基于CWT-sCARS的土壤铜含量高光谱反演

光谱变量的有效程度与土壤铜含量的反演精度密切相关。基于原始反射率以及不同分解尺度下的小波系数,本研究采用连续小波变换(CWT)算法、稳定性竞争自适应重加权采样(sCARS)算法和随机森林(RF)算法对土壤铜含量进行了反演与验证。研究结果表明:连续小波变换可以有效提高光谱特征与土壤铜含量之间的相关性,不同分解尺度对应的最大相关系数中,最大值位于Scale 8分解尺度下1343 nm处,相关系数为0.60;使用sCARS算法可以显著减少特征变量的数量,结合CWT变换和sCARS算法可以显著减轻数据冗余,提高土壤Cu含量的反演精度。该研究可为利用高光谱遥感技术,快速、高精度反演土壤Cu含量提供重要参考。

铅锌矿石稀散元素镉含量的高光谱反演研究

稀散元素矿产资源是国民经济中的关键性矿产资源,元素含量的提取是矿产资源潜力评价、靶区优选的基础。现有稀散元素含量分析面临快速检测、潜力评价的需求,基于高光谱的稀散元素含量反演是解决此问题的一种途径。因此,采集西藏斯弄多-则学矿集区的铅锌矿石,开展铅锌矿石稀散元素镉(Cd)含量的高光谱反演方法与反演模型研究。选用ASD Field Spec 3地物光谱仪及配套软件进行光谱数据采集和预处理;在光谱特征分析基础上,开展一阶微分(FD)、二阶微分(SD)、倒数的对数(AT)、倒数对数的一阶微分(AFD)、倒数对数的二阶微分(ASD)光谱数据变换处理,结合皮尔森相关性系数(r)筛选特征波段,进行随机森林(RF)、人工神经网络(ANN)、支持向量机(SVM)模型构建与反演,选用决定系数(R2)和均方根误差(RMSE)评价反演模型效果与预测精度。结果表明:样品反射率集中于40%~60%区间;1420、1920和2200 nm处形成吸收峰;特征波段覆盖可见光和近红外波段,771~2051 nm为特征波段的最优区间。SD光谱变换的降维效果最好,筛选出15个特征波段;其次为ASD和AFD光谱变换,分别筛选出8个和2个特征波段。FD与AT光谱变换未筛选出特征波段。SD筛选的特征波段用于反演,镉元素含量预测效果最好的是SD-ANN模型(R2=0.884,RMSE=2.679),其次是SD-SVM模型(R2=0.830>0.8,RMSE=1.382),SD-RF模型预测效果最差(R2=0.505<0.6)。ASD筛选的特征波段用于反演,镉元素含量预测最好的是ASD-SVM模型(R2=0.857,RMSE=2.198),其次是ASD-ANN模型(R2=0.846,RMSE=2.625)。对比分析,镉元素含量的高光谱反演模型效果为:SD-ANN>ASD-SVM>ASD-ANN>SD-SVM>ASD-RF>SD-RF。该研究总结了铅锌矿石稀散元素镉的高光谱特征,建立了镉元素含量的高光谱反演方法及模型,为镉等稀散元素含量的高光谱反演、无损检测、快速分析提供了参考,为高海拔勘探区稀散元素矿产资源的潜力评价、靶区优选提供了科学支持。

广西喀斯特区典型植被叶片叶绿素含量高光谱反演研究

研究基于光谱指数法和偏最小二乘回归-BP神经网络模型(PLSR-BP)反演广西喀斯特区植被叶片叶绿素含量。结果表明:(1)基于光谱指数法建立的反演模型均难以达到理想的效果,模型的决定系数(R2)在0.04~0.25之间;(2)基于PLSR-BP神经网络模型反演喀斯特区植被叶片叶绿素含量精度较好,训练样本的R2均高于0.80,验证样本的R2为0.38~0.77,其中基于二阶导数光谱所建立的PLSR-BP神经网络模型精度最高,训练样本和验证样本的R2分别为0.89和0.77。研究结果可为喀斯特区植被生长监测和管理提供科学依据。

基于不同模型的土壤有机质含量高光谱反演比较分析

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。

农牧交错区青贮玉米粗蛋白含量分析及高光谱反演

为了探讨青贮玉米全株粗蛋白含量的基因型差异和生育进程中的变化特点,对农牧交错区引进和选育的24份青贮玉米杂交种的粗蛋白含量进行了测定分析。结果表明,不同基因型全株粗蛋白含量具有较大的差异,变幅为6.24%～10.01%,平均值为7.77%;全株粗蛋白含量和生物产量之间总体没有明显的相关关系,分组分析可以呈现出正相关、负相关和无相关三种关系。叶片和全株粗蛋白含量有随生育期的推移而下降的趋势,而且叶片对粗蛋白含量的贡献在前期最高,在中期最低;茎部对粗蛋白含量的贡献在中期最高,在后期最低。各生育期的叶片和全株粗蛋白含量之间具有显著或极显著正相关关系;生育前期叶片粗蛋白含量和收获期全株粗蛋白含量之间具有极显著正相关关系,生育前期和中期全株粗蛋白含量与生育后期全株粗蛋白含量之间具有极显著正相关关系。选用植株冠层12个波长的高光谱反射率的一阶导数,与叶片和全株粗蛋白含量作回归分析,可以获得很好的效果,拟合度(R2)可以达到0.8以上。

保定市三县交接处土壤铅锌元素高光谱反演研究

保定市清苑县、安新县和高阳县三县交汇处曾是钢铁冶炼加工区,由于多年的粗放式冶炼,导致该区存在一定的土壤重金属污染。首先,以三县交接处为研究区,通过土壤样品采集、土壤光谱测量与实验室铅元素、锌元素含量测定,获得研究区的基础数据;其次,对基础数据进行相关性分析、统计分析和模型建模反演;最后,利用偏最小二乘法和反向传播神经网络法两种建模方法建立铅元素、锌元素含量的定量估算模型。研究结果表明:通过Pearson相关分析得出六种光谱变换有利于高光谱波段与铅元素、锌元素含量建立相关关系的特征波段;综合六种光谱变换、偏最小二乘法和反向传播神经网络法,反向传播神经网络法能够提高土壤中铅含量、锌含量的预测精度;铅元素应用反向传播神经网络法基于连续统去除建立的估算模型为最佳估算模型,其中,建模精度R2为0.949,验证精度R2为0.980;锌元素应用反向传播神经网络法基于标准正态变换建立的估算模型为最佳估算模型,其中,建模精度R2为0.874,验证精度R2为0.957。经过研究,通过反向传播神经网络法建立的估算模型可为该地区开展土壤重金属铅元素、锌元素污染调查提供研究基础。

基于PLSR的陕北土壤盐分高光谱反演

选取陕北盐渍土为研究对象,通过采集高光谱数据及土壤样品测定,研究土壤盐分含量与反射率之间相关性,遴选盐分特征波段,利用常规回归分析及偏最小二乘回归分析建立土壤盐分的定量反演模型,并利用检验样点进行对比分析和精度检验。研究结果表明,482 nm,1 365 nm,1 384 nm,2 202 nm及2 353 nm为土壤盐分含量的特征波段,利用高光谱数据进行盐分定量反演具有良好的精度;精度检验结果表明,通过Matlab进行偏最小二乘回归计算的反演模型,实测值与预测值相关性更好,精度较高。

西平县高标准农田Zn含量高光谱反演研究

为实现高标准农田土壤重金属Zn含量的快速测定,本文以西平县土壤Zn为研究对象,通过采集168个土壤样本进行室内实验,获得土壤高光谱数据(400~2 400 nm)并进行Savitzky-Golay平滑后,利用5种光谱变换,结合连续投影算法识别最佳特征波段,采用偏最小二乘回归方法构建Zn元素最佳反演模型。结果表明:二阶微分(SD)在1 409 nm波段的相关性(-0.502)最大,一阶微分(FD)在2 323 nm波段的相关性(0.491)最大,去包络线(CR)在2 439 nm波段的相关性(0.476)最大;倒数对数(LOG)、一阶微分、二阶微分、平滑曲线(SG)、去包络线的拟合度(R2)在0.65~0.70之间,相对分析误差(RPD)处于1.71~2.29之间,其中去包络线的拟合度(R~2=0.70、RPD=2.29)最高。经过5种光谱变换后的光谱反射率可有效突出光谱反射率的变化特征,并用于构建反演模型;土壤重金属Zn的最佳模型是以去包络线光谱变换为最佳偏最小二乘模型。

矿业废弃地重构土壤重金属含量高光谱反演

矿产资源对工业和国民经济的发展有重要的作用,但是随着矿业开采规模的扩大,资源枯竭、经营不善而形成的矿业废弃地越来越多。由于长时间受到采矿的影响,矿业废弃地土壤中存在大量的重金属元素,高浓度重金属可能会对环境和人体产生影响。土地复垦是整治污染、退化土壤再利用的重要方法,对重构后的土壤进行重金属含量检测是衡量土地复垦成效的重要指标,需要长期进行跟踪监测。传统的化学检测方法效率低、成本高、无法实现重金属大范围检测。高光谱是一种新兴的、发展潜力巨大的技术,在环境保护,资源利用,区域可持续发展等方面有着广泛的应用。经过近几十年的快速发展,仪器精度逐渐提高,检测方法逐渐成熟,为实现土壤重金属高效、便捷检测提供了可能。正常土壤重金属含量一般相对较低,采用光谱测量重金属含量较为困难,但铁矿开采区矿业废弃地由于土壤中的铁元素较多,会使土壤中的重金属的存在和聚集形式发生变化,影响重金属对光谱的响应,从而使土壤光谱反射率与重金属含量之间关系更加明显。以湖北省大冶市复垦矿区研究区,采样化学检测方法获取土壤重金属(As, Cr, Zn)含量;借助于美国ASD公司生产的FieldSpec4地物光谱仪(350～2 500 nm)获取土壤反射率,应用一阶微分、倒数对数、连续统去除法分别对反射率曲线进行预处理,提取出光谱特征波段,分析三种重金属元素与光谱特征间的相关性并建立逐步回归模型。研究表明,光谱数据预处理可使光谱特征波段更加明显,其中一阶微分和连续统去除法的效果最为明显。3种重金属元素的特征波段为495, 545, 675, 995, 1 425, 1 505, 1 935, 2 165, 2 205, 2 275和2 355 nm。将土壤重金属含量与光谱特征波段之间做相关性分析,三种重金属都表现出了与光谱曲线的相关性,相关系数大部分都达到了0.5以上,最大相关系数为0.663,由于重金属种类和预处理方式的不同会导致相关性系数存在明显的差异。利用与土壤重金属相关性最大的特征波段建立三种重金属反演模型,并以反演模型r大小选择每种重金属的最优反演模型。由于重金属种类的不同,模型的选择也有差异, Cr和Zn一阶微分逐步回归为最佳反演模型,重金属As连续统去除法逐步回归为最佳反演模型。通过检验,三种重金属中Cr反演效果最好, RMSE为2.67,其次是Zn和As。对比当前不同检测手段可知,基于土样和光谱数据预处理的土壤重金属含量地物光谱仪高光谱反演是比较理想的。可为矿业废弃地土壤重金属高光谱反演提供参考。

基于离散粒子群和偏最小二乘的水源地浊度高光谱反演

随着面源污染的加剧,导致水源地水体富营养化程度日趋严重,浊度作为衡量水体富营养化的一项重要指标,是水质评价的重要参数。为降低浊度偏最小二乘(Partial least squares,PLS)反演模型建模的不确定性,提高模型反演精度,提出了基于离散粒子群(Discrete binary particle swarm optimization,DBPSO)和偏最小二乘的水体浊度反演模型。以2015年10月在南水北调东线重要水源地微山湖获取的水体浊度和准同步的HJ-1A HSI高光谱数据为例,利用HJ-1A HSI B26-B105(中心波长:518~870 nm)全谱段光谱反射率(Original spectral reflectance,OSR)和归一化光谱反射率(Normalized spectral reflectance,NSR)直接构建浊度OSR-PLS和NSR-PLS反演模型,同时利用离散粒子群算法优选输入浊度PLS反演模型的最佳原始波段反射率和归一化光谱反射率,在此基础上提出并构建浊度OSR-DBPSO-PLS和NSR-DBPSO-PLS反演模型;然后对上述模型进行精度评价,分析光谱归一化处理和特征波段优选对PLS模型反演精度的影响,选择精度最高的模型反演微山湖水体浊度分布。结果表明:NSR-PLS模型精度(R2=0.91)高于OSR-PLS模型(R2=0.50),对波段进行归一化处理能提高浊度PLS反演模型精度;DBPSO能够识别浊度PLS反演的最佳波段,浊度PLS建模所需的波段数由80个分别减少为44个(OSR波段)和36个(NSR波段),在此基础上构建的OSR-DBPSO-PLS模型(R2=0.96)和NSR-DBPSO-PLS模型(R2=0.97)均具有较高精度,显著高于直接利用全谱波段构建的浊度PLS模型反演精度;选择综合误差最小的NSR-DBPSO-PLS模型反演微山湖水体浊度,反演结果符合实际,该模型适用于HJ-1A HSI数据和内陆水体浊度反演。

博斯腾湖西岸湖滨带土壤盐分高光谱反演

选取博斯腾湖西岸湖滨带为研究区,沿垂直湖岸线方向采集14个土壤剖面70个样本,利用ASDFieldSpec3地物光谱仪获取高光谱数据,基于Q型聚类分析研究不同含盐量土壤光谱特征,对土壤光谱反射率与含盐量做逐波段相关分析和显著性检验,筛选不同光谱变换下的敏感波段,通过多元逐步回归和偏最小二乘回归方法,分别以敏感波段和全波段光谱构建12个土壤含盐量反演模型,优选最佳反演模型。结果表明:17种高光谱变换中,4种最优光谱变换使土壤含盐量与Savitzky-Golay平滑后的反射率极显著相关波段数明显增多,分别是反射率的一阶微分、平方根一阶微分、对数倒数一阶微分、倒数对数一阶微分,综合确定盐分敏感波段聚集在749.102430833230,1677和2387nm处;以对数倒数一阶微分光谱全波段建立的偏最小二乘回归模型更适合该区0~50cm土壤含盐量的高光谱反演,其建模和验证决定系数R^2分别为0.93和0.85,均方根误差RMSE分别为0.37和0.42,相对预测偏差RPD为3.57。

基于思维进化优化BP神经网络的大豆叶片叶绿素含量高光谱反演

为进一步研究优化神经网络算法在植物生化参量高光谱反演当中的应用问题,运用遗传算法和思维进化算法对BP神经网络进行优化来构建大豆叶片叶绿素含量反演模型。利用实测光谱数据和对应叶绿素数据建立训练数据集,然后分别使用遗传算法和思维进化算法对BP神经网络进行优化训练,将训练好的模型用于叶绿素含量估算。结果表明,基于思维进化优化BP神经网络模型能准确预测叶绿素含量,且模型最稳定,能够解决小样本情况下叶绿素含量估算问题,并保证估算精度,可以作为大豆叶片叶绿素含量估算的一种新的参考方法。

基于高光谱反演的复垦区土壤重金属含量经验模型优选

以工矿复垦区为实验区域,基于ASD Field Spec 4高光谱遥感数据,结合实测的土壤重金属含量,利用回归分析与特征选择方法,开展了基于高光谱数据的土壤重金属含量反演研究与实验并进行了经验模型优选。通过对光谱曲线进行一阶微分、对数一阶微分以及对数倒数的一阶微分等数学变换有效提高了光谱数据与土壤重金属含量的相关性。在此基础上采用偏最小二乘回归(Partial least squares regression,PLSR)、随机森林回归(Random forest regression,RFR)、支持向量机回归(Support vector machine regression,SVMR) 3种回归分析模型开展土壤重金属含量反演实验,结果表明偏最小二乘回归(PLSR)对研究区内土壤中重金属含量的反演最为有效,尤其对区域内主要障碍因子镉(Cd)元素含量的反演效果最佳,验证集决定系数R2为0. 76。基于粒子群算法(Particle swarm optimization,PSO)、遗传算法(Genetic algorithm,GA)、Relief F算法3种特征选择方法对偏最小二乘回归(PLSR)模型进行优化,结果表明粒子群算法(PSO)可有效降低特征波段变量维度,进一步提高模型反演精度,使决定系数R2由0. 76提高至0. 84。综上,基于高光谱数据,采用偏最小二乘回归(PLSR)与粒子群算法(PSO)相结合的方法,可有效对工矿复垦区土壤中的重金属含量进行测度,可为复垦区土地的质量和生态指标监测提供理论方法和技术支持。

基于地理加权回归模型的葡萄园土壤砷含量高光谱反演

以吐鲁番盆地葡萄园土壤中砷(As)为研究对象,分析15种光谱变换下的土壤光谱反射率数据与土壤As含量的相关性,构建土壤As含量预测的偏最小二乘回归(PLSR)模型和地理加权回归(GWR)模型。结果表明:葡萄园土壤原始光谱率(R)经一阶微分(FD)、平方根一阶微分(SRFD)、平方根二阶微分(SRSD)、倒数二阶微分(RTSD)、对数一阶微分(LTFD)、倒对数一阶微分(ATFD)变换对As光谱特征的增强作用最突出。模型预测结果表明,采用基于LTFD变换的GWR模型可有效提高葡萄园土壤As含量的预测精度。

华南地区土壤汞含量高光谱反演模型的构建

土壤中的重金属汞元素是对人体毒害最大的5种重金属之一,为了实现快速土壤重金属汞的监测,本文采集了广东省75个土壤样品,对其进行室内高光谱测定和化学测试分析,获取高光谱数据及土壤重金属汞含量。为了获取土壤汞的高光谱反演的最佳模型,本研究对土壤高光谱数据进行平滑、连续统去除、光谱微分、倒数对数、倒数、对数、双波段组合等处理,同时,对土壤汞含量作对数变换,通过反复试验,筛选出与对数变换后的土壤汞含量相关性最高的光谱指标。研究结果表明:土壤汞的最佳光谱指标为反射率一阶微分的波段组合(700*R(587. 705nm)-250*R(1373. 48nm)),相关系数高达-0. 744;由反射率一阶微分光谱指标构建的土壤汞的高光谱反演模型最佳(y=0. 1491x3-0. 53x2+0. 0358x+1. 2596),其决定系数R2为0. 60,均方根误差RMSE为0. 183。其验证样本预测值与实测值比较,平均相对误差为0. 169。由此可知该模型用来快速估算广东省土壤汞含量是可靠的。

土壤pH值和全钾含量高光谱反演方法比较

为了预测土壤pH值和全钾含量,采集111个土壤样本的高光谱信息,采用小波变换后去包络的方法对原始光谱信息进行预处理,利用相关性分析法选择土壤光谱特征波段,进行偏最小二乘法回归(PLSR)、主成分分析回归(PCR)、支持向量回归(SVR)3种方法的土壤pH值和全钾含量高光谱反演精度的比较研究。结果显示,在水稻土和紫色土全钾含量和水稻土pH值的反演中,SVR方法都取得了比PLSR方法和PCR方法更好的反演效果。在紫色土pH值反演中,PLSR方法和PCR方法反演效果均优于SVR方法。比较不同类型土壤和不同土壤参数的反演效果发现,水稻土土壤pH值和全钾含量的反演效果均强于紫色土,全钾含量的反演效果优于pH值。本研究结果说明高光谱快速反演土壤pH值和全钾含量具有可行性。

广西喀斯特地区土壤Ca含量高光谱反演研究

【目的】土壤是植物生长所需的必要因子,岩溶区高浓度的土壤Ca含量则影响着当地植物的生长发育。研究基于高光谱反演技术为岩溶区土壤Ca含量的快速测量提供参考。【方法】利用广西典型喀斯特区土壤为研究对象,开展土壤反射率光谱与室内理化分析同步测量。在土壤原始光谱反射率的基础上,进一步对土壤光谱进行一阶导数和包络线去除处理,并利用光谱指数法和主成分回归分析法进行土壤Ca的反演研究。【结果】岩溶区土壤钙含量与土壤光谱之间具有非常高的相关性,在600 nm和2300 nm附近出现较高的峰值,且经过一阶导数和包络线去除处理后的土壤光谱反演效果要明显优于原始光谱。其中,一阶导数处理的指数模型RSI(607 nm,2370 nm)的R2达到0.67,均方根误差为26.34,反演效果最好;包络线去除处理的NDSI(599 nm,601 nm)的R2为0.57,均方根误差为18.24;原始光谱的NDSI(603 nm,604 nm)的R2为0.57,均方根误差为27.94。主成分回归分析的R2为0.57,均方根误差11.92,也具备较好的反演能力。【结论】指数反演中RSI指数具有波段指示意义明确,反演精度高等优点,而主成分回归分析的精度高,分析快,但无法筛选敏感波段。该研究结果证明了高光谱手段反演岩溶区土壤Ca含量的可行性,并为快速获取岩溶区土壤Ca含量的相关研究提供了指导意义。

冬小麦典型多参量冠层高光谱反演的光谱指标敏感性研究

高光谱遥感反演作物参量多集中在单一参量研究上,缺乏多参量综合反演研究。因此,面向多参量反演,需要对传感器参数的有效设置,以及同一指标对不同参量的适宜程度进行综合研究。以冬小麦为例,通过实测冠层光谱反射率和LAI、叶绿素、氮素含量数据,分析了中心波长、波段宽度、信噪比等指标的变化对各参量定量模型的影响,及光谱指标对LAI、叶绿素和氮素定量模型反演的敏感性和有效性,以及对冬小麦典型参量高光谱遥感反演的光谱指标进行了综合性分析。结果表明:反演冬小麦LAI的最佳植被指数为DVI(R^2=0.457,RMSE=0.614%),对应的最佳指标为:中心波长为768 nm和732 nm,波段宽度在5 nm以内,信噪比大于70 d B;反演冬小麦叶绿素的最佳植被指数为MSR(R2=0.554,RMSE=0.548%),对应的最佳指标为:中心波长为768 nm和736 nm,波段宽度在5 nm以内,信噪比大于70 d B;反演冬小麦氮素的最佳植被指数为NDVI_(g_b)(R^2=0.733,RMSE=0.600%),对应的最佳指标为:中心波长为500 nm和454 nm,波段宽度为5 nm以内,信噪比大于70d B。植被指数SAVI在一定波段范围内可同时反演LAI、叶绿素和氮素;MSAVI、DVI、RDVI和NDVI均可在一定波段范围内同时反演LAI和叶绿素含量,而反演LAI和氮素含量的适宜波段以及反演叶绿素和氮素的适宜波段存在差异。利用高光谱植被指数可实现作物参量的有效反演,且作物参量的定量反演对不同的光谱指标,即中心波长、波段宽度和信噪比具有较强的敏感性。

基于连续小波变换、SHAP和XGBoost的土壤有机质含量高光谱反演

针对土壤有机质含量高光谱反演中存在的光谱有效信号薄弱和光谱信息冗余问题,提出结合连续小波变换、SHAP和XGBoost的土壤有机质含量高光谱反演框架.以北京市延庆区和房山区永久基本农田土壤为研究对象,首先,基于连续小波变换处理的土壤光谱反射率数据构建初始XGBoost模型;然后,利用SHAP方法分析模型中各波段的贡献度以筛选特征波段;最后,基于特征波段重新构建和优化XGBoost模型,实现土壤有机质含量高光谱反演.发现连续小波变换尺度为25时,利用SHAP方法选取的40个特征波段构建的XGBoost模型准确性最高,有机质含量反演值和实测值之间的R~2为0.80,RMSE为3.60g·kg^(-1);随着连续小波变换尺度的增大,R2呈现先升高后降低的趋势,25尺度下的R2比21尺度的高0.37;SHAP方法选取的特征波段比Pearson相关分析法少682个,RMSE低0.69 g·kg^(-1);XGBoost模型的R2分别比随机森林和支持向量机模型高4%和8%.验证了结合连续小波变换、SHAP和XGBoost在土壤有机质含量高光谱反演中的有效性,为快速、准确监测土壤有机质含量提供技术支撑.

基于多种高光谱指标反演冻结土壤含水率的研究

在中国季节性冻融区如何高效快速地监测冻结土壤的含水率至关重要。以内蒙古河套灌区典型灌域土壤为对象,在实验室分梯度配置不同含水率的土样,通过地物光谱仪测定土壤冻结与未冻结状态下的高光谱数据,处理得到原始光谱反射率(Raw Spectral Reflectance,REF)、一阶微分反射率(First-order Differential Reflectance,FDR)和二阶微分反射率(Second-order Differential Reflectance,SDR)、标准正态变量变换(Standard Normal Variable Reflectance,SNV)和倒数之对数变换(Logarithm of Reciprocal,LR)5种光谱指标,采用偏最小二乘回归法(Partial Least Squares Regression,PLSR)、多元逐步回归法(Multiple Stepwise Regression,MSR)、支持向量机法(Support Vecor Machine,SVM)和一元线性回归法(Unary Linear Regression,ULR),构建基于不同光谱指标的土壤含水率高光谱反演模型并进行回归分析。结果表明,冻结状态下基于REF、FDR和SDR指标构建的模型反演精度低于未冻结状态,REF的验证集决定系数(Rp^(2))的最大值为未冻结状态下PLSR的0.952,最小值为冻结状态下ULR的0.621;FDR的Rp^(2)最大值为未冻结状态下SVM的0.955,最小值为冻结状态下MSR的0.618;SDR的Rp^(2)最大值为未冻结状态下的SVM的0.858,最小值为未冻结状态下PLSR的0.252。未冻结状态下SNV、LR指标的反演精度略低于冻结状态,SNV的Rp^(2)最大值为冻结状态下PLSR的0.796,最小值为未冻结状态下ULR的0.621;LR的Rp^(2)最大值为冻结状态下MSR的0.789,最小值为未冻结状态下ULR的0.667;未冻结状态下最佳模型组合为FDR-SVM,Rp^(2)为0.955,冻结状态下最佳组合模型为REF-PLSR,Rp^(2)为0.799。研究成果可为土壤冻结状态下利用高光谱遥感技术监测土壤含水率提供一定的技术支撑。