CN108801934A - 一种土壤有机碳含量高光谱预测模型的建模方法 - Google Patents

Abstract

本发明涉及一种土壤有机碳含量高光谱预测模型的建模方法，包括以下步骤：(1)土壤采集与处理；(2)土壤光谱反射率测定；(3)土壤光谱反射率数据预处理；(4)光谱导数计算；(5)初始模型建立与检验；(6)检验结果分析；(7)建立土壤有机碳含量高光谱预测模型。该模型具有模型简单、变量少和便于计算的特点，在预测土壤有机碳方面展现了较好的稳定性和预测精度，在水稻土土壤有机碳高光谱估测方面有一定的应用价值。

Description

一种土壤有机碳含量高光谱预测模型的建模方法

技术领域

本发明属于农业技术领域，涉及一种建模方法，具体涉及一种土壤有机碳含量高光谱预测模型的建模方法。

背景技术

土壤有机碳(SOC)作为碳储量的重要部分参与全球碳循环。在全球变化的背景下，大气和土壤的碳通量的估算日益成为研究的热点。土壤有机碳也是有机质的重要成分和组成部分，可以为植物生长提供所需的养分，其含量是评价土壤肥力高低的重要指标。此外，土壤有机碳含量作为土壤质量的一个重要指标，经常被用来进行温室气体碳通量的估算。因此，土壤有机碳的定量化研究对于土壤管理，土壤制图以及土壤固碳等具有重要意义。

然而，传统的土壤分析方法昂贵且耗时。近年来高光谱分析技术在环境上的研究与应用为监测土壤有机碳含量提供了一个有效途径。高光谱遥感凭借其极高的光谱分辨率，有利于定量获取土壤的化学组分，通过土壤反射率的测定反演土壤有机碳含量，具有快速、可重复、非破坏性、无消耗、低成本和节省人力物力的特点，已成为研究的热点。因此，基于高光谱分析技术的土壤有机碳定量估算研究具有重要的实践意义。

土壤有机碳含量的不同会在可见光至近红外区域产生独特的光谱特征，因而可见光-近红外波段成为了预测土壤有机碳含量的重要区域。近年来，国内外学者研究使用可见光至近红外全波段或者单独使用可见光或近红外波段分别进行土壤有机碳估测研究，并取得了显著成效。如Stevens等(Stevens A,Udelhoven T,Denis A,et al.Measuring soilorganic carbon in croplands at regional scale using airborne imagingspectroscopy[J].Geoderma,2010,158(1-2):32-45)通过在野外实地使用可见光至近红外全波段估测了土壤有机碳含量，平均误差为2.4g·kg-1。Kishnan等(Krishnan P,Alexander J D,Butler B J,et al.Reflectance technique for predicting soilorganic matter[J].Soil Science Society of America Journal,1980,44:1282-1285)研究发现利用可见光波段探测土壤有机碳要优于近红外区域，土壤有机碳响应的敏感波段是623和564nm，在近红外区域没有有机碳响应的反射峰和吸收谷。等(LS,Variability of laboratory measured soil lines of soils fromsoutheastern Brazil[J].Remote Sensing of Environment,1998,63:166-181)通过对巴西东南部土壤反射率研究，证实了反射率在550-700nm处的吸收峰主要由有机质引起。Hummel等(Hummel J W,Sudduth KA,Hollinger S E.Soil moisture and organic matterprediction of surface and subsurface soils using an NIR soil sensor[J].Computers and Electronics in Agriculture,2001,32(2):149-165)在分析了土壤有机质和室内光谱曲线之间的关系，采用光谱反射率倒数的对数建立多元逐步回归模型。此外，其他学者利用不同的手段和光谱反演方法对土壤有机碳含量进行了成功的预测。国内研究方面，刘焕军等(刘焕军,张新乐,郑树峰,等.黑土有机质含量野外高光谱预测模型[J].光谱学与光谱分析,2010,30(12):3355-3358)以野外田间原状黑土为对象，构建土壤反射率高光谱预测模型，能够用于黑土有机质野外速测。杨扬等(杨扬,高小红,贾伟,等.三江源区不同土壤类型有机质含量高光谱反演[J].遥感技术与应用,2015,30(1):186-198)利用四种光谱变换形式构建有机质高光谱预测模型，较好地预测三江源区四种土壤类型的有机质含量，发现波段深度则是该区域的最佳反演指标。谢伯承等(谢伯承,薛绪掌,刘伟东,等.基于包络线法对土壤光谱特征的提取及其分析[J].土壤学报,2005,42:171-175和谢伯承,薛绪掌,王纪华,等.褐潮土的光谱特性及用土壤反射率估算有机质含量的研究[J].土壤通报,2004,35:391-395)对褐潮土进行研究发现，在400-1200nm范围之间土壤有机质含量与光谱反射率有较好的相关性，采用600-800nm波段内的特征吸收面积来评价与有机质的关系，相关性达到0.01显著水平。侯艳军等(侯艳军,塔西甫拉提·特依拜,买买提·沙吾提,等.荒漠土壤有机质含量高光谱估算模型[J].农业工程学报,2014,30(16):113-120)以准噶尔盆地东部荒漠土壤为研究对象，建立土壤有机质含量高光谱估算模型，发现敏感波段主要集中于640-790nm。众多研究表明，探测土壤有机质含量最佳波段范围介于400-1000nm，可见光区域要优于近红外区域。

然而，由于大多数土壤有机碳高光谱估算研究是基于室内反射光谱数据，但由于室内土壤光谱获取过程尚无统一的方法，测试过程中的条件，如光源功率、距离和照射角度等的差异，增加了光谱测定数据的不确定性，从而限制了土壤属性光谱预测定量研究。同时，在自然条件下，土壤含水量、植物根系、颗粒物等因素都会对土壤光谱产生影响。因此，现有的方法并不能实现土壤有机碳含量的精确预测。

因此，鉴于现有技术的上述技术缺陷，迫切需要研制一种土壤有机碳含量高光谱预测模型的建模方法。

发明内容

本发明的目的在于克服现有技术中存在的缺点，提供一种土壤有机碳含量高光谱预测模型的建模方法，该模型具有模型简单、变量少和便于计算的特点，在预测土壤有机碳方面展现了较好的稳定性和预测精度，在水稻土土壤有机碳高光谱估测方面有一定的应用价值。

为了实现上述目的，本发明提供如下技术方案：

一种土壤有机碳含量高光谱预测模型的建模方法，其特征在于，包括以下步骤：

(1)土壤采集与处理；

(2)土壤光谱反射率测定；

(3)土壤光谱反射率数据预处理；

(4)光谱导数计算；

(5)初始模型建立与检验；

(7)检验结果分析；

(7)建立土壤有机碳含量高光谱预测模型。

进一步地，其中，所述土壤采集与处理具体为：采样点分布于安徽东南部平原区的芜湖市和宣城市下属县区的水稻主产区，共采得样品56个，土壤类型为水稻土，采用梅花采样法采集5点的混合样品，采样深度为0-20cm，采集时剔出植物根系与石块等异物，同时用手持式GPS记录经纬度信息，样品在实验室经自然风干，压磨后去除沙砾及植物残体，过2mm孔筛。

更进一步地，其中，所述土壤光谱反射率测定具体为：土壤光谱反射率测定采用地物光谱仪，波谱范围为350-1050nm，重采样间隔为1nm，将处理好的土壤置于直径15cm、深2.5cm的黑色玻璃盛样皿中，所述盛样皿底部垫一张大小覆盖整个视场的黑色胶垫，装满土壤后用玻璃片将土壤表面刮平待测，为消除环境因素的影响，光谱反射率测定选择在晴朗、无风天气下进行，在室外自然光照条件下，采用5度视场角探头，距土壤表面垂直上方15cm处进行光谱采集，时间控制在北京时间11:00-13:00，对每一土壤的光谱反射率测定记录重复10次，取均值作为该土壤的实际光谱反射率数据。

再进一步地，其中，所述土壤光谱反射率数据预处理具体为：去除掉噪声较大的边缘波段，也就是350-399nm和1000-1050nm波段，并采用Savitzky-Golay平滑方式对土壤光谱进行预处理，而且，为变非线性关系为线性关系，对土壤光谱反射率作倒数、平方根、对数、倒数的对数、一阶导数和二阶导数的变换处理。

再更进一步地，其中，所述光谱导数计算具体为：土壤光谱一阶导数和二阶导数计算公式如下所示：

R'(λi)＝[R(λi+1)-R(λi-1)]/Δλ (1)

R”(λi)＝[R'(λi+1)-R'(λi-1)]/Δλ (2)

式中，λi为波段i的波长值；R(λi)为波长λi的反射率；R(λi+1)为波长λi+1的反射率；R(λi-1)为波长λi-1的反射率；Δλ为波长λi-1到λi+1的间隔；R'(λi)为i波段的一阶导数光谱值；R”(λi)为i波段的二阶导数光谱值，i＝400,401,......,1,000nm。

此外，其中，所述初始模型建立和检验具体为：利用建模样本，采用相关分析、多元线性逐步回归方法对原始样本光谱数据及其7种数学变换形式进行分析，建立初始SOC含量高光谱预测模型；用21个检验样本光谱数据对所述初始模型进行检验，其中，相关分析和多元线性逐步回归分析由统计分析软件SPSS 13.0实现，数据模型拟合采用Origin8.0软件完成，采用总均方根误差(RMSE)和决定系数(R²)两个指标，来评价初始模型的质量，从初始模型的稳定性和预测精度两个方面对初始模型进行检验，初始模型的稳定性用决定系数R²的大小检验，R2越大，初始模型越稳定；初始模型的预测能力用总均方根差(RMSE)来检验，RMSE越小，初始模型精度越高、预测能力越好，其中，

RMSE的计算公式如下所示：

式中，X_i为土壤有机碳的实测值，Y_i为土壤有机碳的预测值，n为土壤样本数。

进一步地，其中，所述检验结果分析具体为：进行水稻土可见光-近红外(VNIR)反射光谱特性分析和土壤有机碳(SOC)含量与不同光谱指数的相关分析。

更进一步地，其中，所述建立土壤有机碳含量高光谱预测模型具体为：基于相关分析结果，运用数理统计方法以694nm处的土壤反射率倒数的一阶导数值为自变量、有机碳含量为因变量，建立水稻土有机碳含量高光谱预测模型：

与现有的建模方法相比，本发明的土壤有机碳含量高光谱预测模型的建模方法具有如下有益技术效果：为消除室内光源和测试几何条件等因素，以及土壤含水量、植物根系和颗粒物等对光谱的影响，本发明通过对土壤样品进行预处理，采用室外光谱测量手段，以预处理过后的水稻土反射光谱为研究对象，分析水稻土壤有机碳的光谱响应波段,挖掘光谱特征参量，建立基于反射光谱特征的水稻土有机碳高光谱预测模型,以期为水稻土土壤有机碳的快速测定提供技术支持。

附图说明

图1是本发明的土壤有机碳含量高光谱反演模型的建模方法的流程图。

图2是不同有机碳含量的土壤光谱反射率曲线图。

图3是不同有机碳含量的土壤光谱反射率的去包络线结果图。

图4是土壤有机碳含量与原始反射率及其变换形式的相关分析结果图。

图5是土壤有机碳含量的模型预测值与实测值比较结果图。

具体实施方式

下面结合附图和实施例对本发明进一步说明，实施例的内容不作为对本发明的保护范围的限制。

图1示出了本发明的土壤有机碳含量高光谱反演模型的建模方法的流程图。如图1所示，本发明的土壤有机碳含量高光谱预测模型的建模方法包括以下步骤：

首先，进行土壤采集与处理。

在本发明中，所需土壤样品于2017年10月完成，采样点主要分布于安徽东南部平原区的芜湖市和宣城市下属县区的水稻主产区。共采得样品56个，土壤类型主要为水稻土。采用梅花采样法采集5点的混合样品，采样深度为0-20cm，采集时剔出植物根系与石块等异物，同时用手持式GPS记录经纬度信息。样品在实验室经自然风干，压磨后去除沙砾及植物残体，过2mm孔筛。每个样品分成两份，一份用于高光谱数据采集；另一份用来进行土壤农化分析，土壤有机碳含量采用重铬酸钾-外加热法测定(具体参见“鲁如坤.土壤农业化学分析方法[M].北京:中国农业科技出版社,2000:106-109”)。土壤有机碳含量描述统计量见表1。

表1样本土壤有机碳含量特征统计

其次，进行土壤光谱反射率测定。

在本发明中，土壤光谱反射率的测定采用美国ASD(analyticalspectraldevices)公司开发生产的ASD FieldSpec3地物光谱仪。波谱范围为350-1050nm，重采样间隔为1nm。将处理好的土样置于直径15cm深2.5cm的黑色玻璃盛样皿中，容器底部垫一张大小覆盖整个视场的黑色胶垫，装满土样后用玻璃片将土壤表面刮平待测。为消除环境因素的影响，如光照、云等，野外地物光谱测试选择在晴朗天气进行，无风天气下，在室外自然光照条件下，采用5度视场角探头，距土壤样品表面垂直上方15cm处进行光谱采集，时间控制在11:00-13:00(北京时间)，光谱测试于2017年11月完成。采用标准参考板同步测量太阳辐射光谱。为减小随机误差影响，对每一土样的光谱测量记录重复10次，取均值作为该土样的实际反射光谱数据。

接着，对土壤光谱反射率数据预处理。

在本发明中，噪声较大的边缘波段(350-399nm和1000-1050nm)在光谱分析时被去除。为消除背景噪音的影响，采用Savitzky-Golay平滑(SG平滑)方式(具体参见“SavitskyA,Golay J E.Smoothing and differentiation of data by simplified least squareprocedure[J].Analytical Chemistry,1964,36:1627-1639”)对土壤光谱进行预处理。采用该方法进行滤波可有效去除噪声，同时较好地保存了光谱曲线的总体特征。为变非线性关系为线性关系，对原始反射率作倒数、平方根、对数、倒数的对数、一阶导数和二阶导数的变换处理。本研究中分别对土壤光谱进行了七种变换，具体变换形式见表2。

表2不同光谱指数变换形式

然后，进行光谱导数计算。

光谱导数变换可以减少噪音的影响，提高光谱对目标信息的敏感性。在本发明中，土壤光谱一阶导数和二阶导数计算公式(具体参见“浦瑞良,宫鹏.高光谱遥感及其应用[M].北京:高等教育出版社,2003,52-53”)如下所示：

R'(λi)＝[R(λi+1)-R(λi-1)]/Δλ (1)

R”(λi)＝[R'(λi+1)-R'(λi-1)]/Δλ (2)

式中，λi为波段i的波长值；R(λi)为波长λi的反射率；R(λi+1)为波长λi+1的反射率；R(λi-1)为波长λi-1的反射率；Δλ为波长λi-1到λi+1的间隔；R'(λi)为i波段的一阶导数光谱值；R”(λi)为i波段的二阶导数光谱值，i＝400,401,......,1,000nm。

接下来，进行初始模型建立与检验。

在本发明中，利用35个建模样本，采用相关分析、多元线性逐步回归方法对原始样本光谱数据及其7种数学变换形式进行分析，建立SOC含量高光谱预测模型；用21个检验样本光谱数据对模型进行检验。相关分析和多元线性逐步回归分析由统计分析软件SPSS13.0实现，数据模型拟合采用Origin8.0软件完成。本发明中采用较常用的总均方根误差(RMSE)和决定系数(R²)两个指标，来评价模型的质量。从模型的稳定性和预测精度两个方面对模型进行检验。模型的稳定性用决定系数R²的大小检验，R²越大，模型越稳定；模型的预测能力用总均方根差(RMSE)来检验，RMSE越小，模型精度越高、预测能力越好。

RMSE的计算公式如下所示：

式中，Xi为土壤有机碳的实测值，Yi为土壤有机碳的预测值，n为土壤样本数。

之后，需要进行对检验结果进行分析。

在本发明中，首先是水稻土可见光-近红外(VNIR)反射光谱特性分析，具体为：为便于剖析不同有机碳含量水稻土壤高光谱VNIR波段反射特性，按照土壤有机碳(SOC)含量分布选取SOC含量分别为1.06％,1.09％,1.22％,1.36,1.48％所对应的5条原始光谱曲线进行分析(如图2所示)。由图2可知，在400–700nm波谱范围内，土壤反射率较低，光谱曲线形状下凹，有机碳含量为1.06％(SOC(1.06))的土壤光谱反射率最高，1.09％(SOC(1.09))次之，SOC(1.22)、SOC(1.36)和SOC(1.48)的土壤光谱反射率差异较小。总体上来看，400-600nm波段范围内，光谱反射率依次表现为SOC1.06>SOC1.09>SOC1.22>SOC1.36>SOC1.48。SOC 1.06与有机碳含量较高的土壤光谱相比，光谱反射率较高，这一现象与Stoner andBaumgardner的研究结果(具体参见“Stoner E R,Baumgardner M F.Characteristicsvariation in reflectance of surface soils[J].Soil Science Society of AmericaJournal,1981,45,1161–1165”)相一致，他们研究发现土壤光谱反射率随着有机质含量的上升而呈下降趋势。而在600-1000nm光谱范围内，不同有机碳含量的土壤光谱反射率表现为SOC1.06>SOC1.09>SOC1.22>SOC1.48>SOC1.36。SOC1.36的光谱反射率在600-1000nm光谱范围内最低，曲线斜率较其他土壤光谱曲线的更低(图2)。这一结果与Nocita等(具体参见“Nocita M,Kooistra L,Bachmann M,et al.Predictions of soil surface and topsoilorganic carbon content through the use of laboratory and field spectroscopyin the Albany Thicket Biome of Eastern Cape Province of South Africa[J].Geoderma,2011,167-168,295-302”)研究有机碳含量为3.01,6.03和0.25％的土壤光谱特征，发现有机碳与光谱反射率最相关的部分集中在600nm左右相类似。SOC(1.44)和SOC(1.36)的土壤光谱反射率最低，这可能与其含有较多的土壤有机碳有关。在400–600nm波段范围内，这一特征非常明显。随着土壤有机碳含量的增加，土壤光谱反射率逐渐下降，且光谱曲线逐渐由凸起向平缓变化。而倾斜斜率的逐渐变小，则显示了一个广泛的SOC光谱吸收范围。

土壤光谱的包络线去除了土壤中由于特定物质内化学健内电子跃迁引起的特征吸收带以后的吸收特征，相当于土壤在不受内在矿物晶体与有机成分吸收情况下所引起的吸收特征，对土壤样本的吸收特征分析有重要的意义。而且吸收峰的特征与土壤的组成成分有密切的关系。图3显示了不同有机碳(SOC)含量(1.06％,1.09％,1.22％,1.36,1.48％)水稻土土壤的光谱反射率的去包络线特征。从图3可以看出，对土壤光谱进行去包络线处理后，土壤有机碳影响的光谱波段主要处在400-600nm范围内。一般而言，有机碳含量越高，反射率越低，下凹程度越大。从图3可以明显看出，有机碳含量最高的SOC1.48的光谱曲线的吸收谷要明显深于其余有机碳含量较低的四组土壤光谱。综合图2和图3可以看出，400-600nm波段是水稻土有机碳光谱响应最敏感波段，随着有机碳含量的增加，其去包络线光谱反射率的吸收谷深度愈为明显。

在本发明中，其次是对土壤有机碳(SOC)含量与不同光谱指数的相关分析。具体为：图4为土壤有机碳含量与不同光谱形式的相关性分析结果。相对于原始光谱反射率，导数变换使得部分波段与SOC的相关性得到加强，改善了与SOC的相关性(图4)。在所有的变换形式中，反射率的一阶和二阶导数及反射率倒数的一阶导数与SOC相关性最好。与原始光谱反射率相比，在可见光范围内与SOC的相关系数显著提高，其中700nm波段附近是整个波段中相关性最好的波段范围，最敏感的波段出现在694nm处(P<0.01)，在500-600nm和近红外区也有部分敏感波段出现(图4和表3)。对光谱反射率进行不同形式变换之前，原始光谱反射率与SOC的最大正相关系数为0.6123，出现在408nm处，最小负相关波段出现在391nm处，负相关系数为-0.2963。而对原始光谱反射率进行不同变换形式处理之后，其与SOC的相关性得到了明显的增强。

本发明显示反射率倒数的一阶导数与SOC的最大相关系数在694nm处达到0.8771，该相关系数是所有7种反射率变换形式与SOC的相关系数的最大值(图4和表3)。此结果同时表明，原本湮没在原始土壤光谱数据中的一些微弱的光谱特征信息，在经过导数变换后，被放大并很好的显现出来。因此，基于有机碳含量与土壤高光谱反射率及其数学变换形式之间的定量关系，可以实现土壤有机碳含量的速测。

表3原始反射率及不同变换形式与SOC的最大相关波段分析结果

最后，建立土壤有机碳含量高光谱预测模型。

图4为土壤有机碳与反射率及其数学变换形式之间的相关系数。表3同时列出了原始反射率及反射率变换形式与SOC的最大相关波段及最大相关系数。从图4和表3可以看出，有机碳与土壤反射率的一阶导数和倒数的一阶导数的相关系数最高，最敏感波段出现在694nm处(P<0.01)。因此，作为与SOC最相关的光谱参量，敏感波段位置694nm处的一阶导数(R')和倒数的一阶导数值(1/R)′被挑选用来建立水稻土有机碳含量高光谱预测模型。分别以R'(694nm)和(1/R)'(694nm)为自变量，土壤有机碳SOC含量为因变量，进行回归模型分析。将土壤有机碳含量与最优波段694nm处一阶导数和倒数一阶导数值分别进行拟合，四种拟合模型的分析结果见表4。从表4中的决定系数(R²)和置信检验的检验值对比分析来看，694nm波段的倒数的一阶导数值(1/R)'(694nm)与土壤有机碳含量之间的非线性拟合模型最好，该模型的决定系数达0.7703(P<0.01)。因此，基于相关分析结果，运用数理统计方法以694nm处的土壤反射率倒数的一阶导数值为自变量、有机碳含量为因变量，建立水稻土有机碳含量高光谱预测模型：

表4土壤有机碳含量与最优波段一阶导数和倒数一阶导数值的拟合模型

当然，在本发明中，可以对建立的预测模型的预测效果进行评价。

具体地，为了检验模型的预测效果，利用21个验证样本对模型进行了验证。采用总均方根差(RMSE)法和模型预测值与实测值之间的拟合度R²来分析。由图5可见，SOC的光谱预测值与其实测值之间具有很好的相关性。通过对模型预测结果的精度分析，模型的决定系数(R²)为0.8029，总均方根差(RMSE)为0.1421。说明模型稳定性强，预测能力较好。由此可见，对于安徽地区水稻土类型，应用基于光谱反射率倒数的一阶导数的高光谱SOC预测模型能达到具有较小的误差和较好的预测效果。

本发明在室外条件下采集了不同土壤样本高光谱反射率数据，分析了水稻土反射光谱特征，并基于SOC光谱响应特征参量建立了水稻土有机碳高光谱预测模型，并对模型进行了精度检验。具体结论如下：：

1)本发明对400-1000nm波段范围内土壤高光谱反射特征进行了定量分析研究，发现水稻土有机碳的主要响应波段为400-600nm。随着土壤有机碳含量的增加，土壤光谱反射率逐渐下降，且光谱曲线逐渐由凸起向平缓变化。进行包络线去除后，光谱曲线的特征吸收带更加明显，400-600nm波段范围内存在显著吸收谷，使得不同有机碳含量光谱曲线的异质性特征得到了明显的加强。

2)相关分析确定了土壤有机碳的敏感波段。通过不同变换以及导数处理使光谱反射率与土壤有机碳含量的相关性得到了增强。在所有变换形式中，土壤反射率的倒数的一阶导数(1/R)'与土壤有机碳的相关性最显著，最敏感波段出现在694nm处，相关系数最大值达0.8771(P<0.01)。相关性最好的波段范围主要集中在700nm波段附近。

3)基于光谱特征参量的挑选，确定了694nm波长为诊断土壤有机碳含量的敏感波段，以694nm处的土壤反射率倒数的一阶导数(1/R694)'为自变量建立了土壤有机碳含量高光谱反演模型：模型预测结果精度分析的决定系数(R²)为0.8029，均方根误差(RMSE)为0.1421。该模型具有模型简单、变量少和便于计算的特点，在预测土壤有机碳方面展现了较好的稳定性和预测精度。在水稻土土壤有机碳高光谱估测方面有一定的应用价值。

本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无法对所有的实施方式予以穷举。凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (8)

1.一种土壤有机碳含量高光谱预测模型的建模方法，其特征在于，包括以下步骤：

(1)土壤采集与处理；

(2)土壤光谱反射率测定；

(3)土壤光谱反射率数据预处理；

(4)光谱导数计算；

(5)初始模型建立与检验；

(6)检验结果分析；

(7)建立土壤有机碳含量高光谱预测模型。

2.根据权利要求1所述的建模方法，其特征在于，所述土壤采集与处理具体为：采样点分布于安徽东南部平原区的芜湖市和宣城市下属县区的水稻主产区，共采得样品56个，土壤类型为水稻土，采用梅花采样法采集5点的混合样品，采样深度为0-20cm，采集时剔出植物根系与石块等异物，同时用手持式GPS记录经纬度信息，样品在实验室经自然风干，压磨后去除沙砾及植物残体，过2mm孔筛。

3.根据权利要求2所述的建模方法，其特征在于，所述土壤光谱反射率测定具体为：土壤光谱反射率测定采用地物光谱仪，波谱范围为350-1050nm，重采样间隔为1nm，将处理好的土壤置于直径15cm、深2.5cm的黑色玻璃盛样皿中，所述盛样皿底部垫一张大小覆盖整个视场的黑色胶垫，装满土壤后用玻璃片将土壤表面刮平待测，为消除环境因素的影响，光谱反射率测定选择在晴朗、无风天气下进行，在室外自然光照条件下，采用5度视场角探头，距土壤表面垂直上方15cm处进行光谱采集，时间控制在北京时间11:00-13:00，对每一土壤的光谱反射率测定记录重复10次，取均值作为该土壤的实际光谱反射率数据。

4.根据权利要求3的建模方法，其特征在于，所述土壤光谱反射率数据预处理具体为：去除掉噪声较大的边缘波段，也就是350-399nm和1000-1050nm波段，并采用Savitzky-Golay平滑方式对土壤光谱进行预处理，而且，为变非线性关系为线性关系，对土壤光谱反射率作倒数、平方根、对数、倒数的对数、一阶导数和二阶导数的变换处理。

5.根据权利要求4所述的建模方法，其特征在于，所述光谱导数计算具体为：土壤光谱一阶导数和二阶导数计算公式如下所示：

R'(λi)＝[R(λi+1)-R(λi-1)]/Δλ (1)

R”(λi)＝[R'(λi+1)-R'(λi-1)]/Δλ (2)

式中，λi为波段i的波长值；R(λi)为波长λi的反射率；R(λi+1)为波长λi+1的反射率；R(λi-1)为波长λi-1的反射率；Δλ为波长λi-1到λi+1的间隔；R'(λi)为i波段的一阶导数光谱值；R”(λi)为i波段的二阶导数光谱值，i＝400,401,......,1,000nm。

6.根据权利要求5所述的建模方法，其特征在于，所述初始模型建立和检验具体为：利用建模样本，采用相关分析、多元线性逐步回归方法对原始样本光谱数据及其7种数学变换形式进行分析，建立初始SOC含量高光谱预测模型；用21个检验样本光谱数据对所述初始模型进行检验，其中，相关分析和多元线性逐步回归分析由统计分析软件SPSS 13.0实现，数据模型拟合采用Origin8.0软件完成，采用总均方根误差(RMSE)和决定系数(R²)两个指标，来评价初始模型的质量，从初始模型的稳定性和预测精度两个方面对初始模型进行检验，初始模型的稳定性用决定系数R²的大小检验，R2越大，初始模型越稳定；初始模型的预测能力用总均方根差(RMSE)来检验，RMSE越小，初始模型精度越高、预测能力越好，其中，

RMSE的计算公式如下所示：

式中，X_i为土壤有机碳的实测值，Y_i为土壤有机碳的预测值，n为土壤样本数。

7.根据权利要求6所述的建模方法，其特征在于，所述检验结果分析具体为：进行水稻土可见光-近红外(VNIR)反射光谱特性分析和土壤有机碳(SOC)含量与不同光谱指数的相关分析。

8.根据权利要求7所述的建模方法，其特征在于，所述建立土壤有机碳含量高光谱预测模型具体为：基于相关分析结果，运用数理统计方法以694nm处的土壤反射率倒数的一阶导数值为自变量、有机碳含量为因变量，建立水稻土有机碳含量高光谱预测模型：