黃河三角洲土壤有機(jī)質(zhì)含量的高光譜反演

韓兆迎， 朱西存, 2*， 劉 慶， 房賢一， 王卓遠(yuǎn)

(1 山東農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院， 山東泰安 271018； 2 土肥資源高效利用國家工程實(shí)驗(yàn)室， 山東泰安 271018；3 山東省黃河三角洲生態(tài)環(huán)境重點(diǎn)實(shí)驗(yàn)室(濱州學(xué)院)， 山東濱州 256603)

1 材料與方法

1.1 研究區(qū)概況

黃河三角洲以山東省東營市墾利縣寧海為軸點(diǎn)，北起套爾河口，南至淄脈河口，向東散開的扇狀地形，海拔高程低于15 m，面積達(dá)54.5×104hm2。本研究區(qū)為東營市墾利縣，位于東北部黃河入海口處。東瀕渤海，南接?xùn)|營市東營區(qū)，西、 北與利津縣隔河相望，東北部與東營市河口區(qū)接壤。屬暖溫帶季風(fēng)氣候，光熱資源較為豐富，降水少，且年際年內(nèi)分配不均，蒸降比較大，春旱及夏澇災(zāi)害頻繁。研究區(qū)有潮土、 鹽土兩大土類，土壤母質(zhì)為黃河沖積物。土壤多為黃河泥沙經(jīng)長途搬運(yùn)、 分選、 河床淤積的細(xì)小顆粒，表層質(zhì)地偏輕，砂壤占24.2%、 輕壤占46.1%、 中壤占14.8%、 重壤10.1%、 粘土4.8%，由此可見，砂、 輕壤面積占總面積的70.3%。

1.2 土壤樣品制備

1.3 土壤光譜與有機(jī)質(zhì)含量的測定

光譜測定在等同于暗室的條件下進(jìn)行。將盛樣皿內(nèi)裝滿的土壤刮平后，放在反射率近似為0的黑色橡膠墊上。采用功率為50 W鹵化燈作為光源，探頭視場角為25°，光源入射角度為45°，光源距離為30 cm，探頭距離為15 cm。每次采集目標(biāo)光譜前后都要進(jìn)行參考板校正，重復(fù)測量10次，為降低土樣光譜各向異性的影響，測量時(shí)轉(zhuǎn)動盛樣皿3次，每次轉(zhuǎn)動角度約90°，共獲取4個(gè)方向的土樣光譜，取算術(shù)平均后得到該土樣的反射光譜數(shù)據(jù)。

將測定完光譜的土樣再進(jìn)行有機(jī)質(zhì)含量的測定。有機(jī)質(zhì)含量的測定采用重鉻酸鉀容量法—外加熱法[24]。

60個(gè)土壤樣本有機(jī)質(zhì)含量檢測結(jié)果如表1 所示。

1.4 數(shù)據(jù)預(yù)處理

對60個(gè)土樣的光譜進(jìn)行去包絡(luò)線處理。包絡(luò)線法最早由Roush 和Clark 提出，定義為逐點(diǎn)直線連接隨波長變化的吸收或反射凸出的“峰”點(diǎn)，并使折線在“峰”值點(diǎn)上的外角大于180°[25]。去包絡(luò)線法是常用的光譜分析方法之一，可以明顯的突出光譜曲線的反射和吸收特征，并且將其歸一到一個(gè)一致的光譜背景上，有利于和其他光譜曲線進(jìn)行特征數(shù)值的比較，從而有利于提取特征波段。

具體算法為：Rc(λ)=Rcr(λ)-R(λ)

(1)

其中，Rc、 Rcr和R分別為去包絡(luò)(特征吸收)、 包絡(luò)線和光譜反射率值，λ為波長。

表1 樣本有機(jī)質(zhì)含量特征統(tǒng)計(jì)量

1.5 敏感波段的篩選

對60個(gè)樣本的有機(jī)質(zhì)含量與去除包絡(luò)線后的光譜數(shù)據(jù)逐波長地進(jìn)行相關(guān)性分析，計(jì)算出每個(gè)波長與SOM含量的相關(guān)系數(shù)，選取相關(guān)系數(shù)較高或突變的波長作為敏感波長。相關(guān)性分析的公式下：

(2)

1.6 反演模型的建立與驗(yàn)證

60個(gè)土樣中隨機(jī)抽取40個(gè)土樣，用于建立SOM含量的反演模型，其余20個(gè)土樣用于模型驗(yàn)證。土壤有機(jī)質(zhì)估測模型的估測精度采用估測值和實(shí)際值的決定系數(shù)R2、 Durbin-Watson統(tǒng)計(jì)量和相對分析誤RPD(檢驗(yàn)樣本標(biāo)準(zhǔn)差SD與預(yù)測均方根誤差RMSE的比值)來衡量。模型的決定系數(shù)R2越大、 Durbin-Watson統(tǒng)計(jì)量越接近2，說明模型的精度越高。另外，當(dāng)RPD>2 時(shí)表明模型具有極好的預(yù)測能力，當(dāng)1.4

2 結(jié)果與分析

2.1 土樣的光譜特征分析

圖1 土壤光譜反射率曲線Fig.1 Reflectance curves of the soil samples

2.2 土壤有機(jī)質(zhì)光譜響應(yīng)的敏感波長

將原始光譜反射率與土壤有機(jī)質(zhì)的含量進(jìn)行相關(guān)性分析，其相關(guān)系數(shù)如圖2所示。從圖中可以看出，原始土壤光譜反射率與有機(jī)質(zhì)含量的相關(guān)系數(shù)小于0.1，并且整條曲線比較平滑，很難選出與SOM具有良好相關(guān)性的敏感波長。為突出光譜曲線的反射和吸收特征，利用去除包絡(luò)線后的光譜與有機(jī)質(zhì)含量進(jìn)行相關(guān)分析，結(jié)果見圖3。可以看出去除包絡(luò)線的光譜數(shù)據(jù)與有機(jī)質(zhì)含量的相關(guān)性有了顯著的提高，相關(guān)性較好的波段主要集中在近紅外波段，特別是在波長1278 nm處，其相關(guān)性達(dá)到了0.88，另外在波長1307 nm、 1314 nm、 1322 nm、 1328 nm、

1334 nm、 1343 nm處，其相關(guān)性分別為0.77、 0.77、 0.78、 0.83、 0.77、 0.76。因此，選取這7個(gè)波長為反映土壤有機(jī)質(zhì)的敏感波長。

圖2 光譜反射率與有機(jī)質(zhì)含量的相關(guān)性Fig. 2 Correlation between the soil organic matter and spectral reflectivity

圖3 去包絡(luò)線的光譜與有機(jī)質(zhì)含量的相關(guān)性Fig.3 Correlation between the soil organic matter and removed the envelope spectral data

2.3 有機(jī)質(zhì)含量反演模型的建立

將選取的7個(gè)敏感波長，運(yùn)用主成分回歸、 二次多項(xiàng)式逐步回歸、 多元線性回歸和支持向量機(jī)回歸方法，分別建立有機(jī)質(zhì)含量的高光譜反演模型。

主成分回歸法是通過線性變換，將原來的多個(gè)指標(biāo)組合成相互獨(dú)立的少數(shù)幾個(gè)能充分反映總體信息的主成分，從而在不丟掉重要信息的前提下，避開變量間的共線性，便于進(jìn)一步分析。在主成分分析中提取出的每個(gè)主成分都是原來多個(gè)指標(biāo)的線性組合。主成分回歸包含兩步：一是將自變量重新線性組合；二是在新的組合變量中去掉那些變差小的而留下主成分。

利用選取的7個(gè)敏感波長建立主成分回歸模型的過程中，根據(jù)方差貢獻(xiàn)率確定主成分個(gè)數(shù)。當(dāng)選用2個(gè)主成分時(shí)，累積方差貢獻(xiàn)率達(dá)到了94%。因此本研究選取2個(gè)主成分，建立主成分回歸模型：

y=-151+137×X1+6.13×X2+0.688×X3+3.18×X4+14.7×X5-2.48×X6-6.08×X7

(3)

二次多項(xiàng)式逐步回歸是基于最小二乘法原理，通過逐步回歸剔除對因變量不起作用或作用極小的因子，挑選出顯著性因子，最終得出最優(yōu)回歸模型的經(jīng)典數(shù)理統(tǒng)計(jì)方法。建立模型時(shí)，首先在0.1的置信度下挑選自變量，并調(diào)整F值進(jìn)行逐步回歸(引入顯著的變量，剔除不顯著的變量)，對模型進(jìn)行優(yōu)化，最終得到二次多項(xiàng)式逐步回歸模型。

二項(xiàng)式逐步回歸分析模型為：

y=1.34×104-2.72×104×X1+1.37×104×X1×X1-39.1×X2×X6+53.5×X5×X7

(4)

方程(4)中：y為土壤有機(jī)質(zhì)含量； X1、 X2、 X5、 X6、 X7分別為去除包絡(luò)線后1278 nm、 1307 nm、 1328 nm、 1334 nm、 1343 nm敏感波長對應(yīng)的光譜數(shù)據(jù)。

線性回歸(Linear Regression)是利用線性回歸方程的最小平方函數(shù)對一個(gè)或多個(gè)自變量和因變量之間的關(guān)系進(jìn)行建模。

線性回歸分析模型方程為：

y=-156+132×X1-39.6×X2-2.67×X3+19.2×X4+49.9×X5-28.8×X6+28.2×X7

(5)

方程(5)中：y為土壤有機(jī)質(zhì)含量； X1、 X2、 X3、 X4、 X5、 X6、 X7分別去除包絡(luò)線后1278 nm、 1307 nm、 1314 nm、 1322 nm、 1 328 nm、 1 334 nm、 1 343 nm敏感波長對應(yīng)的光譜數(shù)據(jù)。

支持向量機(jī)(SVM)最初于20世紀(jì)90年代由Vapnik提出，包括支持向量機(jī)分類(SVC)和支持向量回歸(SVR)，是目前發(fā)展最快的機(jī)器學(xué)習(xí)方法。選取了去除包絡(luò)線后1278 nm、 1307 nm、 1314 nm、 1322 nm、 1328 nm、 1334 nm、 1343 nm敏感波長對應(yīng)的光譜數(shù)據(jù)為自變量，有機(jī)質(zhì)含量作為決策屬性，經(jīng)過參數(shù)優(yōu)選(表2)，通過多次訓(xùn)練，最終確定支持向量機(jī)類型為EPSILON-SVR，核函數(shù)類型為RBF。

表2 支持向量機(jī)回歸模型的參數(shù)

2.4 模型的比較和驗(yàn)證

從運(yùn)用不同方法反演土壤有機(jī)質(zhì)(SOM)含量的診斷系數(shù)(表3)可以看出，四種模型校正集的決定系數(shù)R2都大于0.8，表明四種模型的擬合效果都較好。相比較而言，二次多項(xiàng)式逐步回歸模型的校正集決定系數(shù)僅次于支持向量機(jī)回歸模型，其Durbin-Watson統(tǒng)計(jì)量d=2.14。

表3 土壤有機(jī)質(zhì)反演模型的診斷系數(shù)

圖4 土壤有機(jī)質(zhì)實(shí)測值與預(yù)測值的散點(diǎn)圖Fig. 4 Scatter plot of the measured values and predicted values of soil organic matter

利用驗(yàn)證集的20個(gè)樣本對這四種模型進(jìn)行精度驗(yàn)證，驗(yàn)證結(jié)果見表3和圖4。從表3和圖4中可以看出，基于主成分回歸、 多元線性回歸、 二次多項(xiàng)式逐步回歸和支持向量機(jī)回歸分析，建立的土壤有機(jī)質(zhì)(SOM)含量的高光譜反演模型的預(yù)測效果均較好，其中二次多項(xiàng)式逐步回歸模型的驗(yàn)證集的決定系數(shù)最高，相對分析誤差RPD最大。

因?yàn)槎味囗?xiàng)式逐步回歸模型的校正集的決定系數(shù)較高以及其Durbin-Watson統(tǒng)計(jì)量d=2.14最接近2，并且其驗(yàn)證集的決定系數(shù)最高、 RPD最大，所以基于二次多項(xiàng)式逐步回歸分析建立的土壤有機(jī)質(zhì)的高光譜反演模型的擬合效果要優(yōu)于主成分回歸、 線性回歸分析和支持向量機(jī)回歸分析建立的高光譜反演模型。

3 討論與結(jié)論

由于土壤光譜反射率受光譜測試環(huán)境以及土壤自身理化性質(zhì)的影響，對土壤樣本進(jìn)行風(fēng)干、 研磨等處理，可在一定程度上消除非有機(jī)質(zhì)特性對土壤光譜的影響。對原始光譜數(shù)據(jù)進(jìn)行去包絡(luò)線處理，使其歸一到一個(gè)一致的光譜背景上，有利于和其他光譜曲線進(jìn)行特征數(shù)值的比較[27]。本研究結(jié)果表明，近紅外區(qū)是反演土壤有機(jī)質(zhì)含量的敏感波段，與前人得出的土壤有機(jī)質(zhì)含量的敏感波段在可見光和近紅外區(qū)的研究結(jié)果基本一致[9,11,18-22]。由于高光譜的單個(gè)波長能量較低，而前人研究多以單波長反射率建立土壤有機(jī)質(zhì)含量反演模型[28]，其容易受到環(huán)境影響而產(chǎn)生較大的差異，因此建立的模型穩(wěn)定性較差。本文選取了與土壤有機(jī)質(zhì)含量相關(guān)性較高的7個(gè)波長建立了反演模型，提高了模型的穩(wěn)定性。

在室內(nèi)幾何條件基本一致的情況下，獲取了黃河三角洲土壤樣品高光譜反射率，去除包絡(luò)線后的光譜數(shù)據(jù)與土壤有機(jī)質(zhì)含量的相關(guān)性有了明顯的提高，確定了1278 nm、 1307 nm、 1314 nm、 1322 nm、 1328 nm、 1334 nm、 1343 nm波長為診斷有機(jī)質(zhì)含量的敏感波長。建立的主成分回歸、 多元線性回歸、 二次多項(xiàng)式逐步回歸和支持向量機(jī)回歸的有機(jī)質(zhì)含量的高光譜反演模型，都可以實(shí)現(xiàn)對黃河三角洲土壤有機(jī)質(zhì)含量的反演。經(jīng)驗(yàn)證，二次多項(xiàng)式逐步回歸模型驗(yàn)證方程的決定系數(shù)最高、 均方根誤差最小、 RPD最高，其擬合效果最好，并且這種模型還具有較高的穩(wěn)定性。因此，二次多項(xiàng)式逐步回歸模型對黃河三角洲土壤有機(jī)質(zhì)含量的反演效果最好。

利用從60個(gè)土樣中隨機(jī)選取的40個(gè)樣本，建立了支持向量機(jī)回歸模型，其建模方程的決定系數(shù)達(dá)到了0.91，但是當(dāng)用剩余的20個(gè)樣本進(jìn)行檢驗(yàn)時(shí)，其決定系數(shù)僅為0.78。經(jīng)對建模的參數(shù)進(jìn)行多次調(diào)整之后，得到了新的回歸模型，新模型驗(yàn)證集的決定系數(shù)達(dá)到了0.807，但是校正的決定系數(shù)降到了0.866。因此，如何通過合理的調(diào)整模型參數(shù)，使得在不降低建模方程決定系數(shù)的前提下，提高驗(yàn)證方程的決定系數(shù)，以及如何合理的選擇校正集和驗(yàn)證集，使得所建立的模型能夠解釋所有土壤有機(jī)質(zhì)的變異，從而提高模型的預(yù)測精度，將有待于進(jìn)一步的研究。

本研究以黃河三角洲的土壤為研究對象，獲取的土壤光譜反射率是該區(qū)土壤母質(zhì)、 土壤有機(jī)質(zhì)、 鹽分、 氧化物、 土壤質(zhì)地、 結(jié)構(gòu)、 顏色等多種因素的內(nèi)在理化性質(zhì)的綜合反映，因此這些因素會對有機(jī)質(zhì)含量的反演產(chǎn)生影響即影響模型的精度。這些因素如何影響光譜反射率以及如何提高反演模型的精度，有待深入分析，所建立的土壤有機(jī)質(zhì)反演模型對其他地區(qū)的土壤是否適用，有待于進(jìn)一步驗(yàn)證。

參考文獻(xiàn):

[1] 科技日報(bào). 渤海糧倉科技示范工程啟動計(jì)劃到2020年增糧100億斤[EB/OL]. http：//www.most.gov.cn/kjbgz/201310/t20131030_110069.htm， 2013-4-10.

Journal of science and technology. The bohai sea granary demonstrative project of science and technology initiative to increased 10 billion catties of grain by 2020 [EB/OL]. 2013-4-10.http：//www.most.gov.cn/kjbgz/201310/t20131030_110069.htm， 2013-4-10.

[2] 蒲智, 于瑞德, 尹昌應(yīng), 陸亦農(nóng).干旱區(qū)典型鹽堿土壤含鹽量估算的最佳高光譜指數(shù)研究[J]. 水土保持通報(bào), 2012, 32(6)：129-133.

Pu Z, Yu R D, Yin C Y, Lu Y N. Optimal hyperspectral indices for soil salt content estimation on typical saline soil in arid areas[J]. Bulletin of Soil and Water, 2012, 32(6)：129-133.

[3] 陳紅艷, 趙庚星, 李希燦, 等. 小波分析用于土壤速效鉀含量高光譜估測研究[J]. 中國農(nóng)業(yè)科學(xué), 2012, 45(7)：1425-1431.

Chen H Y, Zhao G X, Li X Cetal. Application of wavelet analysis for estimation of soil available potassium content with hyperspectral reflectance[J]. Scientia Agricultura Sinica, 2012, 45(7)：1425-1431.

[4] 徐麗華, 謝德體, 魏朝富, 李兵. 紫色土土壤全氮和全磷含量的高光譜遙感預(yù)測[J]. 光譜學(xué)與光譜分析, 2013, 33(3)：723-727.

Xu L H, Xie D T, Wei C F, Li B. Prediction of total nitrogen and total phosphorus concentrations in purple soil using hyperspectral data[J]. Spectroscopy and Spectral Analysis, 2013, 33(3)：723-727.

[5] 姚艷敏, 魏娜, 唐鵬欽, 等. 黑土土壤水分高光譜特征及反演模型[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2011, 27(8)：95-100.

Yao Y M, Wei N, Tang P Qetal. Typer-spectral characteristics and modeling of black soil moisture content[J]. Transactions of the CSAE, 2011, 27(8)：95-100.

[6] 彭玉魁, 張建新, 何緒生, 盧恩雙. 土壤水分、 有機(jī)質(zhì)和總氮含量的近紅外光譜分析研究[J]. 土壤學(xué)報(bào), 1998, 35(4)：553-559.

Peng Y K, Zhang J X, He X S, Lu E S. Analysis of soil moisture, organic matter and total nitrogen content in loess in China with near infrared spectroscopy[J]. Acta Pedologica Sinica, 1998, 35(4)：553-559.

[7] 盧艷麗, 白由路, 楊俐蘋, 等. 東北平原不同類型土壤有機(jī)質(zhì)含量高光譜反演模型同質(zhì)性研究[J]. 植物營養(yǎng)與肥料學(xué)報(bào), 2011, 17(2)：456-463.

Lu Y L, Bai Y L, Yang L Petal. Homogeneity of retrieval models for soil organic matter of different soil types in Northeast Plain using hyperspectral data[J]. Plant Nutrition and Fertilizer Science, 2011,17(2)：456-463.

[8] 王小攀, 鄭曉坡, 劉福江, 等. 高光譜遙感土壤有機(jī)質(zhì)含量信息提取與分析[J]. 地理空間信息, 2012, 10(5)：75-78.

Wang X P, Zheng X P, Liu F Jetal. Analysis and extraction soil organic matter information based on hyperspectral remote sensing[J].Geospatial Information, 2012, 10(5)：75-78.

[9] 徐彬彬, 季耿善, 朱永豪. 中國陸地背景和土壤光譜反射特性的地理分區(qū)的初步研究[J]. 環(huán)境遙感, 1991, 6(2)：142-151.

Xu B B, Ji G S, Zhu Y H. A preliminary research of geographic regionalization of China land background and spectral reflectance characteristics of soil[J]. Remote Sensing of Environment, 1991, 6(2)：142-151.

[10] 程朋根, 吳劍, 李大軍, 何挺. 土壤有機(jī)質(zhì)高光譜遙感和地統(tǒng)計(jì)定量預(yù)測[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2009, 25(3)：142-147.

Cheng P G, Wu J, Li D J, He T. Quantitative prediction of soil organic matter content using hyper spectral remote sensing and geo-statistics[J]. Transactions of the CSAE, 2009, 25(3)：142-147.

[11] 盧艷麗, 白由路, 楊俐蘋, 王紅娟. 基于高光譜的土壤有機(jī)質(zhì)含量預(yù)測模型的建立與評價(jià)[J]. 中國農(nóng)業(yè)科學(xué), 2007, 40(9)：1989-1995.

Lu Y L, Bai Y L, Yang L P, Wang H J. Prediction and validation of soil organic matter content based on hyperspectrum[J]. Scientia Agricultura Sinica, 2007, 40(9)：1989-1995.

[12] 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.

[13] Krishnan P, Alexander J D, Butler B J, Hummel J W. Reflectance technique for predicting soil organic matter[J]. Soil Science Society of America Journal, 1980, 44(6)：1282-1285.

[14] Chang C W, Laird D A. Near-infrared reflectance spectroscopic analysis of soil C and N[J]. Soil Science, 2002, 167(2)：110-116.

[15] 曾志遠(yuǎn). 土壤肥力的衛(wèi)星遙感探測[J]. 土壤, 1987, 19(2)：73-78.

Zeng Z Y. Satellite remote sensing survey of soil fertility[J]. Soils, 1987, 19(2)：73-78.

[16] 廖欽洪, 顧曉鶴, 李存軍, 等. 基于連續(xù)小波變換的潮土有機(jī)質(zhì)含量高光譜估算[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(23)：132-139.

Liao Q H, Gu X H, Li C Jetal. Estimation of fluvo-aquic soil organic matter content from hyperspectral reflectance based on continuous wavelet transformation[J]. Transactions of the CSAE, 2012, 28(23)：132-139.

[17] 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]. 中國農(nóng)業(yè)科學(xué), 2007, 40(3)：638-643.

He J L, Jiang J J, Zhou S Letal. The hyperspectral characteristics and retrieval of soil organic matter content[J]. Scientia Agricultura Sinica, 2007, 40(3)：638-643.

[18] 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)測與模型驗(yàn)證[J]. 植物營養(yǎng)與肥料學(xué)報(bào), 2008, 14(6)：1076-1082.

Lu Y L, Bai Y L, Yang L Petal. Application of hyperspectral data for soil organic matter estimation based on principle components regression analysis[J]. Plant Nutrition and Fertilizer Science, 2008, 14(6)：1076-1082.

[19] 張娟娟, 田永超, 朱艷, 等.不同類型土壤的光譜特征及其有機(jī)質(zhì)含量預(yù)測[J]. 中國農(nóng)業(yè)科學(xué), 2009, 42(9)：3154-3163.

Zhang J J, Tian Y C, Zhu Yetal. Spectral characteristics and estimation of organic matter contents of different soil types[J]. Scientia Agricultura Sinica, 2009, 42(9)：3154-3163.

[20] 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.

Tian Y C, Zhang J J, Yao Xetal. Quantitative modeling method of soil organic matter content based on near-infrared photoacoustic spectroscopy[J]. Transactions of the CSAE, 2012, 28(1)：145-152.

[21] 劉磊, 沈潤平, 丁國香. 基于高光譜的土壤有機(jī)質(zhì)含量估算研究[J]. 光譜學(xué)與光譜分析, 2011, 31(3)：762-766.

Liu L, Shen R P, Ding G X. Studies on the estimation of soil organic matter content based on hyper-spectrum[J]. Spectroscopy and Spectral Analysis, 2011, 31(3)：762-766.

[22] 徐明星, 周生路, 丁衛(wèi), 等. 蘇北沿海灘涂地區(qū)土壤有機(jī)質(zhì)含量的高光譜預(yù)測[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2011, 27(2)：219-223.

Xu M X, Zhou S L, Ding Wetal. Hyperspectral reflectance models for predicting soil organic matter content in coastal tidal land area, northern Jiangsu[J]. Transactions of the CSAE, 2011, 27(2)：219-223.

[23] Hartmann H P, Appel T. Calibration of near infrared spectra for measuring decomposing cellulose and green manure in soils[J]. Soil Biology and Biochemistry, 2006, 38：887-897.

[24] 鮑士旦. 土壤農(nóng)化分析[M]. 北京：中國農(nóng)業(yè)出版社,1999. 30-34.

Bao S D. Soil Agricultural Chemistry Analysis[M]. Beijing：China Agriculture Press, 1999. 30-34.

[25] Clark R N, Roush T L. Reflectance spectroscopy：Quantitative analysis techniques for remote sensing application[J]. Journal of Geographical Research,1984,89(7)：6329-6340.

[26] 黃應(yīng)豐, 劉騰輝. 華南主要土壤類型的光譜特性與土壤分類[J]. 土壤學(xué)報(bào), 1995, 32(1)：58-68.

Huang Y F, Liu T H. Spectral characteristics of main types of soils in southern China and soil classification[J]. Acta Pedologica Sinica, 1995, 32(1)：58-68.

[27] 謝伯承, 薛緒掌, 劉偉東, 等. 基于包絡(luò)線法對土壤光譜特征的提取及分析[J]. 土壤學(xué)報(bào), 2005, 42(1)：171-175.

Xie B C, Xue X Z, Liu W Detal. Lull-curve-method-based extraction and analysis of soil spectral characteristics[J]. Acta Pedologica Sinica, 2005, 42(1)：171-175.

[28] 劉煥軍, 張新樂, 鄭樹峰, 等. 黑土有機(jī)質(zhì)含量野外高光譜預(yù)測模型[J]. 光譜學(xué)與光譜分析, 2010, 12(30)：3355-3358.

Liu H J, Zhang X L, Zheng S Fetal. Black soil organic matter predicting model based on field hyperspectral reflectance[J]. Spectroscopy and Spectral Analysis, 2010, 12(30)：3355-3358.