張東輝，趙英俊，秦 凱，裴承凱，趙寧博

(核工業(yè)北京地質(zhì)研究院，遙感信息與圖像分析技術(shù)國(guó)家級(jí)重點(diǎn)實(shí)驗(yàn)室，北京 100029)

隨著信息化技術(shù)在土壤科學(xué)領(lǐng)域的深入推進(jìn)，高光譜技術(shù)在土壤信息提取研究中呈現(xiàn)出典型的多元特性。這種多元性體現(xiàn)在研究目的、應(yīng)用方向、數(shù)據(jù)獲取方法、處理方法、分析方法和提取模型的多種組合方式，呈現(xiàn)出多元化跨學(xué)科的發(fā)展趨勢(shì)。土壤的有機(jī)質(zhì)、水分、含鹽量、重金屬和多種其它成分的定量提取，其理論依據(jù)在于土壤組成物質(zhì)對(duì)特征光譜的吸收或反射作用。鐵錳氧化物在429、492、669、906 nm處的吸收，水分子和高嶺石中羥基在1 415、1 915、2 205處的吸收，硫酸鹽礦物在1 795 nm處的吸收，水分在760、970、1 190、1 450、1 940和2 950 nm存在吸收，鹽漬土在1 950 nm附近出現(xiàn)明顯的反射谷，重金屬Cr、Cu、Ni與429、470、490、1 430、2 398和2 455 nm處光譜具有很好的相關(guān)性[1-5]。對(duì)于微弱光譜信息，在建立光譜值與測(cè)量值模型時(shí)，需要對(duì)光譜進(jìn)行一系列的轉(zhuǎn)換處理。在大量光譜變換后建模精度評(píng)價(jià)的基礎(chǔ)上，得出最優(yōu)的定量計(jì)算模型。

高光譜土壤多元信息提取模型的關(guān)鍵是將光譜數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)進(jìn)行科學(xué)對(duì)接，總結(jié)目前研究的成果，偏最小二乘回歸法[6-8]、主成分回歸法[2,9-10]和多元逐步回歸法[11-13]由于其能反映光譜數(shù)據(jù)之間的自相關(guān)問(wèn)題，在土壤物質(zhì)成分含量建模時(shí)，得到了最廣泛的應(yīng)用。將衛(wèi)星和機(jī)載高光譜傳感器作為數(shù)據(jù)源時(shí)，決策樹(shù)方法發(fā)揮了很好的圖譜一體化提取效果[4,14]。近年來(lái)，隨著模式識(shí)別和機(jī)器學(xué)習(xí)理論應(yīng)用的深化，在能夠獲取大量可靠土壤數(shù)據(jù)的前提下，流行學(xué)習(xí)法[15]和神經(jīng)網(wǎng)絡(luò)方法[16]發(fā)揮了其數(shù)據(jù)高效降維和關(guān)鍵信息提取方面的優(yōu)勢(shì)，在土壤水分和重金屬含量領(lǐng)域獲得了很好的提取精度。土壤成分具有很大的地域性，對(duì)于專題應(yīng)用的模型建立問(wèn)題，適合微弱信息提取的模型得到深入研究，引入小波分析和遺傳算法在土壤碳含量等方面得到了應(yīng)用[17]。

在列舉土壤樣品制備、理化成分測(cè)定和土壤光譜數(shù)據(jù)獲取標(biāo)準(zhǔn)技術(shù)的基礎(chǔ)上，總結(jié)了目前適用于土壤光譜處理的異常篩選、平滑去噪、重采樣、變換和定量化方法。按照有機(jī)質(zhì)、水分、含鹽量、重金屬和其它成分分類歸納了多種光譜信息提取模型，并對(duì)比了每個(gè)模型的信息提取特點(diǎn)。

1 土壤光譜獲取方法

1.1 土壤樣品制備

在測(cè)區(qū)采集相應(yīng)間隔下的土樣，經(jīng)過(guò)加工，制備土壤樣品。有機(jī)質(zhì)是土壤中源于植物和微生物的物質(zhì)，一般采集其表層0～20 cm的土樣，剔除大的根系等雜物，置于實(shí)驗(yàn)室風(fēng)干、研磨，過(guò)0.15 mm篩選[6,13,18-21]。土壤水分是評(píng)價(jià)土壤資源優(yōu)劣的主要指標(biāo)之一，制備土樣時(shí)，經(jīng)過(guò)風(fēng)干、除雜、研磨后過(guò)2 mm土篩，分別置于盛樣皿中，依次緩注入不同水量，待表層的自由水消失后進(jìn)行測(cè)量[5,7-8,22]。土壤鹽分包括碳酸鹽、硫酸鹽和氯化物等，制備時(shí)剔除植物殘茬、根系、石礫等雜質(zhì)，研磨后過(guò)2 mm土篩[5,23-25]。重金屬多以氧化物的形式存在于土壤中，一般風(fēng)干、研磨后分成兩份，過(guò)2 mm篩用于光譜測(cè)試，過(guò)0.15 mm篩用于含量分析[2-3,26-31]。土壤氮樣品制備，風(fēng)干、研磨、過(guò)0.15 mm篩[32-33]，氮磷鉀樣品過(guò)0.075 mm篩[34]，土壤漏油需要用烤箱對(duì)收集的土壤烘干，揮發(fā)掉水分，剔除石粒、磚塊、植物殘茬、石灰結(jié)核等，輕微地研磨，過(guò)2 mm篩[35]。此外，高光譜土壤參數(shù)定量反演研究中，對(duì)土樣的采集和制備直接采用原狀土，不加任何處理。研究潮土土壤屬性與田間光譜關(guān)系時(shí)，采集耕層0～15 cm混合土樣，將土樣裝入玻璃培養(yǎng)皿中，直接獲取光譜[24]。采用原狀土最常見(jiàn)研究方向是對(duì)衛(wèi)星遙感影像反演所開(kāi)展的地面同步光譜測(cè)量，更能反映影像光譜的實(shí)際地面土壤狀況[26]。

1.2 理化成分測(cè)定

土樣理化成分測(cè)定交由獲得國(guó)家計(jì)量認(rèn)證的實(shí)驗(yàn)室測(cè)量。常用的測(cè)量方法有：有機(jī)質(zhì)—重鉻酸鉀容量-外加熱法[6，8,25，36-38]，Vario ELIII元素分析法[20]，干燒法[39]；土壤水分—烘干稱重法[40-42]，TRIME-PICO TDR水分測(cè)量法[43]；土壤鹽分—電位法[2,24]，水土質(zhì)量比浸提液[20]；重金屬—電感耦合等離子發(fā)射光譜-質(zhì)譜聯(lián)用法[2-3,27-28，44]，PXRF法[29]，原子熒光光度計(jì)[31,39,45]，X射線熒光光譜[26]，原子吸收光譜法[39]，水土質(zhì)量比浸提液[20]；土壤養(yǎng)分—ICP法[34]，浸提-火焰光度法[20]，凱氏定氮法[13,33-34,39]，碳酸鈉熔融法[5]，鉬銻抗比色法[13，20]，氫氧化鈉熔融法[5-6]，中和滴定法[36]，乙酸銨交換法[39]，火焰光度法[5]。

1.3 光譜數(shù)據(jù)獲取

土壤光譜測(cè)量通常在暗室進(jìn)行，以單個(gè)或多個(gè)鹵素?zé)魹楣庠?。常用的儀器有：ASD FieldSpec3[11,14,41,46]、ASD pro FR[8,13,23,40]、FTIR光譜儀[18]、Headwall Photonics HS-VNIR[32]、Perkin Elmer Lambda 900[34]、VIS-NIR[17]等(表1)，根據(jù)所研究土壤的特征峰位置，選擇合適的波長(zhǎng)范圍、波段數(shù)和光譜分辨率。將鹵素?zé)舫梢欢ń嵌日丈渫寥罉悠罚鶕?jù)光譜儀視場(chǎng)角確定距離土樣的距離。測(cè)量中及時(shí)進(jìn)行白板校正，通常對(duì)每個(gè)土樣進(jìn)行多角度、多次測(cè)量，作平均獲取光譜數(shù)據(jù)。

表1 常用的土壤光譜獲取傳感器參數(shù)

2 土壤光譜處理方法

在獲取土壤光譜后，需要經(jīng)過(guò)光譜異常篩選、平滑去噪、重采樣、光譜變換和光譜定量化計(jì)算等5種處理方法(表2)。350～380、2 400～2 500 nm通常位于傳感器邊緣波長(zhǎng)位置，噪聲較大，需要將其去除[6]。對(duì)于光譜曲線上的毛刺和陡坎等噪聲波段，采用加權(quán)移動(dòng)平均法[41]或包絡(luò)線消除法[8]，可以很好地予以抑制。在可見(jiàn)光-近紅外與中紅外獲取不同光譜分辨率情況下，通常需要進(jìn)行光譜重采樣，以利于對(duì)比分析特征波段[47]。光譜變換的目的是通過(guò)將原始反射率進(jìn)行轉(zhuǎn)換，形成一系列反射率自變量，這種自變量能夠放大或者縮小特征峰的反射率值，提升光譜識(shí)別的概率。在與理化成分分析數(shù)據(jù)建立回歸模型時(shí)，經(jīng)過(guò)多種方法的綜合驗(yàn)證，分析光譜數(shù)據(jù)和化驗(yàn)數(shù)據(jù)的匹配關(guān)系[31，48-49]。光譜定量化方法是求解波譜上指定波段范圍內(nèi)的特征量，這些定量值對(duì)于理解光譜所反映的土壤理化性質(zhì)具有重要的參考價(jià)值，定量值的大量積累能夠?qū)ν寥捞卣魈崛√峁┲甘拘畔ⅰ?/p>

表2 常用的土壤光譜處理方法

注：Ri是土壤光譜反射率；Xi是處理后的土壤光譜反射率；i是波段增量；n是波段數(shù)；λi是波長(zhǎng)。

3 土壤光譜分析方法

3.1 偏最小二乘回歸法(PLSR)

偏最小二乘回歸(Partial Least Squares Regression，PLSR)優(yōu)勢(shì)在于集成了典型相關(guān)分析、主成分分析和線性回歸分析的優(yōu)點(diǎn)，實(shí)現(xiàn)了數(shù)據(jù)結(jié)構(gòu)的簡(jiǎn)化，良好地解決了自變量間多重共線性問(wèn)題，適用于變量間高度相關(guān)及變量數(shù)超過(guò)樣本數(shù)的情況[32]。建模方法為：設(shè)土壤樣本數(shù)為n，定義土壤成分含量為y=[y]n×1，波段數(shù)為k，則光譜曲線為x=[x1,x2,…,xk]n×k(下同)。從光譜曲線x中提取攜帶了最大變異信息的成分t1，且與成分含量y相關(guān)程度最大。提取第一主成分t1后，建立y與t1的回歸模型，若精度滿意則算法停止；否則將繼續(xù)利用x和y殘余信息進(jìn)行回歸。

3.2 主成分回歸法(PCR)

主成分回歸法(Principal Component Regression，PCR)利用主成分分析將自變量數(shù)據(jù)組成為多個(gè)相互無(wú)關(guān)的新變量，選取盡可能少的組合變量代表原有自變量信息，再與因變量建立回歸方程[36]。建模方法為：將k維光譜曲線x進(jìn)行綜合成盡可能少的p維變量x′(p

3.3 多元逐步回歸法(SMLR)

多元逐步回歸(Stepwise Multiple linear Regression，SMLR)基本思路是將全部變量按照重要性逐步導(dǎo)入回歸方程，利用F統(tǒng)計(jì)量選擇或剔除自變量，建立回歸方程。建模方法為：分析過(guò)程中，使用F顯著水平值作為逐步回歸方法的準(zhǔn)則，判斷光譜數(shù)據(jù)x及其變換形式x′與因變量土壤成分y的關(guān)系，選入或剔除自變量的概率通常設(shè)置為0.05和0.10[13]。

3.4 決策樹(shù)法(DT)

決策樹(shù)法(Decision Tree，DT)是一種利用概率與圖論中的樹(shù)對(duì)決策中的不同方案進(jìn)行比較，獲得最優(yōu)化方案的方法[13]。建模方法為：通過(guò)一系列規(guī)則參數(shù)對(duì)光譜數(shù)據(jù)x分層逐次進(jìn)行比較歸納，形成特征波譜規(guī)則參數(shù)。光譜識(shí)別分類指標(biāo)由根節(jié)點(diǎn)進(jìn)入決策樹(shù)，在每個(gè)分支節(jié)點(diǎn)對(duì)光譜指標(biāo)值與閾值進(jìn)行比較，逐步得出特征反射值x′，建立x′與成分含量y的回歸模型。

3.5 流行學(xué)習(xí)法(ML)

3.6 BP神經(jīng)網(wǎng)絡(luò)法(BPNN)

BP神經(jīng)網(wǎng)絡(luò)法(Back Propagation Neural Networks)分為3層結(jié)構(gòu)，輸入層、隱藏層和輸出層[16]。在神經(jīng)元響應(yīng)函數(shù)連續(xù)可微的條件下，利用誤差的反向傳播建立模型。建模方法為：選取“S”型函數(shù)，作為神經(jīng)元的激活函數(shù)，輸出為y=f2[w2f1(w1x+b1)+b2]，式中，y為土壤成分預(yù)測(cè)值的輸出層，x為光譜x或光譜特征參數(shù)x′的輸入層，f1和f2為隱藏和輸出層的傳遞函數(shù)，b1和b2為隱藏和輸出層的偏差，w1和w2為隱藏和輸出層的權(quán)重。

3.7 小波分析法(WA)

3.8 遺傳算法(GA)

遺傳算法(Genetic Algorithm，GA)是一種通過(guò)模擬自然進(jìn)化過(guò)程搜索最優(yōu)解的方法[17]。建模方法為：對(duì)土壤光譜曲線x多個(gè)波段的反射率值進(jìn)行基于輪盤賭方法的選擇，設(shè)置交叉概率后，進(jìn)行反射率值的變異。如果變異后的光譜曲線x′符合規(guī)則，則停止迭代，否則繼續(xù)對(duì)光譜數(shù)據(jù)進(jìn)行變異處理。以x′與土壤成分y建立模型。

4 基于土壤光譜的多元信息提取模型

4.1 高光譜土壤有機(jī)質(zhì)提取模型

土壤有機(jī)質(zhì)(Soil Organic Matter，SOM)是植物和微生物生命活動(dòng)所必需的養(yǎng)分和能量的源泉，是衡量土壤肥力的重要指標(biāo)之一。有機(jī)質(zhì)光譜特征峰谷方面，研究表明，黑土有機(jī)質(zhì)含量在710 nm處相關(guān)系數(shù)達(dá)到-0.83[8]，紅壤有機(jī)質(zhì)與560～710 nm波段特征吸收面積呈對(duì)數(shù)關(guān)系[11]。在掌握特征峰的基礎(chǔ)上，光譜變換方法對(duì)有機(jī)質(zhì)含量建模極其敏感，在選取合適的變換波譜作為自變量時(shí)，需要進(jìn)行大量的試驗(yàn)進(jìn)行驗(yàn)證和評(píng)價(jià)。在建模方法上，偏最小二乘回歸法相較多元逐步回歸法的預(yù)測(cè)效果更好[12-13]。在驗(yàn)證模型的基礎(chǔ)上，結(jié)合Landsat 8 OLI遙感影像和ASTER影像等高光譜數(shù)據(jù)，分析土壤反射率與有機(jī)質(zhì)含量呈負(fù)相關(guān)，其中在845～885 nm處達(dá)到最大值，土壤有機(jī)質(zhì)含量的診斷波段在630～690 nm和760～860 nm附近[50-51]。根據(jù)上述診斷波譜特性，建立有機(jī)質(zhì)提取模型。

4.2 高光譜土壤水分提取模型

土壤水分的高低對(duì)熱量平衡、土壤溫度和土壤墑情具有重要影響，因此，建立了大量的高光譜水分提取模型。土壤含水量與光譜反射率變換速率有關(guān)，需要采取分段函數(shù)進(jìn)行含水量的精確計(jì)算[7]。研究表明，土壤含水量與1 450 nm處的光譜吸收特征面積、位置和深度存在良好的線性回歸關(guān)系[40]。具體到各種類型土壤水分提取建模時(shí)，黑土光譜曲線上1 920 nm附近的吸收谷可以成為土壤含水量速測(cè)儀器研制的理論依據(jù)[41]，濱海鹽土在1 407和1 459 nm處反射率所構(gòu)建的比值光譜指數(shù)，預(yù)測(cè)精度最高[42]，砂土含水量與光譜特征參數(shù)相關(guān)性好的集中在水分吸收波段760和970 nm[16]。對(duì)比分析東北黑土和北方潮土的吸收光譜，發(fā)現(xiàn)水分含量較小時(shí)，二者近紅外光譜差異明顯，反之光譜類似[52]。多波段組合水分估測(cè)模型[14]、耦合模型[4]等在結(jié)合Landsat8衛(wèi)星寬波段反射率的基礎(chǔ)上，通過(guò)選取敏感光譜參量后，能夠建立適用性更好的模型。針對(duì)不同深度土壤含水量反演[53]，研究證明0～10 cm模型實(shí)用性最好，深度越深，反演精度越低。

4.3 高光譜土壤鹽漬化提取模型

土壤鹽漬化的3個(gè)評(píng)價(jià)指標(biāo)是pH值、堿化度和總堿度。研究表明，在400～900 nm的土壤光譜反射率為鹽土>重度鹽漬化>中度鹽漬化>輕度鹽漬化>非鹽漬化，而龜裂堿土紅邊一階微分光譜由主峰和次峰組成，分別位于690和720 nm處[54]。Quickbird影像反射率與土壤pH值預(yù)測(cè)相關(guān)性最高的是630～690 nm的第3波段[55]。植被類型和生長(zhǎng)狀況可間接反映土壤鹽分的空間分布特征，因此植被指數(shù)可作為鹽度間接反演的指征，鑒于在680～780 nm紅邊參考范圍內(nèi)，植被光譜對(duì)土壤鹽漬化的影響逐步增大，可以建立植被指數(shù)與土壤含鹽量的模型，選擇450和685 nm構(gòu)建鹽分模型及選擇960和1 094 nm構(gòu)建指數(shù)模型[10,56]。受人類生產(chǎn)生活干擾的鹽漬土，其原始波譜反射率與鹽分相關(guān)系數(shù)最大的兩個(gè)峰值所在的波長(zhǎng)逐漸增大，偏向近紅外波段[57]。采用主成分分析和多元逐步回歸等方法，建立高光譜土壤鹽漬化提取模型。

4.4 高光譜土壤重金屬提取模型

高光譜技術(shù)應(yīng)用于土壤重金屬監(jiān)測(cè)中，取得良好效果的重金屬包括：鉻、銅、鎳、鋁、硅、鎂、鐵、錳、鉛、鋅、鎘、鈷、砷和汞。提取模型分兩類，一是根據(jù)土壤重金屬與土壤粘土礦物、鐵錳氧化物以及碳酸鹽之間存在的賦存關(guān)系，建立間接模型[2]。另一類是利用地面光譜儀、Hyperion高光譜和Aster影像，根據(jù)金屬元素的相關(guān)性，直接建立模型。例如，Cu與一階微分光譜966 nm之間相關(guān)，與二階微分光譜1 865 nm處相關(guān)；Fe與405 nm光譜區(qū)域最大相關(guān)；Mn與一階微分474 nm達(dá)到極顯著水平[2]。利用EO-1衛(wèi)星Hyperion高光譜波長(zhǎng)反射率對(duì)Zn、Cr和Cu進(jìn)行含量反演，相關(guān)性達(dá)到顯著水平[27]。結(jié)合As、Cd和Zn的光譜特征參數(shù)，從Aster影像上實(shí)現(xiàn)3種元素的提取，為大面積土壤重金屬監(jiān)測(cè)提供了技術(shù)手段[49]。采用光譜吸收峰作為特征變量，驗(yàn)證了3價(jià)鐵在870 nm附近吸收峰的存在，建立相應(yīng)的回歸預(yù)測(cè)模型，擬合度R2達(dá)到0.534[58]。

4.5 高光譜土壤其它成分提取模型

高光譜可以測(cè)量土壤的成分包括：全碳、全氮、碳氮比、電導(dǎo)率、磷、鉀、碳酸鈣、漏油、氨氣[9,20,34-36]。土壤全氮與一階微分轉(zhuǎn)換后光譜反射率相關(guān)系數(shù)較高的峰值位置在820、1 400、1 430、1 630、1 800、1 930、2 100、2 200、2 300 nm等波段[46]。土壤碳酸鹽在2 335 nm處具有較強(qiáng)的吸收特征[36]。500、525、850 nm附近對(duì)于土壤氮預(yù)測(cè)有明顯影響[53]。采用PLSR方法和多元回歸方法，分別建立了NaCl和SiO2的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)反演模型，決定系數(shù)分別達(dá)到了0.859和0.319[59-60]。

5 結(jié)論與展望

在土壤定量遙感研究方面，高光譜遙感技術(shù)一直處于前沿領(lǐng)域。光譜所指示的信息，不僅能夠?yàn)橥寥莱煞痔峁┛焖僦甘拘畔?，而且在?shí)測(cè)數(shù)據(jù)基礎(chǔ)上所建立的信息提取模型，是軟件研發(fā)、儀器研發(fā)和土質(zhì)評(píng)價(jià)等工作的理論基礎(chǔ)。文中總結(jié)了高光譜土壤提取模型建立的關(guān)鍵技術(shù)，從土壤光譜獲取、處理、分析和建模等方面，進(jìn)行了全面梳理和總結(jié)。

目前高光譜土壤定量反演存在的不足有：(1)所建立模型的泛化性較弱，建模理論過(guò)度依賴于土壤光譜數(shù)據(jù)來(lái)源，使得模型在不同應(yīng)用場(chǎng)景中的推廣性較差；(2)光譜數(shù)據(jù)獲取缺乏規(guī)范統(tǒng)一的頂層設(shè)計(jì)，不同部門采用不同的標(biāo)準(zhǔn)、設(shè)備和流程獲取光譜數(shù)據(jù)，難以形成工業(yè)化的行業(yè)標(biāo)準(zhǔn)；(3)定量反演的時(shí)效性不能滿足市場(chǎng)需求，目前這一領(lǐng)域數(shù)據(jù)獲取和模型建立過(guò)程需要一系列復(fù)雜的試驗(yàn)過(guò)程，在快速得出結(jié)論方面急需改進(jìn)。

隨著高光譜技術(shù)的不斷發(fā)展，土壤光學(xué)研究將呈現(xiàn)細(xì)分化、專題化、軟硬件一體化、小型模塊化和信息實(shí)時(shí)提取等典型特征，為了適應(yīng)這一發(fā)展趨勢(shì)，建立適用多種土壤的信息提取模型，將是未來(lái)這一領(lǐng)域的研究重點(diǎn)。

參考文獻(xiàn):

[1] 劉偉東,Frederic Baret,張兵,等.高光譜遙感土壤濕度信息提取研究[J].土壤學(xué)報(bào),2004,41(5):700-706.

[2] 解憲麗,孫波,赫紅濤.土壤可見(jiàn)光-近紅外反射光譜與重金屬含量之間的相關(guān)性[J].土壤學(xué)報(bào),2007,44(6):982-993.

[3] 龔紹琦,王鑫,沈潤(rùn)平,等.濱海鹽土重金屬含量高光譜遙感研究[J].遙感技術(shù)與應(yīng)用,2010,25(2):169-176.

[4] 張海威,張飛,李哲,等.艾比湖流域鹽漬土含水量光譜特征分析與建模[J].中國(guó)水土保持科學(xué),2017,15(1):8-14.

[5] 張俊華,馬天成,賈科利.典型龜裂堿土土壤光譜特征影響因素研究[J].農(nóng)業(yè)工程學(xué)報(bào),2014,30(23):158-165.

[6] 薛利紅,周鼎號(hào),李穎,等.不同利用方式下土壤有機(jī)質(zhì)和全磷的可見(jiàn)近紅外高光譜反演[J].土壤學(xué)報(bào),2014,51(5):993-1001.

[7] 劉洋,丁瀟,劉煥軍,等.黑土土壤水分反射光譜特征定量分析與預(yù)測(cè)[J].土壤學(xué)報(bào),2014,51(5):1021-1026.

[8] 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.

[9] 王祥峰,蒙繼華.土壤養(yǎng)分遙感監(jiān)測(cè)研究現(xiàn)狀及展望[J].遙感技術(shù)與應(yīng)用,2015,30(6):1033-1040.

[10] 王飛,丁建麗.基于土壤植被光譜協(xié)同分析的土壤鹽度推理模型構(gòu)建研究[J].光譜學(xué)與光譜分析,2016,36(6):1848-1853.

[11] 劉煥軍,張柏,趙軍,等.黑土有機(jī)質(zhì)含量高光譜模型研究[J].土壤學(xué)報(bào),2007,44(1):27-32.

[12] 馬馳.基于Landsat 8吉林中北部地區(qū)土壤有機(jī)質(zhì)定量反演研究[J].干旱區(qū)資源與環(huán)境,2017,31(2):167-172.

[13] 程彬.松遼平原黑土有機(jī)質(zhì)及相關(guān)元素遙感定量反演研究[J].長(zhǎng)春:吉林大學(xué),2007.

[14] 李萍,趙庚星,高明秀,等.黃河三角洲土壤含水量狀況的高光譜估測(cè)與遙感反演[J].土壤學(xué)報(bào),2015,52(6):1262-1271.

[15] 呂杰,郝寧燕,史曉亮.基于流形學(xué)習(xí)的土壤高光譜數(shù)據(jù)特征提取研究[J].干旱區(qū)資源與環(huán)境,2015,29(7):176-180.

[16] 刁萬(wàn)英,劉剛,胡克林.基于高光譜特征與人工神經(jīng)網(wǎng)絡(luò)模型對(duì)土壤含水量估算[J].光譜學(xué)與光譜分析,2017,37(3):841-846.

[17] 沈掌泉,葉領(lǐng)賓,單英杰.應(yīng)用田間行走式紅外光譜進(jìn)行土壤碳含量估測(cè)研究[J].土壤學(xué)報(bào),2014,51(5):1011-1020.

[18] 劉沛,周衛(wèi)軍,李娟,等.溧陽(yáng)平原古水稻土有機(jī)質(zhì)紅外光譜特征[J].土壤學(xué)報(bào),2016,53(4):901-908.

[19] 劉艷芳,盧延年,郭龍,等.基于地類分層的土壤有機(jī)質(zhì)光譜反演校正樣本集的構(gòu)建[J].土壤學(xué)報(bào),2016,53(2):332-340.

[20] 王昶,黃馳超,徐光輝,等.近紅外光譜結(jié)合偏最小二乘法快速評(píng)估土壤質(zhì)量[J].土壤學(xué)報(bào),2013,50(5):36-45.

[21] 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.

[22] 劉婭,潘賢章,王昌昆,等.基于差異化光譜指數(shù)的鹽漬土水分含量預(yù)測(cè)—以濱海鹽土為例[J].土壤,2016,48(2):381-388.

[23] 代希君,彭杰,張艷麗,等.基于光譜分類的土壤鹽分含量預(yù)測(cè)[J].土壤學(xué)報(bào),2016,53(4):909-917.

[24] 劉煥軍,張柏,王宗明,等.基于反射光譜特征的土壤鹽堿化評(píng)價(jià)[J].紅外與毫米波學(xué)報(bào),2008,27(2):138-142.

[25] 彭杰,周清,張揚(yáng)珠,等.有機(jī)質(zhì)對(duì)土壤光譜特性的影響研究[J].土壤學(xué)報(bào),2013,50(2):76-83.

[26] 張威,高小紅,楊揚(yáng),等.基于光譜分析的土壤重金屬含量估算研究[J].土壤,2014,46(6):1052-1060.

[27] 劉華,張利權(quán).崇明東灘鹽沼土壤重金屬含量的高光譜估算模型[J].生態(tài)學(xué)報(bào),2007,27(8):3427-3434.

[28] 黃長(zhǎng)平,劉波,張霞,等.土壤重金屬Cu含量遙感反演的波段選擇與最佳光譜分辨率研究[J].遙感技術(shù)與應(yīng)用,2010,25(3):353-358.

膨潤(rùn)土的膨脹性能以膨脹容表示，同一屬型的膨潤(rùn)土，含蒙脫石愈多，膨脹容愈高。膠質(zhì)價(jià)、膨脹容是鑒定膨潤(rùn)土礦石屬型和估價(jià)膨潤(rùn)土質(zhì)量的技術(shù)指標(biāo)之一。

[29] 鄺榮禧,胡文友,何躍,等.便攜式X射線熒光光譜法(PXRF)在礦區(qū)農(nóng)田土壤重金屬快速檢測(cè)中的應(yīng)用研究[J].土壤,2015,47(3):589-595.

[30] 熊俊峰,鄭光輝,林晨.基于反射光譜的土壤鐵元素含量估算[J].光譜學(xué)與光譜分析,2016,36(11):3615-3619.

[31] 吳昀昭.南京城郊農(nóng)業(yè)土壤重金屬污染的遙感地球化學(xué)基礎(chǔ)研究[D].南京:南京大學(xué),2005.

[32] 李碩,汪善勤,史舟.基于成像光譜技術(shù)預(yù)測(cè)氮素在土壤剖面中的垂直分布[J].土壤學(xué)報(bào),2015,52(5):1014-1022.

[33] 李碩,汪善勤,張美琴,等.基于可見(jiàn)長(zhǎng)丘紅外光譜比較主成分回歸、偏最小二乘回歸和反向傳播神經(jīng)網(wǎng)絡(luò)對(duì)土壤氮的預(yù)測(cè)研究[J].光學(xué)學(xué)報(bào),2012,32(8):11-15.

[34] 徐永明,藺啟忠,王璐,等.基于高分辨率反射光譜的土壤營(yíng)養(yǎng)元素估算模型[J].土壤學(xué)報(bào),2006,43(5):709-716.

[35] 余璐,劉學(xué)斌,劉貴忠,等.土壤漏油含量光譜預(yù)測(cè)實(shí)驗(yàn)研究與分析[J].光譜學(xué)與光譜分析,2016,36(4):1116-1120.

[36] 洪長(zhǎng)橋,鄭光輝,陳昌春.蘇北濱海土壤碳酸鈣含量反射光譜估算研究[J].土壤學(xué)報(bào),2016,53(5):1120-1128.

[38] 高燈州,曾從盛,章文龍,等.閩江口濕地土壤全氮含量的高光譜遙感估算[J].生態(tài)學(xué)雜志,2016,35(4):952-959.

[39] 汪善勤,舒寧,蔡崇法,等.基于PCA和SRRI的潮土土壤屬性與田間光譜關(guān)系研究[J].土壤,2008,40(6):960-970.

[40] 何挺,王靜,程燁,等.土壤水分光譜特征研究[J].土壤學(xué)報(bào),2006,43(6):1028-1032.

[41] 金慧凝,張新樂(lè),劉煥軍,等.基于光譜吸收特征的土壤含水量預(yù)測(cè)模型研究[J].土壤學(xué)報(bào),2016,53(3):627-634.

[42] 李晨,張國(guó)偉,周治國(guó),等.濱海鹽土土壤水分的高光譜參數(shù)及估測(cè)模型[J].應(yīng)用生態(tài)學(xué)報(bào),2016,27(2):525-531.

[43] 柴思躍,馬維玲,劉高煥,等.GA-PLS方法提取土壤水鹽光譜特征的精度分析[J].遙感技術(shù)與應(yīng)用,2015,30(4):638-644.

[44] 程先鋒,宋婷婷,陳玉,等.滇西蘭坪鉛鋅礦區(qū)土壤重金屬含量的高光譜反演分析[J].巖石礦物學(xué)雜志,2017,36(1):60-69.

[45] 任紅艷.寶山礦區(qū)農(nóng)田土壤水稻系統(tǒng)重金屬污染的遙感監(jiān)測(cè)[D].南京:南京農(nóng)業(yè)大學(xué),2008.

[46] 陳松超,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):312-319.

[47] 王嬌,杜昌文,申亞珍,等.中紅外光聲光譜法測(cè)定土壤頂空氨氣濃度[J].土壤,2014,46(6):1017-1023.

[48] 關(guān)紅,賈科利,張至楠,等.鹽漬化土壤光譜特征分析與建模[J].國(guó)土資源遙感,2015,27(2):100-104.

[49] 楊雪,謝洪斌,羅真富,等.基于實(shí)測(cè)光譜的礦業(yè)開(kāi)發(fā)集中區(qū)土壤元素含量反演[J].環(huán)境監(jiān)測(cè)管理與技術(shù),2016,28(4):9-13.

[50] Zhang P,Li Y.Study on the comparisons of the establishment of two mathematical modeling methods for soil organic matter content based on spectral reflectance[J].Spectroscopy and Spectral Analysis,2016,36(3):903-910.

[51] 何挺,王靜,林宗堅(jiān),等.土壤有機(jī)質(zhì)光譜特征研究[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2006,31(11):975-979.

[52] 孫建英,李民贊,唐寧,等.東北黑土的光譜特性及其與土壤參數(shù)的相關(guān)性分析[J].光譜學(xué)與光譜分析,2007,27(8):1502-1505.

[53] 李相,丁建麗,黃帥,等.實(shí)測(cè)高光譜和HSI影像的區(qū)域土壤含水量遙感監(jiān)測(cè)研究[J].土壤,2016,48(5):1032-1041.

[54] 文虎,盛建東,顏安,等.綠洲農(nóng)田鹽堿斑土壤光譜特征分析與建模[J].新疆農(nóng)業(yè)大學(xué)學(xué)報(bào),2016,39(2):143-148.

[55] 朱忠鵬,熊黑鋼,張芳.基于Quickbird影像的堿化土壤pH值定量監(jiān)測(cè)研究[J].干旱區(qū)研究,2016,33(3):493-498.

[56] 關(guān)紅,賈科利,張至楠.采用高光譜指數(shù)的龜裂堿土鹽堿化信息提取與分析[J].紅外與激光工程,2014,43(12):4153-4158.

[57] 段鵬程,熊黑鋼,李榮榮,等.不同干擾程度的鹽漬土與其光譜反射特征定量分析[J].光譜學(xué)與光譜分析,2017,37(2):571-576.

[58] 何挺,王靜,程燁,等.土壤氧化鐵光譜特征研究[J].地理與地理信息科學(xué),2006,22(2):30-34.

[59] 曹文濤,康日斐,王集寧,等.基于高光譜遙感的土壤氯化鈉含量監(jiān)測(cè)[J].江蘇農(nóng)業(yè)學(xué)報(bào),2016,32(4):817-823.

[60] 夏學(xué)齊,季峻峰,陳駿,等.土壤理化參數(shù)的反射光譜分析[J].地學(xué)前緣,2009,16(4):354-352.