基于小波变换与偏最小二乘耦合模型估测北方潮土有机质含量

基于北京市通州、顺义两区52个潮土样品高光谱数据,利用离散小波多尺度分析技术对其进行处理分析。首先将光谱按六种尺度进行分解,然后将各尺度分解数据与土壤有机质含量进行相关性分析,并筛选敏感波段,最后利用偏最小二乘法构建土壤有机质含量估测模型。结果表明：土壤光谱反射率经小波变换后,在参与建模的特征波段中,近红外波段居多,即近红外波段估测有机质含量的贡献高于可见光波段;低频信息对有机质含量的估测能力优于高频信息;高频信息对土壤有机质含量的估测精度随光谱分辨率降低而降低;与常用光谱变换算法相比,小波变换分析法在一定程度上提高了土壤光谱对有机质含量的估测能力,其低频信息与高频信息构建的最优模型预测精度均较高,低频信息的R2=0.722,RMSE=0.221,高频信息的R2=0.670,RMSE=0.255。     

连续小波变换的土壤有机质含量高光谱估测

土壤有机质含量的高光谱估测可快速、准确监测土壤肥力,对现代化农业生产进行精准施肥提供科学依据。以新疆渭干河-库车河三角洲绿洲耕层土壤为研究对象,对采集的98个土壤样品的原始光谱反射率R分别进行传统倒数对数lg(1/R)、一阶微分R′和倒数对数一阶微分[lg(1/R)]′数学变换,以及基于小波母函数Bior1.3不同尺度分解的连续小波变换（CWT）,并与实测土壤有机质含量进行相关分析,从而筛选出各类变换下与土壤有机质含量密切相关的特征波段和小波系数（p<0.01）。分别以原始光谱反射率（R）以及不同变换处理下的特征波段反射率和敏感小波系数作为自变量,土壤有机质含量作为因变量,采用偏最小二乘回归和支持向量机回归方法构建土壤有机质含量的估测模型。结果表明：（1）各类光谱变换方法有效提升光谱与土壤有机质含量之间的敏感性,其中经CWT变换后的土壤光谱反射率与有机质含量的相关性得到显著提高,相关系数由0.39提高到0.54（p<0.01）。（2）传统的[lg(1/R)]′变换构建的支持向量机回归模型,其决定系数（R2）高于lg(1/R)和R′变换构建的模型,说明倒数对数一阶微分变换可有助于提高估测模型的精度,且支持向量机回归模型的精度和稳定性高于偏最小二乘回归模型。（3）经过CWT分解后,以原始光谱反射率在不同尺度上的敏感小波系数作为自变量建立的模型,估测精度和稳定性均有明显的提高,构建的R-CWT-23-SVMR模型的决定系数（R2）为0.84,均方根误差（RMSE）为1.48,相对分析误差（RPD）等于2.11,模型精度达到最高并拥有极好的预测能力。高光谱数据经多种变换处理后可有效去除白噪声,而连续小波变换处理比传统的数学变换方法更适合于挖掘土壤有效信息,实现光谱信号的近似特征和细节特征的有效分离,建立的反演模型可更加精准估测土壤有机质含量。     

二进制小波技术定量反演北方潮土土壤有机质含量

为从土壤光谱中提取土壤有机质的光谱响应信息，提升土壤有机质含量诊断精度与可靠性，以潮土有机质含量为研究对象，以北京市区域的96个耕层土壤参数与高光谱数据为数据源开展研究分析；先采用二进制小波技术将土壤光谱数据分离为5个尺度的高频数据与低频数据，再将低频数据、高频数据分别与土壤有机质实测数据进行相关性分析，提取最佳波段组合，构建有机质含量诊断模型。结果表明：（1）二进制小波技术可抑制噪声对高频信息的干扰，能有效提升光谱对土壤有机质含量的敏感性，进而提升有机质含量的诊断精度与可靠性；（2）在二进制小波技术下，高频信息对有机质含量的诊断能力明显优于低频信息，低频信息对土壤有机质含量的诊断能力随尺度增加而降低，高频信息随尺度增加呈先提升而后降低的趋势；（3）与数学方法相比，基于二进制小波变换算法构建的模型精度较高，稳定性较好，其最优模型的预测精度提高了31.5%，可靠性增加了10.5%。     

传统光谱变换与连续小波耦合定量反演潮土有机质含量

以北京地区的96个潮土土样的有机质含量为研究对象,以传统光谱变换为参照,研究分析传统光谱变换与连续小波的耦合在估测土壤有机质含量的可行性;首先采用传统光谱变换与连续小波处理土壤光谱数据,然后将处理后的光谱数据与土壤有机质含量进行相关性分析,提取敏感波段,并采用偏最小二乘法构建土壤有机质含量估测模型。结果表明：耦合传统光谱变换技术与连续小波技术可大幅提升光谱对有机质含量的敏感性,其相关系数R2最高可达0.714,这表明耦合传统光谱变换技术与连续小波技术可深入挖掘光谱内的有益信息;与传统光谱变换技术相比,基于耦合传统光谱变换技术与连续小波技术构建的模型精度更高,稳定性更好,其中以微分变换构建的模型最优,其R2=0.772,RMSE=0.223,这表明耦合传统光谱变换技术与连续小波技术可有效压制噪声的负面影响,提升光谱的稳定性。     

小波分析的茶鲜叶全氮含量高光谱监测

茶是世界上最受欢迎的饮料之一,而氮素（N）是影响茶叶品质的主要成分之一,因此快速准确地估算N素含量至关重要。由于测定N含量的化学方法繁琐耗时,利用高光谱对茶鲜叶中N含量进行预测,利用连续小波转换（CWT）提取的小波系数,探究CWT不同分解层数对于N素含量的估测能力,并讨论了不同波长选择算法所建模型的预测效果。首先,采集广东省英德市茶园的151个茶鲜叶样品高光谱数据,将获得的原始光谱通过卷积平滑（SG）、去趋势（Detrending）、一阶导数（1st）、多元散射校正（MSC）和标准正态变量变换（SNV）五种预处理方法进行预处理并作为参考。其次,采用连续小波对原始光谱进行初步处理生成多尺度小波系数,并进行相关性分析, 分别利用连续投影算法（SPA）、竞争性自适应加权采样法（CARS）和变量组合集群分析（VCPA）方法进一步优化CWT变换后光谱数据的变量空间,最后,以特征变量为输入使用PLSR建立了N素定量监测模型,并对比不同尺度不同方法估算N素的效果。结果表明,连续小波分析方法可有效提升茶鲜叶光谱对N素含量的估测能力,明显优于常规光谱处理方法。经连续小波分解后,对茶鲜叶N素的预测能力随分解尺度的增加整体呈逐步降低的趋势,其中在1~6尺度连续小波变换后的光谱与茶鲜叶N素存在良好的相关性,表明小尺度的连续小波分解可有效应用于茶鲜叶N含量的监测。基于CWT（1）-VCPA方法建立的模型精度最高,且变量数相比于全波段减少了99.34%,其建模与预测R2达到0.95和0.90,相比于传统光谱处理方法,精度提升了11% ,证明CWT-VCPA可以有效降低光谱维度并大幅提升模型精度。实现了茶叶N素含量的高效量化预测,为评估茶叶的其他成分提供了可靠技术参考。     

连续小波变换高光谱数据的土壤有机质含量反演模型构建

土壤有机质含量是反映土壤肥力的重要指标,对其进行动态监测是实施精准农业的重要措施。近年来,众多学者尝试采用土壤近地传感(proximal soil sensing),尤其是近地高光谱技术,在田间和实验室获取不同形态土壤的高光谱数据,不断引入新方法建立适用于不同地域和不同土壤类型的有机质含量的反演模型。该研究在实验室内利用ASD FS3采集了土壤高光谱数据,采用“重铬酸钾-外加热法”测得了土壤有机质含量;分析了土壤原始光谱反射率(R)与有机质含量的相关性,选取R2>0.15的敏感波段的反射率;利用CWT对土壤原始光谱反射率(R)、光谱反射率的连续统去除(CR)进行不同尺度的分解,分析小波系数与土壤有机质含量的相关性,选取R2>0.3的敏感波段的小波系数;利用R选取的波段信息和R-CWT,CR-CWT的选取的小波系数,分别建立偏最小二乘回归(PLSR)、BP神经网络(BPNN)、支持向量机回归(SVMR)三种不同的土壤有机质含量反演模型。结果表明：相比R与土壤有机质含量的决定系数R2,R-CWT,CR-CWT变换后得到的小波系数与土壤有机质含量的决定系数R2分别提高了0.15和0.2左右;CR-CWT-SVMR的模型效果最为显著,预测集的R2和RMSE分别为0.83,4.02,RPD值为2.48,具有较高的估测精度,能够全面稳定地估算土壤有机质含量;CR-CWT-PLSR的模型精度与CR-CWT-BPNN,CR-CWT-SVMR相比虽有一定差距,但是其计算量要明显小于非线性的BPNN和SVMR方法,具有模型简单、运算速度快等特点,对开发与设计田间传感器具有较大的应用价值。     

高光谱小波能量特征估测土壤有机质含量

土壤高光谱在采集过程中难以避免噪声干扰,造成高光谱数据信噪比较低,影响土壤有机质含量估测精度。尝试探究小波能量特征方法,降低高光谱噪声,提升土壤有机质含量高光谱估测模型性能。选取湖北省潜江市运粮湖管理区为试验区,于2016年9月采集80份深度为0~20 cm的水稻土样本;土壤样本经风干、碾磨、过筛等一系列处理后,在实验室内采集样本光谱,并通过重铬酸钾-外加热法测定土壤有机质含量;利用浓度梯度法,将总体样本集（80个样本）划分为建模集（54个样本）和验证集（26个样本）;以mexh为小波基函数进行连续小波变换（continuous wavelet transformation）,将土壤高光谱转换为10个分解尺度的小波系数（wavelet coefficients）;逐尺度计算小波系数的均方根作为小波能量特征（energy features）,将10个尺度的小波能量特征组成小波能量特征向量（energy features vector）;逐尺度逐波长计算小波系数与有机质含量的相关系数,将达到极显著水平（p<0.01）的小波系数作为敏感小波系数（sensitive wavelet coefficients）;利用主成分分析法（principal component analysis）分别计算土壤高光谱和小波能量特征向量的各主成分载荷,通过比较两者第一主成分贡献率的高低和两者前三个主成分得分的空间离散程度,判断小波能量特征转换前后建模自变量的主成分信息变化趋势;基于小波能量特征向量和敏感小波系数分别建立多元线性回归和偏最小二乘回归土壤有机质含量估测模型。结果表明,土壤有机质含量越高,全波段反射率越低,但不同土样的光谱反射率曲线特征相似,近红外部分的反射率（780~2 400 nm）高于可见光部分（400~780 nm）;敏感小波系数对应的波长为494,508,672,752,1 838和2 302 nm;土壤高光谱与小波能量特征向量的第一主成分贡献率分别为96.28%和99.13%,小波能量特征向量的前三个主成分散点较土壤高光谱的主成分散点在空间上更为聚集,表明小波能量特征方法有效减少了噪声影响;比较全部土壤有机质含量估测模型,以小波能量特征向量为自变量的多元线性回归模型具有最佳估测精度,其验证集决定系数（R2）、相对估测误差（RPD）和均方根误差（RMSE）分别为0.77,1.82和0.82。因此,小波能量特征方法既能够提高数据的信噪比,提升土壤有机质含量的估测精度,又实现了土壤高光谱数据降维,降低了模型复杂度,可用于土壤有机质含量快速测定和土壤肥力动态监测等研究。     

基于多尺度SNV-CWT特征的黑土有机质、水分、总铁及pH值估测

田间土壤属性复杂且随时间变化,快速精准地获得多种土壤理化指标数据对指导精细农业操作具有重要意义。为避免土壤水分带来的干扰,基于光谱技术的土壤成分含量预测需在土壤样本干燥的情况下进行光谱测量,然而土壤水分同样是指导农业生产的重要指标。为同时预测黑土区土壤有机质（SOM）、水分（SMC）、总铁（Fe）和pH值,提出测量湿土土壤样本的可见-近红外光谱,并采用标准正态变量变换（SNV）-连续小波变换（CWT）法分解光谱反射率,逐样本进行SNV后,以Mexh为小波基函数进行10个尺度（21,22,…,210）的分解,并与常用光谱处理方法进行对比,包括高斯滤波（GS）、一阶导数（FD）、连续统去除（CR）,数学变换等7种方法。将74个样本数据划分为两组,其中50个作为建模集,24个作为验证集。经SNV-CWT变换后,每个尺度的小波系数与每个目标变量间置信度小于0.05的波段作为随机森林（RF）预测模型的输入变量,以各尺度验证模型精度为标准确定每个预测目标的最佳分解尺度;通过计算最佳尺度小波系数与土壤成分间的皮尔森相关系数（PCC）,基于模型的相关系数（MBC）和灰色关联度（GRD）,判断各属性的特征波段,且分别以三种相关系数作为指标,以过滤式筛选法建立不同属性的RF估测模型。结果表明：与7种常用的处理方法相比,SNV-CWT分解后四种土壤成分的预测精度均有提高,SOM,SMC,Fe和pH对应的最佳分解尺度分别为7,8,1和10。在以多维特征作为输入变量的情况下,SOM与SMC的验证模型决定系数（R2）即可达到0.90和0.93。三种分析方法中以MBC计算的相关系数为波段筛选指标建立的模型精度最佳,其中SOM与SMC的R2均为0.94,且Fe（R2=0.67,Mse=0.01%,RPD=1.76）与pH（R2=0.80,Mse=0.1,RPD=2.24）的模型精度具有大幅度提高,可应用于多种土壤理化指标数据的提取与监测。     

光谱分辨率对黑土有机质预测模型的影响

高光谱遥感以其高光谱分辨率适于反射光谱特征复杂的地物识别与参数反演,但对于反射光谱特征平滑的地物,高光谱数据可能存在数据冗余问题。本研究对实验室测定的黑土高光谱反射率进行重采样,基于统计分析方法研究了光谱分辨率对黑土有机质预测模型精度的影响,结果表明:黑土有机质含量高,土壤有机质的光谱作用范围宽(445～1 380nm);黑土有机质光谱预测模型精度随光谱分辨率降低,呈现先增后减的趋势,最优模型的光谱分辨率为50nm,低于高光谱遥感波段设置,略高于多光谱传感器波段设置;黑土有机质光谱预测最优模型以倒数对数微分为自变量,模型决定系数R2=0.799,RMSE=0.439,研究成果为土壤有机质遥感反演、光谱速测仪器的研制,以及传感器波段设置提供理论基础与技术支持。     

基于连续小波变换下的土壤有害元素砷含量估测

与传统检测方法相比,利用高光谱技术进行土壤有害元素砷含量的估算,具有快速、准确,成本低的特点,可对干旱区绿洲土壤有害元素砷污染进行动态监测。基于新疆渭干河-库车河三角洲绿洲耕层土壤样品的采集,获取土壤光谱数据和有害元素砷含量。通过bior1.3,db4,gaus4和mexh这4种小波基函数对土壤原始光谱反射率进行连续小波变换,并将变换后光谱数据与有害元素砷进行相关分析,以筛选出的敏感小波系数为自变量,采用偏最小二乘回归、支持向量机回归、BP神经网络和随机森林回归方法对有害元素砷含量进行高光谱反演。研究结果显示：（1）4种小波基函数在3~8尺度的光谱分解效果明显优于其他尺度,特别是4~6尺度的连续小波变换有效提升了光谱反射率与土壤有害元素砷之间的相关性,通过显著性检验的小波系数数量有了明显增多（p<0.01）,在可见光的400~700 nm以及近红外的1 100~1 700和2 200~2 400 nm附近具有较强的相关性;（2）通过比较4种小波基函数对光谱数据中有效信息的辨识能力,认为小波基函数bior1.3和mexh要优于db4和gaus4,其中bior1.3的光谱分解效果最好,gaus4相对最弱;通过bior1.3第5尺度的光谱变换,与土壤有害元素砷显著相关的波段数量最多,为507个（p<0.01）;（3）比较4种建模方法的反演结果发现,SVMR,BPNN和RFR模型相较于PLSR模型具有更强的估测能力,模型的估测精度更高。综合分析各模型的稳定性及估测精度后,认为bior1.3-25-RFR模型可作为研究区土壤有害元素砷的最佳估测模型。该模型的训练集和验证集的R2分别为0.893和0.639,RMSE为1.075和1.651 mg·kg-1,RPD分别为2.89和1.64,表明模型估测效果较好,稳定性较强。采用合适的小波基函数进行连续小波变换可减少土壤高光谱数据中的白噪声,挖掘出土壤光谱数据中的有效信息,对土壤有害元素砷含量的准确估测提供有力的技术保障。     

一种新的光谱参量预测黑土养分含量模型

我国东北黑土富含养分,随着土壤数字制图、精确农业和土壤资源调查等研究的深入,引入航空高光谱数据并提供科学的预测结果成为研究热点。数据源为CASI-1500航空高光谱成像系统,光谱范围380~1 050 nm,空间分辨率1.5 m。在黑龙江建三江地区采集59个土壤样本,化验获得有机质、全氮、全磷和全钾含量数据,选择eps-regression支持向量机模型,BP神经网络和PLS1最小二乘回归模型,建立光谱与含量的机器学习模型。通过评价3种模型的预测精度,选用支持向量机方法,对航空高光谱数据进行全氮、全磷和全钾的信息提取,采用神经网络方法,反演了有机质信息。研究表明：以光谱统计量、光谱特征值和光谱信息量为大类指标,所选取的18个子指标,能够反映土壤光谱的综合情况,是一种新的土壤光谱数据处理方法。有机质和全钾信息提取精度最高的算法是神经网络法,误差分别为1.21%和0.81%,而支持向量机算法在提取全氮和全磷信息时,验证样本的实测均值和预测均值完全吻合,精度最高。评价航空高光谱提取土壤养分的综合精度,有机质、全氮、全磷和全钾提取误差分别为5.25%,6.05%,2.74%和8.90%,在全磷反演中精度最高。     

土壤铅污染光谱的HHT鉴别及BC-PLSR铅含量预测模型

土壤重金属污染问题一直备受关注,利用高光谱遥感对其进行研究取得了大量的成果,主要集中在利用土壤光谱的导数变换、连续统去除等常规方法预测土壤重金属含量上。土壤光谱数据与非线性非平稳的机电信号、医学信号等具有一定的相似性。通过希尔伯特黄变换(Hilbert-Huang transform, HHT),对土壤铅(Pb)污染光谱进行频率域分析,实现土壤Pb污染光谱的HHT鉴别,并建立土壤Pb含量预测模型。首先,进行土壤Pb污染实验,采集土壤Pb污染样品的光谱、含水率及有机质含量;其次,通过土壤Pb污染样品光谱的HHT时频分析和第二个本征模函数(intrinsic mode function, IMF)分量(IMF2)瞬时频率的二阶导数识别土壤Pb污染的特征波段;最后,选择合适的频率域参数、土壤光谱一阶导数、土壤有机质含量及土壤含水率作为参数,利用箱形图、聚类分析、偏最小二乘法建立土壤Pb含量预测模型。研究结果表明：土壤Pb污染的HHT时频分析图可以鉴别土壤Pb污染光谱,未受污染的土壤光谱HHT时频分析图在波段序列为250~430之间没有异常信号,Pb污染土壤的光谱HHT时频分析图在波段序列为250~430之间存在多个异常信号,并且随着浓度的升高,异常信号分布范围越来越广,当污染浓度达到800 μg·g-1时,土壤样品的光谱信号在波段序列为270处、频率为0.3 Hz之前出现了较强的异常信号;土壤Pb污染光谱经验模态分解(empirical mode decomposition, EMD)处理后,得到的未受污染的土壤光谱IMF2的瞬时频率的二阶导数的突变非常微弱,而Pb污染的土壤光谱IMF2的瞬时频率的二阶导数存在明显的突变点,根据突变点及土壤Pb污染光谱的IMF2的瞬时频率的二阶导数识别的土壤Pb污染光谱的特征波段区间为2 150~2 300 nm;利用不同浓度Pb污染下土壤光谱Hilbert能量谱峰值、EMD能量熵、一阶导数、有机质和含水率,通过箱形图去除了六组异常样品,然后利用聚类分析的方法将去除异常样品后的土壤Pb污染样品分为两类,最后将Hilbert能量谱峰值、EMD能量熵、2 134 nm波段一阶导数、790 nm波段一阶导数、1 276 nm波段一阶导数、2 482 nm波段一阶导数、有机质和含水率作为参数建立两类数据的BC-PLSR(boxplot cluster-partial least squares regression)模型预测土壤中Pb含量,经验证模型精度较高,相关系数分别为0.88和0.99。     

基于反射率模拟模型的黑土有机质含量估测

定量分析了黑龙江省黑土室内高光谱反射率曲线特征,确定了影响反射光谱曲线的主要特征控制点,建立了黑土光谱反射率模拟模型并对其进行评价,分析比较反射率数据、模拟后的光谱数据与土壤有机质含量的关系,建立了土壤有机质含量光谱预测模型。结果如下：有机质是小于1 000 nm范围黑土反射光谱特征的决定因素,随有机质含量变化,黑土光谱反射率在该范围呈现单/双吸收谷特征;黑土反射光谱曲线在450～930 nm范围内有５个主要特征控制点;黑土反射率模拟模型能较准确地描述黑土反射光谱曲线,直线模型的模拟效果更好;以反射率模拟模型系数为自变量的有机质含量预测模型优于基于反射率及其一阶微分的模型,说明反射率模拟模型的曲线控制点选择合理且有代表性,反射率曲线模拟方法能够准确描述黑土的实际光谱反射率。     

一种间接从高光谱数据中提取黑土硒含量的新方法

我国东北黑土富含养分,随着土壤数字制图、精确农业和土壤资源调查等研究的深入,引入航空高光谱数据并提供科学的预测结果成为研究热点。硒元素相对于黑土土壤的主要成分属于微量元素,但其对作物的正常生长的作用与大量元素是同等重要的,亦是人体健康所必要的营养元素。针对硒含量反演,建立了一个基于主要成分的间接提取模型,该模型能够显著提升硒含量回归系数,降低实测值与预测值的误差。数据源自CASI-1500航空高光谱成像系统,光谱范围380~1 050 nm,空间分辨率1.5 m。在黑龙江建三江地区采集60个土壤样本,化验获得硒、有机质、全铁、pH和氧化钙含量数据,选择BP神经网络,建立光谱与含量的反演模型。分析不同含量的黑土成分在可见-近红波段范围内光谱变换规律,掌握了硒元素随着含量升高,光谱反射率会逐步升高的规律。但当硒含量较低时,在其他成分的干扰下,这一规律会逐渐减弱,直至不显著。有机质的光谱特征与硒元素相反,总体上随着含量的增高,反射率整体下降,这与有机质的光谱特性紧密相关。全铁光谱呈现出与有机质光谱类似的规律,说明二者具有较高的相关性。不同pH值和氧化钙含量的光谱特征与检测值没有呈现出明显的特征规律,反射规律不明显。对60个采样点不同养分含量进行逐波段求反射率对养分的相关系数。结果表明,pH值各个波段相关系数最高,均值达到0.63;其次是全铁的相关系数,为0.54;有机质和氧化钙的相关系数接近,分别为0.42和0.47;而硒元素含量与逐波段的平均相关系数最低,为0.38。选取相关系数较高的前5个波段,作为建模波段。硒特征波段为447,437,456,466和475 nm;有机质特征波段为447,456,466,437和475 nm;全铁特征波段为752,695,800,762和733 nm;pH特征波段为905,752,800,943和695 nm;氧化钙特征波段为752,695,800,523和762 nm。通过计算样本点硒含量与其他成分的相关系数,硒与有机质呈正相关,相关系数为0.79;与全铁、pH、氧化钙呈负相关,相关系数分别为-0.80,-0.94和-0.69。针对有机质、全铁、pH和氧化钙反演精度较高,而硒元素含量较低,直接反演精度不足的问题,设计了一种先提取4种成分含量,再根据其提取结果建立硒元素函数关系,间接反演硒元素含量的方法。首先将五种成分与特征光谱进行神经网络分析,计算每种成分的回归系数R2和RMSE。显示全铁和pH具有较高的反演精度,有机质和氧化钙归系数虽低于0.8,但也显著高于硒元素的反演精度。建立硒元素与其他4种成分含量的回归模型,得出Se=0.522 9+0.041 8Som-0.016 6Fe₂O₃-0.035 6pH-0.005CaO,进行硒元素间接提取,回归系数从0.516增长到0.724,均方根误差从0.182降低到0.136,显著改进了反演硒含量的精度,为硒元素大范围精确制图提供了一种新技术。     

基于PCA-MLR和PCA-BPN的莱州湾南岸滨海平原土壤有机质高光谱预测研究

土壤有机质(SOM)含量是衡量土壤质量高低的重要指标,可以用高光谱快速测定。在以往研究中,估算模型多以特征波段与线性经验模型为基础进行构建,较少考虑波段间信息冗余和共线性,预测效果不很理想并难以进行推广。为最大化消除波段信息噪声,提高模型预测精度,选取莱州湾南岸滨海平原为研究区,系统采集了111个土壤样本和实测高光谱数据(325～1 075 nm),并测试了土壤样本的有机质含量作为因变量;通过主成分分析(PCA)将实测光谱信息降维为6个主成分,并提取水分、植被光谱特征指数(DI),以此作为自变量;最后建立多元逐步线性回归(MLR)和BP神经网络(BPN)预测模型,分析不同模型对土壤有机质预测的效果。结果表明：①经过主成分的波段信息分析判别提取出6个主成分,可以表征叶绿素残留物、盐分、腐殖酸、物化矿渣和微地貌的光谱特征。②基于6个主成分作为自变量所建立的BPN模型预测精度优于MLR模型,他们的R2分别为0.704和0.643。将水分和植被光谱特征指数作为自变量增加到预测模型后,MLR和BPN的预测精度分别提高了6.1%和5.2%,R2达到0.712和0.764;③将光谱主成分和光谱特征指数作为自变量的BPN模型进行土壤有机质预测可得到精度较高的预测结果,在土壤有机质的预测与制图中具有一定的应用潜力。