華南地區土壤有機質含量高光譜反演

王婷 劉振華 彭一平 胡月明

摘要：為實現對土壤有機質含量的快速監測，在對土壤有機質含量作倒數變換的同時將土壤高光譜數據進行多種數據變換處理，篩選出與土壤有機質含量倒數變換后相關性最高的光譜指標，最后構建了土壤有機質含量高光譜反演的最佳模型，實現對土壤有機質含量的反演。結果表明：估算土壤有機質含量的最佳光譜指標為反射率一階微分波段組合R（587，126*R（734，049）*R（1 095，892），相關系數為0.769;在此基礎上構建的土壤有機質含量高光譜反演模型最佳（Y=5×1016x3-5×1010x2+59 471.000 0x+0.101 1），其決定系數R2為0.65，均方根誤差（RMSE）為0.040 mg/kg。將其驗證樣本預測值與實測值進行比較，平均相對誤差為27.00%，RMSE為4.19 mg/kg。該驗證結果證明利用該模型進行華南地區土壤有機質含量的快速監測是可行的。

關鍵詞：土壤有機質含量;高光譜;估測模型;華南地區

中圖分類號：S127文獻標識碼：A文章編號：1000-4440（2020）02-0350-08

Abstract： In order to monitor soil organic matter content rapidly， the reciprocal transformation of soil organic matter content and a variety of data transformation processing on soil hyperspectral data were carried out. On this basis， the spectral index having the highest correlation with the content of soil organic matter after reciprocal transformation was selected to construct the best hyperspectral inversion model of soil organic matter content. The results indicated that the band combination R（587，126）×R（734，049）×R（1 095，892） was the best spectral index for estimating soil organic matter content， and the correlation coefficient was 0.769. The best hyperspectral inversion model constructed by the band combination was y = 5×1016x3 -5×1010x2+59 471.000 0x+0.101 1， with determination coefficient（R2） of 0.65 and root mean squared error （RMSE） of 0.040 mg/kg. In addition， the predicted value of the verified sample was compared with the measured value， the mean relative error （MRE） was 27.00%， and RMSE was 4.19 mg/kg. In conclusion， it is feasible to monitor the soil organic matter content in South China by using the model constructed in this study.

Key words：soil organic matter content;hyperspectrum;estimation model;South China

土壤有機質（Soil organic matter，SOM）是存在于土壤當中的含碳有機化合物總稱[1]，是保持土壤肥力、維持良好耕地質量的重要因素[2]。然而，快速擴張的城市化、工業化導致土壤有機質含量的變化更加明顯。因此，借助現代技術快速監測土壤有機質含量顯得尤為重要。

現有的獲取土壤有機質含量的主要方式有2種：傳統的實驗室化學分析和光譜分析。傳統的實驗室化學分析方法是將采集的土壤樣品進行制備，包括自然風干、去除雜質、壓碎研磨以及過篩，再通過一些土壤有機質化學分析測定方法進行測定，例如油浴法、目視比色法、灼燒法、光度法、直接加熱消解法、重鉻酸鉀容量法等，最后通過相應的公式來計算土壤有機質的含量[3-5]。傳統的實驗室化學分析方法具有較高的準確度，但在采樣過程中在一定程度上會造成采樣地點土壤的破壞和流失，且實驗步驟繁瑣，耗時費工，不便于快速、大范圍地測定土壤有機質含量。

光譜分析方法是通過辨別物質的光譜差異來測定土壤有機質含量的方法。通過土壤光譜采集，分析土壤光譜與土壤有機質含量之間的相關關系，建立兩者之間的線性或非線性模型，以此獲取土壤有機質含量[6-10]。官曉等[6]以68組土壤樣本的有機質含量和地面實測光譜數據為基礎，對比了多元回歸分析和模糊數學2種方法對土壤有機質含量預測分析的效果，結果表明基于模糊數學的方法具有更明顯的優勢，其相關系數為 89.3%，平均相對誤差更小。Dhawale等[7]采用實測土壤有機質含量和相應的土壤反射率，建立了兩者的最小二乘回歸模型，均方根誤差（RMSE）在0.76%到2.24%之間。這種方法可減少分析時間和成本，對土體的破壞性小，且具備較高的預測精度[11-13]。

有關光譜反演土壤有機質含量的研究中，模型的建立大多數以經驗統計方法為主，且不同地區有不同的土壤類型和成分，最終建立的估算模型存在普適性差的問題。華南地區作為中國主要農業產區之一，目前還沒有針對該地區構建的土壤有機質高光譜預測模型。因此，本研究通過Avafield地物高光譜儀實測獲取的土壤光譜數據以及實驗室化學分析獲取的土壤有機質含量，構建亞熱帶典型區域廣東省的土壤有機質高光譜估算模型，研究利用高光譜技術估測土壤有機質含量的可行性。

1材料與方法

1.1研究區概況

廣東省處于20°09′～25°31′N和109°45′～117°20′E，亞熱帶季風氣候，地勢北高南低，主要土壤類型為紅壤、赤紅壤和磚紅壤（圖1）。耕地主要農作物有：水稻、玉米、花生及其他作物。近年來城市化和工業化建設對全省耕地有機質整體水平產生了不利影響[14]。

1.2數據來源及預處理

1.2.1土壤樣本采集及處理本研究采集的75個土壤樣點分布在廣東省各地級市（圖1），土壤類型以赤紅壤、紅壤、磚紅壤和水稻土為主，樣點的采集時間為2017年5月。采集過程中進行GPS精確定位，土層深度為0～20 cm， 質量約300 g。采集的土壤樣本自然風干，剔除砂礫及動植物殘體等雜質，碾磨并過篩（0.2 mm）。每個樣本分成2份，分別進行土壤有機質含量的化學分析和土壤光譜反射率的測量。

每個樣點分別稱取土壤0.2 g，用H2SO4-HNO3-KMnO4法消解后，采用重鉻酸鉀容量法-外加熱法進行土壤有機質含量的化學分析。所有土樣的有機質含量測定結果為：最大值61.11 mg/kg，最小值5.58 mg/kg，平均值29.79 mg/kg，標準差11.59 mg/kg，變異系數38.90%。表明研究區域的土壤有機質含量為中等變異性。為了保證模型建立和驗證的合理性，將75個樣本按有機質含量從小到大排序，每隔4個樣本抽取1個樣本，一共15個樣本用于驗證，其他60個樣本則用于建立模型。驗證樣本和建模樣本的分布如圖1所示。

1.2.2土壤光譜反射率測定及處理土壤樣本的光譜反射率測定采用AvaField便攜式光譜儀（荷蘭Avantes公司產品），其覆蓋的波段范圍為340.316～2 511.179 nm，采樣間隔為0.6 nm。測定土樣光譜前利用標準白板和黑板對AvaField便攜式光譜儀進行定標和調整。采集光譜時，為了減少外界環境的影響，將土樣放置在一個黑夾子里，用50 W鹵素燈作為測定光源，通過光纖連接視場角為10°的探頭垂直接觸來進行光譜反射率測定。在采集土壤光譜反射率時，每個土樣測定5次，每次自動采集10條數據。樣本的原始光譜反射率是利用AvaReader軟件將異常曲線去除后的光譜反射率算數平均值。

1.3高光譜模型建立與驗證

1.3.1光譜數據分析采用Savitzky-Golay平滑方法對實驗室采集的光譜數據進行平滑處理以降低噪聲的影響。從圖2可見，采集的土壤光譜曲線變化趨勢大致相同，總體呈現先增加后降低的拋物線型。在可見光和部分近紅外波段范圍（400～1 100 nm），反射光譜隨著波長的增加而上升，在1 100 nm附近形成一個峰值，之后光譜變化趨緩。在1 400 nm、1 900 nm和2 200 nm附近有3個明顯的吸收峰，深度略有差別，這可能是黏土礦物中所含的水分子和羥基的吸收帶[15]，基本符合土壤光譜的曲線特征。

1.3.2構建光譜指標土壤有機質在可見光和近紅外波段表現出獨特的光譜響應特性，且土壤光譜反射率與SOM含量一般呈顯著負相關關系，SOM含量的增減變化可以從土壤反射光譜中得到一定程度的反映[15-17]。正因為有了這種特殊的響應關系，通過測定土壤的光譜反射率成為測定SOM含量的一種新方式[17]。另外，受到土壤結構和光譜測量環境等差異的影響，土壤光譜和土壤有機質含量呈現出一種非線性變化，使得光譜曲線的吸收帶和反射帶并不明顯。而光譜的低階（一階、二階）微分變換處理對噪聲影響的敏感性較低[18]，通過光譜變換處理可以去除部分背景、噪聲的影響，增強光譜數據與有機質含量之間的相關關系[17]。因此，為了找到對土壤有機質含量更敏感的光譜指標，本研究選取光譜微分、倒數對數、雙波段組合等方法對光譜數據進行處理（表1）。

1.3.3模型建立與驗證利用皮爾遜（Pearson）相關分析方法篩選光譜特征指標，以光譜特征指標作為函數的自變量，因變量為實驗室測得的土壤有機質含量，構建土壤有機質含量與反射光譜及其變換后的光譜數據之間的模型。構建的模型類型包括：簡單線性模型，Y =a+bx;一元二次函數模型，Y =a+bx+cx2;一元三次模型，Y =a+bx+cx2+dx3;對數模型，Y =a+b×ln（x）;指數模型，Y =a×exp（bx）;冪模型，Y=a×xb。式中，Y為土壤有機質模擬值，x為光譜特征指標，a、b、c、d為常數。

2結果與分析

2.1土壤有機質含量與光譜指標之間的相關性

對比分析土壤有機質含量與表1中的4種光譜指標的Pearson相關性大小及其變化趨勢，結果表明4種光譜指標與土壤有機質含量的相關性并不高（圖3）。通過反復試驗，發現土壤有機質含量倒數變換后與4種光譜指標數據的相關性得到不同程度的提高（圖3）。

從圖3可看出，在有機質含量未經過變換時，4種光譜指標中，光譜平滑反射率與土壤有機質含量的最高相關性較小，反射率一階微分后與土壤有機質含量的最高相關性最高。土壤有機質含量經過倒數變換后，4種光譜反射率與土壤有機質含量的相關性得到不同程度的提高，尤其是反射率一階微分變換后相關系數從-0.335變成-0.475。以達到的最高相關性大小來看，4種光譜指標與土壤有機質含量的相關性大小為：FDR>lg（1/R）>SDR>REF（光譜平滑反射率），其對應的相關系數分別為-0.475、-0.324、0.313、0.230。因此，在4種光譜指標中，反射率一階微分（FDR）與土壤有機質含量的相關性最佳，在本研究中為最優光譜指標。

在土壤有機質含量經過倒數變換的基礎上，篩選相關性最優的波段組合。由表2可知，4種光譜指標對應的最大相關系數都達到極顯著相關水平，其中反射率一階微分的波段組合相關系數最高，達到0.769，其最優的波段組合為R（587，126）*R（734，049）*R（1 095，892）。

2.2土壤有機質含量的高光譜估算模型

在獲得4種光譜指標最高相關性所對應的波段組合的基礎上，采用6種常用的回歸模型方法，分別以各光譜指標最佳波段組合為自變量x和倒數變換后的土壤全有機質含量為因變量y，構建各項光譜指標[反射率光譜平滑（REF）、一階微分（FDR）、二階微分（SDR）、倒數對數（lg（1/R）]與土壤有機質含量之間的高光譜估算模型。當部分自變量x出現負數時，對數函數和冪函數模型被剔除（表3）。

a1：原始有機質含量與光譜平滑反射率相關性;a2：變換后的有機質含量與光譜平滑反射率相關性;b1：原始有機質含量與反射率一階微分相關性;b2：變換后的有機質含量與反射率一階微分相關性;c1：原始有機質含量與反射率二階微分相關性;c2：變換后的有機質含量與反射率二階微分相關性;d1：原始有機質含量與反射率倒數對數相關性;d2：變換后的有機質含量與反射率倒數對數相關性。

從表3可以看出，采用4～6種基本模型分別對4種光譜指標與土壤有機質含量的高光譜估算模型的效果差異較大。其中建模的決定系數（R2）介于0.17與0.65之間，均方根誤差（RMSE）介于0.040 mg/kg與0.061 mg/kg之間;模型建立后進行驗證獲取的R2介于0.02與0.73之間，RMSE介于0.040 mg/kg與0.049 mg/kg之間。對比和分析表3中所有模型的效果可知，基于反射率一階微分（FDR）波段組合的土壤有機質含量估算模型的反演效果要明顯優于其他模型，這是因為在一階微分變換后，光譜反射率變得更加平緩，而部分特征卻得到了明顯的增強，使得光譜估算模型的效果得到提升。在反射率一階微分（FDR）波段組合的4種估算模型中，一元三次函數模型Y=5×1016x3-5×1010x2+59 471.000 0x+0.101 1的R2達到0.65，RMSE為0.040 mg/kg， R2較大且RMSE小，擬合效果最好，其擬合圖見圖4。

對建立的模型進行可靠性驗證。在驗證過程中，將模擬出的檢驗樣本有機質含量與實測數據進行比較，從表4可以看到，檢驗樣本預測值介于8.32 mg/kg與18.26 mg/kg之間，平均值為14.75 mg/kg，標準差為2.80 mg/kg;實測值介于5.98 mg/kg與23.37 mg/kg之間，平均值為15.38 mg/kg，標準差為5.45 mg/kg;RMSE為4.19 mg/kg。絕對誤差介于0.48 mg/k與7.32 mg/kg之間，平均值為3.70 mg/kg;相對誤差介于5.30%與78.43%之間，平均值為27.00%。從散點分布圖（圖5）也可以看出，實測值和預測值與1∶1線也較接近，可知用該模型反演效果可靠，適合用來進行土壤有機質含量高光譜估算。

3討論

為了減小噪聲影響，增強光譜數據與有機質含量之間的相關關系，本研究將土壤光譜反射率數據進行了4種變換處理，包括Savitzky-Golay平滑、一階微分變換、二階微分變換以及倒數對數變換，且將有機質含量進行倒數轉換。在此基礎上分別篩選出4種光譜指標相關系數較高的波段，再對特征波段進行組合并進行相關分析。波段組合后的相關系數得到了提高，且都達到極顯著相關水平，其中反射率一階微分的波段組合R（587，126）*R（734，049）*R（1 095，892）相關系數最高，達到0.769。

經過對比分析，基于4種光譜指標和4～6種常用數學回歸模型分別建立土壤有機質含量高光譜估算模型。得到的最佳模型是以反射率一階微分的波段組合R（587，126）*R（734，049）*R（1 095，892）為光譜指標所建立的一元三次函數模型Y=5×1016x3-5×1010x2+59 471.000 0x+0.101 1，建模時得到的R2為0.65，RMSE為0.040 mg/kg，驗證時獲得的R2為0.73，RMSE為0.040 mg/kg，反倒數變換后的驗證RMSE為4.19 mg/kg。研究結果表明該模型用于估算土壤有機質含量是可行的。

為了最大化地提高光譜指標與土壤有機質含量之間的相關性，本研究對土壤有機質含量進行倒數變換之后再進行相關性分析、波段組合以及最后的建模，這是區別于前人[17，20-21]的研究，這為高光譜有機質含量估算模型的建立提供了新思路。由于不同地區不同土壤類型對應的土壤屬性與反射率也會有所不同，在建模過程中，受這種區域因素的影響，本研究所得土壤有機質含量與光譜指標兩者的最大相關系數及相應的特征波段也有所差異，這也說明目前普適性問題是建立高光譜估算模型普遍存在的問題，這也是本研究存在的一個不足點。因此，在以后的采樣當中，考慮補充華南地區以外不同土壤屬性的土樣，以提高預測模型的可靠性和普適性;此外，在建模的過程中，嘗試利用一些非線性建模方法來獲取更好的預測效果。

參考文獻：

[1]李志洪，趙蘭坡，竇森. 土壤學[M].北京：化學工業出版社，2005.

[2]BATIONO A， KIHARA J， VANLAUWE B， et al. Soil organic carbon dynamics， functions and management in West African agro-ecosystems[J]. Agricultural Systems， 2007， 94（1）：13-25.

[3]李婧. 土壤有機質測定方法綜述[J].分析試驗室，2008，27 （S1）：154-156.

[4]季天委. 重鉻酸鉀容量法中不同加熱方式測定土壤有機質的比較研究[J].浙江農業學報，2005，17 （5）：311-313.

[5]章濤，于雷. 土壤有機質高光譜估算模型研究進展[J]. 湖北農業科學，2017，56 （17）：3205-3208.

[6]官曉，周萍，陳圣波. 基于地面實測光譜的土壤有機質含量預測[J]. 國土資源遙感，2014， 26（2）：105-111.

[7]DHAWALE N M， ADAMCHUK V I， PRASHER S O， et al. Proximal soil sensing of soil texture and organic matter with a prototype portable mid‐infrared spectrometer[J]. European Journal of Soil Science， 2015， 66（4）：661-669.

[8]袁征，李希燦，于濤，等. 高光譜土壤有機質估測模型對比研究[J].測繪科學，2014，39（5）：117-120.

[9]欒福明，張小雷，熊黑鋼，等. 基于不同模型的土壤有機質含量高光譜反演比較分析[J].光譜學與光譜分析，2013，33（1）：196-200.

[10]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.

[11]STEVENS A， WESEMAEL B V. Soil organic carbon stock in the Belgian Ardennes as affected by afforestation and deforestation from 1868 to 2005[J]. Forest Ecology & Management， 2008， 256（8）：1527-1539.

[12]CROFT H， KUHN N J， ANDERSON K. On the use of remote sensing techniques for monitoring spatio-temporal soil organic carbon dynamics in agricultural systems[J]. Catena， 2012， 94（9）：64-74.

[13]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.

[14]曾招兵，湯建東，劉一峰，等. 廣東耕地土壤有機質的變化趨勢及其驅動力分析[J]. 土壤， 2013，45 （1）：84-90.

[15]AL-ABBAS A H， SWAIN P H， BAUMGARDNER M F. Relating organic matter and clay content to the multispectral radiance of soils [J]. Soil Science， 1972， 114（6）：477-485.

[16]徐彬彬，戴昌達. 南疆土壤光譜反射特性與有機質含量的相關分析[J]. 科學通報， 1980，25（6）：282-284.

[17]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.

[18]CLOUTIS E A. Review article： Hyperspectral geological remote sensing： evaluation of analytical techniques[J]. International Journal of Remote Sensing， 1996， 17（12）：2215-2242.

[19]FUAN T， WILLIAM D. A derivative-aided hyperspectral image analysis system for land-cover classification [J]. IEEE Transaction on Geoscience and Remote Sensing， 2002， 10（2）： 416-425.

[20]盧艷麗，白由路，楊俐蘋，等. 基于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）：1989-1995.

[21]李媛媛，李微，劉遠，等. 基于高光譜遙感土壤有機質含量預測研究[J].土壤通報，2014，45（6）：1313-1318.

（責任編輯：張震林）