土壤水與有機質對高光譜的作用及交互作用規律

尚璇，李西燦，徐郵郵，劉莎莎

（山東農業大學信息科學與工程學院，山東泰安 271018）

土壤水與有機質對高光譜的作用及交互作用規律

尚璇，李西燦，徐郵郵，劉莎莎

（山東農業大學信息科學與工程學院，山東泰安 271018）

【目的】定量揭示土壤水分與有機質對高光譜的作用規律，為提高土壤水分、有機質的光譜估測精度提供基礎。【方法】以山東省泰安市岱岳區90個棕壤土樣為研究對象，進行室外光譜采集、室內土壤水分和有機質測定，運用Savitzky-Golay filter對光譜曲線進行平滑去噪預處理。根據含水量、有機質含量的高低將土壤樣本分為9組，運用比較法對9組原始光譜數據進行分析，初步探究土壤水、有機質對光譜的作用規律。然后采用相關分析法，分析水、有機質與土壤原始光譜反射率（raw spectral reflectance，R）、光譜一階微分變換（first order differential reflectance，D（R））以及分組光譜的相關性。在假定其他影響因素基本相同的條件下，利用有交互作用的雙因素方差分析法，定量分析水、有機質對土壤光譜反射率、光譜一階微分的作用程度及其交互作用。根據土壤水與有機質的交互作用規律，按相關系數較大而交互作用小的原則選取特征因子，采取偏最小二乘回歸模型建立土壤有機質含量的高光譜估測模型，分析依據兩者交互作用規律選取的因子對提高光譜估測模型精度的有效性。【結果】在田間持水量范圍內，水對土壤光譜反射率影響起主要作用；水與有機質對土壤光譜客觀存在交互作用，當土壤含水量小于10%時，600—1 800 nm的原始光譜能較好反映有機質的作用，而當土壤含水量大于 15%時，有機質的作用幾乎被水的作用所掩蓋。水、有機質對土壤原始光譜的作用及其交互作用分別在 360—1 800，410—1 800，509—1 800 nm達到顯著水平，且三者均在1 951—2 450 nm達到顯著水平（α=0.05）；對土壤光譜的作用程度由大到小依次為：水、有機質、交互作用；在425—1 800 nm水對土壤光譜的作用大約是有機質的5—8倍，在1 950—2 300 nm為8—12倍；在350—2 500 nm有機質對土壤光譜的作用大約是水與有機質交互作用的2倍。光譜經一階微分變換之后，在450—530、600—790、1 019—1 027、2 000—2 020以及2 045—2 075 nm土壤水的作用增強，而在其他波段處減弱；土壤有機質的作用在471—824、851—949、967—1 140、1 172—1 340、1 379—1 428、1 450—1 770、1 953—2 122、2 174—2 199以及2 271—2 342 nm處得到增強，而在其他波段處減弱。水與有機質的交互作用也在不同波段處有所變化，但相對于土壤水與有機質的作用變化幅度而言是相對減弱的。基于土壤水與有機質的交互作用規律選取的特征因子，所建立的土壤有機質高光譜估測模型精度有所提高，其中16個檢驗樣本的決定系數R2由不考慮交互作用的0.6764提高到0.7934。【結論】研究表明，在反演土壤含水量時，可以不考慮有機質對光譜的影響；而在反演有機質含量時，必須要剔除水對反射率的影響，還要考慮水與有機質對光譜的交互作用。考慮水與有機質對土壤光譜的交互作用，可有效提高土壤有機質的光譜估測精度。

高光譜；有機質；含水量；方差分析；交互作用

0 引言

【研究意義】有機質與含水量是土壤的重要組成部分，是表征土壤肥力的重要指標。常規實驗室測定方法費時且成本較高，無法滿足大區域、快速有效監測的需求，而波段多、信息豐富的高光譜技術為解決這一問題提供了一種新途徑。【前人研究進展】借助高光譜技術定量研究土壤有機質和含水量始于 20世紀60年代。眾多學者對土壤有機質、含水量與反射光譜之間的關系[1-5]、土壤反射光譜特性[6-8]、光譜數據變換方法[9-10]、有機質與含水量敏感波段[11-14]和定量反演建模方法[15-24]等進行了深入研究，取得了顯著成果。前人研究表明，不僅土壤水和土壤有機質的含量變化能夠導致光譜的差異[25]，土壤母質、質地、含鐵量、耕作方式等因素同樣會影響到土壤反射光譜[26]。光譜測量不可避免地存在不確定性[27]。這種不確定性主要表現在數據誤差出現的隨機性、數據大小劃分上的模糊性、數據內涵上的灰色性，且其影響水與有機質的光譜估測精度。【本研究切入點】影響土壤光譜特性的因素眾多，且其交互作用復雜，在進行光譜分析時無法考慮所有因素。目前大部分研究都針對單因素進行探討，這在研究土壤成分變化不大或是人工制備的土樣時具有一定的可行性，而在研究區跨度較大、研究區土壤成分差別較大時，實用性會大大降低，因此研究主要因素、次要因素對土壤光譜的作用及其交互作用規律是非常必要的。【擬解決的關鍵問題】在成土母質、土壤類型等因素基本相同的條件下，水分是影響土壤反射光譜的主要因素，對土壤有機質光譜估測影響較大。因此，本文基于實驗數據，按照水、有機質含量將樣品分成若干組，利用光譜分析、相關性分析和有交互作用的方差分析方法探究分組間的性質差異，尋找土壤水、有機質對光譜反射率的作用及其交互作用規律，為建立高精度的土壤水、有機質光譜估測模型提供基礎。

1 材料與方法

1.1 土樣采集

土樣采集工作于2014年3月在泰安市岱岳區周邊進行。泰安市岱岳區位于山東省中部、泰山腳下，北緯35°52′—36°28′、東經116°50′—117°29′，地勢北高南低，東高西低，地貌類型多樣，山地、丘陵、平原各占三分之一。設置采樣區20個，覆蓋了林地、草地、麥田、果園等，主要土壤類型為棕壤。棕壤又名棕色森林土，是在濕潤暖溫帶落葉闊葉林下形成的土壤，其主要特征是呈微酸性反應，成土母質多為酸性母巖風化物。土樣采集時隨機取樣，使用取土鏟垂直于地面入土取樣，采樣深度約20 cm，同步使用GPS儀定位，共采集土樣90個。

1.2 數據獲取

將每個土樣分為兩份，一份用于實驗室化驗，一份用于光譜采集。

土樣含水量使用質量法測定，有機質含量采用重鉻酸鉀-外加熱法測定，數據統計特征如表1所示。

表1 樣本含水量及有機質含量特征統計Table 1 The statistical features of soil indicators

光譜測量時，選擇晴朗無風的天氣，利用 ASD FieldSpec Pro地物光譜儀進行室外光譜采集，其波長范圍為350—2 500 nm，光譜采樣間隔為1.4 nm（250—1 000 nm）和2 nm （1 000—2 500 nm），重采樣間隔1 nm，輸出波段數2 151。光譜采集時，探頭視場角設置為5°，與土樣距離15 cm，每個土樣采集10次，取其平均值作為該土樣反射率。光譜反射曲線如圖1所示。因1 800—1 950 nm的光譜曲線存在嚴重噪聲，予以剔除。

圖1 原始光譜反射曲線Fig. 1 Raw spectral reflection curve

1.3 光譜去噪

由于光譜儀在不同波段對能量響應的差異，光譜曲線存在大量噪聲，光譜曲線平滑程度較差。先利用ASD FieldSpec Pro地物光譜儀自帶的ViewSpecPro軟件進行光譜去除跳躍處理，然后采用9點加權移動平均法[28]繼續去除噪聲，增加信噪比。

1.4 研究方法

本研究是根據野外采集的棕壤數據分析的。棕壤的田間持水量較高，達到25%—30%。而本文采集的數據水分含量最大為19.90%，小于田間持水量，所以在分組時不用考慮田間持水量的影響。根據實驗數據，按照含水量高、中、低分為3組，在組內按有機質含量高、中、低再分為3組，為了便于方差分析，應盡可能的保證各組的樣本數量大致相同，從而形成了不同含水量和不同有機質含量的9組數據。分組涵蓋了含水量以及有機質含量從高到低排列的所有樣本，如表2所示。

通過對比不同水、有機質含量樣本間的光譜差異以及相關性分析，初步探究土壤水、有機質對光譜作用規律，然后在假定其他影響因素基本相同的條件下，利用有交互作用的雙因素方差分析法，定量分析二者對土壤光譜反射率的作用程度及其交互作用。

表2 樣本分組統計Table 2 Sample grouping and statistics

考慮水與有機質對土壤光譜的交互作用，按相關系數較大且交互作用較小的原則，選擇特征因子，利用多元線性回歸方法建立土壤有機質光譜估測模型，并檢驗模型的有效性。

2 結果

2.1 組分光譜特性分析

土壤反射光譜特性是對土壤有機質、土壤類型、土壤質地和土壤濕度等因素的綜合響應。取90個樣本反射率的平均值，其光譜曲線如圖2所示。

圖 2 平均反射率光譜曲線Fig. 2 The average spectral reflection curve

從圖2可見，光譜從400—800 nm反射特性增加較快，800—1 350 nm增速放緩，在2 100 nm之后逐漸下降。因690—930 nm波段是鐵氧化物的主要吸收區[29]，所以800 nm附近的小吸收谷是鐵的氧化物吸收造成的，1 380和1 900 nm（1 800—1 950 nm被剔除）處有強烈的水吸收谷，這與土壤中所含的OH-有關。受采集條件以及儀器指標限制，1 800—1 950 nm與2 400 nm之后的波段出現了嚴重的噪聲。這與已有研究結果相符。

為對比分析土壤水與有機質對光譜的作用規律，根據表2的分組，將9個組的平均光譜同時呈現在同一圖中（圖3）。由圖3可見，9條光譜曲線明顯分為3大類，9條光譜曲線基本按照含水量越高光譜反射率越低的規律分布，尤其是在600—1 800 nm、2 100—2 300 nm含水量對反射光譜均有較好的響應，呈現乘冪函數關系，如在1 300 nm處，2R=0.9711。相對土壤水含量，土壤有機質對反射光譜的作用總體上較微弱，光譜曲線因有機質的變化而導致的反射率差異十分有限，僅當土壤含水量低于10%時，在600—1 800 nm、2 100—2 300 nm范圍內土壤有機質的作用才較為明顯；而當土壤含水量高于10%時，又體現出土壤水與有機質的相互影響，如當含水量約為13%時，有機質含量2.02%的土壤反射率高于1.41%的土壤反射率。當土壤含水量大于15%時，有機質的作用幾乎被水的作用所掩蓋。限于篇幅，更細致的分組光譜特性分析不再贅述。

2.2 相關性分析

根據表2分組情況，計算不同有機質含量水平下水與光譜反射率的相關系數，以及不同含水量水平下有機質與光譜反射率的相關系數，結果如圖 4—5所示。

圖4為原始光譜及其一階微分（Δλ=10 nm）變換與含水量的相關性曲線。對于原始光譜，當有機質含量為1.11%—1.69%時，含水量與光譜反射率相關性較高，380 nm之后的相關性皆大于0.6，在800—1 380 nm以及1 500—1 800 nm相關性大于0.8；當有機質含量達到1.72%—2.29%時，相關性有所下降；升高到2.31%—3.39%時，有機質對光譜的影響開始顯現，570 nm之前相關性由 0.6一直下降至 0，其他波段相關性在0.4左右，但在900 nm與1 100 nm兩處水吸收峰，相關性明顯高于附近波段，1 380 nm附近的水強吸收峰，相關性達到了0.6以上。

圖 3 不同有機質（SOM）、含水量（W）土壤反射光譜曲線Fig. 3 The soil reflectance curves of different organic matter (SOM) and water content (W)

圖 4 原始光譜R及一階微分光譜R′與含水量相關性曲線Fig. 4 The original spectra R and the first derivative spectra R′ correlation curves of water content

從圖4可見，總體上在600—1 800 nm、2 100—2 300 nm范圍內，土壤含水量與光譜反射率的相關性隨有機質含量的升高而逐漸降低。有機質含量的增加，減弱了土壤水對光譜的作用效應[30]。

對于一階微分變換光譜與含水量相關系數曲線，總體上也呈現隨有機質含量的升高，相關性降低的規律。相較原始光譜而言，經一階微分變換之后的相關性在某些波段處得到增大，在1 400 nm附近水的吸收峰處，有機質含量不同時，水的相關系數曲線大致重合且相關性較高，達到0.6，說明在此波段處，水幾乎完全掩蓋了有機質對光譜的作用。

圖5 原始光譜R及一階微分光譜R′與有機質相關性曲線Fig. 5 The original spectra R and the first derivative spectra R′ correlation curves of organic matter

圖5為原始光譜及其一階微分變換與有機質的相關性曲線。對于原始光譜，當含水量低于11.42%時，光譜在500 nm之前受儀器指標限制，與有機質的相關性在-0.15—-0.30之間；500—750 nm相關性持續增加，750—1 300 nm穩定在-0.45左右；在1 400 nm附近的水吸收敏感波段，相關系數驟降，最小相關系數僅有-0.26；1 500—1 800 nm處的相關性有所增加，但仍比1 300 nm之前的小；在1 950 nm之后近紅外區的相關性和之前可見光部分相比較弱，數值上總體小于0.30，且相關性呈現出先增強后減弱的趨勢。相關系數在全部波段上都呈現負值，符合光譜反射率與有機質含量呈現負相關的規律。

當含水量升高到11.60%—14.97%時，由于水對有機質光譜的影響加劇，總體上相關性呈現下降趨勢。但曲線的整體走勢與含水量低于 11.42%的曲線相類似，波長350—500 nm相關系數小于-0.10；500 nm之后相關性開始增加，相關系數最高出現在1 135 nm，為-0.235；1 300—1 800 nm的規律與之前類似；1 950 nm處相關性已經非常微弱，相關系數在0附近。

當含水量達到15.07%—19.90%時，水幾乎完全掩蓋了有機質對光譜的作用，相關系數曲線走勢與之前2組的光譜完全不同。350—750 nm及1 950 nm之后的位置出現正相關，這不但與有機質和光譜反射率的作用規律相悖，也不同于水和光譜反射率的作用規律；其他波段的相關性在都在0附近。

對比圖4和圖5，從含水量、有機質與原始光譜的相關性可見，土壤水對光譜的作用大于有機質，含水量和有機質對原始光譜的交互作用是客觀存在的。總體上在600—1 800 nm、2 100—2 300 nm范圍內，隨著含水量的增大，有機質與原始光譜的相關性減小，反之亦然。這與圖3中的分組光譜特性分析結果相符。

從圖5可見，一階微分變換光譜與含水量相關系數曲線，大致也呈現出隨有機質含量的升高，含水量與反射率的相關性降低的規律。相較原始光譜而言，經一階微分變換之后的相關性在某些波段處得到增大，在某些波段處卻減小。

2.3 方差分析

方差分析是數理統計中具有廣泛應用的基本方法之一，它的的實質是在多個正態總體等方差的假設下，檢驗各總體均值是否相等的假設檢驗問題[31]。將土壤含水量與有機質含量作為兩個因素，利用雙因素方差分析法，探討當兩者狀態變化時是否會導致光譜反射率指標的變化，從而探討它們對光譜反射率的影響。

由于不同水平的樣本數量難以控制，本文采用不等次數重復試驗雙因素方差分析方法[32]對每個波段的反射率值進行方差分析。試驗因素A表示含水量，因素B表示有機質含量，因素各水平如表3所示。F統計量曲線結果如圖6所示。

圖6中，F(W)表示水對土壤光譜的F統計量，F(SOM)表示有機質對土壤光譜的F統計量，F(WO)表示水與有機質的交互作用對土壤光譜的 F統計量。圖6通過F統計量表示了土壤水、有機質及其交互作用對土壤光譜反射率的影響程度，且由大到小依次為：水、有機質、交互作用。3條F統計量的曲線形狀基本相似，但F統計量值隨波長的變化速率不同。350—500 nm作用較弱；500—1 350 nm作用程度隨波長的增大逐步增強，其中在 900 nm與1 100 nm兩個水吸收峰處，作用程度有所加劇；受空氣中水分影響，在1 380nm波段附近的水作用最為強烈；而在1 380—1 450 nm作用程度下降劇烈，1 450—1 800 nm作用程度再次逐步升高；2 200 nm附近也出現了一個峰值，但作用程度相對變小。

表 3 因素水平表Table 3 Factor level

圖 6 水、有機質及其交互作用的F統計量曲線Fig. 6 F statistic curves of water, organic matter and their interaction

為了定量表達水、有機質在各個波段的相對影響程度，分別對水與有機質、有機質與交互作用的F統計量進行了比值處理，而水與交互作用兩者差距較大，不再進行直接比較。結果如圖7所示。

從圖7可見，在425—1 800 nm處，水對土壤光譜的作用大約是有機質的5—8倍，在1 380 nm處是有機質作用的5倍，而在1 950 nm—2 300 nm 處，水對土壤光譜的作用大約是有機質的8—12 倍。所以有機質對水的光譜響應影響不大，在反演含水量信息時可以忽略其影響。但在反演有機質時，必須剔除水對光譜的影響。

圖7 F統計量比值曲線Fig. 7 F statistic ratio curve

有機質對反射率的作用是交互作用的2倍左右，在波段950、1 140以及1 380 nm處均略有增加，都出現在水吸收峰的位置，在這些波段處，水對光譜反射率的影響較大。所以在反演有機質時，不但要剔除水對反射率的影響，而且需要考慮水與有機質的交互作用對反射率的影響。

將原始光譜數據作一階微分變換后，再次進行方差分析，結果如圖8所示。

圖 8 一階微分變換前后F統計量對比曲線Fig. 8 The comparison curves of F statistics before and after the first order differential transformation

圖8中，W(R′)、SOM(R′)、WO(R′)分別表示原始光譜數據一階微分變換后水、有機質、水與有機質交互作用的F統計量。通過方差分析，在顯著性水平時，土壤水、有機質、交互作用以及殘差的自由度分別為 2、2、4、801，F統計量臨界值分別為由原始光譜數據所求取的土壤水、有機質及其交互作用的F統計量得知：土壤水分在所有波段的作用均是顯著的；有機質除在350—409 nm波段內作用不顯著之外，在其余波段的作用均是顯著的；兩者的交互作用除了在350—508 nm波段內作用是不顯著的，其余波段作用均顯著。原始光譜數據經一階微分變換之后再次求取三者的F統計量可知：土壤水分在絕大多數波段的作用仍是顯著的，除在450—530、600—790、1 019—1 027、2 000—2 020、2 045—2 075nm增強外，其他波段相較對原始光譜作用均有所減弱；有機質在除471—824、851—949、967—1 140、1 172—1 340、1 379—1 428、1 450—1 770、1 953—2 122、2 174—2 199、2 271—2 342 nm波段內作用是顯著的，其余波段作用均不顯著；而兩者的交互作用得到減弱，除了在473—544、572—921、940—953、961—994、1 005—1 101、1 170—1 293、1 464—1 680、1 961—2 025、2 039—2 121、2 272—2 289 nm波段內作用是顯著的，其余波段作用均不顯著。這在圖8中均得到很直觀的體現。

經過試驗，光譜的其他函數的微分變換與原始光譜一階微分變換有類似規律，鑒于篇幅，此處不再詳述。

原始光譜數據一階微分變換前后，與水的相關性變化如圖9所示。

圖 9 水與土壤光譜的相關性曲線Fig. 9 The correlation curve of water and soil spectra

從圖9可見，土壤光譜經過一階微分變換后，在460—540、600—790 nm可見光區域，水的相關性明顯增強，這與方差分析結果是相吻合的，可以認為一階微分有效減弱了噪聲及空氣中水分的影響。

在800—1 800、2 100—2 500 nm范圍內，整體上水的相關性減弱，尤其是在水的強吸收峰 1 380、1 750、2 194 nm處兩側一定波長范圍內，水的相關性幾乎為零。但以水的強吸收峰為中心的一定波長范圍內，相關系數由負相關變為正相關。在其他波段，一階微分變換前后均為負相關。

從圖8—9可見，在910、1 025、1 228nm的小的水吸收峰處，一階微分有限地減弱了土壤水分的作用，且由于受室外測量光譜時土壤水分瞬間蒸發產生的噪聲影響，所以仍呈現負相關，且相關性有所減弱。

2.4 有機質光譜估測精度分析

已有研究表明，土壤水分的高光譜估測可得到較為滿意的結果，所以，本文主要建立有機質的光譜估測模型，驗證依據水分及有機質的交互作用規律所選取的特征因子對提高有機質估測模型精度的有效性。根據相關分析剔除 3個異常樣本，87個樣本中 71個用于建模、16個用于預測檢驗。

對土壤光譜反射率數據進行不同形式的變換，在未考慮土壤水與有機質的交互作用時，按極大相關性原則選取特征因子，分別為建立PLSR模型估測土壤有機質，檢驗樣本的決定系數為0.6764。有機質含量實測值與預測值的對比結果如圖10所示。

考慮土壤水與有機質的交互作用時，按有機質的作用較大、水的作用相對較小且兩者的交互作用較小的原則選取特征因子，分別為并以此為基礎建立PLSR模型，得到檢驗樣本的決定系數為 0.7934。有機質含量實測值與預測值的對比結果如圖 11所示。

從圖10和圖11可見，考慮水與有機質對土壤光譜的交互作用，可有效提高土壤有機質的光譜估測精度。

圖 10 未考慮土壤水與有機質交互作用時土壤有機質含量實測值與預測值散點圖Fig. 10 Scatter plot between measured and predicted soil organic matters without considering the interaction

圖 11 考慮土壤水與有機質交互作用時土壤有機質含量實測值與預測值散點圖Fig. 11 Scatter plot between measured and predicted soil organic matters considering the interaction

3 討論

研究結果表明，在田間持水量范圍內，水、有機質含量與光譜反射率均呈現顯著的負相關關系，其含量的增加均使土壤光譜反射率減小，這與前人的研究成果一致[33-36]，并且兩者之中水對土壤反射率的影響起主要作用，1 380 nm與2 200 nm兩處水吸收峰尤為明顯。

經由分組相關性分析發現，當土壤含水量低于10%時，原始光譜能較好反映有機質的作用，但當土壤含水量大于15%時，有機質的作用幾乎被水的作用所掩蓋，此時原始光譜不宜用于有機質估測。

在成土母質、土壤類型等影響因素基本相同的條件下，水與有機質對土壤原始光譜的交互作用是客觀存在的，并且對土壤光譜的作用程度從大到小依次為：水、有機質、交互作用，其中土壤含水量對土壤反射光譜起著主要作用，土壤有機質起次要作用。

經由方差分析發現，土壤原始光譜數據的一階微分在某些波段不僅可有效減弱土壤水分、空氣中水分等背景噪聲對光譜的影響，同時也在可見光、近紅外的某些波段，增強了水、有機質的作用而減弱了二者的交互作用。這是本次研究的新發現，可為選取有機質光譜反演因子提供有效指導。通過選取水作用及交互作用較弱，而有機質作用相對較強的波段作為估測因子，可有效提高土壤有機質含量的估測精度。

當在室外測量光譜時，土壤樣本會產生水分瞬間蒸發，改變局部的空氣濕度；雖然一階微分在強吸收峰1 380、1 750、2 194 nm處兩側一定波長范圍內幾乎完全消除了土壤中水分的作用，但此時空氣中水分產生的噪聲不會完全消除，且呈現出土壤含水量越高，水分瞬間蒸發產生的噪聲越強烈的規律。因此，在以水強吸收峰為中心一定波長范圍內的相關系數由負相關變為正相關。又因為水強吸收峰中心處對噪聲響應最敏感，所以1 380、1 750、2 194 nm處的正相關性為最大。在410—760 nm波段，因為土壤水分起主導作用，空氣中水分產生的噪聲相對較小，經一階微分作用后有效減弱了空氣中水分的作用，所以使土壤水分的作用相對增強，即負相關性得到增大。

本文研究結果為土壤光譜重采樣、光譜特征選擇以及研究土壤水、有機質光譜估測的新模型提供基礎。但是由于試驗條件限制，本研究僅是基于棕壤的初步研究結果，而基于不同土壤類型以及更多代表性樣本的分析有待進一步的探討。如何充分利用水與有機質對光譜的交互作用規律，采用新的光譜變換方法和建模方法進一步提高土壤有機質光譜估測精度[37]，還有待深入研究。

4 結論

本文基于山東省泰安市90個土樣樣本，在假設成土母質、土壤類型等因素基本相同的條件下，利用組分光譜分析、相關性分析和方差分析3種方法探究土壤水、有機質的光譜作用規律，通過對比水、有機質及交互作用對土壤光譜的作用程度，發現在反演含水量時可以不考慮有機質的作用及水與有機質的交互作用；而在反演有機質時，不僅要剔除水的作用，還需要考慮水與有機質對光譜的交互作用。試驗結果表明，依據兩者的交互作用規律并應用偏最小二乘回歸分析方法可有效提高土壤有機質含量光譜估測模型的精度。

[1] WANG C K, PAN X Z, WANG M, LIU Y, LI Y L, XIE X L, ZHOU R, SHI R J. Prediction of soil organic matter content under moist conditions using Vis-NIR diffuse reflectance spectroscopy. Soil Science, 2013, 178(4): 189- 193.

[2] MINASNY B, MCBRATNEY A B, BELLON-MAUREL V, ROGER J M, GOBRECHT A, FERRAND L, JOALLAND S. Removing the effect of soil moisture from NIR diffuse reflectance spectra for the prediction of soil organic carbon, Geoderma, 2011, 167-168: 118 -124.

[3] LIU W D, BARET F, GU X F, TONG Q X, ZHENG L F, ZHANG B. Relating soil surface moisture to reflectance. Remote Sensing of Environment, 2002, 81(2): 238-246.

[4] MOUAZEN A M, DE BAERDEMAEKER J, RAMON H. Effect of wavelength range on the measurement accuracy of some selected soil properties using visual-near infrared spectroscopy. Journal of Near Infrared Spectros, 2006, 14(3): 189-199.

[5] TEKIN Y, TUMSAVAS Z, MOUAZEN A M. Effect of moisture content on prediction of organic carbon and pH using visible and near-infrared spectroscopy. Soil Science Society of America Journal, 2012, 76(1): 188-198.

[6] 朱永豪, 鄧仁達, 盧亞非, 陳銘臻. 不同濕度條件下黃棕壤光譜反射率的變化特征及其遙感意義. 土壤學報, 1984, 21(2): 194-201.

ZHU Y H, DENG R D, LU Y F, CHEN M Z. Varying characteristics of spectral reflectivity in different humidities of yellow-brown earth and its significance in remote sensing. Acta Pedologica Sinica, 1984, 21(2): 194-201. (in Chinese)

[7] STENBERG B. Effects of soil sample pretreatments and standardised rewetting as interacted with sand classes on Vis-NIR predictions of clay and soil organic carbon. Geoderma, 2010, 158(1/2): 15-22.

[8] CECILE G, PHILIPPE L, GUILLAUME C. Regional predictions of eight common soil properties and their spatial structures from hyperspectral Vis-NIR data. Geoderma, 2012, 189-190: 176-185.

[9] KRISHNAN P, ALEXANDER J D, BUTLER B J, HUMMEL J W. Reflectance technique for predicting soil organic matter. Soil ScienceSociety of America Journal, 1980, 44(6): 1282-1285.

[10] CLOUTIS E A. Review Article Hyperspectral geological remote sensing: Evaluation of analytical techniques. Remote Sensing, 1996, 17(12): 2215-2242.

[11] 王昌佐, 王紀華, 王錦地, 趙春江, 劉良云, 王鵬新, 景娟娟. 裸土表層含水量高光譜遙感的最佳波段選擇. 遙感信息, 2003(4): 33-36.

WANG C Z, WANG J H, WANG J D, ZHAO C J, LIU L Y, WANG P X, JING J J. The choice of best detecting band for hyperspectral remote sensing on surface water content of bare soil. Remote Sensing Information, 2003(4): 33-36. (in Chinese)

[12] GALVAL L S, VITORELLO í. Variability of laboratory measured soil lines of soils from southeastern Brazil. Remote Sensing of Environment, 1998, 63(2): 166-181.

[13] 沙晉明, 陳鵬程, 陳松林. 土壤有機質光譜響應特性研究. 水土保持研究, 2003, 10(2): 21-24.

SHA J M, CHEN P C, CHEN S L. Characteristics analysis of soil spectrum response resulted from organic material. Research of Soil and Water Conservation, 2003, 10(2): 21-24. (in Chinese)

[14] NOCITA M, STEVENS A, NOON C, WESEMAEL B V. Prediction of soil organic carbon for different levels of soil moisture using Vis-NIR spectroscopy. Geoderma, 2013, 199: 37-42.

[15] YANG H, KUANG B, MOUAZEN A. Quantitative analysis of soil nitrogen and carbon at a farm scale using visible and near infrared spectroscopy coupled with wavelength reduction. European Journal of Soil Science, 2012, 63(3): 410-420.

[16] 陳紅艷, 趙庚星, 張曉輝, 王瑞燕, 孫莉, 陳敬春. 去除水分影響提高土壤有機質含量高光譜估測精度. 農業工程學報, 2014, 30(8): 91-100.

CHEN H Y, ZHAO G X, ZHANG X H, WANG R Y, SUN L, CHEN J C. Improving estimation precision of soil organic matter content by removing effect of soil moisture from hyperspectra. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(8): 91-100. (in Chinese)

[17] CONFORTI M, BUTTAFUOCO G, LEONE A P, AUCELLI P P C, ROBUSTELLI G, SCARCIGLIA F. Studying the relationship between water-induced soil erosion and soil organic matter using Vis-NIR spectroscopy and geomorphological analysis: A case study in southern Italy. Catena, 2013, 110(2): 44-58.

[18] LIU F, ROSSITER D G, SONG X D, ZHANG G L, YANG R M, ZHAO Y G, LI D C, JU B. A similarity-based method for three-dimensional prediction of soil organic matter concentration. Geoderma, 2015, 263(1): 254-263.

[19] LIU S L, AN N N, YANG J J, DONG S K, WANG C, YIN Y J. Prediction of soil organic matter variability associated with different land use types in mountainous landscape in southwestern Yunnan province, China. Catena,, 2015, 133(10): 137-144.

[20] NAVEEN J P A, ABD-ELRAHMAN A H, LEWIS D B, HEWITT N A. Modeling soil parameters using hyperspectral image reflectance in subtropical coastal wetlands. International Journal of Applied Earth Observation and Geoinformation, 2014, 33(11): 47-56.

[21] LI X C, YU T, WANG X. The soil organic matter content grey relationship inversion pattern based on hyper-spectral technique. Grey Systems: Theory and Application, 2011, 1(3): 261-267.

[22] 李希燦, 王靜, 王芳, 杜嘉津. 基于模糊識別的土壤性質指標光譜反演. 遼寧工程技術大學學報(自然科學版), 2010, 29(2): 324-327.

LI X C, WANG J, WANG F, DU J J. Spectral retrieved deduction of soil properties index based on fuzzy recognition theory. Journal of Liaoning Technical University(Natural Science), 2010, 29(2): 324-327. (in Chinese)

[23] LI X C, WANG J, BAI L. The pattern of multiple objects and multiple stages grey relationship for land ecological security assessment. The Journal of Grey System, 2008, 20(4): 351-358.

[24] 袁征, 李希燦, 于濤. 高光譜土壤有機質估測模型對比研究. 測繪科學, 2014, 39(5): 160-164.

YUAN Z, LI X C, YU T. Contrast research on soil organic matter estimation model using hyper-spectral data. Science of Surveying and Mapping, 2014, 39(5): 160-164. (in Chinese)

[25] 湯娜, 張新樂, 劉煥軍, 楊振華, 胡言亮, 于曉靜. 土壤有機質與水分反射光譜響應特征綜合作用模擬. 土壤通報, 2013, 44(1): 72-76.

TANG N, ZHANG X L, LIU H J, YANG Z H, HU Y L, YU X J. Synthesis simulation of correlation characteristics between organic matter and moisture reflectance spectra. Chinese Journal of Soil Science, 2013, 44(1): 72-76. (in Chinese)

[26] 劉煥軍, 宇萬太, 張新樂, 馬強, 周樺, 姜子紹. 黑土反射光譜特征影響因素分析. 光譜學與光譜分析, 2009, 29(11): 3019-3022.

LIU H J, YU W T, ZHANG X L, MA Q, ZHOU H, JIANG Z S. Study on the main influencing factors of black soil spectral characteristics. Spectroscopy and Spectral Analysis, 2009, 29(11): 3019-3022. (in Chinese)

[27] 于濤, 李希燦, 王曉, 尚曉東. 高光譜技術應用情況研討. 測繪科學, 2012, 37(2):115-118.

YU T, LI X C, WANG X, SHANG X D. Application advances and outlooks of hyperspectral technique. Science of Surveying and Mapping, 2012, 37(2): 115-118. (in Chinese)

[28] 王力賓. 數列修勻的加權算術平均數—中位數混合移動平均法.昆明理工大學學報, 2001, 26(5): 50-55.

WANG L B. A new graduated method: The mixed moving average method of weighted-arithmetic-mean and median. Journal of Kunming University of Science and Technology, 2001, 26(5): 50-55. (in Chinese)

[29] 劉慶生, 王志剛, 荊林海. 巖石實驗室光譜對應分析. 遙感學報, 1999, 3(2): 151-156.

LIU Q S, WANG Z G, JING L H. Correspondence analysis of laboratory spectra of rock. Journal of Remote Sensing, 1999, 3(2): 151-156. (in Chinese)

[30] BAUMGARDNER M F, KRISTOF S, JOHANNSEN C J, ZACHARY A. Effects of organic matter on the multispectral properties of soils. Proceedings of the Indiana Academy of Science, 1969, 79: 413-422.

[31] 韓之俊, 章渭基. 質量工程學. 北京: 科學出版社, 1991: 44-50.

HAN Z J, ZHANG W J. Quality Engineering. Beijing: Science Press, 1991: 44-50. (in Chinese)

[32] 俞純權. 不等次數重復試驗雙因素方差分析的應用. 統計教育, 1996(3): 42-43.

YU C Q. The application of double factor variance analysis of repeated trials with unequal frequency. Statistical Thinktank, 1996(3): 42-43. (in Chinese)

[33] 劉煥軍, 趙春江, 王紀華, 黃文江, 張新樂. 黑土典型區土壤有機質遙感反演. 農業工程學報, 2011, 27(8):211-215.

LIU H J, ZHAO C J, WANG J H, HUANG W J, ZHANG X L. Soil organic matter predicting with remote sensing image in typical black soil area of Northeast China. Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(8): 211-215. (in Chinese)

[34] LIU D S, WANG Z S. A modeling study of potential evapotranspiration and the estimation of Chinese soil moisture regimes. Pedosphere, 1994, 4(3): 193-200.

[35] STONER E R, BAUMGARDNER M F. Characteristic variations in reflectance of surface soils. Soil Science Society of America Journal, 1981, 45(6): 1161-1165.

[36] MULLER E, DECAMPS H. Modeling soil moisture-reflectance. Remote Sensing of Environment, 2001, 76(2): 173-180.

[37] LI M L, LI X C, TIAN Y, WU B, ZHANG S. Grey relation estimating pattern of soil organic matter with residual modification based on hyper-spectral data. The Journal of Grey System, 2016, 28(4): 27-39.

（責任編輯 楊鑫浩）

The Role and Interaction of Soil Water and Organic Matter on Hyper-Spectral Reflectance

SHANG Xuan, LI XiCan, XU YouYou, LIU ShaSha
(College of Information Science and Engineering, Shangdong Agricultural University, Taian 271018, Shangdong)

hyper-spectrum; soil organic matter; water content; variance analysis; interaction

2016-09-13；接受日期：2016-12-21

國家自然科學基金（41271235）、山東省自然科學基金（ZR2016MD03）

聯系方式：尚璇，E-mail：646320669@qq.com。通信作者李西燦，E-mail：lxc@sdau.edu.cn

Abstract:【Objective】The objective of this study is to reveal the rule of soil moisture and organic matter on the high spectrum quantitatively and to provide a basis for improving the accuracy of spectral estimation of soil moisture and organic matter.【Method】Ninety brown soil samples collected from the Tai'an city, Shandong province were used as research materials, and their outdoor spectrum, soil moisture and organic matter were obtained. At the same time, smoothing denoising pretreatment of the spectral curves were carried out by Savitzky-Golay filter. Soil samples were divided into 9 groups according to water and organic matter contents. By using comparative method, 9 groups of original spectral data were analyzed, and the effect of soil water and organic matter on the spectrum was discussed. Then, correlation analysis was used to analyze the correlation between water, organic matter and raw spectral reflectance (R), first order differential reflectance (D (R)) and grouping spectra. Under the basic assumption that other factors were identical, two factor variance interaction analysis was used to analyze the degree of water, organic matter and their interaction to the soil spectral reflectance and spectral derivative quantitatively. According to the law of interaction between soil water and organic matter, characteristic factor was selected on the basis of the principle that the correlation coefficient is relatively large and the interaction is small. Finally, partial least squares regression model was established to predict the soil organic matter content of hyperspectra, and the effectiveness of the model which established with the factors selected according to the interaction was analyzed.【Result】 The results showed that water had the main effect on the reflectance of soil spectral reflectance in the range of field capacity, and the interaction between water and organic matter was exist objectively. When the soil moisture content was less than 10%, the original spectra of 600-1 800 nm could better reflect the effect of organic matter. And when the soil moisture content was more than 15%, the role of organic matter was almost covered by the action of water. The role and interaction of soil water and organic matter reached significant level in 360-1 800 nm, 410-1 800nm and 509-1 800 nm, And all of them reached significant level in 1 951-2 450 nm (α=0.05). The effect on soil spectrum from large to small was water, organic matter and interaction. The effect of water on soil spectrum was about 5 to 8 times in 425-1 800 nm and 8 to 12 times in 1 950-2 300 nm than that of organic matter. The effect of organic matter on soil spectrum was about 2 times as much as interaction in 350-2 500 nm. After the first-order differential transformation, the effect of soil water at 450-530 nm, 600-790 nm, 1 019-1 027 nm, 2 000-2 020 nm and 2 045-2 075 nm was enhanced, but weakened in other bands. The effect of soil organic matter was enhanced at 471-824 nm, 851-949 nm, 967-1 140nm, 1 172-1 340nm, 1 379-1 428 nm, 1 450-1 770 nm, 1 953-2 122 nm, 2 174-2 199 nm, and 2 271-2 342 nm, and weakened at other bands. The interaction between water and organic matter also changed at different wavelengths, but change was relatively weakened than that of the soil water and organic matter. Based on the characteristics selected by the interaction between soil water and organic matter, the accuracy of the hyperspectral model of soil organic matter was improved. The determination coefficient R2of the 16 test samples increased from 0.6764 (without considering the interaction) to 0.7934.【Conclusion】The researches showed that the effect of organic matter on the spectral reflectance may not be considered in the inversion of soil water content. In the inversion of organic matter content, not only the influence of water on the reflectance should be eliminated, but the interaction between water and organic matter on the spectrum should be considered. The accuracy of spectral estimation of soil organic matter can be effectively improved when considering the interaction of water and organic matter on soil spectrum.