共查询到18条相似文献，搜索用时 420 毫秒
1.
基于连续统去除和偏最小二乘回归的油菜SPAD高光谱估算 总被引：1，自引：0，他引：1
【目的】探讨油菜叶绿素含量的高光谱估算方法,为实现油菜叶片叶绿素含量的高效、无损、大面积监测提供理论依据。【方法】以陕西省关中地区油菜叶片为研究对象,分别测定苗期、蕾薹期、开花期及角果期的叶片高光谱数据和SPAD值,提取各生育期连续统去除光谱和7类光谱吸收特征参数,分析原始光谱、连续统去除光谱、光谱吸收特征参数与SPAD值之间的相关关系,构建基于原始光谱特征波段、连续统去除光谱特征波段、光谱吸收特征参数的SPAD估算模型,并对模型精度进行验证。【结果】在可见光范围,光谱反射率由蕾薹期、开花期、苗期到角果期依次递增,最大吸收深度和吸收谷面积逐渐增大。利用连续统去除光谱特征波段与吸收特征参数,分别建立的油菜各生育期叶片SPAD估算模型均优于原始光谱。运用连续统去除光谱特征波段结合最优吸收特征参数构建的偏最小二乘回归估算模型,是进行油菜叶片SPAD估算的最优模型。【结论】连续统去除法对不同生育期油菜叶片叶绿素相对含量具有较好的预测能力,是估算油菜叶片SPAD值的一种实时高效方法。 相似文献
2.
【目的】研究西北地区不同生育时期油菜叶片SPAD值与多种光谱参数之间的关系,并建立估测模型。【方法】以陕西省乾县齐南村施肥程度一致的大田种植的油菜为试验材料,分别在苗期、现蕾抽苔期和开花期测定叶片的光谱反射率和SPAD值,得到不同波段组合的光谱指数,计算其与SPAD值之间的相关性系数,并拟合以各种光谱指数预测SPAD值的模型,以均方根误差(RMSE)和相对误差(RE)作为模型的评价和检验指标。【结果】苗期SDr/SDy与叶片SPAD值相关性最高,为0.79,构造的最佳预测模型决定系数为0.67;现蕾抽苔期(SDr-SDy)/(SDr+SDy)与叶片SPAD相关性最高,达到0.82,构造的最佳SPAD估测模型决定系数为0.70;苗期(SDr-SDy)/(SDr+SDy)与叶片SPAD有较高相关性,相关性系数为0.65,构造的预测模型决定系数为0.43。【结论】各时期预测模型效果较好的光谱指数基本一致,为SDr/SDy和(SDr-SDy)/(SDr+SDy),可以利用高光谱遥感信息反演西北地区油菜各时期的叶绿素含量,并分析其生长状况。 相似文献
3.
【目的】研究猕猴桃叶片叶绿素含量的高光谱估算方法,为猕猴桃长势的遥感监测提供理论依据。【方法】以陕西杨凌蒋家寨村2018年不同生育期(初花期、幼果期、膨果期、壮果期、果实成熟期)的猕猴桃叶片为研究对象,分别测定其高光谱反射率和叶绿素含量(SPAD值),分析原始光谱和5个常见的植被指数(归一化植被指数、归一化叶绿素指数、改进的叶绿素吸收反射率指数、MERIS地面叶绿素指数、土壤调整指数)与叶绿素含量之间的相关关系,提取各生育期的特征波段,分别建立基于特征波段和植被指数的单波段叶绿素含量一元线性估算模型。利用主成分分析对原始光谱数据进行降维,将得到的主成分得分作为随机森林模型的输入变量,建立基于多波段信息的叶绿素含量多元估算模型,并对模型进行精度验证和分析。【结果】不同生育期猕猴桃叶片光谱反射率变化趋势基本一致,整体趋势为可见光波段反射率低,近红外波段反射率高;在可见光波段,光谱反射率随着叶绿素含量的升高而降低;在近红外波段,光谱反射率则随着叶绿素含量的增加而升高。通过相关性分析可知,初花期、幼果期、膨果期、壮果期、果实成熟期原始光谱的特征波段分别为729,548,707,707和712 nm,估算模型决定系数(R~2)分别为0.18,0.85,0.54,0.85和0.82,其中初花期估算模型未通过显著性检验,其余生育期均通过极显著性检验。在5个常用植被指数中,初花期与叶绿素含量相关性最高的是归一化叶绿素指数(NPCI),但是估算模型决定系数R~2只有0.1,未通过显著性检验;其他生育期与叶绿素含量相关性最高的是MERIS地面叶绿素指数(MTCI),所建立的估算模型拟合效果好,预测精度高。基于主成分分析和随机森林回归建立的不同生育期猕猴桃叶片叶绿素含量估算模型的R~2在0.91～0.98,均通过极显著性检验,其拟合效果和预测精度远高于单波段一元线性回归和基于植被指数的一元线性回归模型,是估算猕猴桃叶片叶绿素含量的最优模型。【结论】基于主成分分析的随机森林模型包含了更完整的波段信息,对不同生育期猕猴桃叶片叶绿素含量具有较好的预测能力。 相似文献
4.
针对大豆联合收割机械作业含杂率在线检测手段缺乏的问题,以亚丰4YZL-5S联合收获机机械化收获的大豆样本为研究对象,在室内测定大豆样本的含杂率;利用ASD FieldSpec 4 Wide-Res型地物光谱仪测量大豆样本的光谱数据,经数据预处理和数学变换后获得2种光谱指标,即原始光谱数据(REF)和原始光谱经倒数之对数预处理后的数据(LR),应用波段间自相关分析筛选出不同指标的大豆样本光谱的特征波长,并采用支持向量机回归分析构建基于不同指标的大豆样本含杂率的反演模型,在此基础上对反演结果进行精度验证和比较。试验结果表明:各预处理条件下的大豆含杂率敏感波段不同,其中REF的特征波段为512,738,851,1 104,2 003,2 179 nm;LR的特征波段为519,637,820,924,1 121,1 933,2 050,2 138 nm。本研究建立的含杂率反演模型的建模决定系数0.86,验证决定系数0.79,均方根误差0.32,相对分析误差1.7,表明模型具有较强的拟合效果和预测能力。相比较而言,利用REF建立的反演模型的反演效果略优于LR。本研究建立的大豆样本含杂率光谱反演模型能够实现含杂率的在线预测,为大豆机械化作业中含杂率的在线快速监测提供了新途径。 相似文献
5.
蜜柚叶片磷素(phosphorus,P)含量是准确诊断和定量评价生长状况的重要指标,为快速、无损、精确地估测磷素含量,需要建立蜜柚叶片磷素含量高光谱估算模型。基于蜜柚叶片高光谱数据和磷素含量实测数据,提取原始光谱及一阶微分光谱特征波段和光谱特征变量,构建单变量估算模型、偏最小二乘回归模型和BP神经网络回归模型,并确定蜜柚叶片磷素含量最佳估算模型。在350～1 050 nm波段,原始光谱和一阶微分光谱与叶片磷素含量在可见光范围内有多波段相关性显著,并出现多个极值。原始光谱敏感波长为549和718 nm,一阶微分的敏感波长为528、703和591 nm。在建立的回归模型中,选择决定系数较高的模型进行精度检验,其中BP神经网络模型的拟合R2(0.775 9)最大,偏最小二乘估算模型的拟合R2(0.749 9)次之。综合建模精度和模型检验精度,确定BP神经网络模型为蜜柚叶片磷含量的最佳估算模型,建模和验证的R2分别为0.71和0.775 9;其次为偏最小二乘估算模型,建模和验证的R2分别为0.64和0.74... 相似文献
6.
水稻氮素高光谱遥感估测模型研究 总被引：2，自引：0，他引：2
《江苏农业科学》2016,(8)
以宁夏引黄灌区水稻为研究对象,将各生育期水稻冠层原始光谱反射率、一阶微分光谱及高光谱变量与氮素进行相关性分析,构建了分蘖盛期、孕穗期、齐穗期和灌浆期水稻氮素高光谱遥感估测线性及非线性模型,并对模型进行验证,结果表明:齐穗期所有的氮素估测模型均优于其他生育期;基于一阶微分光谱构建的模型拟合效果及精度优于原始光谱和高光谱变量构建的模型;线性回归模型与非线性模型的决定系数差异均不大,拟合效果接近;最终确定各生育期的最优模型是基于一阶微分光谱构建的线性模型:分蘖盛期y=12.54x+3.202(r=0.877),孕穗期y=16.88x+1.224(r=0.893),齐穗期y=1.197x+2.049(r=0.958),灌浆期y=-6.974x+1.467(r=-0.802),其中齐穗期估测效果最佳。 相似文献
7.
基于高光谱的小麦冠层叶绿素(SPAD值)估测模型 总被引：2，自引：0，他引：2
选择山东省泰安市山东农业大学试验田为研究区,分别采用ASD FieldSpec 3光谱仪和SPAD-502叶绿素仪测量小麦冠层的近地高光谱反射率和SPAD值,通过分析小麦冠层光谱特征,进行光谱反射率及其一阶导数与SPAD值的相关分析,筛选敏感波段,进而分别构建基于敏感波段和植被指数的小麦冠层SPAD值估测模型,并优选确定最佳模型。结果表明,光谱反射率经一阶导数变换能更好突出光谱特征,用来筛选敏感波段,将6个敏感波段分别建立单波段及多波段组合估测模型,进而优选出最佳估测模型为R′_(871),R_(1 349),R_(725),R′_(1 995)多元线性回归模型,决定系数R~2=0.668;基于4种植被指数构建的小麦叶绿素最佳估测模型为NDVI的二次模型,方程为y=61.978 x~2-34.426 x+54.089,决定系数R~2为0.845。基于植被指数的估测模型可较好实现小麦冠层叶绿素信息的无损和快速获取,为小麦生产的实时监测提供了有效手段。 相似文献
8.
[目的]为实现高等级公路路域植被等效水厚度(EWT)快速、连续、高效监测需求。[方法]以叶片尺度高光谱为数据源，首先对辐射传输模型PROSPECT-D模拟数据和实测光谱数据分别进行标准正态变量变换、归一化等光谱变换。应用相关性分析提取各变换光谱特征波段，基于PROSPECT-D模拟数据特征波段分别构建一维卷积神经网络(1D-CNN)、支持向量机路域植被叶片EWT反演模型，并用实测光谱数据进行模型验证。[结果]植被EWT最优反演路径为对光谱进行归一化预处理后，构建PROSPECT-D与1D-CNN组合模型，测试决定系数(R2c)为0.645、均方根误差(RMSEC)为2.367,精度较高，满足应用需求。[结论]该研究为利用高光谱数据对南方丘陵地区高等级公路植被EWT定量反演奠定了基础。 相似文献
9.
《河北农业大学学报》2021,44(2)
无损、实时、精准地对核桃树冠层叶绿素含量进行高光谱估算,对核桃树生长监测、营养诊断具有重要的指导意义。本研究以连续2年测定126棵核桃树不同生育期冠层光谱反射率及叶绿素含量,分析果实膨大期、果实硬核期、油脂转化期和果实成熟期4个生育期冠层光谱变化规律及叶绿素含量变化特征;在冠层光谱反射率400～1 000 nm范围内计算任意两波段组合生成的RVI、DVI和NDVI指数与各生育期冠层叶绿素含量的相关性,确定各生育期最佳敏感波段组合;基于RVI、DVI和NDVI指数构建不同生育期冠层叶绿素含量估算模型,并用第2年监测数据对估算模型进行精度验证。结果表明:(1)核桃树冠层叶绿素含量随着生育期的推进,呈现先增加后降低的趋势,各生育期叶绿素含量的变异系数和标准偏差存在明显差异,冠层叶绿素含量在油脂转化期最大,果实膨大期最小;(2)从果实膨大期到果实成熟期,在可见光波段冠层光谱反射率与冠层叶绿素含量呈负相关关系,在760～1 000 nm的近红外波段由负相关变为正相关;(3)基于两波段组合生成的RVI、DVI和NDVI指数均在油脂转化期与叶绿素含量相关性最大,估算模型拟合效果更好,且精度更高。其中,RVI指数构建的模型在核桃树中后期估算精度较高,前期较低;DVI指数构建的模型在核桃早中期估算精度较高,后期较低;而基于NDVI指数构建的估算模型,在各生育期对叶绿素含量的估算效果均最为理想,验证精度最高。因此,基于两波段组合生成的NDVI指数构建的估算模型,适用于核桃树整个生育期冠层叶绿素含量的估算研究。 相似文献
10.
叶绿素含量快速、无损监测是评估玉米生长状态有效方式之一.以抽雄期玉米为研究对象,研究原始光谱、普通一阶导数光谱、间隙一阶导数光谱、开平方根光谱以及连续统去除光谱的特征波段以及5个传统植被指数与玉米叶绿素含量之间关系.对比分析不同模型(单因素回归模型、结合连续投影与多元线性回归、支持向量回归模型)对抽雄期玉米叶绿素含量预测能力.结果表明,光谱变换可增强特征波段与SPAD值相关性,同时还增加敏感波段数量、提升建模精度;连续投影算法对特征降维效果明显,各类多元模型最优光谱参数为5～9个;各类型光谱下均为多因素模型精度优于单因素模型.其中,基于普通一阶导数光谱的支持向量回归模型为最优模型,其建模R2与验证R2分别达到0.92与0.90.光谱变换在反演玉米叶绿素方面有较大潜力,连续投影与支持向量回归结合可产生较好建模效果. 相似文献
11.
叶绿素是作物生长中的重要因素，可用于实时监测作物的生长状况。以常规高油酸油菜品种为材料，采用大田试验研究油菜叶片在不同栽培措施下幼苗期、蕾薹期叶片的光谱响应，通过计算反射光谱及其反射光谱的一阶导数与SPAD值的相关性，结合逐步回归挑选出油菜叶片敏感波段，并计算光谱指数。采用一元线性回归和神经网络建立叶绿素含量估算模型。结果表明，由光谱指数所构建的神经网络叶绿素估算模型，精度评价结果均显示比较高的水平，幼苗期反射率光谱指数构建的模型精度最高，决定系数R2为0807 0,均方根误差（RMSE）为1131 5，蕾薹期一阶导数光谱指数构建的模型精度最高，决定系数R2为 0873 2, 均方根误差（RMSE）为1322 3，在蕾薹期和幼苗期通过构建BP神经网络模型能够较好的对油菜叶绿素进行反演。为利用高光谱技术大范围监测油菜叶绿素含量提供了一定的理论依据。 相似文献
12.
【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。 相似文献
13.
利用高光谱技术精确估测植物叶片叶绿素含量,对植物生长趋势和营养状况的监测和管理具有重要意义。本文以紫丁香为研究对象,针对高光谱所含波段数量大、波段间相关性强导致数据中冗余信息增多的现象,通过卷积平滑和二阶微分(SG-SD)处理光谱数据,应用随机蛙跳(RF)算法筛选特征波段,最后结合偏最小二乘(PLSR)和投票回归器(VR)建立了植物叶片叶绿素含量反演模型,并与全波段光谱法和5种经典变量提取方法进行了比较。结果显示,相比于原始光谱数据,SG-SD是一种有效的提高建模精度的光谱预处理方法;相比于全波段光谱和经典变量提取方法,RF算法筛选出的敏感波段建模效果最佳;相比于PLSR模型,VR模型的预测精度和预测稳定性能更优。本文对原始光谱数据进行SG-SD预处理后,对经RF算法筛选出的特征波段建立VR模型,变量数由全波段数204个减少为35个,建模集决定系数0.944 2,验证集决定系数0.951 4,最后利用RF-VR模型结合伪彩图技术得到紫丁香叶片叶绿素分布反演图,为紫丁香叶片养分分布提供更直观的信息表达。结果表明,该方法可为紫丁香叶片营养含量诊断和长势监测提供技术支持。 相似文献
14.
以野外采集的土壤与活体植物叶片为研究对象,采用美国生产的SVC HR-1024便携式地物光谱仪,测定了纯土壤、纯植物叶片以及不同植物叶片盖度下的土壤光谱反射率,并对混合光谱特性进行了分析研究,建立了植物叶片盖度光谱估算模型。结果表明:(1)随着植物叶片盖度的增加,土壤光谱曲线逐渐呈现"五谷四峰"的特征,但始终不会高于植被光谱曲线;(2)植物叶片盖度与原始高光谱组成的差值、比值和归一化值3种形式的指数存在着良好的相关性,差值指数的显著性最为明显,组合较好的波段为410~710 nm与700~1400 nm,能反映相关系数最大的波段为690 nm和450 nm;(3)通过一元线性回归法、多元线性逐步回归法和偏最小二乘回归法预测植物叶片盖度可知:光谱特征参数与植物叶片盖度之间具有相关性,其中光化学指数与植被衰减指数的相关系数较大,模型拟合度较高,R^2均达到0.8以上;3种光谱特征参数(植被指数、红边参数、光谱吸收特征参数)中,植被指数与植物叶片盖度建立的模型最稳定、精度最高,可以有效地估算植物叶片盖度3种方法中,多元线性逐步回归法最适宜建立植物叶片盖度预测模型。 相似文献
15.
冬小麦叶片光合特征高光谱遥感估算模型的比较研究 总被引：1，自引：0，他引：1
【目的】光合作用是农作物产量和品质形成的基础,农作物光合参数的准确定量遥感反演不仅能够了解农作物的生长发育和有机物累积状况,还能为基于遥感的生态系统过程模型提供参考。为快速准确的估算光合特征参量,本研究综合原始光谱、3种传统光谱变换技术和4种模拟方法构建冬小麦3种光合参数的高光谱反演模型,探讨高光谱反演冬小麦光合参数的可行性,对比不同类别光谱和模拟方法的适用性。【方法】本研究基于氮肥施用条件冬小麦气体交换和高光谱田间试验,获取不同叶位叶片的最大净光合速率（Amax）、PSⅡ有效光化学量子产量（Fv′/Fm′）、光化学猝灭系数（qP）和高光谱反射率,并对原始高光谱进行倒数、对数和一阶微分变换。根据3种光合参数和4种光谱的相关性分析结果,筛选显著性水平优于0.01的波段作为输入变量,采用偏最小二乘（PLS）、支持向量机（SVM）、多元线性回归（MLR）和人工神经网络（ANN）等方法建立冬小麦叶片光合参量反演模型,以建模和验证的决定系数（R 2）和均方根误差（RMSE）为依据,对不同模型的模拟精度进行比较分析。 【结果】（1）3种光合参数和4种光谱的相关性分析结果表明,原始、倒数和对数光谱对3种光合参数（Amax、Fv′/Fm′和qP）的敏感谱区均集中在400—750 nm波谱区间,一阶导数光谱对3个光合参数的敏感谱区为470—560、630—700和700—770 nm波谱区间。（2）Amax、Fv′/Fm′和qP的最优反演模型组合分别为基于倒数光谱的MLR模型、基于一阶导数光谱的MLR模型和基于原始光谱的MLR模型。模型的建模R 2分别为0.75、0.65和0.65,验证R 2分别为0.73、0.59和0.44,表明基于高光谱模拟Amax和Fv′/Fm′切实可行,模拟qP的有效性需要进一步验证。（3）不同变换的光谱表现能力不同,以PLS模拟Amax为例,光谱的表现能力顺序为原始光谱>倒数光谱>对数光谱>一阶导数光谱。（4）不同模型的估算能力也存在明显差异,以基于原始光谱的Amax模拟为例,不同模型的估算能力顺序为MLR>PLS>ANN>SVM。 【结论】通过对比分析4种光谱和4种模拟方法对3种冬小麦光合参数的高光谱反演结果发现,Amax和Fv′/Fm′可以很好通过高光谱进行模拟,而高光谱对qP解释能力偏低,有待进一步研究。高光谱信息对冬小麦光合参量具有较强的敏感性,同时受光谱类型和模拟方法的影响,可以用来监测冬小麦光合能力的动态变化,为把握农作物生长状况提供依据。 相似文献
16.
色素在植物的生理生态过程中非常重要,利用高光谱数据,揭示光谱反射率上特征波段与光合色素含量间的关系将有助于理解光合色素光谱反射特征的规律,同时为利用高光谱遥感技术快速无损监测植物叶片光合色素提供了技术支持.利用野外采集的桉树叶片样本,在实验室内测定了叶片的高光谱反射率及对应的叶绿素、类胡萝卜素含量.利用光谱分析技术和统计学方法对光谱数据进行处理分析,提取了光谱特征参量,并建立叶绿素、类胡萝卜素含量与光谱特征参量间的估算模型.通过精度检验,研究结果表明以(SDr-SDb)/(SDr+SDb)为变量建立的指数模型估算效果最佳. 相似文献
17.
基于包络线法的不同树种叶片高光谱特征分析 总被引：4，自引：0，他引：4
高光谱遥感的出现使树种的精细识别成为可能,而高光谱数据具有波段多、数据量大、冗余度大等特点,利用高光谱遥感技术进行树种鉴别时,光谱特征的选择及提取是个非常重要的过程。选择了樟树Cinnamomum camphora,麻栎Quercus acutissima,马尾松Pinus massoniana和毛竹Phyllostachys pubescens 4个树种,利用包络线去除法对ASD高光谱仪实测的原始光谱数据处理,比较原始光谱和包络线去除曲线图,选择差异较大的波段用于识别不同树种,用欧氏距离法检验所选择的波段识别不同树种的效果。结果证明,利用波段较窄的高光谱数据能够挖掘出不同树种的光谱差异,实现不同树种的鉴别;包络线去除法能够有效解决高光谱数据冗余的问题,对4个树种叶片的高光谱进行波段选择,能够将有效波段减少到8个,为484 ~ 493,670 ~ 679,971 ~ 980,1 162 ~ 1 171,1 435 ~ 1 444,1 773 ~ 1 782,1 918 ~ 1 927和2455 ~ 2464 nm,并得到较理想的树种鉴别效果。图5表2参11 相似文献
18.
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。 相似文献