土壤有機質(zhì)高光譜估算模型研究進展

章濤+于雷

摘要：土壤有機質(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，順應了現(xiàn)代農(nóng)業(yè)發(fā)展的迫切需要。國內(nèi)外眾多學者先后對土壤有機質(zhì)高光譜估算模型進行了大量研究，估算模型由簡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，重點分析了各種方法的適用性。通過總結(jié)分析前人研究，發(fā)現(xiàn)土壤有機質(zhì)高光譜估算模型研究存在以下發(fā)展趨勢：多種建模方法耦合使用增多；建模方法的復雜度逐漸增強；嘗試消減外部環(huán)境因素對建模的影響；嘗試將室內(nèi)土壤有機質(zhì)估算模型應用于野外實地研究。

關鍵詞：土壤有機質(zhì)；高光譜；多元逐步回歸；偏最小二乘回歸

中圖分類號：S153.6 文獻標識碼：A 文章編號：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

土壤有機質(zhì)是指存在于土壤中所含碳的有機物質(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[1]。準確掌握土壤有機質(zhì)含量是現(xiàn)代農(nóng)業(yè)生產(chǎn)管理的重要基礎。傳統(tǒng)的土壤農(nóng)化分析方法可以準確測定土壤有機質(zhì)含量，但采樣易對土體造成破壞，并且實驗耗時長，不便于土壤有機質(zhì)的實時高效測定。土壤高光譜技術因具有信息量大、零破壞、無污染、高效率等特點[2]，被逐漸應用于土壤有機質(zhì)估算研究中。國內(nèi)外學者通過大量實驗揭示了土壤有機質(zhì)的高光譜響應規(guī)律，嘗試了各種方法模擬土壤有機質(zhì)與高光譜反射率之間的關系，較好地實現(xiàn)了土壤有機質(zhì)含量的定量估算。本文對已有土壤有機質(zhì)高光譜建模方法進行了梳理和總結(jié)。

1 土壤有機質(zhì)高光譜估算模型的發(fā)展過程

1960年開始，土壤有機質(zhì)的光譜特征逐漸受到關注，學者們嘗試揭示土壤有機質(zhì)與土壤光譜之間的關系。Bowers等[3]研究發(fā)現(xiàn)土壤反射光譜與土壤有機質(zhì)含量呈顯著負相關。徐彬彬等[4]、彭杰等[5]通過對比分析去除土壤有機質(zhì)前后的土壤高光譜，發(fā)現(xiàn)土壤有機質(zhì)對全波段光譜均有一定程度的影響，有機質(zhì)含量降低后土壤光譜反射率增加。另外，Montgomery[6]認為土壤有機質(zhì)大于9%時能夠掩蓋其他土壤性質(zhì)（如水分）對光譜反射率的貢獻。Galvao等[7]則認為當土壤有機質(zhì)大于2%時，土壤有機質(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。雖然這兩者之間存在觀點差異，但已經(jīng)定性地指出土壤有機質(zhì)含量超出某個閾值會對土壤光譜反射特性產(chǎn)生影響。這一階段主要表現(xiàn)為對土壤有機質(zhì)與土壤光譜進行定性研究。

1980年之后，學者們發(fā)現(xiàn)在土壤高光譜的眾多波段中存在無效和冗余信息及吸收峰重疊現(xiàn)象[8]，導致估算模型精度降低，因此，逐漸形成了基于土壤有機質(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質(zhì)含量的精度。相關分析方法被較早地應用于分析土壤有機質(zhì)與土壤光譜反射率之間的相關性，提取相關系數(shù)較高（顯著）的波段作為敏感波段，建立簡單線性回歸模型[9]。何挺[10]通過比較各波長的相關系數(shù)，選取了849、 1 681、2187 nm 3個波長作為敏感波段，建立了多元回歸模型，其決定系數(shù)（Determination coefficients，R2）達到0.885；謝伯承[11]通過這種思路確定了447 nm波長為敏感波段，建立了有較高預測精度估算模型，均方根誤差（Root mean squared error，RMSE）為0.547 6。此方法雖簡便易行，但由于土壤高光譜數(shù)據(jù)波長變量數(shù)量龐大且相互之間存在多重共線性，土壤有機質(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]通過去除土壤有機質(zhì)，對比分析土壤有機質(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質(zhì)敏感波段，建立估算模型的預測精度雖然有所提升，但因去有機質(zhì)實驗操作過程繁瑣，該方法沒有得到廣泛應用。這一階段高光譜估算土壤有機質(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)越的性能被廣泛應用于土壤高光譜建模，它能夠消除波長變量共線性，解決因土壤各組分的吸收波段相互重疊干擾土壤有機質(zhì)含量估算精度的問題，避免模型過度擬合。Conforti等[13]對采集來自不同地區(qū)的215個不同土壤類型樣本建立土壤有機質(zhì)PLSR估算模型，其模型的R2為0.84，相對分析誤差（Relative percent deviation，RPD）為2.53；于飛健等[14]運用PLSR對采集來自北京地區(qū)的土樣進行有機質(zhì)建模，也取得了較好的預測效果，其R2為0.964 1。然而土壤高光譜機理復雜，并非簡單線性關系，一些非線性數(shù)據(jù)挖掘技術也逐漸廣泛應用于土壤有機質(zhì)估算，如紀文君等[15]和欒福明等[16]分別利用支持向量機（Support vector machines，SVM）和人工神經(jīng)網(wǎng)絡（Artificial neural network，ANN）方法建立土壤有機質(zhì)反演模型，R2分別為0.927、0.938。此類機器學習算法模型能夠較好地處理復雜的非線性問題，表現(xiàn)出較高性能。各種建模方法的相繼應用標志著土壤有機質(zhì)高光譜定量估算研究逐漸成熟。

2 建立土壤有機質(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理存在較大難度，難以從高光譜形成機理層面正向推導計算土壤有機質(zhì)含量。因此，學者們主要基于經(jīng)驗和先驗知識采用反演理論建立土壤有機質(zhì)高光譜估算模型。但是，土壤有機質(zhì)與高光譜反射率之間關系復雜，學者們對此的觀點尚不統(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)自變量對因變量的貢獻大小，由大到小地逐個引入回歸方程，剔除對因變量作用不顯著的自變量。其特點是雙向篩選，即引入有意義的變量（前進法）同時剔除無意義變量（后退法）。SMLR盡可能地包含了對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。在土壤高光譜領域，以土壤有機質(zhì)為因變量，土壤反射光譜為自變量進行多元回歸分析，根據(jù)回歸系數(shù)和F統(tǒng)計量最高、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)分析了土壤有機質(zhì)和光譜曲線之間的關系，采用光譜反射率倒數(shù)的對數(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測模型，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構建了不同預處理方法下的褐土有機質(zhì)反演模型，基于一階微分預處理構建的模型的R2大于0.92。然而土壤高光譜信息錯綜復雜，彼此關聯(lián)，一旦自變量之間存在共線性問題則不適用SMLR[21]。

2.1.2 主成分回歸 主成分回歸（Principal component regression，PCR）對全部光譜信息進行壓縮，將高度相關的波長變量歸于一個獨立變量，獲得少量的獨立變量，建立回歸方程，通過內(nèi)部檢驗來防止過度擬合[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上達到降維的效果[22]。主成分回歸法在處理大數(shù)據(jù)方面具有顯著優(yōu)勢，也被廣泛應用于可見—近紅外光譜數(shù)據(jù)建模。Chang等[23]使用PCR對多種土壤成分進行反演，結(jié)果表明可以較好地預測土壤全碳、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質(zhì)預測模型，其模型預測值與實測值的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題，防止模型過度擬合，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、典型相關分析和主成分分析的思想?；?PLSR 方法建立土壤有機質(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)點就在于可以提供一種“多對多”線性回歸建模的方法，特別是當兩組變量的個數(shù)很多，且都存在多重相關性，而觀測數(shù)據(jù)的數(shù)量又較少時，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有的優(yōu)勢[25]。由于PLSR具有上述優(yōu)勢，國內(nèi)外許多研究都采用此方法。Cécile等[26]運用PLSR對土壤有機碳進行了預測。史舟等[27]對土壤光譜數(shù)據(jù)采用Savitzky-Golay平滑加一階微分進行轉(zhuǎn)換，分類后結(jié)合PLSR建立土壤有機質(zhì)模型，取得了較好的效果，R2和相對分析誤差（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碳預測模型，結(jié)果表明PLSR預測結(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]認為當土壤類型增多時，PLSR則表現(xiàn)不出較好的效果。同時PLSR忽略了土壤光譜信息非線性關系、動態(tài)多變量過程的模型建立等，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 ANN是一種模仿動物神經(jīng)網(wǎng)絡的數(shù)學模型，通常被稱為“黑箱子”模型，由輸入層、隱含層、輸出層構成。ANN能夠模擬任何輸入變量和輸出變量的非線性關系，具有自學習、自適應能力及很強的容錯能力，在處理非線性問題上表現(xiàn)出較大優(yōu)勢。蔣樺林等[30]分別利用ANN、PLSR和SMLR 3種模型對土壤養(yǎng)分進行預測，結(jié)果表明ANN建立的模型預測效果最好，能夠穩(wěn)定地完成快速檢測。欒福明等[17]基于不同模型對土壤有機質(zhì)含量進行了比較分析，結(jié)果發(fā)現(xiàn)ANN的線性和非線性逼近能力較強，擬合效果優(yōu)于MLSR。盡管展現(xiàn)出諸多優(yōu)勢，但仍有一些缺陷。朱繼文等[31]認為由于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)絡作出決策或產(chǎn)生輸出的過程。反向傳播神經(jīng)網(wǎng)絡（Back propagation neural network，BPNN）是目前使用最普遍的ANN方法之一，其學習過程由信號的正向傳播與誤差的逆向傳播兩個過程組成。田永超等[32]對5種不同類型土壤的有機質(zhì)含量進行高光譜定量估測，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)新知識的能力，需要大量參數(shù)來訓練和構造神經(jīng)網(wǎng)絡，且輸出結(jié)果難以解釋。endprint

2.2.2 支持向量機 SVM是一種新型機器學習模型，該方法建立在統(tǒng)計學習理論、維理論和結(jié)構風險最小化原理的基礎上[33]。其處理過程可概括為升維和線性化，SVM可以解決小樣本情況下的機器學習問題，巧妙地將非線性問題轉(zhuǎn)化為線性問題。Viscarra等[34]將澳大利亞各地的土壤光譜建立有機碳、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]通過不同方法對土壤有機質(zhì)進行反演，使用SVM建立的模型R2和RMSE分別為0.83、4.02，RPD為2.48，具有較好的預測效果。譚琨等[36]使用多種方法建立了礦區(qū)土壤有機質(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)計理論的機器學習算法，在處理大規(guī)模樣本數(shù)據(jù)集方面并不能達到理想的訓練效率[37]。

2.2.3 局部加權回歸 局部加權回歸（Locally weighted regression，LWR）是從光譜庫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)的局部模型預測效果就越好[29]。LWR由于選取相似樣本，排除了不相關樣本的影響，從而表現(xiàn)出較好的預測能力。目前LWR用于土壤高光譜反演建模相對較少，多是基于大樣本的土壤光譜庫，如Ji等[38]基于中國土壤光譜庫，利用LWR較好地預測了225個獨立于光譜庫的土壤樣本的有機質(zhì)含量，其R2=0.641，RPD=1.79；陳頌超等[29]基于中國土壤光譜庫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，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，應用LWR建模的前提是構建大樣本土壤光譜數(shù)據(jù)庫。

3 土壤有機質(zhì)高光譜估算模型的發(fā)展趨勢

利用土壤高光譜對土壤有機質(zhì)含量進行研究，目的是尋求建立土壤有機質(zhì)快速、高效、便捷的估算模型，為精準農(nóng)業(yè)發(fā)展提供強有力的技術支撐。經(jīng)過近60年的發(fā)展，土壤有機質(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，為高光譜技術的推廣應用奠定了基礎。然而，土壤有機質(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理高度復雜且土壤有機質(zhì)高光譜建模受到土壤水分、土壤質(zhì)地、測試環(huán)境等諸多因素影響，不同研究對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]、隨機森林[41]等方法也有較好的預測效果，但因在土壤有機質(zhì)高光譜估算建模中應用尚不成熟，未一一列舉。

通過文獻分析發(fā)現(xiàn)，目前土壤有機質(zhì)高光譜估算模型主要存在4個方面的發(fā)展趨勢：

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，不同方法的耦合使用可利用各自優(yōu)勢，相互取長補短，從而提升模型的整體預測性能[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)勢互補。

2）建模方法的復雜度逐漸增強。建模方法從簡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，模型復雜度也在逐漸增強。特別是機器學習方法的引入，雖能取得較好的預測效果，卻使得對模型的可解釋性變?nèi)酢?/p>

3）嘗試消減外部環(huán)境因素對建模的影響。土壤是一個復雜的系統(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高光譜觀測具有顯著影響。學者們已逐漸重視消減與土壤有機質(zhì)無關的外部環(huán)境因素，純化得到土壤有機質(zhì)的光譜響應信息，提高估算模型的精度。

4）嘗試將室內(nèi)土壤有機質(zhì)估算模型研究成果應用于野外實地研究。目前的研究成果主要基于室內(nèi)試驗數(shù)據(jù)建立土壤有機質(zhì)高光譜估算模型，這些成果如何改進使其適用于野外復雜環(huán)境中實時估算土壤有機質(zhì)含量，尚需要開展實證研究。今后的趨勢是加強土壤高光譜野外實地試驗，促進土壤高光譜技術推廣應用，實現(xiàn)土壤有機質(zhì)的動態(tài)監(jiān)測，服務于現(xiàn)代精準農(nóng)業(yè)。

參考文獻：

[1] 方少文，楊梅花，趙小敏，等.紅壤區(qū)土壤有機質(zhì)光譜特征與定量估算——以江西省吉安縣為例[J].土壤學報，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用[J].土壤學進展，1987，15（1）：3-11.

[5] 彭 杰，張楊珠，周 清，等.去除有機質(zhì)對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.蒙特卡羅無信息變量消除方法用于近紅外光譜預測果品硬度和表面色澤的研究[J].光譜學與光譜分析，2011，31（5）：1225-1229.

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

[10] 何 挺.土地質(zhì)量高光譜遙感監(jiān)測方法研究[D].武漢：武漢大學，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，2004.

[12] 彭 杰，張楊珠，龐新安，等.新疆南部土壤有機質(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質(zhì)和氮素[J].分析試驗室，2002，31（3）：49-51.

[15] 紀文君，李 曦，李成學，等.基于全譜數(shù)據(jù)挖掘技術的土壤有機質(zhì)高光譜預測建模研究[J].光譜學與光譜分析，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質(zhì)含量高光譜反演比較分析[J].光譜學與光譜分析，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，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測研究[J].中國農(nóng)學通報，2013，29（9）：105-111.

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

[21] 周文芳，李 民.逐步回歸分析法的一點不足之處[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質(zhì)高光譜預測與模型驗證[J].植物營養(yǎng)與肥料學報，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].土壤學報，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].沈陽大學學報（自然科學版），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.中國主要土壤高光譜反射特性分類與有機質(zhì)光譜預測模型[J].中國科學：地球科學，2014，44（5）：978-988.

[28] 盧延年，劉艷芳，陳奕云，等.江漢平原土壤有機碳含量高光譜預測模型優(yōu)選[J].中國農(nóng)學通報，2014，30（26）：127-133.

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

[30] 蔣燁林，王讓會，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].中國生態(tài)農(nóng)業(yè)學報，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)絡模型研究[J].東北農(nóng)業(yè)大學學報，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質(zhì)含量定量建模方法[J].農(nóng)業(yè)工程學報，2012，28（1）：145-152.

[33] 曾 胤，陸宇振，杜昌文，等.應用紅外光聲光譜技術及支持向量機模型測定土壤有機質(zhì)含量[J].土壤學報，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)的土壤有機質(zhì)含量反演模型構建[J].光譜學與光譜分析，2016，36（5）：1428-1433.

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

[37] 丁世飛，齊丙娟，譚紅艷.支持向量機理論與算法研究綜述[J].電子科技大學學報，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)庫的氮含量反演[J].光學學報，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)與隨機森林算法的土壤有機質(zhì)預測研究[J].土壤學報，2016，53（2）：342-354.endprint