土壤有机碳含量是土壤肥力与土壤质量的主要决定因素, 与土壤生产力密切相关。 采用高光谱模型估算土壤有机碳含量成为了解土壤肥力的重要方法。 利用高光谱分析技术结合机器算法实现快速、 高精度的估算土壤有机碳含量, 对土壤肥力的可持续利用至关重要。 根据实测的土壤有机碳含量及其高光谱反射率数据, 运用Savitzky Golay方法对光谱波段进行平滑去噪, 采用连续投影算法（SPA）、 遗传算法（GA）对原始光谱及其5种不同数学变换光谱分别进行特征波段的筛选, 并基于随机森林（RF）方法构建土壤有机碳含量的高光谱估算模型。 为进一步降低模型的复杂度, 将SPA算法与GA算法相结合, 寻找最佳特征参数, 以提升土壤有机碳含量特征波段的识别率和可信度。 结果表明: （1）在原始光谱中, 基于GA算法筛选SOC含量的高光谱响应波段主要集中在350~410、 827~928、 997~1 064、 1 201~1 234、 1 541~1 574、 1 667~1 710、 2 153~2 186和2 357~2 707 nm; 当RMSE为6.09时, SPA算法筛选了11个特征变量。 （2）基于GA算法筛选特征波段时, 原始光谱R、 标准正态变量（SNV）、 多元散射校正（MSC）、 一阶微分（FD）、 对数的倒数（RL）与连续统去除（CR）的维数分别降低到407、 697、 668、 667、 493、 784维, 占全光谱波段的18.93%~36.47%; 基于GA-SPA算法筛选后, 6种光谱变量的维度介于8~17维, RMSE介于4.53~6.30。 （3）在一阶微分光谱形式下, 基于GA-SPA算法挑选的12个特征变量所构建的RF模型预测效果最好, 模型的建模集R2c为0.78, RMSEc为5.48, 验证集R2p为0.82, RMSEp为4.50, RPD为2.18。 研究表明, 光谱一阶微分可以增强土壤的光谱信息, GA算法结合SPA算法寻找光谱特征变量, 既简化了估算模型的复杂度, 又提高了估算模型的精度, 基于遗传算法—连续投影算法的高光谱模型具有较高的估算能力。

探索了利用高光谱技术估算长绒棉叶片叶绿素含量的可行性，并野外测定了长绒棉的光谱数据和叶绿素含量，对光谱数据进行求一阶微分和包络线去除处理，然后构建了4种常见的植被指数与3种优化光谱指数。根据相关性分析，利用支持向量机（SVM）回归模型估算长绒棉叶片叶绿素含量。结果表明，在530~560 nm、700~750 nm波段范围内，叶绿素含量与光谱反射率呈负相关，一阶微分光谱相关性通过0.01显著性水平检验波段数最多；基于一阶微分建立SVM估算长绒棉叶绿素含量模型，决定系数达到了0.72，均方根误差和相对误差分别为1.99、0.72，其预测精度高于植被指数和优化光谱指数构建的SVM模型。该研究结果可为快速检测长绒棉叶绿素含量提供参考。

为了探索分数阶微分在高光谱估算小麦叶片含水量上的可行性,在农田尺度上,利用春小麦野外光谱数据与实测叶片含水量数据,以0.2阶为步长,计算光谱0~2阶微分,并分析其与小麦叶片含水量的相关性,再利用连续投影算法(SPA)从通过0.01水平显著性检验的波段中筛选出估算叶片含水量的最佳波段组合,并建立估算春小麦叶片含水量的反射传播(BP)神经网络模型。结果表明:分数阶微分可以细化小麦叶片含水量与光谱数据相关性的变化趋势;分数阶微分处理后,相关系数通过0.01水平显著性检验的波段数量呈现先增后减的趋势,在不同的波段范围内,分数阶微分的最佳阶数也有所不同;SPA筛选出的敏感波段基本上集中在红光、近红外波段范围内,1.2阶微分后水分敏感波段数最多,达到13个;所建立的模型中,基于1.8阶微分建立的6-4-1结构的BP神经网络模型为最佳模型,其建模组均方根误差为0.701,决定系数为0.751,验证组的均方根误差为0.227,决定系数为0.917,相对分析误差为3.253,说明了分数阶微分后的模型稳定性和预测能力较整数阶微分得到明显的提升,可为高光谱定量反演春小麦叶片含水量提供参考。

利用高光谱植被指数反演植被水分含量时, 快速、 准确的找到实测光谱数据与植被水分相关性最高的植被指数是研究的重点。 在农田尺度上, 以春小麦野外光谱数据与叶片含水量的定量关系为基础, 通过灰色关联度分析, 筛选出与叶片含水量灰色关联度较高的5种典型的水分植被指数, 并建立了估算春小麦叶片含水量(LWC)的偏最小二乘回归(PLSR)模型和BP神经网络(back propagation artificial neural networks, BP ANN)模型。 结果表明: (1)光谱一阶导数可以有效去除噪声影响并突出光谱特征信息, 尤其是在750～830, 1 000～1 060和2 056～2 155 nm等区间明显提高了与LWC的相关性。 (2)灰色关联法能够较好的表征各水分植被指数与叶片含水量间的关联性, 其中基于原始光谱建立的前5个水分植被指数都是两波段比值植被指数, 基于光谱一阶导数建立的水分植被指数基本上都是两波段归一化差值植被指数。 (3)所建立的两种模型中, 基于光谱一阶导数建立的PLSR和BP神经网络模型R2分别为0.80和0.81, 稳定性基本相同且都较好; 两种模型RMSE都是0.55, RPD分别为2.01和1.41, 说明PLSR模型的预测精度比BP神经网络模型高。 从模型的验证效果来看, PLSR模型在估算春小麦叶片含水量方面有一定的优势, 为高光谱定量反演春小麦叶片含水量提供一定的参考。