的判断系数除 ｌｏｇ
（１ ／ Ｒ）变换较低之外，其他均较高，判断系数最大值
与最小值之差小于 ０．０５，ＲＰＤ值均大于 ３，说明 ＣＡ＋
ＰＬＳ构建的预测模型预测 ０ ～ ４０ ｃｍ 土层全氮时精
度较高．＞４０ ｃｍ 土层的全氮预测模型的判断系数、
ＲＰＤ值和 ＲＭＳＥ值均相差较大，说明模型对这一土
层的全氮可以进行预测，但不同光谱变换形式构建
的预测模型预测结果相差较大，模型不够稳定，需要
更大的样本集进行验证．
对碱解氮的分层预测仅选择 ＲＰＤ 值大于 １．４
的模型进行预测． ０～ ４０ ｃｍ 土层的碱解氮预测模型
的判断系数为 ０．６６５，ＲＰＤ 值为 １．８５４；＞４０ ｃｍ 土层
的碱解氮预测模型的判断系数、ＲＰＤ 值均较低，Ｒ２
仅为 ０．０１６，ＲＰＤ值为 ０．８７８＜１．说明利用 ＣＡ＋ＰＬＳ构
建的预测模型可以对 ０ ～ ４０ ｃｍ 土层碱解氮进行粗
略预测，对＞４０ ｃｍ 土层的碱解氮预测结果不理想，
需要进一步深入研究．
３　 讨　 　 论
采用适当的光谱预处理和波长选择方法能够简
化和提取特征光谱信息，提高土壤参数定量模型的
２１１２ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
预测能力［３－４］ ．简单相关分析结果可为敏感波段的筛
选提供依据，但单纯依赖简单相关分析确定敏感波
段并作为自变量构建模型存在一定的片面性和局限
性，较难取得理想的建模效果［２４］ ．偏最小二乘回归
适合处理各变量内部高度线性相关的数据，能够利
用所有有效的数据构建模型，具有良好的预测功
能［１７］ ．因此，本研究采取 ＣＡ＋ＰＬＳ 方法建立校正模
型，这样既提取了特征波段，获得了最大的光谱信
息，又压缩了波段，对光谱数据进行了降维，简化了
建立的模型，并取得了较好的预测精度．
由于研究区土壤类型不同，在土壤氮元素的高
光谱反演方面，土壤氮素的敏感光谱波段有差异．本
研究对黄绵土全氮和碱解氮与光谱反射率进行相关
分析，确定了黄绵土预测全氮的敏感波段范围为
５２０～９２０、９５０～１１００、１４００～１６００、１９５０～２４００ ｎｍ；预
测碱解氮的敏感波段范围为 ５１０ ～ １０００、 １４００ ～
２４００ ｎｍ．综合许多研究者的成果表明： ５００ ～ ９００、
１４００～１９００和 ２０５０～２２５０ ｎｍ 是预测全氮的敏感波
段［９－１０，１２－１３］，而 １６００～２５００ ｎｍ是预测碱解氮的敏感
波段［８］ ．因此，可以归纳出预测不同类型土壤全氮的
通用敏感波段范围为 ５００ ～ ９００、１４００ ～ １６００、２０５０ ～
２２５０ ｎｍ，而预测不同类型土壤碱解氮的通用敏感波
段范围为 ５１０～１０００、１６００ ～ ２４００ ｎｍ，这一结论还需
要进一步的验证和完善．
ＣＡ＋ＰＬＳ方法建立的全氮预测模型比较稳定，
预测精度较高，这与其他研究区得出的结论相
似［４，７，９－１０，１２，１４］ ．本研究区黄绵土土壤全氮含量较低，
说明 ＣＡ＋ＰＬＳ方法构建的预测模型可以对全氮含量
较低的黄绵土进行快速预测．李伟等［８］利用 ＰＬＳ 和
ＡＮＮ构建了黑土土壤碱解氮含量的预测模型，模型
反演效果较好．陈红艳等［１５］、栾福明等［１６］利用小波
分析结合 ＰＬＳ 构建了碱化土壤和潮土土壤碱解氮
含量的预测模型，模型预测精度较高．本文利用 ＣＡ＋
ＰＬＳ方法建立的碱解氮预测模型不太稳定，建模精
度较高，但独立样本进行模型验证时精度较差，只能
粗略地进行碱解氮的预测．其原因可能有两方面，一
方面是由于本研究随机选择的碱解氮验证集的范
围、标准差与校正集和整体样本相差较大，未能很好
地代表整体样本；另一方面原因可能是本研究选择
的是生态系统退化严重、采取植被恢复措施的区域
为研究区，该区域土壤类型、土壤样本的浓度［２５］和
数量［２６］与其他研究区不同，并且光谱数据预处理方
法［４］和构建校正模型的方法［２７］也不完全相同，因而
构建的碱解氮预测模型的预测精度与其他研究者的
结论有差异．另外，利用相同的预处理和建模方法，
全氮的预测效果明显优于碱解氮，其原因可能是土
壤中全氮含量明显高于碱解氮，全氮对土壤光谱的
影响较大所致．对土壤全氮和碱解氮进行分层预测
时，预测模型可以对 ０～４０ ｃｍ土层深度的全氮进行
预测，但当土层深度＞４０ ｃｍ 时，不同光谱变换形式
构建的模型预测结果相差较大，模型不够稳定．以归
一化变换构建的碱解氮预测模型可以粗略预测 ０ ～
４０ ｃｍ土层的碱解氮，而对＞４０ ｃｍ 土层的预测结果
不理想，需要进一步深入研究．
４　 结　 　 论
选择生态系统退化严重、采取植被恢复措施的
陕西省吴起县为研究区，以黄绵土为试验对象，结合
ＣＡ＋ＰＬＳ方法建立了土壤全氮和碱解氮含量的高光
谱预测模型．结果表明：通过相关分析确定的黄绵土
全氮的敏感波段为 ６１０、 ６７０、 ６９０、 ７１０、 １４５０ 和
２２４０ ｎｍ，碱解氮的敏感波段为 ６４０、 １４２０、 １９８０、
２１７０、２２３０和 ２２４０ ｎｍ．ＣＡ＋ＰＬＳ 方法建立的黄绵土
全氮的预测模型在建模和验证过程中，ＲＭＳＥ 之间
的差异均不超过 ０．０５ ｇ·ｋｇ－１，判断系数之差均不超
过 ０．１５，ＲＰＤ值均较高，说明模型比较稳定，预测精
度较高，可以用于黄绵土全氮的快速预测，微分变换
是构建全氮预测模型的一种较好的变换方式．归一
化变换是构建黄绵土碱解氮预测模型的一种较好的
变换方式，但利用 ＣＡ＋ＰＬＳ 方法建立的碱解氮预测
模型不太稳定，只能对黄绵土碱解氮进行粗略预测．
ＣＡ＋ＰＬＳ 方法建立的黄绵土全氮预测模型可以对
０～４０ ｃｍ土层的全氮进行预测，但土层＞４０ ｃｍ 时不
同光谱变换构建的模型预测结果相差较大，模型不
够稳定．以归一化变换构建的碱解氮预测模型可以
粗略预测 ０～４０ ｃｍ土层的碱解氮，对＞４０ ｃｍ土层的
预测结果不理想，需要进一步深入研究．
本次研究所选区域的生态系统退化严重，土壤
全氮和碱解氮含量相对较低，本文所建立的模型可
以对采取同样植被恢复措施的黄绵土土壤氮素进行
快速预测，但本研究结果对于其他区域具有差异较
大的土壤类型或其他土壤参数的适用性有待于进一
步研究证实．
参考文献
［１］　 Ｃｈａｎｇ Ｑ⁃Ｒ （常庆瑞）， Ｙｕｅ Ｑ⁃Ｌ （岳庆玲）． Ｓｏｉｌ ｆｅｒｔｉｌｉ⁃
ｔｙ ｑｕａｌｉｔｙ ｏｆ ａｒｔｉｆｉｃｉａｌ ｆｏｒｅｓｔ ｉｎ ｔｈｅ Ｈｉｌｌｙ⁃ｇｕｌｌ ｒｅｇｉｏｎ ｏｆ
Ｌｏｅｓｓ Ｐｌａｔｅａｕ． Ｓｃｉｅｎｃｅ ｏｆ Ｓｏｉｌ ａｎｄ Ｗａｔｅｒ Ｃｏｎｓｅｒｖａｔｉｏｎ
（中国水土保持科学）， ２００８， ６（２）： ７１－７４ （ ｉｎ Ｃｈｉ⁃
３１１２７期　 　 　 　 　 刘秀英等： 基于相关分析和偏最小二乘回归的黄绵土土壤全氮和碱解氮含量的高光谱预测　
ｎｅｓｅ）
［２］　 Ｚｈａｎｇ Ｊ⁃Ｊ （张娟娟）， Ｔｉａｎ Ｙ⁃Ｃ （田永超）， Ｙａｏ Ｘ （姚
霞）， ｅｔ ａｌ． Ｅｓｔｉｍａｔｉｎｇ ｓｏｉｌ ｔｏｔａｌ ｎｉｔｒｏｇｅｎ ｃｏｎｔｅｎｔ ｂａｓｅｄ
ｏｎ ｈｙｐｅｒｓｐｅｃｔｒａｌ ａｎａｌｙｓｉｓ ｔｅｃｈｎｏｌｏｇｙ． Ｊｏｕｒｎａｌ ｏｆ Ｎａｔｕｒａｌ
Ｒｅｓｏｕｒｃｅｓ （自然资源学报）， ２０１１， ２６（５）： ８８１－８９０
（ｉｎ Ｃｈｉｎｅｓｅ）
［３］　 Ｘｉｅ ＨＴ， Ｙａｎｇ ＸＭ， Ｄｒｕｒｙ ＣＦ， ｅｔ ａｌ． Ｐｒｅｄｉｃｔｉｎｇ ｓｏｉｌ ｏｒ⁃
ｇａｎｉｃ ｃａｒｂｏｎ ａｎｄ ｔｏｔａｌ ｎｉｔｒｏｇｅｎ ｕｓｉｎｇ ｍｉｄ⁃ ａｎｄ ｎｅａｒ⁃
ｉｎｆｒａｒｅｄ ｓｐｅｃｔｒａ ｆｏｒ Ｂｒｏｏｋｓｔｏｎ ｃｌａｙ ｌｏａｍ ｓｏｉｌ ｉｎ Ｓｏｕｔｈ⁃
ｗｅｓｔｅｒｎ Ｏｎｔａｒｉｏ， Ｃａｎａｄａ． Ｃａｎａｄｉａｎ Ｊｏｕｒｎａｌ ｏｆ Ｓｏｉｌ Ｓｃｉ⁃
ｅｎｃｅ， ２０１１， ９１： ５３－６３
［４］　 Ｙａｎｇ Ｈ， Ｋｕａｎｇ Ｂ， Ｍｏｕａｚｅｎ ＡＭ． Ｑｕａｎｔｉｔａｔｉｖｅ ａｎａｌｙｓｉｓ
ｏｆ ｓｏｉｌ ｎｉｔｒｏｇｅｎ ａｎｄ ｃａｒｂｏｎ ａｔ ａ ｆａｒｍ ｓｃａｌｅ ｕｓｉｎｇ ｖｉｓｉｂｌｅ
ａｎｄ ｎｅａｒ ｉｎｆｒａｒｅｄ ｓｐｅｃｔｒｏｓｃｏｐｙ ｃｏｕｐｌｅｄ ｗｉｔｈ ｗａｖｅｌｅｎｇｔｈ
ｒｅｄｕｃｔｉｏｎ． Ｅｕｒｏｐｅａｎ Ｊｏｕｒｎａｌ ｏｆ Ｓｏｉｌ Ｓｃｉｅｎｃｅ， ２０１２， ６３：
４１０－４２０
［５］　 Ｂｅｎ⁃Ｄｏｒ Ｅ， Ｃｈａｂｒｉｌｌａｔ Ｓ， Ｄｅｍａｔｔê ＪＡＭ， ｅｔ ａｌ． Ｕｓｉｎｇ
ｉｍａｇｉｎｇ ｓｐｅｃｔｒｏｓｃｏｐｙ ｔｏ ｓｔｕｄｙ ｓｏｉｌ ｐｒｏｐｅｒｔｉｅｓ． Ｒｅｍｏｔｅ
Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００９， １１３： Ｓ３８－Ｓ５５
［６］　 Ｃｏｕｉｌｌａｒｄ Ａ， Ｔｕｒｇｅｏｎ ＡＪ， Ｓｈｅｎｋ ＪＳ， ｅｔ ａｌ． Ｎｅａｒ ｉｎｆｒａｒｅｄ
ｒｅｆｌｅｃｔａｎｃｅ ｓｐｅｃｔｏｒｓｃｏｐｙ ｆｏｒ ａｎａｌｙｓｉｓ ｏｆ ｔｕｒｆ ｓｏｉｌ ｐｒｏｆｉｌｅｓ．
Ｃｒｏｐ Ｓｃｉｅｎｃｅ， １９９７， ３７： １５５４－１５５９
［７］　 Ｚｈａｎｇ Ｊ⁃Ｊ （张娟娟）， ＴｉａｎＹ⁃Ｃ （田永超）， Ｙａｏ Ｘ （姚
霞）， ｅｔ ａｌ． Ｔｈｅ ｓｐｅｃｔｒａｌ ｉｎｄｅｘ ｆｏｒ ｅｓｔｉｍａｔｉｎｇ ｓｏｉｌ ＯＭ，
ＴＮ ａｎｄ ＡＮ ｃｏｎｔｅｎｔ ｓｉｍｕｌｔａｎｅｏｕｓｌｙ ｕｓｉｎｇ ｎｅａｒ⁃ｉｎｆｒａｒｅｄ
ｓｐｅｃｔｒｏｓｃｏｐｙ． Ａｃｔａ Ｐｅｄｏｌｏｇｉｃａ Ｓｉｎｉｃａ （土壤学报 ），
２０１２， ４９（１）： ５０－５９ （ｉｎ Ｃｈｉｎｅｓｅ）
［８］　 Ｌｉ Ｗ （李　 伟）， Ｚｈａｎｇ Ｓ⁃Ｈ （张书慧）， Ｚｈａｎｇ Ｑ （张
倩）， ｅｔ ａｌ． Ｒａｐｉｄ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ａｖａｉｌａｂｌｅ Ｎ， Ｐ， ａｎｄ Ｋ
ｃｏｎｔｅｎｔ ｉｎ ｓｏｉｌ ｕｓｉｎｇ ｎｅａｒ⁃ｉｎｆｒａｒｅｄ ｒｅｆｌｅｃｔａｎｃｅ ｓｐｅｃｔｒｏｓｃｏ⁃
ｐｙ． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｏｆ Ａｇｒｉｃｕｌｔｕｒａｌ
Ｅｎｇｉｎｅｅｒｉｎｇ （农业工程学报）， ２００７， ２３（１）： ５５－５９
（ｉｎ Ｃｈｉｎｅｓｅ）
［９］　 Ｌｕ Ｙ⁃Ｌ （卢艳丽）， Ｂａｉ Ｙ⁃Ｌ （白由路）， Ｗａｎｇ Ｌ （王
磊）， ｅｔ ａｌ． Ｄｅｔｅｒｍｉｎａｔｉｏｎ ｆｏｒ ｔｏｔａｌ ｎｉｔｒｏｇｅｎ ｃｏｎｔｅｎｔ ｉｎ
ｂｌａｃｋ ｓｏｉｌ ｕｓｉｎｇ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｄａｔａ． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ
Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｏｆ Ａｇｒｉｃｕｌｔｕｒａｌ Ｅｎｇｉｎｅｅｒｉｎｇ （农业工程
学报）， ２０１０， ２６（１）： ２５６－２６１ （ｉｎ Ｃｈｉｎｅｓｅ）
［１０］　 Ｘｕ Ｌ⁃Ｈ （徐丽华）， Ｘｉｅ Ｄ⁃Ｔ （谢德体）， Ｗｅｉ Ｃ⁃Ｆ （魏
朝富）， ｅｔ ａｌ． Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｔｏｔａｌ ｎｉｔｒｏｇｅｎ ａｎｄ ｔｏｔａｌ ｐｈｏｓ⁃
ｐｈｏｒｕｓ ｃｏｎｃｅｎｔｒａｔｉｏｎｓ ｉｎ ｐｕｒｐｌｅ ｓｏｉｌ ｕｓｉｎｇ ｈｙｐｅｒｓｐｅｃｔｒａｌ
ｄａｔａ． Ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ Ｓｐｅｃｔｒａｌ Ａｎａｌｙｓｉｓ （光谱学与光谱
分析）， ２０１３， ３３（３）： ７２３－７２７ （ｉｎ Ｃｈｉｎｅｓｅ）
［１１］　 Ｐｅｎｇ Ｙ⁃Ｋ （彭玉魁）， Ｚｈａｎｇ Ｊ⁃Ｘ （张建新）， Ｈｅ Ｘ⁃Ｓ
（何绪生）， ｅｔ ａｌ． Ａｎａｌｙｓｉｓ ｏｆ ｓｏｉｌ ｍｏｉｓｔｕｒｅ， ｏｒｇａｎｉｃ
ｍａｔｔｅｒ ａｎｄ ｔｏｔａｌ ｎｉｔｒｏｇｅｎ ｃｏｎｔｅｎｔ ｉｎ ｌｏｅｓｓ ｉｎ Ｃｈｉｎａ ｗｉｔｈ
ｎｅａｒ ｉｎｆｒａｒｅｄ ｓｐｅｃｔｒｏｓｃｏｐｙ． Ａｃｔａ Ｐｅｄｏｌｏｇｉｃａ Ｓｉｎｉｅａ （土
壤学报）， １９９８， ３５（４）： ５５３－５５９ （ｉｎ Ｃｈｉｎｅｓｅ）
［１２］　 Ｗｕ Ｍ⁃Ｚ （吴明珠）， Ｌｉ Ｘ⁃Ｍ （李小梅）， Ｓｈａ Ｊ⁃Ｍ （沙
晋明）． Ｓｐｅｃｔｒａｌ ｉｎｖｅｒｓｉｏｎ ｍｏｄｅｌｓ ｆｏｒ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｒｅｄ
ｓｏｉｌ ｔｏｔａｌ ｎｉｔｒｏｇｅｎ ｃｏｎｔｅｎｔ ｉｎ ｓｕｂｔｒｏｐｉｃａｌ ｒｅｇｉｏｎ
（Ｆｕｚｈｏｕ）． Ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ Ｓｐｅｃｔｒａｌ Ａｎａｌｙｓｉｓ （光谱学
与光谱分析）， ２０１３， ３３（１１）： ３１１１－ ３１１５ （ ｉｎ Ｃｈｉ⁃
ｎｅｓｅ）
［１３］　 Ｄａｌａｌ ＲＣ， Ｈｅｎｒｙ ＲＪ． Ｓｉｍｕｌｔａｎｅｏｕｓ ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ
ｍｏｉｓｔｕｒｅ， ｏｒｇａｎｉｃ ｃａｒｂｏｎ， ａｎｄ ｔｏｔａｌ ｎｉｔｒｏｇｅｎ ｂｙ ｎｅａｒ ｉｎ⁃
ｆｒａｒｅｄ ｒｅｆｌｅｃｔａｎｃｅ ｓｐｅｃｔｒｏｐｈｏｔｏｍｅｔｒｙ． Ｓｏｉｌ Ｓｃｉｅｎｃｅ Ｓｏｃｉｅｔｙ
ｏｆ Ａｍｅｒｉｃａ Ｊｏｕｒｎａｌ， １９８６， ５０： １２０－１２３
［１４］　 Ｈｅ Ｙ， Ｈｕａｎｇ Ｍ， Ｇａｒｃíａ Ａ， ｅｔ ａｌ． Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｓｏｉｌ
ｍａｃｒｏｎｕｔｒｉｅｎｔｓ ｃｏｎｔｅｎｔ ｕｓｉｎｇ ｎｅａｒ⁃ｉｎｆｒａｒｅｄ ｓｐｅｃｔｒｏｓｃｏｐｙ．
Ｃｏｍｐｕｔｅｒｓ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ ｉｎ Ａｇｒｉｃｕｌｔｕｒｅ， ２００７， ５８：
１４４－１５３
［１５］　 Ｃｈｅｎ Ｈ⁃Ｙ （陈红艳）， Ｚｈａｏ Ｇ⁃Ｘ （赵庚星）， Ｌｉ Ｘ⁃Ｃ
（李希灿）， ｅｔ ａｌ． Ｈｙｐｅｒｓｐｅｃｔｒａｌ ｅｓｔｉｍａｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ
ｓｏｉｌ ａｌｋａｌｉ ｈｙｄｒｏｌｙｓａｂｌｅ ｎｉｔｒｏｇｅｎ ｃｏｎｔｅｎｔ ｂａｓｅｄ ｏｎ ｄｉｓ⁃
ｃｒｅｔｅ ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ ａｎｄ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ｉｎ ｃｏｍｂｉ⁃
ｎｉｎｇ ｗｉｔｈ ｐａｒｔｉａｌ ｌｅａｓｔ ｓｑｕａｒｅｓ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐ⁃
ｐｌｉｅｄ Ｅｃｏｌｏｇｙ （应用生态学报）， ２０１３， ２４ （ １１）：
３１８５－３１９１ （ｉｎ Ｃｈｉｎｅｓｅ）
［１６］　 Ｌｕａｎ Ｆ⁃Ｍ （栾福明）， Ｘｉｏｎｇ Ｈ⁃Ｇ （熊黑钢）， Ｗａｎｇ Ｆ
（王　 芳）， ｅｔ ａｌ． Ｔｈｅ ｉｎｖｅｒｓｉｏｎ ｏｆ ｓｏｉｌ ａｌｋａｌｉｎｅ ｈｙｄｒｏｌｙ⁃
ｓｉｓ ｎｕｔｒｉｅｎｔ ｃｏｎｔｅｎｔ ｗｉｔｈ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｒｅｆｌｅｃｔａｎｃｅ ｂａｓｅｄ
ｏｎ ｗａｖｅｌｅｔ ａｎａｌｙｓｉｓ． Ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ Ｓｐｅｃｔｒａｌ Ａｎａｌｙｓｉｓ
（光谱学与光谱分析）， ２０１３， ３３（１０）： ２８２８－ ２８３２
（ｉｎ Ｃｈｉｎｅｓｅ）
［１７］　 Ｂａｏ Ｓ⁃Ｄ （鲍士旦）． Ｓｏｉｌ ａｎｄ Ａｇｒｉｃｕｌｔｕｒａｌ Ｃｈｅｍｉｓｔｒｙ
Ａｎａｌｙｓｉｓ． Ｂｅｉｊｉｎｇ： Ｃｈｉｎａ Ａｇｒｉｃｕｌｔｕｒｅ Ｐｒｅｓｓ， １９９９ （ ｉｎ
Ｃｈｉｎｅｓｅ）
［１８］　 Ｃｏｈｅｎ ＭＪ， Ｐｒｅｎｇｅｒ ＪＰ， ＤｅＢｕｓｋ ＷＦ． Ｖｉｓｉｂｌｅ⁃ｎｅａｒ ｉｎｆｒａ⁃
ｒｅｄ ｒｅflｅｃｔａｎｃｅ ｓｐｅｃｔｒｏｓｃｏｐｙ ｆｏｒ ｒａｐｉｄ， ｎｏｎｄｅｓｔｒｕｃｔｉｖｅ ａｓ⁃
ｓｅｓｓｍｅｎｔ ｏｆ ｗｅｔｌａｎｄ ｓｏｉｌ ｑｕａｌｉｔｙ． Ｊｏｕｒｎａｌ ｏｆ Ｅｎｖｉｒｏｎｍｅｎ⁃
ｔａｌ Ｑｕａｌｉｔｙ， ２００５， ３４： １４２２－１４３４
［１９］ 　 Ｐｕ Ｒ⁃Ｌ （浦瑞良）， Ｇｏｎｇ Ｐ （宫　 鹏）． Ｈｙｐｅｒｓｐｅｃｔｒａｌ
Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ａｎｄ Ｉｔｓ Ａｐｐｌｉｃａｔｉｏｎ． Ｂｅｉｊｉｎｇ： Ｈｉｇｈｅｒ
Ｅｄｕｃａｔｉｏｎ Ｐｒｅｓｓ， ２０００ （ｉｎ Ｃｈｉｎｅｓｅ）
［２０］　 Ｔａｎｇ Ｑ⁃Ｙ （唐启义）， Ｆｅｎｇ Ｍ⁃Ｇ （冯明光）． ＤＰＳ Ｄａｔａ
Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍ． Ｂｅｉｊｉｎｇ： Ｓｃｉｅｎｃｅ Ｐｒｅｓｓ， ２００７ （ ｉｎ
Ｃｈｉｎｅｓｅ）
［２１］　 Ｈｕ ＸＹ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｖｉｓｉｂｌｅ ／ ｎｅａｒ⁃ｉｎｆｒａｒｅｄ ｓｐｅｃｔｒａ ｉｎ
ｍｏｄｅｌｉｎｇ ｏｆ ｓｏｉｌ ｔｏｔａｌ ｐｈｏｓｐｈｏｒｕｓ． Ｐｅｄｏｓｐｈｅｒｅ， ２０１３，
２３： ４１７－４２１
［２２］　 Ｃｈａｎｇ ＣＷ， Ｌａｉｒｄ ＤＡ． Ｎｅａｒ⁃ｉｎｆｒａｒｅｄ ｒｅｆｌｅｃｔａｎｃｅ ｓｐｅｃｔｒｏ⁃
ｓｃｏｐｉｃ ａｎａｌｙｓｉｓ ｏｆ ｓｏｉｌ Ｃ ａｎｄ Ｎ． Ｓｏｉｌ Ｓｃｉｅｎｃｅ， ２００２， １６７
（２）： １１０－１１６
［２３］　 Ｐｅｎｇ Ｊ （彭　 杰）， Ｚｈａｎｇ Ｙ⁃Ｚ （张杨珠）， Ｚｈｏｕ Ｑ （周
清）， ｅｔ ａｌ． Ｒｅｆｌｅｃｔｉｎｇ ｓｐｅｃｔｒａｌ ｃｈａｎｇｅｓ ｉｎ ｔｈｅ ｄｅｐｔｈ ｐｒｏ⁃
ｆｉｌｅ ｏｆ ｍａｊｏｒ ｓｏｉｌｓ ｉｎ Ｈｕｎａｎ Ｐｒｏｖｉｎｃｅ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ
Ｓｏｉｌ Ｓｃｉｅｎｃｅ （土壤通报）， ２００６， ３７（２）： ２３６－２４０ （ｉｎ
Ｃｈｉｎｅｓｅ）
［２４］　 Ｃｈｅｎ Ｈ⁃Ｙ （陈红艳）， Ｚｈａｏ Ｇ⁃Ｘ （赵庚星）， Ｌｉ Ｘ⁃Ｃ
（李希灿）， ｅｔ ａｌ． Ｈｙｐｅｒ⁃ｓｐｅｃｔｒａｌ ｅｓｔｉｍａｔｉｏｎ ｏｆ ｓｏｉｌ ｏｒ⁃
ｇａｎｉｃ ｍａｔｔｅｒ ｃｏｎｔｅｎｔ ｂａｓｅｄ ｏｎ ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍａｔｉｏｎ．
Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ （应用生态学报），
２０１１， ２２（１１）： ２９３５－２９４２ （ｉｎ Ｃｈｉｎｅｓｅ）
［２５］　 Ｋｕａｎｇ Ｂ， Ｍｏｕａｚｅｎ ＡＭ． Ｃａｌｉｂｒａｔｉｏｎ ｏｆ ｖｉｓｉｂｌｅ ａｎｄ ｎｅａｒ
ｉｎｆｒａｒｅｄ ｓｐｅｃｔｒｏｓｃｏｐｙ ｆｏｒ ｓｏｉｌ ａｎａｌｙｓｉｓ ａｔ ｔｈｅ fiｅｌｄ ｓｃａｌｅ
ｏｎ ｔｈｒｅｅ Ｅｕｒｏｐｅａｎ ｆａｒｍｓ． Ｅｕｒｏｐｅａｎ Ｊｏｕｒｎａｌ ｏｆ Ｓｏｉｌ Ｓｃｉ⁃
ｅｎｃｅ， ２０１１， ６２： ６２９－６３６
［２６］　 Ｇｕｅｒｒｅｒｏ Ｃ， Ｚｏｒｎｏｚａ Ｒ， Ｇóｍｅｚ Ｉ， ｅｔ ａｌ． Ｓｐｉｋｉｎｇ ｏｆ ＮＩＲ
ｒｅｇｉｏｎａｌ ｍｏｄｅｌｓ ｕｓｉｎｇ ｓａｍｐｌｅｓ ｆｒｏｍ ｔａｒｇｅｔ ｓｉｔｅｓ： Ｅｆｆｅｃｔ ｏｆ
ｍｏｄｅｌ ｓｉｚｅ ｏｎ ｐｒｅｄｉｃｔｉｏｎ ａｃｃｕｒａｃｙ． Ｇｅｏｄｅｒｍａ， ２０１０，
１５８： ６６－７７
［２７］　 Ｖｏｈｌａｎｄ Ｍ， Ｂｅｓｏｌｄ Ｊ， Ｈｉｌｌ Ｊ， ｅｔ ａｌ． Ｃｏｍｐａｒｉｎｇ ｄｉｆｆｅｒｅｎｔ
ｍｕｌｔｉｖａｒｉａｔｅ ｃａｌｉｂｒａｔｉｏｎ ｍｅｔｈｏｄｓ ｆｏｒ ｔｈｅ ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ
ｓｏｉｌ ｏｒｇａｎｉｃ ｃａｒｂｏｎ ｐｏｏｌｓ ｗｉｔｈ ｖｉｓｉｂｌｅ ｔｏ ｎｅａｒ ｉｎｆｒａｒｅｄ
ｓｐｅｃｔｒｏｓｃｏｐｙ． Ｇｅｏｄｅｒｍａ， ２０１１， １６６： １９８－２０５
作者简介　 刘秀英，女，１９７７ 年生，博士研究生，讲师． 主要
从事高光谱遥感与 ＧＩＳ应用研究． Ｅ⁃ｍａｉｌ： ｃｓｆｕｌｘｙ＠ １２６．ｃｏｍ
责任编辑　 杨　 弘
４１１２ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷