去除土壤水分对高光谱估算土壤有机质含量的影响

合集下载

土壤参数的光谱实时分析

第!"卷第"期干旱地区农业研究#$%&!"’$&" !(()年)月!"#$%&’(&#)’*+,+)#%-$.(-+!#$/!#+),*+,!(()土壤参数的光谱实时分析谢伯承-，!，薛绪掌-，王纪华-，王国栋!（-&国家农业信息化工程技术研究中心，北京-(((./；!&西北农林科技大学资源与环境学院，陕西杨凌0-!-((）摘要：使用12345!)((便携光谱仪对国家精准农业示范区原状土土壤水分、有机质、’6"7、89和:;等参数进行了野外测定测评。

用原反射率倒数的对数（!值）分别与各土壤参数建立的直线相关模型均取得较好相关结果。

分析认为土壤有机质的测定选用0<!=>波段，’6"7光谱吸收波段在?"-=>时相关性最好，电导率选用-?-?=>作为测定波段为最佳。

这些模型可作为土壤参数估测和评价的参考。

关键词：土壤参数；土壤反射率；精准农业中图分类号：2-)/文献标识码：1文章编号：-(((@0<(-（!(()）("@(()?@(?精准农业（:ABCDED$=+FADCG%HGAB）是近年来国际上农业科学研究的热点领域，也是现代信息技术和传统农业紧密结合的产物［-］。

随着精准农业的发展迫切要求遥感技术能够为其提供快速，准确的地表信息，如土壤水分含量、有机质含量，粗糙度、质地特性等。

从精准农业的本质来说，它是一种变量技术，目前采用较普遍的是产量图的获取和基于网格取样的变量施肥技术。

然而基于土壤养分状况和产量目标确定施肥处方，很少考虑土壤的其它理化性状，是目前变量施肥技术的缺陷，也是变量施肥增产效果不明显的重要原因之一。

目前对农田土壤信息的监测基本上仍沿用实验室化验分析的方法，由于耗资，费时，因而使农田土壤栅格式采样的空间尺度偏大，采样点偏于稀疏，难于建立较为精细的土壤参数空间分布图［!］。

影响土壤有机质分解转化的英素

影响土壤有机质分解转化的英素
影响土壤有机质分解转化的因素包括：
1. 温度：适宜的温度有利于土壤中微生物的活动和代谢，进而促进有机质的分解和转化。

较高的温度可以加速分解速度，而较低的温度会减缓分解速度。

2. 湿度：土壤湿度影响微生物的生长和代谢活动。

适宜的湿度有利于有机质分解转化的进行，过高或过低的湿度会抑制微生物的活动，从而影响分解转化的速度。

3. pH值：土壤的酸碱度会对微生物活动起到重要影响。

大多数微生物喜欢中性或微酸性环境，当土壤pH过高或过低时，微生物活动会受到抑制，有机质的分解转化速度也会受影响。

4. 氧气含量：有机质分解是一个氧化过程，因此土壤中的氧气供应对于有机质的分解转化至关重要。

缺乏氧气会导致产生大量的还原物质，从而抑制微生物活动。

5. 原料质量：有机质的化学组成和物理特性对其分解转化速度有直接影响。

一般来说，有机质含量较高、C/N比适宜、富含可降解物质的有机质更容易分解转化。

6. 微生物群落：土壤中的微生物群落种类和数量对有机质分解转化过程有重要影响。

不同类型的微生物在有机质的分解过程中具有不同的作用和能力，相互协同作用可以加速分解转化。

除了上述因素，土壤类型、土壤通气性、有机质来源等也会对有机质的分解转化过程产生一定影响。

几种常用植被指数介绍

对几种常用植被指数的认识植被指数主要反映植被在可见光、近红外波段反射与土壤背景之间差异的指标，各个植被指数在一定条件下能用来定量说明植被的生长状况。

在学习和使用植被指数时必须由一些基本的认识：1、健康的绿色植被在NIR和R的反射差异比较大，原因在于R对于绿色植物来说是强吸收的，NIR则是高反射高透射的；2、建立植被指数的目的是有效地综合各有关的光谱信号，增强植被信息，减少非植被信息3、植被指数有明显的地域性和时效性，受植被本身、环境、大气等条件的影响一、RVI——比值植被指数：RVI=NIR/R，或两个波段反射率的比值。

1、绿色健康植被覆盖地区的RVI远大于1，而无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的RVI在1附近。

植被的RVI通常大于2；2、RVI是绿色植物的灵敏指示参数，与LAI、叶干生物量(DM)、叶绿素含量相关性高，可用于检测和估算植物生物量；3、植被覆盖度影响RVI，当植被覆盖度较高时，RVI对植被十分敏感；当植被覆盖度<50%时，这种敏感性显著降低；~4、RVI受大气条件影响，大气效应大大降低对植被检测的灵敏度，所以在计算前需要进行大气校正，或用反射率计算RVI。

二、NDVI——归一化植被指数：NDVI=(NIR-R)/(NIR+R)，或两个波段反射率的计算。

1、NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等；2、-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；3、NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。

对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度；4、NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、学、枯叶、粗超度等，且与植被覆盖有关；三、DVI\EVI——差值\环境植被指数：DVI=NIR-R，或两个波段反射率的计算。

荒漠化土地土壤有机质含量的实测光谱估测

ＡｂｔａｔＴｅｔｐｏｌｓｅｔｌｃａａｔｒｔｓａｄｓｅｔｌｓｇｎｓｓｎｉｖｔｔｓｉｏｇｎｃｍａｔｒ（Ｏ）ｗｒｓｒｃ：ｈｏｓｉｐｃｒｈｒｃｉｉｎｐｃｒｅｍｅｔｅｓｔｉｏｏｌｒａｉｔａｅｓｃａｉｙｅＳＭｅｅ
别存在１有机质光谱敏感区；土壤有机质含量高光谱估测模型验证结果表明，用波长５８ＢＩ的反射光谱对个利８Ｉ处Ｔ
数ｌ和反射光谱倒数１Ｒ以及波长８５ｈｌ的反射光谱倒数的导数（／）和反射光．对数的导数ｇＲ／３ｉ处ｌ１Ｒ，谱（ｇ）分别建立的模型，以较好地估测荒漠化土地土壤有机质含量。１Ｒ可关键词：荒漠化土地；土壤有机质；壤光谱；测模型土估中图分类号：１８２Ｓ５．５Ｔ７Ｓ５．；１１９；Ｐ９文献标识码：Ａ文章编号：０１— ４８２１）６— ０９—０１０７８（０１０００８
第４７卷第６期
２０１１年６月
林
业
科
学
Ｖｏ．１４７．．ＮＯ６
ＳＣＩＥＮＴＩＡ
ＳＩＬＶＡＥ
ＳＩＣＡＥＮＩ
Ｊｎ２０１１ｕ．，
荒漠化土地土壤有机质含量的实测光谱估测木
高志海白黎娜王碡瑜李增元李晓松王玉魁。

植被指数总结

植被指数总结植被指数概念：结合不同卫星波段的检测数据，反映植物生长状况的指标。

植物叶面在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，这是植被遥感监测的物理基础，通过这两个波段测值的不同组合可得到不同的植被指数。

差值植被指数又称农业植被指数，为二通道反射率之差，它对土壤背景变化敏感，能较好地识别植被和水体。

该指数陌生物量的增加而迅速增大。

比值植被指数又称为绿度，为二通道反射率之比，能较好地反映植被覆盖度和生长状况的差异，特别适用于植被生长旺盛、具有高覆盖度的植被监测。

归一化植被指数为两个通道反射率之差除以它们的和。

在植被处于中、低覆盖度时，该指数随覆盖度的增加而迅速增大，当达到一定覆盖度后增长缓慢，所以适用于植被早、中期生长阶段的动态监测。

蓝光、红光和近红外通道的组合可大大消除大气中气溶胶对植被指数的干扰，所组成的抗大气植被指数可大大提高植被长势监测和作物估产精度。

遥感技术可以监测植被的变化，主要研究植被NDVI的替代指标，又称标准化植被指数，是目前应用最广泛的指标。

这是近红外波段和红色波段之间的差异通过两者之和校正的结果，公式为：NDVI=（NIR红色）/（NIR+红色），指数值介于-1和1:0之间，表示该区域基本上没有植被生长；负值表示未被植被覆盖的区域；该值介于0和1之间。

数量越多，植被覆盖面积越大，植被越多。

云、水体和冰雪在红色和近红外波段有较大的反射，其NDVI值为负值；这两个波段的土壤和岩石反射率基本相同，因此它们的NDVI值接近0.05。

对于Landsat TM传感器，红外和可见光红色波段分别为CH 4和CH 3波段，以便显示不同像素的颜色，按公式（NDVI最小值）/（NDVI最大值NDVI最小值）×255将NDVI扩展到0~255计算ndvi必须用反射率。

DN值有多种类型。

TM和NOAA原始数据均为DN值，不能直接用于计算NDVI。

它只能通过辐射定标计算反射率来计算NDVI。

高光谱整理

1.遥感图像的最基本单元是像元，每个像元具有空间特征和属性特征。

空间特征：是用X值和Y值来表示；（纹理，形状，大小，方位）属性特征：常用亮度值表示。

（灰度值，亮度值）2.遥感图像特征（②，③遥感成像技术发展的方向）①时间分辨率：对同一地点进行遥感采样的时间间隔，集采样的时间频率。

也称重访周期。

②空间分辨率：像素所代表的地面范围的大小，或地面物体能分辨的最小单元；③光谱分辨率：传感器在接收目标辐射的光谱时能分辨的最小波长间隔；④辐射分辨率：指传感器接收波谱信号时，能分辨的最小辐射度差；3.高光谱遥感基本概念：①多光谱遥感（Multirspectral Remote Sensing）,光谱分辨率在波长的1/10数量级范围内(几十个至几百个nm)的遥感；②高光谱遥感（Hyperspectral Remote Sensing）,光谱分辨率在波长的1/100数量级范围内（几个nm）的遥感；③超光谱遥感（Ultraspectral Remote Sensing）,光谱分辨率在波长的1/1000数量级范围内（0.2-1nm）的遥感。

4.高光谱遥感与常规多光谱遥感的比较：①高光谱遥感：即高光谱分辨率成像光谱遥感，幅宽小，成像范围小，其细微的波段可进行地物成分的识别，风度估计（精细识别）。

②常规多光谱遥感：幅宽大，成像范围宽，可进行宏观地物影像分析，不可被高光谱遥感完全取代（宏观变化趋势）。

研究宏观的变化情况则必须用多光谱成像仪。

5.高光谱遥感发展概况：高光谱遥感的基础是光谱学(spectroscopy).①光谱学：实验室分析地物光谱特征(获得谱信息)②成像技术：把遥感传感器放置航空或航天平台(获得地物的图像信息)③成像光谱学：把实验室仪器放置航空或航天平台(获得地物的图和谱信息)注：光学遥感的发展——空间、光谱分辨率的不断提高：①全色Panchromatic：主要通过形状（空间信息）识别地物。

②彩色color photography：增加了颜色的感知，加强型的颜色感知。

土壤含水量的测定

土壤含水量的测定检测土壤含水量是根据土壤中水分的含量而定的，而土壤的含水量受到时间、空间的变化而产生变化。

一、土壤含水量的重要性土壤含水量具有重要的决定作用，它不仅影响到土壤的颗粒结构和有机质含量，还直接关系到土壤的通透性和吸水性，是判断土壤肥力水平的参考指标；土壤含水量还与作物的生长和产量有关，是作物的根系活动的重要前提。

同时，很多土地利用的判定也需要参考及提高土壤含水量，以保证土壤的肥力和植物的生长。

二、土壤含水量的测定原则1. 选择土壤样品：取五份重量相同的土壤样品，筛去不同样品中的碎石、残留植被等明显差异的杂质，把满足检测要求的样品保存起来。

2. 干燥处理：取一份土壤样品，在室温下用烘干箱干燥处理；如果土壤中检测含水量大于15%，则用冷冻干燥机干燥处理，并在室温下冷却恢复。

3. 减水量测定：将处理后的粗土壤样品按照称量仪倒入减水量金属杯中，以非电加热的方式将水夹提去，分别测量减水量两次，取二者的平均值即为本次检测的减水量。

4. 称重法测定：将处理后的粗土壤样品放入称量过程，用天平在空气中对样品进行称重，记录实测重量及水份净重，用实测重量减去水份净重，再根据标准温度和湿度来计算土壤水分含量。

三、土壤含水量的影响因素1.灌溉：灌溉到地里的水会使土壤含水量增加，若灌溉太多，则有可能吨位和透气性受损，也造成氧气供应不足，从而影响植物的生长。

2.降雨：降雨能使土壤含水量蓄积，它直接或间接影响到土壤的植物营养物质的分布；不仅影响着土壤机械结构，也直接影响到植物生长及其后果。

3.湿度：湿度是影响土壤含水量的重要因素，湿度通常越大，含水量就越高，而当湿度太低时，土壤也不能有较高的含水量。

4.植物生长：植物会吸收土壤中的水，因此植物生长也会影响土壤含水量；即植物越生长，土壤的含水量就越低，反之亦然。

四、土壤含水量的管理1.合理灌溉：要根据土壤含水量的变化，合理决定灌溉的时机和灌溉量，不仅要保证土壤充足的水分，也要注意避免积水或过流；2.增强养分运移：可以采取复合肥料用于养分补给，以及增加土壤养分的有效运移，进一步改善土壤的肥力；3.地力改良：可以采取土层松实、补化调节等措施，增加土壤的吸水量及气孔，提高通透性，进而改善土壤的含水量；4.作物的种植管理：可以采取水热调控和植物整理种植等措施，科学控制水分的消耗从而确保土壤的含水量；5.科学施肥：可根据土壤实验室数据，应用适量肥料，如木质素、磷肥、氮肥等，可以有效地改善土壤的湿度，增强土壤结构，从而提高土壤的含水量。

植被指数总结

植被指数总结植被指数概念：利用卫星不同波段探测数据组合而成的，能反映植物生长状况的指数。

差值植被指数又称农业植被指数，为二通道反射率之差，它对土壤背景变化敏感，能较好地识别植被和水体。

该指数陌生物量的增加而迅速增大。

比值植被指数又称为绿度，为二通道反射率之比，能较好地反映植被覆盖度和生长状况的差异，特别适用于植被生长旺盛、具有高覆盖度的植被监测。

归一化植被指数为两个通道反射率之差除以它们的和。

在植被处于中、低覆盖度时，该指数随覆盖度的增加而迅速增大，当达到一定覆盖度后增长缓慢，所以适用于植被早、中期生长阶段的动态监测。

蓝光、红光和近红外通道的组合可大大消除大气中气溶胶对植被指数的干扰，所组成的抗大气植被指数可大大提高植被长势监测和作物估产精度。

遥感技术可以监测植被的变化，主要研究植被的替代指标. NDVI，又称标化植被指数，是目前应用最为广泛的指标，是近红外波段与红色波段的差异经二者之和校正后的结果. 公式为：NDVI=（NIR-RED）/（NIR+RED），该指数值介于-1与1之间： 0代表该区域基本没有植被生长；负值代表非植被覆盖的区域；取值0~1之间，数字越大代表植被的覆盖面积越大，植被的量越多。

云、水体和冰雪在红色及近红外波段均有较大反射，其NDVI值为负值；土壤和岩石在这两个波段的反射率基本相同，因此其NDVI值接近0. 对于Landsat TM传感器来说，其红外及可见红光波段分别为CH4和CH3波段. 为了对不同像素显示配色，按公式（NDVI-NDVI极小值）/（NDVI极大值-NDVI极小值）×255将NDVI扩展为0~255.计算NDVI必须用反射率。

DN值有多种类型，TM、NOAA的原始数据就是DN值，不能用来直接计算NDVI，必须通过辐射定标计算成反射率，才能用来计算NDVI。

油浴加热重铬酸钾容量法测定土壤有机质影响因素分析

油浴加热重铬酸钾容量法测定土壤有机质影响因素分析采用重铬酸钾油浴外加热容量法测定土壤有机质，土壤中碳酸盐无干扰作用，测定结果准确，适用于大量样品的分析。

但是实验过程注意事项多，特别是在消煮样品时，既要特别注意保持溶液呈微沸状态(170 ℃～180 ℃)，以防止重铬酸钾的分解，又要准确计算沸腾时间(5 min)；同时对滴定终点的观察、判断、条件控制均要求准确掌握(消化好的样品要求是黄色或者黄中带绿)，结合自己多年测土经验，对测定过程中的影响因素进行逐一分析。

1 样品的选择与制备选取有代表性风干土壤样品，用镊子挑除植物根茎叶等有机残体，然后用木棍把土块压细，充分混匀后，使之通过1 mm孔径筛。

再从中取10～20 g试样磨细，全部通过0.25 mm筛，装入磨口瓶中备用。

对采回的处于渍水条件下的土壤，平摊成薄层，每天翻动一次，在空气中暴露一周左右晾干后，压碎磨样。

2 试剂配置2.1 0.40 mol/L重铬酸钾－硫酸溶液称取重铬酸钾(分析纯)20 g，溶于300～400 mL蒸馏水中,加水定容至500 mL。

将此溶液转移到3L大烧杯中；另取500 mL 密度为1.84的浓硫酸（化学纯），慢慢倒入重铬酸钾水溶液中，并不断搅动。

为避免溶液急剧升温，每加约100 mL浓硫酸可稍停片刻，并把大烧杯放在盛有冷水的大塑料盆内冷却，当溶液的温度降到大约40 ℃时，再加另一份浓硫酸，直到全部加完为止，溶液浓度C(1/6K2Cr2O7)=0.40 mol/L，其极为稳定，可以长期保存。

2.2 0.20 mol/L硫酸亚铁铵或硫酸亚铁溶液称取硫酸亚铁铵[（NH4）2SO4·FeSO4·6H2O，化学纯]80 g或硫酸亚铁（FeSO4·7H2O，化学纯）56 g，溶于500 mL蒸馏水中，加浓硫酸（化学纯）40 mL，搅拌均匀，然后加蒸馏水稀释至1L，贮于棕色瓶中，此溶液每次使用时应用0.10 mol/L(1/6K2Cr2O7)的标准溶液标定其准确浓度。

土壤水分和有机质的测定

实验报告课程名称：土壤与环境分析指导老师：廖敏成绩：__________________ 实验名称：土壤水分与有机质含量的测定同组学生姓名：方丽、林园园一、实验目的和要求1. 掌握、熟练利用烘干法测量土壤水分含量的方法；2. 了解、掌握利用重铬酸钾容量法测量土壤有机质的原理和方法；3. 分析采集土壤的有机质含量并进行分析；4. 熟练天平、滴定管等仪器的使用。

二、实验内容和原理内容：1. 测定风干土壤的水分含量；2. 利用重铬酸钾容量法测量土壤有机质含量。

原理：1. 风干土在105±2℃下烘干16小时得到烘干土，土壤中除组成结构以外的水分蒸发；计算公式：土壤含水量 =风干土－烘干土烘干土；2. 在170-180℃条件下，标准重铬酸钾与硫酸溶液氧化土壤有机质（碳）；2 K 2Cr 2O 7 ＋ 8 H 2SO 4 ＋3 C 2 K 2SO4 ＋ 2 Gr 2(SO 4)3 ＋ 3 CO 2 ＋8 H 2O 多余的标准重铬酸钾溶液用硫酸亚铁滴定；K 2Cr 2O 7 ＋ 6 FeSO 4 ＋ 7 H 2SO 4 K 2SO 4 ＋ Gr 2(SO 4)3 ＋ 3 Fe 2(SO 4)3 ＋ 7 H 2O 最后通过所消耗的重铬酸钾含量计算有机质含量。

3. 土壤有机碳(g ·kg -1)= ((c ×5)÷V0)×(V0－V) ×10-3×3.0×1.1÷（m ×k)土壤有机质(g ·kg -1)=土壤有机碳（g ·kg -1×1.724）三、实验材料与试剂：材料：过18目筛的土样若干克、过100目筛的土样若干克、粉状SiO 2若干克。

试剂：0.8000mol ·L -1 K 2Cr 2O 7溶液、浓硫酸溶液、邻菲罗啉指示剂、0.2mol ·L -1 标准FeSO 4溶液四、实验器材与仪器：天平、铝盒、烘箱、硬质试管、小漏斗、石蜡油浴锅、250ml 三角瓶、胶头滴管、碱式滴定专业：农业资源与环境姓名：周晓馨学号： 3110100498 日期： 2013.09.16 地点：农生环B 座227室装订线管五、操作方法和实验步骤：1.风干土水分含量的测定：取经烘干的、干净且有标号的铝盒并称量，记为A 称取过18目筛的土样5-10g，记为B 将铝盒盖斜盖，于105±2℃烘箱内烘16小时后再称量，记为C 计算风干土含水量(B - A) － (C - A)C - A2.土壤有机质含量的测定：K2Cr2O7）称取过100目筛的土样0.1g，加入到硬质试管中加入0.8000mol·L-1（16溶液5ml和浓硫酸溶液5ml 试管瓶口放上小漏斗，置于170-180℃的石蜡油浴锅中加热煮沸5min后(沸腾时开始计时)，取出试管冷却、擦净冷却后将试管中溶液转移至250ml三角瓶中试管和小漏斗的洗涤液合并到三角瓶中，使三角瓶中溶液约为60-70ml 加邻菲罗啉指示剂2-3滴用0.2mol·L-1 标准FeSO4溶液滴定溶液颜色由橙黄到蓝绿，最后突变到砖红色即到达滴定终点读出滴定管读数，计算土壤有机质含量六、实验数据记录和处理：1.风干土含水量的计算：2.土壤有机质含量的计算：土壤有机碳(g·kg-1)= ((c×5)÷V0)×(V0－V) ×10-3×3.0×1.1÷（m×k)=3.8780（g·kg-1）式中，c为重铬酸钾的浓度；V0为空白滴定用去FeSO4体积19.88ml;V为样品滴定用去FeSO4体积19.30ml;m为风干土样质量；k为风干土换算成烘干土的系数0.9736。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

对于耕地质量评价、精准农业可持续发展、土壤数字化制图
具有重要意义［１］。近年来，近地土壤高光谱技术凭借方便快捷、无破坏、大面积、信息量大等优点，已逐渐成为田问土壤肥力关键参数实时动态监测的重要技术手段＿３］。然而在野外进行土壤光谱测量，无论是采用静态原位还是实时动态的监测方法都会受到许多外部环境参数（土壤含水量、表面粗糙度、土壤质地、室外温度等因素）的影响，导致估算模型适用性较差。其中，土壤含水量（ｓｏｉｌｍｏｉｓｔｕｒｅ
响的光谱区域，再将所有的光谱投影到与受土壤水分影响相
正交的空间上，从而实现这一影响因素的去除［５。］。另外，室
内土壤光谱测试环境（水分、粒径等因素）较室外环境影响条件容易控制，采用高光谱技术估算ＳＯＭＣ可以获得较为理想准确的估算精度，而且观测结果具有良好的稳定性和可重复性，这为基于ＥＰＯ算法去除土壤水分对高光谱的干扰提供了良好的实验设计基础。采集江汉平原潜江市的潮土样本，通过在室内模拟野外土壤水分环境参数的影响，设计并实施人工加湿土壤样本实验，共获取６个不同土壤含水率水平的高光谱数据，分析土
升高光谱估算ＳＯＭＣ模型的精度。外部参数正交化法（ｅｘｔｅｒｎａｌｐａｒａｍｅｔｅｒｏｒｔｈｏｇｏｎａｌｉｚａｔｉｏｎ，ＥＰＯ）在去除外部环境参数方面效果显著，为消除土壤水分的影响提供了新途径。ＥＰＯ算法首先确定受土壤水分影
产生影响。因此，去除土壤水分对高光谱的影响，有助于提
引言
土壤有机质含量（ｓｏｉｌｏｒｇａｎｉｃｍａｔｔｅｒｃｏｎｔｅｎｔ，ＳＯＭＣ）的高低是衡量土壤肥力的重要指标，快速、准确地监测ＳＯＭＣ
第３７卷，第７期
２０１７年７月
光谱学与光 Nhomakorabea谱
分
析
Ｖｄ３７．Ｎｏ．７．ｐｐ２１４６ — ２１５１
ＳｐｅｃｔｒｏｓｃｏｐｙａｎｄＳｐｅｃｔｒａｌＡｎａｌｙｓｉｓ
行了实证，为完善野外原位获取ＳＯＭＣ信息技术提供理论基础。
关键词土壤有机质；高光谱；土壤含水率；外部参数正交化法；江汉平原
中图分类号：Ｓ１２７；ＴＰ７９文献标识码：ＡＤＯＩ：１０．３９６４／ｊ．ｉｓｓｎ．１０００ — ０５９３（２０１７）０７ — ２１４６ — ０６
Ｊｕｌｙ，２０１７
去除土壤水分对高光谱估算土壤有机质含量的影响
于雷Ｌ，洪永胜，朱亚星，黄鹏，何琦，ＱＩＦｅｎｇ。
１．华中师范大学地理过程分析与模拟湖北省重点实验室，湖北武汉２．华中师范大学城市与环境科学学院，湖北武汉４３００７９４３００７９
３．ＳｃｈｏｏｌｏｆＥｎｖｉｒｏｎｍｅｎｔａｌａｎｄＳｕｓｔａｉｎａｂｉｌｉｔｙＳｃｉｅｎｃｅｓ，ＫｅａｎＵｎｉｖｅｒｓｉｔｙ，ＮｅｗＪｅｒｓｅｙ０７０８３，ＵＳＡ
工加湿土样，分别获取６个ＳＭＣ水平的土壤高光谱数据，采用标准正态变换（ＳＮＶ）对光谱数据进行预处理，基于外部参数正交化法（ＥＰ０）去除土壤水分对高光谱的影响，利用偏最小二乘方法（ＰＬＳＲ）建立并对比ＥＰＯ处理前、后不同ＳＭＣ水平ＳＯＭＣ反演模型。结果表明，土壤水分对Ｖｉｓ — ＮＩＲ光谱反射率有显著的影响，掩盖了ＳＯＭＣ的光谱吸收特征；ＥＰＯ处理前不同ＳＭＣ水平的光谱曲线之间的差异较为明显，而ＥＰＯ处理后的各ＳＭＣ水平的光谱曲线形态基本相似；采用ＥＰＯ处理后的土壤高光谱数据建立ＳＯＭＣ估算模型，预测集的Ｒ，ＲＰＤ分别为０．８４和２．５０，其精度与ＥＰＯ处理前所建模型相比有较大提升，表明ＥＰＯ算法可以有效去除土壤水分的影响，从而提升ＳＯＭＣ的估算精度。对定向去除外部环境参数对土壤高光谱影响进
摘
要
土壤高光谱技术具有方便快捷、无破坏、成本低等优点，已被广泛应用于估算土壤有机质含量
（ＳＯＭＣ）。然而，野外测量的土壤高光谱数据因受外部环境因素（土壤湿度、温度、表面粗糙度等）干扰，导
致ＳＯＭＣ估算模型适用性有待提升。土壤含水率（ＳＭＣ）是影响野外测量高光谱的最主要的障碍因素之一，它的变化严重影响可见一近红外（Ｖｉｓ — ＮＩＲ）光谱反射率的观测结果。因此，消除ＳＭＣ对高光谱数据的干扰是提高土壤高光谱估算ＳＯＭＣ模型预测精度的关键环节。以江汉平原潜江市潮土样本为研究对象，在室内人