高光谱土壤多元信息提取模型综述

张东辉，赵英俊，秦 凯，裴承凯，赵宁博

(核工业北京地质研究院，遥感信息与图像分析技术国家级重点实验室，北京 100029)

随着信息化技术在土壤科学领域的深入推进，高光谱技术在土壤信息提取研究中呈现出典型的多元特性。这种多元性体现在研究目的、应用方向、数据获取方法、处理方法、分析方法和提取模型的多种组合方式，呈现出多元化跨学科的发展趋势。土壤的有机质、水分、含盐量、重金属和多种其它成分的定量提取，其理论依据在于土壤组成物质对特征光谱的吸收或反射作用。铁锰氧化物在429、492、669、906 nm处的吸收，水分子和高岭石中羟基在1 415、1 915、2 205处的吸收，硫酸盐矿物在1 795 nm处的吸收，水分在760、970、1 190、1 450、1 940和2 950 nm存在吸收，盐渍土在1 950 nm附近出现明显的反射谷，重金属Cr、Cu、Ni与429、470、490、1 430、2 398和2 455 nm处光谱具有很好的相关性[1-5]。对于微弱光谱信息，在建立光谱值与测量值模型时，需要对光谱进行一系列的转换处理。在大量光谱变换后建模精度评价的基础上，得出最优的定量计算模型。

高光谱土壤多元信息提取模型的关键是将光谱数据与实测数据进行科学对接，总结目前研究的成果，偏最小二乘回归法[6-8]、主成分回归法[2,9-10]和多元逐步回归法[11-13]由于其能反映光谱数据之间的自相关问题，在土壤物质成分含量建模时，得到了最广泛的应用。将卫星和机载高光谱传感器作为数据源时，决策树方法发挥了很好的图谱一体化提取效果[4,14]。近年来，随着模式识别和机器学习理论应用的深化，在能够获取大量可靠土壤数据的前提下，流行学习法[15]和神经网络方法[16]发挥了其数据高效降维和关键信息提取方面的优势，在土壤水分和重金属含量领域获得了很好的提取精度。土壤成分具有很大的地域性，对于专题应用的模型建立问题，适合微弱信息提取的模型得到深入研究，引入小波分析和遗传算法在土壤碳含量等方面得到了应用[17]。

在列举土壤样品制备、理化成分测定和土壤光谱数据获取标准技术的基础上，总结了目前适用于土壤光谱处理的异常筛选、平滑去噪、重采样、变换和定量化方法。按照有机质、水分、含盐量、重金属和其它成分分类归纳了多种光谱信息提取模型，并对比了每个模型的信息提取特点。

1 土壤光谱获取方法

1.1 土壤样品制备

在测区采集相应间隔下的土样，经过加工，制备土壤样品。有机质是土壤中源于植物和微生物的物质，一般采集其表层0～20 cm的土样，剔除大的根系等杂物，置于实验室风干、研磨，过0.15 mm筛选[6,13,18-21]。土壤水分是评价土壤资源优劣的主要指标之一，制备土样时，经过风干、除杂、研磨后过2 mm土筛，分别置于盛样皿中，依次缓注入不同水量，待表层的自由水消失后进行测量[5,7-8,22]。土壤盐分包括碳酸盐、硫酸盐和氯化物等，制备时剔除植物残茬、根系、石砾等杂质，研磨后过2 mm土筛[5,23-25]。重金属多以氧化物的形式存在于土壤中，一般风干、研磨后分成两份，过2 mm筛用于光谱测试，过0.15 mm筛用于含量分析[2-3,26-31]。土壤氮样品制备，风干、研磨、过0.15 mm筛[32-33]，氮磷钾样品过0.075 mm筛[34]，土壤漏油需要用烤箱对收集的土壤烘干，挥发掉水分，剔除石粒、砖块、植物残茬、石灰结核等，轻微地研磨，过2 mm筛[35]。此外，高光谱土壤参数定量反演研究中，对土样的采集和制备直接采用原状土，不加任何处理。研究潮土土壤属性与田间光谱关系时，采集耕层0～15 cm混合土样，将土样装入玻璃培养皿中，直接获取光谱[24]。采用原状土最常见研究方向是对卫星遥感影像反演所开展的地面同步光谱测量，更能反映影像光谱的实际地面土壤状况[26]。

1.2 理化成分测定

土样理化成分测定交由获得国家计量认证的实验室测量。常用的测量方法有：有机质—重铬酸钾容量-外加热法[6，8,25，36-38]，Vario ELIII元素分析法[20]，干烧法[39]；土壤水分—烘干称重法[40-42]，TRIME-PICO TDR水分测量法[43]；土壤盐分—电位法[2,24]，水土质量比浸提液[20]；重金属—电感耦合等离子发射光谱-质谱联用法[2-3,27-28，44]，PXRF法[29]，原子荧光光度计[31,39,45]，X射线荧光光谱[26]，原子吸收光谱法[39]，水土质量比浸提液[20]；土壤养分—ICP法[34]，浸提-火焰光度法[20]，凯氏定氮法[13,33-34,39]，碳酸钠熔融法[5]，钼锑抗比色法[13，20]，氢氧化钠熔融法[5-6]，中和滴定法[36]，乙酸铵交换法[39]，火焰光度法[5]。

1.3 光谱数据获取

土壤光谱测量通常在暗室进行，以单个或多个卤素灯为光源。常用的仪器有：ASD FieldSpec3[11,14,41,46]、ASD pro FR[8,13,23,40]、FTIR光谱仪[18]、Headwall Photonics HS-VNIR[32]、Perkin Elmer Lambda 900[34]、VIS-NIR[17]等(表1)，根据所研究土壤的特征峰位置，选择合适的波长范围、波段数和光谱分辨率。将卤素灯成一定角度照射土壤样品，根据光谱仪视场角确定距离土样的距离。测量中及时进行白板校正，通常对每个土样进行多角度、多次测量，作平均获取光谱数据。

表1 常用的土壤光谱获取传感器参数

2 土壤光谱处理方法

在获取土壤光谱后，需要经过光谱异常筛选、平滑去噪、重采样、光谱变换和光谱定量化计算等5种处理方法(表2)。350～380、2 400～2 500 nm通常位于传感器边缘波长位置，噪声较大，需要将其去除[6]。对于光谱曲线上的毛刺和陡坎等噪声波段，采用加权移动平均法[41]或包络线消除法[8]，可以很好地予以抑制。在可见光-近红外与中红外获取不同光谱分辨率情况下，通常需要进行光谱重采样，以利于对比分析特征波段[47]。光谱变换的目的是通过将原始反射率进行转换，形成一系列反射率自变量，这种自变量能够放大或者缩小特征峰的反射率值，提升光谱识别的概率。在与理化成分分析数据建立回归模型时，经过多种方法的综合验证，分析光谱数据和化验数据的匹配关系[31，48-49]。光谱定量化方法是求解波谱上指定波段范围内的特征量，这些定量值对于理解光谱所反映的土壤理化性质具有重要的参考价值，定量值的大量积累能够对土壤特征提取提供指示信息。

表2 常用的土壤光谱处理方法

注：Ri是土壤光谱反射率；Xi是处理后的土壤光谱反射率；i是波段增量；n是波段数；λi是波长。

3 土壤光谱分析方法

3.1 偏最小二乘回归法(PLSR)

偏最小二乘回归(Partial Least Squares Regression，PLSR)优势在于集成了典型相关分析、主成分分析和线性回归分析的优点，实现了数据结构的简化，良好地解决了自变量间多重共线性问题，适用于变量间高度相关及变量数超过样本数的情况[32]。建模方法为：设土壤样本数为n，定义土壤成分含量为y=[y]n×1，波段数为k，则光谱曲线为x=[x1,x2,…,xk]n×k(下同)。从光谱曲线x中提取携带了最大变异信息的成分t1，且与成分含量y相关程度最大。提取第一主成分t1后，建立y与t1的回归模型，若精度满意则算法停止；否则将继续利用x和y残余信息进行回归。

3.2 主成分回归法(PCR)

主成分回归法(Principal Component Regression，PCR)利用主成分分析将自变量数据组成为多个相互无关的新变量，选取尽可能少的组合变量代表原有自变量信息，再与因变量建立回归方程[36]。建模方法为：将k维光谱曲线x进行综合成尽可能少的p维变量x′(p

3.3 多元逐步回归法(SMLR)

多元逐步回归(Stepwise Multiple linear Regression，SMLR)基本思路是将全部变量按照重要性逐步导入回归方程，利用F统计量选择或剔除自变量，建立回归方程。建模方法为：分析过程中，使用F显著水平值作为逐步回归方法的准则，判断光谱数据x及其变换形式x′与因变量土壤成分y的关系，选入或剔除自变量的概率通常设置为0.05和0.10[13]。

3.4 决策树法(DT)

决策树法(Decision Tree，DT)是一种利用概率与图论中的树对决策中的不同方案进行比较，获得最优化方案的方法[13]。建模方法为：通过一系列规则参数对光谱数据x分层逐次进行比较归纳，形成特征波谱规则参数。光谱识别分类指标由根节点进入决策树，在每个分支节点对光谱指标值与阈值进行比较，逐步得出特征反射值x′，建立x′与成分含量y的回归模型。

3.5 流行学习法(ML)

3.6 BP神经网络法(BPNN)

BP神经网络法(Back Propagation Neural Networks)分为3层结构，输入层、隐藏层和输出层[16]。在神经元响应函数连续可微的条件下，利用误差的反向传播建立模型。建模方法为：选取“S”型函数，作为神经元的激活函数，输出为y=f2[w2f1(w1x+b1)+b2]，式中，y为土壤成分预测值的输出层，x为光谱x或光谱特征参数x′的输入层，f1和f2为隐藏和输出层的传递函数，b1和b2为隐藏和输出层的偏差，w1和w2为隐藏和输出层的权重。

3.7 小波分析法(WA)

3.8 遗传算法(GA)

遗传算法(Genetic Algorithm，GA)是一种通过模拟自然进化过程搜索最优解的方法[17]。建模方法为：对土壤光谱曲线x多个波段的反射率值进行基于轮盘赌方法的选择，设置交叉概率后，进行反射率值的变异。如果变异后的光谱曲线x′符合规则，则停止迭代，否则继续对光谱数据进行变异处理。以x′与土壤成分y建立模型。

4 基于土壤光谱的多元信息提取模型

4.1 高光谱土壤有机质提取模型

土壤有机质(Soil Organic Matter，SOM)是植物和微生物生命活动所必需的养分和能量的源泉，是衡量土壤肥力的重要指标之一。有机质光谱特征峰谷方面，研究表明，黑土有机质含量在710 nm处相关系数达到-0.83[8]，红壤有机质与560～710 nm波段特征吸收面积呈对数关系[11]。在掌握特征峰的基础上，光谱变换方法对有机质含量建模极其敏感，在选取合适的变换波谱作为自变量时，需要进行大量的试验进行验证和评价。在建模方法上，偏最小二乘回归法相较多元逐步回归法的预测效果更好[12-13]。在验证模型的基础上，结合Landsat 8 OLI遥感影像和ASTER影像等高光谱数据，分析土壤反射率与有机质含量呈负相关，其中在845～885 nm处达到最大值，土壤有机质含量的诊断波段在630～690 nm和760～860 nm附近[50-51]。根据上述诊断波谱特性，建立有机质提取模型。

4.2 高光谱土壤水分提取模型

土壤水分的高低对热量平衡、土壤温度和土壤墒情具有重要影响，因此，建立了大量的高光谱水分提取模型。土壤含水量与光谱反射率变换速率有关，需要采取分段函数进行含水量的精确计算[7]。研究表明，土壤含水量与1 450 nm处的光谱吸收特征面积、位置和深度存在良好的线性回归关系[40]。具体到各种类型土壤水分提取建模时，黑土光谱曲线上1 920 nm附近的吸收谷可以成为土壤含水量速测仪器研制的理论依据[41]，滨海盐土在1 407和1 459 nm处反射率所构建的比值光谱指数，预测精度最高[42]，砂土含水量与光谱特征参数相关性好的集中在水分吸收波段760和970 nm[16]。对比分析东北黑土和北方潮土的吸收光谱，发现水分含量较小时，二者近红外光谱差异明显，反之光谱类似[52]。多波段组合水分估测模型[14]、耦合模型[4]等在结合Landsat8卫星宽波段反射率的基础上，通过选取敏感光谱参量后，能够建立适用性更好的模型。针对不同深度土壤含水量反演[53]，研究证明0～10 cm模型实用性最好，深度越深，反演精度越低。

4.3 高光谱土壤盐渍化提取模型

土壤盐渍化的3个评价指标是pH值、碱化度和总碱度。研究表明，在400～900 nm的土壤光谱反射率为盐土>重度盐渍化>中度盐渍化>轻度盐渍化>非盐渍化，而龟裂碱土红边一阶微分光谱由主峰和次峰组成，分别位于690和720 nm处[54]。Quickbird影像反射率与土壤pH值预测相关性最高的是630～690 nm的第3波段[55]。植被类型和生长状况可间接反映土壤盐分的空间分布特征，因此植被指数可作为盐度间接反演的指征，鉴于在680～780 nm红边参考范围内，植被光谱对土壤盐渍化的影响逐步增大，可以建立植被指数与土壤含盐量的模型，选择450和685 nm构建盐分模型及选择960和1 094 nm构建指数模型[10,56]。受人类生产生活干扰的盐渍土，其原始波谱反射率与盐分相关系数最大的两个峰值所在的波长逐渐增大，偏向近红外波段[57]。采用主成分分析和多元逐步回归等方法，建立高光谱土壤盐渍化提取模型。

4.4 高光谱土壤重金属提取模型

高光谱技术应用于土壤重金属监测中，取得良好效果的重金属包括：铬、铜、镍、铝、硅、镁、铁、锰、铅、锌、镉、钴、砷和汞。提取模型分两类，一是根据土壤重金属与土壤粘土矿物、铁锰氧化物以及碳酸盐之间存在的赋存关系，建立间接模型[2]。另一类是利用地面光谱仪、Hyperion高光谱和Aster影像，根据金属元素的相关性，直接建立模型。例如，Cu与一阶微分光谱966 nm之间相关，与二阶微分光谱1 865 nm处相关；Fe与405 nm光谱区域最大相关；Mn与一阶微分474 nm达到极显著水平[2]。利用EO-1卫星Hyperion高光谱波长反射率对Zn、Cr和Cu进行含量反演，相关性达到显著水平[27]。结合As、Cd和Zn的光谱特征参数，从Aster影像上实现3种元素的提取，为大面积土壤重金属监测提供了技术手段[49]。采用光谱吸收峰作为特征变量，验证了3价铁在870 nm附近吸收峰的存在，建立相应的回归预测模型，拟合度R2达到0.534[58]。

4.5 高光谱土壤其它成分提取模型

高光谱可以测量土壤的成分包括：全碳、全氮、碳氮比、电导率、磷、钾、碳酸钙、漏油、氨气[9,20,34-36]。土壤全氮与一阶微分转换后光谱反射率相关系数较高的峰值位置在820、1 400、1 430、1 630、1 800、1 930、2 100、2 200、2 300 nm等波段[46]。土壤碳酸盐在2 335 nm处具有较强的吸收特征[36]。500、525、850 nm附近对于土壤氮预测有明显影响[53]。采用PLSR方法和多元回归方法，分别建立了NaCl和SiO2的一阶导数和二阶导数反演模型，决定系数分别达到了0.859和0.319[59-60]。

5 结论与展望

在土壤定量遥感研究方面，高光谱遥感技术一直处于前沿领域。光谱所指示的信息，不仅能够为土壤成分提供快速指示信息，而且在实测数据基础上所建立的信息提取模型，是软件研发、仪器研发和土质评价等工作的理论基础。文中总结了高光谱土壤提取模型建立的关键技术，从土壤光谱获取、处理、分析和建模等方面，进行了全面梳理和总结。

目前高光谱土壤定量反演存在的不足有：(1)所建立模型的泛化性较弱，建模理论过度依赖于土壤光谱数据来源，使得模型在不同应用场景中的推广性较差；(2)光谱数据获取缺乏规范统一的顶层设计，不同部门采用不同的标准、设备和流程获取光谱数据，难以形成工业化的行业标准；(3)定量反演的时效性不能满足市场需求，目前这一领域数据获取和模型建立过程需要一系列复杂的试验过程，在快速得出结论方面急需改进。

随着高光谱技术的不断发展，土壤光学研究将呈现细分化、专题化、软硬件一体化、小型模块化和信息实时提取等典型特征，为了适应这一发展趋势，建立适用多种土壤的信息提取模型，将是未来这一领域的研究重点。

参考文献:

[1] 刘伟东,Frederic Baret,张兵,等.高光谱遥感土壤湿度信息提取研究[J].土壤学报,2004,41(5):700-706.

[2] 解宪丽,孙波,赫红涛.土壤可见光-近红外反射光谱与重金属含量之间的相关性[J].土壤学报,2007,44(6):982-993.

[3] 龚绍琦,王鑫,沈润平,等.滨海盐土重金属含量高光谱遥感研究[J].遥感技术与应用,2010,25(2):169-176.

[4] 张海威,张飞,李哲,等.艾比湖流域盐渍土含水量光谱特征分析与建模[J].中国水土保持科学,2017,15(1):8-14.

[5] 张俊华,马天成,贾科利.典型龟裂碱土土壤光谱特征影响因素研究[J].农业工程学报,2014,30(23):158-165.

[6] 薛利红,周鼎号,李颖,等.不同利用方式下土壤有机质和全磷的可见近红外高光谱反演[J].土壤学报,2014,51(5):993-1001.

[7] 刘洋,丁潇,刘焕军,等.黑土土壤水分反射光谱特征定量分析与预测[J].土壤学报,2014,51(5):1021-1026.

[8] 方少文,杨梅花,赵小敏,等.红壤区土壤有机质光谱特征与定量估算—以江西省吉安县为例[J].土壤学报,2014,51(5):1003-1010.

[9] 王祥峰,蒙继华.土壤养分遥感监测研究现状及展望[J].遥感技术与应用,2015,30(6):1033-1040.

[10] 王飞,丁建丽.基于土壤植被光谱协同分析的土壤盐度推理模型构建研究[J].光谱学与光谱分析,2016,36(6):1848-1853.

[11] 刘焕军,张柏,赵军,等.黑土有机质含量高光谱模型研究[J].土壤学报,2007,44(1):27-32.

[12] 马驰.基于Landsat 8吉林中北部地区土壤有机质定量反演研究[J].干旱区资源与环境,2017,31(2):167-172.

[13] 程彬.松辽平原黑土有机质及相关元素遥感定量反演研究[J].长春:吉林大学,2007.

[14] 李萍,赵庚星,高明秀,等.黄河三角洲土壤含水量状况的高光谱估测与遥感反演[J].土壤学报,2015,52(6):1262-1271.

[15] 吕杰,郝宁燕,史晓亮.基于流形学习的土壤高光谱数据特征提取研究[J].干旱区资源与环境,2015,29(7):176-180.

[16] 刁万英,刘刚,胡克林.基于高光谱特征与人工神经网络模型对土壤含水量估算[J].光谱学与光谱分析,2017,37(3):841-846.

[17] 沈掌泉,叶领宾,单英杰.应用田间行走式红外光谱进行土壤碳含量估测研究[J].土壤学报,2014,51(5):1011-1020.

[18] 刘沛,周卫军,李娟,等.溧阳平原古水稻土有机质红外光谱特征[J].土壤学报,2016,53(4):901-908.

[19] 刘艳芳,卢延年,郭龙,等.基于地类分层的土壤有机质光谱反演校正样本集的构建[J].土壤学报,2016,53(2):332-340.

[20] 王昶,黄驰超,徐光辉,等.近红外光谱结合偏最小二乘法快速评估土壤质量[J].土壤学报,2013,50(5):36-45.

[21] 曾胤,陆宇振,杜昌文,等.应用红外光声光谱技术及支持向量机模型测定土壤有机质含量[J].土壤学报,2014,51(6):1262-1269.

[22] 刘娅,潘贤章,王昌昆,等.基于差异化光谱指数的盐渍土水分含量预测—以滨海盐土为例[J].土壤,2016,48(2):381-388.

[23] 代希君,彭杰,张艳丽,等.基于光谱分类的土壤盐分含量预测[J].土壤学报,2016,53(4):909-917.

[24] 刘焕军,张柏,王宗明,等.基于反射光谱特征的土壤盐碱化评价[J].红外与毫米波学报,2008,27(2):138-142.

[25] 彭杰,周清,张扬珠,等.有机质对土壤光谱特性的影响研究[J].土壤学报,2013,50(2):76-83.

[26] 张威,高小红,杨扬,等.基于光谱分析的土壤重金属含量估算研究[J].土壤,2014,46(6):1052-1060.

[27] 刘华,张利权.崇明东滩盐沼土壤重金属含量的高光谱估算模型[J].生态学报,2007,27(8):3427-3434.

[28] 黄长平,刘波,张霞,等.土壤重金属Cu含量遥感反演的波段选择与最佳光谱分辨率研究[J].遥感技术与应用,2010,25(3):353-358.

膨润土的膨胀性能以膨胀容表示，同一属型的膨润土，含蒙脱石愈多，膨胀容愈高。胶质价、膨胀容是鉴定膨润土矿石属型和估价膨润土质量的技术指标之一。

[29] 邝荣禧,胡文友,何跃,等.便携式X射线荧光光谱法(PXRF)在矿区农田土壤重金属快速检测中的应用研究[J].土壤,2015,47(3):589-595.

[30] 熊俊峰,郑光辉,林晨.基于反射光谱的土壤铁元素含量估算[J].光谱学与光谱分析,2016,36(11):3615-3619.

[31] 吴昀昭.南京城郊农业土壤重金属污染的遥感地球化学基础研究[D].南京:南京大学,2005.

[32] 李硕,汪善勤,史舟.基于成像光谱技术预测氮素在土壤剖面中的垂直分布[J].土壤学报,2015,52(5):1014-1022.

[33] 李硕,汪善勤,张美琴,等.基于可见长丘红外光谱比较主成分回归、偏最小二乘回归和反向传播神经网络对土壤氮的预测研究[J].光学学报,2012,32(8):11-15.

[34] 徐永明,蔺启忠,王璐,等.基于高分辨率反射光谱的土壤营养元素估算模型[J].土壤学报,2006,43(5):709-716.

[35] 余璐,刘学斌,刘贵忠,等.土壤漏油含量光谱预测实验研究与分析[J].光谱学与光谱分析,2016,36(4):1116-1120.

[36] 洪长桥,郑光辉,陈昌春.苏北滨海土壤碳酸钙含量反射光谱估算研究[J].土壤学报,2016,53(5):1120-1128.

[38] 高灯州,曾从盛,章文龙,等.闽江口湿地土壤全氮含量的高光谱遥感估算[J].生态学杂志,2016,35(4):952-959.

[39] 汪善勤,舒宁,蔡崇法,等.基于PCA和SRRI的潮土土壤属性与田间光谱关系研究[J].土壤,2008,40(6):960-970.

[40] 何挺,王静,程烨,等.土壤水分光谱特征研究[J].土壤学报,2006,43(6):1028-1032.

[41] 金慧凝,张新乐,刘焕军,等.基于光谱吸收特征的土壤含水量预测模型研究[J].土壤学报,2016,53(3):627-634.

[42] 李晨,张国伟,周治国,等.滨海盐土土壤水分的高光谱参数及估测模型[J].应用生态学报,2016,27(2):525-531.

[43] 柴思跃,马维玲,刘高焕,等.GA-PLS方法提取土壤水盐光谱特征的精度分析[J].遥感技术与应用,2015,30(4):638-644.

[44] 程先锋,宋婷婷,陈玉,等.滇西兰坪铅锌矿区土壤重金属含量的高光谱反演分析[J].岩石矿物学杂志,2017,36(1):60-69.

[45] 任红艳.宝山矿区农田土壤水稻系统重金属污染的遥感监测[D].南京:南京农业大学,2008.

[46] 陈松超,冯来磊,李硕,等.基于局部加权回归的土壤全氮含量可见-近红外光谱反演[J].土壤学报,2015,52(2):312-319.

[47] 王娇,杜昌文,申亚珍,等.中红外光声光谱法测定土壤顶空氨气浓度[J].土壤,2014,46(6):1017-1023.

[48] 关红,贾科利,张至楠,等.盐渍化土壤光谱特征分析与建模[J].国土资源遥感,2015,27(2):100-104.

[49] 杨雪,谢洪斌,罗真富,等.基于实测光谱的矿业开发集中区土壤元素含量反演[J].环境监测管理与技术,2016,28(4):9-13.

[50] Zhang P,Li Y.Study on the comparisons of the establishment of two mathematical modeling methods for soil organic matter content based on spectral reflectance[J].Spectroscopy and Spectral Analysis,2016,36(3):903-910.

[51] 何挺,王静,林宗坚,等.土壤有机质光谱特征研究[J].武汉大学学报(信息科学版),2006,31(11):975-979.

[52] 孙建英,李民赞,唐宁,等.东北黑土的光谱特性及其与土壤参数的相关性分析[J].光谱学与光谱分析,2007,27(8):1502-1505.

[53] 李相,丁建丽,黄帅,等.实测高光谱和HSI影像的区域土壤含水量遥感监测研究[J].土壤,2016,48(5):1032-1041.

[54] 文虎,盛建东,颜安,等.绿洲农田盐碱斑土壤光谱特征分析与建模[J].新疆农业大学学报,2016,39(2):143-148.

[55] 朱忠鹏,熊黑钢,张芳.基于Quickbird影像的碱化土壤pH值定量监测研究[J].干旱区研究,2016,33(3):493-498.

[56] 关红,贾科利,张至楠.采用高光谱指数的龟裂碱土盐碱化信息提取与分析[J].红外与激光工程,2014,43(12):4153-4158.

[57] 段鹏程,熊黑钢,李荣荣,等.不同干扰程度的盐渍土与其光谱反射特征定量分析[J].光谱学与光谱分析,2017,37(2):571-576.

[58] 何挺,王静,程烨,等.土壤氧化铁光谱特征研究[J].地理与地理信息科学,2006,22(2):30-34.

[59] 曹文涛,康日斐,王集宁,等.基于高光谱遥感的土壤氯化钠含量监测[J].江苏农业学报,2016,32(4):817-823.

[60] 夏学齐,季峻峰,陈骏,等.土壤理化参数的反射光谱分析[J].地学前缘,2009,16(4):354-352.