基于Munsell顏色的土壤游離鐵預測研究*

余星興，袁大剛，陳劍科，翁 倩，付宏陽，黃宇瀟

（四川農業大學資源學院，成都 611130）

土壤顏色是判斷成土環境、土壤發育程度及肥力特征的重要依據之一，在土壤發生、分類研究中具有重要意義，氧化鐵是其主要影響因素之一[1-3]。顏色是土壤在可見光波段的反射光譜特征，而在決定反射光譜特征最重要的土壤化學成分中，僅有Fe在可見-近紅外波段具有光譜特征[4]，因此可利用土壤顏色或光譜數據對土壤氧化鐵進行反演預測。Fe在土壤中主要以鐵氧化物的形式存在，大部分呈游離態，作為土壤中重要的礦物膠結組織[5]，游離鐵不僅顯著影響土壤顏色，還能反映土壤的發生演變。近年來，國內外已有多項研究成功利用土壤光譜數據建立游離鐵含量預測模型[6-9]，但多基于對模型算法的討論，基于土壤顏色反演游離鐵的研究報道還甚少。

在眾多色空間/色度指標中，土壤科學中主要采用Munsell色空間，土壤系統分類以此為依據繪制色卡判別土壤顏色[10]。但隨著光學技術的進步，色卡精度低、易受環境條件[11-13]影響的缺點已經無法忽視，而測色儀器則更為精確客觀，可以提供更多有價值的信息，促進了土壤顏色的研究和應用。相比昂貴的大型光譜儀[14]和誤差不定、參數有限的相機等便攜式拍攝裝置[15]，便攜式分光測色儀可同時獲得各色度參數和光譜數據，校正、測試方便，性價比高[16]，在土壤顏色相關方面研究優勢明顯。

川中丘陵區遍布紫色土，其土色包括紫紅、紅、紅黃等一系列顏色，氧化鐵平均含量介于34.7～170.9 g·kg–1，低于我國土壤平均值，但略高于世界土壤平均值，土樣之間變異系數較大[17]，較適宜用于定量研究土壤顏色與游離鐵之間的關系。因此，本研究以川中丘陵區典型土系為研究對象，利用化學方法測定游離鐵含量，利用分光測色儀測定Munsell顏色及其光譜數據，探究利用Munsell顏色預測土壤游離鐵含量的可行性。

1 材料與方法

1.1 研究區概況

供試的27個典型土系位于川中丘陵區（圖1），地跨103°15′–108°30′E、27°35′–32°52′N，地處長江以北，沱江、涪江、嘉陵江、渠江等中下游，屬典型方山丘陵，屬亞熱帶濕潤季風氣候，出露地層多為中生界侏羅系中上統的紫紅色泥巖和砂巖，土壤類型主要為紫色土（發生分類）。

1.2 土樣采集與處理

于2015—2016年進行土樣采集，每個剖面依據發生層次自下而上采集分析樣品，共97個土樣。由于新鮮土樣可能因土塊大小不一或水分含量不等/含水量過飽和現象[18]造成色彩均一性較差，對顏色測定產生不同程度的影響，因此不在野外或室內對所采的新鮮土樣直接進行顏色測定，而是將土樣經過室內自然風干、去雜、研磨過10目（2.0 mm）、60目（0.250 mm）和100目（0.149 mm）尼龍篩后備用。

1.3 土壤理化性質測定

土壤全鐵（Fet，過100目篩土樣）和游離鐵（Fed，過60目篩土樣）分別采用碳酸鋰-硼酸熔融、DCB浸提，電感耦合等離子發射光譜儀（ICP-AES）法測定[19]。

Munsell顏色及光譜數據利用日本 Konica Minolta公司CM600d分光測色儀測定。將過10目的土樣置于配套粉末測試裝置，使樣品略多于裝置，擰緊裝置蓋；設置測定參數為觀測角度2°、內置C光源，選用8 mm測色穩定片；進行零校正與白板校正后將測定端置于粉末測試裝置中測定，同一土樣重復測定3次，獲取Munsell色空間的色調、明度、彩度參數及光譜數據。

1.4 數據處理及模型建立

（1）土壤顏色、光譜數據處理。Munsell色空間中的色調由數字與英文顏色縮寫組合而成，如2.5R，2.5YR，2.5Y等，本研究中將2.5R計為2.5、2.5YR計為12.5、2.5Y計為22.5[20]，以此類推；明度、彩度則以測定值為準。

CM600d測色儀以10 nm為間隔獲取400～690 nm部分可見光波段土壤反射光譜數據，并計算各波段間反射率一階導數值，以避免原始反射光譜曲線較平滑的現象，突出光譜特征[21]。

（2）數據處理與模型建立及檢驗。數據統計分析及圖形繪制使用Microsoft Excel 2016軟件，土壤Fed含量和鐵游離度（Fed/Fet，%）與色調、明度、彩度值之間Pearson相關分析使用IBM Statistics SPSS 22.0軟件，使用MATLAB R2016a將數據隨機劃分70%為固定訓練集、30%為固定測試集并建立反演模型。

研究采用BP神經網絡模型[22-23]，模型由輸入層、單隱含層、輸出層組成。隱含層神經元個數根據經驗公式（1）計算得到：

式中，M為隱含層神經元個數，m為輸入層神經元個數，n為輸出層神經元個數，a為[0，10]間任意常數。隱含層傳遞函數為tansig，輸出層函數為purelin，訓練方法為Levenberg-Marquardt，迭代次數為1 000，預期目標為0.001，學習速率為0.01，最后采用sim仿真函數驗證。

模型擬合度及預測精度檢驗采用R2（決定系數）、RMSE（均方根誤差）、RPD（相對分析誤差）判斷。R2越大，RMSE越小，模型擬合度越好，預測精度越高，反之越差。對于土壤，研究認為，RPD<1.5，模型預測精度較低；1.52.0，模型精度較高[24]。

2 結 果

2.1 土壤游離鐵和顏色特征

按鐵游離度的分級列出了土樣數量以及測定獲取的土樣游離鐵和顏色指標的平均值，具體見表1。供試土壤游離鐵含量介于4.43～81.75 g·kg–1，平均為20.18 g·kg–1，鐵游離度介于16.71%～79.61%。風干土Munsell顏色色調介于13.50～21.60，集中于YR色調，明度介于3.89～6.72，彩度介于1.97～5.16。由表1可以看出，隨土壤游離鐵含量和鐵游離度的上升，色調呈不規則變化，但明度和彩度總體上均呈現逐漸升高的趨勢。

表1 研究區土壤游離鐵及Munsell顏色描述性統計 Table 1 Descriptive statistics of Fed and Munsell color of the soils in the research area

從表2中Pearson相關系數可以看到，土壤游離鐵含量與色調在P<0.05水平上呈顯著正相關，鐵游離度與色調在P<0.01水平上呈顯著正相關，兩者與明度、彩度在P<0.01水平上均呈顯著正相關。表明土壤色調越黃，明度和彩度越高，土壤游離鐵含量和鐵游離度越高。

表2 土壤游離鐵與Munsell顏色的Pearson相關關系 Table 2 Pearson correlation coefficients between soil Fed and Munsell color parameters

2.2 Munsell顏色模型

將Munsell色調、明度、彩度作為輸入層，游離鐵含量作為輸出層，隨機劃分70%為固定訓練集、30%為固定測試集，采用最大最小法進行數據歸一化、歸一化函數采用mapminmax函數，數據反歸一化利用reverse語句完成。

由表3可知，隱含層神經元個數不同，模型擬合度、精度不同。當隱藏層神經元個數小于4時，訓練集未滿足預期值≤0.001，達到預期值后隱含層神經元個數繼續增加，測試集RMSE總體呈增大趨勢、RPD總體呈減小趨勢；當隱含層神經元個數滿足預期值且RMSE最小、RPD最大時為宜，可知Munsell顏色模型隱含層神經元個數為4。

表3 Munsell顏色模型與反射率一階導數光譜模型比較 Table 3 Comparison between Munsell color model and first derivative reflectance model

當隱含層神經元個數為4時，R2為0.94，模型擬合度良好；RMSE為4.20，RPD為4.37，模型預測精度高。從預測值與實測值相關分析（圖2a）的1∶1線看，模型中預測值總體低于實測值，偏離實測值較多的樣本集中在游離鐵含量>20 g·kg–1的部分，這可能與游離鐵含量>20 g·kg–1的高值段的樣本數量太少（僅占27.84%）有關，所以模型不能很好地模擬高值段。

2.3 反射率一階導數光譜模型

作為對比模型，將400～690 nm土壤可見光波段以10 nm為間隔獲取的共計30個反射率一階導數作為輸入層，土壤游離鐵含量作為輸出層，訓練集和測試集與顏色模型相同，數據歸一化、反歸一化利用mapminmax函數及reverse語句完成。

從表3可知，由于反射率一階導數光譜模型輸入層神經元遠多于Munsell顏色模型，其初始隱含層神經元個數也更大。隱含層神經元最小個數為5時，模型訓練集達到預期值；隨隱含層神經元個數增加，RMSE主要呈上升趨勢，RPD主要呈下降趨勢；當隱含層神經元個數過多時，模型擬合度和預測精度降低。因此反射率一階導數光譜模型隱含層神經元個數選擇方式與顏色模型一致，可確定為6。

結合測試集中預測值與實測值相關分析（圖2b）可知，當隱含層神經元個數為6時，R2達0.98，模型擬合度好；RMSE為3.35，RPD為5.99，模型預測精度高。從1∶1線可以看出，模型中預測值總體高于實測值，偏離實測值較多的樣本仍集中在游離鐵含量> 20 g·kg–1的部分，同樣是因為高值段樣本太少。

3 討 論

3.1 模型輸入數據的選擇

由于土壤各元素對不同波段反射率不一致，輸入的光譜信息成為影響模型擬合度、精度的重要因素之一。如在研究土壤銅含量高光譜反演模型時[25]，選擇了860 nm波段的一階微分作為輸入數據，得到的模型擬合度為0.721，預測精度達82.3%；在研究山地紅壤有機質含量與土壤光譜相關性時[26]，發現其原始反射光譜與有機質含量存在連續相關性而選取了原始光譜全波段作為輸入層，則顯示驗證集R2為0.58，RMSE為9.76，RPD為1.56。在土壤氧化鐵光譜特征研究中有發現[27]，400～2 500 nm波段內反射率與土壤氧化鐵含量呈負相關，但相關性較弱，最高值–0.4出現在677 nm處；而目前相當一部分研究[28-30]已經表明400～700 nm可見光波段的反射率一階導數曲線可指示鐵氧化物。

因此本研究選取400～690 nm波段反射率一階導數與土壤游離鐵含量進行Pearson相關分析，如表4所示，波段內反射率一階導數與游離鐵含量達到顯著相關的波段共25個，其中540～570 nm波段相關系數均在0.8以上，而560 nm處相關系數可達到0.903，所以本研究中作為對比建立的反射光譜預測模型擬合度和精度均很高。由表2可知，土壤Munsell色調、明度、彩度值均與游離鐵含量呈顯著正相關關系，而土壤顏色是土壤光譜在可見光波段的特殊表現形式，所以據此建立的土壤Munsell顏色預測模型的擬合度、精度也較高。

表4 土壤游離鐵含量與反射率一階導數Pearson相關關系 Table 4 Correlation coefficients between Fed and first derivative reflectance

3.2 兩種預測模型比較

由表3結果可知，隨輸入層神經元個數的增加，隱含層神經元個數最低取值有所上升，但其取值并非越大越好，當隱含層神經元個數過大時，會導致模型擬合度及預測精度的降低。對比兩種模型，光譜模型的R2和RPD更大，RMSE更小，其擬合度更好，預測精度更高。可能是由于顏色模型的輸入層神經元個數較少，使可訓練數據低于后者，導致顏色模型測試集中預測值與實測值間差距較大，但這兩種模型均能較好地實現對土壤游離鐵的預測。土壤顏色和反射光譜可以反映土壤中針鐵礦、赤鐵礦等氧化鐵礦物含量，土壤氧化鐵礦物直接影響到土壤游離鐵含量，三者環環相扣，知一可得其二，但土壤顏色受其他土壤成分影響，而其他土壤成分卻不能掩蓋鐵氧化物對土壤反射率的貢獻，因此在定量分析鐵氧化物含量時，土壤顏色不如反射光譜精確[29，31-32]；利用便攜式測色儀獲取顏色和光譜數據均很便捷，但光譜模型的預測精度較顏色模型高，綜合而言，光譜模型更為有利。但顏色數據相對直觀，在土壤調查中更易獲取，一些歷史土壤資料可能缺乏游離鐵含量或鐵游離度數據，但有顏色信息，對此可以通過顏色預測模型確定土壤游離鐵的大致含量，用于系統分類對比研究等方面。

3.3 土壤Munsell顏色與“鐵質特性”

土壤顏色和游離鐵含量均是影響土壤分類的重要性質，在《中國土壤系統分類檢索（第三版）》[33]中同時涉及這兩方面的診斷特征為“鐵質特性”（Ferric property），該特性需滿足以下之一或兩個條件：（1）土壤基質色調為5YR或更紅；和/或（2）整個B層細土部分DCB浸提游離鐵≥14 g·kg–1（游離Fe2O3≥20g·kg–1），或游離鐵占全鐵的40%或更多。盡管本研究中土壤色調與游離鐵含量、鐵游離度呈顯著正相關，但在統計Munsell色調為5YR或更紅的土樣的游離鐵含量及游離度后發現，此色調段內土壤游離鐵含量平均值僅為16.87 g·kg–1，鐵游離度平均值為28.44%，無法同時滿足以上兩個條件。

“鐵質特性”的本質是“土壤中游離氧化鐵非晶質部分的浸潤和赤鐵礦、針鐵礦、礦微晶的形成，并充分分散于土壤基質內使土壤紅化”[33]，這表明除游離鐵的含量外，其分散程度也能在一定程度上影響土壤顏色。結合前人研究結果可知[34]，本研究中較紅土壤的游離鐵含量低可能是因為其分散程度高。綜上所述，Munsell顏色模型的預測精度不如反射光譜模型，除光譜模型的解釋變量（即輸入變量）更為豐富外，游離鐵的分散程度也可能是原因之一。除此之外，由于川中丘陵區土壤Munsell顏色整體色調集中于YR色調，對于顏色相關研究而言稍嫌單調，因此其他土壤如南方典型紅壤等是否存在類似結果還需進一步驗證。

4 結 論

川中丘陵區土壤Munsell色調、明度、彩度值均與土壤游離鐵含量具有良好的正相關關系，因此可利用土壤Munsell顏色建立BP神經網絡模型預測土壤游離鐵含量，同時利用反射光譜建立預測模型進行比較。結果表明，顏色模型的隱含層神經元個數為4時，R2為0.94，RMSE為4.20，RPD為4.37；光譜模型的隱含層神經元個數為6時，R2為0.98，RMSE為3.35，RPD為5.99；相比之下，光譜模型擬合度更好，預測精度更高，這可能是由于顏色模型的輸入層神經元個數較少以及游離鐵分散程度對輸入顏色數據的影響。但兩者的R2>0.9，RPD>2，模型擬合度、精度均呈較高水平，表明利用土壤Munsell顏色數據預測土壤游離鐵含量具有可行性，能為系統分類診斷特性的完善提供一定依據。