土壤是农作物生长的基础,全氮、有机质等作为主要养分含量,对作物生长有重要作用。传统的土壤养分测定方法费时、费力、时效性差,而利用高光谱遥感技术构建土壤全氮和有机质定量估算模型进而反演其含量,可有效提高土壤养分的监测效率,为土壤信息化管理和作物精准施肥提供重要的依据。本研究以河南省4种主要土壤类型共347个样本为研究对象,采用高光谱遥感技术获取土壤样本的光谱反射率曲线,对原始光谱曲线进行一阶导数、倒数、倒数的一阶导数等10种光谱形式变换,采用相关分析(CA)和遗传算法(GA)挑选出土壤全氮和有机质的特征波段,结合偏最小二乘回归(PLSR)、支持向量机(SVM)、BP神经网络(BPNN)与随机森林(RF)等4种建模方法分别构建了土壤全氮和有机质的高光谱估测模型。主要结果如下:(1)利用传统统计方法对5个采样区土壤样本的全氮和有机质进行统计分析得出,漯河和商水的全氮含量处于中等以上水平,滑县、信阳、平顶山的全氮含量处于中等以下水平;商水的有机质含量处于中等以上水平,漯河、滑县、信阳和平顶山四个地区的有机质含量处于中等以下水平。从变异系数来看,5个地区的全氮和有机质均处于中等变异水平。(2)土壤光谱曲线除在1400nm、1900nm和2200nm附近存在明显的吸收峰,整体趋势相对平缓。不同土壤类型光谱曲线走势大致相同,但反射率的高低具有一定的差异。养分含量也会影响反射率的大小,如砂姜黑土的有机质含量高,反射率整体比较低,潮土、水稻土和褐土的原始光谱曲线走势区别不明显,但多处有交叉状况。(3)确定了土壤全氮和有机质的特征波段。分别对原始光谱及其各种变换形式与全氮和有机质含量进行相关分析,表现最好的是(1/lgR),它与全氮和有机质的相关系数的峰值点最多且最明显,且与全氮和有机质的相关系数分别达到了0.79和0.81。将(1/lgR)与全氮和有机质相关系数的10个峰值点所在波段作为特征波段;采用GA对原始光谱进行全氮和有机质的特征波段选择时,以10nm为光谱选择的区间大小,按波段选择的频率和组分的贡献率由大到小排列,将频率排名在前10的光谱波段区间的原始光谱波段作为特征波段。(4)基于特征波段,分别采用PLSR、SVM、BPNN与RF等4种建模方法构建全氮和有机质含量的估测模型。利用RF模型构建的模型的验证精度RPD均大于2,表明了RF可以用于全氮和有机质的高光谱估测模型的构建中,并有较好的估测能力。除了基于GA-RF构建的模型精度小于CA-PLSR构建的模型精度之外,SVM、BPNN和RF三种非线性建模方法的估测模型精度要高于线性模型PLSR的估测精度。除了基于CA-PLSR构建的估测模型精度RPD小于2之外,其他模型精度RPD均大于2,表明模型对全氮和有机质有较好的估测能力,其中基于BPNN构建的模型估测精度最高,是整体建模结果中最好的模型。