高光譜遙感技術在土壤研究應用中的進展

劉勛 李長春 李雙權

摘要土壤反射光譜的特性和土壤物理性質之間的關系，為遙感技術在土壤中應用奠定了堅實的物理基礎。此外，高光譜遙感技術的迅猛發展為快速、高效提取土壤信息提供了科學的技術手段。針對高光譜在土壤中的應用情況，首先對高光譜遙感的發展歷程、特點以及優勢進行總結闡述，然后分別總結高光譜遙感在土壤有機質、含水量、重金屬及土壤質地等方面中的應用現狀，并對其研究方法進行總結分析，最后探討高光譜遙感技術在土壤研究應用中在研究方法和時間、空間尺度上的不足以及今后高光譜遙感在土壤研究中的發展方向。

關鍵詞土壤；反射光譜；遙感技術；高光譜

中圖分類號S127文獻標識碼A

文章編號0517-6611（2019）08-0018-04

doi：10.3969/j.issn.0517-6611.2019.08.004

AbstractThe relationship between the characteristics of soil reflectance spectra and the physical properties of soil lays a solid foundation for the application of remote sensing technology in soil.In addition，the rapid development of hyperspectral remote sensing technology provides scientific and technological means for extracting soil information quickly and efficiently.In view of the application of hyperspectral in soil，this paper firstly summarized the development history，characteristics and advantages of hyperspectral remote sensing，and then summarized the hyperspectral remote sensing in the fields of soil organic matter，water content，heavy metals and soil texture.The application status and the research methods were summarized.Finally，the shortcomings of the hyperspectral remote sensing technology in the research methods and time and space scales in soil research applications and the future development of hyperspectral remote sensing in soil research were analyzed.

Key wordsSoil；Reflection spectrum；Remote sensing technology；Hyperspectral

土壤是指在地球陸地表面上能夠生長植物的疏松表層，不僅是陸地生態系統的重要一員，而且是人類賴以生存和發展的重要物質基礎[1]。土壤是一個綜合且復雜的生態系統，土壤的定量評價與研究一直以來都是土壤學科的重點與難點。大量研究表明，土壤反射光譜的特性與土壤物理性質之間的關系，為遙感技術在土壤中應用奠定了堅實的物理基礎，同時也為研究土壤自身屬性提供了一個嶄新的方法[2-3]。

20世紀80年代初，高光譜遙感技術的出現為遙感技術的發展揭開了新篇章，與此同時它的誕生也是人類歷史上在對地觀測領域取得的重大技術突破之一[4]。高光譜遙感可以產生一條連續窄帶短波紅外光譜信息，并能夠將反映物質組成成分的地物光譜曲線與反映地物空間分布格局的影像相結合，可以同時進行土壤表面狀況與其性質的空間信息監測，為觀測地物、認識世界提供一種有效手段[5-6]。高光譜遙感技術以其特有高分辨率，使得空間對地觀測時可以獲得更為全面的地面信息狀況，因此，被受國內外專家學者們的廣泛關注與應用。筆者對高光譜遙感技術在土壤中的應用現狀進行了論述，主要針對其在土壤有機質、土壤含水量、土壤重金屬含量和土壤質地反演方面的應用進行介紹，并對其研究方法加以概括，最后論述了目前高光譜在土壤中應用的問題及其今后發展方向。

1高光譜遙感

高光譜遙感是高光譜分辨率遙感（hyperspectral remote sensing）的簡稱，它是在電磁波譜的紫外、可見光、近紅外、中紅外和熱紅外波段范圍內，獲取許多非常窄且光譜連續的影像數據的技術[7]。

1.1發展歷程

起初，高光譜遙感數據的主體一直都是航空高光譜遙感影像，并且這方面的研究都掌控在一些比較發達國家。1983年，世界上第一臺成像光譜儀（AIS-1）在美國誕生，之后由其獲取的第一幅高光譜遙感影像呈現在世界面前，同時，該成像光譜儀在植被生化特征、礦物填圖等方面的成功應用，初步展現出了高光譜遙感技術的魅力，開創了高光譜分辨率和高空間分辨率二者相結合的成像光譜遙感技術的新紀元[8]。之后，各國又相繼研制出不同種類的成像光譜儀，比如德國ROSIS，美國的AVIRIS、DAIS、TRWISⅢ，澳大利亞的HyMap和加拿大的FLI、CASI等[9]。

經過航空試驗并被成功應用以后，20世紀90年代末高光譜正式進入到航天發展領域，從此高光譜遙感技術的發展出現新的轉機。以美國、歐盟和日本為代表的發達國家相繼在高光譜遙感技術上取得突破，發射了高光譜衛星。2002年初，歐洲太空局成功發射搭載了分辨率高達0.035 cm的主動大氣探測麥克爾遜干涉儀MIPAS與大氣痕量氣體掃描成像光譜儀SCAMACHY的ENVISAT-1衛星[10]；2009年初，日本成功發射攜帶了高光譜溫室氣體觀測探測器（TANSO）的GOSAT衛星，該衛星主要用來實時監測全球大氣中CO2與CH4含量[11]。

1.2特點與優勢

常規遙感的局限性在于波段太少、光譜分辨率低、波段寬一般大于100 nm以及波段在光譜上不能連續、且不能覆蓋可見至紅外整個光譜范圍，這樣使得遙感的應用領域大為減少。高光譜遙感技術成功地打破了這一局限，與傳統遙感相比高光譜遙感主要具有波段數目多且窄、光譜分辨率高、光譜范圍寬、數據量大，信息冗余增加以及數據描述模型多，分析更為靈活等特點[12]。除此之外，高光譜的光譜數據和其圖像數據能夠有機地結合在一起，真正實現“圖譜合一”，可以把在高光譜遙感影像上獲得的光譜曲線和地面實測地物光譜曲線兩者進行實時比較[13]。

隨著高光譜成像的光譜分辨率不斷地提高，其探測能力也大大增強[14]。與全色和多光譜成像相比較，高光譜成像具有以下顯著優勢[15-16]：①有著近似連續的地物光譜信息；②地表覆蓋探測和識別能力大大提高；③地形要素分類的識別方法靈活多樣；④定量和半定量分類識別地形要素將成為可能。

2高光譜遙感在土壤研究中的應用

2.1應用范圍

隨著高光譜遙感技術的不斷成熟，其空間和光譜分辨率不斷地提高，應用領域也越來越廣。其中，高光譜在土壤研究中的應用歷史可以追溯到19世紀20—30年代。剛開始，人們利用反射光譜研究土壤含水量、土壤組分、粒徑及有機質含量[17]，之后，大量的研究表明，高光譜遙感技術被廣泛地用于反演土壤中有機質含量、含水量、重金屬及土壤質地等方面的研究應用。

2.1.1土壤有機質含量。

土壤有機質（soil organic matter，SOM）是指存在于土壤中的有機物質，可以提供植物所需的養分，而且其含量的多少也是作為衡量土壤肥力的一項重要指標[18]。如今，通過光譜分析技術測定土壤有機質含量已成為一種不可或缺的研究手段，國內外專家分別運用不同的遙感數據來反演土壤有機質含量，并取得了一定成效[19-24]。

Al-Abbas等[25]利用光譜分析技術對土壤的有機質含量進行估測研究，結果表明其有機質含量與光譜反射率之間存在明顯的負相關關系。韓兆迎等[26]研究發現，土壤光譜數據在經過去包絡線處理之后能夠顯著提高土壤有機質和光譜反射率之間的相關性，并據此篩選出7個相關性較高的敏感波長。王玉華等[27]通過研究室內實測土壤光譜反射率和土壤有機質含量之間的關系，結果表明，在波長675 nm處土壤反射率與其有機質含量高度相關。

2.1.2土壤含水量。

土壤含水量是地球生態系統能量交換過程中非常重要的因子，同時也是農業、氣候、生態等領域衡量土壤干旱程度的重要指標[28]。土壤含水量的遙感定量反演一直都是專家們研究熱點，相關研究表明，土壤光譜反射率會隨著土壤含水量增加而降低，含水量低的土壤具有較高的光譜反射率，即表現出負相關的關系，因而土壤光譜反射率的變化能夠直接反映出土壤表層的含水量變化[29]。李晨等[30]認為濱海鹽土土壤含水量與光譜反射率呈顯著負相關，特征波段位于光譜反射曲線的2個峰谷（1 440、1 930 nm）附近，且最大相關系數出現在1 930 nm處；但是，當土壤中的含水量達到一定度時，光譜反射率與土壤含水量二者之間將不再存在負相關的關系，而是呈現出正相關。研究發現，土壤含水量與光譜之間存在一個閾值（300 g/kg），當土壤樣品中的含水量達到該閾值時，土壤光譜反射率就會與土壤含水量呈現出正相關的關系[31]。

2.1.3土壤重金屬含量。

隨著社會經濟不斷的發展，城鎮化、工業化的快速進程，土壤中重金屬含量不斷加劇，嚴重地影響了土壤環境的質量。土壤重金屬在土壤中殘留時間長、遷移性差且易積累，并能夠通過食物鏈進入人體，對人身體造成威脅，因而備受學者們關注。高光譜技術的出現可以實現對土壤重金屬含量進行快速、高效的監測。土壤中重金屬富集主要是由于土壤組分的吸附所造成的[32]，諸多學者根據這一性質來定量估算土壤重金屬含量。Gannouni等[33]通過對Jalta和Bougrine的礦山廢物研究發現，利用鐵礦物可以間接反演土壤重金屬，利用鐵礦物能夠較好地預測Pb和Zn元素。程先鋒等[34]研究發現，Zn、Cd、As、Pb等4種金屬元素在滇西蘭坪鉛鋅礦區的主要影響因素為土壤中有機質、鐵氧化物及黏土礦物，并表現出高度變異性和顯著相關性。目前，國內外學者通過高光譜技術已經成功對Cu、Zn、Cd、As、Cr、Ni、Pb與Hg等重金屬在土壤中的含量進行預測，其技術手段也越來越成熟。

2.1.4土壤質地。

土壤質地是依據土壤粒徑大小來劃分的土壤類型，是影響土壤理化性質極其重要的因子之一，通?？梢苑譃樯?、粉砂以及黏土。土壤質地除了能從土壤粒徑大小影響土壤光譜反射率之外，還可以通過影響土壤的持水能力從而間接對土壤光譜反射率造成一定的影響。研究表明，土壤中顆粒粒徑的大小與其反射率之間存在一定的相關性，粒徑越小，其比表面積就越大，反射率也相應越大[35]。Bowers等[36]通過對土壤質地和土壤光譜反射曲線的關系研究，結果發現土壤反射率隨著土壤粒徑的變小呈現出指數增長，特別是在土壤粒徑≤0.000 4 mm時，此規律更加明顯。李春蕾等[37]對干旱區裸地土壤含砂量的研究結果顯示，干旱區裸地土壤砂粒含量的特征波段在430 nm處，對實測土壤光譜反射率進行數學變換后，其與土壤砂粒含量的相關關系同樣在430 nm處達到最強。不同土壤粒徑的光譜反射率在全波段、可見光、紅外波段都呈負相關關系，土壤反射光譜最大吸收值所對應的波段位置與粒徑的處理方式無關，經過不同粒徑處理的土壤其光譜吸收峰值隨土壤粒徑的減小呈現出多項式變化的規律，不同的土壤類型，其土壤光譜反射率與粒徑變化基本相同，即隨著土壤顆粒粒徑變小，土壤光譜反射率均呈冪函數增長[38]。

2.2研究方法

高光譜遙感技術在土壤研究中常用的反演方法如表1所示，這些方法所建立的反演模型都能達到精度要求。目前常規反演方法在土壤研究中均有應用，其中逐步多元線性回歸法和偏最小二乘回歸法2種方法的應用相對更為廣泛。然而，研究者為了追求更高的反演精度，越來越多的非常規模型，如支持向量機模型、模糊識別模型、Hapke模型及GWR模型等，被引入土壤研究中，并在各自的研究區域內取得了較為不錯的成果。越來越多建模方法的出現及成功應用，標志著高光譜遙感技術在土壤信息定量反演中已日趨成熟。

2.2.1土壤有機質。

目前，大多數學者通過光譜反射率數據在對土壤有機質含量進行定量反演研究時，主要運用偏最小二乘回歸和多元逐步線性回歸的方法建立反演模型[39]。Hummel等[40]通過研究土壤有機質與近紅外光譜反射率間的相關關系，構建了預測土壤有機質含量的多元逐步回歸反演模型。李勝男等[41]在對黑土研究中發現，土壤光譜反射率在經過倒數和對數處理后的數據所建立的最優模型都為最小二乘回歸模型，而對土壤光譜反射數據進行一階微分處理后，建立的最優模型則為逐步多元線性回歸模型。由此可以得出，建模方法的選擇在一定程度上會影響高光譜反演土壤有機質含量的精度。此外，針對土壤有機質和高光譜反射數據受多重因素的影響，且二者之間有可能存在非線性關系等問題，專家學者們通過BP人工神經網絡模型[42]、支持向量機模型[43]及模糊識別模型[24]分別建立土壤有機質高光譜反演模型，并取得了較好的成果。

2.2.2土壤含水量。

近年來學者們大多通過土壤反射光譜數據，建立光譜反射率和土壤含水量之間的相關估算模型來進行土壤含水量遙感定量反演。在建模方法上，目前學者主要采用線性回歸分析法[44]、偏最小二乘回歸法[45]、BP神經網絡[46]、小波分析[47]等統計模型法。李萍等[48]在對黃河三角洲土壤含水量進行估測研究時，利用多元逐步線性回歸方法對土壤反射光譜數據進行4種波段的組合處理，建立了基于多種波段組合光譜參量的土壤含水量估測模型，其效果明顯優于單一波段組合的形式。向紅英等[49]對南疆滴灌模式下的棉田土壤進行試驗分析并利用偏最小二乘回歸的方法，分別構建了不同土層含水量的反演模型，結果發現，利用反射率倒數對數所建立的模型對0～30 cm處土層與利用反射率對數所建立的模型對0～10 cm處土層含水量有較強的預測能力。統計模型法適用范圍有限且空間移植性較差，對物理機理的認識不夠完善；而機理模型法能夠更好地表述地表屬性和地表二向反射分布特征的關系，從而構建相關模型。程街亮等[50]通過Hapke模型較好地模擬了實測的土壤二向反射率，并發現隨著土壤含水量減少其單次散射反照率呈現出增大的趨勢；隨著土壤含水量的增加，特別是在1 450、1 950、2 200 nm波段處，單次散射反照率曲線中水分吸收峰的深度和寬度都明顯增大。

2.2.3土壤重金屬含量。

目前通過高光譜遙感技術進行土壤重金屬含量預測常用方法有多元線性回歸法[51]、偏最小二乘回歸法[52]、人工神經網絡[53]、支持向量機[54]等，這些方法在特定的研究區均取得了較好的效果。張秋霞等[52]利用偏最小二乘回歸的方法，以經過數學變換處理后的特征光譜波段作為自變量，建立了區域土壤重金屬反演模型，并根據經不同數學變換處理后的光譜特征，分別找出不同金屬元素的最佳反演模型。由此可見，對于土壤中重金屬元素種類、不同類型的土壤，雖然其反演方法都基本一致，但所建立的反演模型并不一定相同。由于土壤光譜特征是土壤屬性特征的綜合反映，土壤并不是均質的，且重金屬元素在土壤中的空間分布比較復雜，具有高度的空間異質性。因此，以上方法目前在特定的研究區雖然取得一定的成果，但所建立的模型適用性極差。江振藍等[55]根據重金屬元素與光譜變量間空間非平穩性關系，利用GWR模型對土壤重金屬含量進行預測，并與OLS模型相比較，結果顯示對于空間非平穩性的Cr、Cu、Zn、Pb等元素，GWR模型預測精度明顯高于OLS模型，而對于Cd和Ni等不具有顯著空間異質性的金屬元素，2種模型預測精度差異則不明顯。

安徽農業科學2019年

2.2.4土壤質地。

目前，通過反射光譜數據來進行土壤質地的預測，學者們大多采用多元逐步回歸法、偏最小二乘回歸法和BP神經網絡等方法。張娜等[56]利用一元線性回歸、逐步多元回歸以及BP人工神經網絡3種方法建立土壤光譜反射率與土壤砂粒、粉粒之間的預測模型，其結果顯示，預測精度BP人工神經網絡>逐步多元回歸>一元線性回歸。在王德彩等[57]基于Vis-NIR光譜的土壤質地預測研究中，結果得出了同樣結論，通過BP人工神經網絡所建立的預測模型精度要遠優于多元逐步回歸。由于土壤質地與其反射光譜之間存在非常復雜的關系，一些常規的回歸模型難以直接體現出這種關系，從而在一定程度上直接影響土壤質地預測精度的提高。因此，對于土壤質地預測模型的研究還需要進一步的挖掘。

3問題與展望

3.1存在的問題

通過已有研究發現，高光譜遙感技術已在土壤研究中得到了廣泛的研究與應用，但仍有一些問題需要做進一步的研究。① 在研究方法上，目前學者通過高光譜定量反演土壤相關信息的研究多是基于室內測定土壤反射光譜，然后結合實測土壤屬性信息，建立相關模型進行分析，鮮有利用高光譜遙感圖像進行反演的研究。由于土壤是礦物質、水分、有機質等物質組合而成的有機整體，其組成成分之間相互影響、相互作用，因此其光譜反射率也是土壤所有屬性的綜合體現，如何更為準確地提取出土壤中各成分信息，目前尚未有好的方法。②在時空尺度上，目前的土壤研究中，學者主要針對某一特定區域、同一時段上的土壤信息提取，而對于同一區域不同時段的土壤演化特征及區域性土壤環境演化的研究鮮見報道。在土壤光譜研究中，學者們大都采用統計分析的方法構建土壤各信息的反演模型，雖然在各自的研究區能夠取得較好的效果，但其移植性差、適用范圍受限，難以在大區域的土壤研究中得到推廣。

3.2展望

目前高光譜遙感技術已經成功應用于土壤信息各研究領域中，為快速、實時、準確獲得土壤信息提供了技術與理論的支持。利用反射光譜數據反演土壤信息已成為研究熱點，建模的方法也越來越豐富。建模的方法決定了土壤信息反演精度，通過對現有模型的對比分析、改進優化以及根據不同需要創建新的模型已成為現在土壤研究的發展趨勢?；诖?，對未來的發展有以下展望：

（1）未來高光譜數據的存儲方式將會以更方便快捷被學者加以應用，土壤反射光譜數據的處理方式也會不斷地優化改進，研究者將會獲得質量更高、使用更方便、共享性更強的光譜數據。

（2）隨著學者們對土壤信息提取精度的追求，多角度遙感技術將會在土壤研究中廣泛應用，建模的方法也會隨之被優化改進，使得模型具有適用性強、移植性高、實用價值突出等優勢。

（3）科學管理、統一標準，建立光譜信息庫。同時還應對不同類型、不同區域的土壤建立針對性的專一光譜數據庫，以便于光譜數據實時共享，提高工作效率。

參考文獻

[1]陳文倩，丁建麗，譚嬌，等.干旱區綠洲植被高光譜與淺層土壤含水量擬合研究[J].農業機械學報，2017，48（12）：229-236.

[2] 徐彬彬.土壤剖面的反射光譜研究[J].土壤，2000（6）：281-287.

[3] 徐金鴻，徐瑞松，夏斌，等.土壤遙感監測研究進展[J].水土保持研究，2006，13（2）：17-20.

[4] 魏娜，姚艷敏，陳佑啟.高光譜遙感土壤質量信息監測研究進展[J].中國農學通報，2008，24（10）：491-496.

[5] 吳良超，劉曉，高佩玲.高光譜遙感在土壤研究中的應用[J].安徽農業科學，2013，41（2）：581-582，598.

[6] 童慶禧，張兵，鄭蘭芬.高光譜遙感：原理、技術與應用[M].北京：高等教育出版社，2006.

[7] 浦瑞良，宮鵬.高光譜遙感及其應用[M].北京：高等教育出版社，2000.

[8] VINCENT R K.Fundamentals of geological and environmental remote sensing[M].New York：Prentice Hall，1977：1-366.

[9] 楊國鵬，余旭初，馮伍法，等.高光譜遙感技術的發展與應用現狀[J].測繪通報，2008（10）：1-4.

[10] BOVENSMANN H，BURROWS J P，BUCHWITZ M，et al.Sciamachy：Mission objectives and measurement modes[J].J Atmos Sci，1999，56（2）：127-150.

[11] SHIMODA H.Overview of Japanese Earth observation programe[C].SPIE，2009.

[12] 童慶禧，張兵，張立福.中國高光譜遙感的前沿進展[J].遙感學報，2016，20（5）：689-707.

[13] 張卡，盛業華，張書畢.遙感新技術的若干進展及其應用[J].遙感信息，2004（2）：58-62.

[14] 楊國鵬，余旭初，馮伍法，等.高光譜遙感技術的發展與應用現狀[J].測繪通報，2008（10）：1-4.

[15] 路威.面向目標探測的高光譜影像特征提取與分類技術研究[D].鄭州：中國人民解放軍信息工程大學，2005.

[16] 余旭初，馮伍法，林麗霞.高光譜——遙感測繪的新機遇[J].測繪科學技術學報，2006，23（2）：101-105.

[17] ONEAL A M.The effect of moisture on the color of certain Iowa soils [J].American soil survey association bulletin，1927（B8）：158-174.

[18] 方少文，楊梅花，趙小敏，等.紅壤區土壤有機質光譜特征與定量估算：以江西省吉安縣為例[J].土壤學報，2014，51（5）：1003-1010.

[19] ANNE N J P，ABDELRAHMAN A H，LEWIS D B，et al.Modeling soil parameters using hyperspectral image reflectance insubtropical coastal wetlands[J].International journal of applied earth observation and geoinformation，2014，33（11）： 47-56.

[20] 王祥峰，蒙繼華.基于HJ-1衛星的農田土壤有機質含量監測[J].農業工程學報，2014，30（8）：101-108.

[21] LIU S L，AN N N，YANG J J，et al.Prediction of soil organic matter variability associated with different land use types in mountainous landscape in southwestern Yunnan province，China[J].Catena，2015，133（10）： 137-144.

[22] LIU F，ROSSITER D G，SONG X D，et al.A similarity-based method for three-dimensional prediction of soil organic matter concentration[J].Geoderma，2015，263（1）： 254-263.

[23] 李超，劉兆剛，岳樹峰，等.基于激光雷達數據的森林表層土壤有機質空間格局反演[J].應用生態學報，2012，23（9）： 2451-2458.

[24] 袁征，李希燦，于濤，等.高光譜土壤有機質估測模型對比研究[J].測繪科學，2014，39（5）：117-120，164.

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

[26] 韓兆迎，朱西存，劉慶，等.黃河三角洲土壤有機質含量的高光譜反演[J].植物營養與肥料學報，2014，20（6）：1545-1552.

[27] 王玉華，楊小霞，王克如，等.新疆不同類型土壤有機質含量的高光譜監測[J].新疆農墾科技，2016，39（11）：55-57.

[28] 余凡，趙英時.ASAR和TM數據協同反演植被覆蓋地表土壤水分的新方法[J].中國科學：地球科學，2011，41（4）：532-540.

[29] 魏娜.土壤含水量高光譜遙感監測方法研究[D].北京：中國農業科學院，2009.

[30] 李晨，張國偉，周治國，等.濱海鹽土土壤水分的高光譜參數及估測模型[J].應用生態學報，2016，27（2）：525-531.

[31] 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測[J].土壤學報，2014，51（5）：1021-1026.

[32] PINHEIRO E M，CEDDIA M B，CLINGENSMITH C M，et al.Prediction of soil physical and chemical properties by visible and near-infrared diffuse reflectance spectroscopy in the central amazon [J].Remote sensing，2017，9（4）：1-22.

[33] GANNOUNI S，REBAI N，ABDELJAOUED S.A spectroscopic approach to assess heavy metals contents of the mine waste of Jalta and Bougrine in the North of Tunisia [J].Journal of geographic information system，2012，4（3）：242-253.

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

[35] 楊雪紅.土壤粒徑對土壤光譜特征的影響[J].科技信息，2010（25）：390-391，154.

[36] BOWERS S A，HANKS R J.Reflectance of radiant energy from soils[J].Soil science，1965，100（2）：130-138.

[37] 李春蕾，許端陽，陳蜀江.基于高光譜遙感的新疆北疆地區土壤砂粒含量反演研究[J].干旱區地理，2012，35（3）：473-478.

[38] 馬創，申廣榮，王紫君，等.不同粒徑土壤的光譜特征差異分析[J].土壤通報，2015，46（2）：292-298.

[39] 譚琨，張倩倩，曹茜，等.基于粒子群優化支持向量機的礦區土壤有機質含量高光譜反演[J].地球科學：中國地質大學學報，2015，40（8）：1339-1345.

[40] HUMMEL J W，SUDDUTH K A，HOLLINGER S E.Soil moisture and organic matter prediction of surface and subsurface soils using an NIR soil sensor[J].Computers and electronics in agriculture，2001，32（2）：149-165.

[41] 李勝男，曹萌萌，李盛楠，等.黑土典型區有機質高光譜預測模型[J].國土與自然資源研究，2016（4）：73-76.

[42] 葉勤，姜雪芹，李西燦，等.基于高光譜數據的土壤有機質含量反演模型比較[J].農業機械學報，2017，48（3）：164-172.

[43] VISCARRA ROSSEL R A，BUI E N，CARITAT P，et al.Mapping iron oxides and the color of Australian soil using visiblenearinfraed reflectance spectra[J].Journal of geophysical research，2010，115：1-13.

[44] 李萍.黃河三角洲土壤含水量狀況的高光譜估測與遙感反演[D].泰安：山東農業大學，2016.

[45] 馬明德，馬學娟，謝應忠，等.寧夏生態足跡影響因子的偏最小二乘回歸分析[J].生態學報，2014，34（3）：682-689.

[46] 湯娜，張新樂，劉煥軍，等.土壤有機質與水分反射光譜響應特征綜合作用模擬[J].土壤通報，2013，44（1）：72-76.

[47] PENJ J，SHEN H，HE S W，et al.Soil moisture retrieving using hyperspectral data with the application of wavelet analysis [J].Environ Earth Sci，2013，69（1）：279-288.

[48] 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與遙感反演[J].土壤學報，2015，52（6）：1262-1272.

[49]向紅英，牛建龍，彭杰，等.棉田土壤水分的高光譜定量遙感模型[J].土壤通報，2016，47（2）：272-277.

[50] 程街亮，紀文君，周銀，等.土壤二向反射特性及水分含量對其影響研究[J].土壤學報，2011，48（2）：255-262.

[51] SONG L，JIAN J，TAN D J，et al.Estimate of heavy metals in soil and streams using combined geochemistry and field spectroscopy in Wansheng mining area，Chongqing，China[J].International journal of applied earth observation and geoinformation，2015，34： 1-9.

[52] 張秋霞，張合兵，劉文鍇，等.高標準基本農田建設區域土壤重金屬含量的高光譜反演[J].農業工程學報，2017，33（12）：230-239.

[53] TAN K，YE Y Y，CAO Q，et al.Estimation of arsenic contamination in reclaimed agricultural soils using reflectance spectroscopy and ANFIS model[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2014，7： 2540-2546.

[54] STAZI S R，ANTONUCCI F，PALLOTTINO F，et al.Hyperspectral visible-near infrared determination of arsenic concentration in soil[J].Communications in soil science and plant analysis，2014，45（22）： 2911-2920.

[55] 江振藍，楊玉盛，沙晉明.GWR模型在土壤重金屬高光譜預測中的應用[J].地理學報，2017，72（3）：533-544.

[56] 張娜，張棟良，李立新，等.基于高光譜的區域土壤質地預測模型建立與評價：以河套灌區解放閘灌域為例[J].干旱區資源與環境，2014，28（5）：67-72.

[57] 王德彩，張俊輝.基于Vis-NIR光譜的土壤質地BP神經網絡預測[J].天津農業科學，2015，21（8）：6-9.