实时监测土壤理化性质是实现精准农业的前提条件与必然要求,过去的20年间,国内外学者通过不断地实验与研究建立了一套较为完善的土壤属性高光谱预测流程并取得了较高的预测结果。然而,目前的研究大都在实验室内获取光谱数据,土壤样本需要经过一系列的预处理,这无疑降低了高光谱技术的工作效率。因此,部分学者开始在野外获取光谱数据进行土壤属性预测。然而,由于野外环境与实验室环境相比更为复杂,建立的模型预测精度通常较低。因此,如何降低野外环境影响,提高野外光谱的预测能力,满足精准农业的“精准”要求已成为近年来的研究热点与难点。本研究基于前人的研究成果,以安徽省淮北市复垦土壤为研究对象,探究土壤水分对光谱的影响及基于野外光谱实现土壤属性预测的可行性,以期为快速预测土壤属性提供技术支持。本研究主要结论如下:受土壤水分影响,土壤光谱在400～2450 nm内存在两个明显的吸收峰,分别位于1450 nm和1950 nm附近。通过提取两吸收峰的8种特征参数发现:1450 nm处吸收峰的特征参数与土壤含水率的相关性更强,吸收波段波长位置、左半边面积、对称度、斜率与土壤含水率相关性优于其他吸收特征数。通过配对样本t检验法结合二维相关光谱分析发现土壤水分主要的影响波段为1000～1100 nm、1400～2100 nm及2200～2300 nm,当土壤含水率过低或过高还会影响500～800 nm的光谱特征。通过对比风干前后土壤光谱在主成分空间的聚集程度发现湿土土壤光谱的空间分布集成度明显高于风干土壤,说明受水分影响部分土壤光谱信息被掩盖,土壤水分降低了样本光谱之间的差异,采用直接标准化算法与辐射传输模型剔除土壤水分影响后,其在主成分空间的聚集程度明显降低;对比平均吸光度发现剔除后的光谱数据与风干土壤光谱曲线近似重合,表明两种算法均能有效剔除土壤水分的影响。不同光谱变换及波段筛选方法组合下对土壤光谱信息的提取能力差异较大,建立的土壤有机质预测模型精度差异明显。原始光谱及吸光度光谱筛选出的特征波段主要集中于400～1500 nm内,筛选出的特征波段占全波段的95%以上,但由于光谱间冗余度较高,建立的预测模型最高为B类模型,仅能粗略估计土壤有机质含量高低;一阶微分变换后筛选出的特征波段主要集中于400～500 nm、1885～1890 nm及2300～2450 nm,筛选出的特征波段占全波段的近50%,光谱间冗余度较低,建立的24个模型中92%达到C类模型,其中RPD最高为2.64,R~2最高为0.86,能够较为准确的预测土壤有机质含量;连续统去除变换下筛选出的特征波段主要集中于410～560 nm内,筛选出的特征波段不足全波段的30%,建立的预测模型有25%达到C类模型,其中RPD最高为2.37,R~2最高为0.82。在3种一次特征波段筛选中PCC筛选的特征波段数量最多、波段间的冗余度较大,SPA与CARS筛选结果较少但部分特征波段与有机质相关性较低,这都限制了模型的预测精度。在3种二次波段特征波段筛选中PCC-SPA、PCC-CARS筛选出的特征波段数量大幅减少,建立的预测模型精度有所提升,PCC-CARS的筛选出的特征波段最少,但其建立的预测模型中存在部分模型精度降低,这可能是其筛选出的特征波段不足以表征全部有机质的光谱信息,导致预测模型精度较低。土壤样本在野外条件与实验室条件下光谱差异较大。与室内光谱曲线相比,野外光谱曲线更为粗糙且在1350 nm及1780 nm处存在两个极强的噪声波段。但两种光谱总体走势一致,在可见光波段光谱反射率快速增长,在近红外波段缓慢增长后逐渐降低。野外光谱经滤波、一阶微分变换后建立的土壤有机质R~2为0.51、RPD为1.43、RMSE为3.24,仅达到B类模型精度,光谱经过辐射传输模型进行水分影响校正后建立的土壤有机质预测模型R~2与RPD分别提升59.61%和67.13%、RMSE降低40.12%,模型的预测能力显著提升且达到C类模型精度,能够较好的预测土壤有机质含量。采用Spiking算法建立土壤属性预测模型时,传输样本的数量直接影响着高光谱预测土壤有机质的能力,当传输样本较少时其预测精度较低,随着传输样本的增加模型的预测精度迅速提升后逐渐趋于稳定,采用Spiking算法建立的预测模型,R~2最高为0.70,RPD为1.83,仅达到B类模型精度,相较于采用辐射传输模型,其预测精度仍然较低。图[28]表[4]参[134]