陳旭　李明　葛芳芳

摘要：定量分析了北京順義、通州區(qū)土壤高光譜反射特征，利用資源三號(hào)、高分一號(hào)、高分二號(hào)傳感器的光譜響應(yīng)函數(shù)，結(jié)合高光譜數(shù)據(jù)生成相應(yīng)寬波段模擬數(shù)據(jù)；將土壤光譜數(shù)據(jù)、擬合寬波段數(shù)據(jù)分別與實(shí)測(cè)土壤有機(jī)質(zhì)含量開展相關(guān)性分析，提取并篩選敏感波段，利用偏最小二乘法建立基于高光譜數(shù)據(jù)的土壤有機(jī)質(zhì)含量預(yù)測(cè)模型；依據(jù)寬波段模擬數(shù)據(jù)和實(shí)測(cè)土壤有機(jī)質(zhì)含量的相關(guān)性，提取并篩選敏感波段，建立土壤有機(jī)質(zhì)含量預(yù)測(cè)模型。結(jié)果表明，在基于土壤高光譜數(shù)據(jù)建立的土壤有機(jī)質(zhì)含量預(yù)測(cè)模型中，以對(duì)數(shù)的一階微分為最優(yōu)，其R和RMSE分別為0.697和0.195，偏最小二乘法得到的反演土壤有機(jī)質(zhì)含量的模型是可靠的；在基于模擬寬波段構(gòu)建的土壤有機(jī)質(zhì)含量估測(cè)模型中，以高分一號(hào)的擬合精度最高，R和RMSE分別為0.334和0.240；受室外不可控因素的影響，模擬寬波段數(shù)據(jù)在估測(cè)北方地區(qū)土壤有機(jī)質(zhì)含量方面仍需進(jìn)一步研究。

關(guān)鍵詞：寬波段；反射率模擬；土壤有機(jī)質(zhì)；偏最小二乘

中圖分類號(hào)：TP79 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2017）18-3540-05

DOI：10.14088/j.cnki.issn0439-8114.2017.18.038

Abstract： In this study， the hyperspectral reflectance characteristics of soils in Shunyi and Tongzhou districts of Beijing city were quantitatively analyzed， and the corresponding spectral data were generated by using the spectral response function of resource No.3，high score one and high score two sensors，and the corresponding spectral data were generated by hyperspectral data. The method was used to analyze the soil organic matter content based on hyperspectral data. Based on the broad-band simulation data and the measured soil organic matter content， the soil organic matter content was calculated by using the partial least squares method. And the sensitive bands were extracted and screened to establish the soil organic matter content prediction model. The results show that the soil organic matter content is the best in the soil organic matter content prediction model based on soil hyperspectral data. The R and RMSE are 0.697 and 0.195， respectively. The soil organic matter content The model is reliable. In the soil organic matter content estimation model based on the simulation of wide-band construction， the fitting accuracy of high score number is the highest， R and RMSE are 0.334 and 0.240 respectively. By outdoor uncontrollable factors， the data need to be further studied in estimating the soil organic matter content in the north.

Key words： wide band； reflectance simulation； soil organic matter； partial least squares method

土壤有機(jī)質(zhì)含量（Soil organic matter，SOM）是指土壤內(nèi)的有機(jī)物質(zhì)，其主要由各種動(dòng)植物和微生物的軀體及其合成與分解衍生有機(jī)物構(gòu)成。土壤有機(jī)質(zhì)是農(nóng)田耕層土壤的重要構(gòu)成成分，其對(duì)土壤肥力、土壤健康、生態(tài)保護(hù)及農(nóng)業(yè)可持續(xù)發(fā)展等方面均有重要作用。遙感技術(shù)具有大尺度同步觀測(cè)、時(shí)效性強(qiáng)、數(shù)據(jù)綜合可比性等優(yōu)點(diǎn)，在對(duì)地觀測(cè)方面應(yīng)用廣泛。隨著高光譜技術(shù)的快速發(fā)展給土壤有機(jī)質(zhì)含量的監(jiān)測(cè)提供技術(shù)支撐，極大地豐富了研究?jī)?nèi)容。因此，快速、準(zhǔn)確、實(shí)時(shí)監(jiān)測(cè)土壤有機(jī)質(zhì)含量成為可能。分析研究土壤有機(jī)質(zhì)含量與高光譜數(shù)據(jù)間的內(nèi)在關(guān)系，進(jìn)而快速精準(zhǔn)測(cè)定土壤有機(jī)質(zhì)含量，逐漸成為相關(guān)專家學(xué)者研究熱點(diǎn)[1]。

隨著光譜分辨率的提高以及算法的日漸成熟，國內(nèi)外許多專家學(xué)者在土壤有機(jī)質(zhì)含量與其光譜響應(yīng)關(guān)系上的研究成果顯著。Shepherd等[2]研究發(fā)現(xiàn)，高光譜數(shù)據(jù)在處理時(shí)，一階微分和二階微分對(duì)高光譜函數(shù)的處理變換能為模型提供可靠的自變量因子，進(jìn)而使模型精度得到保障。Krishnan等[3]研究發(fā)現(xiàn)，土壤有機(jī)質(zhì)含量在623和564 nm處比較敏感，并用這兩組數(shù)據(jù)反射率進(jìn)行變換構(gòu)建了土壤有機(jī)質(zhì)含量多元線性回歸的預(yù)測(cè)模型。隨著研究的深入，高光譜數(shù)據(jù)的一階微分、倒數(shù)等變換形式與土壤有機(jī)質(zhì)建立的模型效果較好，多元線性函數(shù)、二次函數(shù)能夠準(zhǔn)確描述黑龍江地區(qū)黑土有機(jī)質(zhì)含量，且線性方程預(yù)測(cè)模型優(yōu)于二次函數(shù)預(yù)測(cè)模型[4，5]。經(jīng)過對(duì)較大范圍內(nèi)的土壤進(jìn)行研究后發(fā)現(xiàn)600～700 nm處有機(jī)質(zhì)的含量與光譜反射率呈負(fù)相關(guān)，并建立了精度較高的紅外波段預(yù)測(cè)模型[6，7]。通過對(duì)比試驗(yàn)發(fā)現(xiàn)，有機(jī)質(zhì)含量高于2%并不是進(jìn)行土壤有機(jī)質(zhì)預(yù)測(cè)模型研究的必要條件，對(duì)含量較低的有機(jī)質(zhì)含量的研究有重大意義。基于這些研究，人們開始用不同的算法反演有機(jī)質(zhì)含量，通過研究發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)和小波變換定量在反演土壤有機(jī)質(zhì)含量方面精度較高，具有可行性[8，9]。endprint

本研究定量分析了北京順義、通州區(qū)土壤高光譜反射特征，通過12種變換開展相關(guān)性分析，篩選敏感波段，建立了基于高光譜與北方土壤有機(jī)質(zhì)含量的預(yù)測(cè)模型，然后用高光譜數(shù)據(jù)的擬合寬波段，建立擬合寬波段與北方土壤有機(jī)質(zhì)含量預(yù)測(cè)模型。對(duì)兩種模型進(jìn)行對(duì)比，探討了模擬寬波段數(shù)據(jù)在土壤有機(jī)質(zhì)含量監(jiān)測(cè)方面的可行性，從而為更好地利用遙感數(shù)據(jù)對(duì)土壤有機(jī)質(zhì)含量監(jiān)測(cè)提供技術(shù)支撐。

1 材料與方法

1.1 研究區(qū)與土樣處理

在北京順義、通州區(qū)野外采集59個(gè)土樣（表1、圖1），采樣時(shí)間為2015年11月中旬。選擇耕作面積較大且輪作模式為小麥、玉米的地塊進(jìn)行采集裸土，采樣深度為耕種層0～20 cm。樣品采樣完成后，將樣品置于實(shí)驗(yàn)室暗室內(nèi)自然風(fēng)干，并進(jìn)行研磨、過篩（1 mm）處理，進(jìn)行土壤有機(jī)質(zhì)含量測(cè)定，土壤有機(jī)質(zhì)含量采用重鉻酸鉀容量法測(cè)定，其他則用于室外土壤光譜數(shù)據(jù)的測(cè)量。

1.2 光譜測(cè)量

為減弱不同土壤粒徑對(duì)光譜特征的影響，采用已處理土壤進(jìn)行光譜測(cè)量，利用美國ASD公司生產(chǎn)的Field Spec 4地物光譜儀。選擇光照充足且無云天氣下進(jìn)行測(cè)量，測(cè)量時(shí)間選在太陽輻射能量穩(wěn)定的12：00至下午2：00。將土樣置于盛樣皿上，用直尺將其表面刮平，并保持土壤厚度在2 cm以上。采用5°視場(chǎng)角的光纖探頭，垂直置于距樣本35 cm處。測(cè)量前進(jìn)行白板定標(biāo)，每個(gè)樣本采集10組光譜數(shù)據(jù)，取10組平均值為該組反射光譜[10]。

1.3 光譜數(shù)據(jù)處理

1.3.1 光譜數(shù)據(jù)處理 由于水在近紅外1 300、1 900 nm附近具有強(qiáng)烈的吸收作用，導(dǎo)致土壤光譜數(shù)據(jù)在1 810～1 900 nm處存在大量的噪音，故位于該波段區(qū)間的光譜數(shù)據(jù)無效，將該波段數(shù)據(jù)去除。由于環(huán)境不可控因素和儀器自身測(cè)量誤差導(dǎo)致光譜函數(shù)不穩(wěn)定，存在與研究?jī)?nèi)容無關(guān)的噪聲信息，需對(duì)數(shù)據(jù)進(jìn)行平滑處理。本研究采用海明窗長(zhǎng)度為9的低通濾波器開展平滑去噪工作[11]，并將光譜重采樣至5 nm，以最大限度減弱噪聲信息對(duì)有效信息的擾動(dòng)。由于土壤光譜函數(shù)吸收和反射特征較為隱蔽，故采用Clark等[12]提出的包絡(luò)線來增強(qiáng)光譜信息。

由于資源三號(hào)、高分一號(hào)與高分二號(hào)在可見光-近紅外波段處的設(shè)置具有相似性，且各傳感器的光譜響應(yīng)存在較大差異，具有一定的互補(bǔ)作用。因此，本研究針對(duì)3種衛(wèi)星波段進(jìn)行模擬分析，探索其在土壤有機(jī)質(zhì)含量監(jiān)測(cè)方面的特性，將已處理的土壤光譜數(shù)據(jù)，結(jié)合資源三號(hào)、高分一號(hào)、高分二號(hào)波譜響應(yīng)函數(shù)如圖2所示，生成寬波段模擬數(shù)據(jù)，其轉(zhuǎn)換函數(shù)如式1所示：

1.3.2 高光譜數(shù)據(jù)變換及土壤指數(shù)構(gòu)建 為最大程度降低光譜噪聲對(duì)土壤光譜有效信息的干擾，并變非線性關(guān)系為線性關(guān)系，故采用12種光譜變換技術(shù)對(duì)土壤光譜曲線進(jìn)行處理，其變換形式分別為一階微分、除以R（450～750）、除以R930、倒數(shù)的對(duì)數(shù)的一階微分、二階微分、倒數(shù)的對(duì)數(shù)、倒數(shù)、倒數(shù)的一階微分、對(duì)數(shù)、對(duì)數(shù)的一階微分、弓曲差[13]、吸收峰深度。然后將實(shí)測(cè)光譜數(shù)據(jù)與土壤有機(jī)質(zhì)含量開展相關(guān)性分析，提取并篩選敏感波段，得到最佳組合波段。利用偏最小二乘算法對(duì)最佳組合波段和實(shí)測(cè)土壤有機(jī)質(zhì)含量建立土壤有機(jī)質(zhì)含量高光譜預(yù)測(cè)模型。采取與土壤高光譜數(shù)據(jù)處理流程一致的方法對(duì)擬合波段處理，并構(gòu)建基于擬合多光譜數(shù)據(jù)的土壤有機(jī)質(zhì)含量預(yù)測(cè)模型。兩類土壤有機(jī)質(zhì)含量估測(cè)模型均采用相關(guān)系數(shù)（R）與均方差共同評(píng)價(jià)模型的精度與穩(wěn)定性。

利用模擬寬波段數(shù)據(jù)構(gòu)建不同的指數(shù)：差值土壤指數(shù)（Difference soil index，DSI）、比值土壤指數(shù)（Ratio soil index，RSI）、歸一化土壤指數(shù)（Normalized difference soil index，NDSI），為提高寬波段模擬數(shù)據(jù)對(duì)土壤有機(jī)質(zhì)含量的敏感度，故采用資源三號(hào)、高分一號(hào)與高分二號(hào)的第一和第四波段進(jìn)行指數(shù)的構(gòu)建，對(duì)資源三號(hào)、高分一號(hào)與高分二號(hào)模擬數(shù)據(jù)進(jìn)行相關(guān)性分析，其相關(guān)系數(shù)如表2所示。三顆衛(wèi)星的模擬多光譜數(shù)據(jù)跟B1、B2、B3、B4的相關(guān)系數(shù)依次增加，且在指數(shù)相關(guān)系數(shù)中，跟差值植被指數(shù)的相關(guān)系數(shù)達(dá)到最大。這是由于差值植被指數(shù)是由近紅外和藍(lán)光波段決定，而土壤有機(jī)質(zhì)含量不同在藍(lán)光波段波譜函數(shù)差異并不明顯，所以差值植被指數(shù)依賴于近紅外波段的反射率，這與試驗(yàn)數(shù)據(jù)的相關(guān)系數(shù)結(jié)果相一致。且由于差值植被指數(shù)又具有消除單波段建模光譜不穩(wěn)定的特性，所以差值植被指數(shù)的相關(guān)系數(shù)最佳并不是偶然的。

1.4 構(gòu)建模型和精度檢驗(yàn)

1.4.1 偏最小二乘算法 目前，土壤有機(jī)質(zhì)含量反演的算法主要有多元統(tǒng)計(jì)回歸分析、主成分分析法、偏最小二乘回歸、小波變換、神經(jīng)網(wǎng)絡(luò)等。由于其他算法的不穩(wěn)定性以及小波變換的冗余度過大，偏最小二乘法又兼有主成分分析法的特點(diǎn)。偏最小二乘回歸分析（Partial least squares regression，PLS）是在多元線性回歸分析、主成分分析及典型相關(guān)分析的基礎(chǔ)上對(duì)傳統(tǒng)多元統(tǒng)計(jì)回歸分析改進(jìn)后的一種新型方法，具有對(duì)普通最小二乘回歸增強(qiáng)的功能，是解決多變量、多重共線、樣本較少的一種較為理想的算法[14，15]。但是由于該算法是基于自變量的自身修復(fù)運(yùn)算，導(dǎo)致建立PLS預(yù)測(cè)模型的精度對(duì)自變量的選擇有依賴性，所以自變量的選擇對(duì)土壤有機(jī)質(zhì)含量預(yù)測(cè)模型的精度具有極大的影響，自變量波段的選擇成為該算法的重點(diǎn)。如果選擇的過少則不能充分反映土樣中的光譜信息，但是波段選擇的過多則對(duì)統(tǒng)計(jì)趨勢(shì)的認(rèn)識(shí)產(chǎn)生消極影響，進(jìn)而影響預(yù)測(cè)模型的精度。本研究采用的是交叉驗(yàn)證法，可以衡量模型預(yù)測(cè)能力，根據(jù)該指標(biāo)的修正作用可以得到可靠穩(wěn)定的預(yù)測(cè)模型。

1.4.2 模型精度檢驗(yàn) 通過數(shù)據(jù)分析發(fā)現(xiàn)建模精度和預(yù)測(cè)模型精度之間并不存在同步性，為最大限度保證精度，通過土壤有機(jī)質(zhì)含量預(yù)測(cè)模型精度的分析評(píng)價(jià)模型精度。將試驗(yàn)樣本按2/3和1/3隨機(jī)分為兩組，2/3部分用來構(gòu)建模型，1/3部分用來檢驗(yàn)?zāi)Ｐ途取ＤＰ图邦A(yù)測(cè)的精度都用相關(guān)系數(shù)（R）與均方根誤差（RMSE）進(jìn)行評(píng)價(jià)，R和RMSE的計(jì)算公式如下：endprint

RMSE=■ （2）

R=■ （3）

式中，y為土壤有機(jī)質(zhì)實(shí)測(cè)值，yf為土壤有機(jī)質(zhì)預(yù)測(cè)值，■為土壤有機(jī)質(zhì)實(shí)測(cè)均值，i為某樣品，n為樣品個(gè)數(shù)。

2 結(jié)果與分析

2.1 反射光譜的建模

將變換后的波譜函數(shù)依次與實(shí)測(cè)土壤有機(jī)質(zhì)含量進(jìn)行相關(guān)性分析，然后根據(jù)各組的相關(guān)系數(shù)選取波段，原則上選取相關(guān)系數(shù)較大的波段。但由于相關(guān)系數(shù)系數(shù)最大化并不是波段作為最佳擬合的充分條件，本研究利用最佳相關(guān)系數(shù)和間隔波段選取相結(jié)合的方法選取最佳擬合波段（間隔為100 nm），且在敏感波段周圍通過中值法進(jìn)行不少于4次的優(yōu)值選擇，進(jìn)行因變量樣本的優(yōu)化，進(jìn)而得到實(shí)測(cè)光譜經(jīng)變換后的模型及預(yù)測(cè)精度（表3），各模型的精度都達(dá)到0.001的水平，發(fā)現(xiàn)R/R930、原數(shù)據(jù)建立的模型預(yù)測(cè)精度較低。由于成土母質(zhì)、鐵、土壤機(jī)械及粗糙度等原因?qū)е略瓟?shù)據(jù)受干擾較多和區(qū)分度低，所以精度不高，比值法雖在一定程度上具有去燥和增強(qiáng)區(qū)分度的作用，但由于受所選波段的影響，導(dǎo)致比值法的預(yù)測(cè)模型不穩(wěn)定，所以這兩種模型是無效的。對(duì)數(shù)的一階微分和倒數(shù)的對(duì)數(shù)的一階微分構(gòu)建的預(yù)測(cè)模型精度較高，這是由于高光譜的對(duì)數(shù)和微分變換能夠充分抑制噪音對(duì)高光譜的影響和增強(qiáng)原始光譜的細(xì)微信息，其中對(duì)數(shù)的一階微分相關(guān)系數(shù)R和RMSE分別為0.697和0.195，到達(dá)最優(yōu)。這兩種模型的建模波段大都在近紅外波段，與于士凱等[16]土壤有機(jī)質(zhì)與近紅外波段具有強(qiáng)相關(guān)性的研究結(jié)果具有一致性。

2.2 模擬光譜的建模

本研究利用擬合資源三號(hào)、高分一號(hào)和高分二號(hào)波段的數(shù)據(jù)分別構(gòu)建了3種模型，分別是波段模型、指數(shù)模型和混合模型（表4）。根據(jù)表4可知，高分一號(hào)的預(yù)測(cè)方程精度最高，其相關(guān)系數(shù)和均方根為0.334和0.240。對(duì)比三顆衛(wèi)星的模擬數(shù)據(jù)不難發(fā)現(xiàn)，三顆衛(wèi)星模型預(yù)測(cè)具有精度同步性，指數(shù)、波段、混合建模的精度依次增大，取得較高精度模型引入的數(shù)據(jù)波段都在紅色-經(jīng)紅外波段，與紀(jì)文君等[7]研究結(jié)論一致。在同一顆衛(wèi)星的模擬數(shù)據(jù)中發(fā)現(xiàn)引入相關(guān)指數(shù)后擬合精度都有提高，證實(shí)引入相關(guān)指數(shù)構(gòu)建模型的方法是正確的。由于三顆衛(wèi)星的模型精度較高且穩(wěn)定性較好，據(jù)此分析得出多光譜監(jiān)測(cè)土壤有機(jī)質(zhì)含量的方法具有可行性。

2.3 模型的對(duì)比

對(duì)比模擬寬波段所見的預(yù)測(cè)模型和高光譜模型分析發(fā)現(xiàn)，高光譜模型和寬波段預(yù)測(cè)模型在波段的選取上具有一致性，選取的波段都在紅光-紅外波段，這是由于紅外波段對(duì)土壤中有機(jī)質(zhì)含量的波動(dòng)比較敏感以及有機(jī)質(zhì)含量對(duì)土壤顏色、溫度的影響造成的。

3 結(jié)論

通過利用偏最小二乘算法在北方地區(qū)土壤高光譜數(shù)據(jù)與實(shí)測(cè)土壤有機(jī)質(zhì)含量間構(gòu)建預(yù)測(cè)模型，以及利用高光譜數(shù)據(jù)模擬資源三號(hào)、高分一號(hào)和高分二號(hào)得到寬波段并構(gòu)建相應(yīng)的寬波段與實(shí)測(cè)土壤有機(jī)質(zhì)含量間的模型，得出以下結(jié)論：

1）通過相關(guān)系數(shù)分析，根據(jù)平滑去燥處理后的實(shí)測(cè)高光譜數(shù)據(jù)建立的土壤有機(jī)質(zhì)含量預(yù)測(cè)模型，其中以對(duì)數(shù)的一階微分為自變量的模型預(yù)測(cè)精度最高，其相關(guān)系數(shù)為0.697，均方根誤差為0.195。

2）利用資源三號(hào)、高分一號(hào)和高分二號(hào)模擬波段數(shù)據(jù)分別建立了3種預(yù)測(cè)模型，其中以高分一號(hào)數(shù)據(jù)的混合模型最佳，其相關(guān)系數(shù)與均方根誤差分別為0.334和0.240，利用擬合寬波段監(jiān)測(cè)土壤有機(jī)質(zhì)存在可能性，但預(yù)測(cè)模型精度尚未達(dá)到期望，多光譜寬波段在監(jiān)測(cè)土壤機(jī)質(zhì)含量需要進(jìn)一步研究。

由于樣本數(shù)據(jù)的選擇較少，且具一定的地域性和時(shí)效性，另外遙感影像選擇、土地耕作類型、算法的選擇都對(duì)模型精度有較大影響，多光譜監(jiān)測(cè)土壤有機(jī)質(zhì)含量的模型尚不能達(dá)理想精度。今后的研究需在以下幾方面進(jìn)行改進(jìn)：樣本點(diǎn)位置及取樣時(shí)間的選擇要更加合理，在遙感數(shù)據(jù)的選擇、土地耕作類型因素的考慮、土壤隨時(shí)間序列的變化等方面來提高多光譜土壤有機(jī)質(zhì)預(yù)測(cè)模型的精度。

參考文獻(xiàn)：

[1] 王延倉，顧曉鶴，朱金山，等.利用反射光譜及模擬多光譜數(shù)據(jù)定量反演北方潮土有機(jī)質(zhì)含量[J].光譜學(xué)與光譜分析，2014，34（1）：201-205.

[2] SHEPHERD K D，WALSH M G. Development of reflectance spectral libraries for characterization of soil properties[J].Soil Science Society of America Journal，2002，66：988-998.

[3] KRISHNAN P，ALEXANDER J D，BUTLER B J，et al. Reflectance technique for predicting soil organic matter[J].Soil Science Society of America Journal，1980，44：1282-1285.

[4] 劉 磊，沈潤(rùn)平，丁 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.

[5] 劉煥軍，張 柏，劉殿偉，等.基于反射率模擬模型的黑土有機(jī)質(zhì)含量估測(cè)[J].光譜學(xué)與光譜分析，2008，28（12）：2947-1950.

[6] 陳紅艷，趙庚星，李希燦，等.基于小波變換的土壤有機(jī)質(zhì)含量高光譜估測(cè)[J].應(yīng)用生態(tài)學(xué)報(bào)，2011，22（11）：2935-2942.

[7] 紀(jì)文君，史 舟，周 清，等.幾種不同類型土壤的VIS-NIR光譜特性及有機(jī)質(zhì)響應(yīng)波段研究[J].紅外與毫米波學(xué)報(bào)，2012，31（3）：277-282.

[8] 劉 煒，常慶瑞，郭 曼，等.土壤導(dǎo)數(shù)光譜小波去噪與有機(jī)質(zhì)吸收特征提取[J].光譜學(xué)與光譜分析，2011，31（1）：100-104.

[9] 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].植物營養(yǎng)與肥料學(xué)報(bào)，2008，14（6）：1076-1082.

[10] 劉煥軍，張 柏，張淵智，等.基于反射光譜特性的土壤分類研究[J].光譜學(xué)與光譜分析，2008，28（3）：624-628.

[11] 徐永明，藺啟忠，王 璐，等.基于高分辨率反射光譜的土壤營養(yǎng)元素估算模型[J].土壤學(xué)報(bào)，2006，43（5）：709-802.

[12] CLARK R N，ROUSH T L. Reflectance spectroscopy：Quantitative analysis techniques for remote sensing applications[J].Journal of Geophysical Research，1984，89：6329-6340.

[13] 徐彬彬，戴昌達(dá).南疆土壤光譜反射特性與有機(jī)質(zhì)含量的相關(guān)分析[J].科學(xué)通報(bào)，1980，25（6）：282-284.

[14] RAO C R，TOUTENBURG H. Linearmodels[M]. NewYork：Springer Verlag Press，1995.

[15] WOLD S，RUHE A，WOLD H，et al. The collinearity problem in liner regression. The partial least squares（PLS） approach to generalized in verses[J].J Stat Comp，1984，5：735-743.

[16] 于士凱，姚艷敏，王德營，等.基于高光譜的土壤有機(jī)質(zhì)含量反演研究[J].中國農(nóng)學(xué)通報(bào)，2013，29（23）：146-152.endprint