选取新疆奇台县的134个土壤样本, 利用土壤反射率对数的一阶导数光谱分别对四种小波函数进行多层离散分解, 采用PLSR方法分别建立了土壤碱解氮含量的反演模型, 并对其精度值进行检验。 结果表明: 小波分解获得的各层低频系数以1～3层较高, 而其余各层则较低。 所有函数分解的6层中, 均以第2层低频系数建模的精度最高, 随着分解层数的增加, 其精度值和显著性明显降低。 相同尺度下, 采用四种小波函数的低频系数构建的反演模型的精度差异较小, 而Bior1.3为最优函数; 基于Bior1.3分解的ca2低频系数建模的R2达0.977, RMSE仅为7.51 mg·kg-1, 且为极显著, 为最佳反演模型, 经检验, 可用以快速、 准确估算土壤高光谱碱解氮含量。

以新疆奇台县为研究区域, 选取该县40个土壤样本, 采用多元线性逐步回归法和人工神经网络法两种方法分别建立了土壤有机质含量的反演模型, 并对模型进行了检验。 结果发现: 不同模型的精度值各异, 其拟合效果从高到低依次为人工神经网络（ANNs）集成模型＞单个人工神经网络（ANNs）模型＞多元逐步回归(MLSR)模型。 人工神经网络的线性和非线性逼近能力较强, 而其集成模型作为提高反演模型精度的重要手段, 相关系数高达0.938, 均方根误差和总均方根误差最小, 分别仅为2.13和1.404, 对土壤有机质含量的预测能力与实测光谱非常接近, 分析结果达到了较实用的预测精度, 为最优拟合模型。

通过实地定点土壤取样和光谱测量, 研究了实测光谱反射率与土壤PH值之间的关系.分别采用反射率Reflectance、一阶导数FDR、倒数之对数log(1／R)和波段深度BD四种光谱指标建立对PH值的多元线性回归预测模型, 并且利用验证样本集对回归模型进行了检验.结果表明: 野外实测反射光谱与PH值呈良好的正相关关系, 建模精度最高, R2可达0.873, 具有快速、高精度估算土壤碱化程度的潜力, 既符合野外实际环境, 也利于今后同遥感影像进行对应分析.光谱倒数之对数( lg(1/R))的建模精度略低于实测反射率建模精度, 因此对实测光谱进行倒数之对数计算对于提高估算精度作用不大.而光谱微分法(FDR) 和波段深度(BD)的模型判定系数分别为0.728和0.648, 预测效果不理想.