章濤+于雷

摘要：土壤有機(jī)質(zhì)高光譜估算較傳統(tǒng)土壤農(nóng)化分析方法表現(xiàn)出極大優(yōu)勢(shì)，順應(yīng)了現(xiàn)代農(nóng)業(yè)發(fā)展的迫切需要。國(guó)內(nèi)外眾多學(xué)者先后對(duì)土壤有機(jī)質(zhì)高光譜估算模型進(jìn)行了大量研究，估算模型由簡(jiǎn)單的一元線性模型逐漸發(fā)展為多元線性及非線性模型，常用的建模方法分為線性方法和非線性方法，重點(diǎn)分析了各種方法的適用性。通過(guò)總結(jié)分析前人研究，發(fā)現(xiàn)土壤有機(jī)質(zhì)高光譜估算模型研究存在以下發(fā)展趨勢(shì)：多種建模方法耦合使用增多；建模方法的復(fù)雜度逐漸增強(qiáng)；嘗試消減外部環(huán)境因素對(duì)建模的影響；嘗試將室內(nèi)土壤有機(jī)質(zhì)估算模型應(yīng)用于野外實(shí)地研究。

關(guān)鍵詞：土壤有機(jī)質(zhì)；高光譜；多元逐步回歸；偏最小二乘回歸

中圖分類號(hào)：S153.6 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2017）17-3205-04

DOI：10.14088/j.cnki.issn0439-8114.2017.17.002

Research Progress on Hyperspectral Estimation Model of Soil Organic Matter

ZHANG Tao，YU Lei

（School of Urban and Environmental Sciences， Huazhong Normal University， Wuhan 430079， China）

Abstract： The hyperspectral estimation of soil organic matter shows a great advantage compared with the traditional soil agro-chemical analysis method， which conforms to the urgent need of modern 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 influence of external environmental factors on modeling； the indoor soil organic matter estimation model is applied to fieldresearch.

Key words： soil organic matter； hyperspectral； stepwise multiple linear regression； partial least squares regression

土壤有機(jī)質(zhì)是指存在于土壤中所含碳的有機(jī)物質(zhì)，可以提供植物所需的養(yǎng)分，其含量是衡量土壤肥力高低的重要指標(biāo)[1]。準(zhǔn)確掌握土壤有機(jī)質(zhì)含量是現(xiàn)代農(nóng)業(yè)生產(chǎn)管理的重要基礎(chǔ)。傳統(tǒng)的土壤農(nóng)化分析方法可以準(zhǔn)確測(cè)定土壤有機(jī)質(zhì)含量，但采樣易對(duì)土體造成破壞，并且實(shí)驗(yàn)耗時(shí)長(zhǎng)，不便于土壤有機(jī)質(zhì)的實(shí)時(shí)高效測(cè)定。土壤高光譜技術(shù)因具有信息量大、零破壞、無(wú)污染、高效率等特點(diǎn)[2]，被逐漸應(yīng)用于土壤有機(jī)質(zhì)估算研究中。國(guó)內(nèi)外學(xué)者通過(guò)大量實(shí)驗(yàn)揭示了土壤有機(jī)質(zhì)的高光譜響應(yīng)規(guī)律，嘗試了各種方法模擬土壤有機(jī)質(zhì)與高光譜反射率之間的關(guān)系，較好地實(shí)現(xiàn)了土壤有機(jī)質(zhì)含量的定量估算。本文對(duì)已有土壤有機(jī)質(zhì)高光譜建模方法進(jìn)行了梳理和總結(jié)。

1 土壤有機(jī)質(zhì)高光譜估算模型的發(fā)展過(guò)程

1960年開(kāi)始，土壤有機(jī)質(zhì)的光譜特征逐漸受到關(guān)注，學(xué)者們嘗試揭示土壤有機(jī)質(zhì)與土壤光譜之間的關(guān)系。Bowers等[3]研究發(fā)現(xiàn)土壤反射光譜與土壤有機(jī)質(zhì)含量呈顯著負(fù)相關(guān)。徐彬彬等[4]、彭杰等[5]通過(guò)對(duì)比分析去除土壤有機(jī)質(zhì)前后的土壤高光譜，發(fā)現(xiàn)土壤有機(jī)質(zhì)對(duì)全波段光譜均有一定程度的影響，有機(jī)質(zhì)含量降低后土壤光譜反射率增加。另外，Montgomery[6]認(rèn)為土壤有機(jī)質(zhì)大于9%時(shí)能夠掩蓋其他土壤性質(zhì)（如水分）對(duì)光譜反射率的貢獻(xiàn)。Galvao等[7]則認(rèn)為當(dāng)土壤有機(jī)質(zhì)大于2%時(shí)，土壤有機(jī)質(zhì)遮蔽其他土壤組成物質(zhì)光譜特性（如鐵錳的光譜特性）的能力增強(qiáng)。雖然這兩者之間存在觀點(diǎn)差異，但已經(jīng)定性地指出土壤有機(jī)質(zhì)含量超出某個(gè)閾值會(huì)對(duì)土壤光譜反射特性產(chǎn)生影響。這一階段主要表現(xiàn)為對(duì)土壤有機(jī)質(zhì)與土壤光譜進(jìn)行定性研究。

1980年之后，學(xué)者們發(fā)現(xiàn)在土壤高光譜的眾多波段中存在無(wú)效和冗余信息及吸收峰重疊現(xiàn)象[8]，導(dǎo)致估算模型精度降低，因此，逐漸形成了基于土壤有機(jī)質(zhì)的敏感波段建立高光譜估算模型的研究思路，有效地提升了估算土壤有機(jī)質(zhì)含量的精度。相關(guān)分析方法被較早地應(yīng)用于分析土壤有機(jī)質(zhì)與土壤光譜反射率之間的相關(guān)性，提取相關(guān)系數(shù)較高（顯著）的波段作為敏感波段，建立簡(jiǎn)單線性回歸模型[9]。何挺[10]通過(guò)比較各波長(zhǎng)的相關(guān)系數(shù)，選取了849、 1 681、2187 nm 3個(gè)波長(zhǎng)作為敏感波段，建立了多元回歸模型，其決定系數(shù)（Determination coefficients，R2）達(dá)到0.885；謝伯承[11]通過(guò)這種思路確定了447 nm波長(zhǎng)為敏感波段，建立了有較高預(yù)測(cè)精度估算模型，均方根誤差（Root mean squared error，RMSE）為0.547 6。此方法雖簡(jiǎn)便易行，但由于土壤高光譜數(shù)據(jù)波長(zhǎng)變量數(shù)量龐大且相互之間存在多重共線性，土壤有機(jī)質(zhì)的光譜信息受到土壤其他組分的影響，使得很多波段的相關(guān)系數(shù)較低，這造成了信息丟失，致使模型穩(wěn)定性較低。彭杰等[12]通過(guò)去除土壤有機(jī)質(zhì)，對(duì)比分析土壤有機(jī)質(zhì)去除前后土壤光譜反射率變化，將影響程度最大的波段作為土壤有機(jī)質(zhì)敏感波段，建立估算模型的預(yù)測(cè)精度雖然有所提升，但因去有機(jī)質(zhì)實(shí)驗(yàn)操作過(guò)程繁瑣，該方法沒(méi)有得到廣泛應(yīng)用。這一階段高光譜估算土壤有機(jī)質(zhì)含量逐漸由定性研究轉(zhuǎn)向定量研究。endprint

2000年至今，偏最小二乘回歸（Partial least squares regression，PLSR）方法以其優(yōu)越的性能被廣泛應(yīng)用于土壤高光譜建模，它能夠消除波長(zhǎng)變量共線性，解決因土壤各組分的吸收波段相互重疊干擾土壤有機(jī)質(zhì)含量估算精度的問(wèn)題，避免模型過(guò)度擬合。Conforti等[13]對(duì)采集來(lái)自不同地區(qū)的215個(gè)不同土壤類型樣本建立土壤有機(jī)質(zhì)PLSR估算模型，其模型的R2為0.84，相對(duì)分析誤差（Relative percent deviation，RPD）為2.53；于飛健等[14]運(yùn)用PLSR對(duì)采集來(lái)自北京地區(qū)的土樣進(jìn)行有機(jī)質(zhì)建模，也取得了較好的預(yù)測(cè)效果，其R2為0.964 1。然而土壤高光譜機(jī)理復(fù)雜，并非簡(jiǎn)單線性關(guān)系，一些非線性數(shù)據(jù)挖掘技術(shù)也逐漸廣泛應(yīng)用于土壤有機(jī)質(zhì)估算，如紀(jì)文君等[15]和欒福明等[16]分別利用支持向量機(jī)（Support vector machines，SVM）和人工神經(jīng)網(wǎng)絡(luò)（Artificial neural network，ANN）方法建立土壤有機(jī)質(zhì)反演模型，R2分別為0.927、0.938。此類機(jī)器學(xué)習(xí)算法模型能夠較好地處理復(fù)雜的非線性問(wèn)題，表現(xiàn)出較高性能。各種建模方法的相繼應(yīng)用標(biāo)志著土壤有機(jī)質(zhì)高光譜定量估算研究逐漸成熟。

2 建立土壤有機(jī)質(zhì)高光譜估算模型的主要方法

土壤高光譜是土壤各組分的綜合外在表現(xiàn)，采用物理模型模擬土壤光譜形成機(jī)理存在較大難度，難以從高光譜形成機(jī)理層面正向推導(dǎo)計(jì)算土壤有機(jī)質(zhì)含量。因此，學(xué)者們主要基于經(jīng)驗(yàn)和先驗(yàn)知識(shí)采用反演理論建立土壤有機(jī)質(zhì)高光譜估算模型。但是，土壤有機(jī)質(zhì)與高光譜反射率之間關(guān)系復(fù)雜，學(xué)者們對(duì)此的觀點(diǎn)尚不統(tǒng)一，建模方法主要分為線性方法和非線性方法。

2.1 線性方法

2.1.1 多元逐步回歸 多元逐步回歸（Stepwise multiple linear regression，SMLR）是篩選對(duì)因變量影響大的自變量建立回歸模型的方法。SMLR根據(jù)自變量對(duì)因變量的貢獻(xiàn)大小，由大到小地逐個(gè)引入回歸方程，剔除對(duì)因變量作用不顯著的自變量。其特點(diǎn)是雙向篩選，即引入有意義的變量（前進(jìn)法）同時(shí)剔除無(wú)意義變量（后退法）。SMLR盡可能地包含了對(duì)因變量有顯著影響的自變量，在性能上要優(yōu)于普通多元回歸方法，在一定條件下顯示了建模結(jié)果的可靠性。在土壤高光譜領(lǐng)域，以土壤有機(jī)質(zhì)為因變量，土壤反射光譜為自變量進(jìn)行多元回歸分析，根據(jù)回歸系數(shù)和F統(tǒng)計(jì)量最高、RMSE最小的原則，選擇土壤高光譜反演的最佳回歸模型[17]。Hummel 等[18]在室內(nèi)分析了土壤有機(jī)質(zhì)和光譜曲線之間的關(guān)系，采用光譜反射率倒數(shù)的對(duì)數(shù)建立多元逐步回歸模型。彭杰等[19]提取敏感波段建立土壤全氮預(yù)測(cè)模型，結(jié)果表明逐步回歸模型相比一元線性回歸具有更好的精度和穩(wěn)定性。王超等[20]利用SMLR構(gòu)建了不同預(yù)處理方法下的褐土有機(jī)質(zhì)反演模型，基于一階微分預(yù)處理構(gòu)建的模型的R2大于0.92。然而土壤高光譜信息錯(cuò)綜復(fù)雜，彼此關(guān)聯(lián)，一旦自變量之間存在共線性問(wèn)題則不適用SMLR[21]。

2.1.2 主成分回歸 主成分回歸（Principal component regression，PCR）對(duì)全部光譜信息進(jìn)行壓縮，將高度相關(guān)的波長(zhǎng)變量歸于一個(gè)獨(dú)立變量，獲得少量的獨(dú)立變量，建立回歸方程，通過(guò)內(nèi)部檢驗(yàn)來(lái)防止過(guò)度擬合[17]。主成分回歸可以診斷自變量間的共線性，在保留原有信息的基礎(chǔ)上達(dá)到降維的效果[22]。主成分回歸法在處理大數(shù)據(jù)方面具有顯著優(yōu)勢(shì)，也被廣泛應(yīng)用于可見(jiàn)—近紅外光譜數(shù)據(jù)建模。Chang等[23]使用PCR對(duì)多種土壤成分進(jìn)行反演，結(jié)果表明可以較好地預(yù)測(cè)土壤全碳、全氮、水分等成分，其R2均大于0.8。盧艷麗等[22]在室內(nèi)條件下利用主成分回歸法建立土壤有機(jī)質(zhì)預(yù)測(cè)模型，其模型預(yù)測(cè)值與實(shí)測(cè)值的R2為0.840、RMSE為0.226。相比SMLR，PCR較好地解決了自變量間存在信息重疊的問(wèn)題，防止模型過(guò)度擬合，但忽略了因變量的作用。

2.1.3 偏最小二乘回歸 PLSR是一種新型的多元回歸分析方法，借鑒了多元線性回歸分析、典型相關(guān)分析和主成分分析的思想?；?PLSR 方法建立土壤有機(jī)質(zhì)高光譜估算模型，能夠從光譜數(shù)據(jù)中揭示最大有機(jī)質(zhì)含量變化的主控因子，減少光譜維數(shù)，使建立的模型具有更好的魯棒性[24]。PLSR最重要的優(yōu)點(diǎn)就在于可以提供一種“多對(duì)多”線性回歸建模的方法，特別是當(dāng)兩組變量的個(gè)數(shù)很多，且都存在多重相關(guān)性，而觀測(cè)數(shù)據(jù)的數(shù)量又較少時(shí)，用偏最小二乘回歸建立的模型具有傳統(tǒng)的經(jīng)典回歸分析等方法所沒(méi)有的優(yōu)勢(shì)[25]。由于PLSR具有上述優(yōu)勢(shì)，國(guó)內(nèi)外許多研究都采用此方法。Cécile等[26]運(yùn)用PLSR對(duì)土壤有機(jī)碳進(jìn)行了預(yù)測(cè)。史舟等[27]對(duì)土壤光譜數(shù)據(jù)采用Savitzky-Golay平滑加一階微分進(jìn)行轉(zhuǎn)換，分類后結(jié)合PLSR建立土壤有機(jī)質(zhì)模型，取得了較好的效果，R2和相對(duì)分析誤差（Relative percent deviation，RPD）分別為0.899和3.158。盧延年等[28]利用不同建模方法建立江漢平原土壤有機(jī)碳預(yù)測(cè)模型，結(jié)果表明PLSR預(yù)測(cè)結(jié)果要優(yōu)于SMLR和PCR。但PLSR也存在一定的局限性，陳頌超等[29]認(rèn)為當(dāng)土壤類型增多時(shí)，PLSR則表現(xiàn)不出較好的效果。同時(shí)PLSR忽略了土壤光譜信息非線性關(guān)系、動(dòng)態(tài)多變量過(guò)程的模型建立等，都是值得深入研究的課題。

2.2 非線性方法

2.2.1 人工神經(jīng)網(wǎng)絡(luò) ANN是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，通常被稱為“黑箱子”模型，由輸入層、隱含層、輸出層構(gòu)成。ANN能夠模擬任何輸入變量和輸出變量的非線性關(guān)系，具有自學(xué)習(xí)、自適應(yīng)能力及很強(qiáng)的容錯(cuò)能力，在處理非線性問(wèn)題上表現(xiàn)出較大優(yōu)勢(shì)。蔣樺林等[30]分別利用ANN、PLSR和SMLR 3種模型對(duì)土壤養(yǎng)分進(jìn)行預(yù)測(cè)，結(jié)果表明ANN建立的模型預(yù)測(cè)效果最好，能夠穩(wěn)定地完成快速檢測(cè)。欒福明等[17]基于不同模型對(duì)土壤有機(jī)質(zhì)含量進(jìn)行了比較分析，結(jié)果發(fā)現(xiàn)ANN的線性和非線性逼近能力較強(qiáng)，擬合效果優(yōu)于MLSR。盡管展現(xiàn)出諸多優(yōu)勢(shì)，但仍有一些缺陷。朱繼文等[31]認(rèn)為由于ANN缺乏洞察數(shù)據(jù)集特性的解釋能力，很難全面解釋神經(jīng)網(wǎng)絡(luò)作出決策或產(chǎn)生輸出的過(guò)程。反向傳播神經(jīng)網(wǎng)絡(luò)（Back propagation neural network，BPNN）是目前使用最普遍的ANN方法之一，其學(xué)習(xí)過(guò)程由信號(hào)的正向傳播與誤差的逆向傳播兩個(gè)過(guò)程組成。田永超等[32]對(duì)5種不同類型土壤的有機(jī)質(zhì)含量進(jìn)行高光譜定量估測(cè)，結(jié)果表明PLSR-BPNN建模效果最好，優(yōu)于PLSR、SMLR、PCR。然而BPNN不具備發(fā)現(xiàn)新知識(shí)的能力，需要大量參數(shù)來(lái)訓(xùn)練和構(gòu)造神經(jīng)網(wǎng)絡(luò)，且輸出結(jié)果難以解釋。endprint

2.2.2 支持向量機(jī) SVM是一種新型機(jī)器學(xué)習(xí)模型，該方法建立在統(tǒng)計(jì)學(xué)習(xí)理論、維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的基礎(chǔ)上[33]。其處理過(guò)程可概括為升維和線性化，SVM可以解決小樣本情況下的機(jī)器學(xué)習(xí)問(wèn)題，巧妙地將非線性問(wèn)題轉(zhuǎn)化為線性問(wèn)題。Viscarra等[34]將澳大利亞各地的土壤光譜建立有機(jī)碳、黏粒含量和pH的SVM反演模型，其R2分別為0.86，0.85，0.75。于雷等[35]通過(guò)不同方法對(duì)土壤有機(jī)質(zhì)進(jìn)行反演，使用SVM建立的模型R2和RMSE分別為0.83、4.02，RPD為2.48，具有較好的預(yù)測(cè)效果。譚琨等[36]使用多種方法建立了礦區(qū)土壤有機(jī)質(zhì)含量與土壤光譜反射率之間的模型，結(jié)果表明SVM估算精度最高，優(yōu)于SMLR和PLSR。但SVM是一種基于小樣本統(tǒng)計(jì)理論的機(jī)器學(xué)習(xí)算法，在處理大規(guī)模樣本數(shù)據(jù)集方面并不能達(dá)到理想的訓(xùn)練效率[37]。

2.2.3 局部加權(quán)回歸 局部加權(quán)回歸（Locally weighted regression，LWR）是從光譜庫(kù)中選取光譜特征相近的樣本建立局部模型，是一種局部建模方法。土壤光譜數(shù)據(jù)越全面，基于大樣本土壤光譜數(shù)據(jù)的局部模型預(yù)測(cè)效果就越好[29]。LWR由于選取相似樣本，排除了不相關(guān)樣本的影響，從而表現(xiàn)出較好的預(yù)測(cè)能力。目前LWR用于土壤高光譜反演建模相對(duì)較少，多是基于大樣本的土壤光譜庫(kù)，如Ji等[38]基于中國(guó)土壤光譜庫(kù)，利用LWR較好地預(yù)測(cè)了225個(gè)獨(dú)立于光譜庫(kù)的土壤樣本的有機(jī)質(zhì)含量，其R2=0.641，RPD=1.79；陳頌超等[29]基于中國(guó)土壤光譜庫(kù)建立了多種土壤全氮反演模型，結(jié)果表明LWR要優(yōu)于PLSR、ANN及SVM，說(shuō)明在大樣本、大尺度區(qū)域LWR能發(fā)揮更好的作用。王乾龍等[39]基于大樣本土壤光譜數(shù)據(jù)庫(kù)，建立土壤全氮反演模型，結(jié)果表明LWR模型要優(yōu)于PLSR全局模型。上述研究表明，應(yīng)用LWR建模的前提是構(gòu)建大樣本土壤光譜數(shù)據(jù)庫(kù)。

3 土壤有機(jī)質(zhì)高光譜估算模型的發(fā)展趨勢(shì)

利用土壤高光譜對(duì)土壤有機(jī)質(zhì)含量進(jìn)行研究，目的是尋求建立土壤有機(jī)質(zhì)快速、高效、便捷的估算模型，為精準(zhǔn)農(nóng)業(yè)發(fā)展提供強(qiáng)有力的技術(shù)支撐。經(jīng)過(guò)近60年的發(fā)展，土壤有機(jī)質(zhì)高光譜估算模型研究取得了較為顯著的成效，理論體系正逐步完善，為高光譜技術(shù)的推廣應(yīng)用奠定了基礎(chǔ)。然而，土壤有機(jī)質(zhì)高光譜估算建模研究目前尚處于發(fā)展階段，由于土壤高光譜形成機(jī)理高度復(fù)雜且土壤有機(jī)質(zhì)高光譜建模受到土壤水分、土壤質(zhì)地、測(cè)試環(huán)境等諸多因素影響，不同研究對(duì)象所選取的最佳建模方法不一。除上文列舉的6種主要方法外，回歸樹[40]、隨機(jī)森林[41]等方法也有較好的預(yù)測(cè)效果，但因在土壤有機(jī)質(zhì)高光譜估算建模中應(yīng)用尚不成熟，未一一列舉。

通過(guò)文獻(xiàn)分析發(fā)現(xiàn)，目前土壤有機(jī)質(zhì)高光譜估算模型主要存在4個(gè)方面的發(fā)展趨勢(shì)：

1）多種建模方法耦合使用增多。每種建模方法都具有不同特點(diǎn)，不同方法的耦合使用可利用各自優(yōu)勢(shì)，相互取長(zhǎng)補(bǔ)短，從而提升模型的整體預(yù)測(cè)性能[15，32]。然而，方法的組合不是任意搭配，需充分理解方法的原理及性能，確保形成優(yōu)勢(shì)互補(bǔ)。

2）建模方法的復(fù)雜度逐漸增強(qiáng)。建模方法從簡(jiǎn)單的一元或多元線性回歸方法逐步發(fā)展為非線性方法，在方法性能提升的同時(shí)，模型復(fù)雜度也在逐漸增強(qiáng)。特別是機(jī)器學(xué)習(xí)方法的引入，雖能取得較好的預(yù)測(cè)效果，卻使得對(duì)模型的可解釋性變?nèi)酢?/p>

3）嘗試消減外部環(huán)境因素對(duì)建模的影響。土壤是一個(gè)復(fù)雜的系統(tǒng)，各組分均有自身的光譜吸收特征，尤其土壤含水量、質(zhì)地、鐵鋁含量等理化特性對(duì)高光譜觀測(cè)具有顯著影響。學(xué)者們已逐漸重視消減與土壤有機(jī)質(zhì)無(wú)關(guān)的外部環(huán)境因素，純化得到土壤有機(jī)質(zhì)的光譜響應(yīng)信息，提高估算模型的精度。

4）嘗試將室內(nèi)土壤有機(jī)質(zhì)估算模型研究成果應(yīng)用于野外實(shí)地研究。目前的研究成果主要基于室內(nèi)試驗(yàn)數(shù)據(jù)建立土壤有機(jī)質(zhì)高光譜估算模型，這些成果如何改進(jìn)使其適用于野外復(fù)雜環(huán)境中實(shí)時(shí)估算土壤有機(jī)質(zhì)含量，尚需要開(kāi)展實(shí)證研究。今后的趨勢(shì)是加強(qiáng)土壤高光譜野外實(shí)地試驗(yàn)，促進(jìn)土壤高光譜技術(shù)推廣應(yīng)用，實(shí)現(xiàn)土壤有機(jī)質(zhì)的動(dòng)態(tài)監(jiān)測(cè)，服務(wù)于現(xiàn)代精準(zhǔn)農(nóng)業(yè)。

參考文獻(xiàn)：

[1] 方少文，楊梅花，趙小敏，等.紅壤區(qū)土壤有機(jī)質(zhì)光譜特征與定量估算——以江西省吉安縣為例[J].土壤學(xué)報(bào)，2014，51（5）：1003-1010.

[2] NOCITA M，KOOISTRA L，BACHMANN M，et al. Predictions of soil surface andtop-soil organic carbon content through the use of laboratory and fieldspectroscopyinthe Albany Thicket Biome of Eastern Cape Province of South Africa[J].Geoder-ma，2011， 167-168：295-302.

[3] BOWERS S A，HANKS R J. Reflection of radiant energy from soils[J].Soil Science，1965，100（2）：130-138.

[4] 徐彬彬，季耿善.土壤光譜反射特性研究及其應(yīng)用[J].土壤學(xué)進(jìn)展，1987，15（1）：3-11.

[5] 彭 杰，張楊珠，周 清，等.去除有機(jī)質(zhì)對(duì)土壤光譜特性的影響[J].土壤，2006，38（4）：453-458.

[6] MONTGOMERY O L. An investigation of the relationship between spectral reflectance and the chemical， physical，and genetic characteristics of soils[D].West Lafayette，Indiana：Purdue University，1976.endprint

[7] GALVAO L S，PIZARRO M A，EPIPHANIO. Variations in reflectance of tropical soils：Spectral chemical composition relationships from AVIRIS data[J].Remote Sensing of Environment，2001，75（2）：245-255.

[8] 郝 勇，孫旭東，潘圓媛，等.蒙特卡羅無(wú)信息變量消除方法用于近紅外光譜預(yù)測(cè)果品硬度和表面色澤的研究[J].光譜學(xué)與光譜分析，2011，31（5）：1225-1229.

[9] 賀軍亮，蔣建軍，周生路，等.土壤有機(jī)質(zhì)含量的高光譜特性及其反演[J].中國(guó)農(nóng)業(yè)科學(xué)，2007，40（3）：638-643.

[10] 何 挺.土地質(zhì)量高光譜遙感監(jiān)測(cè)方法研究[D].武漢：武漢大學(xué)，2003.

[11] 謝伯承.基于高光譜遙感不同發(fā)生層土壤的光譜信息的提取研究[D].陜西楊凌：西北農(nóng)林科技大學(xué)，2004.

[12] 彭 杰，張楊珠，龐新安，等.新疆南部土壤有機(jī)質(zhì)含量的高光譜特征分析[J].干旱區(qū)地理，2010，33（5）：740-746.

[13] CONFORTI M，BUTTAFUOCO G，LEONE A P，et al. Studying the relationship between water-induced soil erosion and soil organic matter using Vis-NIR spectroscopy and geomorphological analysis：A case study in Southern Italy[J].Catena，2013， 110：44-58.

[14] 于飛健，閔順耕，巨曉棠，等.近紅外光譜法分析土壤中的有機(jī)質(zhì)和氮素[J].分析試驗(yàn)室，2002，31（3）：49-51.

[15] 紀(jì)文君，李 曦，李成學(xué)，等.基于全譜數(shù)據(jù)挖掘技術(shù)的土壤有機(jī)質(zhì)高光譜預(yù)測(cè)建模研究[J].光譜學(xué)與光譜分析，2012，32（9）：2393-2398.

[16] 欒福明，張小雷，熊黑鋼，等.基于不同模型的土壤有機(jī)質(zhì)含量高光譜反演比較分析[J].光譜學(xué)與光譜分析，2013，33（1）：196-200.

[17] 肖捷穎，王 燕，張 倩，等.土壤重金屬含量的高光譜遙感反演方法綜述[J].湖北農(nóng)業(yè)科學(xué)，2013，52（6）：1248-1253，1259.

[18] HUMMEL J W，SUDDUTH K A，HOLLINGER S E. Soil moisture and organic matter prediction of surface and subsurface soils using an NIR soil sensor[J]. Computers and Electronics in Agriculture，2001，32（2）：149-165.

[19] 彭 杰，向紅英，周 清，等.不同類型土壤全氮含量的高光譜預(yù)測(cè)研究[J].中國(guó)農(nóng)學(xué)通報(bào)，2013，29（9）：105-111.

[20] 王 超，馮美臣，楊武德，等.麥田耕作層土壤有機(jī)質(zhì)的高光譜監(jiān)測(cè)[J].山西農(nóng)業(yè)科學(xué)，2014，42（8）：869-873.

[21] 周文芳，李 民.逐步回歸分析法的一點(diǎn)不足之處[J].西北水電，2004（4）：49-50.

[22] 盧艷麗，白由路，楊俐蘋，等.基于主成分回歸分析的土壤有機(jī)質(zhì)高光譜預(yù)測(cè)與模型驗(yàn)證[J].植物營(yíng)養(yǎng)與肥料學(xué)報(bào)，2008， 14（6）：1076-1082.

[23] CHANG C W，LAIRD D A，HURBURGH M J，et al. Near-Infrared reflectance spectroscopy-principal components regression analyses of soil properties[J].Soil Science，170（4）：244-255.

[24] 翁永玲，戚浩平，方洪賓，等.基于PLSR方法的青海茶卡-共和盆地土壤鹽分高光譜遙感反演[J].土壤學(xué)報(bào)，2010，47（6）：1255-1263.

[25] 吳 瓊，原忠虎，王曉寧.基于偏最小二乘回歸分析綜述[J].沈陽(yáng)大學(xué)學(xué)報(bào)（自然科學(xué)版），2007，19（2）：33-35.

[26] C？魪CILE G，RAPHAEL A，ALEX B. Soil organic carbon prediction by hyperspectral remote sensing and field vis-NIR spectroscopy：An Australian case study[J].Geoderma，2008，146：403-411.

[27] 史 舟，王乾龍，彭 杰，等.中國(guó)主要土壤高光譜反射特性分類與有機(jī)質(zhì)光譜預(yù)測(cè)模型[J].中國(guó)科學(xué)：地球科學(xué)，2014，44（5）：978-988.

[28] 盧延年，劉艷芳，陳奕云，等.江漢平原土壤有機(jī)碳含量高光譜預(yù)測(cè)模型優(yōu)選[J].中國(guó)農(nóng)學(xué)通報(bào)，2014，30（26）：127-133.

[29] 陳頌超，馮來(lái)磊，李 碩，等.基于局部加權(quán)回歸的土壤全氮含量可見(jiàn)-近紅外光譜反演[J].土壤學(xué)報(bào)，2015，52（2）：312-320.

[30] 蔣燁林，王讓會(huì)，李 焱，等.艾比湖流域不同土地覆蓋類型土壤養(yǎng)分高光譜反演模型研究[J].中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)，2016， 24（11）：1555-1564.endprint

[31] 朱繼文，劉丹丹.基于高光譜數(shù)據(jù)的土壤含鹽量BP神經(jīng)網(wǎng)絡(luò)模型研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào)，2009，40（10）：115-118.

[32] 田永超，張娟娟，姚 霞，等.基于近紅外光聲光譜的土壤有機(jī)質(zhì)含量定量建模方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28（1）：145-152.

[33] 曾 胤，陸宇振，杜昌文，等.應(yīng)用紅外光聲光譜技術(shù)及支持向量機(jī)模型測(cè)定土壤有機(jī)質(zhì)含量[J].土壤學(xué)報(bào)，2014，51（6）：1262-1269.

[34] VISCARRA R，BUI E，CARITAT P，et al. Mapping iron oxides and the color of Australian soil using visible-near-infraed reflectance spectra[J].Journal of Geophysical research，2010，115：1-13.

[35] 于 雷，洪永勝，周 勇，等.連續(xù)小波變換高光譜數(shù)據(jù)的土壤有機(jī)質(zhì)含量反演模型構(gòu)建[J].光譜學(xué)與光譜分析，2016，36（5）：1428-1433.

[36] 譚 琨，張倩倩，曹 茜，等.基于粒子群優(yōu)化支持向量機(jī)的礦區(qū)土壤有機(jī)質(zhì)含量高光譜反演[J].地球科學(xué)（中國(guó)地質(zhì)大學(xué)學(xué)報(bào)），2015，40（8）：1339-1345.

[37] 丁世飛，齊丙娟，譚紅艷.支持向量機(jī)理論與算法研究綜述[J].電子科技大學(xué)學(xué)報(bào)，2011，40（1）：2-10.

[38] JI W，LI S，CHEN S，et al. Prediction of soil attributes using the Chinese soil spectral library and standardized spectra recorded at field conditions[J].Soil & Tillage Research，2016， 155：492-500.

[39] 王乾龍，李 碩，盧艷麗，等.基于大樣本土壤光譜數(shù)據(jù)庫(kù)的氮含量反演[J].光學(xué)學(xué)報(bào)，2014，34（9）：308-314.

[40] BROWN D J，SHEPHERD K D，WALSH M G，et al. Global soil characterization with VNIR diffuse reflectance spectroscopy[J].Geoderma，2006，132（3）：209-216.

[41] 王茵茵，齊雁冰，陳 洋，等.基于多分辨率遙感數(shù)據(jù)與隨機(jī)森林算法的土壤有機(jī)質(zhì)預(yù)測(cè)研究[J].土壤學(xué)報(bào)，2016，53（2）：342-354.endprint