土壤有机质是土壤成分的重要组成部分,对植物的生长发育、土壤肥力的保持以及生态系统的正常运作均发挥着重要的作用。高光谱遥感因其波段多、波段窄、信息丰富而成为土壤有机质估测的重要手段,但目前仍存在估测精度不理想的问题。为提高土壤有机质的光谱估测精度,本研究的研究区位于山东省泰安市,将采集的92个棕壤样本作为研究对象,测定其有机质含量及室外光谱反射率数据,采用灰色区间与粒子群优化神经网络算法,建立土壤有机质高光谱估测模型。主要研究内容及结论如下:(1)提取了土壤有机质的特征因子首先对光谱反射率进行预处理,包括平滑处理、剔除异常样本等。在此基础上为提高有机质含量与光谱反射率之间的相关性,对光谱反射率进行倒数、平方、对数、平方根、一阶微分及其相应的组合等12种数学变换,并通过极大相关性原则提取特征因子。结果表明,一阶微分与二阶微分变换能明显提高有机质与光谱反射率之间的相关性,选取一阶微分的575nm、1379nm、2127nm、2341nm和二阶微分的793nm作为有机质含量反演的特征因子。(2)建立了基于灰色区间的土壤有机质高光谱PSO-BPNN估测模型首先针对神经网络易陷入局部极小值的缺陷,借助粒子群算法的可搜索到全局最优解的特性,建立了粒子群优化神经网络的土壤有机质高光谱估测模型。然后,利用粒子群优化神经网络模型得到的预测值来计算灰色区间,利用灰色区间及相关性原则对建模样本进行进一步筛选,而后建立基于灰色区间的土壤有机质高光谱粒子群优化神经网络模型;并与传统建模方法的估测结果进行对比分析。结果表明,基于灰色区间的粒子群优化神经网络模型的决定系数为0.8826、平均相对误差为3.572%,而粒子群优化神经网络模型的决定系数为0.853、平均相对误差为4.34%;BP神经网络模型、支持向量机模型、多元线性回归模型的平均相对误差分别为8.79%、6.717%、9.468%。这说明基于灰色区间的粒子群优化神经网络模型是有效的,为土壤有机质含量的高光谱估测提供了一种可行的方法。