随着土壤重金属污染问题的日益严峻,快速监测土壤重金属含量的需求日益提高,对用高光谱成像估算土壤重金属锌（Zinc,Zn）含量进行探讨。地理加权回归模型（Geographically weighted regression,GWR）是由普通最小二乘回归模型（Ordinary least squares regression,OLS）扩展而来。与基于全局空间变化的OLS模型回归参数不同,GWR模型可以通过估计研究区任意数量位置的一组参数,从而探测数据关系中的空间异质性。为了找出土壤Zn含量和高光谱数据之间的可能关系以及研究数据关系间的空间异质性,利用福建省平潭岛的67个土壤样本进行土壤Zn含量估算的实验室高光谱建模。为了增强土壤Zn含量的光谱特征以及增加建模的有效变量,应用平方根、对数、对数倒数、倒数四种变换对土壤的原始光谱反射率进行处理,并采用分数阶微分算法分别作11种分数阶微分运算。为了筛选出敏感波段以及降低光谱数据的多重共线性,首先采用局部区域最大值法,找出土壤光谱与Zn含量之间的相关系数绝对值最大的波段;进而利用方差膨胀因子（Variance Inflation Factors,VIFs）进行分析,最终筛选出304个候选变量。研究发现,46个建模样本数不足以构建出预测效能较好的OLS和GWR模型,因此利用使用67个样本选择解释变量的四种方法,比较了:类逐步回归法（I₁）,类逐步回归法（I₂）,OLS逐步回归法和GWR逐步回归法的效果。采用随机抽样方法,重复选取57个建模样本与10个验证样本,以评估模型的验证效能,并用验证样本的R²（R_v²）的平均值作为评价指标,找出最佳解释变量与核带宽。结果表明:GWR逐步回归可选出更有效的建模变量,当GWR的核带宽增加时,GWR的平均R_v²会逐渐收敛于OLS的平均R_v²。因此,选用GWR逐步回归法获得的四个变量构建OLS和GWR代表性模型。OLS代表性模型在所有研究模型中具有最佳平均验证效果,相对于使用OLS逐步回归法构建的OLS模型,其平均R_v²增强了44.6%。