冬小麦叶片SPAD值高光谱估测的预处理方法

为选择合适的光谱预处理方法,提高叶片SPAD值的预测精度,本研究分析冬小麦不同叶位叶片SPAD值与光谱的响应关系,对原始光谱数据进行归一化处理(NC)、多元散射校正(MSC)和基线校正(BC)及组合处理,并结合连续投影算法(SPA)和逐步多元线性回归(SMLR)构建SPAD值光谱估测模型。结果表明:增加施氮量能提高冬小麦不同叶位叶片的SPAD值,生育前期顶二叶在近红外光谱区域反射率最大,生育后期则为顶一叶最大;单一光谱预处理中基于NC处理的光谱预测模型最好(R2=0.770、RMSE=1.483),MSC处理降低了模型预测效果,组合预处理中,以BC+NC建模效果最好,R2和RMSE分别为0.755和1.540;部分预处理在一定程度上可以消减噪音,但不当的预处理方法会降低模型的预测能力;预处理方法并不是越多越好,顺序不同预测模型精度不同。     

基于高光谱和Landsat-8 OLI影像的盐渍化土壤水盐估算模型构建

水盐信息的迅速获取是盐碱地改良利用的重要基础数据。以宁夏银北平罗县盐渍化土壤为研究对象,基于实测土壤水分、盐分含量和高光谱数据反射率及其同期Landsat-8 OLI多光谱影像数据,利用重采样技术进行实测高光谱数据与OLI影像波段匹配,采用11个线性和非线性函数筛选出敏感波段和11个盐分指数,基于多元线性回归(MLR)、偏最小二乘回归(PLSR)和支持向量机(SVM)分别构建土壤含水率(SMC)和含盐量(SSC)的估算模型。结果表明:重采样处理后的实测高光谱波段反射率与OLI影像波段反射率具有极显著相关性,基于线性和非线性函数筛选出的重采样敏感波段及影像盐分指数为自变量构建MLR、PLSR和SVM的SSC估算模型决定系数R2分别为0.626、0.510和0.829,SMC估算模型R~2分别为0.455、0.204和0.731,土壤盐分和水分的SVM估算模型的稳定性和预测能力均优于MLR和PLSR模型,适用于研究区SSC和SMC估算。结果可以为研究区及同类地区不同时期土壤水盐信息估算提供科学依据。     

不同光谱类型对银川平原土壤含盐量反演精度的影响与校正

土壤盐渍化是导致土壤质量下降、耕地减产的重要因素之一。为准确快速评价银川平原土壤含盐量,本研究对野外高光谱数据和室内高光谱数据进行一阶微分(FDR)变换,逐步回归(SR)筛选特征波段,利用偏最小二乘回归(PLSR)与支持向量机(SVM)进行建模,明确适用于本地区土壤含盐量准确反演的光谱类型,并对较差光谱类型进行分段校正与全局校正,尝试提高土壤含盐量反演精度。结果表明: 基于野外光谱的土壤含盐量反演模型精度比室内光谱平均高58.9%;对室内光谱进行分段校正、全局校正后反演精度均有提高,其中,PLSR以分段校正精度更高,建模决定系数(R_c²)、验证决定系数(R_p²)和相对分析误差(RPD)分别为0.790、0.633和1.64,而SVM以全局校正精度更高,R_c²、R_p²和RPD分别为0.927、0.947和3.87;SVM模型的反演精度高于PLSR,其中,野外光谱建模效果最佳,室内全局校正光谱与室内分段校正光谱次之,室内光谱最差。因此,野外高光谱可实现对银川平原土壤表层含盐量的定量反演,经校正的室内光谱对土壤含盐量反演精度显著提升,均可为粮食安全与生态环境高质量发展提供保障。     

基于多元统计方法的冬小麦叶面积指数光谱估测

叶面积指数(LAI)是评价作物生长状况的指标之一,利用光谱技术实现冬小麦LAI的快速、准确监测具有重要的意义。本文以连续两年的氮素运筹试验为基础,通过测定各生育时期的冠层光谱和LAI,并利用多元统计分析方法(偏最小二乘法,PLS;逐步多元线性回归,SMLR)提取氮素运筹条件下LAI特征波段和构建LAI估测模型。结果表明,光谱波段765、775、1060 nm进入到LAI的预测模型中,结合PLS中VIP参数和B-系数证实,以上波段与冬小麦LAI具有重要的关系;基于PLS-SMLR方法构建的预测模型R~2=0.699,RMSE=1.447,RE=0.275,经验证模型仍然具有较好的表现(R~2=0.689,RMSE=1.323,RE=0.285)。表明利用PLS-SMLR提取特征波段、建模的方法是可行的,可为作物LAI的快速诊断监测提供一定的理论依据。     

基于最佳波段判别的湿地植物叶片全氮反演研究

利用高光谱遥感技术定量估测湿地植被叶片全氮含量,对于监测和诊断湿地植被的生理状况及生长趋势具有重要意义。但叶片氮素遥感诊断研究多存在反演模型过拟合、入选波段与生化参量间因果关系不明确和入选变量间"多重共线性"等局限。以芦苇(Phragmites australis)和香蒲(Typha angustifolia)叶片全氮含量作为研究对象,通过谱带分区,分区最佳波段选取和偏最小二乘回归相结合的方法构建芦苇和香蒲叶片全氮含量反演模型,并利用交叉验证决定系数(R2cv)和均方根误差(RMSEcv)对模型精度进行检验,尝试克服传统反演方法中的不足。结果表明,不同湿地植物类型相比,利用芦苇反射光谱建立的预测模型精度都高于香蒲。不同回归模型相比,一阶导数光谱-偏最小二乘回归模型(FDS-PLSR)精度远高于原始光谱-偏最小二乘回归模型(OS-PLSR)。芦苇最佳模型交叉验证决定系数(R2cv)达到了0.84,方根误差(RMSEcv)为0.10,香蒲最佳模型交叉验证的决定系数(R2cv)达到了0.66,方根误差(RMSEcv)为0.13,是构建湿地植物芦苇和香蒲光谱与叶片全氮含量关系的最佳模型。在不降低湿地植物叶片氮含量反演精度的基础上,有效地避免了传统地物高光谱模型反演中的局限性,是无损害遥感探测方面的有益尝试。     

近红外光谱技术快速检测原料乳中掺杂物

采用近红外光谱技术结合化学计量学方法,对原料乳中常见的2种掺杂物——大豆分离蛋白与植脂末进行定量分析研究。先通过不同光谱预处理方法结合偏最小二乘法（PLS）建模评价不同预处理方法的效果,结果表明通过平滑处理结合多元散射校正（MSC）进行光谱预处理效果最佳,大豆分离蛋白PLS定量模型相关系数（R2）与交叉验证均方差（RMSECV）分别为0.980 9、0.127 5,植脂末PLS模型分别为0.972 2、0.130 8。随后比较了不同建模方法的效果,结果发现：采用径向基神经网络（RBF）对大豆分离蛋白的建模效果最佳,R2为0.999 4,测试集均方根误差为0.003 1;采用广义回归神经网络（GRNN）方法对植脂末建模效果最佳,R2为0.998 9,测试集均方根误差为0.004 5。因此,合理结合近红外光谱技术与化学计量学方法可快速、准确检测原料乳中大豆分离蛋白和植脂末这2种掺杂物含量。     

芦苇粉大尾蚜虫害下芦苇叶绿素高光谱反演估算

叶绿素含量是表征芦苇虫害胁迫状态的一个重要指示因子。选取遭受芦苇粉大尾蚜(Hyalopterus pruni)虫害的芦苇(Phragmites australis)作为研究对象,用便携式地物光谱仪ASD FieldSpec 4测定其叶片反射率光谱,同时用SPAD-502 Plus叶绿素测量仪测定其叶绿素相对含量(SPAD),分析健康和虫害芦苇叶片高光谱反射率与叶绿素含量间的相关关系,采用一元线性回归和偏最小二乘法回归方法,建立芦苇叶绿素含量红边位置和全波段高光谱反演估算模型。结果表明:健康芦苇叶片反射率高于虫害叶片,两种叶片叶绿素含量与高光谱的相关性存在显著差异,尤其在绿光波段和近红外波段部分区域(1400~2500nm)表现明显;全波段高光谱估算模型具有较高的准确性,健康叶片回归模型的决定系数(R2)为0.965,均方根误差(RMSE)为0.813,预测偏差比率(RPD)为3.940;虫害叶片回归模型的R2为0.966,RMSE为0.989,RPD为3.855;异地验证结果进一步表明,通过高光谱数据全波段反演能较好地估算芦苇粉大尾蚜虫害下芦苇叶绿素相对含量,这也预示着利用高光谱全波段数据估算虫害植被叶绿素相对含量是可行的。     

基于小波分析的大豆叶面积高光谱反演

实测了不同水肥耦合、经营制度及有效营养面积条件下的大豆(Glycinemax)冠层高光谱反射率与叶面积指数(LAI),并对光谱反射率、微分光谱与LAI的关系进行了分析;采用比值植被指数(RVI)与归一化植被指数(NDVI)建立了大豆LAI反演模型;采用小波分析对采集的光谱反射率数据进行了能量系数提取,并以小波能量系数作为自变量进行了单变量与多变量回归分析,对大豆LAI进行估算。结果表明:大豆LAI与光谱反射率在可见光波段呈负相关;在近红外波段呈正相关;微分光谱在红边处与大豆LAI密切相关(R2=0.92);RVI与NDVI可以提高大豆LAI的估算精度(R2分别达0.79、0.84);各植被指数各有优缺点,应根据需要进行选择;小波能量系数回归模型可以进一步提高大豆叶面积的估算水平,以一个特定小波能量系数作为自变量的回归模型,大豆LAI回归确定系数R2高达0.884;以4个和6个小波能量系数建立LAI回归分析模型(R2分别达0.92、0.93),2个模型LAI预测值与大豆LAI实测值线性回归确定性系数R2分别为0.90、0.92。比较可知,小波分析可以对高光谱进行特征变量提取,进而反演大豆生理参数,并且反演的LAI精度较光谱反射率、微分光谱及植被指数都有明显提高,小波分析在植被生理参数的高光谱提取方面有着广阔的应用前景。     

基于NIRS法快速检测荞麦蛋白质与淀粉含量的研究

为建立近红外光谱技术测定荞麦蛋白质与淀粉含量的方法,本研究以217份荞麦样品为试验材料,采用最小二乘回归预测和交叉验证构建近红外预测模型。分析表明:前处理采用多元散射校正法(MSC),维数(Rank)分别为5和5,光谱区间6803.9~6094.2/cm所建立的荞麦蛋白质与淀粉含量模型的预测效果较好,其决定系数(R~2)分别为0.9481和0.9167,交叉验证均方根(RMSECV)分别为0.68和2.08,相对分析误差(RPD)分别为4.39和3.46,均大于3.0,外部验证相关系数均大于0.96。本试验所建立的蛋白质与淀粉含量近红外预测模型具有较高的准确度和稳健性,可用于荞麦品质的快速测定。     

华南地区亚热带树木叶面积指数的高光谱反演研究

为构建树种叶面积指数的估算模型,以NDVI、RVI、FREP、CIGreen、CIRed-edge、MSAVI2为高光谱特征变量,通过统计分析,确定反演树种叶面积指数的最佳光谱特征变量,构建华南农业大学校园内50种亚热带树木的叶片反射率和叶面积指数(LAI)模型。结果表明,6种高光谱特征变量与树种叶面积指数间都具有极显著相关性,其中红边位置反射率(FREP)和比值植被指数(RVI)与LAI的拟合方程的R2都大于0.8,决定系数分别为0.820和0.811。经过精度验证,FREP估算的均方根误差(RMSE)只有0.13,该回归模型为估测亚热带典型树种的叶片LAI最佳模型。从高光谱遥感的角度结合亚热带植被的群落结构特点来看,建立的红边位置光谱反射率与叶面积指数的回归模型普遍具有较高的拟合度,所以利用高光谱特征变量反演亚热带树木叶片的叶面积指数等植被参数的应用前景较好。     

基于高光谱和数字图像特征指数的受渍冬小麦SPAD估算

为了探索基于高光谱和数字图像技术的受渍冬小麦SPAD最优监测方法,本研究基于排灌可控的微区试验,通过分析常用的15个高光谱特征指数和14个数字图像特征指数与受渍冬小麦叶绿素相对含量(SPAD)的相关关系,构建了基于最优监测特征指数的BP神经网络模型,对受渍冬小麦的SPAD进行估算。结果表明: 与正常小麦相比,短期渍水(≤7 d)对冬小麦的SPAD值和高光谱反射率影响不明显,当渍水时间大于12 d时,SPAD值随着渍水时间的增加急剧降低,在生长后期接近于0;基于数字图像特征指数(绿红差值植被指数、超红指数、红光标准化值和超绿指数)的冬小麦SPAD估算结果,与基于相对应的高光谱波段的估算结果基本一致,估算模型实测值与预测值的R²最高达到0.86,均方根误差(RMSE)为3.98;与基于数字图像特征指数相比,基于类胡萝卜素反射指数、黄边幅值、归一化植被指数和结构不敏感指数4个高光谱特征指数的冬小麦SPAD估算模型的实测值与预测值的R²最高达到0.97,RMSE低至1.95。可见,基于高光谱和数字图像技术均可以进行受渍冬小麦SPAD估算,且基于高光谱特征指数的BP神经网络模型的估算结果较好。     

南丰蜜桔可溶性固形物近红外检测的多元线性回归变量筛选

文章采用反向区间偏最小二乘法结合连续投影算法,筛选南丰蜜桔近红外检测的多元线性回归变量。对南丰蜜桔近红外光谱进行多元散射校正后,利用反向间隔偏最小二乘法,从500～1750 nm中初选出7个光谱区间,用于多元线性回归变量筛选。利用通过遗传算法和连续投影算法筛选出的变量建立了多元线性回归模型。经比较发现,利用反向区间偏最小二乘法结合连续投影算法筛选出的变量建立的多元线性回归模型,预测结果最优,模型预测相关系数为0.937,模型预测均方根误差为0.613 oBrix。结果表明,反向区间偏最小二乘法结合连续投影算法,可以有效地筛选近红外光谱的多元线性回归变量,提高南丰蜜桔可溶性固形物模型的预测精度。     

基于可见光波段包络线去除的湿地植物叶片叶绿素估算

研究采用芦苇和香蒲叶片光谱及实测叶绿素含量数据,选取波段谱带范围为可见光波段400—760nm(为了避免近红外波段受叶片水分含量的影响,降低构建模型的稳定性),利用相关分析与逐步回归分析的统计学分析方法,建立叶面尺度下不同包络线去除衍生转换光谱:BD(band depth)、CRDR(continuum-removed derivative reflectance)、BDR(band depth ratio)、NBDI(normalized band depth index)与叶绿素含量估算模型。通过对入选波段的统计表明在550—750nm,特别是700—750nm(红边)波段范围内产生了较多的有效波段,是今后进行生物参量反演的重点波段范围。舍一交叉验证结果表明芦苇、香蒲和混合样本绿素含量估测的最佳模型分别为BD、CRDR和NBDI模型,其交叉验证决定系数依次为0.87、0.83和0.81,交叉验证均方根误差RMSE依次为0.16、0.15和0.33。并在此基础上利用独立样本非参数检验和多因子方差分析,探讨相关因素对于叶绿素含量估算模型精度的影响。结果表明物种差异、数据类型差异对于叶绿素回归模型的影响较大,而光谱类型差异及光谱数据与数据类型交互作用对于回归模型精度的影响较小。     

一种估测土壤有机质含量的近红外光谱参数

通过系统分析我国中、东部地区5种不同类型土壤风干样本的有机质含量与近红外(1000～2500 nm)光谱反射率和一阶导数两波段构成的比值、差值及归一化指数之间的关系,构建了适合土壤有机质含量估测的光谱参数及定量反演模型.结果表明：用多元散射校正及Savitzky-Golay平滑方法对原始光谱反射率进行预处理后,其两波段组成的光谱参数与土壤有机质含量的相关性明显优于原始光谱反射率组成的光谱参数,而由上述预处理后的反射率一阶导数的两波段构成的光谱参数介于二者之间;不同类型光谱参数构成形式中,以差值指数的预测性最好,其次为比值和归一化指数;与土壤有机质含量相关程度最高的光谱参数,是以近红外合频区1883和2065 nm 2个波段的反射率经多元散射校正和Savitzky-Golay平滑后构建而成的差值指数DI(CR₁₈₈₃, CR₂₀₆₅),两者呈极显著的直线相关.经不同类型土壤的观测资料检验,模型的决定系数为0.837,均方根误差为4.06;与偏最小二乘法的全谱建模结果相比,尽管DI(CR₁₈₈₃, CR₂₀₆₅)的预测精度略低于后者,但该指数只使用了2个波段的反射率,且所建模型比较简单,能为便携式监测仪的研制提供更有效的信息,可作为一种良好的土壤有机质估测光谱参数.     

利用高光谱遥感预测小麦籽粒蛋白质产量

2003-2006年连续3年采用不同小麦品种在不同施氮水平下进行大田试验,于小麦不同生育期采集田间冠层高光谱数据并测定植株氮素含量.根据特征光谱参数-叶片氮素营养-籽粒蛋白质产量这一技术路径,以叶片氮素营养为连接点将模型链接,建立基于开花期高光谱参数的小麦籽粒蛋白质产量预报模型.结果表明:开花期叶片氮含量、氮积累量以及花后叶片氮转运量均能够较好地反映成熟期籽粒蛋白质产量状况;对叶片氮含量和氮积累量的光谱反演,在不同品种、氮素水平和年度间可以使用统一的光谱参数,其中利用红边位置(REPle)和修正型ND705(mND705)可以较好表达叶片氮含量的动态变化,以红蓝边面积比(SDr/SDb)和742nm处一阶微分(FD742)为变量建立叶片氮积累量监测模型效果较好;经独立试验数据的检验表明,以参数REPle、SDr/SDb和FD742为变量建立成熟期籽粒蛋白质产量预报模型均给出理想的检验结果,模型测试精度R2分别为0.854、0.803和0.795,相对误差RE分别为16.4%、18.2%和14.9%;利用开花期关键特征光谱指数可以有效地评价小麦成熟期籽粒蛋白质产量状况.     

奇异数据筛选法在玉米籽粒蛋白质近红外光谱检测中的应用

相对于传统生化测定方法,基于近红外光谱(Near infrared spectroscopy,NIRS)玉米籽粒蛋白质含量检测是一种快速、非破坏、且适用于多组分同时检测的新方法。但在建模过程中,由于奇异数据(异常值)的存在会影响近红外光谱模型的预测精度和稳定性,我们采用奇异数据筛选法剔除了玉米籽粒近红外光谱中的奇异数据并建立了玉米籽粒蛋白质含量的偏最小二乘支持向量机(Least squares support vector machine,LS-SVM)模型。本文分别采用杠杆值法(Leverage)、半数重采样法(Resampling by Half-Mean,RHM)和蒙特卡洛采样法(Monte-Carlo Sampling,MCS)剔除了玉米籽粒蛋白质光谱数据中的奇异数据并对模型结果进行比较。在剔除奇异数据的基础上,采用偏最小二乘回归法(Partial least squares regression,PLSR)提取主成分,并基于小生境蚁群算法(Niche ant colony algorithm,NACA)优化偏最小二乘支持向量机(LS-SVM)模型参数(γ和σ2),建立基于LS-SVM的玉米籽粒蛋白质定量分析模型。结果表明,采用3种奇异数据筛选法剔除奇异数据后所建LS-SVM模型的预测结果都优于采用原光谱数据所建模型,相比较而言,蒙特卡洛采样法为基于近红外光谱检测玉米籽粒蛋白质的最佳奇异数据筛选法。     

籼稻品质分析的近红外光谱模型建立及其应用研究

为了满足籼稻品质快速分析的需求,本研究利用籼稻精米粉近红外光谱建立了直链淀粉含量、蛋白质含量、碱消值、垩白度的回归预测模型.结果表明,本研究提供的预测模型具有良好的测定效果,用偏最小二乘法(PLS)获得的籼稻精米粉直链淀粉含量、蛋白质含量、碱消值、垩白度的回归模型和交叉验证显示最优校正决定系数(R~2)和交叉检验均方误差(RMSECV)分别为0.9561、1.55,0.9510、0.258,0.9076、0.283,0.9014、4.14.说明所建的近红外光谱预测模型具有实用价值.     

基于Hyperion影像植被光谱的土壤重金属含量空间分布反演——以青海省玉树县为例

本研究主要探讨了利用Hyperion影像植被光谱估算土壤重金属含量的可行性.以野外采集的三江源区玉树县48个表层土壤样品As、Pb、Zn、Cd实验室测定含量值,以及从两景Hyperion影像提取的48个土壤样本点相应的176个植被光谱反射率波段及构建的5种植被指数为数据源,利用偏最小二乘回归方法(PLSR)建立土壤各重金属含量与上述两套Hyperion影像上提取的变量之间的估算模型.模型分别为176个植被光谱反射率波段与土壤各重金属含量间的估算模型(植被光谱反射率模型),和以5种植被指数作为自变量,与土壤各重金属含量建立的估算模型(综合植被指数模型).运用验证样本的4种重金属元素实测含量值的标准差与均方根误差的比值(RPD)作为检验标准,As、Pb两种模型RPD均小于1.4,不具备粗略估算能力;Zn、Cd两种模型RPD分别为1.53、1.46与1.46、1.42,均具备粗略估算能力.根据上述结果将Zn的光谱反射率估算模型与Hyperion影像相结合反演得到土壤重金属Zn含量的空间分布,Zn含量在214国道、308省道和乡镇附近偏高,主要受到较强的人类活动影响.表明运用Hyperion高光谱影像植被光谱反射率可以间接估算土壤Zn、Cd元素含量.     

杂交稻增密减肥处理的SPAD值光谱估算模型

响应"一控两减三基本"的要求,在不减产的前提下减少化肥用量,研究全程机械化大苗机插条件下不同增密减肥处理的水稻叶绿素相对含量(SPAD值)光谱估算模型。分析水稻叶片SPAD值与冠层一阶微分光谱的相关性,建立基于敏感波长及一阶微分光谱参数的SPAD值估算模型,用决定系数(R2)、均方根误差(RMSE)、相对误差(RE)对模型精度进行评价。结果表明:6个处理在634～652 nm、655～668 nm、497～552 nm及687～711 nm波段内达极显著相关,相关系数均达到0.700以上;以敏感波长为自变量估算SPAD值的模型中,低密度减肥的多项式模型估测效果最佳,其建模集R2、RMSE和RE分别为0.766、1.185和2.152%,验证集R2、RMSE和RE分别为0.729、0.364和0.752%;以光谱参数为自变量的估算模型中,中等密度减肥模型的估测效果最好,其建模集R2、RMSE和RE分别为0.703、1.314和2.359%,验证集R2、RMSE和RE分别为0.763、0.620和1.198%。研究发现:在同密度条件下,减肥会导致SPAD值降低,长势偏弱;移栽密度越大,光谱反射率相对越高;移栽密度对水稻冠层光谱反射率的影响大于施肥水平。各处理均表现为差值光谱指数(DSI)的模型效果最优,说明敏感波长及光谱参数的选择对模型的构建至关重要。     

一种青海湖流域消除植被光谱对土壤光谱影响的土壤有机质含量遥感估算方法

基于遥感技术手段快速测定区域尺度土壤有机质含量(SOM), 对气候、陆地生态系统和农业等领域具有重要的作用和意义。但现有的多光谱遥感影像因其波段宽度较窄, 包含的土壤有机质信息有限, 导致其估算结果的可靠性与精度较低。为此, 以青海湖流域为实证试验区, 将2016 年9 月底(此时, 青海湖流域牧草等植被停止生长, 土壤有机质积累达到全年最高)地面采集并测定的土壤有机质含量数据与同时期MODIS 黑空BRDF/Albedo 产品的宽、窄波段进行了对比与检验。发现: BRDF/Albedo 宽波段的相关性(近红外、短波波段相关系数分别为0.704 和 0.670)高于窄波段相关性(第2, 5, 6 波段的相关系数分别是0.583、0.631 和0.625), 证实了宽波段含有更加丰富、完整的土壤有机质含量信息。为了进一步提高SOM 估算的精度, 基于梯形方法构建了宽波段近红外反照率/植被覆盖度梯形特征空间,从宽波段近红外反照率(包含植被、土壤混合光谱)中成功分离出裸土反照率, 并分别构建了SOM 遥感估算模型。经验证,消除了植被对土壤光谱影响的裸土反照率模型精度(均方根误差为16.87、平均绝对百分比误差为30.0%, 希尔不等系数为0.22)高于宽波段近红外反照率模型精度(均方根误差为20.12、平均绝对百分比误差为31.0%, 希尔不等系数为0.27)。该方法简单易操作, 不仅有助于提高表层土壤有机质含量遥感估算的精度, 也可为土壤其他属性如N, P等元素含量的遥感估算提供了新思路。