土壤速效养分主要包括速效氮、速效磷和速效钾(N、P和K),这三种土壤属性是作物赖以生存的基础,其精确测量或估算对测土配方施肥、作物优质高产稳产以及资源节约利用等均具有重要意义。土壤速效养分的测定通常采用实验室理化测试法,由于其耗时、费力、低效等缺陷,已不适应现代精准农业的发展要求。光谱分析技术具有快速、无损、高效等特点,在土壤属性检测中有很大的应用潜力。近年来,国内外专家学者在土壤属性光谱检测领域开展了不少研究工作,尤其是有机质、水分等属性已取得了较好的检测效果。而土壤速效养分由于含量极低,光谱特征不明显,且野外条件下光谱易受光照、水分、大气吸收和土壤表面属性等环境因素的干扰,导致其检测模型预测精度较差,迄今尚不能实现野外条件下的土壤速效养光谱定量检测。本研究针对土壤速效养分光谱检测模型预测精度较低的问题,以皖北麦玉轮作区的砂姜黑土和以色列内盖夫沙漠径流收集系统的黄绵土为研究对象,分别使用室内400-1000 nm可见近红外(VNIR)成像高光谱和野外400-2500 nm可见近红及短波近红外(VNIR/SWIR)地物高光谱对土壤速效养分进行定量建模分析,通过改进预处理变换、优化建模算法、去除无关信息等方法,提高了土壤速效养分高光谱检测模型的精度。主要研究工作和成果总结如下:(1)比较了不同校正方法对土壤速效养分VNIR成像高光谱预测模型的影响。构建了室内成像高光谱采集系统,分析了砂姜黑土400-1000 nm VNIR的反射率高光谱曲线特征;使用预处理变换光谱和原始光谱(共22种光谱)分别结合3种算法进行校正建模。结果表明,光谱经滤波后再进行相应的导数变换、散射校正等处理,可以有效提高模型的预测性能,尤其是结合线性PLS-R建模算法。而非线性的LS-SVM和BPNN与部分未经滤波的预处理变换光谱结合进行建模,也表现出了良好的效果。SNV/BPNN(相对分析误差RPD=2.09,解释总方差占总方差之比SSR/SST=0.85)被选用于P的校正预测,SG+LG/PLS-R(RPD=1.47,SSR/SST=0.95)被选用于K的校正预测,但N的预测是不成功的。(2)提出了基于PLS-BPNN的土壤速效磷高光谱预测方法。采用PLS对VNIR成像高光谱数据进行数据降维和特征提取,根据交叉验证和变量投影重要性分别得到潜在变量和特征波长;再分别作为BP神经网络的输入,以优化土壤速效磷的SNV/BPNN定量回归模型。通过与全部波长数据建立的BPNN模型进行对比分析,发现PLS-BPNN算法能够有效减小高光谱数据冗余和共线性对模型性能的影响,利用PLS的潜在变量代替原始波长建立的模型更适合用于土壤速效磷的定量预测,相对于全部波长建模,预测精度提高了9.60%。(3)提出了基于多任务学习的土壤速效养分野外光谱预测方法。在野外条件下,采集土壤在350-2500 nm的VNIR/SWIR原位反射率高光谱,引入野外原位土壤中的水分含量(WC)、酸碱度(pH)、电导率(EC)和有机质(OM)含量等重要土壤属性作为参考响应变量,基于正则化混乱模型的线性多任务学习(LMTL)算法,利用不同属性之间的共享特征和非共享特征同步建立了7种土壤属性的预测模型;并与常用的单任务回归算法(PLS-R)建立的模型进行预测性能上的对比。结果发现,7种土壤属性多任务模型的预测能力均优于传统的PLS-R单任务模型,其中,N和P的预测RPD分别为1.40和1.49,SSR/SST分别为0.58和0.64,K的RPD为1.22,SSR/SST为0.52。(4)分析了土壤野外原位VNIR/SWIR光谱的特征,明确了速效养分VNIR/SWIR光谱预测机理。综合各个波段在PLS-R模型中的变量投影重要性(VIP)得分和在LMTL模型中的回归系数,研究了速效养分N、P和K以及其他4种属性之间的特征波长分布规律,对比分析了各属性预测模型之间的共享特征和非共享特征,探明了N、P和K的VNIR/SWIR光谱预测机理。发现N、P和K在VNIR/SWIR光谱中没有直接的相关特征,而土壤中的铁氧化物、水分含量、有机物和黏土矿物对土壤光谱有较大影响,在VNIR/SWIR中形成了4个特征块区域,构成了不同土壤属性预测即不同任务之间共享特征的基础;LMTL模型能够借助这种共享特征来提高模型的泛化能力。(5)构建了基于GLSW和Lasso的双收缩光谱分析算法。利用Y-梯度广义最小二乘加权算法(GLSW)建立野外原位光谱的滤波修正模型;使用滤波修正模型对光谱进行收缩滤波,去除数据中与响应变量(即N、P或K)无关的信息;再使用Lasso对滤波校正后的光谱进行回归建模,实现对回归系数的收缩。同时,使用GLSW滤波修正后的和未修正的光谱分别结合PLS-R和Lasso建立预测模型,比较分析各模型的预测性能。结果发现,N、P和K的双收缩模型仅利用了34个、29个和19个特征波长,预测RPD分别为1.42、1.65和1.33,预测精度优于单收缩模型GLSW+PLS-R、Lasso,以及未收缩的PLS-R模型,甚至优于LMTL模型。因此,双收缩分析法能够有效去除光谱数据中的噪声等无关信息以及光谱冗余信息对模型预测精度的影响。论文研究成果明确了土壤速效养分高光谱预测机理,为土壤速效养分高光谱快速无损检测模型精度的提高提供了新的思路,为土壤速效养分快速检测与管理以及现代精准农业技术的发展提供了重要的理论依据和实践基础。