通过定期监测土壤养分状况并合理调控施肥，是实现作物高产优质且环境友好的重要保证，但土壤养分含量的快速测定一直是农业信息获取领域的难题。近年来，随着高光谱遥感技术的发展，利用可见-近红外光谱技术（Vis-NIR）获取土壤养分信息已获得越来越广泛的关注。然而，传统Vis-NIR技术应用中土壤样品均需要经过烘干、研磨、过筛等预处理过程，很少采用无损的原状土壤样品；其次，土壤属性与高光谱之间的关系复杂，存在极大的随机性和非线性，不同建模方法所得模型的预测性能也存在着较大差异。
基于此，本课题组以江西省余江县148个无损原状水稻土样品为研究对象，通过高密度接触式反射探头获取原状土壤高光谱（图1），并采用传统线性建模方法（主成分回归PCR和偏最小二乘回归PLSR）与非线性建模方法（反向传播神经网络BPNN和支持矢量机回归SVMR）分别建立土壤有机质（SOM）、总氮 （TN）、总磷（TP）和总钾（TK）含量的高光谱反演模型，最终对其拟合效果进行对比，确定其最佳拟合模型。交叉检验及独立验证结果表明，与2种线性模型相比，非线性建模方法（BPNN和SVMR）对四种土壤属性的预测精度均有较大程度地提高。其中，SVMR模型预测精度最高，其采用结构风险最小化原理，根据有限样本的信息，在模型复杂性和学习能力之间寻求最优折中，以使构建模型的泛化能力最强。四种土壤属性中，SVMR模型对SOM含量预测的独立验证相关系数和均方根误差分别为0.88和4.87 g/kg（图2）；对TN含量预测结果次之，其独立验证相关系数和均方根误差分别为0.86和0.31 g/kg。
图1. 原状土壤样品高光谱测量平台
图2. SOM含量预测模型的散点图：（a）PCR；（b）PLSR；（c）BPNN；（d）SVMR
