高光譜技術(shù)在土壤及適種作物的研究進(jìn)展

彭曉偉，張愛(ài)軍，，王楠，趙麗，楊曉楠

(1.河北農(nóng)業(yè)大學(xué) 資源與環(huán)境科學(xué)學(xué)院，河北 保定 071000；2.河北省山區(qū)農(nóng)業(yè)技術(shù)創(chuàng)新中心，河北 保定 071000；3.河北農(nóng)業(yè)大學(xué) 機(jī)電工程學(xué)院，河北 保定 071000)

0 引言

土壤是土地的根本，為所有陸地生物提供了不可替代的多樣的生態(tài)介質(zhì)[1]，是保證農(nóng)業(yè)生產(chǎn)高產(chǎn)、優(yōu)質(zhì)的重要物質(zhì)資源。土壤的養(yǎng)分條件對(duì)作物生長(zhǎng)發(fā)育具有重要作用，研究土壤的理化特性并據(jù)此進(jìn)行農(nóng)業(yè)生產(chǎn)管理是保證農(nóng)業(yè)穩(wěn)產(chǎn)、高產(chǎn)、優(yōu)質(zhì)的重要前提[2]。植物-土壤生物交互作用可能會(huì)引起地面植物的化學(xué)變化[3]。而以實(shí)驗(yàn)室化學(xué)測(cè)試為主的檢測(cè)方法過(guò)程復(fù)雜且破壞植株，故發(fā)展一種省時(shí)高效的監(jiān)測(cè)方法是很有必要的[4]。隨著遙感技術(shù)的發(fā)展，高光譜技術(shù)應(yīng)運(yùn)而生，其擁有波段多、光譜范圍廣、分辨率高的特點(diǎn)，可實(shí)現(xiàn)土壤、作物反射光譜信息的快速獲取，這些信息為土壤、作物的研究提供了新的方向，因此高光譜圖像被廣泛用于土壤及作物特性的識(shí)別和監(jiān)測(cè)。在土壤方面，包括土壤質(zhì)地、顏色、水分、土壤可蝕性、組成顆粒、營(yíng)養(yǎng)物質(zhì)、pH值、重金屬和有機(jī)物等；在作物方面，包括氮、磷、鉀、葉綠素、葉面積指數(shù)、產(chǎn)量、水分等的定量估算及對(duì)植株是否染病進(jìn)行識(shí)別[5]。在研究過(guò)程中，研究者主要研究模型波段的選取及降噪方法、特征波段的選取及建模方法，從而篩選出最佳估測(cè)或分類模型。本文在前人研究的基礎(chǔ)上，總結(jié)出高光譜技術(shù)在土壤-植物體系上的應(yīng)用，在作物種植前，可利用高光譜技術(shù)測(cè)定土壤養(yǎng)分、有機(jī)質(zhì)等營(yíng)養(yǎng)物質(zhì)，從而選擇出適宜作物進(jìn)行種植；在作物種植過(guò)程中，可利用該技術(shù)配合3S技術(shù)進(jìn)行精確施肥。除此之外，高光譜技術(shù)可對(duì)作物的生長(zhǎng)狀況進(jìn)行監(jiān)測(cè)，在作物收獲時(shí)可利用高光譜技術(shù)檢測(cè)作物品質(zhì)及在作物感病時(shí)可根據(jù)不同程度進(jìn)行噴藥等措施。

1 高光譜在紅壤及作物的應(yīng)用

1.1 高光譜在紅壤的應(yīng)用

我國(guó)的磚紅壤主要分布在海南島、雷州半島、西雙版納和臺(tái)灣省最南部，大致位于北緯20°以南地區(qū)，地處熱帶，年平均氣溫為23～26℃，≥10℃的積溫在7 500～9 500 ℃之間，年平均降水量為1 500～2 000 mm。冬季少雨多霧，夏季多雨，具有高溫多雨、干濕季節(jié)變化較明顯的季風(fēng)氣候特點(diǎn)[6]。因此利用高光譜技術(shù)檢測(cè)土壤的各項(xiàng)營(yíng)養(yǎng)成分含量并在此基礎(chǔ)上種植適宜的作物，可以合理開發(fā)、整治和保護(hù)好紅壤資源，并且充分發(fā)揮出紅壤資源的潛在生產(chǎn)能力[7]。

土壤有機(jī)質(zhì)作為植物營(yíng)養(yǎng)的主要來(lái)源之一，除了能促進(jìn)植物的生長(zhǎng)發(fā)育，還能改善土壤的物理性質(zhì)，促進(jìn)微生物和土壤生物的活動(dòng)。謝文等[8]選擇偏最小二乘回歸(partial least squares regression，PLSR)、BP神經(jīng)網(wǎng)絡(luò)(back propagation neural network，BPNN)和支持向量機(jī)回歸分析(support vector machine regression，SVR)三種單一高光譜估測(cè)模型和組合模型對(duì)山地紅壤的有機(jī)質(zhì)含量進(jìn)行了估測(cè)，實(shí)驗(yàn)結(jié)果表明，單一預(yù)測(cè)模型中的SVR估測(cè)精度最高，驗(yàn)證決定系數(shù)R2為0.64，均方根誤差(root mean square error，RMSE)為9.76 g·kg-1；組合模型中，最優(yōu)模型是數(shù)據(jù)重構(gòu)定權(quán)組合模型，模型驗(yàn)證決定系數(shù)R2為0.87，均方根誤差為7.91 g·kg-1。

除了利用高光譜技術(shù)研究紅壤等有機(jī)質(zhì)之外，也有研究者對(duì)浙江省衢州紅壤和海寧青紫泥兩種典型土壤的氮磷鉀進(jìn)行綜合研究，但由于土壤表面比較粗糙，因此研究者對(duì)光譜數(shù)據(jù)進(jìn)行平滑處理、多元散射校正和基線校正等預(yù)處理，且在小樣本的情況下，結(jié)果表明偏最小二乘(partial least squares，PLS)-最小二乘法(least squares，LS)-支持向量機(jī)(support vector machine，SVM)模型可較好地預(yù)測(cè)土壤氮磷鉀含量，預(yù)測(cè)精度可達(dá)0.87、0.94和0.80[9]。

1.2 高光譜在紅壤適種作物的應(yīng)用

根據(jù)紅壤具有的酸性、粘性等條件比較適宜種植煙草、茶葉等作物的情況，本文針對(duì)這兩種作物與紅壤的營(yíng)養(yǎng)指標(biāo)綜合論述(表1)，為研究者在利用高光譜技術(shù)篩選適宜種植的基礎(chǔ)上，針對(duì)種植過(guò)程中的植株?duì)顩r進(jìn)行綜合監(jiān)測(cè)，從而保證植株的高產(chǎn)、穩(wěn)產(chǎn)。在茶葉的研究方面，主要是針對(duì)茶葉生長(zhǎng)過(guò)程中葉片葉綠素及含水量、茶葉的品質(zhì)進(jìn)行估測(cè)。孔慶波等[10]通過(guò)一元線性函數(shù)(linear)、對(duì)數(shù)函數(shù)(logarithmic)、逆函數(shù)(inverse)、指數(shù)函數(shù)(exponen)等函數(shù)構(gòu)建茶葉葉綠素反演模型，研究結(jié)果表明單變量回歸模型中以變量DV640建立的逆函數(shù)模型為佳，可較好地預(yù)測(cè)茶葉的葉綠素含量，精度可達(dá)到93%。在茶葉的含水量研究方面，有研究者指出經(jīng)過(guò)卷積平滑處理后的正交信號(hào)校正的預(yù)處理結(jié)合逐步回歸分析法所建立的偏最小二乘回歸茶鮮葉含水率預(yù)測(cè)效果最佳[11]。除此之外，茶葉的茶多酚含量[12]及兒茶素沒(méi)食子酸酯(EGCG)含量[13]均可利用高光譜技術(shù)進(jìn)行估測(cè)，茶多酚的回歸模型的決定系數(shù)可達(dá)到0.91，EGCG的最小二乘法模型決定系數(shù)可達(dá)到0.99。

表1 高光譜技術(shù)在紅壤適種作物上的研究

除了對(duì)茶葉的研究之外，也有學(xué)者對(duì)煙草進(jìn)行了不同方面的研究，如張正楊等[14]將不同模型用于估測(cè)煙草的葉面積指數(shù)(leaf area index，LAI)，得出利用主成分分析方法和神經(jīng)網(wǎng)絡(luò)方法建模精度較高，分別為0.94和0.89。賈方方等[15]在張正楊等的基礎(chǔ)上，考慮到了煙草的種植密度，得出逐步回歸模型(stepwise multianalytical regression model，SMLR)和 BP 神經(jīng)網(wǎng)絡(luò) LAI都取得較為理想的結(jié)果，其中 BP 神經(jīng)網(wǎng)絡(luò)的精度最高、誤差最小，R2可達(dá)到0.90，RMSE為0.44。煙草的成熟采收是生產(chǎn)優(yōu)質(zhì)煙葉的中心環(huán)節(jié)和關(guān)鍵技術(shù)之一，王建偉等[16]發(fā)現(xiàn)在550～680 nm 范圍的光譜反射率對(duì)不同成熟度煙葉有較好的“區(qū)分效應(yīng)”。Xing等[17]利用相關(guān)分析方法建立了葉片色素含量的高光譜線性與非線性模擬方程，研究結(jié)果表明光譜參數(shù)G_NDVI 和 TCARI 分別與葉綠素、類胡蘿卜素含量之間有較好的相關(guān)性，該研究對(duì)煙草品質(zhì)的探究具有著重要意義。

本文總結(jié)了研究者利用高光譜技術(shù)對(duì)土壤的各項(xiàng)營(yíng)養(yǎng)成分進(jìn)行的預(yù)測(cè)，從而實(shí)現(xiàn)在作物種植過(guò)程中精準(zhǔn)施肥，并根據(jù)土壤的各項(xiàng)指標(biāo)種植適宜的作物。在此基礎(chǔ)上，本文還針對(duì)紅壤的特性總結(jié)了其適宜作物茶葉、煙草等在生長(zhǎng)及收獲過(guò)程中的各項(xiàng)指標(biāo)，比較各預(yù)測(cè)模型建模效果優(yōu)劣，得出最優(yōu)模型的預(yù)測(cè)精度，以方便管理者針對(duì)植株的營(yíng)養(yǎng)情況實(shí)行精準(zhǔn)管理，從而獲得最大的經(jīng)濟(jì)效益。

2 高光譜在水稻土及作物的應(yīng)用

2.1 高光譜在水稻土的應(yīng)用

水稻土是在長(zhǎng)期淹水條件下經(jīng)人為活動(dòng)和自然因素的雙重作用，形成特有剖面特征的土壤。周鼎浩等[18]對(duì)水稻土的全磷進(jìn)行了估測(cè)，并且建立了PLSR，研究結(jié)果表明該模型精度較高，其校正決定系數(shù)可達(dá)到0.85，交叉驗(yàn)證決定系數(shù)為0.70，相對(duì)分析誤差(relative percent deviation，RPD)為1.8。王莉雯等[19]在此研究的基礎(chǔ)上采用了不同的建模方法和預(yù)處理方法，即再抽樣多元逐步回歸模型(Bootstrap SMLR)和再抽樣偏最小二乘回歸模型(Bootstrap PLSR)，實(shí)驗(yàn)結(jié)果表明Bootstrap PLSR對(duì)研究區(qū)濕地土壤全氮和全磷含量的估算具有較高的精度。除了對(duì)土壤單一指標(biāo)的研究之外，吳茜等[20]對(duì)水稻土進(jìn)行氮磷鉀綜合估測(cè)，采用了多元散射校正加一階導(dǎo)數(shù)進(jìn)行光譜預(yù)處理，并應(yīng)用BP神經(jīng)網(wǎng)絡(luò)局部回歸法進(jìn)行建模，對(duì)氮磷鉀的估測(cè)相關(guān)系數(shù)R分別達(dá)到0.90、0.82和0.94，由此可見，該模型可較好地預(yù)測(cè)水稻土中的氮磷鉀含量。

2.2 高光譜在水稻土適種作物的應(yīng)用

由于水稻土屬于人為淹水種稻而形成的耕作土壤，肥沃水稻土一般具有爽而不漏、渾而不陷、軟而不爛、肥而不膩的特征，且有良好的保水性能，因此，在該土壤上較適宜種植水稻。高光譜技術(shù)在估測(cè)水稻各項(xiàng)指標(biāo)方面有大量研究(表2)。在估測(cè)水稻葉面積指數(shù)方面，有研究表明：在高光譜變量與水稻葉面積指數(shù)之間的擬合分析中，藍(lán)邊內(nèi)一階微分的總和與紅邊內(nèi)一階微分的總和的比值和歸一化差植被指數(shù)是最佳的變量[21]，水稻冠層原始光譜反射率在400～722 nm和1 990～2 090 nm波段與LAI達(dá)到極顯著負(fù)相關(guān)水平，在近紅外區(qū)域760～1 315 nm與LAI呈極顯著正相關(guān)，而以比值植被指數(shù) RVI(850，750)為變量建立的水稻 LAI估測(cè)模型最佳。He等[22]對(duì)研究?jī)?nèi)容進(jìn)行了進(jìn)一步擴(kuò)充，通過(guò)使用水稻抽穗期去除穗后的冠層光譜，植被指數(shù)可以更好地模擬LAI，穗去除前后的冠層光譜在不同處理中均呈現(xiàn)出明顯的線性相關(guān)性。Afandi等[23]采用人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)構(gòu)建水稻氮含量進(jìn)行建模，RMSE為0.32。武旭梅等[24]建立了水稻冠層葉綠素含量高光譜估算模型，研究結(jié)果表明四個(gè)植被指數(shù)RVI(R696，R540)、DVI(R700，R536)、SAVI(R700，R536)、RVI(D1316，D736)建立的估算模型比普通回歸模型精度更高，驗(yàn)證結(jié)果的決定系數(shù)R2為0.87。Nguyen等[25]對(duì)水稻的葉面積指數(shù)、葉干重、葉氮濃度和葉氮密度進(jìn)行綜合分析并建立了偏最小二乘模型，R2的范圍為0.84～0.87，相對(duì)誤差(relative error percent，REP)的驗(yàn)證范圍為11.10%至25.60%。

水稻稻瘟病是水稻三大病害之一，可引起大幅度減產(chǎn)，嚴(yán)重時(shí)減產(chǎn)40%～50%，甚至顆粒無(wú)收。故有研究者針對(duì)水稻的葉瘟病與缺氮進(jìn)行了識(shí)別，并且比較了偏最小二乘判別分析(PLS-DA)和主成分分析與支持向量機(jī)結(jié)合分類法，研究結(jié)果表明，經(jīng)標(biāo)準(zhǔn)正態(tài)變量(standard normal variable，SNV)變換預(yù)處理的 PLS-DA 模型獲得了最佳的識(shí)別結(jié)果，預(yù)測(cè)準(zhǔn)確率達(dá)100%[26]。鄭志雄等[27]在前者研究的基礎(chǔ)上將水稻葉瘟病的感病程度分成不同等級(jí)，從而為水稻葉瘟病田間病害程度評(píng)估提供了基礎(chǔ)，研究表明，應(yīng)用主成分分析方法對(duì)感病葉片的分級(jí)精度可達(dá)到96.39%。除了研究水稻生長(zhǎng)發(fā)育過(guò)程中的各項(xiàng)指標(biāo)之外，彭玉梅等[28]利用偏最小二乘法(PLS)估測(cè)出水稻精米中的直鏈淀粉含量，鑒別精度可達(dá)95%以上，而戴國(guó)新等[29]對(duì)此研究進(jìn)行了進(jìn)一步的豐富，對(duì)精米的直鏈淀粉與蛋白質(zhì)含量建立了逐步線性回歸分析，模型的R2分別達(dá)到了0.82 和0.84。

綜上所述，研究者對(duì)水稻土的氮、磷、鉀含量進(jìn)行了單獨(dú)建模和綜合估測(cè)，均達(dá)到了較好的估測(cè)效果，說(shuō)明利用高光譜技術(shù)估測(cè)土壤的養(yǎng)分含量具有一定的可行性。本文還對(duì)水稻土的適種作物水稻的研究進(jìn)行了總結(jié)，研究者分別對(duì)水稻生長(zhǎng)發(fā)育過(guò)程中的葉面積指數(shù)、葉綠素含量、葉氮濃度進(jìn)行估測(cè)及如何判別出小麥?zhǔn)欠窀胁∵M(jìn)行了研究，并區(qū)分感病等級(jí)，以方便管理者針對(duì)水稻的感病狀況進(jìn)行施藥施肥。除此之外，在水稻收獲時(shí)可估測(cè)水稻的直鏈淀粉及蛋白質(zhì)含量，以保證水稻的品質(zhì)，從而為水稻品質(zhì)的分級(jí)系統(tǒng)的建立提供一定參考。

3 高光譜在巖性土及作物的應(yīng)用

3.1 高光譜在巖性土的應(yīng)用

巖性土主要包括紫色土、石灰土、磷質(zhì)石灰土、黃綿土(黃土性土)和風(fēng)沙土，其性狀主要與成土母質(zhì)性狀相似。如表3所示，在土壤含水量方面，婁徑等[30]對(duì)黃綿土、綿沙土、黑壚土和風(fēng)沙土等混合土壤進(jìn)行了有機(jī)質(zhì)估測(cè)，研究結(jié)果表明采用倒數(shù)一階微分變換的反射率與土壤含水量相關(guān)性最高，在1 655 nm和2 197 nm相關(guān)系數(shù)最大，相關(guān)系數(shù)R2為0.89。而賈繼堂等[31]和尹業(yè)彪等[32]分別對(duì)光譜數(shù)據(jù)使用平滑和去包絡(luò)線并一階微分處理建立多元線性回歸方法及逐步回歸方程，模型的相關(guān)系數(shù)R2分別為0.96和0.86。

在土壤有機(jī)質(zhì)測(cè)定方面，葉勤等[33]基于主成分分析建立了BP神經(jīng)網(wǎng)絡(luò)模型，模型的決定系數(shù)R2為0.89；Lin等[34]基于小波相關(guān)建立了偏最小二乘回歸模型，模型精度為0.97。劉效棟[35]對(duì)前者的研究進(jìn)行總結(jié)，進(jìn)一步比較了多元逐步回歸和偏最小二乘回歸模型估測(cè)土壤有機(jī)質(zhì)的精度，研究表明，偏最小二乘回歸模型估測(cè)值與實(shí)測(cè)值相關(guān)性達(dá)到0.98。袁征等[36]在前者的研究基礎(chǔ)上比較了線性回歸分析法、BP神經(jīng)網(wǎng)絡(luò)法、模糊識(shí)別法模型估測(cè)有機(jī)質(zhì)的精度，研究結(jié)果表明模糊識(shí)別法模型的估測(cè)精度最高，模型的決定系數(shù)為0.97。

3.2 高光譜在巖性土適種作物的應(yīng)用

在巖性土上種植玉米與小麥的效果較好。在玉米種子方面，Yang等[37]通過(guò)比較SVM和PLS-DA模型對(duì)種子品種進(jìn)行鑒別的精度，發(fā)現(xiàn)在SVM模型中實(shí)現(xiàn)的識(shí)別準(zhǔn)確率(細(xì)菌側(cè)和胚乳側(cè))分別為98.20%和96.30%。在玉米葉片色素的檢測(cè)方面，有研究者比較了單變量回歸、多元逐步回歸和隨機(jī)森林回歸分析的精度，結(jié)果表明，利用隨機(jī)森林法的精度較好，其中綠素a、葉綠素b、類胡蘿卜素的建模R2為0.93，總色素的建模R2為0.92；葉綠素a和類胡蘿卜素的檢驗(yàn)R2為0.74，葉綠素b和總色素的檢驗(yàn)R2為0.71，各模型的均方根誤差和相對(duì)誤差相差不大[38]。在估測(cè)玉米葉綠素方面，估測(cè)值和模擬值之間的R2均達(dá)到了0.99。對(duì)玉米葉片氮含量估測(cè)中，有研究者發(fā)現(xiàn)估測(cè)的最佳比值光譜指數(shù)RSI(688，644)[39]監(jiān)測(cè)葉片氮素積累的最佳生長(zhǎng)期為播種期，且上層葉氮含量均高于下層葉氮含量，抽雄期的下層葉片對(duì)氮素的缺乏反應(yīng)敏感，生產(chǎn)上在抽雄期可以通過(guò)對(duì)下層葉片氮含量的監(jiān)測(cè)來(lái)指導(dǎo)施肥[40]。

在估測(cè)小麥葉面積指數(shù)方面，孫慧等[41]估測(cè)不同灌溉條件下的小麥葉面積指數(shù)并建立了指數(shù)模型，模型的決定系數(shù)R2為0.68；在葉綠素估測(cè)方面，有研究者對(duì)模型的預(yù)處理方法進(jìn)行了比較，分析結(jié)果表明，采用歸一化處理(normalization，NC)和基線校正(base-line correction，BC)方法處理光譜數(shù)據(jù)可取得較高的模型精度。而亞森江·喀哈爾等[42]進(jìn)一步比較了偏最小二乘法和BP 神經(jīng)網(wǎng)絡(luò)兩種建模方法的估測(cè)精度，研究發(fā)現(xiàn)，對(duì)數(shù)變換的二階微分處理所建立的偏最小二乘法模型為最優(yōu)模型，模型的決定系數(shù)R2為0.93。

在探究小麥?zhǔn)欠袢静》矫妫瑒㈢萚43]利用定性偏最小二乘法建立小麥條銹病潛育期小麥葉片冠層光譜識(shí)別模型，以偽吸收系數(shù)二階導(dǎo)數(shù)為光譜特征所建模型的平均準(zhǔn)確率最高，模型的訓(xùn)練集為97.89%，測(cè)試集為92.98%。同年，該作者還比較了定性偏最小二乘、人工神經(jīng)網(wǎng)絡(luò)和SVM三種方法識(shí)別潛育期小麥條銹菌的準(zhǔn)確性，結(jié)果表明，SVM的識(shí)別效果最佳，在不同建模比下其識(shí)準(zhǔn)確率均可達(dá)到100%[44]。進(jìn)一步，雷雨等[45]利用主成分分析法對(duì)條銹病的病害情況進(jìn)行了分級(jí)，分級(jí)正確率為 98.15%。劉爽等[46]采用結(jié)合線性判別分析法、K近鄰算法(k-nearest neighbor，KNN)、SVM分別建立分類模型，并對(duì)赤霉病進(jìn)行了識(shí)別，測(cè)試集準(zhǔn)確率都達(dá)到90%以上。梁琨等[47]同樣利用SVM 和BP神經(jīng)網(wǎng)絡(luò)算法建立赤霉病的識(shí)別模型，模型的交叉驗(yàn)證模型及驗(yàn)證模型的準(zhǔn)確率均達(dá)到90%以上。郭偉等[48]比較了ASD光譜數(shù)據(jù)與UHD185光譜數(shù)據(jù)的相關(guān)性，結(jié)果表明，兩種數(shù)據(jù)的決定系數(shù)達(dá)到0.97，使用兩種儀器采集的光譜數(shù)據(jù)的差異性不大；此外，建立了線性回歸模型并對(duì)小麥全蝕病進(jìn)行了估測(cè)，模型精度R2=0.86。朱耀輝[49]進(jìn)一步對(duì)小麥全蝕病進(jìn)行了分級(jí)，并比較徑向基、多項(xiàng)式、Sigmoid和線性等核函數(shù)的分類精度，發(fā)現(xiàn)基于徑向基核函數(shù)的SVM方法對(duì)于小麥全蝕病的分類效果最優(yōu)，分類精度達(dá)到了90.35%，Kappa系數(shù)為0.86。

綜上所述，本文總結(jié)了研究者采用高光譜技術(shù)對(duì)巖性土含水量、土壤養(yǎng)分及有機(jī)質(zhì)進(jìn)行的估測(cè)，從而在作物種植前選出最優(yōu)土壤種植適宜作物。本文以小麥為例，總結(jié)高光譜技術(shù)在小麥葉面積指數(shù)、葉片葉綠素值、麥粒水分及小麥感病上的應(yīng)用。

4 討論與結(jié)論

本研究通過(guò)VOSviewer分析了來(lái)源于CNKI中國(guó)學(xué)術(shù)期刊核心期刊數(shù)據(jù)庫(kù)，主題檢索詞包括“高光譜”或含“高光譜成像”并包括“土壤”，時(shí)間選取2016—2021年，CNKI數(shù)據(jù)庫(kù)下載數(shù)據(jù)1 566條，結(jié)果如圖1所示。

圖1 CNKI關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)

從圖1中可以看出，目前針對(duì)高光譜土壤的研究?jī)?nèi)容主要為土壤重金屬和土壤含水量以及土壤鹽漬化的研究。除此之外可以看出，在土壤研究中常用的研究方法為PLSR和BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)，而其他方法的應(yīng)用略少。從時(shí)間跨度來(lái)看，在2017年及以前，大多對(duì)多光譜進(jìn)行研究，主要是進(jìn)行光譜分析和遙感反演；隨著時(shí)間的推移，研究?jī)?nèi)容從多光譜轉(zhuǎn)化為高光譜，而研究手段也向無(wú)人機(jī)搭載高光譜平臺(tái)進(jìn)行推進(jìn)，研究方法也從簡(jiǎn)單的光譜分析變?yōu)榱藨?yīng)用計(jì)算機(jī)算法對(duì)土壤中的光譜進(jìn)行機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等處理。

在測(cè)定土壤理化性質(zhì)方面，有研究者探究了土壤中有機(jī)質(zhì)對(duì)土壤含水量的影響，同樣也有研究者探究了土壤中水鹽含量的相互影響，但仍未考慮到土壤顆粒大小、土壤理化性質(zhì)及耕作方式對(duì)模型的影響，仍然需要進(jìn)行大量的實(shí)驗(yàn)，從而建立土壤含水量的高光譜數(shù)據(jù)庫(kù)。在估測(cè)有機(jī)質(zhì)的研究中，由于研究者們所使用的預(yù)處理方法及研究條件的差異較大，因此，實(shí)驗(yàn)的可重復(fù)性較差，有必要建立規(guī)范的操作體系來(lái)減少誤差。在土壤養(yǎng)分方面，應(yīng)將高光譜技術(shù)應(yīng)用在生產(chǎn)過(guò)程中，利用模型快速識(shí)別的優(yōu)點(diǎn)建立相應(yīng)的手持土壤養(yǎng)分測(cè)定儀，從而在農(nóng)業(yè)生產(chǎn)中，科學(xué)地指導(dǎo)澆水施肥，得到較高的經(jīng)濟(jì)效益。除此之外，含水量及有機(jī)質(zhì)的估測(cè)大部分利用野外光譜儀進(jìn)行，在實(shí)驗(yàn)室進(jìn)行可消除自然及人為因素。在實(shí)際應(yīng)用中，往往得到的是遙感影像，因此，對(duì)地面光譜與空中光譜的噪聲影響和處理需要進(jìn)一步探究，應(yīng)考慮不同土壤類型及環(huán)境條件，得到快速精準(zhǔn)的土壤含水量及有機(jī)質(zhì)分布圖。

利用高光譜技術(shù)測(cè)定植株養(yǎng)分也存在一些問(wèn)題，不同品種的作物在不同生育期會(huì)有不同的反射光譜。除此之外，氣候、土壤等環(huán)境因素同樣會(huì)造成一定影響，建立相應(yīng)作物的數(shù)據(jù)庫(kù)對(duì)農(nóng)業(yè)生產(chǎn)可做出相應(yīng)指導(dǎo)，且大部分研究均是點(diǎn)狀測(cè)量，應(yīng)不斷向面狀測(cè)量轉(zhuǎn)變從而達(dá)到作物養(yǎng)分的快速精準(zhǔn)測(cè)量，以達(dá)到經(jīng)濟(jì)效益最大化。但是多數(shù)研究在實(shí)驗(yàn)室的條件下進(jìn)行，忽略了田間條件等因素，因此在未來(lái)的研究中，可進(jìn)行大量田間實(shí)驗(yàn)，從而保證模型的適用性。