鄱阳湖湿地是中国最大的淡水湖生态湿地,是陆地上重要的有机碳库,土壤中有机碳的密度很高,可以在较长的时间里储存碳,其土壤中有机碳含量的变化反映了大气中氧气和二氧化碳的动态平衡。随着人们对湿地碳循环的日益关注,及时精准的获取有机碳含量也成为了一项重要的研究课题。随着遥感技术,尤其是高光谱遥感技术的广泛应用,其光谱分辨率高和波段多的优势为我们提供了一种准确,快速,无损的方法去及时有效的获得土壤有机碳含量指标。然而,土壤高光谱反映的是土壤理化性质的综合信息,如何有效地在具有复杂性质的光谱中准确提取出土壤有机碳的特征光谱和敏感信息已成为当务之急。这对于降低土壤有机碳估算模型的复杂性,提高估算模型的精确度具有深远的理论意义,对于实现区域范围或单一田块土壤有机碳的快速监测具有重要的应用价值。本研究围绕上述热点与难点,以江西省鄱阳湖流域湿地土壤为研究对象,选择246个采样点在原位静态利用ASD FielDSpec Pro FR型光谱仪采集其原位vis-NIR光谱,然后在实验室经风干、研磨、过筛处理后采集其室内光谱,同时利用化学方法获得所有样本有机碳含量数据,研究基于原位vis-NIR光谱对土壤有机碳(OC)进行预测的可行性。接下来分别采用吸收率转换(Absorptivity conversion)、SG卷积平滑(Savitzky-Golay smoothing)、吸收率转换+SG(Absorptivity conversion+Savitzky-Golay smoothing)、一阶微分+SG(First derivative+SG)、连续统去除(Continuous removal)五种方法进行光谱数据的预处理,将处理后的光谱数据分别进行线性偏最小二乘回归(Partial Least Square Regression,PLSR)和非线性最小二乘-支持向量机回归(Least Square Support Vector Machine Regression,LS-SVMR)建模分析,对同一种模型,纵向比对不同预处理方法对模型精度的影响;对同一种预处理方法,横向比对不同模型的预测效果。同时,比较室内及野外原位光谱在在相同预处理方法下的建模精度。在此基础上,采用额外参数正交化法(External parameter orthognolization,EPO)、光谱转换法,其中又分为直接转换(Direct Standardization,DS)以及分段转换(Piecewise Direct Standardization,PDS),广义最小二乘加权算法(Generalized least squares weighting algorithm,GLSW)四种方法对吸收率转换后的原位光谱中的环境影响因素进行去除。最后,将经过去水分后的原始光谱进行偏最小二乘回归建模,并对比四种去水分算法处理后的建模精度。研究发现:(1)在使用连续统去除(即去包络线消除)算法后,光谱吸收特征开始凸显,尤其是在1450nm和1940nm波段附近,而这两处正是水分存在的波段,原始光谱和和经过连续统去除后的光谱出现了较大差异。其中,野外原为光谱在水分波段处的吸收谷要明显大于经连续统去除后的室内光谱,究其原因,湿地土壤长期浸水导致了这一现象。wavelength t检验也验证了这一结果。因此可以断定,水分因素是鄱阳湖湿地原位光谱测量过程中的主要环境影响因素。(2)在所有光谱预处理方法中,经吸收率转换+SG平滑处理后的光谱建模精度最高。对原位光谱而言,经过吸收率转换+SG平滑处理后所建立的PLSR模型相比未经处理所建立的模型RPD由1.96提升到2.52,R~2由0.74提升到0.84;其次提升最大的是经一阶微分+SG平滑处理后的光谱,其RPD由1.96提升到2.34,R~2由0.74提升到0.81;两种预处理方法皆可较大幅度提升OC预测建模精度,达到有效的定量预测的目的。同时,对比几种光谱预处理方法,我们还发现单一的处理方法对建模精度的提升要弱于两种预处理相结合的方法,这是因为两种相结合的方法既兼顾到光谱特征的放大,又平衡了噪声和无效信息的引入。(3)无论是对室内光谱还是原位光谱,基于非线性的数据挖掘算法LS-SVM所建立的模型在预测精度上要优于基于线性的数据挖掘算法PLSR所建立的模型。将野外原位光谱与室内光谱建模结果对比后发现,每一种预处理方法下的室内光谱的预测精度都要优于野外原位光谱。这是因为光谱数据由于其高维属性的特征,导致其与有机碳含量之间的关系十分复杂,常规线性方法往往难以对土壤的vis-NIR光谱进行解析。而非线性的数据挖掘算法由于具有较强的分布式数据运算处理以及学习能力,在大型特种空间的运算当中能充分逼近复杂的非线性关系。同时,因为室内光谱消除了环境因素(尤其是水分)对SOC光谱特征的遮盖,从而增加了对SOC光谱信息的有效提取,导致室内光谱的预测精度要优于原位光谱。(4)经四种去水分算法处理后的原始吸收率光谱都能建立较高精度的有机碳预测模型,其中经EPO和GLSW处理后的原始光谱建模精度提升最大,同只经过简单吸收率转换处理后的光谱相比,EPO处理后的光谱建模精度R~2可以达到0.84,RPD可以达到2.55;GLSW处理后的光谱建模精度R~2可以达到0.81,略低于EPO,RPD则达到2.58,高于EPO。在四种算法中,EPO、DS和PDS需要从整个样本集中选择具有代表性的小部分样本带回实验室,分别获取其野外原位光谱和室内光谱,通过两者的对应关系建立转换矩阵,同时计算转换系数。GLSW则利用样本全集一一对应建立滤波矩阵。研究发现,在建立转换矩阵的过程中,PDS转换后的光谱出现了奇异锐峰,可能会影响到接下来的建模精度,对PDS光谱进行一阶微分处理可以消除这种情况。四种算法处理后的建模精度从低到高排列分别是DS、PDS、EPO、GLSW。