土壤PH值和全鉀含量高光譜反演方法比較

沈從旺 徐麗華

摘要：為了預(yù)測土壤pH值和全鉀含量，采集111個(gè)土壤樣本的高光譜信息，采用小波變換后去包絡(luò)的方法對(duì)原始光譜信息進(jìn)行預(yù)處理，利用相關(guān)性分析法選擇土壤光譜特征波段，進(jìn)行偏最小二乘法回歸（PLSR）、主成分分析回歸（PCR）、支持向量回歸（SVR）3種方法的土壤pH值和全鉀含量高光譜反演精度的比較研究。結(jié)果顯示，在水稻土和紫色土全鉀含量和水稻土pH值的反演中，SVR方法都取得了比PLSR方法和PCR方法更好的反演效果。在紫色土pH值反演中，PLSR方法和PCR方法反演效果均優(yōu)于SVR方法。比較不同類型土壤和不同土壤參數(shù)的反演效果發(fā)現(xiàn)，水稻土土壤pH值和全鉀含量的反演效果均強(qiáng)于紫色土，全鉀含量的反演效果優(yōu)于pH值。本研究結(jié)果說明高光譜快速反演土壤pH值和全鉀含量具有可行性。

關(guān)鍵詞：支持向量回歸;pH值;全鉀含量;高光譜反演

中圖分類號(hào)：TP79文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1000-4440（2020）01-0092-07

Abstract：In order to predict soil pH value and total potassium content， hyperspectral information of 111 soil samples was collected. The original spectral information was pretreated by continuum removal after wavelet transform. The characteristic bands of soil spectra were selected by correlation analysis method. A comparative study on hyperspectral inversion accuracy of soil pH and total potassium content was carried out by using partial least squares regression （PLSR）， principal component analysis regression （PCR） and support vector regression （SVR）. SVR method was better than PLSR method in the inversion of total potassium content of paddy soil and purple soil and pH value of paddy soil and PCR method in the inversion of total potassium content of paddy soil and purple soil and pH value of paddy soil. In the inversion of pH value of purple soil， the inversion results of PLSR method and PCR method were better than those of SVR method. Comparing the inversion models of different types of soil and different soil parameters， the inversion results of pH value and total potassium content of paddy soil were stronger than those of purple soil， and the inversion effect of total potassium content was better than that of pH value. THese results of this study indicate that it is feasible to retrieve soil pH value and total potassium content by hyperspectral method.

Key words：support vector regression;pH value;total potassium content;hyperspectral inversion

土壤中的pH值和全鉀（TK）含量是影響作物生長的重要因素[1]。利用高光譜反演土壤理化性質(zhì)可以快速、準(zhǔn)確地獲得土壤的pH值、全鉀含量，極大地節(jié)省人力和物力，為土壤性質(zhì)研究提供了一個(gè)新的途徑和方法[2]。

基于高光譜的土壤性質(zhì)反演研究中，如何選用合適的反演方法，提高土壤性質(zhì)的預(yù)測精度是一個(gè)重要的研究方向。目前基于高光譜的土壤性質(zhì)反演方法主要包括多元線性回歸（Multivariate linear regression，MLR）、偏最小乘法回歸 （Partial least squares regression，PLSR）、主成分回歸（Principle component regression，PCR）、人工神經(jīng)網(wǎng)絡(luò)（Artificial neural network，ANN） 、支持向量機(jī)（Support vector machine，SVM）、回歸樹（Regression tree，BT）、隨機(jī)森林（Random forest ，RF）、多元自適應(yīng)回歸樣條（Multivariate adaptive regression splines ，MARS）[3-4]等。由于方法復(fù)雜難以解釋，對(duì)數(shù)據(jù)量要求很大等原因，在一定程度上限制了ANN、BT、MARS等方法的應(yīng)用范圍[4]。PCR方法在利用高光譜技術(shù)反演江西省萬安縣臍橙果園的土壤全鉀含量方面具有一定的優(yōu)勢(shì)，建模相關(guān)系數(shù)可達(dá)到0.966[4]。江西省興國縣的黃綿土土壤全鉀含量預(yù)測方法比較研究中發(fā)現(xiàn)，對(duì)于土壤全鉀含量的預(yù)測，MLR方法的效果優(yōu)于PLSR方法，但是對(duì)于速效鉀，PLSR方法的擬合效果優(yōu)于MLR方法（R2為0.681）[5]。對(duì)山東省齊河縣的潮土速效鉀的研究中，PLSR方法也取得了良好的擬合效果，決定系數(shù)R2為0.976[6]。對(duì)呼倫貝爾干旱半干旱土壤地區(qū)進(jìn)行土壤pH值光譜特性和反演研究中發(fā)現(xiàn)，SVR方法比PLSR方法的預(yù)測效果（R2分別為0.910和0.890）更好[7]。但PLSR方法在預(yù)測陜西關(guān)中地區(qū)的塿土pH值時(shí)的決定系數(shù)為0.995[8]，其值高于SVR方法的決定系數(shù)。土壤屬性預(yù)測方法種類繁多且各具優(yōu)勢(shì)，如PLSR方法是MLR方法和PCA方法的有機(jī)結(jié)合，一般用于數(shù)據(jù)小，但是變量維數(shù)比較大，且相關(guān)性較大的樣本。PCR方法通過主成分分析降低元素之間的共線性，選擇幾個(gè)不相關(guān)的變量作為PCR方法的獨(dú)立變量進(jìn)行建模，可以很好地降低方法的運(yùn)算量，提高擬合效果。SVR方法能夠使用大量的核密度函數(shù)，解決非線性化的問題，適用范圍廣，魯棒性強(qiáng)，是小樣本估計(jì)預(yù)測的最佳理論方法。但由于土壤類型、母質(zhì)、土地利用等因素及測量光譜時(shí)的條件差異，使得難以找到一種通用的反演方法能在所有土壤性質(zhì)預(yù)測中取得較高的精度。因此，對(duì)于不同地區(qū)獲得的光譜數(shù)據(jù)，仍需要通過方法的比較來確定最適的方法，以便提高土壤性質(zhì)的反演精度。

西南地區(qū)由于特殊的地質(zhì)構(gòu)造造就了生態(tài)壞境的脆弱性，土壤退化情況嚴(yán)重?？焖佟⑹×Φ販y定西南地區(qū)土壤中的pH值和全鉀含量，對(duì)改善西南地區(qū)土壤退化具有重要意義。但基于高光譜技術(shù)對(duì)西南地區(qū)的土壤pH值和全鉀含量的反演鮮有人研究。

因此，本研究擬分別用PLSR、PCR、SVR 3種方法對(duì)三峽庫區(qū)王家溝小流域的紫色土、水稻土土壤的pH值、全鉀含量進(jìn)行高光譜反演。通過對(duì)3種方法的比較分析，從中選擇最優(yōu)方法，以期提高土壤pH和全鉀含量的反演精度，為土壤pH值和全鉀含量的快速預(yù)測提供理論依據(jù)。

1材料與方法

1.1研究區(qū)概況

本研究所選擇的研究區(qū)為重慶市涪陵區(qū)珍溪鎮(zhèn)東部王家溝小流域區(qū)域，地理位置為E107°29′～ E107°31′，N29°53′～N29°54′。該區(qū)域?yàn)槿龒{庫區(qū)典型的農(nóng)業(yè)小流域區(qū)域，總面積為257.91 hm2。研究區(qū)地處四川盆地和山地過渡地帶，地貌以丘陵為主，地勢(shì)自北向南逐漸降低，屬于亞熱帶季風(fēng)氣候區(qū)，土壤類型為紫色土和水稻土。研究區(qū)的土地利用類型較為復(fù)雜，具有較長農(nóng)業(yè)耕作歷史。主要的土地利用類型為林地、菜地、農(nóng)作物耕地、旱地、少量未被利用的荒地以及少量民用地。該流域主要農(nóng)作物為水稻、玉米和榨菜，上半年主要以種植水稻和玉米為主，下半年主要種植榨菜。由于耕地的零星分布，當(dāng)?shù)剞r(nóng)業(yè)耕作方式仍然保持原始人工耕作方式，大型機(jī)械耕作較少[9]。三峽庫區(qū)王家溝小流域農(nóng)業(yè)結(jié)構(gòu)類型具有西南地區(qū)農(nóng)業(yè)的典型性，針對(duì)該區(qū)域土壤中的pH值和全鉀含量高光譜反演進(jìn)行研究，具有區(qū)域代表性。

1.2土樣采集與制備

對(duì)研究區(qū)域內(nèi)的耕地土壤進(jìn)行多點(diǎn)混合采樣，如圖1，共采集紫色土和水稻土土壤樣本111個(gè)。采集的土壤樣本依次進(jìn)行編號(hào)，帶回實(shí)驗(yàn)室自然風(fēng)干、碾碎，除去土壤中的雜質(zhì)，然后過100目尼龍篩混合均勻。每個(gè)土壤樣本分成2份，分別用于實(shí)驗(yàn)室化學(xué)分析測定土樣中的pH值、全鉀含量以及光譜測量。pH采用水浸（1∶1，質(zhì)量比）電極法進(jìn)行測量，土壤全鉀含量采用氫氧化鈉熔融——火焰光度法[10]。水稻土和紫色土土壤樣本的pH值與全鉀含量統(tǒng)計(jì)參數(shù)如表 1所示。水稻土土壤pH值為4.400～8.100，紫色土pH值為4.600～8.100，水稻土和紫色土酸堿度的變化范圍較為一致。水稻土土壤全鉀含量為11.200～21.100 g/kg，平均值為17.550 g/kg。紫色土全鉀含量為6.800～22.700 g/kg，平均值為17.738 g/kg，紫色土全鉀含量的平均值略高于水稻土。水稻土全鉀含量的變異系數(shù)低于紫色土全鉀含量的變異系數(shù)，可能原因是農(nóng)戶在此類型土壤中施肥較多[11]，影響了全鉀含量。pH在水稻土和紫色土的變異系數(shù)大致相同，說明該研究區(qū)域土壤的酸堿性差別不大。紫色土和水稻土的pH值和全鉀含量的變異系數(shù)均屬于中等程度的變異。

1.3光譜反射率的測定及預(yù)處理

1.3.1光譜反射率的測定利用FieldSpec Pro FR 野外光譜儀對(duì)土樣光譜數(shù)據(jù)進(jìn)行采集，儀器測定波長為350～2 500 nm，350～1 000 nm波段的采樣間隔為1.4 nm，光譜分辨率為3 nm，1 000～2 500 nm的采樣間隔為2.0 nm，光譜分辨率為10 nm[11]。土壤光譜測量在暗室進(jìn)行，暗室內(nèi)燈源高度130 cm，將ASD探頭穩(wěn)定在三腳架上，距離3 cm的位置垂直掃描土壤樣品，以50°的俯角照射土樣，測量前進(jìn)行白板定標(biāo)，重復(fù)采集10次光譜數(shù)據(jù)，選擇平均值作為其原始光譜。

1.3.2光譜數(shù)據(jù)預(yù)處理FieldSpec Pro FR 野外光譜儀測定不同波段使用的探測元件不同，可能造成光譜的測量偏差，在光譜分析儀器上對(duì)原始光譜進(jìn)行斷點(diǎn)擬合[12]，邊緣波段350～399 nm和2 450～2 500 nm 2段數(shù)據(jù)受外界噪音影響較大，將其剔除[13]（圖2）。保留其余波段（400～2 449 nm）數(shù)據(jù)作為土樣的實(shí)際光譜反射數(shù)據(jù)[12]。利用R語言軟件的Wavelet程序包中的Least Asymetric類型小波函數(shù)[14]，對(duì)實(shí)際光譜反射數(shù)據(jù)進(jìn)行4層分解，通過小波分解舍去小波高頻系數(shù)從而進(jìn)行小波去噪變換[15]，再通過R語言軟件中的Prospectr 程序包中的Continuum removal 功能分別對(duì)紫色土、水稻土樣本光譜數(shù)據(jù)進(jìn)行去包絡(luò)線處理[16]（圖3）。圖2中，土壤樣本的反射和吸收特征并不明顯。經(jīng)過小波變換和去包絡(luò)預(yù)處理后，土壤樣本具有明顯的反射和吸收特征：在400～2 449 nm中有4個(gè)明顯的吸收谷，吸收谷波長位置分別大概位于515 nm、1 405 nm、1 915 nm和2 210 nm。

1.4建模方法及精度評(píng)價(jià)指標(biāo)

1.4.1土壤pH值、全鉀含量高光譜預(yù)測方法PCR方法是通過主成分分析的方法選擇多個(gè)變量中影響因素較大的幾個(gè)主要變量進(jìn)行降維，根據(jù)得分系數(shù)矩陣將原變量代回得到新的方法[16]。PLSR方法與主成分回歸有關(guān)，但不是尋找響應(yīng)和獨(dú)立變量之間最小方差的超平面，而是通過投影預(yù)測變量和觀測變量到一個(gè)新空間來尋找一個(gè)線性回歸的方法[17]。SVR方法主要是通過升維后，在高維空間中構(gòu)造線性決策函數(shù)來實(shí)現(xiàn)線性回歸，用e不敏感函數(shù)，其基礎(chǔ)主要是e不敏感函數(shù)和核函數(shù)算法[18]。

分別從紫色土土壤樣本和水稻土土壤樣本中按RS（Random sample）樣本集劃分方法選擇1/3樣本數(shù)據(jù)作為驗(yàn)證集，2/3樣本數(shù)據(jù)作為標(biāo)定集。紫色土土壤的標(biāo)定集和驗(yàn)證集的樣本數(shù)分別為52和26;水稻土土壤樣本標(biāo)定集和驗(yàn)證集的樣本數(shù)分別為22和11。小波分析后去包絡(luò)線反射率作為輸入量，分別采用PLR、PCR、SVR 3種方法對(duì)紫色土、水稻土pH值和全鉀含量進(jìn)行反演。其中PLSR、PCR、SVR 3種方法是用The UnscreamblerX10.5軟件實(shí)現(xiàn)的。

2結(jié)果與分析

2.1土壤pH值、全鉀含量與光譜反射率的相關(guān)性分析

對(duì)預(yù)處理后的水稻土、紫色土土壤樣本光譜反射率分別與土壤pH、全鉀含量進(jìn)行相關(guān)性統(tǒng)計(jì)，結(jié)果如圖4～圖7所示。從圖中可以看出，水稻土土壤預(yù)處理后的光譜反射率與pH值的相關(guān)系數(shù)范圍為-0.621～0.524（圖4），相關(guān)系數(shù)最大絕對(duì)值出現(xiàn)在波長1 100 nm處。預(yù)處理后的紫色土光譜反射率與pH值的相關(guān)系數(shù)范圍為-0.589～0.441（圖5），相關(guān)系數(shù)最大絕對(duì)值出現(xiàn)在波長1 146 nm處。對(duì)于紫色土和水稻土2種不同土壤類型，其光譜反射率與pH之間都在近紅外1 100 nm左右的波段出現(xiàn)了最大相關(guān)系數(shù)絕對(duì)值。

水稻土全鉀含量與預(yù)處理后的光譜反射率的相關(guān)系數(shù)范圍為-0.671～0.576（圖6）。541 nm波段的反射率與水稻土土壤全鉀含量表現(xiàn)出了最強(qiáng)的負(fù)相關(guān)，其相關(guān)系數(shù)值為-0.671。紫色土全鉀含量與預(yù)處理后光譜反射率的相關(guān)系數(shù)范圍為-0.727～0.494（圖7），最大相關(guān)系數(shù)絕對(duì)值出現(xiàn)在波長517 nm處。紫色土全鉀含量與預(yù)處理后的光譜反射率的最大相關(guān)系數(shù)與水稻土不同，但二者均在綠波段表現(xiàn)出了極強(qiáng)的負(fù)相關(guān)。

2.2土壤pH值和全鉀含量的反演方法及效果評(píng)價(jià)

2.2.1土壤pH值的反演方法對(duì)土壤光譜數(shù)據(jù)進(jìn)行預(yù)處理后，利用SPSS軟件對(duì)土壤pH值與土壤反射光譜進(jìn)行相關(guān)性分析，并進(jìn)行顯著性檢驗(yàn)。在通過P<0.01顯著性檢驗(yàn)的基礎(chǔ)上，選擇相關(guān)系數(shù)較大的4個(gè)波段作為特征波段。其中，水稻土的特征波段為669 nm、785 nm、1 100 nm、2 390 nm，紫色土的特征波段為570 nm、1 147 nm、2 151 nm、2 238 nm。以特征波段所對(duì)應(yīng)的光譜反射率為輸入變量，分別用PCR、PLRS 和 SVR 3個(gè)方法對(duì)土壤的pH值進(jìn)行預(yù)測，結(jié)果如表2、表3所示。

從表2中可以看出，SVR方法的標(biāo)定集和驗(yàn)證集的R2高于PCR和PLSR方法，其值分別為0.630和0.423; SVR方法的標(biāo)定集和驗(yàn)證集的MRE均為最低，其值分別為8.604%和12.778%。這說明SVR方法比PCR、PLSR方法具有較穩(wěn)定的擬合效果和更可靠的精度。

對(duì)紫色土pH值進(jìn)行反演（表3）發(fā)現(xiàn)，對(duì)于標(biāo)定集，SVR方法獲得了最大的R2（0.481）和最小的MRE（11.390%）。對(duì)于驗(yàn)證集，PCR、PLSR方法的R2均高于SVR方法的R2。PCR和PLSR方法的MRE低于SVR方法。PCR方法和PLSR方法的反演效果相同。計(jì)算紫色土總體樣本的實(shí)測值和預(yù)測值的相關(guān)系數(shù)和總體MRE發(fā)現(xiàn)，PLSR和PCR方法的總體相關(guān)系數(shù)均高于SVR方法（其值分別為0.654、0.654、0.628），其總體MRE均低于SVR方法（其值分別為13.295%、13.295%、13.530%）。因此，PLSR和PCR方法獲得了比SVR方法更好的反演效果。

2.2.2土壤全鉀含量的反演方法利用SPSS軟件對(duì)土壤全鉀含量與土壤反射光譜進(jìn)行相關(guān)性分析，并進(jìn)行顯著性檢驗(yàn)。在通過P<0.01顯著性檢驗(yàn)的波段基礎(chǔ)上，選擇相關(guān)系數(shù)較大的4個(gè)波段作為特征波段。水稻土特征波段選擇542 nm、754 nm、1 703 nm、2 390 nm，紫色土特征波段選擇542 nm、972 nm、1 836 nm、2 160 nm。利用PCR、PLRS 和 SVR 3種方法進(jìn)行水稻土、紫色土的全鉀含量高光譜反演。結(jié)果如表4、表5所示。

3種方法預(yù)測水稻土全鉀含量的擬合效果都較好，其中SVR方法的標(biāo)定集R2和驗(yàn)證集R2均為最大值（0.729、0.590）。這說明3種方法中SVR的穩(wěn)定性最好。對(duì)比3種方法的MRE，發(fā)現(xiàn)SVR標(biāo)定集的MRE為最低值，但其驗(yàn)證集的MRE為最高值。計(jì)算其總體MRE，可知SVR方法具有最小的MRE值，其值為6.316%。所以，總體上SVR方法比PLSR和PCR方法具有更好的穩(wěn)定性和更高的精度。

從表5可以看出，對(duì)于標(biāo)定集，PCR、PLSR、SVR 3種方法獲得的R2分別是0.573、0.573、0.628，其MRE分別為11.661%、11.650%、10.268%，其中SVR方法獲得了最大的R2和最小的MRE。但對(duì)于驗(yàn)證集SVR則具有最小的R2和最大的MRE。計(jì)算SVR 、PLSR、PCR3種方法獲得的全鉀實(shí)測值和預(yù)測值的總體相關(guān)系數(shù)，其值分別為0.762、0.755、0.755，總體MRE分別為9.235%、9.470%、9.573%。從總體相關(guān)系數(shù)和MRE可以看出，對(duì)紫色土全鉀含量反演，SVR方法的反演效果優(yōu)于PLSR和PCR方法。

3討論

利用土壤高光譜技術(shù)可以準(zhǔn)確、快速、大范圍地反演紫色土和水稻土的土壤pH值和全鉀含量。該技術(shù)的成熟為土壤屬性信息收集和利用提供了技術(shù)手段，但土壤高光譜信息中的噪音和冗余問題一直存在[20]。本研究利用小波分析后去包絡(luò)的方法作為光譜預(yù)處理方法，相比于常見光譜預(yù)處理方法，該方法對(duì)數(shù)據(jù)進(jìn)行壓縮后去包絡(luò)能夠減少噪音突出光譜差異[21]，極大增強(qiáng)了水稻土和紫色土土壤中全鉀，pH值與高光譜反射率的相關(guān)性，為土壤高光譜反演精度的提高提供了條件?；谙嚓P(guān)分析法選擇特征波段進(jìn)行SVR、PLSR、PCA 3種方法的反演精度，得出以下結(jié)論：（1）在水稻土pH值反演中，SVR方法獲得了最好的反演效果。SVR方法標(biāo)定集的R2和MRE分別是0.630、8.604%，驗(yàn)證集R2和MRE分別是0.423、12.778%。水稻土pH反演中PLSR方法略優(yōu)于PCR方法。在紫色土pH值反演中，PLSR方法與PCR方法效果相同且優(yōu)于SVR方法，所以PLSR方法和PCR方法皆可以作為反演紫色土pH值的方法。（2）SVR方法在水稻土和紫色土全鉀含量的反演效果均優(yōu)于PLSR和PCR 2種方法，其水稻土的實(shí)測值與預(yù)測值的相關(guān)系數(shù)和MRE分別為0.805、6.316%，紫色土的實(shí)測值與預(yù)測值的相關(guān)系數(shù)和MRE分別為0.762、9.235%。（3）比較不同類型土壤和不同土壤參數(shù)的反演模型發(fā)現(xiàn)，水稻土pH值和全鉀的反演效果均強(qiáng)于紫色土，全鉀含量的反演效果優(yōu)于pH值。

SVR方法對(duì)水稻土的pH值、全鉀含量和紫色土的全鉀含量的反演效果優(yōu)于PLSR和PCR方法，PLSR和PCR方法對(duì)于紫色土pH值的反演具有比SVR方法更好的反演效果。當(dāng)樣本數(shù)大于變量數(shù)，且變量之間的相關(guān)系數(shù)較大時(shí)，PCR方法和PLSR方法的反演效果差別并不大 [22]。本研究中特征波段數(shù)4個(gè)遠(yuǎn)小于紫色土樣本數(shù)78個(gè)和水稻土樣本數(shù)33個(gè)，4個(gè)特征波段進(jìn)行相關(guān)分析后相關(guān)系數(shù)高達(dá)0.970以上，所以試驗(yàn)中PLSR方法和PCR方法反演土壤pH值和全鉀含量無明顯差別。SVR方法是非線性的回歸方法，在解決特征波段與土壤屬性復(fù)雜關(guān)系時(shí)通常比PCR方法和PLSR方法具有更好的表現(xiàn)[23]。在對(duì)呼倫貝爾草原干旱半干旱土壤pH值的預(yù)測中，SVR方法也取得了比PLSR方法更好的反演效果[7]。在紫色土pH值反演過程中，SVR、PLSR和PCR 3種方法的反演效果均不理想，SVR方法的反演效果不如PLSR方法和PCR方法。紫色土樣本pH值在整個(gè)樣本空間內(nèi)分布極不均衡，樣本pH值非正態(tài)分布往往導(dǎo)致模型不能取得較好的預(yù)測效果[24]。

SVR、PLSR、PCR 3種方法對(duì)水稻土、紫色土 pH值和全鉀含量的預(yù)測均具有可行性。水稻土pH值和全鉀含量的反演效果均高于紫色土，但水稻土pH值反演獲得的標(biāo)定集和驗(yàn)證集的R2（0.630、0.423）均低于陜西關(guān)中塿土土壤pH值反演的R2（0.996、0.989） [8];水稻土全鉀反演獲得標(biāo)定集和驗(yàn)證集的R2（0.729、0.590）均低于黃綿土土壤全鉀反演的R2（0.872、0.773）[5]。這說明土壤類型、樣本自身的光譜特性和測量環(huán)境影響光譜反演土壤pH值和全鉀含量的效果[25]。

本研究利用高光譜技術(shù)快速準(zhǔn)確地反演土壤pH值和全鉀含量，為土壤pH值和全鉀含量的高光譜反演提供了理論支撐。但本研究的重點(diǎn)在于土壤高光譜反演方法比較研究，對(duì)土壤光譜反演其他方面缺少系統(tǒng)的研究。在未來的研究中，需對(duì)光譜數(shù)據(jù)的預(yù)處理、特征波段選擇以及樣本集劃分方法等方面進(jìn)行詳細(xì)的研究，以期進(jìn)一步提高土壤pH值和全鉀含量的高光譜反演精度。

參考文獻(xiàn)：

[1]尤承增，楊新源，束安，等. 土壤TK含量高光譜估測模型[J].遙感信息， 2017， 32（4）： 92-97.

[2]李薇薇. 高光譜數(shù)據(jù)庫的地物特征反演研究[D].武漢：華中師范大學(xué)， 2012.

[3]劉燕德，熊松盛，吳至境，等. 贛南臍橙園土壤全磷和TK近紅外光譜檢測[J].農(nóng)業(yè)工程學(xué)報(bào)， 2013， 29（18） ： 156-162.

[4]張東輝，趙英俊，秦凱，等. 高光譜土壤多元信息提取模型綜述[J].中國土壤與肥料， 2018 （2）： 22-28.

[5]劉秀英，石兆勇，常慶瑞，等. 黃綿土鉀含量高光譜估算模型方法研究[J].土壤學(xué)報(bào)， 2018， 55（2）： 325-337.

[6]陳紅艷，趙庚星，李希燦，等. 小波分析用于土壤速效鉀含量高光譜估測研究[J].中國農(nóng)業(yè)科學(xué)， 2012， 45（7）： 1425-1431.

[7]李詩朦，包妮沙，劉善軍，等. 土壤電導(dǎo)率和pH值光譜特征及反演模型方法——以呼倫貝爾草原干旱半干旱土壤為例[J].測繪科學(xué)， 2018， 43（8）： 14-22，44.

[8]魏雨露，劉金寶，李勁彬. 基于PLS的陜西關(guān)中地區(qū)土壤pH高光譜預(yù)測 [J].西部大開發(fā)（土地開發(fā)工程研究）， 2018， 3（4）： 51-57.

[9]王齊磊，江韜，趙錚，等.三峽庫區(qū)典型農(nóng)業(yè)小流域土壤溶解性有機(jī)質(zhì)的紫外-可見及熒光特征[J].環(huán)境科學(xué)，2015，36（3）：879-887

[10]楊劍虹，王成林，代亨林. 土壤農(nóng)化分析與環(huán)境監(jiān)測[M].北京：中國大地出版社， 2008：5-47.

[11]ASADZAEH S， ROBERTO C， FILHO D S. Iterative curve fitting： a robust technique to estimate the wavelength position and depth of absorption features from spectral data[J]. IEEE Transactions on Geoscience and Remote Sensing， 2016， 54（10）： 5964-5974.

[12]陳紅艷. 土壤主要養(yǎng)分含量的高光譜估測研究[D].泰安：山東農(nóng)業(yè)大學(xué)， 2012.

[13]徐麗華. 土壤養(yǎng)分預(yù)測方法的比較研究[D].重慶：西南大學(xué)， 2012.

[14]WEBSTER R，LARK R M G P. Nason：wavelet methods in statistics with R[M]. New York： Springer， 2008：287-289.

[15]CHENG K P， GUO H F， SHEN H H， et al. An inversion method of leaf area index based on spectral absorption features[C]. Beihang University. Proceedings of the 36th chinese control conference. Beijing： Beihang University Press， 2017：1549-1554.

[16]彭小婷，高文秀，王俊杰. 基于包絡(luò)線去除和偏最小二乘的土壤參數(shù)光譜反演[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2014，39（7）： 862-866.

[17]雷宇斌，劉寧，郭云開，等. 高光譜組合變換下土壤Cd含量GWR模型反演研究[J].測繪工程，2018， 27（11）： 71-76.

[18]張東輝，趙英俊，秦凱. 一種新的光譜參量預(yù)測黑土養(yǎng)分含量模型[J].光譜學(xué)與光譜分析，2018，38（9）： 2932-2936.

[19]徐夕博，呂建樹，吳泉源，等. 基于PCA-MLR和PCA-BPN的萊州灣南岸濱海平原土壤有機(jī)質(zhì)高光譜預(yù)測研究[J].光譜學(xué)與光譜分析， 2018， 38（8）： 2556-2562.

[20]金慧凝，張新樂，劉煥軍，等. 基于光譜吸收特征的土壤含水量預(yù)測模型方法研究[J].土壤學(xué)報(bào)， 2016， 53（3）： 627-635.

[21]CANDOLFI A，MAESSCHALCK R D，JOUANRIMBAUD D. The influence of data pre-processing in the pattern recognition of excipients near-infrared spectra1[J]. Journal of Pharmaceutical and Biomedical Analysis，1999，21：115-132.

[22]GALLMIER E，ZHANG S，MCFARLANE T.Using PCA and PLS on publicly available data to predict the extractability of hydrocarbons from shales [J]. Journal of Natural Gas Science and Engineering， 2017，44：109-121.

[23]鄒慧敏，李西燦，尚璇，等. 粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的土壤有機(jī)質(zhì)高光譜估測[J].測繪科學(xué)， 2019， 44（5）： 146-150，170.

[24]賈方方，宋瑞芳，王芳，等. 基于變異系數(shù)法的灰色關(guān)聯(lián)決策模型在烤煙品質(zhì)評(píng)價(jià)中的應(yīng)用[J].中國農(nóng)學(xué)通報(bào)，2016，32（4）： 124-128.

[25]劉煥軍，王翔，李厚萱，等. 土壤礦物對(duì)松嫩平原主要土壤類型反射光譜特征的影響機(jī)理[J].光譜學(xué)與光譜分析，2018，38（10）： 3238-3244.

（責(zé)任編輯：陳海霞）