随着信息化技术在土壤科学领域的深入推进,高光谱遥感技术以其光谱分辨率高、波段连续性强和空间分辨率高等特点,在土壤成分定量遥感监测中,发挥越来越大的作用。土壤养分指的是土壤中能直接或经转化后被植物根系吸收的矿质营养成分,一般包括氮、磷、钾、钙、镁、硫、铁、硼、钼、锌、锰、铜和氯等元素。我国东北黑土中所含碳的有机物质,也是泛义的土壤养分。对高光谱技术在黑土养分提取中的研究目的、应用方向、数据获取方法、处理方法、分析方法和提取模型进行了多元化跨学科探索。文中总结了高光谱土壤养分提取的关键技术,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,形成了一套“理论层-描述层-对象层-推理层-存储层”综合技术解决方案。(1)研究了基于信息量的黑土养分预测方法。对比了基于机理、波段标准差和信息熵三种方法的模型精度,研究表明:有机质和氮采用信息熵,特征波段为705nm、714 nm、733 nm、657 nm和743 nm;磷和钾采用波段标准差,特征波段为915 nm、924 nm、905 nm、886 nm和895 nm,所建的模型精度相对最高。S3、N3、P2、K2方法分别在反演有机质、氮、磷和钾成分方面具有较高精度,证明了信息量方法在黑土养分提取方面的定量效果。(2)建立了一种新的光谱参量预测养分含量方法。以光谱统计量、光谱特征值和光谱信息量为大类指标,所选取的18个子指标,能够反映土壤光谱的综合情况,是一种有效的光谱训练数据。有机质和全钾信息提取精度最高的算法是神经网络法,误差分别为1.21%和0.81%,支持向量机算法在提取全氮和全磷信息时,验证样本的实测均值和预测均值完全吻合,精度最高。评价航空高光谱提取土壤养分的综合精度,有机质、全氮、全磷和全钾提取误差分别为5.25%、6.05%、2.74%和8.90%,在全磷反演中精度最高。(3)评估了光谱变换方法与养分含量的响应关系。将原始光谱反射率数据处理为重采样RE、对数倒数LR、一阶微分FD、包络线去除CR和多元散射校正MSC等变换值。得出了每种黑土养分提取精度最佳的变换方法,以及五种光谱变换方法的提取精度差异,对于掌握光谱变换与黑土养分含量响应关系提供了定量依据。结果表明:MSC、MSC、LR和RE光谱变换方法分别应用到有机质、氮、磷和钾特征波段的组合运算中,得出黑土养分含量的空间分布精度相对最高。(4)提出了黑土养分预测的频域识别方法。分析黑土频谱特征的基础上,设计了一种自适应高斯低通滤波算法,通过逐步排除不同能量等级的数据,达到黑土地分类分级的目的。该方法联合了黑土地高光谱像元的空间上下文信息和光谱信息,突破了传统逐像素光谱分类的性能瓶颈。建立了截止频率最优模型,平滑了方差和残差的矛盾,使得影像平滑与细节保持形成平衡。(5)探索了面向高光谱黑土养分智能提取的机器学习方法。将机器学习解决问题的策略引入黑土养分信息的智能提取中,通过搭建特征向量、逻辑语句、规则、语义网络和框架等方法,实现了黑土养分信息的智能提取。该提取技术在基于光谱的黑土养分信息智能降维、智能聚类、智能分类和智能回归等方面,都显示出了良好的应用价值。在土壤定量遥感研究领域,高光谱遥感技术一直处于前沿领域。本文研究指出,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。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,建立智能化的黑土养分提取方法,将是未来的这一领域的研究重点。