南方丘陵稻田土壤全钾和速效钾高光谱特征与反演模型研究

以兴国县稻田土高光谱反射率为研究对象,对比分析了同一种光谱反射率变换形式下土壤全钾、速效钾与高光谱反射率的相关性,提取了全钾和速效钾的高光谱敏感波段,建立了基于反射光谱特征的南方丘陵稻田土全钾、速效钾高光谱反演模型.经分析可知,在355～620 nm波段,土壤全钾、速效钾含量与光谱反射率相关性同增同减,而在621～2 250 nm波段内,土壤全钾含量与光谱反射率相关性要大于土壤速效钾;通过分析兴国县稻田土全钾、速效钾含量与光谱反射率18种数学变换的相关系数,提取全钾的敏感波段为602、804 nm,速效钾的敏感波段为602、1 058、1 638、2 214 nm;采用偏最小二乘回归,利用高光谱指数构建的反演模型能较好地预测全钾、速效钾含量,模型建模的相关系数和验证系数都较高,基于速效钾含量建立的南方丘陵稻田土高光谱反演模型预测能力较好.     

丘陵红壤区稻田土壤全磷高光谱特性研究

高光谱遥感技术是定量遥感发展的重要方向,也是土壤养分含量预测的有效手段之一。以江西省中南部的兴国县为研究区,在对43个土壤样本的理化性质和实验室反射光谱数据分析和测量的基础上,寻找丘陵红壤区稻田土壤全磷含量的高光谱敏感波段,尝试建立土壤全磷的预测模型。通过研究发现,丘陵红壤区稻田土壤全磷含量与高光谱曲线相关系数在重采样一阶微分变换中达到最高,最高值在534 nm处达到了0.702。采用高光谱来预测南方典型丘陵稻田土壤全磷含量具有一定的可行性。     

基于一阶微分变换方法的南方丘陵稻田土壤电阻率高光谱特性研究

通过对土壤电导率和光谱测定,分析了南方丘陵稻田土壤电阻率特征、原始光谱数据及重采样光谱数据特征。在光谱重采样基础上进一步构建光谱包络线去除变换、光谱反射率倒数(1/R)、对数[ln(1/R)]、平方根(R0.5)、一阶微分等单一或复合变换模型。通过横向、纵向综合比较分析不同模型的反射率与电阻率相关性分析的曲线差异,着重探讨了基于一阶微分的数据变换模型间土壤电阻率与光谱反射率间相关性强弱,结果表明:(1)基于一阶微分变换的模型可以对重叠混合光谱进行分解以便识别,扩大样品之间的光谱特征差异,发掘敏感波段的光谱吸收、反射特征;(2)综合反射率的平方根的一阶微分变换、反射率的倒数的对数及反射率对数的一阶微分等模型得出,在波段为382 nm处,土壤电阻率与光谱反射率间相关系数最高达0.788,在波段为555~560 nm,多个微分变换模型相关性系数在0.7以上,可为后续反演因子的确定及土壤电阻率高光谱估测回归模型的建立提供参考。     

基于高光谱技术剑湖湿地茭草磷含量估算模型研究

以云南剑湖湿地典型植被优势种茭草为研究对象,利用ASD Filed Spec 3光谱仪采集茭草反射光谱,并测定其磷含量,通过高光谱数据建立茭草磷含量估算模型。结果表明:茭草的反射光谱曲线与健康绿色植被的反射光谱曲线趋势一致,通过一阶导数变换可以更清楚地分析原始光谱的细节特征,作为植被光谱特有的"三边"参数,可以定量分析茭草光谱特征。分别利用光谱反射率、反射率一阶微分值和"三边"参数与磷含量作相关性分析,相关性最高的变量分别为平滑光谱1 085 nm波段、光谱一阶微分1 259 nm波段、红边面积,相关系数分别为0.528、0.619、0.526;基于Land-sat 8 OLI波谱重采样的低维光谱数据,近红外波段对茭草磷含量较为敏感,相关系数为0.519;通过主成分分析提取的变量平滑光谱提取第1成分和反射率一阶微分提取第1成分与磷含量的相关性最高,相关系数分别为0.547和0.494。在建立的估算模型中,多元逐步回归模型估算效果较优,其次为主成分回归模型和单变量回归模型;茭草磷含量最佳估算模型为基于反射率一阶微分建立的多元逐步回归模型,R2为0.76、RMSE为13.69、P为91.08%、MAE为10.75。     

土壤游离氧化铁高光谱特征与定量反演

【目的】建立基于可见-近红外光谱的土壤游离铁精确预测模型,简单、快速、经济地预测土壤游离铁,有助于研究土壤发生和分类。【方法】采集广西壮族自治区的铁铝土、富铁土、淋溶土和雏形土等82个旱地土壤剖面的B层土壤,进行室内土壤化学分析、光谱测定,分析不同光谱变换后的光谱反射率与土壤游离铁含量的相关性。基于特征波段利用偏最小二乘回归(PLSR)和逐步多元线性回归(SMLR)法建立土壤游离铁含量光谱预测模型,通过决定系数(R2)、均方根误差(RMSE)和相对预测偏差(PRD)确定最优模型。【结果】土壤光谱曲线分别在457、800和900 nm波段附近有明显的游离铁吸收和反射峰特征;土壤游离铁含量与原始光谱反射率呈负相关;原始光谱经过微分变换后,游离铁含量与光谱反射率相关性显著提高;基于400～580和760～1 300 nm特征波段和一阶微分光谱变换的SMLR模型预测精度最高,其验证集的R2和RPD分别为0.85和2.62,RMSE为8.41 g·kg~(-1)。【结论】将可见近红外光谱技术应用于土壤游离铁含量高效快速地预测具有良好的可行性。广西旱地土壤光谱反射率与土壤游离铁含量具有高度的相关性,应用逐步多元线性回归方法可以很好地建立土壤游离铁含量反演模型。     

砂姜黑土土壤有机碳高光谱特征与定量估算模型的研究

有机碳作为衡量土壤肥力的重要指标,其定量化快速监测成为精确农业研究的热点。以安徽淮北平原区宿州市采集的砂姜黑土为研究对象,进行室内理化分析、预处理与室外光谱测量等一系列工作,在土壤原始光谱反射率的基础上,采用去包络线和波段深度提取突出吸收特征,剖析土壤光谱响应特征。基于原始光谱和8种变换形式,分析不同变换光谱形式与有机碳含量的相关性,结合有机碳光谱响应特征分析和光谱特征参量挑选,确定诊断土壤有机碳含量的最佳敏感波段,利用逐步回归方法建立了土壤有机碳高光谱的预测模型。结果表明,550~750nm波段范围是典型砂姜黑土有机碳的主要光谱响应区域。去包络线和波段深度处理突出了土壤有机碳光谱吸收特征,随着有机碳含量的降低,吸收值呈现下降趋势。在不同光谱转换形式中,归一化比值指数(R/R_(M(450-750)))的转换形式与土壤有机碳相关性最强,最敏感波段分别出现在451 nm和644 nm处,相关系数分别达0.80和–0.90。相关性最好的波段范围主要集中在600~700 nm波段附近。基于相关分析与逐步回归分析方法,确定了606、637和644 nm波段处的归一化比值指数为诊断土壤有机碳含量的最佳敏感波段,基于最佳敏感波段的归一化比值指数(R_(606)/R_(M(450-750)),R_(637)/R_(M(450-750))和R_(644)/R_(M(450-750)))建立的高光谱预测土壤有机碳模型具有良好的预测效果,模型的决定系数(R~2)为0.81,均方根误差(RMSE)为0.14,展现了较好的稳定性和预测精度。     

灰漠土土壤全氮含量的高光谱特征分析及估测

【目的】研究传统土壤全氮含量测定方法,解决复杂、耗时、耗力等问题。【方法】以新疆干旱区灰漠土为研究对象,运用经典统计学和光谱学相结合的方法,研究灰漠土土壤全氮含量的光谱反射特性,通过对原始光谱的数据变换和相关性分析,构建了土壤全氮含量的高光谱估测模型,并对模型进行对比和验证。【结果】土壤中全氮含量不同光谱反射特性趋势相近,土壤的光谱反射率在780、1 800和2 140 nm波长附近出现波峰,在1 910 nm附近有明显的波谷,土壤全氮含量与原始光谱反射率相关性较差。通过一阶微分处理后的光谱数据与全氮含量的相关性显著优于原始光谱和二阶微分处理,最大相关系数为0.819,达到极显著相关;利用一阶微分变换从中提取特征波段667和1 414 nm,建立土壤全氮含量的估测模型:Y=2 698.048 X667-1062.149 X1414-0.015,R2为0.75,对估测模型进行验证发现,R2为0.80,当全氮含量过大或过小时,模型估测偏差相对较大,总体预测精度较高。【结论】高光谱分析技术对土壤全氮含量的预测具有一定的意义,利用估测模型可以快速鉴定土壤全氮含量。     

博斯腾湖西岸湖滨带土壤盐分高光谱反演

选取博斯腾湖西岸湖滨带为研究区,沿垂直湖岸线方向采集14个土壤剖面70个样本,利用ASD FieldSpec3地物光谱仪获取高光谱数据,基于Q型聚类分析研究不同含盐量土壤光谱特征,对土壤光谱反射率与含盐量做逐波段相关分析和显著性检验,筛选不同光谱变换下的敏感波段,通过多元逐步回归和偏最小二乘回归方法,分别以敏感波段和全波段光谱构建12个土壤含盐量反演模型,优选最佳反演模型。结果表明:17种高光谱变换中, 4种最优光谱变换使土壤含盐量与Savitzky-Golay平滑后的反射率极显著相关波段数明显增多,分别是反射率的一阶微分、平方根一阶微分、对数倒数一阶微分、倒数对数一阶微分,综合确定盐分敏感波段聚集在749、1 024、1 083、1 230、1 677和2 387 nm处;以对数倒数一阶微分光谱全波段建立的偏最小二乘回归模型更适合该区0～50 cm土壤含盐量的高光谱反演,其建模和验证决定系数R~2分别为0.93和0.85,均方根误差RMSE分别为0.37和0.42,相对预测偏差RPD为3.57。     

基于高光谱的小麦旗叶净光合速率的遥感反演模型的比较研究

植物净光合速率是植物生产的基础,是体现植物生长状况的重要生理指标。本文将小麦旗叶高光谱波段反射率进行一阶导数变换后与净光合速率（Pn）进行相关性分析确定敏感波段,分别采用二次多项式逐步回归（QPSR）、偏最小二乘法（PLSR）、BP神经网络法（BPNN）3种方法构建小麦旗叶的净光合速率反演模型,并对3种模型的预测精度进行比较分析。结果表明：（1）将小麦旗叶的原始光谱进行一阶导数变换后与Pn进行相关性分析确定的敏感谱区集中在750~925 nm之间,确定的6个敏感波段分别是：760、761、767、814、815、889 nm;（2）基于QPSR、PLSR、BPNN3种方法以及敏感波段的反射率一阶导数构建的Pn估测模型预测精度都较高,说明用这3种方法以及敏感波段对Pn的估测是可行的,其中模型估算能力顺序为QPSR > BPNN > PLSR,说明小麦旗叶Pn的最佳高光谱分析模型为小麦叶片750~925 nm反射率一阶导数变化后的QPSR模型。     

毛竹叶片重要营养元素的光谱敏感波段分析

以毛竹叶片为研究对象,利用ISI921VF-256野外光谱辐射仪获取毛竹叶片光谱反射率,分析毛竹叶片N、P、K含量和高光谱反射率的相关性,筛选N、P、K的光谱敏感波段与光谱敏感波长。结果表明,毛竹叶片N、P和K的敏感波段分别为700～850、600～750nm和450～560nm波段。毛竹叶片N含量在二阶导数光谱的光谱敏感波长为832nm;P含量在一阶导数光谱的光谱敏感波长为631nm;K含量在二阶导数光谱的光谱敏感波长为498nm。通过毛竹叶片的N、P、K含量与光谱敏感特性的相关性分析,对毛竹叶片重要营养元素的最佳光谱敏感波段研究以及高光谱预测反演具有重要意义。     

油茶籽脂肪酸成分含量与高光谱反射率的相关性

测定来自不同产地的30个油茶籽样品的油酸、亚油酸、棕榈酸含量和高光谱反射率，分析油茶籽高光谱反射率与脂肪酸含量间的相关关系。结果显示，与油茶籽脂肪酸成分含量相关性比较好的高光谱波段主要分布在400~500、600~630 nm以及900 nm左右，且敏感波段区高光谱反射率与脂肪酸成分含量的相关系数均在0. 4 以上。     

基于可见/近红外光谱的黄河口区土壤盐分及其主要离子的定量分析

【目的】定量、准确地监测盐渍土,对其防治和农业可持续发展至关重要,论文旨在明确黄河口区土壤盐分及其主要离子的特征光谱,建立适用于该区域的土壤盐渍化定量分析模型,提高其定量分析的精度和稳定性。【方法】首先以山东省垦利县为研究区,于2014年10月5—9日野外采集代表性土样96个,对土样风干后,采用土壤化学分析方法室内分析盐分及其主要离子(Cl~-、Na~+、Ca~(2+))含量,并采用美国ASD Fieldspec 3光谱仪测定土样可见/近红外高光谱数据,对光谱反射率进行去噪、一阶导数变换等预处理;然后基于盐分及其主要离子不同含量的样本光谱分析盐分及其主要离子的光谱响应,在此基础上,对样本的土壤盐分及其主要离子含量与反射率的一阶导数光谱进行逐波段的相关分析,按照相关系数高且显著的原则,选取各自的敏感波段,再根据敏感波段的交叉情况选取集中波段为特征波段,进而选取特征波段中具有极值相关系数的波段作为显著特征波段,综合确定表征土壤盐分及其主要离子(Cl~-、Na~+、Ca~(2+))的特征光谱;最后分别采用多元线性回归(multiple linear regression,MLR)、支持向量机(support vector machine,SVM)和随机森林(random forest,RF)方法构建土壤盐分及其主要离子的定量高光谱分析模型。【结果】研究区土壤盐分及其主要离子(Cl~-、Na~+、Ca~(2+))含量的光谱曲线形状和走势整体一致;土壤盐分及其主要离子(Cl~-、Na~+、Ca~(2+))的光谱响应谱区为1 320—1 495、1 790—1 920、2 120—2 290 nm;基于相关分析的土壤盐分及其主要离子的敏感谱区为1 490—1 520、1 890—1 930nm;最后综合光谱响应及相关分析确定土壤盐分及其主要离子的特征波段为1 493、1 801、1 911和2 289 nm,显著特征波段为1 493和1 911 nm。模型结果显示基于2个显著特征波段反射率一阶导数的模型精度均与4个特征波段的模型精度相当,表明显著特征光谱作为盐分及其主要离子的特征光谱进行其定量分析的有效性。比较3种建模方法,RF模型的预测效果最好,SVM模型次之,而MLR模型精度最低;对于盐分、Cl~-和Na~+,3种方法构建的模型均可有效地用于其定量分析,精度较高且稳定,然而Ca~(2+)预测精度还有待提高。通过综合比较分析,基于显著特征波段(1 493和1 911 nm)反射率一阶导数构建的随机森林(RF)模型对盐分、Cl~-和Na~+均具有较好的估测精度和稳定性,也可用于Ca~(2+)的定量估测。【结论】基于光谱响应及相关分析综合确定盐分及其主要离子的显著特征光谱(1 493和1 911 nm反射率一阶导数),进而采用随机森林方法构建盐分及其主要离子的定量估测模型,适用于黄河口区土壤盐渍化信息的有效提取。     

基于Hyperion数据的耕地土壤有机质含量遥感反演

为了探究耕地土壤有机质含量与卫星影像光谱间的关系,确定土壤有机质的光谱特征,构建土壤有机质含量反演模型.利用Hyperion高光谱卫星影像和福建省三明市80个土壤调查样点分析数据,对土壤有机质与光谱指数相关性进行了分析;在提取特征光谱指数的基础上,分别基于敏感波段和特征指数建立线性模型和多元逐步回归模型.结果表明:土壤有机质含量在Hyperion高光谱782.95~813.48 nm波段具有良好的响应能力;反射率的一阶导数所建立的模型拟合效果最优,其R2为0.777,RMSE为5.31,验证模型有机质实测值与预测值的R2为0.809,表明它能够用于区域有机质含量的快速测定.     

基于综合光谱指数的不同程度人类干扰下土壤有机质含量预测

为寻求同一背景不同人类干扰程度下的土壤有机质含量的最佳预测模型,本研究以天山北麓的土壤为研究对象,运用Landsat8遥感影像以及实测光谱2种方式进行对比,结合不同的综合光谱指数,对无人干扰区、人为干扰区的影像反射率和实测光谱反射率进行光谱变换,分析反射率及其变换形式与有机质含量的相关性,以相关系数通过0. 01和0. 05显著性水平检验的波段作为自变量,运用多元线性回归方程分别建立了无人干扰区、人为干扰区土壤有机质含量高光谱预测模型,精度最高的为最优模型。结果表明:(1) Landsat8影像中B1～B5波段与有机质含量的相关系数通过了0. 01与0. 05显著性水平检验,作为自变量建立有机质含量预测模型。同时,为了能与影像反射率有个良好的对比,实测光谱反射率及其变换形式同样也选择5个相关系数最大的波段作为敏感波段用以建立模型。在影像与实测光谱中,土壤盐分指数结合植被指数与有机质含量相关性最好的分别是无人干扰区的SI_3、DVI和SI_3、RVI;人为干扰区的SI_2、RVI和SI_1、RVI。在结合光谱综合指数的模型中,无论是影像还是实测光谱,都是以反射率与植被指数、盐分指数相结合作为自变量建立的模型精度最好。对比2种预测方式,预测效果最好的是利用实测光谱与盐分指数、植被指数建立的无人干扰区一阶微分的多元线性回归模型以及人为干扰区的倒数之对数一阶微分的多元线性回归模型,R~2分别为0. 93和0. 89。     

基于高光谱的土壤有机质含量预测模型的建立与评价

 【目的】土壤有机质含量是反映土壤肥力的重要特征，利用高光谱技术对有机质（OM）含量进行定量化反演为土壤信息化管理和资源评价提供了重要的依据。【方法】利用ASD2500高光谱仪在室内条件下测定了风干土壤样品的可见—近红外光谱，分析了不同区域范围土壤光谱反射率曲线形状变化和土壤有机质含量的变化特点，并针对东北地区以黑土为主的土样光谱反射率不同变换形式与有机质含量进行了相关性分析。【结果】结果表明，有机质含量较高的黑土的光谱曲线与其它土壤类型的光谱曲线在形状上有很大差异，即在600～900 nm附近，以黑龙江土样为代表的东北黑土表现为直缓上升，而河南和山东的潮土则表现为曲陡上升。相关分析结果表明，土壤有机质含量与原始光谱反射率在545～830 nm呈显著负相关，其中在580～738 nm波段范围内达到极显著负相关。与一阶导数光谱相关性进一步增强，在481～598 nm呈现极显著负相关，而在816～932 nm和1 039～1 415 nm波段范围内具有极显著的正相关性。土壤有机质含量与部分波段处的吸收深度和反射峰高度也表现为不同程度的相关性。【结论】利用570～590 nm波段的一阶导数光谱和1 280 nm处反射峰高度P_Depth1280可以较好地预测东北主要土壤类型有机质含量。在此基础上建立了土壤有机质含量的高光谱反演模型并进行了验证。     

博斯腾湖西岸湖滨带土壤盐分高光谱分析

以博斯腾湖西岸湖滨带为研究区,利用ASD Field Spec 3便携式光谱仪对土壤样品反射率进行测量,结合土壤盐分数据,建立研究区土壤含盐量估算模型,探讨土壤盐分含量和反射率曲线之间关系。结果表明:研究区土壤盐分类型以硫酸盐为主;土壤样品光谱曲线形态特征相似,且基本平行,土壤光谱曲线在400~1 500、1 900~2 100和2 100~2 300nm区域出现明显的吸收带;在350~1 350、1 430~1 750和1 950~2 400nm区域土壤光谱反射率与土壤盐分含量相关系数较其他波段大,曲线平缓,相关系数均值为-0.35,且光谱反射率的一、二阶导数微分均可以增强反射率与土壤盐分含量之间的相关性;由土壤光谱发射率一阶导数微分建立的多元回归模型可以较好地预测土壤盐分含量,相关系数为0.90,均方根误差为0.22。     

基于高光谱数据的北疆绿洲农田灰漠土有机质反演

为了探寻快速、准确估测土壤有机质含量的方法以推动精准农业化进程,以北疆绿洲农田灰漠土为研究对象,通过野外实地调查收集土壤样品,室内化学分析测得土壤样品有机质含量,暗室内利用SVC HR-768高光谱仪测定土壤样品光谱反射率。通过对土壤光谱反射率进行倒数、对数、一阶微分、倒数的一阶微分、对数的一阶微分变换,运用单相关分析法提取土壤光谱特征波段,采用多元逐步方法对土壤有机质含量定量反演,分析研究土壤有机质含量和室内土壤光谱的特征关系。结果表明,在波长567、1 697 nm和2 221 nm处,采用反射率对数的一阶微分建立的土壤有机质含量反演模型预测精度最高,模型决定系数达到0.82。北疆绿洲农田灰漠土土壤有机质含量高光谱反演模型的建立为土壤有机质的快速测定提供了新的途径。     

菜油兼用型油菜籽粒油酸含量的高光谱模型构建

【目的】基于高光谱特征初步判别油菜摘薹情况,为实现高光谱反演籽粒油酸含量提供理论指导。【方法】使用FieldSpec 3地物光谱仪采集油菜盛花期叶片光谱数据,采用Agilent GC-MS 7980B气相色谱仪分析摘薹和未摘薹处理的籽粒油酸含量,比较2组处理的平均原始光谱反射率特征,及其油菜叶片原始及一阶微分光谱反射率与籽粒油酸含量相关性,在此基础上构建基于原始光谱特征波长的支持向量机（SVM）判别模型、基于光谱参数的油酸含量二项式模型、基于一阶微分光谱特征波长的油酸含量多元线性逐步回归（MLSR）及偏最小二乘回归（PLSR）预测模型,并利用独立样本T检验对模型精度进行验证。【结果】发现未摘薹及摘薹处理的平均原始光谱反射率曲线在760~1080nm波段存在一定差异。未摘薹及摘薹处理的原始光谱反射率与籽粒油酸含量相关性曲线存在一定差异,未摘薹处理的原始光谱反射率在484~956和1001~1146 nm波段与籽粒油酸含量呈正相关,摘薹处理的原始光谱反射率在1882~2111和2324~2499 nm波段与油菜籽粒油酸含量呈正相关,说明摘薹会影响油菜光谱反射率与籽粒油酸含量的相关性表现。选取位于760~1080 nm波段4个拐点波长（760、920、970和1080 nm）的原始光谱反射率作为自变量,用以构建SVM判别模型,经过多次随机取样比较构建所有SVM判别模型,发现最佳判别模型的训练集样本总体精度为86.1%,验证集样本总体精度为77.8%,说明利用高光谱技术判别油菜是否摘薹具有一定的可行性。光谱参数模型中RVI模型对未摘薹处理油菜籽粒油酸含量的反演效果最佳,且该模型与未摘薹处理籽粒油酸含量的相关系数（-0.705）最高。比较全部油菜籽粒油酸含量预测模型类型,PLSR模型对未摘薹处理籽粒油酸含量预测精度最高,其训练集R2=0.590、RMSE=0.610,MLSR模型对摘薹处理籽粒油酸含量预测精度最高,其训练集R2=0.773、RMSE=0.874。利用独立样本T检验对二者模型测试集样本进行验证,未摘薹样本P=0.839,摘薹样本P=0.858,二者样本实测值与预测值均无显著差异（P>0.05）,模型合理,说明利用高光谱技术对油菜籽粒油酸含量进行预测可行。【建议】引入随机森林等机器学习算法,更好地选取特征波长（显著相关波长或全波段等）,提高光谱数据对油菜籽粒油酸含量的预测能力。后期的试验应侧重于多品种油菜籽粒油酸含量估测研究,探索高光谱技术估测油菜籽粒油酸含量是否具备普遍的可行性。利用高光谱技术反演其他油菜籽粒品质指标,为高光谱遥感监测油菜品质提供理论依据。     

基于因子分析的黑土反射光谱特征的主要影响因素

为明确土壤反射光谱特征的主要影响因素、避免非相关土壤理化参数的反射光谱模型,以单一土壤类型黑土为研究对象,利用数理统计与因子分析方法分析影响黑土反射光谱特征的主要土壤理化参数。结果表明：1）土壤理化参数与黑土高光谱反射率的相关系数随波长变化呈4种模式,分别为有机质控制型、水分控制型、正相关型和不相关型,有机质与水分是黑土反射光谱特征的主导因素;2）黑土高光谱反射率的4个主要公因子分别对应水分响应波段（2210 nm）、可见光有机质响应波段（485 nm）、光谱曲线快速上升阶段（1290 nm）和可见光范围噪声较多波段（360 nm）;3）有机质、pH、全氮、全磷可以利用黑土反射光谱特征进行预测。     

基于成像高光谱的苹果叶片叶绿素含量估测模型研究

以苹果树正常叶片、受红蜘蛛胁迫叶片的高光谱反射率和SPAD值为数据源,在分析SPAD值与原始光谱反射率及其一阶导数、高光谱值相关性的基础上,筛选敏感波段,建立了基于高光谱反射率的叶绿素含量估测模型。结果表明:正常苹果叶片叶绿素含量的敏感波段为513~539、564~585、694、699、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=152.450-1884.851R377;受红蜘蛛胁迫的苹果叶片叶绿素含量的敏感波段为961、972、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=49.371-46428.473 R’972。