基于機(jī)載高光譜影像的南方水稻土有機(jī)質(zhì)含量估算

郭晗, 張序, 陸洲, 田婷, 徐飛飛, 羅明, 吳正貴, 孫振軍

(1.蘇州科技大學(xué)環(huán)境科學(xué)與工程學(xué)院，江蘇 蘇州 215009；2.中國科學(xué)院地理科學(xué)與資源研究所，北京 100101；3.蘇州市農(nóng)業(yè)科學(xué)院，江蘇 蘇州 215000；4.蘇州市農(nóng)業(yè)技術(shù)推廣中心，江蘇 蘇州 215006；5.蘇州市農(nóng)業(yè)信息中心，江蘇 蘇州 215128)

土壤有機(jī)質(zhì)含量是評價(jià)土壤肥力的重要指標(biāo)[1]，其高效監(jiān)測是土地資源有效管理利用、種植業(yè)精細(xì)化運(yùn)營必要條件和必然趨勢。傳統(tǒng)土壤有機(jī)質(zhì)監(jiān)測以室內(nèi)測定為主，操作繁瑣、耗時(shí)費(fèi)力。航空、航天遙感以其高效、環(huán)保等特點(diǎn)在土壤有機(jī)質(zhì)監(jiān)測中應(yīng)用日趨廣泛，但其影像獲取周期長，覆蓋不完全等缺點(diǎn)制約了其在田間應(yīng)用。相較之下，機(jī)載高光譜操作簡便、環(huán)境友好、實(shí)時(shí)性強(qiáng)的優(yōu)勢逐漸凸顯[2-3]，將其用于田間土壤有機(jī)質(zhì)監(jiān)測，必將促進(jìn)現(xiàn)代化農(nóng)業(yè)的進(jìn)步，推動精準(zhǔn)農(nóng)業(yè)的快速發(fā)展。

21世紀(jì)以來，無人機(jī)(unmanned aerial vehicle,UAV)遙感技術(shù)快速發(fā)展，并應(yīng)用于田間高分辨率土壤調(diào)查與制圖[4]。國內(nèi)外學(xué)者利用無人機(jī)遙感高光譜數(shù)據(jù)對土壤有機(jī)質(zhì)開展了眾多研究。Peon 等[5]利用機(jī)載高光譜掃描儀(airborne hyperspectral scanner,AHS)獲得山區(qū)植被覆蓋區(qū)數(shù)據(jù)源，建立了土壤有機(jī)質(zhì)多元回歸預(yù)測模型并取得了良好的效果。Xu等[6]利用Vis-NIR光譜結(jié)合SVR(support vector regression)對水稻土有機(jī)質(zhì)含量進(jìn)行監(jiān)測，發(fā)現(xiàn)SVR對水稻土有機(jī)質(zhì)檢測具有很大的潛力，建立的土壤有機(jī)質(zhì)預(yù)測模型精度R2達(dá)到0.88。秦凱[7]基于重建的機(jī)載高光譜數(shù)據(jù)研究土壤有機(jī)質(zhì)的反演模型，開展了巖石礦物和土壤有機(jī)質(zhì)的信息提取算法研究。文錫梅等[8]利用機(jī)載高光譜成像系統(tǒng)獲取喀斯特地區(qū)土壤光譜數(shù)據(jù)，為喀斯特地區(qū)快速、大范圍、實(shí)時(shí)地監(jiān)測土壤有機(jī)質(zhì)含量提供了更多的技術(shù)手段。張東輝等[9]通過CASI-1500航空高光譜成像系統(tǒng)(加拿大ITRES)獲取黑龍江建三江地區(qū)有機(jī)質(zhì)高光譜數(shù)據(jù),顯著提升了土壤信息反演的信息化水平。

土壤有機(jī)質(zhì)光譜會受到土壤粒徑、土壤類型、土壤pH等自身因素的影響而表現(xiàn)出不同形式，對于不同土壤類型，有機(jī)質(zhì)監(jiān)測模型有較大差別，普適性差。因此，針對特定土壤類型，減弱或去除植被、水分等土壤背景對機(jī)載高光譜的影響，研究具有針對性、高精度的土壤有機(jī)質(zhì)監(jiān)測模型是目前研究重點(diǎn)。南方地區(qū)以生產(chǎn)稻米聞名全國，為促進(jìn)農(nóng)業(yè)可持續(xù)發(fā)展和資源永續(xù)利用，積極開展輪作休耕工作[10]。為評價(jià)南方水稻土輪作休耕效果，高效監(jiān)測土壤有機(jī)質(zhì)含量，本文對研究區(qū)的高光譜數(shù)據(jù)(波段范圍396～997 nm，波段個(gè)數(shù)176個(gè))進(jìn)行多種光譜變換，并利用多元回歸(multiple linear regression，MLS)、偏最小二乘(partial least squares，PLSR)、反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network, BPNN)、支持向量機(jī)(support vector machine，SVM)多種方法構(gòu)建108種基于不同光譜變換的模型，以此探討適應(yīng)南方水稻土有機(jī)質(zhì)估算的最優(yōu)光譜變換和建模方法組合，為南方水稻土有機(jī)質(zhì)大范圍高效監(jiān)測、土壤質(zhì)量評價(jià)，提供技術(shù)參考。

1 材料與方法

1.1 研究區(qū)概況

選取蘇州市震澤鎮(zhèn)休耕水稻田(120°30′56.31″E～120°31′11.30″E，30°56′48.53″N～30°57′2.07″N)作為研究區(qū)，位于亞熱帶濕潤季風(fēng)氣候區(qū)，平均年降水量在800～1 500 mm，氣候溫暖濕潤[11]，適宜水稻生長。土壤多為粉砂質(zhì)粘壤，顆粒細(xì)小，孔隙度高[12]，有利于降水入滲而底土層粘壤和粉砂粘壤對入滲降水有攔截作用，保水保肥性好，是水稻種植的理想土質(zhì)。

1.2 數(shù)據(jù)獲取

1.2.1高光譜數(shù)據(jù)獲取 機(jī)載高光譜數(shù)據(jù)通過DJ Mpro 600無人機(jī)搭載GaiaSky-Mini2-VN航空高光譜成像系統(tǒng)獲取(高光譜成像系統(tǒng)參數(shù)見表1)。為降低外界環(huán)境對土壤光譜的干擾，選擇天氣晴朗、風(fēng)級小的1月25日于12:30～13:30對研究區(qū)進(jìn)行數(shù)據(jù)采集。采集當(dāng)日設(shè)置60個(gè)航點(diǎn)，共飛行2個(gè)架次，旁向覆蓋率70%，飛行高度300 m?？臻g分辨率0.073 m，光譜分辨率最高可達(dá)3.2 nm。獲得的高光譜數(shù)據(jù)利用SpecView先后進(jìn)行了鏡頭校正，反射率校準(zhǔn)，大氣校正，并通過HiSpectralStitcher完成60景影像的拼接。

1.2.2土壤有機(jī)質(zhì)數(shù)據(jù)獲取 采用漁網(wǎng)布點(diǎn)法[13]在研究區(qū)布設(shè)59個(gè)采樣點(diǎn)，實(shí)際采樣時(shí)剔除非裸土的采樣點(diǎn)后，共計(jì)45個(gè)采樣點(diǎn)(圖1)。去除秸稈和土壤表層，通過梅花采樣法采集5個(gè)點(diǎn)位0～10 cm表層土壤，混合作為一個(gè)土樣，每個(gè)土樣采集1 kg，避光保存。

采集的土樣經(jīng)過凍干、研磨、過篩等預(yù)處理后，用鹽酸消解無機(jī)碳，通過Multi NC3100TOC分析儀(德國耶拿)測定有機(jī)碳，測定結(jié)果乘以土壤有機(jī)質(zhì)轉(zhuǎn)換系數(shù)(1.724)得到土壤有機(jī)質(zhì)含量。相較于傳統(tǒng)的重鉻酸鉀容量法，該方法大大的減少了人為誤差，縮短了測定時(shí)間，提高了測定效率[14]。

1.3 實(shí)驗(yàn)方法

1.3.1建模集檢驗(yàn)集劃分 利用SPSS.22將研究區(qū)的45個(gè)樣本總集隨機(jī)劃分成32個(gè)建模集和13個(gè)檢驗(yàn)集(圖1)。從圖1可以看出，建模集和檢驗(yàn)集在研究區(qū)空間分布上較為均勻。

圖1 建模點(diǎn)與檢驗(yàn)點(diǎn)分布

1.3.2一維、二維特征光譜提取 利用Excel和Origin.2018對45個(gè)采樣點(diǎn)176個(gè)波段的原始反射率進(jìn)行去除包絡(luò)線(continuum removal，CR)、倒數(shù)(inverse，IR)、對數(shù)(logarithmic，LR)、一階微分(first-order differential，F(xiàn)DR)、二階微分(second-order differential single transformation，SDR)、倒數(shù)一階微分(inverse first-order differential，IFDR)、對數(shù)一階微分(logarithmic first-order differential，LFDR)、倒數(shù)對數(shù)(reciprocal logarithmic，ILR)8種變換，得到一維光譜。利用SPSS.22對一維光譜與有機(jī)質(zhì)進(jìn)行相關(guān)性分析。

利用Matlab.7將所有波段的一維光譜兩兩組合，并對組合后光譜計(jì)算土壤比值指數(shù)(RSI)和土壤歸一化指數(shù)(NDSI)，得到土壤有機(jī)質(zhì)的二維光譜。

RSI(λ1,λ2)=λ1/λ2

(1)

NDSI(λ1,λ2)=(λ1-λ2)/(λ1+λ2)

(2)

式中，λ1、λ2為任意兩個(gè)波段組合，λ1≠λ2。

二維光譜與有機(jī)質(zhì)之間的相關(guān)性系數(shù)計(jì)算，通過Matlab.7中的Corrcoef[15]函數(shù)中實(shí)現(xiàn)。

一維、二維特征光譜的篩選均在Excel中完成。為減少一維、二維建模之間的非必要差異因素，增加建模效果的可比性，結(jié)果的說服性，對一維和二維建模輸入變量個(gè)數(shù)進(jìn)行統(tǒng)一(表2)。對原始和8種變換后的一維、二維光譜依次篩選出10個(gè)有機(jī)質(zhì)響應(yīng)敏感的波段用于多元線性回歸模型(MLR)的建立。同時(shí)篩選出與全波段一維光譜個(gè)數(shù)相同的二維特征光譜作為偏最小二乘(PLSR)、反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)和支持向量機(jī)(SVM)建模方法的輸入變量。

表2 模型輸入變量個(gè)數(shù)

1.3.3模型建立與檢驗(yàn) 本文建立了土壤有機(jī)質(zhì)高光譜預(yù)測的多元回歸(MLR)、偏最小二乘(PLSR)線性模型和反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)、支持向量機(jī)(SVM)非線性模型。

MLR模型的建立利用SPSS.22完成，設(shè)置95%作為誤差表征級別選入和剔除變量[16]，依次構(gòu)建基于原始反射率及其8種數(shù)學(xué)變換的一維、二維特征光譜模型。土壤有機(jī)質(zhì)PLSR、BPNN、SVM預(yù)測模型的建立分別以全波段一維光譜、二維特征光譜作為輸入變量，通過調(diào)節(jié)建模參數(shù)達(dá)到理想的建模效果。建模精度和檢驗(yàn)精度均通過決定系數(shù)(R2)和均方根誤差(RMSE)進(jìn)行評價(jià)。

(1)

(2)

2 結(jié)果與分析

2.1 有機(jī)質(zhì)測定結(jié)果及特征分析

有機(jī)質(zhì)測定結(jié)果(表3)表明：總集、建模集、檢驗(yàn)集均值在2%以上，都達(dá)到了國家三級土壤肥力標(biāo)準(zhǔn)[17]，研究區(qū)的土壤有機(jī)質(zhì)含量較高，可以掩蓋土壤中鐵或者錳對土壤光譜的響應(yīng)[18]。總集、建模集、檢驗(yàn)集變異系數(shù)均大于2.4%，避免了因土壤樣本有機(jī)質(zhì)含量變異系數(shù)過小造成的光譜反射率估算土壤有機(jī)質(zhì)含量精度偏低現(xiàn)象[19]。建模集、檢驗(yàn)集劃分較合理，可用于土壤有機(jī)質(zhì)含量估算研究。

表3 研究區(qū)采樣點(diǎn)有機(jī)質(zhì)特征統(tǒng)計(jì)

2.2 特征光譜提取結(jié)果與分析

2.2.1一維特征光譜 原始反射率(RAW)及8種光譜變換與有機(jī)質(zhì)之間的相關(guān)性分析見表4。LFDR及IFDR變換后光譜和有機(jī)質(zhì)之間相關(guān)性較好，最敏感波段處相關(guān)性均大于0.5，其中IFDR與有機(jī)質(zhì)之間相關(guān)性最高達(dá)到了0.561，較RAW特征光譜與有機(jī)質(zhì)之間的最優(yōu)相關(guān)性提高了0.16；經(jīng)過FDR、SDR、IFDR、LFDR變換后的反射率與有機(jī)質(zhì)之間的相關(guān)性變異系數(shù)均有較大的提高，可見微分變換能有效分解波段間的重疊峰，擴(kuò)大樣品之間的光譜特征差異，提高光譜靈敏度，這與喬娟峰等[16]研究結(jié)論一致。

表4 一維光譜與有機(jī)質(zhì)之間相關(guān)性

一維特征光譜在全波段分布見圖2。410～440 nm處是特征光譜集中區(qū)域,共有46個(gè)特征波段，超過其他波段處特征光譜總和。結(jié)合采樣點(diǎn)在不同波段處的原始平均反射率(圖3)發(fā)現(xiàn)，410～440 nm處存在一個(gè)反射率低谷，即土壤有機(jī)質(zhì)在此波段存在強(qiáng)吸收，其是有機(jī)質(zhì)響應(yīng)的敏感波段。其他波段范圍內(nèi)雖然一維特征光譜分布較少，但仍然存在，為充分挖掘光譜信息，凸顯不同光譜之間差異，尋找隱含特征光譜，需對原始和變換后的一維光譜分別進(jìn)行比值(RSI)和歸一化(NDSI)處理。

圖2 一維特征光譜在全波段分布

圖3 采樣點(diǎn)反射率均值曲線

2.2.2二維特征光譜 從圖4可以看出，二維特征光譜(RSI、NDSI)與有機(jī)質(zhì)之間的相關(guān)性較一維特征光譜均有較大程度提高，二維光譜在挖掘隱含光譜信息，反映土壤有機(jī)質(zhì)適應(yīng)機(jī)制上優(yōu)于一維光譜[20-21]。LFDR變換對應(yīng)的RSI、NDSI二維光譜與有機(jī)質(zhì)之間的相關(guān)性分別達(dá)到0.616、0.584，相較于其他光譜變換，LFDR變換對應(yīng)的二維(RSI、NDSI)特征光譜與有機(jī)質(zhì)之間的相關(guān)性較好，表現(xiàn)最為穩(wěn)定。說明LFDR變換充分保留和結(jié)合了FDR變換和LR變換的優(yōu)勢，能有效解決光譜重疊問題，突出特征波段光譜信息，與周倩倩等[22]研究結(jié)果一致。RSI和NDSI二維特征光譜與有機(jī)質(zhì)之間的相關(guān)性差異不大，除SDR變換對應(yīng)的二維特征光譜外，RSI二維特征光譜與有機(jī)質(zhì)之間的相關(guān)性略大于NDSI二維特征光譜。NDSI固有的運(yùn)算法則會生成值為0的光譜指數(shù)，從而導(dǎo)致部分特征光譜的遺失，此外NDSI處理對光譜背景有消除作用，但同時(shí)也會放大其他細(xì)微光譜信息，對有機(jī)質(zhì)光譜信息產(chǎn)生覆蓋、干擾。因此，RSI光譜變換能保留更完整的光譜信息，和有機(jī)質(zhì)之間的相關(guān)性分析更完全。

圖4 不同變換方法的最大相關(guān)系數(shù)

從圖5可以看出，RSI和NDSI篩選出的二維特征光譜所處波段位置基本相同，它們特征波段密集區(qū)均位于500～550 nm 組合處和900 nm組合處。采樣點(diǎn)的原始平均反射率曲線(圖3)在500～550 nm 及900 nm處的反射谷難以直觀看到，這是由于土壤背景及其他物質(zhì)的光譜信息對有機(jī)質(zhì)光譜信息產(chǎn)生干擾造成的。一維光譜變換很難篩選出被其它物質(zhì)光譜信息影響的有機(jī)質(zhì)響應(yīng)敏感波段，而二維光譜(RSI、NDSI)可以去除冗余信息，有效放大有機(jī)質(zhì)與光譜之間的微弱關(guān)聯(lián)，強(qiáng)化有機(jī)質(zhì)與光譜之間相互作用關(guān)系，快速提取有機(jī)質(zhì)響應(yīng)敏感波段[23]。

圖5 全波段中RSI、NDSI二維特征光譜分布

2.3 建模結(jié)果分析

2.3.1不同輸入變量的建模結(jié)果分析 基于上述原始反射率及8種變換的一維和二維(RSI、NDSI)特征光譜提取結(jié)果分別建立了MLR、PLSR、BPNN、SVM 4種模型(圖6～8)，共計(jì)108個(gè)，其中BPNN在一維、二維(RSI、NDSI)光譜建模中都取得較高的建模精度和檢驗(yàn)精度，整體建模效果較好。SDR光譜變換對應(yīng)的NDSI二維光譜模型檢驗(yàn)精度低，建模效果較差，遠(yuǎn)不如SDR光譜變換對應(yīng)的NDSI二維光譜建模效果，這與二維特征光譜提取結(jié)果一致，即SDR光譜變換對應(yīng)的NDSI二維光譜與有機(jī)質(zhì)之間相關(guān)性小于RSI二維光譜。相較一維光譜，線性模型(MLR、PLSR)建模精度和檢驗(yàn)精度在二維光譜中有較大程度提升，其中基于RSI二維光譜建立的線性模型(MLR、PLSR)效果最好。直接原因是RSI二維特征光譜與有機(jī)質(zhì)之間的相關(guān)性大于NDSI二維特征光譜與有機(jī)質(zhì)之間的相關(guān)性，可見特征光譜與有機(jī)質(zhì)之間的相關(guān)性程度與建模效果聯(lián)系緊密，恰當(dāng)?shù)墓庾V變換是建立優(yōu)質(zhì)模型的基礎(chǔ)。除LFDR變換外，不同光譜變換的SVM模型建模精度和檢驗(yàn)精度在一維和二維光譜中差異較大，穩(wěn)定性較差。說明原始反射率經(jīng)過LR和FDR組合變換后能準(zhǔn)確定位有機(jī)質(zhì)響應(yīng)的特征波段，提高有機(jī)質(zhì)與光譜之間擬合度，LFDR是建立SVM土壤有機(jī)質(zhì)預(yù)測模型的最佳光譜變量。二維光譜建模精度和檢驗(yàn)精度整體高于一維光譜。比值(RSI)二維光譜建模效果優(yōu)于歸一化(NDSI)二維光譜建模效果，建立模型具有較好的穩(wěn)健性?；诓煌兞康慕ＰЧ筛叩降鸵来问牵篟SI二維光譜、NDSI二維光譜、一維光譜。

圖6 基于一維光譜的MLR、PLSR、BPNN、SVM建模效果

2.3.2建模質(zhì)量評價(jià)分析 為定量評價(jià)不同方法的建模質(zhì)量，本文定義檢驗(yàn)精度誤差(模型檢驗(yàn)精度與建模精度差值的絕對值)作為衡量指標(biāo)(表5)。相較一維光譜，基于二維光譜建立的MLR、PLSR、BPNN模型，檢驗(yàn)精度與建模精度之間的誤差有所減小，其中MLR模型檢驗(yàn)精度與建模精度之間的誤差減小顯著，達(dá)到0.25。這是由于MLR建模輸入變量較少，且一維特征光譜信息單一，遺漏部分隱含特征光譜，忽略特征光譜之間的內(nèi)在聯(lián)系造成的。二維光譜建立的模型在適用性和穩(wěn)定性[24]上均優(yōu)于一維光譜建立的模型。

圖7 基于RSI二維光譜的MLR、PLSR、BPNN、SVM建模效果

圖8 基于NDSI二維光譜的MLR、PLSR、BPNN、SVM建模效果

表5 一維、二維光譜建模的檢驗(yàn)精度誤差

2.3.3不同方法建模結(jié)果分析 線性模型(MLR、PLSR)建模精度及檢驗(yàn)精度整體低于非線性模型(BPNN、SVM)，其中，BPNN建立的模型對土壤有機(jī)質(zhì)和高光譜的整體擬合效果佳。SVM建立的有機(jī)質(zhì)預(yù)測模型精度較好，但檢驗(yàn)精度較低，模型擬合度不如BPNN。綜合建模精度和檢驗(yàn)精度，土壤有機(jī)質(zhì)含量估算模型由好到差依次是BPNN、SVM、PLSR、MLR，對應(yīng)最適光譜輸入變量依次是RSIRAW、RSILFDR、RSIIR、NDSIIFDR?；赗SIRAW建立的BPNN模型建模精度為0.952，檢驗(yàn)精度為0.889，擬合效果最好(表6)，此時(shí)建模參數(shù)：神經(jīng)元個(gè)數(shù)為5，網(wǎng)絡(luò)訓(xùn)練次數(shù)為5 000，訓(xùn)練目標(biāo)為0.01，學(xué)習(xí)速率0.01。

表6 不同模型最優(yōu)建模型精度

2.4 模型應(yīng)用

本文選取蘇州市吳中區(qū)休耕水稻田(圖9)作為測試區(qū)域，機(jī)載高光譜影像數(shù)據(jù)于天氣晴朗的2019年3月4日采集(技術(shù)參數(shù)見1.2.1)，同時(shí)采集8個(gè)土樣測定其有機(jī)質(zhì)含量(實(shí)驗(yàn)操作同1.2.2)，用于研究結(jié)果的驗(yàn)證。

通過Envi5.3的Bandmath功能實(shí)現(xiàn)模型在田塊的應(yīng)用，對土壤有機(jī)質(zhì)的估算結(jié)果見圖9。去除非田塊區(qū)域，從圖9中可估算該田塊的有機(jī)質(zhì)含量范圍是18.521～29.514 g·kg-1，其中大部分區(qū)域有機(jī)質(zhì)含量超過20 g·kg-1，有機(jī)質(zhì)含量較為豐富。實(shí)測點(diǎn)有機(jī)質(zhì)含量與估算結(jié)果見圖10，驗(yàn)證精度(R2)為0.813，模型估算效果良好，檢驗(yàn)均方根誤差(RMSE)為0.764，模型穩(wěn)定性較好，相對分析誤差(RPD)為1.983，模型較為可靠，本研究結(jié)果在南方水稻土有機(jī)質(zhì)監(jiān)測上具有可行性和借鑒性。

圖9 測試區(qū)域及測試結(jié)果

圖10 實(shí)測值對估算值驗(yàn)證

3 討論

本文針對外部環(huán)境對土壤有機(jī)質(zhì)光譜產(chǎn)生干擾這一問題，研究估算消除土壤背景影響的土壤有機(jī)質(zhì)含量，結(jié)果表明，LFDR變換后的光譜能有效擴(kuò)大特征光譜與冗余信息之間的差異，顯著突出有機(jī)質(zhì)響應(yīng)光譜信息，可作為光譜變換的首選方法；同時(shí)本文基于一維、二維光譜分別建立了MLR、PLSR、BPNN、SVM模型，其中非線性模型(BPNN、SVM)在建模精度和檢驗(yàn)精度上均高于線性模型(MLR、PLSR)，這與張小鳴等[25]研究結(jié)果一致，也印證了土壤有機(jī)質(zhì)含量預(yù)測由簡單線性模型向復(fù)雜非線性模型發(fā)展的趨勢[26]；此外,發(fā)現(xiàn)不同建模方法的最適輸入變量分別為MLR-NDSI、PLSR-RSI、BPNN-NDSI、SVM-RS，這對土壤有機(jī)質(zhì)含量估算工作中的建模方法和輸入變量的選擇具有一定的借鑒意義；最后在非研究區(qū)地塊對研究結(jié)果進(jìn)行有機(jī)質(zhì)含量估算測試，估算精度達(dá)到了 0.812 8，模型預(yù)測效果較好，可用于南方土壤有機(jī)質(zhì)高效監(jiān)測，對農(nóng)業(yè)耕種、施肥有重要指導(dǎo)作用。但由于研究出發(fā)點(diǎn)的限制，本研究結(jié)果具有一定局限性，難以在其他地域、其他類型土壤上推廣應(yīng)用。當(dāng)前針對不同地域不同類型土壤進(jìn)行消除外部因素影響的研究日漸成熟，但環(huán)境因素復(fù)雜多變，研究成果普適性差、難以推廣。

在土壤有機(jī)質(zhì)一維、二維特征光譜提取中發(fā)現(xiàn)，410～440 nm是土壤有機(jī)質(zhì)響應(yīng)敏感的一維波段集中區(qū)，500～550 及900 nm是土壤有機(jī)質(zhì)響應(yīng)敏感的二維波段集中區(qū)。這與侯艷軍等[27]、Gunsaulis等[28]研究結(jié)果有所差別，但均位于可見光和近紅外波段處。這是因?yàn)橥寥烙袡C(jī)質(zhì)反射率會受到土壤類型、光譜獲取方式、植被數(shù)量、土壤水分等因素影響而增強(qiáng)或減弱，但反射率在可見和近紅外波段處的整體趨勢基本一致[29]。可見，土壤有機(jī)質(zhì)響應(yīng)高光譜存在固有反應(yīng)機(jī)制，要解決土壤有機(jī)質(zhì)高光譜估算模型適用性差的問題，探討土壤有機(jī)質(zhì)內(nèi)部組分或官能團(tuán)對光譜響應(yīng)機(jī)理研究是關(guān)鍵。

有學(xué)者指出[20,23],土壤有機(jī)質(zhì)對光譜在可見光區(qū)域的響應(yīng)主要是由有機(jī)質(zhì)中胡敏酸引起的，在近紅外波段處的響應(yīng)是由O-H、C-H、N-H等官能團(tuán)引起的，但此類結(jié)論只停留在經(jīng)驗(yàn)推論上，缺少可靠、精確的實(shí)驗(yàn)支撐和理論支持，而有機(jī)質(zhì)內(nèi)部組分對光譜響應(yīng)的具體機(jī)制也尚無定論。因此，研究土壤有機(jī)質(zhì)內(nèi)部組分與光譜響應(yīng)機(jī)制將成為未來重要發(fā)展方向，這也將促進(jìn)高光譜在其他物質(zhì)測定領(lǐng)域的快速發(fā)展。