淮北平原土壤高光譜特征及有機質含量預測①

陸龍妹，張 平，盧宏亮，劉斌寅，趙明松,2*

?

淮北平原土壤高光譜特征及有機質含量預測①

陸龍妹1，張 平1，盧宏亮1，劉斌寅1，趙明松1,2*

(1 安徽理工大學測繪學院，安徽淮南 232001；2 土壤與農業可持續發展國家重點實驗室(中國科學院南京土壤研究所)，南京 210008)

以安徽省淮北平原的蒙城縣為研究區，采集131個表層土壤(0 ~ 20 cm)樣品。采用Cary 5000分光光度計測定土壤光譜反射率，分析該地區典型土壤類型的光譜特征，利用偏最小二乘回歸方法建立土壤有機質光譜預測模型。首先比較不同光譜變換對土壤有機質含量光譜預測建模的影響；其次根據光譜相似性對土壤樣品進行分類，比較不同土壤類型和不同光譜分類的有機質光譜預測精度。結果表明：①不同土壤有機質含量和不同土壤類型光譜曲線在整體波段范圍內趨勢基本一致；有機質含量與光譜反射率呈顯著負相關；有機質含量越低，曲線特征差異明顯，可能是受其他因素的影響；②土壤光譜反射率經倒數的對數處理后，有機質光譜建模的決定系數和相對分析誤差均有所提高，均方根誤差降低，模型預測效果較優；③按照光譜相似性分類后建立的有機質光譜預測模型，比按土壤類型建立的光譜預測模型精度明顯提高。

土壤高光譜特征；光譜相似性分類；土壤類型；偏最小二乘回歸；淮北平原

傳統的土壤有機質含量測定方法較繁瑣且成本高，無法滿足大量樣本快速監測土壤有機質的需求。高光譜技術可以快速、簡便、無損耗地測定連續的地物光譜信息，從而較精確地預測土壤有機質的含量[1]。

國內外學者在利用高光譜預測土壤屬性方面開展了較多的研究。如不同區域、不同土壤類型的高光譜特征及屬性預測[3]；不同的光譜處理[6]、不同的建模方法[9]等對土壤屬性預測精度的影響。楊揚等[13]分析三江源區4種土壤類型的光譜特征以及預測有機質含量。Xu等[14]對丘陵地區不同成土母質的土壤有機質含量采用偏最小二乘回歸方法建立高光譜預測模型。趙小敏等[15]分析江西省紅壤地區4種主要土壤亞類及不同土屬的高光譜特征。郭斗斗等[16]采用25種光譜處理方法結合3種建模方法，建立潮土有機質含量高光譜反演模型。于雷等[17]采用4種光譜指標建立江漢平原土壤有機質預測的偏最小二乘回歸模型。王一丁等[18]采用3種光譜變換形式結合偏最小二乘回歸法建立研究區域的有機質和全氮含量預測模型。劉磊等[19]采用3種光譜變換形式，分別運用偏最小二乘回歸法和多元逐步回歸方法建立紅壤有機質含量估算模型。田永超等[20]采用3種建模方法結合不同光譜預處理方法建立土壤有機質含量預測模型。侯艷軍等[21]采用一元線性回歸方法、偏最小二乘回歸法和多元逐步回歸方法建立荒漠土壤有機質高光譜預測模型并進行比較。

目前對土壤有機質含量的光譜預測已經進行了大量研究，但對淮北平原區域不同土壤類型的光譜特性以及有機質的高光譜預測研究少有報道。淮北平原是淮河以北地區，位于安徽省北部，土壤類型主要包括砂姜黑土、潮土、潮棕壤、褐潮土等，土地利用以旱地為主，是我國重要糧食主產區之一。但是淮北平原氣候易澇易旱，土壤肥力低，低產土壤約占耕地面積的60%，極大程度上限制了農業發展。

本研究以淮北平原的典型土壤砂姜黑土和黃褐土為研究對象，進行光譜采集和有機質測定，分析其光譜特征，比較不同光譜變換對土壤有機質含量光譜預測建模的影響。同時，根據光譜相似性對土壤樣品進行分類，建立基于偏最小二乘回歸的土壤有機質含量預測模型，比較土壤類型和光譜分類的有機質光譜預測精度，為快速有效測定淮北平原土壤有機質含量提供技術支持。

1 材料與方法

1.1 研究區概況

本研究選擇安徽省淮北平原中部典型的旱作農業區蒙城縣為研究區。該縣介于116°15′43″ ~ 116°49′ 25″E，32°55′29″ ~ 33°29′64″N，面積約2 091 km2，屬暖溫帶半濕潤季風區，光溫條件充足，年均溫14.8 ℃，年均降水量821.5 mm，無霜期211 d。地貌類型主要為剝蝕型構造殘丘、剝蝕堆積平原和堆積平原，地勢由西北向東南傾斜，海拔20 ~ 30 m。該區主要分布有砂姜黑土、黃褐土、黃潮土、潮棕壤等(圖1)。

1.2 樣品采集與測試

采集土壤表層(0 ~ 20 cm)樣品131個，主要包括砂姜黑土(108個)、黃褐土(23個)兩種土壤類型，采用五點法混合采樣。樣品在室內經自然風干后用木棒碾磨，剔除砂礫及植物殘體，然后過60目篩，采用重鉻酸鉀氧化滴定法測定有機質含量[22]。

圖1 區域位置(左)和樣點分布圖(右)

土壤光譜測定采用Cary 5000分光光度計，該儀器波長在175 ~ 3 300 nm之間，本研究選用350 ~ 2 500 nm；當波段為175 ~ 700 nm時，光譜分辨率≤0.048 nm；當波段為700 ~ 2 500 nm時，光譜分辨率≤0.2 nm，重采樣至1 nm。土壤樣品過篩后放置在烘箱內用45 ℃烘24 h，然后置于干燥器內待用。先用白板校正，然后取出干燥器內約1 g土樣置于樣品池內進行光譜測定。

1.3 光譜數據處理

對原始土壤光譜進行去除包絡線處理，提取土壤的光譜吸收和反射特征，從而能更加直觀地觀察土壤的光譜特征[23]。為比較不同光譜變換形式對研究結果的影響，對原始光譜反射率(REF)進行一階微分(FDR)和倒數的對數(Log(1/R))兩種光譜變換。原始光譜反射率(REF)經FDR處理后，能夠分解混合重疊的光譜，使樣本間的光譜特征差異明顯；光譜經Log(1/R) 處理后，能夠擴大可見光區的光譜差異，避免了背景噪音的干擾，使非線性關系轉換為線性關系[3]。

不同土壤類型的光譜曲線之間存在差異性，但是也存在共性，比如曲線斜率、特征吸收谷等存在相似性，光譜分類就是依據光譜反射率和光譜曲線特征的相似性進行土壤分類[4]。光譜相似性度量技術是通過度量函數來判定已知類別和未知類別光譜間的相似性，根據相似性大小對未知類別光譜進行分類，該技術是光譜分類的重要基礎，主要方法包括光譜相關系數、歐氏距離、光譜角余弦和光譜信息散度等。本研究利用光譜相關系數測度(spectral correlation mea-sure，SCM)對土壤樣品進行光譜分類，即通過光譜之間的相關性評價光譜相似性[24]。土壤光譜分類可以提高土壤有機質含量光譜預測模型的精度和穩定性，并為快速獲取土壤有機質含量提供方法支持。具體的計算公式如下：

1.4 有機質光譜預測模型與結果評價

偏最小二乘回歸(partial least squares regression，PLSR)是土壤屬性高光譜預測建模中常用的方法，該方法可以簡化數據結構、可以分析變量間的相關性，適用于光譜數據分析[11]。本研究采用REF、FDR和Log(1/R) 3種變換形式，分別利用PLSR方法建模反演有機質含量并進行比較；并根據光譜相似性對土壤樣品進行分類，比較按照不同土壤類型和不同光譜分類的有機質光譜預測精度。

采用交叉驗證方式評價模型的預測結果，選取決定系數(determination coefficients，2)、均方根誤差(root mean squared error，RMSE)和相對分析誤差(relative percent deviation，RPD)作為評價指標。2的值越接近于1，RMSE越小，說明模型的穩定性越好，預測精度越高。當RPD<1.4時說明模型無法對樣品進行預測；當1.4≤RPD＜2時，說明模型只能進行粗略預測；當RPD≥2時，表明模型具有極好的預測能力。評價指標的計算公式如下：

光譜分類和PLSR建模和驗證利用The Unscra-mbler 9.7完成，數據統計分析及繪圖在SPSS 22.0和OriginPro 9.0中完成，去除包絡線處理在ENVI 4.8中完成。

2 結果與分析

2.1 有機質含量統計特征

表1為蒙城土壤樣品有機質的測定情況。研究區土壤有機質平均含量為21.23 g/kg，變化范圍為6.65 ~ 33.35 g/kg。砂姜黑土的有機質平均含量為21.60 g/kg，范圍為6.65 ~ 31.30 g/kg；黃褐土的有機質平均含量較砂姜黑土略低，為19.50 g/kg，變化范圍為10.00 ~ 33.35 g/kg。兩種土壤有機質的變異系數為18.24% 和 22.36%，呈現中等變異性。

2.2 土壤光譜曲線特征

根據樣本的土壤有機質含量，將樣本分為<15、15 ~ 20、20 ~ 25和>25 g/kg 4個區間，分別計算樣本在4個區間內的反射率平均值得到平均光譜曲線。在整體波段范圍內，樣品有機質含量不同，但光譜曲線趨勢基本一致(圖2A)；在可見光范圍內光譜反射率值迅速增加，曲線斜率比其他波段范圍的斜率大；而在紅外波段范圍內，光譜反射率增加速度逐漸減緩，曲線變化趨于平緩，并在1 400、1 900和2 200 nm處出現吸收谷，這是土壤黏土礦物質中所含的水分子和羥基引起的[13]。

表1 蒙城縣不同土壤類型土壤有機質含量統計特征

圖2 不同有機質含量的土壤反射率均值光譜曲線(A)和去除包絡線的光譜曲線(B)

圖3為有機質含量與原始光譜反射率的相關系數曲線，相關系數值為負值，說明有機質含量與光譜反射率之間呈顯著負相關關系。由圖2A可以看出，在可見近紅外波段范圍內，隨著土壤有機質含量的增加，光譜曲線位置降低，即光譜反射率值減小，符合一般規律[25]，與圖3表現出的特征基本一致。但在短波紅外范圍內，光譜曲線不符合一般規律，光譜曲線之間出現交叉，這可能是因為不同土壤類型對其產生的影響遮掩了不同有機質含量本身的影響。為了探求更明顯的特征，對原始光譜做去除包絡線處理。

圖3 土壤有機質含量與光譜反射率的相關系數

圖2B是光譜去除包絡線后的曲線圖。由圖2B可知，隨著有機質含量減小，曲線中吸收谷更加明顯。除了1 400、1 900和2 200 nm處的吸收谷更加突出外，在420、480、660和900 nm附近也出現了吸收谷。在可見光區，吸收谷隨著有機質含量的增加而趨于平緩。有機質含量小于15 g/kg的包絡線去除曲線與其他有機質含量曲線存在明顯差異，這表明有機質含量越低，光譜反射率受其他因素的影響就越大。

腹膜反折懸吊方法為手術提供了較好的手術視野，便于手術操作，15例患者后腹腔鏡下腎部分切除術均順利完成。圍手術期資料見表1，平均手術時間為（88.9±24.5）min，平均腎熱缺血時間為（21.4±4.6）min，平均術中出血量為（72.0±16.6）mL，平均術后住院時間為（6.9±1.2）d，術中、術后均未輸血，均未發生任何重大手術并發癥。

分別選取砂姜黑土和黃褐土中有機質含量最小值、25% 分位數、50% 分位數、75% 分位數和最大值所對應的光譜曲線進行光譜特征分析(圖4)。由圖4可知，兩種土壤類型的光譜曲線總體趨勢基本一致，光譜曲線在可見光范圍內快速上升，在近紅外波段范圍內上升緩慢且較為平穩。砂姜黑土在可見光區反射率與有機質呈負相關(圖4A)；但在近紅外區，有機質含量為6.65 g/kg時光譜曲線呈現相反的趨勢，這是因為有機質含量較低時，有機質掩蓋其他土壤組成物質對光譜反射率的影響能力減弱，土壤光譜反射率被其他因素支配[26]。黃褐土有機質含量在10.00 ~ 33.35 g/kg之間，與光譜反射率呈負相關關系，即隨著有機質含量的增加，土壤的光譜反射率減小(圖4B)。

2.3 不同土壤類型和不同光譜分類的有機質光譜預測

本文選用原始光譜反射率(REF)、一階微分(FDR)和倒數的對數(Log(1/R)) 3種光譜指標作為自變量，利用PLSR方法分別建立基于總體樣本、土壤類型和光譜分類的有機質光譜預測模型(表2)。

由表2可知，總體樣本利用Log(1/R) 數據建模精度最高，2和RMSE分別為0.85和1.56 g/kg，Log(1/R) 驗證精度也是最高的，2和RMSE分別為0.66和2.40 g/kg。基于傳統土壤分類時，砂姜黑土的Log(1/R) 指標建模精度和驗證精度與其他指標相比是最高的；黃褐土的FDR建模精度最高，2達到0.99，接近于1，這可能是因為黃褐土土壤樣品過少導致建模隨機性過大；黃褐土驗證精度中是Log(1/R)指標的結果最好，2和RMSE分別為0.41和3.41 g/kg。基于光譜分類時，光譜類型1和光譜類型2的驗證精度都是Log(1/R)指標時最高。說明3種光譜指標中，選擇Log(1/R)指標預測土壤有機質比較好。

圖4 不同土壤類型的光譜反射率曲線

表2 土壤有機質光譜預測模型結果

總體樣本的Log(1/R) 指標的RPD為1.70，可以粗略對土壤有機質進行預測；土壤分類后，砂姜黑土和黃褐土Log(1/R) 指標的RPD分別為1.59和1.28，說明砂姜黑土的PLSR預測模型效果一般，僅能對土壤有機質含量進行粗略的估計，而黃褐土的光譜模型不能預測土壤有機質。可以得出結論，依照傳統土壤類型建立各自的有機質光譜預測模型精度并不好。

砂姜黑土是淮北平原的主要耕作土壤，其黏土礦物以蒙脫石和水云母為主，其次為蛭石和高嶺石。黃褐土的黏土礦物以蒙脫石、伊利石為主，并含有高嶺石及微量綠泥石。兩種土壤類型的黏土礦物都存在蒙脫石且含量較高，有機質含量也接近，所以兩種土壤類型之間存在相似的光譜曲線特征，利用光譜相關系數測度對土壤樣品進行光譜分類時能夠將光譜曲線相關性高的分為一類，能夠更好地預測土壤有機質含量。光譜分類后土壤樣品分為光譜類型1(包含86個樣品)和光譜類型2(包含45個樣品)，建立各自的土壤有機質光譜預測模型。由于兩種土壤類型的黏土礦物中分別存在高含量的水云母和伊利石，同時可能由于有機質、鐵等其他土壤屬性的影響，光譜分類后的土壤類型光譜曲線存在一定的區別，但光譜類型1與砂姜黑土的光譜曲線相似度高，光譜類型2與黃褐土的光譜曲線更接近，相互之間可以進行比較。結果(表2)比較表明，按照光譜分類后建立的有機質光譜預測模型精度明顯提高，光譜類型1的Log(1/R) 指標的RPD為1.74，與砂姜黑土的RPD相比提高了0.15，說明模型的穩定性有所提高；光譜類型2與黃褐土比較，Log(1/R) 指標的RPD由1.28提高到1.51，能夠對該類的土壤有機質進行估計。雖然光譜類型1和類型2的有機質預測模型RPD值仍小于2，但相對于按照土壤類型分別進行有機質光譜建模的精度有一定程度的提高。

3 結論

1)不同土壤有機質含量和不同土壤類型光譜曲線在整體波段范圍內趨勢基本一致；去除包絡線處理后，光譜曲線特征差異明顯，在420、480、660和900 nm附近出現了明顯吸收谷；有機質含量與光譜反射率呈負相關關系；有機質含量越低，光譜反射率受其他因素的影響就越大。

3)按照光譜相似性分類后建立的有機質光譜預測模型，比按土壤類型建立的光譜預測模型精度明顯提高。光譜類型1和光譜類型2經倒數對數變換后的RPD分別提高到1.74和1.51。因此，在今后的研究中可以嘗試運用光譜分類方法預測淮北平原的典型土壤有機質含量。

致謝：感謝中國科學院南京土壤研究所提供的土壤光譜測試。

[1] Shi Z, Ji W J, Viscarra Rossel R A, et al. Prediction of soil organic matter using a spatially constrained local partial least squares regression and the Chinese vis-NIR spectral library[J]. European Journal of Soil Science, 2015, 66(4): 679–687

[2] 于雷, 洪永勝, 周勇, 等. 高光譜估算土壤有機質含量的波長變量篩選方法[J]. 農業工程學報, 2016, 32(13): 95–102

[3] 方少文, 楊梅花, 趙小敏, 等. 紅壤區土壤有機質光譜特征與定量估算——以江西省吉安縣為例[J]. 土壤學報, 2014, 51(5): 1003–1010

[4] 史舟, 王乾龍, 彭杰, 等. 中國主要土壤高光譜反射特性分類與有機質光譜預測模型[J]. 中國科學: 地球科學, 2014, 44(5): 978–988

[5] 代希君, 彭杰, 張艷麗, 等. 基于光譜分類的土壤鹽分含量預測[J]. 土壤學報, 2016, 53(4): 909–918

[6] 盧艷麗, 白由路, 王磊, 等. 黑土土壤中全氮含量的高光譜預測分析[J]. 農業工程學報, 2010, 26(1): 256–261

[7] 王淼, 解憲麗, 周睿, 等. 基于可見光-近紅外漫反射光譜的紅壤有機質預測及其最優波段選擇[J]. 土壤學報, 2011, 48(5): 1083–1089

[8] 周鼎浩, 薛利紅, 李穎, 等. 基于可見-近紅外光譜的水稻土全磷反演研究[J]. 土壤, 2014, 46(1): 47–52

[9] Stenberg B, Viscarra Rosse R A, Mouazen A M, et a1. Visible and near infrared spectroscopy in soil science[J]. Advances in Agronomy, 2010, 107: 163–215

[10] Viscarra Rossel R A, Behrens T. Using data mining to model and interpret soil diffuse reflectance spectra[J]. Geoderma, 2010, 158(1): 46–54

[11] 王乾龍, 李碩, 盧艷麗, 等. 基于大樣本土壤光譜數據庫的氮含量反演[J]. 光學學報, 2014, 34(9): 308–314

[12] 張娟娟, 熊淑萍, 時雷, 等. 基于近紅外光譜分析的土壤全氮含量估測研究[J]. 土壤, 2015, 47(4): 653–657

[13] 楊揚, 高小紅, 賈偉, 等. 三江源區不同土壤類型有機質含量高光譜反演[J]. 遙感技術與應用, 2015, 30(1): 186–198

[14] Xu S X, Shi X Z, Wang M Y, et al. Effects of subsetting by parent materials on prediction of soil organic matter content in a hilly area using Vis-NIR spectroscopy[J]. Plos One, 2016, 11(3): 1–17

[15] 趙小敏, 楊梅花. 江西省紅壤地區主要土壤類型的高光譜特性研究[J]. 土壤學報, 2018, 55(1): 31–42

[16] 郭斗斗, 黃紹敏, 張水清, 等. 多種潮土有機質高光譜預測模型的對比分析[J]. 農業工程學報, 2014, 30(21): 192–200

[17] 于雷, 洪永勝, 耿雷, 等. 基于偏最小二乘回歸的土壤有機質含量高光譜估算[J]. 農業工程學報, 2015, 31(14): 103–109

[18] 王一丁, 趙銘欽, 劉鵬飛, 等. 基于高光譜分析的植煙土壤有機質和全氮含量預測研究[J]. 中國煙草學報, 2016, 22(3): 44–51

[19] 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

[20] 田永超, 張娟娟, 姚霞, 等. 基于近紅外光聲光譜的土壤有機質含量定量建模方法[J]. 農業工程學報, 2012, 28(1): 145–152

[21] 侯艷軍, 塔西甫拉提·特依拜, 買買提·沙吾提, 等. 荒漠土壤有機質含量高光譜估算模型[J]. 農業工程學報, 2014, 30(16): 113–120

[22] 鮑士旦. 土壤農化分析[M]. 3版. 北京: 中國農業出版社, 1999: 30–48

[23] Bayer A, Bachmann M, Müller A, et al. A comparison of feature-based MLR and PLS regression techniques for the prediction of three soil constituents in a degraded south African ecosystem[J]. Applied and Environmental Soil Science, 2012, DOI: 10.1155/2012/971252

[24] 趙春暉, 田明華, 李佳偉. 光譜相似性度量方法研究進展[J]. 哈爾濱工程大學學報, 2017, 38(8): 1179–1189

[25] 何挺, 王靜, 林宗堅, 等. 土壤有機質光譜特征研究[J]. 武漢大學學報(信息科學版), 2006, 31(11): 975–979

[26] 劉煥軍, 張柏, 劉志明, 等. 松嫩平原主要土壤光譜特征分析[J]. 中國科學院研究生院學報, 2007, 24(4): 439– 445

Hyperspectral Characteristics of Soils in Huaibei Plain and Estimation of SOM Content

LU Longmei1, ZHANG Ping1, LU Hongliang1, LIU Binyin1, ZHAO Mingsong1,2*

(1 School of Geomatics, Anhui University of Science and Technology, Huainan, Anhui 232001, China; 2 State Key Laboratory of Soil and Sustainable Agriculture, Institute of Soil Science, Chinese Academy of Sciences, Nanjing 210008, China)

In this paper, Mengcheng County was taken as the study area in the Huaibei Plain of Anhui Province. A total of 131 topsoil samples (0-20 cm) were collected, their spectral reflectance was measured by Cary 5000 spectrophotometer and the spectral characteristics of typical soil types were analyzed. Moreover, the prediction model of SOM content was established by PLSR. Firstly, whether the different mathematical transformation forms have different effects on the spectral model in predicting SOM content is examined. Secondly, the soil samples were classified according to spectral similarity, and the prediction precision of SOM spectra of different soil types and different spectral classification were compared. The results showed that: 1) The trends of spectral curves of different SOM contents and different soil types were basically similar. The correlation between SOM content and the spectral reflectance was negative, and the curve characteristic varied significantly when SOM content became lower, which is possibly influenced by other factors. 2) PLSR model, established on inverse-log processing of the reflectance, was the best in prediction, with the determination coefficients and the relative percent deviation all increased, the root mean squared error decreased. 3) The precision of SOM spectral prediction model based on the spectral similarity classification was significantly higher than that of the soil type model.

Soil hyperspectral characteristics; Spectral similarity classification; Soil type; PLSR; Huaibei Plain

國家自然科學基金項目(41501226)、安徽省高校自然科學研究項目(KJ2015A034)、土壤與農業可持續發展國家重點實驗室開放基金項目(Y412201431)和安徽理工大學人才引進項目(ZY020)資助。

(zhaomingsonggis@163.com)

陸龍妹(1994—)，女，安徽安慶人，碩士研究生，主要研究土壤屬性高光譜預測。E-mail: 504950747@qq.com

10.13758/j.cnki.tr.2019.02.023

S127

A