全 文 ：中国生态农业学报 2012年 5月 第 20卷 第 5期
Chinese Journal of Eco-Agriculture, May 2012, 20(5): 566−572


* 国家自然科学基金项目(30900868)和河南省科技攻关项目(112102110030)资助
张娟娟(1979—), 女, 讲师, 博士, 主要从事农业遥感监测方面的研究。E-mail: zhangjuan_2003@126.com
收稿日期: 2011-09-15 接受日期: 2011-12-28
DOI: 10.3724/SP.J.1011.2012.00566
基于高光谱特征的土壤有机质含量估测研究*
张娟娟1 余 华1 乔红波1 马新明1,2 翟青云2
(1. 河南农业大学信息与管理科学学院 郑州 450002; 2. 河南农业大学农学院 郑州 450002)
摘 要 在室内条件下, 利用 ASD2500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, 建立了土壤有机质含量的光谱估测
模型。结果表明, 具有相同有机质含量的两种类型土壤整体光谱变化趋势无明显差别, 但反射率表现出明显差
异, 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
选出两种土壤有机质相同的敏感波段为 800 nm、1 398 nm和 546 nm。进一步以一阶导数为自变量, 基于 1 400
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 =4.19−12.85×(R_FD554−R_FD1 400)。
利用独立的样本对建立的光谱模型进行了检验, 预测决定系数均达 0.79 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: S153.6 文献标识码: A 文章编号: 1671-3990(2012)05-0566-07
Soil organic matter content estimation based on hyperspectral properties
ZHANG Juan-Juan1, YU Hua1, QIAO Hong-Bo1, MA Xin-Ming1,2, ZHAI Qing-Yun2
(1. College of Information and Management, Henan Agricultural University, Zhengzhou 450002, China;
2. College of Agronomy, Henan Agricultural University, Zhengzhou 450002, China)
Abstract Organic matter (OM) content is a suitable index of soil fertility which is widely used in field nutrient management. This
study established spectral indices and derived equations for estimating soil organic matter (SOM) using hyperspectral technology. In
the study, visible-NIR spectral reflectance of paddy and fluvo-aquic soils were measured using the ASD2500 device. Then by using
dried soil samples from two different soil types, variations in the spectrum characteristics and sensitive wavebands in relation to
changing OM content were determined. Then spectral index-based models were established for estimating SOM content. The results
showed that under similar SOM content, changing trends of spectrum curves of different soil types exhibited no obvious difference,
while their reflectance were different. The first derivative better described the spectrum curve peak. At sensitive wavebands of two
soil types existed in similar spectral regions. The original spectral reflectance was negatively correlated with OM in visible-NIR
ranges, with the highest significance at 685 nm. The first derivative spectrum had a significant negative correlation at 554 nm. Step-
wise multiple regression analysis revealed that for all the calibrated samples, combined spectral bands of 800 nm, 1 398 nm and 546
nm well estimated SOM content of two types of soil. Furthermore, estimation model of SOM based on difference index (SOMDI) and
the first derivatives of reflectance at 1 400 nm (R_FD1 400) and 554 nm (R_FD554) showed a better prediction performance; with a
general equation of Y=4.19−12.85×(R_FD554−R_FD1 400). The above monitoring models tested with independent datasets from two
soil samples gave an R2 = 0.79. This suggested that it was feasible to rapidly estimate SOM using hyperspectral technology.
Key words Hyperspectra, Soil organic matter, Sensitive waveband, Derivative spectrum, Monitoring model
(Received Sep. 15, 2011; accepted Dec. 28, 2011)
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(soil organic
matter, SOM)是反映土壤肥力的重要指标[1], 而近年
第 5期 张娟娟等: 基于高光谱特征的土壤有机质含量估测研究 567


来高光谱技术的发展和应用 [2−4]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,
土壤光谱反射率与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,
选取的敏感波段差异较大。如沙晋明等[7]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
较好负相关的光谱区域为紫外区的376.8 nm波段、
可见光区的616.5 nm波段和近红外区的724.1 nm波
段。何挺等[8]通过对宜兴市和横山县采集土样的光
谱反射特性与土壤有机质之间的关系进行分析, 发
现在可见光675 nm处一阶导数的相关性最强, 而基
于多元回归筛选的波段为2 187 nm、849 nm和1 681
nm。刘焕军等[9]和卢艳丽等[10]分别研究了东北黑土
的高光谱特性, 前者认为620~810 nm波段范围是东
北黑土有机质的主要光谱响应区域, 最大响应区在
710 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545~830 nm呈显著负相关, 与
481~598 nm的一阶导数光谱呈极显著负相关, 而在
816~932 nm和1 039~1 415 nm波段范围内具有极显
著正相关性。刘磊等[11]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。目前对潮土和水稻土的高
光谱反射特性的差异进行系统比较和分析的研究
还少见报道。
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。
1 材料与方法
1.1 试验设计
土壤样品来自2006年的河南郑州小麦试验和
2008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1.2 m, 直径为15 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 m2施15 kg N计算),
共36个土柱。于2006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0~20 cm、
20~40 cm、40~60 cm、60~80 cm、80~100 cm和100~
120 cm。
南京供试土壤为水稻土, 水稻品种为“武香粳14”
和“27123”, 设置0、18 kg(N)·667m−2、24 kg(N)·667m−2
3个氮肥处理, 试验设计为随机区组试验, 重复3次。于
水稻成熟期10月15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0~10 cm、
10~20 cm、20~30 cm和30~50 cm。
1.2 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 ; 南京土样采用梅花法采集5个点
的样本进行混合。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20目筛混合均
匀, 供光谱测试和化学分析用。
1.3 反射光谱测量
采用ASD 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350~2 500 nm,
采样间隔为3 nm(350~1 000 nm)和10 nm(1 000~
2 500 nm), 重采样间隔为1 nm, 输出波段数为2 151。
光源为仪器配套的功率为1 000 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30°, 探头到土样表面距离
15 cm, 把适量经处理的1 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12次, 共36次, 求其平均值。
1.4 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[12]分析有机质含量。
1.5 数据处理与分析
1.5.1 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{Ri, i=1, 2, 3, ⋯, N}(本研究中, N=2 151)。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行计算, 计算公式[13]为:
yi=(−2yi−3+3yi−2+6yi−1+7yi+6yi+1+3yi+2−2yi+3)/21 (1)
568 中国生态农业学报 2012 第 20卷


1.5.2 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[14]研究表明, 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[8]如下:
R′(λi)=[R(λi)−R(λi−1)]/2∆λ (2)
R″(λi)=[R′(λi)−R′(λi−1)]/2∆λ=
[R(λi+1)−2R(λi)+R(λi−1)]/∆λ2 (3)
式中, λi为每个波段的波长; R′(λi)和R″(λi)分别为波长
的一阶和二阶微分光谱 ; ∆λ是波长λi到λi−1的间隔 ,
视波段波长而定, 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=10 nm。
1.5.3 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_FD554 −R_FD1400 (4)
式中, R_FD554为554 nm的一阶导数, R_FD1400为1 400
nm的一阶导数, 这两个波段的选取见文中2.5节内容。
1.5.4 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Matlab 7.0
编程实现[15]。
将134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102个), 另一组用于
验证已建立的回归模型(测试样本, 共32个)。选择以
下2个指标来评价监测模型的预测效果。
决定系数R2: 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。R2越大, 模型越稳定。
其计算公式为:

2 2 2
1 1
ˆ( ) ( )
n n
i i
i i
R y y y y
= =
= − −∑ ∑ (5)
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:

2
1
ˆ( )
n
i i
i
RMSE y y n
=
= −∑

(6)
2 结果与分析
2.1 不同类型土壤样本的有机质含量变化
表 1 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明显高
于潮土。2 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 5.92~24.85
g·kg−1, 潮土的变化范围为 2.43~14.17 g·kg−1。
2.2 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 1 为具有相同有机质含量(13.53 g·kg−1)的两
种类型土壤的光谱反射曲线变化。从图 1a可以看出,
除在 1 400 nm和 1 900 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 13.53 g·kg−1的潮土反
射率明显低于相同有机质含量的水稻土。图 1b为其
一阶导数光谱, 表明经一阶导数变换后, 在 554 nm、
1 408 nm、1 909 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。
2.3 两种类型土壤的有机质与光谱反射率及其一
阶导数的相关性
图 2为郑州潮土(n=50)、南京水稻土(n=52)及两
地所有标定样本(n=102)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 2a可以看出, 土壤
有机质与原始反射率除水稻土在 1 900~2 000 nm和
2 400 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 1 380 nm均大于 0.80; 至 1 380 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 2b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 490~770 nm、1 420~1 440 nm呈极显

表1 供试土壤有机质含量统计特征
Table 1 Statistic characteristics of organic matter content of the tested soil g·kg−1
取样地点
Sampling site
土壤类型
Soil type
样品个数
Sample number
最大值
Maximum
最小值
Minimum
平均值
Mean
标准差
Standard deviation
郑州 Zhengzhou 潮土 Fluvo-aquic soil 66 14.17 2.43 6.75 4.62
南京 Nanjing 水稻土 Paddy soil 68 24.85 5.92 13.92 5.40
第 5期 张娟娟等: 基于高光谱特征的土壤有机质含量估测研究 569



著负相关, 而在 780~900 nm、1 360~1 410 nm、1 906~
1 910 nm呈极显著正相关。从图 2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的有机质含量。
从图 2 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 554 nm处达到−0.90, 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。



图1 具有相同有机质含量(13.53 g·kg−1)的两种类型土壤原始反射率(a)及一阶导数(b)光谱特征
Fig. 1 Original spectral reflectance (a) and its first derivative (b) of two soil types with equal organic matter content (13.53 g·kg−1)



图2 两种类型土壤有机质含量与原始反射率(a)及一阶导数(b)的相关性
Fig. 2 Correlation of soil organic matter content to original spectral reflectance (a) and its first derivative (b) of two soil types



图3 土壤有机质含量与反射率光谱(λ=685 nm)(a)和一阶导数光谱(λ=554 nm)(b)的关系
Fig. 3 Relationship of soil organic matter content to spectral reflectance at 685 nm (a) and its first derivative at 554 nm (b) of two soil types
570 中国生态农业学报 2012 第 20卷


2.4 基于逐步回归的两种类型土壤的有机质含量
模型
从图 2 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=50)、水稻土(n=52)及
整体样本(n=102)在全波段范围(350~2 500nm)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, 以当决定系数达
到 0.9时选取的自变量个数最适(如表 2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 802 nm、1 409 nm、870 nm和
795 nm, 而潮土选取的波段为 568 nm和 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 800 nm、1 398 nm和 546 nm, 决定系数达
到 0.92。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。

表2 基于逐步多元回归分析的土壤有机质含量建模结果
Table 2 Estimating models of soil organic matter content based on stepwise multiple regression analysis
土壤类型
Soil type
样本个数
Sample number
自变量
Independent variable
入选波段及顺序
Band selected in order (nm)
模型决定系数
Coefficient of determination for model
潮土 Fluvo-aquic soil 50 一阶导数 First derivative 568, 839 0.90, 0.93
水稻土 Paddy soil 52 一阶导数 First derivative 802, 1 409, 870, 795 0.59, 0.83, 0.89, 0.92
潮土+水稻土 Fluvo-aquicsoil+paddy soil 102 一阶导数 First derivative 800, 1 398, 546 0.52, 0.77, 0.92

由表2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=4.17+17.63X800+8.74X1 398−18.68X546 (7)
式中 , Xλ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R2=0.92, 且F=37.04>F0.001, 说明
Y与Xλ之间线性相关显著。
2.5 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1 400 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0.91), 大于基于
单一波段对有机质的预测(图4)。因此, 利用102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:
Y =4.19−12.85×SOMDI (8)
2.6 估测模型的验证
为了评价模型的精度, 利用建模以外的独立样
本(n=32)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为利用逐步多元回归筛选出的800 nm、


图4 两种类型土壤有机质含量与土壤有机质差值指数
(SOMDI)的关系
Fig. 4 Relationship between organic matter content of two soil
types and soil organic matter difference index (SOMDI)

1 398 nm、546 nm3个波段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, Rc2和 Rv2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。
3 讨论和结论
由于土壤光谱反射率是土壤内在理化特性的综
合反映 , 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[16]; 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,
即使同一类型土壤, 不同的成土母质对其光谱特性
也有影响[17]。因此, 一般认为难以建立统一的土壤
第 5期 张娟娟等: 基于高光谱特征的土壤有机质含量估测研究 571




图5 基于反射率(λ=685 nm)(a)、一阶导数(λ=554 nm)(b)的两种类型土壤有机质估测模型检验结果(n=32)
Fig. 5 Result validation of soil organic matter models of tow soil types based on reflectance at 685 nm (a) and its first derivative at
554 nm (b) (n=32)



图6 基于逐步多元回归(a)和有机质差值指数(b)的两种类型土壤有机质估测模型检验结果(n=32)
Fig. 6 Result of validation of soil organic matter models of two soil types based on stepwise multiple regression analysis (a) and soil
organic matter difference index (SOMDI) (b)

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
建模 Calibration (n=102) 检验Validation (n=32)
建模方法
Calibration method
决定系数
Determination
coefficient (Rc2)
均方根偏差
Root mean squared
error (RMSEC)
决定系数
Determination
coefficient (Rv2)
均方根偏差
Root mean squared
error (RMSEP)
基于685 nm的原始反射率 Based on reflectance at 685 nm 0.85 2.39 0.79 2.95
基于554 nm的一阶导数 Based on the reflectance first derivative at 554 nm 0.90 1.92 0.83 2.86
基于逐步多元回归分析 Based on stepwise multiple regression analysis 0.92 1.78 0.86 2.51
基于有机质差值指数 Based on soil organic matter difference index 0.91 1.84 0.86 2.50

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(490~
770 nm、1 420~1 440 nm及780~900 nm、1 360~1 410
nm、1 906~1910 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[10]
研究表明, 黑土有机质在545~830 nm呈显著负相关,
与481~598 nm的一阶导数光谱呈极显著负相关, 而
在816~932 nm和1 039~1 415 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0.90, 高于原始反射光谱与有机质
572 中国生态农业学报 2012 第 20卷


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[10]、浙江水稻土[17]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 ,
有机质含量相对较低, 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
[1] 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, 2009, 17(6): 1124–1127
[2] 屈晓晖, 庄大方, 彭望碌, 等. 基于 ANN 分类的农田遥感
动态监测模型研究[J]. 自然资源学报, 2007, 22(2): 193–197
[3] Ben-Dor E, Banin A. Near-infrared analysis as a rapid method
to simultaneously evaluate several soil properties[J]. Soil
Science Society of America Journal, 1995, 59(2): 364–372
[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, 2010,
18(1): 67–71
[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, 1980, 25(6): 282–284
[6] Mccarty G W, Reeves J B Ⅲ, Reeves V B, et al. Mid-infrared
and near-infrared diffuse reflectance spectroscopy for soil
carbon measurement[J]. Soil Science Society of America
Journal, 2002, 66(2): 640–646
[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, 2003, 10(2): 21–24
[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, 2006, 31(11): 975–979
[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, 2007, 44(1): 27–32
[10] 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, 2007, 40(9):
1989–1995
[11] 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, 2011, 31(3): 762–766
[12] 鲍士旦. 土壤农化分析[M]. 北京: 中国农业出版社, 1999:
30–34
[13] 李民赞 . 光谱分析技术及其应用[M]. 北京 : 科学出版社 ,
2006
[14] Cloutis E A. Hyperspectral geological remote sensing: Evaluation
of analytical techniques[J]. International Journal of Remote
Sensing, 1996, 17(12): 2215–2242
[15] 李强, 赵伟. MATLAB 数据处理与应用[M]. 北京: 国防工
业出版社, 2001
[16] 徐彬彬 . 土壤剖面的反射光谱研究[J]. 土壤 , 2000, 32(6):
281–287
[17] 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, 2004, 20(6): 471–475