土壤有机质(SOM)作为土壤的重要组成部分, 其含量高低能够反映土壤的肥力和质量状况。 相较于传统SOM的测定方法, 利用无人机高光谱影像可快速、 精准获取田块尺度的SOM含量。 为探究基于高光谱数据建立的线性和非线性模型对作物覆盖下土壤有机质估算精度的差异, 以东北黑土区的玉米试验田为研究区, 分别采集了拔节期和吐丝期的土壤样本及同时期无人机高光谱影像作为数据源, 分析作物覆盖条件下土壤光谱反射率与有机质含量的相关关系, 并根据其响应波段构建光谱指数。 以施肥量和光谱指数作为自变量, 通过特征变量的筛选分别建立多元逐步线性回归模型（SMLR）、 支持向量机（SVM）、 随机森林（RF）和eXtreme gradient boosting（XGBoost）模型, 并验证比较各模型的精度（选用R2和RMSE为评价指标）。 结果表明, 作物覆盖条件下土壤有机质含量的响应波段为450~640 nm。 多年长期施用化肥对SOM含量有着显著影响, 将其作为协变量引入模型明显提高了对SOM的估算精度。 4种模型检验精度的对比结果为: XGBoost>RF>SMLR>SVM, 其中以拔节期XGBoost的估算结果最好（建模集和验证集的R2、 RMSE分别为0.516、 0.253和0.590、 0.222）。 可以利用无人机高光谱技术快速估算田块尺度玉米农田的土壤有机质含量, 且XGBoost模型是估算作物覆盖条件下土壤有机质含量的较优选择。

重金属矿山开采活动对生态环境造成了复杂的影响, 而植被的生长状况是矿山周围生态环境变化的重要指示因子。 常规的对植被中重金属元素富集程度的估计方法往往依赖于大量的野外调查数据以及实验室化学分析方法, 需要耗费大量的物力与时间。 而通过光谱分析方法能够非接触地获取植被中的重金属含量信息。 然而, 从高光谱遥感卫星数据中反演植被重金属含量信息仍然是个比较困难的工作。 从众多的卫星数据波段中找到对特定重金属元素敏感的波段是植被重金属含量提取的关键。 该工作探索了一种基于统计分析的方法从国产卫星（HJ-1）高光谱数据中实现特征波段发现与重金属含量提取, 该方法基于野外实测数据集与环境星高光谱遥感图像, 选取叶片铜离子含量作为重金属铜污染程度的指示因子, 利用44组德兴铜矿植被覆盖区的叶片铜离子含量数据与逐步多元线性回归与交叉验证方法, 实现了环境星高光谱反射光谱与叶片铜离子含量的统计建模。 将统计模型应用于德兴铜矿研究区, 生成了德兴铜矿植被覆盖区叶片铜离子含量分布图。 结果表明, 该工作建立的重金属含量估计模型具有明显的统计学意义, 叶片铜离子含量对516 nm附近的冠层反射光谱最为敏感。 矿区铜含量制图结果表明, 德兴铜矿植被覆盖区铜离子含量的分布范围介于0～130 mg·kg-1之间, 铜离子含量在德兴市东南角和铜矿周围的植被覆盖区域含量最高, 均介于80～100 mg·kg-1之间。 制图结果可以为德兴铜矿重金属铜污染的预防与治理提供基础数据支持。

高光谱遥感技术以其光谱分辨率高、 波段连续性强、 数据丰富的特点, 因而在土壤养分研究中得到广泛应用。 通过土壤有机质的高光谱遥感分析, 可以充分了解土壤养分的状况及动态变化, 为指导农业生产及保护农业生态环境提供科学依据。 本文基于江西省余江县和泰和县采集的34个红壤土样350～2 500 nm波段的光谱曲线, 研究了土壤光谱与土壤有机质含量之间的关系。 先对土壤反射率光谱进行两种变换: 一阶微分(R′)、 倒数的对数log(1/R), 然后在提取特征吸收波段的基础上, 运用多元逐步线性回归法和偏最小二乘回归法建立相应的估算模型, 并对模型进行检验。 结果表明, 偏最小二乘回归法优于多元逐步线性回归法, 其建立的高光谱估算模型具有快速估算土壤中有机质含量的潜力。