土壤反射光谱综合反映了土壤的理化性质和内部结构, 高光谱遥感已被用于基于土壤反射光谱特性的土壤分类。 已有研究一般利用土壤反射光谱一阶微分主成分作为输入量进行光谱分类模型构建, 但主成分数据缺乏物理意义, 且缺乏对比性、 适用范围也有限。 与反射率一阶微分数据相比, 基于去包络线提取具有明确物理意义的特征参数, 能够提高土壤分类的精度, 并寻找到一种高精度土壤分类模型。 选取吉林省农安县的四种典型土壤(风砂土、 草甸土、 黑土、 黑钙土), 将采集后的土壤样本进行风干、 研磨、 过2 mm筛处理, 采用ASD FiledSpec3便携式光谱仪对处理后的土壤样本的可见光近红外光谱区进行测试, 从而获得土壤样本的光谱数据。 对光谱数据进行九点平滑、 10 nm重采样处理进行降噪, 将处理后的数据分别进行一阶微分主成分以及去包络线处理。 利用土壤样本的去包络线提取光谱特征参数。 以一阶微分主成分数据和光谱特征参数为输入量分别代入Logistic聚类模型(LR)、 人工神经网络聚类模型(ANN)、 K-均值聚类模型(K-means)。 首先明确了不同土类之间的反射光谱曲线、 去包络线的差异大小, 以及相同土壤的反射率曲线、 去包络线进行土壤分类的优劣, 并且在去包络线的基础上提取能够区分不同土类的光谱特征参数; 其次, 比较一阶微分主成分与光谱特征参数作为输入量时, 三种光谱分类模型精度差异并分析不同模型精度差异的原因。 结果表明: (1)四种土壤的反射光谱曲线差异较小, 去包络线可以极大的增强四种土壤在430～1 210 nm之间的光谱差异, 并在去包络线的基础上构建具有明确物理意义的光谱特征参数。 (2)将一阶微分主成分和光谱特征参数分别代入三种聚类模型可知, 以光谱特征参数为输入量的土壤光谱分类模型均超过了以一阶微分主成分为输入量的模型精度, 由于光谱特征参数保留了原数据的物理意义、 更准确的体现了不同土壤类型之间的差异性, 而一阶微分主成分数据带有一定的模糊性不同范围之间缺乏对比性, 在土壤分类中以光谱特征参数作为输入量更具有优势。 (3)在三类土壤分类模型中, LR的分类精度最高为76.67%, Kappa系数为0.56; ANN的分类精度中等为72.50%, Kappa系数为0.48; K-means的分类精度最低, 只有65.00%, Kappa系数为0.33。 研究成果可为土壤精细制图、 以及土壤分类仪器的研制提供技术支持。

为实现不同种类土壤的快速分类鉴别, 实验研究了基于激光诱导击穿光谱技术的土壤快速分类方法。 由于不同类型的土壤在元素组成上会存在较大差异, 所以利用激光诱导击穿光谱技术进行土壤分类具有可行性。 不同土壤在相同实验条件下产生的等离子体温度会存在较大差异, 可以作为分类的重要依据, 所选择的7类土壤中, 赤红壤的等离子体温度最高。 选取土壤中6种常量元素Si, Fe, Al, Mg, Ca和Ti的光谱强度作为分类指标, 利用主成分分析（principal component analysis, PCA）对7种土类的25个样品进行了分类, 其中砖红壤和赤红壤分类出现了交叠, 而不同高山草甸土样品之间元素差异较大, 并没有实现较好的聚类。 利用反向传播神经网络(back-propagation artificial neural network)结合土壤的LIBS光谱对土壤进行了分类, 分类结果与PCA结果相近, 赤红壤与砖红壤出现了识别错误。 当用PCA分析获得三个主成分值作为BP神经网络的输入量时, 获得了较好的分类结果, 因为简化了输入量, 降低了BP神经网络的误差, 此时只有一个高山草甸土被识别成褐土, 而高山草甸土的等离子体温度显著低于褐土, 所以结合不同土壤类型的等离子体温度差异, 能够实现不同土壤的分类识别。 实验证明激光诱导击穿光谱技术可以应用于土壤分类, 为土壤普查和合理利用提高了一种新的技术。