王婷 劉振華 彭一平 胡月明

摘要：為實(shí)現(xiàn)對(duì)土壤有機(jī)質(zhì)含量的快速監(jiān)測(cè)，在對(duì)土壤有機(jī)質(zhì)含量作倒數(shù)變換的同時(shí)將土壤高光譜數(shù)據(jù)進(jìn)行多種數(shù)據(jù)變換處理，篩選出與土壤有機(jī)質(zhì)含量倒數(shù)變換后相關(guān)性最高的光譜指標(biāo)，最后構(gòu)建了土壤有機(jī)質(zhì)含量高光譜反演的最佳模型，實(shí)現(xiàn)對(duì)土壤有機(jī)質(zhì)含量的反演。結(jié)果表明：估算土壤有機(jī)質(zhì)含量的最佳光譜指標(biāo)為反射率一階微分波段組合R（587，126*R（734，049）*R（1 095，892），相關(guān)系數(shù)為0.769;在此基礎(chǔ)上構(gòu)建的土壤有機(jī)質(zhì)含量高光譜反演模型最佳（Y=5×1016x3-5×1010x2+59 471.000 0x+0.101 1），其決定系數(shù)R2為0.65，均方根誤差（RMSE）為0.040 mg/kg。將其驗(yàn)證樣本預(yù)測(cè)值與實(shí)測(cè)值進(jìn)行比較，平均相對(duì)誤差為27.00%，RMSE為4.19 mg/kg。該驗(yàn)證結(jié)果證明利用該模型進(jìn)行華南地區(qū)土壤有機(jī)質(zhì)含量的快速監(jiān)測(cè)是可行的。

關(guān)鍵詞：土壤有機(jī)質(zhì)含量;高光譜;估測(cè)模型;華南地區(qū)

中圖分類(lèi)號(hào)：S127文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1000-4440（2020）02-0350-08

Abstract： In order to monitor soil organic matter content rapidly， the reciprocal transformation of soil organic matter content and a variety of data transformation processing on soil hyperspectral data were carried out. On this basis， the spectral index having the highest correlation with the content of soil organic matter after reciprocal transformation was selected to construct the best hyperspectral inversion model of soil organic matter content. The results indicated that the band combination R（587，126）×R（734，049）×R（1 095，892） was the best spectral index for estimating soil organic matter content， and the correlation coefficient was 0.769. The best hyperspectral inversion model constructed by the band combination was y = 5×1016x3 -5×1010x2+59 471.000 0x+0.101 1， with determination coefficient（R2） of 0.65 and root mean squared error （RMSE） of 0.040 mg/kg. In addition， the predicted value of the verified sample was compared with the measured value， the mean relative error （MRE） was 27.00%， and RMSE was 4.19 mg/kg. In conclusion， it is feasible to monitor the soil organic matter content in South China by using the model constructed in this study.

Key words：soil organic matter content;hyperspectrum;estimation model;South China

土壤有機(jī)質(zhì)（Soil organic matter，SOM）是存在于土壤當(dāng)中的含碳有機(jī)化合物總稱(chēng)[1]，是保持土壤肥力、維持良好耕地質(zhì)量的重要因素[2]。然而，快速擴(kuò)張的城市化、工業(yè)化導(dǎo)致土壤有機(jī)質(zhì)含量的變化更加明顯。因此，借助現(xiàn)代技術(shù)快速監(jiān)測(cè)土壤有機(jī)質(zhì)含量顯得尤為重要。

現(xiàn)有的獲取土壤有機(jī)質(zhì)含量的主要方式有2種：傳統(tǒng)的實(shí)驗(yàn)室化學(xué)分析和光譜分析。傳統(tǒng)的實(shí)驗(yàn)室化學(xué)分析方法是將采集的土壤樣品進(jìn)行制備，包括自然風(fēng)干、去除雜質(zhì)、壓碎研磨以及過(guò)篩，再通過(guò)一些土壤有機(jī)質(zhì)化學(xué)分析測(cè)定方法進(jìn)行測(cè)定，例如油浴法、目視比色法、灼燒法、光度法、直接加熱消解法、重鉻酸鉀容量法等，最后通過(guò)相應(yīng)的公式來(lái)計(jì)算土壤有機(jī)質(zhì)的含量[3-5]。傳統(tǒng)的實(shí)驗(yàn)室化學(xué)分析方法具有較高的準(zhǔn)確度，但在采樣過(guò)程中在一定程度上會(huì)造成采樣地點(diǎn)土壤的破壞和流失，且實(shí)驗(yàn)步驟繁瑣，耗時(shí)費(fèi)工，不便于快速、大范圍地測(cè)定土壤有機(jī)質(zhì)含量。

光譜分析方法是通過(guò)辨別物質(zhì)的光譜差異來(lái)測(cè)定土壤有機(jī)質(zhì)含量的方法。通過(guò)土壤光譜采集，分析土壤光譜與土壤有機(jī)質(zhì)含量之間的相關(guān)關(guān)系，建立兩者之間的線性或非線性模型，以此獲取土壤有機(jī)質(zhì)含量[6-10]。官曉等[6]以68組土壤樣本的有機(jī)質(zhì)含量和地面實(shí)測(cè)光譜數(shù)據(jù)為基礎(chǔ)，對(duì)比了多元回歸分析和模糊數(shù)學(xué)2種方法對(duì)土壤有機(jī)質(zhì)含量預(yù)測(cè)分析的效果，結(jié)果表明基于模糊數(shù)學(xué)的方法具有更明顯的優(yōu)勢(shì)，其相關(guān)系數(shù)為 89.3%，平均相對(duì)誤差更小。Dhawale等[7]采用實(shí)測(cè)土壤有機(jī)質(zhì)含量和相應(yīng)的土壤反射率，建立了兩者的最小二乘回歸模型，均方根誤差（RMSE）在0.76%到2.24%之間。這種方法可減少分析時(shí)間和成本，對(duì)土體的破壞性小，且具備較高的預(yù)測(cè)精度[11-13]。

有關(guān)光譜反演土壤有機(jī)質(zhì)含量的研究中，模型的建立大多數(shù)以經(jīng)驗(yàn)統(tǒng)計(jì)方法為主，且不同地區(qū)有不同的土壤類(lèi)型和成分，最終建立的估算模型存在普適性差的問(wèn)題。華南地區(qū)作為中國(guó)主要農(nóng)業(yè)產(chǎn)區(qū)之一，目前還沒(méi)有針對(duì)該地區(qū)構(gòu)建的土壤有機(jī)質(zhì)高光譜預(yù)測(cè)模型。因此，本研究通過(guò)Avafield地物高光譜儀實(shí)測(cè)獲取的土壤光譜數(shù)據(jù)以及實(shí)驗(yàn)室化學(xué)分析獲取的土壤有機(jī)質(zhì)含量，構(gòu)建亞熱帶典型區(qū)域廣東省的土壤有機(jī)質(zhì)高光譜估算模型，研究利用高光譜技術(shù)估測(cè)土壤有機(jī)質(zhì)含量的可行性。

1材料與方法

1.1研究區(qū)概況

廣東省處于20°09′～25°31′N(xiāo)和109°45′～117°20′E，亞熱帶季風(fēng)氣候，地勢(shì)北高南低，主要土壤類(lèi)型為紅壤、赤紅壤和磚紅壤（圖1）。耕地主要農(nóng)作物有：水稻、玉米、花生及其他作物。近年來(lái)城市化和工業(yè)化建設(shè)對(duì)全省耕地有機(jī)質(zhì)整體水平產(chǎn)生了不利影響[14]。

1.2數(shù)據(jù)來(lái)源及預(yù)處理

1.2.1土壤樣本采集及處理本研究采集的75個(gè)土壤樣點(diǎn)分布在廣東省各地級(jí)市（圖1），土壤類(lèi)型以赤紅壤、紅壤、磚紅壤和水稻土為主，樣點(diǎn)的采集時(shí)間為2017年5月。采集過(guò)程中進(jìn)行GPS精確定位，土層深度為0～20 cm， 質(zhì)量約300 g。采集的土壤樣本自然風(fēng)干，剔除砂礫及動(dòng)植物殘?bào)w等雜質(zhì)，碾磨并過(guò)篩（0.2 mm）。每個(gè)樣本分成2份，分別進(jìn)行土壤有機(jī)質(zhì)含量的化學(xué)分析和土壤光譜反射率的測(cè)量。

每個(gè)樣點(diǎn)分別稱(chēng)取土壤0.2 g，用H2SO4-HNO3-KMnO4法消解后，采用重鉻酸鉀容量法-外加熱法進(jìn)行土壤有機(jī)質(zhì)含量的化學(xué)分析。所有土樣的有機(jī)質(zhì)含量測(cè)定結(jié)果為：最大值61.11 mg/kg，最小值5.58 mg/kg，平均值29.79 mg/kg，標(biāo)準(zhǔn)差11.59 mg/kg，變異系數(shù)38.90%。表明研究區(qū)域的土壤有機(jī)質(zhì)含量為中等變異性。為了保證模型建立和驗(yàn)證的合理性，將75個(gè)樣本按有機(jī)質(zhì)含量從小到大排序，每隔4個(gè)樣本抽取1個(gè)樣本，一共15個(gè)樣本用于驗(yàn)證，其他60個(gè)樣本則用于建立模型。驗(yàn)證樣本和建模樣本的分布如圖1所示。

1.2.2土壤光譜反射率測(cè)定及處理土壤樣本的光譜反射率測(cè)定采用AvaField便攜式光譜儀（荷蘭Avantes公司產(chǎn)品），其覆蓋的波段范圍為340.316～2 511.179 nm，采樣間隔為0.6 nm。測(cè)定土樣光譜前利用標(biāo)準(zhǔn)白板和黑板對(duì)AvaField便攜式光譜儀進(jìn)行定標(biāo)和調(diào)整。采集光譜時(shí)，為了減少外界環(huán)境的影響，將土樣放置在一個(gè)黑夾子里，用50 W鹵素?zé)糇鳛闇y(cè)定光源，通過(guò)光纖連接視場(chǎng)角為10°的探頭垂直接觸來(lái)進(jìn)行光譜反射率測(cè)定。在采集土壤光譜反射率時(shí)，每個(gè)土樣測(cè)定5次，每次自動(dòng)采集10條數(shù)據(jù)。樣本的原始光譜反射率是利用AvaReader軟件將異常曲線去除后的光譜反射率算數(shù)平均值。

1.3高光譜模型建立與驗(yàn)證

1.3.1光譜數(shù)據(jù)分析采用Savitzky-Golay平滑方法對(duì)實(shí)驗(yàn)室采集的光譜數(shù)據(jù)進(jìn)行平滑處理以降低噪聲的影響。從圖2可見(jiàn)，采集的土壤光譜曲線變化趨勢(shì)大致相同，總體呈現(xiàn)先增加后降低的拋物線型。在可見(jiàn)光和部分近紅外波段范圍（400～1 100 nm），反射光譜隨著波長(zhǎng)的增加而上升，在1 100 nm附近形成一個(gè)峰值，之后光譜變化趨緩。在1 400 nm、1 900 nm和2 200 nm附近有3個(gè)明顯的吸收峰，深度略有差別，這可能是黏土礦物中所含的水分子和羥基的吸收帶[15]，基本符合土壤光譜的曲線特征。

1.3.2構(gòu)建光譜指標(biāo)土壤有機(jī)質(zhì)在可見(jiàn)光和近紅外波段表現(xiàn)出獨(dú)特的光譜響應(yīng)特性，且土壤光譜反射率與SOM含量一般呈顯著負(fù)相關(guān)關(guān)系，SOM含量的增減變化可以從土壤反射光譜中得到一定程度的反映[15-17]。正因?yàn)橛辛诉@種特殊的響應(yīng)關(guān)系，通過(guò)測(cè)定土壤的光譜反射率成為測(cè)定SOM含量的一種新方式[17]。另外，受到土壤結(jié)構(gòu)和光譜測(cè)量環(huán)境等差異的影響，土壤光譜和土壤有機(jī)質(zhì)含量呈現(xiàn)出一種非線性變化，使得光譜曲線的吸收帶和反射帶并不明顯。而光譜的低階（一階、二階）微分變換處理對(duì)噪聲影響的敏感性較低[18]，通過(guò)光譜變換處理可以去除部分背景、噪聲的影響，增強(qiáng)光譜數(shù)據(jù)與有機(jī)質(zhì)含量之間的相關(guān)關(guān)系[17]。因此，為了找到對(duì)土壤有機(jī)質(zhì)含量更敏感的光譜指標(biāo)，本研究選取光譜微分、倒數(shù)對(duì)數(shù)、雙波段組合等方法對(duì)光譜數(shù)據(jù)進(jìn)行處理（表1）。

1.3.3模型建立與驗(yàn)證利用皮爾遜（Pearson）相關(guān)分析方法篩選光譜特征指標(biāo)，以光譜特征指標(biāo)作為函數(shù)的自變量，因變量為實(shí)驗(yàn)室測(cè)得的土壤有機(jī)質(zhì)含量，構(gòu)建土壤有機(jī)質(zhì)含量與反射光譜及其變換后的光譜數(shù)據(jù)之間的模型。構(gòu)建的模型類(lèi)型包括：簡(jiǎn)單線性模型，Y =a+bx;一元二次函數(shù)模型，Y =a+bx+cx2;一元三次模型，Y =a+bx+cx2+dx3;對(duì)數(shù)模型，Y =a+b×ln（x）;指數(shù)模型，Y =a×exp（bx）;冪模型，Y=a×xb。式中，Y為土壤有機(jī)質(zhì)模擬值，x為光譜特征指標(biāo)，a、b、c、d為常數(shù)。

2結(jié)果與分析

2.1土壤有機(jī)質(zhì)含量與光譜指標(biāo)之間的相關(guān)性

對(duì)比分析土壤有機(jī)質(zhì)含量與表1中的4種光譜指標(biāo)的Pearson相關(guān)性大小及其變化趨勢(shì)，結(jié)果表明4種光譜指標(biāo)與土壤有機(jī)質(zhì)含量的相關(guān)性并不高（圖3）。通過(guò)反復(fù)試驗(yàn)，發(fā)現(xiàn)土壤有機(jī)質(zhì)含量倒數(shù)變換后與4種光譜指標(biāo)數(shù)據(jù)的相關(guān)性得到不同程度的提高（圖3）。

從圖3可看出，在有機(jī)質(zhì)含量未經(jīng)過(guò)變換時(shí)，4種光譜指標(biāo)中，光譜平滑反射率與土壤有機(jī)質(zhì)含量的最高相關(guān)性較小，反射率一階微分后與土壤有機(jī)質(zhì)含量的最高相關(guān)性最高。土壤有機(jī)質(zhì)含量經(jīng)過(guò)倒數(shù)變換后，4種光譜反射率與土壤有機(jī)質(zhì)含量的相關(guān)性得到不同程度的提高，尤其是反射率一階微分變換后相關(guān)系數(shù)從-0.335變成-0.475。以達(dá)到的最高相關(guān)性大小來(lái)看，4種光譜指標(biāo)與土壤有機(jī)質(zhì)含量的相關(guān)性大小為：FDR>lg（1/R）>SDR>REF（光譜平滑反射率），其對(duì)應(yīng)的相關(guān)系數(shù)分別為-0.475、-0.324、0.313、0.230。因此，在4種光譜指標(biāo)中，反射率一階微分（FDR）與土壤有機(jī)質(zhì)含量的相關(guān)性最佳，在本研究中為最優(yōu)光譜指標(biāo)。

在土壤有機(jī)質(zhì)含量經(jīng)過(guò)倒數(shù)變換的基礎(chǔ)上，篩選相關(guān)性最優(yōu)的波段組合。由表2可知，4種光譜指標(biāo)對(duì)應(yīng)的最大相關(guān)系數(shù)都達(dá)到極顯著相關(guān)水平，其中反射率一階微分的波段組合相關(guān)系數(shù)最高，達(dá)到0.769，其最優(yōu)的波段組合為R（587，126）*R（734，049）*R（1 095，892）。

2.2土壤有機(jī)質(zhì)含量的高光譜估算模型

在獲得4種光譜指標(biāo)最高相關(guān)性所對(duì)應(yīng)的波段組合的基礎(chǔ)上，采用6種常用的回歸模型方法，分別以各光譜指標(biāo)最佳波段組合為自變量x和倒數(shù)變換后的土壤全有機(jī)質(zhì)含量為因變量y，構(gòu)建各項(xiàng)光譜指標(biāo)[反射率光譜平滑（REF）、一階微分（FDR）、二階微分（SDR）、倒數(shù)對(duì)數(shù)（lg（1/R）]與土壤有機(jī)質(zhì)含量之間的高光譜估算模型。當(dāng)部分自變量x出現(xiàn)負(fù)數(shù)時(shí)，對(duì)數(shù)函數(shù)和冪函數(shù)模型被剔除（表3）。

a1：原始有機(jī)質(zhì)含量與光譜平滑反射率相關(guān)性;a2：變換后的有機(jī)質(zhì)含量與光譜平滑反射率相關(guān)性;b1：原始有機(jī)質(zhì)含量與反射率一階微分相關(guān)性;b2：變換后的有機(jī)質(zhì)含量與反射率一階微分相關(guān)性;c1：原始有機(jī)質(zhì)含量與反射率二階微分相關(guān)性;c2：變換后的有機(jī)質(zhì)含量與反射率二階微分相關(guān)性;d1：原始有機(jī)質(zhì)含量與反射率倒數(shù)對(duì)數(shù)相關(guān)性;d2：變換后的有機(jī)質(zhì)含量與反射率倒數(shù)對(duì)數(shù)相關(guān)性。

從表3可以看出，采用4～6種基本模型分別對(duì)4種光譜指標(biāo)與土壤有機(jī)質(zhì)含量的高光譜估算模型的效果差異較大。其中建模的決定系數(shù)（R2）介于0.17與0.65之間，均方根誤差（RMSE）介于0.040 mg/kg與0.061 mg/kg之間;模型建立后進(jìn)行驗(yàn)證獲取的R2介于0.02與0.73之間，RMSE介于0.040 mg/kg與0.049 mg/kg之間。對(duì)比和分析表3中所有模型的效果可知，基于反射率一階微分（FDR）波段組合的土壤有機(jī)質(zhì)含量估算模型的反演效果要明顯優(yōu)于其他模型，這是因?yàn)樵谝浑A微分變換后，光譜反射率變得更加平緩，而部分特征卻得到了明顯的增強(qiáng)，使得光譜估算模型的效果得到提升。在反射率一階微分（FDR）波段組合的4種估算模型中，一元三次函數(shù)模型Y=5×1016x3-5×1010x2+59 471.000 0x+0.101 1的R2達(dá)到0.65，RMSE為0.040 mg/kg， R2較大且RMSE小，擬合效果最好，其擬合圖見(jiàn)圖4。

對(duì)建立的模型進(jìn)行可靠性驗(yàn)證。在驗(yàn)證過(guò)程中，將模擬出的檢驗(yàn)樣本有機(jī)質(zhì)含量與實(shí)測(cè)數(shù)據(jù)進(jìn)行比較，從表4可以看到，檢驗(yàn)樣本預(yù)測(cè)值介于8.32 mg/kg與18.26 mg/kg之間，平均值為14.75 mg/kg，標(biāo)準(zhǔn)差為2.80 mg/kg;實(shí)測(cè)值介于5.98 mg/kg與23.37 mg/kg之間，平均值為15.38 mg/kg，標(biāo)準(zhǔn)差為5.45 mg/kg;RMSE為4.19 mg/kg。絕對(duì)誤差介于0.48 mg/k與7.32 mg/kg之間，平均值為3.70 mg/kg;相對(duì)誤差介于5.30%與78.43%之間，平均值為27.00%。從散點(diǎn)分布圖（圖5）也可以看出，實(shí)測(cè)值和預(yù)測(cè)值與1∶1線也較接近，可知用該模型反演效果可靠，適合用來(lái)進(jìn)行土壤有機(jī)質(zhì)含量高光譜估算。

3討論

為了減小噪聲影響，增強(qiáng)光譜數(shù)據(jù)與有機(jī)質(zhì)含量之間的相關(guān)關(guān)系，本研究將土壤光譜反射率數(shù)據(jù)進(jìn)行了4種變換處理，包括Savitzky-Golay平滑、一階微分變換、二階微分變換以及倒數(shù)對(duì)數(shù)變換，且將有機(jī)質(zhì)含量進(jìn)行倒數(shù)轉(zhuǎn)換。在此基礎(chǔ)上分別篩選出4種光譜指標(biāo)相關(guān)系數(shù)較高的波段，再對(duì)特征波段進(jìn)行組合并進(jìn)行相關(guān)分析。波段組合后的相關(guān)系數(shù)得到了提高，且都達(dá)到極顯著相關(guān)水平，其中反射率一階微分的波段組合R（587，126）*R（734，049）*R（1 095，892）相關(guān)系數(shù)最高，達(dá)到0.769。

經(jīng)過(guò)對(duì)比分析，基于4種光譜指標(biāo)和4～6種常用數(shù)學(xué)回歸模型分別建立土壤有機(jī)質(zhì)含量高光譜估算模型。得到的最佳模型是以反射率一階微分的波段組合R（587，126）*R（734，049）*R（1 095，892）為光譜指標(biāo)所建立的一元三次函數(shù)模型Y=5×1016x3-5×1010x2+59 471.000 0x+0.101 1，建模時(shí)得到的R2為0.65，RMSE為0.040 mg/kg，驗(yàn)證時(shí)獲得的R2為0.73，RMSE為0.040 mg/kg，反倒數(shù)變換后的驗(yàn)證RMSE為4.19 mg/kg。研究結(jié)果表明該模型用于估算土壤有機(jī)質(zhì)含量是可行的。

為了最大化地提高光譜指標(biāo)與土壤有機(jī)質(zhì)含量之間的相關(guān)性，本研究對(duì)土壤有機(jī)質(zhì)含量進(jìn)行倒數(shù)變換之后再進(jìn)行相關(guān)性分析、波段組合以及最后的建模，這是區(qū)別于前人[17，20-21]的研究，這為高光譜有機(jī)質(zhì)含量估算模型的建立提供了新思路。由于不同地區(qū)不同土壤類(lèi)型對(duì)應(yīng)的土壤屬性與反射率也會(huì)有所不同，在建模過(guò)程中，受這種區(qū)域因素的影響，本研究所得土壤有機(jī)質(zhì)含量與光譜指標(biāo)兩者的最大相關(guān)系數(shù)及相應(yīng)的特征波段也有所差異，這也說(shuō)明目前普適性問(wèn)題是建立高光譜估算模型普遍存在的問(wèn)題，這也是本研究存在的一個(gè)不足點(diǎn)。因此，在以后的采樣當(dāng)中，考慮補(bǔ)充華南地區(qū)以外不同土壤屬性的土樣，以提高預(yù)測(cè)模型的可靠性和普適性;此外，在建模的過(guò)程中，嘗試?yán)靡恍┓蔷€性建模方法來(lái)獲取更好的預(yù)測(cè)效果。

參考文獻(xiàn)：

[1]李志洪，趙蘭坡，竇森. 土壤學(xué)[M].北京：化學(xué)工業(yè)出版社，2005.

[2]BATIONO A， KIHARA J， VANLAUWE B， et al. Soil organic carbon dynamics， functions and management in West African agro-ecosystems[J]. Agricultural Systems， 2007， 94（1）：13-25.

[3]李婧. 土壤有機(jī)質(zhì)測(cè)定方法綜述[J].分析試驗(yàn)室，2008，27 （S1）：154-156.

[4]季天委. 重鉻酸鉀容量法中不同加熱方式測(cè)定土壤有機(jī)質(zhì)的比較研究[J].浙江農(nóng)業(yè)學(xué)報(bào)，2005，17 （5）：311-313.

[5]章濤，于雷. 土壤有機(jī)質(zhì)高光譜估算模型研究進(jìn)展[J]. 湖北農(nóng)業(yè)科學(xué)，2017，56 （17）：3205-3208.

[6]官曉，周萍，陳圣波. 基于地面實(shí)測(cè)光譜的土壤有機(jī)質(zhì)含量預(yù)測(cè)[J]. 國(guó)土資源遙感，2014， 26（2）：105-111.

[7]DHAWALE N M， ADAMCHUK V I， PRASHER S O， et al. Proximal soil sensing of soil texture and organic matter with a prototype portable mid‐infrared spectrometer[J]. European Journal of Soil Science， 2015， 66（4）：661-669.

[8]袁征，李希燦，于濤，等. 高光譜土壤有機(jī)質(zhì)估測(cè)模型對(duì)比研究[J].測(cè)繪科學(xué)，2014，39（5）：117-120.

[9]欒福明，張小雷，熊黑鋼，等. 基于不同模型的土壤有機(jī)質(zhì)含量高光譜反演比較分析[J].光譜學(xué)與光譜分析，2013，33（1）：196-200.

[10]侯艷軍，塔西甫拉提·特依拜，買(mǎi)買(mǎi)提·沙吾提，等. 荒漠土壤有機(jī)質(zhì)含量高光譜估算模型[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30（16）：113-120.

[11]STEVENS A， WESEMAEL B V. Soil organic carbon stock in the Belgian Ardennes as affected by afforestation and deforestation from 1868 to 2005[J]. Forest Ecology & Management， 2008， 256（8）：1527-1539.

[12]CROFT H， KUHN N J， ANDERSON K. On the use of remote sensing techniques for monitoring spatio-temporal soil organic carbon dynamics in agricultural systems[J]. Catena， 2012， 94（9）：64-74.

[13]于雷，洪永勝，耿雷，等. 基于偏最小二乘回歸的土壤有機(jī)質(zhì)含量高光譜估算[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（14）：103-109.

[14]曾招兵，湯建東，劉一峰，等. 廣東耕地土壤有機(jī)質(zhì)的變化趨勢(shì)及其驅(qū)動(dòng)力分析[J]. 土壤， 2013，45 （1）：84-90.

[15]AL-ABBAS A H， SWAIN P H， BAUMGARDNER M F. Relating organic matter and clay content to the multispectral radiance of soils [J]. Soil Science， 1972， 114（6）：477-485.

[16]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.

[17]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.

[18]CLOUTIS E A. Review article： Hyperspectral geological remote sensing： evaluation of analytical techniques[J]. International Journal of Remote Sensing， 1996， 17（12）：2215-2242.

[19]FUAN T， WILLIAM D. A derivative-aided hyperspectral image analysis system for land-cover classification [J]. IEEE Transaction on Geoscience and Remote Sensing， 2002， 10（2）： 416-425.

[20]盧艷麗，白由路，楊俐蘋(píng)，等. 基于高光譜的土壤有機(jī)質(zhì)含量預(yù)測(cè)模型的建立與評(píng)價(jià)[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2007，40（9）：1989-1995.

[21]李媛媛，李微，劉遠(yuǎn)，等. 基于高光譜遙感土壤有機(jī)質(zhì)含量預(yù)測(cè)研究[J].土壤通報(bào)，2014，45（6）：1313-1318.

（責(zé)任編輯：張震林）