黑土有机质含量高光谱模型研究

通过对黑龙江省典型黑土区土壤样品高光谱反射率的室内测定,研究了典型黑土可见光/近红外波段光谱反射特性;利用多元统计分析方法,以土壤光谱反射数据及其数学变换数据作为自变量,以黑土有机质含量对数变换数据作为因变量,建立黑土有机质含量高光谱预测模型,并对模型的稳定性和预测能力进行检验。结果表明:(1)620~810nm波段范围是黑土有机质的主要光谱响应区域,最大响应值在710nm附近;(2)对光谱数据进行归一化处理可以部分消除不同土样测试过程中存在的噪声;(3)模型及其检验的决定系数R2都在0.9以上,模型的总均方根差RMSE均小于2.1,模型具有很好的稳定性和预测能力,可以用于黑土有机质含量的快速测定;(4)归一化一阶微分模型为最优预测模型。     

不同粒径土壤有机质含量可见光-近红外光谱估算研究-以湟水流域为例

不同土壤粒径大小差异致使土壤光谱反射率不近相同,从而影响土壤有机质含量的预测精度。因此探索不同粒径下土壤有机质含量估算精度,可为有机质的精确估算以及减少样品的前期处理提供参考依据。本文将分别过10、20、60、100目筛的土样于暗室内进行350~2500 nm波段光谱反射率测量,经多元散射校正(MSC)与小波变换(WT)平滑去噪后,首先将原始光谱(R)及其数学形式包括反射率倒数(1/R)、反射率对数(lgR)、反射率根号(R~(1/2))进行一阶微分变换,然后采用遗传算法结合偏最小二乘法(GA-PLS)筛选土壤有机质含量特征波段区间,再将R、R'及特征波段(CHR)作为偏最小二乘回归(PLSR)和支持向量机(SVM)的输入波段进行有机质含量建模。结果表明:1)土壤粒径越小,光谱反射率越高,特别是当波长大于600 nm时,反射率明显增加;2)土壤有机质含量的特征波段主要位于426~447 nm,1427~1459 nm,1948~1958nm,1970~1991 nm,2012~2039 nm,2165~2186 nm谱区;3)采用GA-PLS算法挑选特征波段建立SOM估算模型,模型精度和预测能力明显高于R和R';4)利用SVM方法建模模型精度明显高于PLSR方法;5)样本容量较大时,采用1mm(20目)粒径光谱数据建模最佳。     

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。     

淮北平原土壤高光谱特征及有机质含量预测

以安徽省淮北平原的蒙城县为研究区,采集131个表层土壤(0～20 cm)样品。采用Cary 5000分光光度计测定土壤光谱反射率,分析该地区典型土壤类型的光谱特征,利用偏最小二乘回归方法建立土壤有机质光谱预测模型。首先比较不同光谱变换对土壤有机质含量光谱预测建模的影响;其次根据光谱相似性对土壤样品进行分类,比较不同土壤类型和不同光谱分类的有机质光谱预测精度。结果表明:①不同土壤有机质含量和不同土壤类型光谱曲线在整体波段范围内趋势基本一致;有机质含量与光谱反射率呈显著负相关;有机质含量越低,曲线特征差异明显,可能是受其他因素的影响;②土壤光谱反射率经倒数的对数处理后,有机质光谱建模的决定系数和相对分析误差均有所提高,均方根误差降低,模型预测效果较优;③按照光谱相似性分类后建立的有机质光谱预测模型,比按土壤类型建立的光谱预测模型精度明显提高。     

苏北沿海滩涂地区土壤有机质含量的高光谱预测

基于反射高光谱快速、无损的检测优势,以苏北沿海滩涂地区不同成陆年代土壤作为光谱信息源,应用偏最小二乘回归（PLSR）方法,研究了原始反射光谱（REF）、微分光谱（FDR）、反射率倒数的对数（lg(1/R)）和波段深度（BD）对不同成陆年代土壤有机质含量的预测精度。结果表明,不同成陆年代土壤有机质含量预测的最佳光谱指标存在差异。REF是构建总体样本有机质含量PLSR预测模型的最佳光谱指标,均方根误差（RMSE）和相关系数（r）分别为2.7231和0.8701;FDR是预测成陆千年土壤样本有机质含量的最佳光谱指标,RMSE和r分别为2.0110和0.9436;BD所构建的成陆百年土壤有机质含量的PLSR预测模型为最优,RMSE和r分别为2.7051和0.8770。相关分析表明,可见光波段、以1 400 nm为中心及1 900～2 450 nm的红外波段是估算土壤有机质含量的最佳波段。     

基于偏最小二乘回归的土壤有机质含量高光谱估算

为实现基于光谱分析土壤有机质含量的快速测定,该文以江汉平原公安县的土壤为研究对象,进行室内理化分析、光谱测量与处理等一系列工作,在土壤原始光谱反射率(raw spectral reflectance,R)的基础上,提取了其倒数之对数(inverse-log reflectance,LR)、一阶微分(first order differential reflectance,FDR)和连续统去除(continuum removal,CR)3种光谱指标,分析4种不同形式的光谱指标与有机质含量的相关性,对相关系数进行P=0.01水平上的显著性检验来确定显著性波段的范围,并基于全波段(400~2 400 nm)和显著性波段运用偏最小二乘回归(partial least squares regression,PLSR)建立了该区域土壤有机质高光谱的预测模型,通过模型精度的比较确定最优模型。结果表明,进行CR变换后,光谱曲线的特征吸收带更加明显,相关系数在可见光波段范围内有所提高;基于全波段的PLSR建模效果要优于显著性波段,其中以CR的预测精度最为突出,其模型的决定系数R2和相对分析误差RPD分别为0.84、2.58;显著性波段的PLSR模型与全波段对比在模型精度方面虽有一定差距,但从模型的复杂程度来比较,具有模型简单、运算量小、变量更少的特点;最后,综合比较了全波段和显著性波段4种光谱指标的反演精度,发现CR-PLSR模型的建模和预测的效果比R-PLSR、LR-PLSR、FDR-PLSR模型都要显著。该研究可为将CR-PLSR高光谱反演模型用于该区域土肥信息的遥感监测提供参考。     

反射光谱估算滨海土壤黏粒含量

探明反射光谱估算土壤黏粒含量的成因是实现黏粒含量测定、提高估算精度的基础。该文以江苏省滨海平原的150个土壤样品为研究对象,将测得的原始光谱数据进行平滑、一阶导数、连续统去除和倒数等数据变换,采用逐步多元线性回归(stepwise multiple linear regression,SMLR)和偏最小二乘回归(partial least squares regression,PLSR)方法估算黏粒含量,并在此基础上分析建模的影响波段,探讨反射光谱估算土壤黏粒含量的成因。结果表明,连续统去除光谱数据的SMLR分析估算精度最高,建模集和验证集决定系数分别为0.941和0.750。360~900、1 800~2 490 nm是黏粒含量的重要建模影响波段,该建模影响波段主要包括铁离子(410 nm附近)、土壤有机质(500~800 nm)、层状硅酸盐中的结晶水(1 900 nm附近)、绿泥石和蛭石等黏土矿物(2 325 nm)的吸收特征波段;PLSR分析表明,1 400 nm附近回归系数出现的双峰特征源于高岭石的双峰吸收。黏粒中的黏土矿物、黏粒对铁离子的吸附特性以及黏粒与有机质的高度相关性是实现反射光谱估算滨海土壤黏粒含量的原因。     

博斯腾湖湖滨绿洲土壤表层含盐量高光谱估算模型

以博斯腾湖湖滨绿洲为研究区,对土壤高光谱反射率R进行数学光谱变换,并计算其差值型、比值型、归一化型3种盐分指数,通过显著性检验优选特征波段,结合土壤表层盐分实验数据,构建基于地理加权回归模型的土壤表层盐分含量估算模型。研究结果表明:1)土壤表层盐分含量平均值为7.535 g·kg^-1,其光谱变换建模选取的特征波段集中在466~482、1669~1728、1979~2371 nm,其中对数倒数的一阶微分(1/lg R)′相关性较好,相关系数绝对值为0.672;2)构建3种盐分指数优选的特征波段集中在1700~1728、1992~2014、2375~2405 nm,建立的模型决定系数均大于0.870,光谱反射率R的决定系数仅为0.621;3)差值型盐分指数优选特征波段建立的地理加权回归模型为最优模型,建模集与检验集的决定系数R2分别为0.934和0.915,RMSE分别为1.186和0.917。     

干旱区典型绿洲土壤有机质的反演及影响因素研究

为了大面积、高精度地反演土壤有机质含量,为农业可持续发展提供数据支撑。以新疆渭干河-库车河三角洲绿洲为研究区,采用波段平均法将实测高光谱窄波段拟合为Landsat 8 OLI遥感影像的宽波段,建立土壤有机质含量的估算模型,并将最优估算模型应用到经过波段校正的Landsat 8OLI遥感影像中。结果表明:(1)反射率进行倒数、对数、平方、一阶微分等数学变换后与有机质含量的相关性显著提高;(2)土壤有机质的高光谱估算模型拟合度较高,最优估算模型的决定系数R2为0.852,采用比值法对多光谱波段反射率进行校正,校正后的遥感影像反演结果得到了较大提高,检验样本的决定系数R2从0.711提升至0.849。从反演结果来看,将高光谱估算模型应用到经过订正的多光谱影像,土壤有机质反演模型的精度得到了大幅度提高,运用此方法可以实现高精度的土壤有机质区域化反演。(3)有机质的分布受土地利用类型、土壤颗粒组成、土壤质地的影响,其中土壤质地对有机质的空间分布影响最为显著。     

基于高光谱特征的土壤有机质含量估测研究

在室内条件下,利用ASD2500高光谱仪测定了潮土和水稻土自然风干土壤样品的光谱。通过系统分析两种不同类型土壤的高光谱特征差异及其有机质含量的敏感波段区位,建立了土壤有机质含量的光谱估测模型。结果表明,具有相同有机质含量的两种类型土壤整体光谱变化趋势无明显差别,但反射率表现出明显差异,一阶导数变换能较好地显现谱图中的肩峰。潮土和水稻土有机质的敏感波段集中在相同区域,原始反射率在685 nm处相关性最高,而一阶导数光谱在554 nm处相关性最高。通过对整体样本的多元逐步回归分析,筛选出两种土壤有机质相同的敏感波段为800 nm、1 398 nm和546 nm。进一步以一阶导数为自变量,基于1 400nm和554 nm两个波段构建了土壤有机质差值指数SOMDI及估测模型,即Y=4.19 12.85×(R_FD554 R_FD1 400)。利用独立的样本对建立的光谱模型进行了检验,预测决定系数均达0.79以上。上述结果表明,利用高光谱技术可实现土壤有机质的快速监测与诊断。     

结合SPA和PLS法提高冬小麦冠层全氮高光谱估算的精确度

【目的】 冠层高光谱全波段信息可以在小麦拔节期快速无损地估算叶片的氮含量。本研究结合连续投影算法 (SPA) 和偏最小二乘 (PLS) 技术,筛选了冬小麦拔节期冠层光谱对叶片氮含量的敏感特征波段,以期为冬小麦关键生育期氮素含量的遥感估算提供理论依据和技术支持。 【方法】 以陕西关中地区2015—2016年冬小麦小区试验为基础,基于连续投影算法 (SPA) 提取冬小麦叶片全氮含量的冠层光谱敏感波段,并结合偏最小二乘 (PLS) 回归法建立基于敏感特征波段的冬小麦拔节期叶片氮含量估算模型。 【结果】 SPA算法从冬小麦338～2510 nm的冠层光谱中优选出了1985 nm、2474 nm、1751 nm、1916 nm、2507 nm、1955 nm、2465 nm和344 nm共计8个叶片全氮含量的敏感特征波段,波段数目下降了98.9%,有效降低了光谱信息的冗余;基于敏感特征波段构建的叶片氮含量偏最小二乘回归模型的决定系数和均方根误差分别为0.82和0.28,模型验证方程的决定系数和均方根误差分别为0.84和0.21,模型的相对预测偏差大于2,具有较高的精度和良好的预测能力。 【结论】 与常用植被指数的叶片氮含量估算模型相比,连续投影算法 (SPA) 结合偏最小二乘 (PLS) 方法的叶片氮含量估算精度更高,稳定性更强,可以作为冬小麦拔节期叶片氮含量的高光谱估算方法。      

江西省红壤地区主要土壤类型的高光谱特性研究

土壤光谱是土壤理化性质的综合反映,研究江西省红壤地区主要土壤类型的高光谱特性,对土壤的精准管理和土壤数字制图有重要意义。选择有代表性的吉安县、余江县、兴国县和湾里区,采集443个土壤表层土样,采用ASD光谱仪测量了其可见-近红外反射高光谱(350~2 500 nm)。对光谱进行连续统去除和二阶导数处理后,对四种主要红壤亚类及其土属的高光谱特性进行研究。然后选取反映成土母质、氧化铁(针铁矿和赤铁矿)、土壤有机质含量、黏土矿物等的光谱特征表现变量及高光谱反射率等共19个特征变量,对光谱进行Fastclus聚类分析。结果表明:红壤地区土壤不同亚类光谱反射率差异明显,620 nm~740 nm的特征吸收面积黄红壤红壤棕红壤红壤性土,420 nm和447 nm的二阶导数差值黄红壤棕红壤红壤红壤性土。棕红壤光谱在可见光-短波近红外光谱区域土壤反射率较高,位于1 900 nm范围的吸收强度较其他亚类宽浅。红壤性土光谱曲线最为陡峭,在近红外光谱区域土壤反射率最高,在1 400 nm、1 900 nm有较强的尖锐吸收峰,在2 200有超强吸收峰。红壤亚类光谱曲线整体走势与红壤性土亚类相似,但在900 nm、1 400 nm、1 900 nm和2 200 nm的吸收强度较红壤性土弱,反射曲线位置较高。不同亚类水稻土由于水淹时间的不同,其光谱特征差异较为明显,光谱反射率表现为淹育型水稻土潴育型水稻土潜育型水稻土,620 nm~740 nm的特征吸收面积潜育型水稻土潴育型水稻土淹育性水稻土,420 nm和447 nm的反射率二阶导数差值为淹育型水稻土潴育性水稻土潜育型水稻土,但均高于红壤。选取的特征变量对土壤进行亚类分类的准确率为86.23%,分类的准确度较高,而土属的准确率仅为66.37%。可见-近红外土壤光谱特征可以作为江西红壤地区主要土壤亚类划分的定量参考指标。     

基于可见光近红外光谱的南疆荒漠土壤有机质反演研究

有机质含量是土壤肥力评价的重要依据,快速监测南疆大面积分布的荒漠土壤有机质含量,可为后备耕地资源的合理开发与利用提供重要数字依据。通过野外采样与室内光谱及有机质含量测定,获取了240个荒漠土样的有机质含量与可见光近红外光谱数据。在此基础上,分析了不同有机质含量土样的光谱特征、有机质与光谱数据的相关性,并采用多种数据处理方式构建了反演模型。研究结果表明,不同有机质含量的土样在反射率和曲线形态上均存在一定的差异,土壤有机质在400~842 nm波段与反射率具有较高的相关性,相关系数最大值-0.32位于588 nm波段,反射率经连续统去除处理后相关性得到了明显提升,达极显著相关水平波段数量明显增加,尤其在797~1330 nm、1852~1872 nm、2155~2338 nm波段的改善效果显著,连续统去除的最大相关系数0.55位于86 4 nm波段。不同建模方法的精度对比结果表明偏最小二乘法(PLSR)具有最高的建模精度,在7种不同数据处理方式的PLSR模型中,以SG平滑+峰值归一化+正交信号校正(SGS+MAN+OSC)处理模式下的建模集的决定系数(R~2)最高、均方根误差(RMSE)最低,分别为0.81和0.98;该模型预测集的R~2、RMSE、残余预测偏差(RPD)分别为0.76、0.99和2.01,表明该模型具有较好的预测能力,可推荐为南疆荒漠土壤有机质的光谱定量反演模型。     

基于多光谱数据的荒漠矿区土壤有机质估算模型

目前运用高光谱数据估算土壤有机质的模型精度已经可以达到精准农业的要求,但其数据的整理和运算过程较为复杂且观测尺度较小.为节省资源,提高效率并为多光谱遥感估算土壤有机质积累经验,该文将Landsat8_OLI多光谱遥感影像各波段的反射率数据与地面土壤有机质SOM(soil organic matter)实测数据相结合,利用SPSS软件及多元线性回归分析方法建立基于反射率R、反射率倒数1/R、反射率倒数对数LN(1/R)、反射率一阶导数FDR(first derivative reflectance)的土壤有机质定量估算模型,精度检验后择取最优模型通过多光谱遥感波段运算的方式推广至整个研究区.结果表明:FDR模型的精度更高,RMSE为0.215,F检验结果为4.072,预测值与实际值之间的决定系数R2为0.963.基于该模型估算研究区空间范围的土壤有机质含量,得出土壤有机质含量在0～5 g/kg之间的面积占总研究区的84.065％,＞10 g/kg的面积仅仅为0.001 5％.在4种土地类型中工矿用地SOM平均含量为最高的7.35 g/kg,受开采的煤炭中有机质影响较大.裸地面积2 674.44 km2,占研究区面积的63％,SOM平均含量6.12 g/kg;盐渍地和荒漠林地SOM含量偏低.总之,运用多光谱遥感数据估算干旱区土壤有机质的方法可行,也为遥感估算其他地表参数提供参考.     

土壤含水量对反射光谱法预测红壤土壤有机质的影响研究

研究土壤含水量对有机质预测的影响,可为野外红壤有机质快速测定提供理论依据。本文在实验室条件下测量了不同含水量红壤的可见光-近红外光谱反射率,运用偏最小二乘回归(PLSR)建立不同含水量的土壤有机质预测模型。结果显示,随土壤含水量的增加,有机质与一阶微分光谱的相关性先增加后下降,含水量为100～150 g/kg时相关系数最大。分380～2 400、380～1 300、1 300～2 400 nm三个波段建立不同含水量的有机质预测模型,模型预测精度均随土壤含水量增加而呈现先增加后下降的趋势。利用1 300～2 400 nm建立有机质预测模型可以有效避开氧化铁影响,建立的模型预测精度最高。本研究认为,当土壤含水量小于200 g/kg时,可以利用在室内控制条件下测定的土壤反射率,建立1 300～2 400 nm波段的PLSR模型,进行红壤土壤有机质含量预测。     

苏北滨海土壤碳酸钙含量反射光谱估算研究

土壤属性的快速、精确测定是实现现代精细农业的基础。本研究分析了江苏省北部滨海土壤的属性特征以及碳酸钙的可见-近红外反射光谱特征,探讨利用可见-近红外光谱估算滨海土壤碳酸钙含量的可行性,比较不同光谱反射率数据集、不同预处理方法以及不同建模方法定量反演的优劣。结果表明:(1)苏北滨海土壤有机质含量较低、碳酸钙含量较高,其光谱曲线在2 340 nm处有较明显的碳酸钙吸收特征;(2)滨海土壤碳酸钙含量与土壤的可见-近红外波段反射率呈正相关,且碳酸钙含量高低对于土壤的近红外波段反射率的影响高于可见光波段;(3)可见-近红外反射光谱可用于估算滨海土壤碳酸钙含量。就建模结果而言,381~2 459 nm波段反射光谱数据集、log(1/R)预处理、偏最小二乘回归三者结合的效果比较理想。     

基于连续小波变换的潮土有机质含量高光谱估算

土壤有机质含量快速估算对于土壤肥力评价、土壤信息化管理和精准施肥具有重要意义。该文通过对北京顺义地区64个土壤样品高光谱曲线进行连续小波变换,估算了该地区潮土有机质质量分数,并与4种常用光谱变换方法进行了比较。结果表明,潮土具有与其他类型土壤类似的光谱曲线,经过去包络线处理后,在可见与近红波段都出现了明显吸收峰;采用连续小波变换方法所确定的潮土有机质估算的敏感波段为1194、486和866nm,对应小波分解尺度为2,3和4;利用小波能量系数与有机质质量分数所构建的多元线性回归模型的决定系数R2为0.67,模型实测值与预测值的检验精度R2为0.75,RMSE为0.21;而采用4种常用光谱变换方法建立的潮土有机质估测模型的R2最高只有0.09,说明连续小波变换方法更适合于潮土有机质质量分数估测。Kringing插值分析表明,应在顺义地区东南部增加取样点,以提高模型估算精度。该研究可为潮土土壤肥力的快速测定提供参考。     

荒漠土壤有机质含量高光谱估算模型

为解决荒漠土壤有机质含量高光谱估算存在的困难,提高土壤有机质含量估算的精准性,该文对准噶尔盆地东部荒漠土壤进行采样、化验分析和光谱测量、处理,分析土壤光谱与有机质含量的相关性,确定敏感光谱波段,建立荒漠土壤有机质含量多种高光谱估算模型,旨在通过模型精度的比较,确定最优模型。结果表明：反射率、倒数对数光谱与荒漠土壤有机质含量相关性低,而经过一阶微分、二阶微分变换后,相关系数有所提高,部分波段的相关系数通过0.01显著水平的检验,可以用来荒漠土壤有机质含量的估算;一元线性回归建立的估算模型的精度低,不适用荒漠土壤有机质含量高光谱的估算。荒漠土壤有机质多元逐步回归模型的二阶微分、倒数对数二阶微分修正决定系数得到了较大提高,分别提高了0.22和0.31,均方根误差下降了0.66和0.80,建模精度高于一元线性回归模型。荒漠土壤有机质一阶微分、二阶微分光谱的最小偏二乘回归模型的决定系数比其多元逐步回归模型提高了0.07、0.04,一阶微分、二阶微分均方根误差都下降了0.11,二阶微分偏最小二乘法回归模型是该研究所建12个模型的最优估算模型。在多元逐步、偏最小二乘回归模型中,最优估算模型是二阶微分模型,因而用偏最小二乘法回归估算荒漠土壤有机质含量是个可行的方法。该研究的成果为荒漠土壤有机质高光谱遥感分析提供了支撑,实现荒漠土壤有机质监测的时效性、准确性,为区域生态环境的修复提供依据。     

褐潮土的光谱特性及用土壤反射率估算有机质含量的研究

本文通过ASDFR便携式光谱仪对132个风干土壤样品的光谱反射率进行了实验室测定。根据土样光谱反射率变化,获得了褐潮土土壤剖面的不同诊断层反射光谱特征。结果表明,在400～1200nm范围之间,土壤有机质含量与土壤光谱反射率有较好的相关性。利用导数光谱方法建立了预测土壤有机质含量的方程,提出了预测北京地区褐潮土有机质光谱的最佳波段。在波长447nm处采用反射率和A值(反射率倒数的对数)所建立的预测方程的预测精度较高。采用反射率的一阶微分建立的预测方程的最佳波段在516nm处。而A值一阶微分光谱在615nm处相关性最好。作为一项参考指标用光谱分析法评价土壤中有机质含量,以期对精准农业中土壤养分或肥力的预测具有一定的指导作用。     

基于连续统去除法的南疆水稻土有机质含量预测

监测土壤有机质含量状况,可为土壤肥力诊断及土壤资源的合理开发利用提供科学依据。本研究通过对南疆191个水稻土样品的反射率数据进行连续统去除处理后,构建了有机质连续统去除光谱指数并提取了850~1 380、1 380~1 550、1 730~2 150、2 150~2 380 nm 4个波段的吸收特征参数,据此建立了多种定量反演模型。结果表明:经连续统去除后,有机质的吸收特征得到了有效放大,不同有机质含量的连续统去除曲线在850~1 380 nm,其有机质含量与连续统去除值呈正相关,与吸收面积呈负相关,而在1 730~2 150 nm波段则呈现相反的规律。反射率连续统去除值与有机质含量的相关性要优于反射率与之的相关性,而反射率一阶微分与连续统去除一阶微分与有机质的相关性差异不明显。不同有机质光谱指数模型之间的建模参数与预测能力差异不大,但均只具备初略估测有机质的能力。吸收特征参数模型中,仅有850~1 380 nm波段的面积归一化最大吸收深度(NMAD850~1380nm)所建模型具有较好的定量预测能力。以反射率、反射率连续统去除、反射率一阶微分、反射率连续统去除一阶微分所建的PLSR模型均具有较好的预测能力,相对分析误差均大于2.00。所有模型中,连续统去除一阶微分(CR′)模型的决定系数与相对分析误差最高,分别为0.91、2.58,均方根误差最低,其值为5.62,具有最好的预测能力。