随着遥感技术的发展,传感器的光谱分辨率和信噪比越来越高。近红外光谱仪器从滤光片、光栅色散发展到了傅立叶变换,而高光谱仪器光谱分辨率达到了10纳米以内,这使其不仅具备常规遥感技术的适时、无损、方便等优点,同时还能够通过其精细光谱优势提高遥感监测的精度和准确度。土壤有机质、全氮含量等属性是农作物生产管理的重要依托信息,大量研究表明,土壤的光谱特性是由土壤本身的性质决定的,它与土壤的理化性质有明显的相关关系。因此,研究基于光谱特性的土壤养分无损监测技术是一项重要的基础性工作,它将为精确农作中土壤参数的快速获取提供理论和技术支撑。本研究的目的是以我国中、东部地区五种不同类型土壤为研究对象,结合实验室的ASD高光谱仪(350-2500nrn)和傅立叶近红外光谱仪(1000-2500nm),综合运用地面高光谱、近红外光谱(NIRS)技术与土壤理化分析技术,在系统分析不同土壤类型、不同肥力差异土壤样品的光谱特征及理化性质的基础上,阐明不同土壤类型的光谱特征差异,明确土壤主要养分的光谱特征波段,进而构建土壤主要养分信息的光谱估测模型,从而为土壤养分信息监测提供理论基础和关键技术。主要研究内容和结论概述如下：对5种不同土壤类型的光谱特性进行了较全面的分析。高光谱以400-1000nm波段的反射率、傅立叶近红外光谱以1000-2500nm波段的反射率经多元散射校正及Norris滤波平滑后的一阶导数作为研究光谱样本,利用偏最小二乘法(PLS)分别从600个高光谱波段中提取前6个、1501个NIR光谱波段提取前5个主成分得分作为BP神经网络(BPNN)的输入,土壤类型作为输出,分别建立了基于PLS-BPNN的土壤高光谱和NIR光谱分类模型。结果显示基于高光谱和NIR光谱的分类模型均可实现对5种不同土壤类型的有效区分。利用高光谱分析技术,研究了土壤有机质含量与两波段组合光谱指数之间的定量关系。结果表明,一阶导数光谱构成的两波段光谱指数与土壤有机质含量的相关性明显优于原始光谱,尤其以Norris滤波平滑后的一阶导数光谱效果较好。光谱指数构成形式以差值指数最好,其次为比值和归一化指数。与土壤有机质含量相关程度最高的光谱参数是由可见光区554nrn和近红外区1398nm两个波段的一阶导数反射率组合而成的差值指数DI(NDR554,NDR,1398),两者呈显著的指数曲线关系。同时,基于一阶导数光谱,分别采用偏最小二乘法、偏最小二乘法与BP神经网络相结合,建立了基于PLS、PLS-BPNN的土壤有机质含量估测模型。不同类型土壤的独立观测资料检验结果显示,DI(NDR554,NDR1398)、PLS及PLS-BPNN模型预测决定系数分别为0.84、0.91和0.96,均方根误差(RMSE)为3.64、3.11和2.24,相对分析误差(RPD)为2.98、3.49和4.83。表明PLS-BPNN模型精度最优,其次是PLS模型,DI(NDR554, NDR1398)估测模型再次,这说明基于PLS-BPNN的有机质含量估测方法具有较好的潜力。基于DI(NDR554, NDR1398)的土壤有机质估测模型虽然在三者中预测精度最低,但模型精度已达到了实用化的程度,同时模型简单明确,需要的波段信息少,可为便携式监测仪的研制提供支撑信息,因而具有较好的应用前景。进一步分析了5种不同类型土壤风干样本的有机质含量与近红外光谱(1000-2500nm)反射率及一阶导数两波段构成的比值、差值及归一化指数之间关系,构建了一种用于土壤有机质含量预测的近红外光谱参数。结果表明,用多元散射校正及Savitzky-Golay平滑方法对原始光谱反射率进行预处理后,其两波段组成的光谱参数与土壤有机质含量的相关性明显优于原始光谱反射率组成的光谱参数,而由上述预处理后反射率的一阶导数构成的的两波段光谱参数介于二者之间。光谱指数构成形式以差值指数最好,其次为比值和归一化指数。与土壤有机质含量相关程度最高的光谱指数,是由近红外合频区1883和2065nm两个波段的反射率经多元散射校正及Savitzky-Golay平滑后构建而成的差值指数DI(CR1883,CR2065),两者呈极显著的直线相关。不同类型土壤的独立观测资料检验结果显示,模型预测的决定系数为0.837, RMSE为4.06。与偏最小二乘法的全谱(1000-2500nm)建模结果相比,尽管DI(CR1883, CR2065)的预测精度略低于后者,但该指数仅使用了2个明确的关键波段,光谱参数的获取具有重演性和普适性,而且所建立的模型也比较简单,因此可作为一种良好的土壤有机质估测光谱参数。分别利用PLS、PLS-BPNN和光谱指数方法研究了不同类型土壤全氮含量的光谱估测。高光谱以500-900、1350-1460nm波段反射率经Norris滤波平滑后的一阶导数为建模区域,而近红外光谱以合频波段4000-5500cm-1(1818-2500nm)经多元散射校正后的反射率为建模区域时,基于PLS和PLS-BPNN的土壤全氮含量定标模型较好。结果显示,PLS和PLS-BPNN的土壤全氮含量建模决定系数分别为0.81、0.98和0.90、0.98。不同类型土壤的独立观测资料检验结果表明,模型预测决定系数分别为0.81和0.93、0.91和0.95,RMSE为0.219和0.149、0.147和0.121,RPD为2.28和3.36、3.40和4.13,说明上述模型对于土壤全氮含量具有较高的预测精度。另外,对土壤全氮含量最敏感光谱指数是由近红外光谱1884和2071nm2个波段构成的差值指数DI(CR1884, CR2071),建模决定系数、预测决定系数、RMSE和RPD分别为0.74、0.79、0.24和2.08。因此,基于上述3种方法建立的模型均可对土壤全氮状况进行有效估测。利用高光谱和NIR光谱两种不同来源的光谱数据,研究了土壤全磷含量与光谱之间的定量关系,建立了基于PLS、PLS-BPNN及特征光谱指数的土壤全磷含量光谱估测模型。3种不同方法建立的模型预测精度具有较大差异,其中以高光谱反射率500-1500nm为建模区域,基于PLS和PLS-BPNN的模型建模决定系数分别为0.70和0.92,预测决定系数和RMSE分别为0.64和0.68、115和113.11,RPD分别为1.58和1.61。而将傅立叶近红外光谱7500-4000cm-1(1330-2500nm)波段反射率经多元散射校正及Norris一阶导数滤波平滑后的光谱做为建模区域,利用PLS和PLS-BPNN方法建立的模型决定系数分别为0.79和0.88,预测决定系数和RMSE分别为0.77和0.84,91.6和78.03,RPD分别为1.98和2.33。最好的土壤全磷高光谱和近红外光谱特征指数分别是由1134和1372、2237和2261构成的差值指数DI(NDR1134,NDR1372)和DI(R2237,R2261),建模决定系数分别为0.61和0.67,预测决定系数和RMSE分别为0.27和0.64、161.07和110.49,RPD分别为1.29和1.65。表明利用近红外光谱建立的PLS-BPNN模型可用来对土壤全磷做较为精确的估测,而其它环境下建立的模型RPD<2,仅可对土壤全磷含量作粗略的估测。运用PLS和BPNN方法分别建立了5种类型土壤碱解氮、速效磷和速效钾含量的光谱估测模型。对于高光谱数据,使用偏最小二乘法建立的碱解氮、速效磷和速效钾校正模型的决定系数R2分别为0.83、0.60和0.53,预测决定系数分别为0.90、0.28和0.53,RMSE分别为15.4、22.4和41.3,RPD分别为3.08、1.17和1.35；使用BP神经网络建立的3者估测模型的决定系数分别为0.97、0.90和0.88,预测决定系数分别为0.90、0.26和0.73,RMSE分别为16.19、23.05和30.53,RPD分别为2.93、1.14和1.83。对于近红外光谱数据,基于偏最小二乘法建立的碱解氮、速效磷和速效钾校正模型的决定系数R2分别为0.83、0.61和0.77,预测决定系数分别为0.85、0.46和0.67,RMSE分别为19、20和32.4,RPD分别为2.50、1.31和1.72；基于BP神经网络建立的3者估测模型的决定系数分别为0.97、0.83和0.94,预测决定系数分别为0.91、0.57和0.80,RMSE分别为14.61、16.31和25.23,RPD分别为3.25、1.61和2.21。结果显示采用神经网络方法所建立的碱解氮、速效磷和速效钾含量预测校正模型优于偏最小二乘模型。用两种光谱数据建立的土壤碱解氮模型精度均较高,说明利用光谱分析方法预测土壤碱解氮含量是可行的。而速效磷和速效钾的标定及检验结果精度均较低,因此,土壤速效磷、速效钾含量的光谱估测模型还需做进一步研究。