基于光譜數(shù)據(jù)的南疆農(nóng)田土壤有機(jī)碳含量估算模型研究

張 麗 郝夢(mèng)潔 魯新新 郭又波 阿迪力·亞森 蔣青松

（塔里木大學(xué)信息工程學(xué)院，新疆 阿拉爾 843300）

隨著全球氣候變化研究的深入，圍繞全球氣候變化中土壤有機(jī)碳庫(kù)的研究受到普遍關(guān)注[1]。土壤有機(jī)碳（soil organic carbon，SOC），是指土壤中存在各種形式和狀態(tài)的碳化合物[2]，包括動(dòng)物、植物和微生物的遺骸以及降解和合成的產(chǎn)物。這是土壤中天然有機(jī)物的精細(xì)非生物形式的通用名稱。土壤有機(jī)碳作為土壤最重要的組成成分，是土壤質(zhì)量的核心，是準(zhǔn)確評(píng)價(jià)土壤肥力的重要依據(jù)，也是全球碳循環(huán)和氣候變化研究的一個(gè)重要內(nèi)容，地球表面最大的碳庫(kù)是陸地土壤，陸地上的有機(jī)碳儲(chǔ)量約為1 550 Pg[3]。農(nóng)田土壤具有比較高的固碳潛力，并且可以有效地減少大氣中二氧化碳（CO2）的濃度，其中有機(jī)碳的含量是判斷該土壤質(zhì)量極其重要的指標(biāo)之一，有機(jī)碳含量的減少不僅會(huì)導(dǎo)致農(nóng)田生態(tài)的退化，而且還會(huì)降低農(nóng)田的可持續(xù)利用性[4]。由于土地利用的變化，自19世紀(jì)以來，大氣中二氧化碳的大部分增加是由于將自然土壤轉(zhuǎn)化為永久性農(nóng)業(yè)用地而導(dǎo)致的。農(nóng)田上的土壤碳沉積直接影響大氣中碳沉積的源匯效應(yīng)。在全球陸地生態(tài)系統(tǒng)的碳庫(kù)中，農(nóng)業(yè)土壤碳存儲(chǔ)在很大程度上被人類破壞，并使得其可以進(jìn)行短期的人為調(diào)控[5]。荒漠地區(qū)的發(fā)展和農(nóng)業(yè)用地的耕作，導(dǎo)致養(yǎng)分的流失和土壤結(jié)構(gòu)的破壞以及土壤中二氧化碳的降解。農(nóng)業(yè)用地是大氣中溫室氣體積累的主要因素[6]。

高光譜技術(shù)具有高分辨率、多波段和圖譜合一的特點(diǎn)，由于其獨(dú)特的光譜特征而被廣泛用于農(nóng)業(yè)、工業(yè)和醫(yī)學(xué)領(lǐng)域，可以說是未來遙感技術(shù)的最重要技術(shù)之一[7]。數(shù)十年來發(fā)展起來的高光譜技術(shù)，在研究土壤有機(jī)質(zhì)方面做了大量的工作，為后續(xù)研究者提供了良好的借鑒。徐彬彬等[8]比較有機(jī)質(zhì)去除前后土壤光譜反射率曲線的變化，發(fā)現(xiàn)可見光是監(jiān)測(cè)土壤有機(jī)質(zhì)含量的重要波長(zhǎng)范圍；于雷等[9]運(yùn)用偏最小二乘回歸建立了土壤有機(jī)質(zhì)含量的估算模型，CARS-SPAPLSR混合模型不僅簡(jiǎn)單，且預(yù)測(cè)效果較好，該模型可以作為評(píng)估該地區(qū)土壤有機(jī)質(zhì)的重要方法，對(duì)未來土壤近地傳感器設(shè)備的發(fā)展具有明確的方向性作用；郭斗斗等[10]利用25種光譜預(yù)處理方法，結(jié)合3種建模方法來構(gòu)建不同的潮土有機(jī)質(zhì)高光譜預(yù)測(cè)模型。偏最小二乘回歸模型結(jié)合最大值標(biāo)準(zhǔn)化預(yù)處理所建模型精度高、可靠性強(qiáng)，且建模過程數(shù)據(jù)運(yùn)算更為簡(jiǎn)便，是篩選出的最佳潮土有機(jī)質(zhì)高光譜預(yù)測(cè)模型。新型的高光譜遙感技術(shù)在很大程度上彌補(bǔ)了傳統(tǒng)監(jiān)測(cè)的空白，并且由于其動(dòng)態(tài)、快速、高效和宏觀經(jīng)濟(jì)的優(yōu)勢(shì)，它逐漸取代了傳統(tǒng)的監(jiān)測(cè)方法，成為了區(qū)域監(jiān)測(cè)土地資源探測(cè)新方法[11]；丁建軍等[12]詳細(xì)論證建模過程中建模組樣本數(shù)與驗(yàn)證組樣本數(shù)的數(shù)量關(guān)系，分析得出基于PLSR的土壤有機(jī)碳預(yù)測(cè)模型最優(yōu)條件；李碩等[13]使用主成分回歸，偏負(fù)平方回歸和傳播神經(jīng)網(wǎng)絡(luò)對(duì)基于可見-近紅外光譜數(shù)據(jù)的土壤氮進(jìn)行預(yù)測(cè)，并比較三種建模方法以選擇最佳模型；盧艷麗等[14]對(duì)基于近紅外數(shù)據(jù)利用逐步回歸分析和主成分回歸分析建立了東北黑土有機(jī)碳回歸預(yù)測(cè)模型；Gimsauh等[15]研究發(fā)現(xiàn)土壤有機(jī)質(zhì)含量與紅光波段的反射率具有較高的相關(guān)性。這些研究表明可以使用高光譜對(duì)有機(jī)碳進(jìn)行監(jiān)測(cè)，但所有研究都是線性模型，不能很好地解決非線性問題。因此，在今后的研究中嘗試用非線性模型對(duì)土壤有機(jī)碳的預(yù)測(cè)是十分必要的。

南疆位于我國(guó)西北部，天山以南，地處于干旱、半干旱荒漠地區(qū)，腐殖質(zhì)的合成和有機(jī)碳的分解受到土壤水分的強(qiáng)烈影響[16]。南疆廣闊的土地資源是我國(guó)重要的農(nóng)業(yè)地區(qū)，4.27%的土地資源承載著95%以上的人口，隨著人口的增長(zhǎng)，現(xiàn)有土地資源無法滿足經(jīng)濟(jì)社會(huì)發(fā)展的需要，對(duì)進(jìn)一步開發(fā)和利用土壤資源提出了新的要求[11]。如何合理開發(fā)并利用現(xiàn)有的土壤資源對(duì)于社會(huì)經(jīng)濟(jì)可持續(xù)發(fā)展尤為重要。土壤肥力是合理開發(fā)利用土壤資源的重要參考依據(jù)，而土壤有機(jī)碳是評(píng)估土壤肥力的主要指標(biāo)。因此，如何快速、有效地監(jiān)測(cè)土壤中有機(jī)碳的含量，為合理開發(fā)和利用土壤資源提供科學(xué)依據(jù)已成為南疆農(nóng)業(yè)經(jīng)濟(jì)的重要需求點(diǎn)[17-18]。傳統(tǒng)測(cè)定有機(jī)碳的方法雖然具有較高的準(zhǔn)確性，但會(huì)花費(fèi)較多的人力、物力和財(cái)力，難以快速的監(jiān)測(cè)到土壤中有機(jī)碳的動(dòng)態(tài)變化趨勢(shì)，其測(cè)定結(jié)果通常具有滯后性，無法滿足實(shí)際應(yīng)用的需求。隨著3S技術(shù)的快速發(fā)展，其作為一種重要的監(jiān)測(cè)工具，在土壤信息中的應(yīng)用也日益廣泛[19]。作為遙感技術(shù)（RS）重要組成部分的高光譜技術(shù)以其快速、有效、經(jīng)濟(jì)和環(huán)保等屬性被廣泛應(yīng)用于有機(jī)碳含量的估算，為有機(jī)碳的定量研究提供了新方法[20-21]。Dematte等[22]、徐彬彬[23]、彭杰等[24-25]甚至發(fā)現(xiàn)無論在全波段還是在紫外、可見光和近紅外波段去除土壤有機(jī)質(zhì)均可以提高土壤的反射率。研究表明：在600 nm附近的波段處，有機(jī)質(zhì)與土壤光譜之間的弓曲呈現(xiàn)負(fù)相關(guān)關(guān)系[26]；土壤有機(jī)質(zhì)含量與反射率之間具有非線性和顯著負(fù)相關(guān)性[27]。當(dāng)前對(duì)于土壤有機(jī)質(zhì)的定量估算在空間尺度上主要限定于局域性研究，對(duì)于類似全球性的大尺度、全局性的研究工作，基于采樣的復(fù)雜性、時(shí)空的變異性、建模方法的穩(wěn)健性和模型精度的局限性等因素，致使相關(guān)報(bào)道鮮見。在現(xiàn)有的文獻(xiàn)中，有關(guān)南疆土壤有機(jī)碳定量估算的研究報(bào)道比較少見，且已有研究工作在估算精度方面有待進(jìn)一步提高。鑒于以上分析，本文以新疆維吾爾自治區(qū)南疆地區(qū)的阿瓦提縣、溫宿縣、和田市、新和縣等四個(gè)地區(qū)的農(nóng)田土壤為研究對(duì)象，運(yùn)用Unscrambler 10.5對(duì)光譜數(shù)據(jù)做多項(xiàng)式平滑、歸一化、線性基線校正、標(biāo)準(zhǔn)正態(tài)變量變化、多項(xiàng)式平滑+歸一化等作變換處理，據(jù)此對(duì)光譜數(shù)據(jù)做相關(guān)性，并運(yùn)用全波段數(shù)據(jù)利用偏最小二乘法以及主成分回歸法來構(gòu)建土壤有機(jī)碳的估算模型，以期從5種預(yù)處理方法中，篩選出建模精度最佳的預(yù)處理方法，從而通過比較獲取較優(yōu)的有機(jī)碳預(yù)測(cè)模型，并將其應(yīng)用于南疆農(nóng)田土壤有機(jī)碳含量的定量評(píng)估與分析中。相關(guān)研究工作為簡(jiǎn)便、快速、有效地監(jiān)測(cè)土壤有機(jī)碳的含量提供了重要依據(jù)與技術(shù)支持。

1 材料與方法

1.1 樣本采集

在新疆維吾爾自治區(qū)南疆地區(qū)阿瓦提縣（北緯39°31′～40°50′、東經(jīng) 79°45′～81°05′）、溫宿縣（北緯 40°52′～42°15′、東經(jīng) 79°28′～81°30′）、和田市（東經(jīng)79°50′20″～79°56′40″、北緯36°59′50″～37°14′23″）、新和縣（東經(jīng)80°55′～82°43′、北緯40°45′～41°45′）進(jìn)行樣本采集，采樣區(qū)域分布圖如圖1所示。

采用網(wǎng)格采樣法在研究區(qū)域0～20 cm土層采集261份土樣，樣點(diǎn)的間隔大約100 m，以起始點(diǎn)為樣點(diǎn)中心，沿著東、西、南、北四個(gè)方位進(jìn)行土樣的采集，每個(gè)方位的樣點(diǎn)幾乎在同一條水平線上，每個(gè)土樣的質(zhì)量大約為2 kg[28]。將采集的土樣帶回室內(nèi)，在實(shí)驗(yàn)室風(fēng)干，然后將一部分土樣經(jīng)過細(xì)磨，過孔徑2 mm篩選處理，用于光譜測(cè)試；另一部分土樣細(xì)磨過孔徑2.5 mm篩選處理，用于理化性質(zhì)分析。處理過的土樣均勻的混合后，分別按照其名稱裝在自封袋中[17]。經(jīng)過測(cè)試，供試土樣的有機(jī)質(zhì)統(tǒng)計(jì)數(shù)據(jù)如表1所示。

表1 供試土樣有機(jī)質(zhì)數(shù)據(jù)統(tǒng)計(jì)

通過分析表1數(shù)據(jù)可知，四個(gè)樣區(qū)土樣的有機(jī)質(zhì)含量有著明顯的差異，其中，溫宿地區(qū)土樣的有機(jī)質(zhì)平均含量最高，新和地區(qū)有機(jī)質(zhì)的平均含量最低；從有機(jī)質(zhì)含量的變異系數(shù)來看，也是來于溫宿地區(qū)土樣的有機(jī)質(zhì)變異系數(shù)最大，而來于新和地區(qū)有機(jī)質(zhì)的變異系數(shù)最小。統(tǒng)計(jì)數(shù)據(jù)與實(shí)際情況吻合度較高。

1.2 光譜測(cè)定與數(shù)據(jù)處理

使用美國(guó)ASD公司的Field Spec Pro FR光譜儀采集土壤光譜數(shù)據(jù)，其波長(zhǎng)范圍在350～2 500 nm之間，在350～1 000 nm之間光譜采樣間隔為1.4 nm，光譜的分辨率為3 nm；1 000～2 500 nm的光譜采樣間隔為2 nm，光譜的分辨率為10 nm。光譜儀最終將在1 nm處對(duì)數(shù)據(jù)進(jìn)行重新采樣[29]。光譜的測(cè)量在一個(gè)可以控制光照條件的暗室內(nèi)進(jìn)行，光源為50 W的鹵素?zé)簦嗤寥罉悠繁砻娌怀^70 cm，天頂角為30°，將土壤樣品放在直徑10 cm和深2 cm的容器中，刮平表面。采用的探頭為25°視場(chǎng)角探頭，傳感器探頭位于土樣表面正上方15 cm處。在測(cè)試之前，需要進(jìn)行白板校正。每個(gè)土壤樣品采集10條光譜曲線，并以算術(shù)平均值獲得了該土壤樣品的實(shí)際反射光譜數(shù)據(jù)[30]。光譜儀器在收集數(shù)據(jù)時(shí)容易受到環(huán)境影響，而且收集的數(shù)據(jù)通常包含很多噪聲。此外，光譜儀器還會(huì)收集大范圍波段的光譜數(shù)據(jù)。因此，對(duì)于模型需要的數(shù)據(jù)有必要進(jìn)行異常數(shù)據(jù)剔除。因此，本文使用The-Unscrambler 10.5對(duì)光譜數(shù)據(jù)分別進(jìn)行了以下變換處理:多項(xiàng)式平滑、歸一化、線性基線校正、標(biāo)準(zhǔn)正態(tài)變量變化、多項(xiàng)式平滑+歸一化等。

1.3 建模方法

1.3.1 偏最小二乘法

偏最小二乘法不僅是一種基于多因變量與多自變量之間相關(guān)關(guān)系的回歸建模方法，也是一種新型的多元統(tǒng)計(jì)分析方法，該方法集成了相關(guān)性分析、主成分分析以及多元線性回歸技術(shù)的特點(diǎn)，能夠有效地解決多因變量對(duì)多自變量的回歸建模以及光譜波段間存在的多共重線性問題[12]。PLSR對(duì)樣本數(shù)量的要求較低，當(dāng)樣本個(gè)數(shù)小于自變量個(gè)數(shù)時(shí)，PLSR也可以建立回歸模型。它與主成分分析法都可以提取數(shù)據(jù)的特征信息，它有一個(gè)“響應(yīng)”矩陣，且它提取的成分不僅可以很好的概括自變量系統(tǒng)中的信息，還可以很好的解釋因變量，因此具有估測(cè)功能[31]。

1.3.2 主成分回歸法

主成分回歸法是回歸分析方法的一種，它不但可以解決自變量間存在的多重線性問題[32]，在保留原有信息的基礎(chǔ)上還有降維的作用。它在1965年被馬西提出，其基本步驟如下:第一步：把自變量轉(zhuǎn)變?yōu)闃?biāo)準(zhǔn)分；第二步：求出標(biāo)準(zhǔn)分的主成分并去除特征根較小的主成分；第三步：對(duì)因變量與剩下的主成分做回歸；第四步：將回歸方程中的主成分換成標(biāo)準(zhǔn)分的線性組合，得到回歸方程。

1.4 數(shù)據(jù)劃分與精度評(píng)價(jià)

將261個(gè)樣本按比例（2:1）分成建模集和預(yù)測(cè)集，即174個(gè)樣本用于建模，87個(gè)樣本用于模型預(yù)測(cè)，建模集與預(yù)測(cè)集有機(jī)碳數(shù)據(jù)見表2。建模方法主要采用基于偏最小二乘法以及主成分回歸。評(píng)價(jià)模型穩(wěn)定性和預(yù)測(cè)準(zhǔn)確性的指標(biāo)為R2、RMSE、RPD。其中RPD是量綱指標(biāo)，其值越大，表明模型的預(yù)測(cè)能力越強(qiáng)，RPD劃分見Saeys[33]。模型的R2越大，RMSE越小，其預(yù)測(cè)精度就越高越穩(wěn)定。

表2 建模集與預(yù)測(cè)集有機(jī)碳數(shù)據(jù)統(tǒng)計(jì)

2 結(jié)果分析

2.1 土壤有機(jī)碳與高光譜數(shù)據(jù)的相關(guān)性分析

將土壤有機(jī)質(zhì)含量與光譜原始數(shù)據(jù)以及經(jīng)過多項(xiàng)式平滑、歸一化、線性基線校正、標(biāo)準(zhǔn)正態(tài)變量變化、多項(xiàng)式平滑+歸一化變換處理后做相關(guān)性分析，且做相關(guān)系數(shù)在0.01水平上的顯著性檢驗(yàn)，如圖2所示。

農(nóng)田土壤有機(jī)碳含量與原始數(shù)據(jù)、多項(xiàng)式平滑、線性基線校正只有正相關(guān)，原始數(shù)據(jù)與多項(xiàng)式平滑710～962 nm、1 258～1 392 nm、1 686～2 645 nm、3 621～3 999 nm波段的相關(guān)性通過0.01水平上的顯著性檢驗(yàn)（圖2a、圖2c），且最大正相關(guān)系數(shù)位于1 686～2 645 nm波段，相關(guān)系數(shù)達(dá)到了0.502；線性基線校正只在1 686～2 645 nm、3 621～3 999 nm波段的相關(guān)性通過0.01水平上的顯著性檢驗(yàn)（圖2e），最大正相關(guān)系數(shù)位于1 686～2 645 nm波段，相關(guān)系數(shù)達(dá)到了0.486；而光譜原始數(shù)據(jù)經(jīng)過歸一化（圖2b）、多項(xiàng)式平滑+歸一化（圖2d）、標(biāo)準(zhǔn)正態(tài)變量變化（圖2f）變換后，不僅有正相關(guān)，還有負(fù)相關(guān)，這三種變換形式在1 756～2 041 nm、2 468～2 605 nm波段呈正相關(guān)，在1 033～1 210 nm、1 492～1 565 nm波段呈負(fù)相關(guān)，且在1 756～2041 nm、2 468～2 605 nm、1 033～1 210 nm、1 492～1 565 nm波段的相關(guān)性通過0.01水平上的顯著性檢驗(yàn)（圖2b、圖2d、圖2f），最大正相關(guān)系數(shù)位于1 756～2 041 nm波段，相關(guān)系數(shù)達(dá)到了0.527，最大負(fù)相關(guān)系數(shù)位于1 033～1 210 nm波段，相關(guān)系數(shù)達(dá)到了-0.410。光譜原始數(shù)據(jù)經(jīng)過歸一化（圖2b）、多項(xiàng)式平滑+歸一化（圖2d）、標(biāo)準(zhǔn)正態(tài)變量變化（圖2f）變換后所得到的光譜數(shù)值與土壤有機(jī)質(zhì)含量相關(guān)系數(shù)與多項(xiàng)式平滑、線性基線校正變換后相比均有提高。原始數(shù)據(jù)、多項(xiàng)式平滑、線性基線校正與有機(jī)碳含量相關(guān)性的連續(xù)性較差，正相關(guān)和負(fù)相關(guān)的規(guī)律性較弱。而經(jīng)過歸一化、多項(xiàng)式平滑+歸一化、標(biāo)準(zhǔn)正態(tài)變量變化處理后，有機(jī)碳含量的相關(guān)性看起來更簡(jiǎn)單、更具連續(xù)性。

2.2 偏最小二乘法農(nóng)田土壤有機(jī)碳高光譜估算模型

基于PLSR方法的有機(jī)碳估算模型中，預(yù)處理方法采用多項(xiàng)式平滑、歸一化、線性基線校正、標(biāo)準(zhǔn)正態(tài)變量變化、多項(xiàng)式平滑+歸一化，其中多項(xiàng)式平滑+歸一化的模型建模效果相對(duì)最好。表3給出無預(yù)處理和經(jīng)預(yù)處理多項(xiàng)式平滑、歸一化、線性基線校正、標(biāo)準(zhǔn)正態(tài)變量變化、多項(xiàng)式平滑+歸一化的基于PLSR的有機(jī)碳估算結(jié)果精度。圖3給出基于多項(xiàng)式平滑+歸一化處理后的PLSR有機(jī)碳含量模型的估算結(jié)果散點(diǎn)圖。相比其他數(shù)據(jù)預(yù)處理的PLSR估測(cè)模型而言，經(jīng)多項(xiàng)式平滑+歸一化的PLSR估算模型的精度更高、預(yù)測(cè)能力更好。

圖2 農(nóng)田土壤有機(jī)碳含量與光譜變換形式的相關(guān)性曲線

表3 偏最小二乘法不同數(shù)據(jù)預(yù)處理方法的精度對(duì)比

從表3中可以看出，就PLSR模型而言，無預(yù)處理與5種預(yù)處理方法中建模集的R2C均高于交叉驗(yàn)證集的R2V，而RMSEC則均低于對(duì)應(yīng)的RMSEV。在無預(yù)處理與5種預(yù)處理方法中，基于多項(xiàng)式平滑+歸一化處理后的PLSR估測(cè)模型的決定系數(shù)R2C最高，為0.88；均方根誤差RMSEC值最低，為3.99。基于歸一化與多項(xiàng)式平滑+歸一化處理后的PLSR估測(cè)模型的R2v一樣，且基于歸一化的PLSR估測(cè)模型的RMSEv更低。研究表明，在反射率、多項(xiàng)式平滑、歸一化、線性基線校正、標(biāo)準(zhǔn)正態(tài)變量變化、多項(xiàng)式平滑+歸一化這無預(yù)處理與5種預(yù)處理方法中，經(jīng)歸一化與多項(xiàng)式平滑+歸一化處理后的建模精度最高。據(jù)此表4給出基于歸一化與多項(xiàng)式平滑+歸一化處理后的PLSR預(yù)測(cè)結(jié)果精度。

表4 偏最小二乘法方法的歸一化與SG平滑+歸一化預(yù)測(cè)精度對(duì)比

由表4中可知，基于歸一化與多項(xiàng)式平滑+歸一化處理后的PLSR估測(cè)模型，多項(xiàng)式平滑+歸一化處理后的建模精度最高，其R2、RMSE、RPD分別為0.84、3.47 g·kg-1、2.63。為了驗(yàn)證該模型經(jīng)多項(xiàng)式平滑+歸一化后的精度與穩(wěn)定性，本文用建模之外的87個(gè)樣本對(duì)估算模型進(jìn)行了驗(yàn)證，驗(yàn)證結(jié)果的預(yù)測(cè)值與實(shí)測(cè)值的散點(diǎn)圖如圖3所示。

圖3 基于多項(xiàng)式平滑+歸一化處理的PLSR有機(jī)碳含量模型的估算結(jié)果散點(diǎn)圖

由圖3可以看出，87個(gè)土壤樣本有機(jī)碳含量的PLSR模型預(yù)測(cè)值與實(shí)測(cè)值之間的R2為0.84，RMSE為3.47 g·kg-1，與PLSR模型在建模集（0.88和3.99）和交叉驗(yàn)證集（0.82和4.91）的數(shù)值相差不多，該RMSE甚至比交叉驗(yàn)證集的RMSE更低，說明PLSR模型的穩(wěn)定性較好，而RPD為2.63，根據(jù)Saeys等[33]的評(píng)價(jià)標(biāo)準(zhǔn)，說明該模型具有較好的預(yù)測(cè)能力。

2.3 主成分回歸農(nóng)田土壤有機(jī)碳高光譜估算模型

基于PCR的有機(jī)碳估算模型中，預(yù)處理采用多項(xiàng)式平滑、歸一化、線性基線校正、標(biāo)準(zhǔn)正態(tài)變量變化、多項(xiàng)式平滑+歸一化，其中經(jīng)過標(biāo)準(zhǔn)正態(tài)變量變化預(yù)處理的模型建模效果相對(duì)最好。表5給出無預(yù)處理和經(jīng)預(yù)處理（多項(xiàng)式平滑、歸一化、線性基線校正、標(biāo)準(zhǔn)正態(tài)變量變化、多項(xiàng)式平滑+歸一化）后，采用PCR建模得到的結(jié)果精度。圖4給出基于標(biāo)準(zhǔn)正態(tài)變化變量處理后的PCR模型的估算結(jié)果散點(diǎn)圖。相比其他數(shù)據(jù)預(yù)處理的PCR估測(cè)模型而言，經(jīng)標(biāo)準(zhǔn)正態(tài)變量變化處理后的PCR估算模型的精度更高、預(yù)測(cè)能力更好。

表5 主成分回歸方法不同數(shù)據(jù)預(yù)處理方法的精度對(duì)比

從表5中可以看出，就PCR模型而言，無預(yù)處理與5種預(yù)處理方法中建模集的R2C均高于交叉驗(yàn)證集的R2V，而RMSEC則均低于對(duì)應(yīng)的RMSEV。在5種預(yù)處理方法中，基于標(biāo)準(zhǔn)正態(tài)變量變化處理的PCR估測(cè)模型的決定系數(shù)R2C值最高，為0.83；均方根誤差RMSEC值最低，為4.71。研究表明，針對(duì)無預(yù)處理與5種預(yù)處理方法（多項(xiàng)式平滑、歸一化、線性基線校正、標(biāo)準(zhǔn)正態(tài)變量變化、多項(xiàng)式平滑+歸一化）而言，標(biāo)準(zhǔn)正態(tài)變量變化處理后的建模精度最高。

由表5中可知，在PCR建模所涉及的無預(yù)處理與5種預(yù)處理方法中，標(biāo)準(zhǔn)正態(tài)變量變化的建模精度最高，其R2、RMSE分別為0.83、4.71 g·kg-1，為了驗(yàn)證該模型經(jīng)標(biāo)準(zhǔn)正態(tài)變量變化處理后的精度與穩(wěn)定性，本文用建模之外的87個(gè)樣本對(duì)估算模型（PCR）進(jìn)行了驗(yàn)證。驗(yàn)證結(jié)果的預(yù)測(cè)值與實(shí)測(cè)值的散點(diǎn)圖如圖4所示。

圖4 基于標(biāo)準(zhǔn)正態(tài)變量變化處理的PCR有機(jī)碳含量模型的估算結(jié)果散點(diǎn)圖

由圖4可以看出，87個(gè)土壤樣本有機(jī)碳含量的PCR模型預(yù)測(cè)值與實(shí)測(cè)值之間的R2為0.79，RMSE為3.9 g·kg-1，與PCR模型在建模集（0.83和4.71）和交叉驗(yàn)證集（0.78和5.40）的數(shù)值相差不多，該RMSE甚至比交叉驗(yàn)證集的RMSE更低，說明PCR模型的穩(wěn)定性較好，而RPD為2.30，根據(jù)Saeys等[33]的評(píng)價(jià)標(biāo)準(zhǔn)，說明該模型具有較好的預(yù)測(cè)能力。

2.4 有機(jī)碳含量高光譜估算模型結(jié)果對(duì)比分析

表6給出PLSR與PCR方法在最優(yōu)預(yù)處理下的模型估算對(duì)比結(jié)果。從表6可看出，就有機(jī)碳含量的模型估算結(jié)果而言，數(shù)據(jù)在經(jīng)預(yù)處理后，PLSR已經(jīng)明顯優(yōu)于PCR。

表6 偏最小二乘法與主成分回歸法的有機(jī)碳高光譜估算模型結(jié)果對(duì)比

此外，在經(jīng)預(yù)處理后，無論是PLSR還是PCR，模型精度較之預(yù)處理前都有顯著提升。研究結(jié)果表明：針對(duì)同樣的數(shù)據(jù)預(yù)處理方式，就PLSR與PCR方法比較而言，前者RMSEv的值更小，而R2v的值更大，同時(shí)RPD的值更高。因此，PLSR比PCR方法的建模精度更高、預(yù)測(cè)能力更好。由此可見，PLSR較PCR更適用于土壤有機(jī)碳含量的估算。

3 結(jié)論

土壤有機(jī)碳的含量作為評(píng)價(jià)土壤肥力的重要依據(jù)，探索土壤有機(jī)碳快速、有效的監(jiān)測(cè)方法對(duì)土壤資源的合理開發(fā)和利用有重要的意義。本文對(duì)采集新疆維吾爾自治區(qū)阿瓦提、溫宿、和田、新和的261個(gè)農(nóng)田土壤樣本，運(yùn)用5種預(yù)處理方法，并結(jié)合偏最小二乘法以及主成分回歸法，來構(gòu)建阿瓦提、溫宿、和田、新和農(nóng)田土壤有機(jī)碳的估算模型。

研究結(jié)果表明：5種預(yù)處理方法中，基于多項(xiàng)式平滑+歸一化處理的偏最小二乘模型精度最高，其R2為0.84，RMSE為3.47 g·kg-1，RPD為 2.63；基于標(biāo)準(zhǔn)正態(tài)變量變化處理的主成分回歸模型精度也較高，其R2為0.79，RMSE為3.9 g·kg-1，RPD為2.30；根據(jù)Saeys等[33]的評(píng)價(jià)標(biāo)準(zhǔn)，這兩種模型都具有較好的預(yù)測(cè)能力，但前者因其R2更大，RMSE更小，同時(shí)RPD也更高，從而具有更好的預(yù)測(cè)效果。因此，針對(duì)相同的數(shù)據(jù)處理方式而言，PLSR較PCR方法更適用于土壤有機(jī)碳含量的估算。

盡管本文僅運(yùn)用了5種數(shù)據(jù)預(yù)處理方法（多項(xiàng)式平滑、歸一化、線性基線校正、標(biāo)準(zhǔn)正態(tài)變量變化、多項(xiàng)式平滑+歸一）及兩種非線性模型偏最小二乘法和主成分回歸法，所得模型結(jié)果均比較理想，用于預(yù)測(cè)的效果較好。但因土壤有機(jī)碳含量的估算問題，基于問題本身的復(fù)雜性和模型預(yù)測(cè)精度的不確定性，隨著科技的進(jìn)步和研究工作的深入，勢(shì)必會(huì)產(chǎn)生更多更優(yōu)的預(yù)測(cè)模型，期待更多相關(guān)領(lǐng)域的研究成果，用以豐富其理論知識(shí)和實(shí)踐應(yīng)用。