基于連續統去除法的南疆水稻土有機質含量預測①

向紅英，柳維揚，彭　杰*，王家強，遲春明，牛建龍

（1 塔里木大學經濟與管理學院資源與環境經濟研究所，新疆阿拉爾　843300；2 塔里木大學植物科學學院，新疆阿拉爾　843300）

?

基于連續統去除法的南疆水稻土有機質含量預測①

向紅英1，柳維揚2，彭杰2*，王家強2，遲春明2，牛建龍2

（1 塔里木大學經濟與管理學院資源與環境經濟研究所，新疆阿拉爾843300；2 塔里木大學植物科學學院，新疆阿拉爾843300）

摘要：監測土壤有機質含量狀況，可為土壤肥力診斷及土壤資源的合理開發利用提供科學依據。本研究通過對南疆191個水稻土樣品的反射率數據進行連續統去除處理后，構建了有機質連續統去除光譜指數并提取了850 ～1 380、1 380 ～ 1 550、1 730 ～ 2 150、2 150 ～ 2 380 nm 4個波段的吸收特征參數，據此建立了多種定量反演模型。結果表明：經連續統去除后，有機質的吸收特征得到了有效放大，不同有機質含量的連續統去除曲線在850 ～ 1 380 nm，其有機質含量與連續統去除值呈正相關，與吸收面積呈負相關，而在1 730 ～ 2 150 nm波段則呈現相反的規律。反射率連續統去除值與有機質含量的相關性要優于反射率與之的相關性，而反射率一階微分與連續統去除一階微分與有機質的相關性差異不明顯。不同有機質光譜指數模型之間的建模參數與預測能力差異不大，但均只具備初略估測有機質的能力。吸收特征參數模型中，僅有850 ～ 1 380 nm 波段的面積歸一化最大吸收深度（NMAD850～1380nm）所建模型具有較好的定量預測能力。以反射率、反射率連續統去除、反射率一階微分、反射率連續統去除一階微分所建的PLSR模型均具有較好的預測能力，相對分析誤差均大于2.00。所有模型中，連續統去除一階微分（CR′）模型的決定系數與相對分析誤差最高，分別為0.91、2.58，均方根誤差最低，其值為5.62，具有最好的預測能力。

關鍵詞：連續統去除；高光譜；水稻土；有機質含量；預測

土壤有機質既是植物養分的主要來源，也是土壤肥力診斷的核心指標。準確、快速地監測其含量，對于土壤肥力評價、土壤資源合理規劃、農業產業結構的調整與布局等方面具有重要意義。傳統的有機質化學測定方法雖然具有較高的精度，但因其費時、費力、成本高、環保性差等方面的不足，無法滿足現代農業精準變量施肥的要求，同時也很難實現大面積土壤有機質的快速、動態監測。光譜技術的出現，為解決這一瓶頸問題提供了新的思路與途徑。可見光-近紅外光譜已經成為一種快速、低廉、高效的預測土壤屬性的技術［1］。眾多研究表明，400 ～ 1 000 nm是有機質主要的光譜響應區域［2-8］，具有對有機質進行定量分析的潛力。目前，在我國不同地區進行了大量關于土壤有機質高光譜定量反演的研究［9-15］，但不同地區因土壤母質、成土過程、有機質組成等方面的差異，造成有機質敏感波段存在不確定性［16］，所建反演模型也不盡相同。因此，目前針對土壤有機質的定量反演還是以區域性研究為主。但是，就全國范圍而言，南疆的類似報道較少，特別是關于南疆水稻土有機質高光譜定量反演模型構建方面的報道。

有機質定量反演模型的精度是其有效性與適用性的關鍵因素。光譜數據處理作為提高模型反演精度的有效途徑之一，已經得到了廣泛的應用。連續統去除具有消除不相關背景信息、增強感興趣吸收特征的作用，可明顯改善具有吸收特征地物的光譜數據與屬性數據之間的相關性，從而提高模型的反演精度。龔紹琦等［17］利用光譜一階微分、倒數對數和連續統去除法數據，建立了濱海鹽土重金屬含量高光譜反演模型，結果表明以一階微分處理的模型精度最高。李曉明等［18］研究表明土壤反射率經連續統去除后，可提高鹽分的預測精度。彭杰等［19］利用連續統去除數據研究了土壤鹽分的預測，表明以 640 ～ 700 nm 波段連續統去除數據構建的模型對南疆水稻土鹽分含量具有很好的反演效果。謝伯承等［20］利用導數光譜法和連續統去除法預測土壤有機質含量，得出光譜特征吸收面積與有機質含量有較好的相關，達到 0.01 顯著水平。從國內外研究現狀來看，連續統去除法雖然在植物長勢監測、礦物鑒定、土壤鹽分與有機質的高光譜特征及定量反演方面均有一定的報道，但關于系統地利用連續統去除數據及其不同變換形式以及由其構建的光譜指數來探討有機質的高光譜特征與反演方面的報道甚少，有待于進一步深入研究。

綜上，本研究以南疆水稻土為研究對象，以有機質為研究因子，利用反射率的連續統去除數據探討有機質的高光譜特征，并建立連續統去除數據及其不同變換形式、光譜指數、吸收特征參數的有機質定量反演模型，以期為南疆水稻土有機質的高光譜遙感監測提供一定的理論基礎和參考依據。

1　材料與方法

1.1土樣的采集與處理

土壤類型為水稻土，根據代表性、典型性和集中性原則，選取新疆維吾爾自治區阿克蘇地區的溫宿縣、拜城縣以及和田地區的和田縣為采樣區域。采用網格采樣法，樣點距離為50 m左右，采樣深度為0 ～20 cm。每個土樣采集重量為2 kg左右，共采集土樣191個，其中溫宿縣112個，和田縣58個，拜城縣21個。土樣帶回實驗室后，清除小石塊及作物殘留物等非土壤成分物質，于實驗室自然風干。風干后的樣品經研磨過10、100目，分別用于光譜測試和有機質含量的測定。

1.2土樣的測試項目與方法

采用重鉻酸鉀容量法-外加熱法測定土壤有機質含量，每個土樣設3個重復，重復間相對誤差控制在5%以內，取3個重復的平均值為其測定值。本次共191個供試土樣，隨機分成建模組與預測組，其中建模組141個樣本，預測組50個樣本，有機質含量數據見表1。由表1可知，不同土樣的有機質含量變化范圍較大，具有較大的標準差和變異系數，這有利于模型的構建，所建模型也更具普適性。

表1　土壤有機質含量統計特征Table 1　Statistic characteristics of soil organic matter contents

1.3土樣光譜測試

采用美國ASD公司的FieldSpec Pro FR型光譜儀進行土壤的室內測試，該儀器波長范圍為 350 ～2 500 nm，光譜分辨率分別為3 nm（350 ～ 1 000 nm）和10 nm（1 000 ～ 2 500 nm），采樣間隔為1 nm。光源是功率為50 W的鹵素燈，距土壤樣品表面70 cm，天頂角30°。土壤樣本放置于直徑10 cm、深1.5 cm、內部全部涂黑的培養皿內，用直尺將土樣表面刮平。傳感器探頭位于土壤樣本表面垂直上方15 cm處，采用25°視場角探頭。測試之前先進行白板校正。每個土樣采集4個不同方向的光譜曲線，每個方向之間相隔90°，算術平均后得到該土樣的實際反射光譜數據。

1.4光譜數據處理及吸收特征參數提取

每個土樣的光譜曲線去除噪聲較大的邊緣波段350 ～ 399 nm和2 400 ～ 2 500 nm。采用小波去噪法對土壤光譜進行濾波去噪，小波去噪由MATLAB軟件實現。數據變換包括一階微分處理和連續統去除處理。

連續統去除處理后，提取出如下幾個典型吸收特征：吸收峰總面積（absorption peak total area，APTA），即為吸收峰的積分面積；最大吸收深度（maximum absorption depth，MAD），即為吸收峰內連續統去除的最小值；面積歸一化最大吸收深度（normalization maximum absorption depth area，NMAD），即為最大吸收深度與吸收峰總面積的比值［21］。

1.5有機質光譜指數構建

根據相關性分析結果，選擇連續統去除的可見光最大負相關波段600 nm、近紅外最大正相關波段950 nm構建連續統去除歸一化指數（ normalized index of continuum removal，NICR）、連續統去除差值指數（difference index of continuum removal，DICR）、連續統去除比值指數（ratio index of continuum removal，RICR）。

式中：CR610、CR950表示600、950 nm波段的連續統去除值。

1.6模型構建與精度評價

建模方法采用光譜分析中最常用的偏最小二乘回歸（partial least squares regression，PLSR），模型驗證方法采用交叉驗證法。模型精度采用決定系數（R2）、相對分析誤差（relative percent deviation，RPD）、均方根誤差（root mean square error，RMSE） 3個指標來評價。建模時，隨機選擇141個樣本用于建模，剩余的50個樣本用于預測模型。

此外，目前普遍認為，當1.5＜RPD＜2時表明模型只能對樣品高含量與低含量進行粗略估測，當2.0＜RPD＜2.5時表明模型具有較好的定量預測能力，當 2.5＜RPD＜3.0時模型具有很好的預測能力，當RPD＞3.0時模型具有極好的預測能力［22］。

2　結果與分析

2.1土壤有機質的高光譜特征

圖1為不同有機質含量土樣的光譜特征曲線。由圖1A可以看出，不同有機質含量土樣的反射率曲線在400 ～ 900 nm范圍內表現出較大的差異，該波段內反射率隨有機質含量的增加而降低；同時，在500 ～800 nm波段，低有機質含量土樣的曲線具有明顯的反射峰，高有機質含量的土樣不明顯；900 nm波段以后，不同有機質含量曲線之間的反射率差異不如400 ～ 900 nm波段明顯，且有機質含量與反射率大小之間沒有明顯的規律性；在1 400、1 900、2 300 nm波段出現明顯的吸收特征，其中，1 900 nm處的吸收深度、吸收面積與有機質含量呈現出正相關趨勢，其余兩處不明顯。

圖1　不同有機質含量土樣反射率（A）與連續統去除（B）曲線Fig. 1　Reflectance curves （A） and continuum removal curves of soils with different soil organic matter contents

反射率經連續統去除后（圖 1B），吸收特征得到了明顯放大，如500、770 nm的微弱吸收帶在連續統去除曲線中可以觀察出來，而在反射率曲線中則不明顯。不同有機質含量的連續統去除曲線具有4個典型的吸收特征波段，即850 ～ 1 380、1 380 ～1 550、1 730 ～ 2 150、2 150 ～ 2 380 nm。其中，在850 ～ 1 380 nm，有機質含量與連續統去除值呈正相關，與吸收面積呈負相關，而在1 730 ～ 2 150 nm波段則呈現相反的規律，其余兩吸收處無明顯規律。

2.2土壤有機質與光譜參數的相關性分析

圖2為土壤有機質含量與土壤反射率（R）、反射率一階微分（R′）、反射率連續統去除（CR）、反射率連續統去除一階微分（CR′）的相關系數曲線。由圖2可以看出，土壤反射率與有機質含量在整個波長范圍內均呈負相關，在400 ～ 890 nm達到極顯著水平，最大相關系數出現于600 nm左右，但絕對值低于0.6。反射率連續統去除相對于反射率而言，相關性得到了明顯改善，達極顯著水平波段顯著增加，特別在850 ～1 300 nm波段出現一個高相關系數平臺，相關系數在0.7 ～ 0.8間變動，最大相關系數位于950 nm附近，達到0.81；此外，在1 400、1 900、2 200、2 300 nm波段也具有明顯的相關系數峰，其中1 400 nm處的相關性優于其他3個波段。在可見光部分，反射率一階微分與有機質含量的相關性要稍優于連續統去除一階微分與有機質含量的相關性，尤其是在可見光波段的660、820 nm附近，而在近紅外波段，則是后者要好于前者。

2.3有機質反演模型的構建

表2為連續統組合光譜指數、吸收特征參數、反射率連續統去除及其一階微分、反射率及其一階微分的建模參數。其中，單變量采用直線回歸（LR）建模，多變量采用偏最小二乘回歸（PLSR）建模，PLSR模型的建模波段均為400 ～ 2 400 nm。由表2可知，所有19個模型中，除 APTA1380～1550nm、APTA1730～2150nm、APTA2150～2380nm、MAD1730～2150nm、MAD2150～2380nm、NMAD1380～1550nm、NMAD1730～2150nm、NMAD2150～2380nm 這8個模型外，其余模型均達極顯著水平。總體比較來看，光譜指數模型與PLSR模型具有較好的建模效果，所有模型均達到了極顯著水平，RMSE都小于9.00；而以吸收特征參數建立的模型，僅有 850 ～1 380 nm波段具有較好的效果，R2大于0.55，RMSE 在 9.40以下，其余波段提取的特征參數所建模型除MAD1380～1550nm外，R2均未達到顯著水平，且 RMSE均大于13.00。由表2還可以看出，反射率經連續統去除處理后，模型的精度得到了有效的改善，R2由0.65提高到0.76，RMSE由8.31降低至6.83，但反射率連續統去除一階微分與反射率一階微分相比較而言，反射率一階微分的建模精度要稍高于反射率連續統去除一階微分。在所有模型中，以反射率一階微分建立的PLSR模型的R2最高、RMSE最低，分別為0.81、6.07。

圖2　有機質含量與光譜參數的相關性曲線Fig. 2　Correlations between soil organic matter contents and spectral parameters

表2　不同光譜參數的建模效果Table 2　Determination coefficients and RMSEs of models established with different spectral indexes

2.4不同反演模型的驗證與比較

表3為50個驗證樣本對模型預測與穩定性的檢驗結果。由表3可以看出，光譜指數、反射率連續統去除及其一階微分、反射率及其一階微分所建的PLSR模型均通過了極顯著水平檢驗，而以吸收特征參數所建模型的預測能力普遍欠佳，僅 850 ～1 380 nm波段的吸收特征參數具有較好的效果。在以光譜指數建立的模型中，各模型的R2、RMSE、RPD均無明顯差異，R2均為0.75左右，RMSE均在8.90左右，RPD均在1.63左右。以吸收特征參數建立的模型中，不同波段提取的特征參數所建模型的預測效果存在明顯差異，850 ～ 1 380 nm波段的吸收峰面積（APTA）、最大吸收深度（MAD）、歸一化最大吸收深度（NMAD）模型的R2均在0.75以上，RMSE均小于8.30，RPD均在1.75以上，而其余3個波段的特征吸收參數模型，雖然有的 R2也達到了極顯著水平，但RMSE普遍大于13.00，RPD均小于1.50，模型的預測能力和穩定性欠佳。反射率經連續統去除處理后，R2明顯提高，RMSE更低，RPD也由2.04增加到2.23，同時，反射率一階微分與連續統去除一階微分相比較而言，雖然建模效果前者好于后者，但模型的預測能力和穩定性不如后者。所有模型中，光譜指數所建3個模型、APTA850～1380nm、MAD850～1380nm模型的RPD在1.50 ～ 2.0，表明模型只能對樣品有機質高含量與低含量進行粗略估測；NMAD850～1380nm、R、CR、R′所建模型的RPD在2.0 ～ 2.5，模型具有較好的定量預測能力；僅有CR′ 模型的RPD在2.5 ～ 3.0，該模型對土壤有機質含量具有很好的預測能力。

3　小結

不同有機質含量的土壤反射率連續統去除曲線顯示，在 850 ～ 1 380 nm 波段，土壤有機質含量與反射率連續統去除值呈正相關，與吸收面積呈負相關，而在 1 730 ～ 2 150 nm 波段則呈現相反的規律。土壤有機質含量與光譜數據的相關性分析表明，反射率經連續統去除處理后，與有機質含量的相關性得到了明顯改善，特別是在 850 ～ 1 300 nm 波段出現一個高相關系數平臺，相關系數在 0.7 ～ 0.8 間變動。反射率一階微分與連續統去除一階微分在與有機質含量相關性方面的差異不大。

表3　不同模型的預測效果Table 3　Accuracies of different SOM prediction models

通過比較不同模型的 R2、RMSE、RPD后表明，不同光譜指數模型之間的差異不明顯，預測集的 R2均在0.75 左右，RMSE 均在 8.90 左右，RPD 均在1.63 左右。以 850 ～ 1 380、1 380 ～ 1 550、1 730 ～2 150、2 150 ～ 2 380 nm 這 4 個波段提取的 APTA、MAD、NMAD 參數所建立的模型中，以 850 ～ 1 380 nm的吸收特征參數模型明顯要優于其他波段，尤其是NMAD850～1380nm所建模型預測集的 R2達到 0.86，RPD 達到 2.29。反射率經連續統去除處理后，R2明顯提高，RMSE 更低，RPD 也由 2.04 增加到 2.23。反射率一階微分與連續統去除一階微分相比較而言，雖然建模效果前者好于后者，但模型的預測能力和穩定性不如后者。所有模型中，CR′ 模型的 R2與 RPD最高，分別為 0.91、2.58，RMSE 最低，為 5.62，具有最好的預測能力，可推薦為南疆水稻土有機質的高光譜定量反演模型。

參考文獻：

［1］ Islam K， Singh B， Mcbratney A. Simultaneous estimation of several soil properties by ultra-violet， visible， and nearinfrared reflectance spectroscopy［J］. Soil Research. 2003，41（6）： 1 101-1 114

［2］He T， Wang J， Lin Z J， et al. Spectral features of soil organic matter［J］. Geo-spatial Information Science， 2009，12（1）： 33-40

［3］ 彭杰， 張揚珠， 周清， 等. 去除有機質對土壤光譜特性的影響［J］. 土壤， 2006， 38（4）： 453-458

［4］ 劉煒， 常慶瑞， 郭曼， 等. 不同尺度的微分窗口下土壤有機質的一階導數光譜響應特征分析［J］. 紅外與毫米波學報， 2011， 30（4）： 316-321

［5］Galvao L S， Vitorello ?. Variability of laboratory measured soil lines of soils from southeastern Brazil［J］. Remote Sensing of Environment， 1998， 63： 166-181

［6］盧艷麗， 白由路， 楊俐蘋， 等. 高光譜的土壤有機質含量預測模型的建立與評價［J］. 中國農業科學， 2007， 40（9）：1 989-1 995

［7］ Krishnan P，Alexander J D，Butler B J．Reflectance technique for predicting soil organic matter［J］. Soil Science Society of America Journal， 1980， 44（6）： 1 282-1 285

［8］ Gunsaulis F R，Kocher M F，Griffis C L. Surface structure effects on close-range reflectance as a fu-nction of soil organic matter content［J］. American Society of Agricultural and Biological Engineers， 1991， 34（2）： 641-649

［9］ 盧艷麗， 白由路， 楊俐蘋， 等. 東北平原不同類型土壤有機質含量高光譜反演模型同質性研究［J］.植物營養與肥料學報， 2011， 17（2）： 456-463

［10］ 劉嬌， 李毅， 劉世賓. 光譜測定黑河上游土壤有機質的預測模型［J］. 光譜學與光譜分析， 2013， 33（12）： 3 354-3 358

［11］ 劉煥軍， 張柏， 趙軍， 等. 黑土有機質含量高光譜模型研究［J］. 土壤學報， 2007， 44（1）： 27-32

［12］ 劉磊， 沈潤平， 丁國香. 基于高光譜的土壤有機質含量估算研究［J］. 光譜學與光譜分析， 2011， 31（3）： 762-766

［13］ 王延倉， 顧曉鶴， 朱金山， 等. 利用反射光譜及模擬多光譜數據定量反演北方潮土有機質含量［J］. 光譜學與光譜分析， 2014， 34（1）： 201-206

［14］ 徐明星， 周生路， 丁衛， 等.蘇北沿海灘涂地區土壤有機質含量的高光譜預測［J］.農業工程學報， 2011， 27（2）：219-223

［15］ 彭杰， 張楊珠， 龐新安， 等. 新疆南部土壤有機質含量的高光譜特征分析［J］. 干旱區地理，2010，33（5）： 740-746

［16］ 紀文君， 史舟， 周清， 等. 幾種不同類型土壤的VIS-NIR光譜特性及有機質響應波段［J］. 紅外與毫米波學報，2012， 31（3）： 277-282

［17］ 龔紹琦， 王鑫， 沈潤平， 等. 濱海鹽土重金屬含量高光譜遙感研究［J］. 遙感技術與應用， 2010， 25（2）： 169-177

［18］ 李曉明， 韓霽昌， 李娟. 典型半干旱區土壤鹽分高光譜特征反演［J］. 光譜學與光譜分析， 2014， 34（4）： 1 081-1 084

［19］ 彭杰， 遲春明， 向紅英， 等. 基于連續統去除法的土壤鹽分含量反演研究［J］. 土壤學報， 2014， 51（3）： 459-469

［20］ 謝伯承， 薛緒掌， 劉偉東， 王紀華， 王國棟. 基于包絡線法對土壤光譜特征的提取及其分析［J］. 土壤學報， 2005，42（1）： 171-175

［21］ 張雪紅， 劉紹民， 何蓓蓓. 基于包絡線消除法的油菜氮素營養高光譜評價［J］. 農業工程學報， 2008， 24（10）：151-155

［22］ Saeys W， Mouazen A M， Ramon H. Potential for onsite and online analysis of pig manure using visible and near infrared reflectance spectroscopy［J］. Biosystem Engineering，2005， 91（4）： 393-402

Predicting Organic Matter Content in Paddy Soil Using Method of Continuum Removal in Southern Xinjiang， China

XIANG Hongying1， LIU Weiyang2， PENG Jie2*， WANG Jiaqiang2， CHI Chunming2， NIU Jianlong2
（1 Institute of Resource and Environmental Economics， College of Economics and Management， Tarim University， Alar， Xinjiang 843300， China； 2 College of Plant Science， Tarim University， Alar， Xinjiang843300， China）

Abstract：Monitoring soil organic matter（SOM） content can provide scientific basis for soil fertility diagnosis and rational utilization of soil resources. Through continuum removal process on reflectance curves of 191 soil samples from southern Xinjiang， SOM continuum removal spectral indexes were constructed and four absorption parameters were identified in accordance with 850-1380， 1380-1550， 1730-2150 and 2150-2380 nm， respectively. Subsequently， a number of quantitative inversion models were established to illustrate SOM contents. The results showed that absorption characteristics of SOM were amplified owing to the continuum removal reflectance， and SOM content was positively correlated with continuum removal values and negatively correlated with absorption area in 850-1380 nm， however， inverse correlations were observed in 1730-2150 nm. Additionally， the correlation between SOM content and values of continuum removal reflectance was better than that between SOM content and reflectance， meanwhile， the correlation between SOM content and first derivative of continuum removal reflectance was not significantly different from that between SOM content and first derivative of reflectance. As a whole，there were no significant differences in predictive accuracies when using exponential models based on SOM spectral indexes， and these models could estimate roughly SOM content. The model generated by NMAD850-1380nm（normalization maximum absorption depth area in 850-1380 nm） could predict SOM content better among all models based on absorption characteristic parameters. All of the PLSR models， which were established based on reflectances（R）， continuum removal（CR）， first derivative of reflectance （R′） or first derivative of continuum removal reflectance （CR′） values， respectively， could predict SOM content with all RPD values higher than 2.00， while the CR′ model was the best with highest R2（0.91） and RPD （2.58） but lowest RMSE （5.62）.

Key words：Continuum removal； Hyperspectral； Paddy soil； Soil organic matter content； Predicting

中圖分類號：TP701；S151. 9

DOI：10.13758/j.cnki.tr.2016.02.027

基金項目：①國家自然科學基金項目（41271234；41061031；41261083；41361048）資助。

* 通訊作者（pjzky@163.com）

作者簡介：向紅英（1980—），女，湖南常德人，助理研究員，主要從事干旱區資源與環境的遙感監測與評價方面的研究。E-mail： hongyingxiang @163.com