利用光譜反射率估算土壤理化性質

婁衛東， 林寶剛， 周洪奎， 華水金， 唐旭， 胡昊*

(浙江省農業科學院 a數字農業研究所，b作物與核技術利用研究所，c環境資源與土壤肥料研究所，浙江 杭州 310021)

土壤理化性質是土壤肥力優劣和耕作適宜性的重要參考指標[1-2]，當前針對土壤理化性質的檢測多為實驗室化學分析方法，這種方法需要采集土壤樣品，送往實驗室進行化學分析，經過一定時間的檢測才能得到相關結果[3]，費時費力，不能快速地對土壤理化性質進行測算，進而影響土壤肥力和耕作適應性的快速評價和決策，很可能會影響農田作物的及時種植以及作物產量與品質[4-5]。

近年來，近紅外光譜已應用于作物生長狀態診斷、農產品品質分析、作物環境脅迫監測等領域[6-8]。土壤是作物生長的容器，其理化性質對作物的生長發育非常重要。有學者研究表明，通過近紅外光譜可以估算土壤的理化性質。孫宇樂等[9]使用光譜結合SAR數據估算了農田表土氮磷含量，結果表明，反射率一階導數的神經網絡模型對土壤氮、磷量預測效果最佳，模型預測R2分別為0.749、0.759。唐永生等[10]利用近紅外光譜結合卷積神經網絡估算了土壤pH值，其模型對訓練集的均方誤差為0.097，對測試集的擬合優度為0.90。沈強等[11]通過光譜方法估算了土壤重金屬濃度，表明光譜一階微分是Cr和Zn估算模型的最佳光譜參數。有學者發現近紅外光譜反射率與土壤陽離子交換量CEC(cation exchange capacity)、土壤含水量存在較為顯著的相關關系[12-14]。有機質含量(OMC)作為土壤理化性質的一種指標[15]，被廣泛用于表征土壤肥力，一般認為土壤OMC高，土壤較為肥沃，反之亦然。也有學者通過近紅外光譜估算了土壤OMC，取得了較為理想的結果[16-19]。

目前通過近紅外光譜對土壤理化性質進行估算仍存在一些問題，如估算建模使用的光譜特征多為反射率一階微分、反射率倒數對數、反射率倒數對數一階微分等光譜反射率變換或使用差值指數、比值指數、歸一化指數光譜植被指數等[20-22]，這些參數固然提高了模型的可選擇性，但也可能提高了實際操作的復雜性；另外，多采用神經網絡、CARS算法、蝙蝠算法(BA)等方法構建模型[23-26]。這些模型構建方法相對比較復雜，可能需要較多的數理統計專業知識，實際應用操作可能存在較大困難。因此，本文提出了一種新型的從近紅外光譜曲線自身變化趨勢構建土壤理化性質估算的方法。

1 材料與方法

本研究采集了140個土壤樣品，去除雜物后風干、研磨并通過1 mm土壤篩，在直徑為60 mm、高20 mm的玻璃皿內填充約50 g土壤樣品，使用AvaSpec-2048光譜儀(Avantes Inc.，荷蘭)內置光源模式垂直采集土壤光譜反射率，光譜儀探頭高度為0.1 m，樣品測定前使用白板和黑背景校正。光譜儀的波長覆蓋范圍為172～1 160 nm，光譜分辨率為0.5 nm。每個樣品重復測量3次，使用光譜儀自帶程序計算反射率數據，并導入Excel 2010供分析使用。土壤光譜測定流程及所測定的土壤光譜曲線見圖1。

圖1 土壤光譜測定流程及土壤光譜曲線

土壤有機質含量(OMC，g·kg-1)的測定采用重鉻酸鉀-硫酸法(GB 9834—88)，土壤有效磷(AP，mg·kg-1)的測定采用碳酸氫鈉浸提-鉬銻抗分光光度法(GB 7858—87)，土壤有效鉀(AK，mg·kg-1)的測定采用火焰原子吸收分光光度法(NY/T 889—2004)，土壤pH的測定采用電位法(HJ 962—2018)，土壤陽離子交換量測定(CEC，cmol·L-1)采用三氯化六氨合鈷浸提-分光光度法(HJ 889—2017)，土壤全氮含量(TN，g·kg-1)測定采用半微量開氏法(GB 7173—87)。

使用SPSS 17.0進行Pearson相關性分析和雙尾檢驗，以確定光譜參數與土壤物理和化學特征之間是否存在顯著關系。回歸模型在SPSS中用曲線估計工具建立。統計圖使用Sigma Plot 12.0繪制。

2 結果與分析

2.1 土壤樣本理化參數

試驗采集的土壤樣本理化性質見圖2。OMC為14.49～41.08 g·kg-1，CEC為5.07～19.03 cmol·L-1，土壤AP、AK分別為2.38～183.25 mg·kg-1、27～745 mg·kg-1。總體上看，土壤樣本AK和CEC變化范圍較大，OMC、TN和pH變化較小。

圖2 土壤理化性質數值統計

2.2 光譜反射率曲線擬合及參數相關性分析

儀器測定的光譜在曲線兩端處噪聲很大，且數值接近甚至大于標準白板反射率數值(100%)，因此，選擇400～1 000 nm光譜數據以消除光譜噪聲，并且從波形上看，該范圍內的土壤光譜反射率曲線呈線性變化趨勢(圖3)，反射率隨著波長的增加而增加，其變化線性趨勢比較明顯。

因此，假設400～1 000 nm波長的土壤反射率變化趨勢可以用公式來描述，并且線性回歸模型參數與該土壤樣本理化性質具有很強的相關關系。

y=a×x+b。

式中，y為土壤反射率(%)，x為波長，a，b為常數。命名a參數名為Slope，命名b參數名為Intercept。

圖3 示例土壤光譜曲線及Slope、Intercept與土壤理化指標相關系數

以某土壤樣本在400～1 000 nm的光譜曲線為例，用公式1回歸擬合了光譜反射率曲線，可以得到Slope為0.029 9，Intercept為2.183 3，模型方程為y=0.029 9x+2.183 3，決定系數為0.975 0，表明該模型較優，可以很好地描述土壤光譜反射率的線性趨勢。

分析了Slope、Intercept與土壤樣本理化性質OMC、AK、AP、CEC、TN、pH的相關關系(圖3)，可見Slope與土壤OMC的相關系數最高，為-0.808，達到極顯著相關；Slope與土壤TN的相關系數次之，為0.637，也達到極顯著相關水平；Slope與土壤CEC的相關系數為-0.192，達到顯著水平；Slope與AP、AK、pH的相關系數較小，沒有達到顯著水平。Intercept與TN的相關系數為0.348，達到極顯著相關水平；Intercept與OMC、pH相關性達到顯著水平，Intercept與AP、AK、CEC的相關性沒有達到顯著水平。

2.3 土壤有機質含量估算模型建立及驗證

選取土壤OMC作為土壤理化性質的代表性參數，研究基于土壤光譜曲線Slope的OMC估算情況。選取70個土壤樣本，測定了其光譜曲線及OMC數據，用公式1擬合回歸土壤光譜曲線，得到70個Slope數據。繪制了Slope數據與相應的土壤OMC的散點圖(圖4)。

圖4 Slope與OMC的關系及OMC估算模型的驗證

從圖4中A可以看出，Slope與土壤OMC存在良好的線性關系，采用線性回歸模型擬合Slope與OMC的關系。可以得到OMC的估算模型。

OMC=-329.9x+41.755，R2=0.814 9。

選取另外70個土壤樣本數據用于驗證已構建的OMC估算模型。驗證結果見圖4中B，基于Slope的土壤OMC估算值與實際測量值差距很小。OMC估算值與測量值的關系為：OMC估算值=0.899 1×OMC測量值+3.310 7，其決定系數R2為0.909 6，驗證模型精度較高。

3 討論

國內外研究表明，通過近紅外光譜可以對土壤理化特征進行快速估算反演[27]，有學者研究表明通過近紅外光譜可估算OMC、pH、CEC、氮含量、含水量等土壤理化性質[12,28-29]。本研究表明，通過土壤光譜可以估算土壤OMC，但估算土壤pH、CEC、氮含量效果不理想，這可能與本研究采用的土壤光譜線性變化趨勢(Slope)有關，采用其他參數如光譜指數及其轉化組合形式可能會影響光譜與土壤理化性質的相關性。

此外，本研究是在實驗室進行，光譜反射率采集是通過光譜儀內置光源進行，同時土壤樣本是風干后且經過土壤篩處理，盡管OMC估算與驗證模型均精度較高，但研究結果推廣應用中可能會受到野外因素的影響，如土壤表面植被、土壤水分含量、土壤孔隙度等因素都會影響土壤光譜反射率[30]。因此，土壤理化性質光譜估算的田間應用可能需要進一步研究。

實際農業生產中，光譜指數的計算與復雜的建模方法可能會阻礙土壤理化性質光譜快速估算的應用，畢竟較多農業從業人員不一定具有較高的數理統計知識，因此，本研究提出的一種基于土壤光譜線性變化趨勢的OMC模型可能具有較大的應用價值。本估算模型建模簡單，容易研發便攜式設備或傳感器，在應用場景驗證優化的基礎上，具有較大應用市場。

4 小結

通過近紅外光譜可以快速估算土壤理化性質。本研究表明，在波長400～1 000 nm土壤近紅外光譜反射率的線性變化趨勢Slope與土壤OMC的相關系數為-0.808，達到極顯著相關水平，構建了基于Slope的OMC估算模型為OMC=-329.9x+41.755，決定系數R2為0.814 9；用獨立數據對以上估算模型進行驗證，結果表明，基于Slope的土壤OMC估算值與實際測量值差距很小，驗證模型精度較高。基于土壤光譜Slope的OMC估算模型具有較大市場應用前景。