土壤有机质是土壤的重要组成物质，也是植物的营养仓库，它的损失直接影响土壤生产力。土壤有机质不仅能持续缓慢地提供植物生长所需的养分，而且能改善土壤的物理状况，促进团粒结构形成，从而改善土壤的水分及通气状况。另外，随着土壤有机质含量的增多，土壤颜色加深，有利于提高土壤温度。土壤有机质含量多少在一定限度内可以说明土壤的肥沃程度，是土壤肥力的重要指标之一。一般来说，有机质含量 ＞ 2. 5% 的土壤是比较肥沃的，1% ～2. 5%为中度肥沃的土壤， ＜ 1% 则为较贫瘠的土壤，但也不绝对。例如我国东北地区黑土有机质含量高，但是温度低，分解慢暖温带某些类型土壤有机质含量低，但分解快，其有效化程度高，也有一定肥力。总的来说，土壤有机质是土壤肥力和作物丰产的基础。基于光谱技术的土壤有机质含量反演方法较多，但是这些方法均具有一定局限性，针对不同的研究区域、应用于不同土壤类型时会出现较大误差，目前尚没有通用的模型。
土地退化评价指标体系是由植被、土壤、地形地貌、水文与水文地质、近地表大气等反映土地退化特征的指标组合而成，指标之间相辅相成，从不同方面共同反映退化土地的特征，包括空间上的相对退化和时间上的动态退化。反映土地退化的指标很多，包括植被覆盖度、陆地表面温度、土壤湿度和土壤母质化以及水土流失等。本节只选择能够体现高光谱遥感技术优势的土壤有机质指标作为研究对象，以陕西省横山县黄土丘陵区为例，对174 个土样的光谱反射率数据与土壤有机质含量进行分析，从而进行信息提取，评价高光谱遥感技术在可见光和近红外波段进行土壤有机质监测的应用潜力，运用多元统计分析技术，初步建立反射率反演模型，尝试进行定量化成图。
( 一) 土壤有机质预测模型建立
为了建立反射率和土壤有机质含量之间的反演模型，从中寻找对土壤有机质含量敏感的光谱指标，对光谱的反射率作了8种变换，包括反射率的倒数1/Ｒ、反射率的对数lgＲ、反射率对数的倒数1/lgＲ、反射率的平方根 、反射率的一阶微分Ｒ'、倒数的一阶微分(1/Ｒ)'、反射率对数的一阶微分(lgＲ)'、对数的倒数的一阶微分(1/lgＲ)'、平方根的一阶微分 。采用单相关分析方法，利用实验室测定的174个土样的土壤有机质含量与反射率及其变换形式逐波段地进行相关分析，相关系数r的表达式如下:
退化废弃地遥感信息提取研究
式中:ri为土壤有机质含量OM与光谱反射率或其变换形式(都用Ｒ表示)的单相关系数i为波段序号Ｒni为第n个土壤样本第i波段的光谱反射率值(或其变换形式的值)为N个土壤样本在i波段光谱反射率(或其变换形式)的平均值OMn为第n个土样的土壤有机质含量为实测的N个土样的土壤有机质含量的平均值N为174，是土样的总个数。
本研究的具体思路是以野外采样点地物光谱数据为基础，首先利用高光谱Hyperion数据对野外地物光谱库进行重采样(第二次采样)运用经验线性拟合法，以野外地物光谱数据为基础对高光谱Hyperion影像进行校正，以便进一步确立两者之间的相关性然后在前人研究的基础上，运用统计回归分析方法建立采样点地物光谱数据与土壤有机质含量的最佳反演模型，并且把该模型运用到高光谱Hyperion影像当中，得到土壤有机质含量的空间分布情况。
本研究采用容量分析法测定了174个土样的土壤有机质含量，最小值为0.124%，最大值为4.865%，平均值为1.179%，均方差为1.122。Krishnan等(1980)用逐步多元线性回归和迭代的方法对四种不同土壤类型的研究发现，在近红外区域 ( 800 ～2400nm) 没有由有机质引起的吸收峰，用可见光区域预测土壤有机质含量要优于近红外区域，所得相关系数分别为 0. 8732 和 0. 9828，并给出用 623. 6nm 和 564. 4nm 两个最佳波段的反射光谱值预测土壤有机质含量的回归模型:
退化废弃地遥感信息提取研究
式中: K 为回归常数ρ 为反射率值λ 为波长。
Krishnan 等的预测模型中的回归常数 K 从某种程度上反映了其他因素对土壤有机质光谱特性的影响，然而文中并未对其进行具体的讨论说明，但是可以肯定的是 623. 6nm 处反射率倒数之对数的一阶微分与 564. 4nm 处反射率倒数之对数的一阶微分的比值和土壤有机质含量存在某种相关性，把它记为 W，通过把计算的 30 个地物光谱数据的 W 值与土壤有机质含量进行相关性分析，发现 W 与土壤有机质含量之间的相关系数达到 0. 8948，存在着强烈的相关关系。所以确定以 W 为变量，进行回归分析，其中
退化废弃地遥感信息提取研究
。运用 SPSS 软件进行统计回归分析，结果见表 3 －2。
表 3 －2 土壤有机质含量模型与 W 的拟合模型表
图3－4 有机质含量实测值与预测值比较
从表3－2中可以发现，二次函数Y=16.466－4.385W+2.668W2的判定系数Ｒ2最高，达到了0.8684，其中 ，ρ为反射率值，说明它的反演效果最好，精度最高。通过30个土样的土壤有机质含量实测值与预测值的散点图(图3－4)也可以直观地看出，二次函数结果与实测值较为接近，有很好的预测效果。
由此得到土壤有机质含量的最佳反演模型是Y=16.466－4.385W+2.668W2，判定系数Ｒ2=0.8684。
(二)定量参数成图
将建立的土壤有机质含量最佳反演模型应用到反射率影像当中，进行土壤有机质含量指标的定量参数成图。所谓参数成图，首先是给每个像元赋具体参数值，这可以借助一些波段值或其变换形式与土壤生物理化参数的半经验关系建立预测模型，采用统计回归的方法建立的土壤有机质含量与反射率的关系就是这种预测模型然后通过这种关系计算出高光谱遥感影像上每个像元的土壤有机质含量的预测值最后采用聚类或密度分割的方法将单参数预测图分成若干级(类)，即为单参数分布图。
图3－5 土壤有机质含量参数成图
由土壤有机质的最佳反演模型是Y=16.466－4.385W+2.668W2，其中 。在ENVI软件中，运用线性光谱分离方法提取出影像中的土壤信息，利用NDVI指数，取数值在0.1～0.3之间的为土壤(NDVI＞0.3的为植被，NDVI＜0.1的为水体)，掩膜处理掉影像中的植被和水体信息然后在EＲDAS软件下运用空间建模方法，将模型应用于高光谱Hyperion数据，进行定量化参数成图，得到土壤有机质含量的空间分布情况(图3－5)。
( 三) 小结
1) 土壤有机质含量和有机质的组成对土壤的反射率有较强的影响。土壤有机质对土壤反射率的影响在视觉上表现为暗黑色的土壤比亮色的土壤有机质含量高，这表明了土壤有机质与可见光反射率之间的关系: 土壤有机质含量越高，可见光的反射率越低反之，可见光的反射率越高。国外学者研究发现，土壤有机质中含有一种叫做胡敏酸的物质，胡敏酸反射率很低，并且会掩盖土壤反射率和土壤颜色等信息 ( 周清，2004) 。Baumgardner等 ( 1985) 在研究印度土壤时发现，当土壤有机质含量超过 2% 时，其有可能掩盖其他因素对土壤光谱的影响当小于 2%时，随着土壤有机质含量的降低，其掩盖其他成分的能力越来越弱，对土壤光谱的影响就很小了。
2)建立了土壤有机质反演模型Y=16.466－4.385W+2.668W2。判定系数Ｒ2最高达到了0.8684，其中 ，并且用该模型对高光谱影像进行参数成图，取得了较满意的结果。
3)对以反射率作对数的一阶微分方程变换后进行统计回归分析有两个目的:一是一阶微分变换能去除部分线性或接近线性的背景和噪声光谱对目标光谱的影响二是将反射率和土壤有机质含量之间的关系线性化，便于研究。
1、把你需要的拉伸对象编辑成多段线，可以用合并(J)命令，也可以用pedit多段线编辑命令，合并一个面2、用坐标系命令USC，设置用户坐标，画一条直线垂直于刚才编辑的面3、点修改菜单--三维实体--拉伸（选择路径）回车
