黃河三角洲不同鹽漬度土壤有機質含量的高光譜預測研究

侯化剛，王丹陽，馬斯琦，潘劍君，李兆富

黃河三角洲不同鹽漬度土壤有機質含量的高光譜預測研究

侯化剛，王丹陽，馬斯琦，潘劍君，李兆富

南京農業大學資源與環境科學學院，南京 210095

【目的】探究土壤有機質和鹽分的光譜響應，分析不同鹽分含量對土壤有機質預測模型的影響，建立快速、有效的鹽漬土有機質含量高光譜預測模型。【方法】以黃河三角洲地區粉質壤土為研究對象，根據不同鹽分含量將土壤樣本分為非鹽（SA）、輕度（SB）、中度（SC）和重度（SD）4組，分別進行室內高光譜測量；其次采用雙因素方差分析法，探究土壤有機質和鹽分光譜響應程度；進而對原始光譜（raw spectral reflectance，R）進行一階微分（first order differential reflectance，FD）、連續統去除（continuous statistical removal，CR）、對數（logarithmic，Log）和多元散射校正（multipication scatter correction，MSC）4種變換；最后分別基于鹽漬土的4組樣本結合4種變換光譜構建多元線性回歸（multiple linear regression，MLR）、偏最小二乘回歸（partial least squares regression，PLSR）和支持向量回歸（support vector machine，SVR）3種土壤有機質含量高光譜預測模型。【結果】土壤有機質和鹽分在400—900 nm范圍內光譜響應程度顯著且變化規律基本一致，二者的敏感波段存在重疊；通過劃分不同鹽漬度分組建模能夠提高土壤有機質預測精度，且隨著鹽分含量增加，模型的預測精度下降，FD處理更能突出光譜特征差異，提高有機質含量與光譜反射率的相關性。對比3種模型結果，利用FD處理結合SVR建立土壤有機質預測模型精度最高，最優結果建模集和驗證集的決定系數2為0.86、0.82，均方根誤差為2.71、2.96 g·kg-1，相對分析誤差為2.42。【結論】土壤鹽分與有機質在可見光波段附近（400—900 nm）的敏感波段存在重疊，通過劃分不同鹽漬度能夠有效提高有機質預測模型精度。

鹽漬土；有機質；光譜響應；高光譜預測

0 引言

【研究意義】有機質是土壤的重要組成部分，是衡量土壤肥力水平的重要指標，也在改善鹽漬土理化性質、提高土壤保水保肥能力方面發揮著重要作用[1-2]。實時了解鹽漬土有機質含量和空間變異，掌握土壤有機質的動態變化對于鹽漬土改良和可持續管理具有重要意義[3]。傳統的有機質測定方法精度較高，但過程復雜、時效性差，無法實現鹽漬土有機質的動態監測[4]。高光譜技術被認為是一種無損、快速、可重復的預測土壤有機質的方法，能夠實現土壤有機質的快速、準確預測[5]。【前人研究進展】不同的預處理方法會影響有機質的預測模型精度[6]，光譜預處理可消除光譜中的噪聲影響，突出有機質的光譜特征差異，增強對光譜相關信息的識別[7]。南鋒等[8]、侯艷軍等[9]研究表明，經微分變換后土壤有機質的吸收特征更明顯，與有機質含量的相關性也顯著提高，建立的有機質預測模型2最高可達0.78。而不同預處理方法的效果又依賴于建模方法的選擇。王永敏等[10]采用小波分析方法實現去噪，結合多元線性回歸法、最小二乘回歸法和BP神經網絡法建立土壤有機質預測模型，結果表明對數的平方變換處理結合BP神經網絡建模效果最好。Zhang等[11]采用9種光譜預處理方法和最佳波段組合算法對鹽漬土光譜進行處理，結果表明SG平滑建立的PLSR模型效果最好，最優模型2為0.81。王海峰等[12]對土壤光譜進行不同變換處理，在一定程度上消除了噪聲，結合偏最小二乘回歸和嶺回歸方法構建有機質預測模型，結果表明基于標準正態變量變換SNV構建的嶺回歸模型預測效果更為理想。土壤光譜反射率是土壤理化性質的綜合反映[13]，土壤中各種物質存在干擾甚至掩蓋有機質的光譜特征[14-16]。朱亞星等[13]和彭杰等[17]探究了有機質對土壤光譜特征的影響，研究表明去除有機質后光譜反射率在可見光波段增加明顯，這表明有機質在可見光波段敏感；然而鹽分對土壤光譜特征的影響作用較強[14]，彭杰等[18]利用連續統去除方法分析了土壤鹽分的光譜特征，結果表明土壤鹽分在可見光波段光譜響應敏感，與有機質的敏感波段存在重疊；劉亞秋等[19]分析了鹽漬土鹽分及其鹽基離子的光譜特征，研究表明隨著鹽分含量的增加，光譜反射率逐漸增大，且土壤鹽分及鹽基離子在近紅外波段光譜響應最顯著；張俊華等[20]利用高光譜技術預測不同土壤鹽分指標（pH、EC和可溶性鹽基離子），結果表明不同鹽分指標的敏感波段普遍集中在可見光波段的紫光、紅光以及近紅外波段。上述研究表明，有機質會使光譜反射率降低，而鹽分會使光譜反射率升高，有機質和鹽分對光譜反射率的影響作用相反，且二者均在可見光-近紅外波段敏感。因此，鹽分含量過高可能會削弱或干擾有機質光譜吸收特征[9,21-22]。【本研究切入點】目前，高光譜技術已被廣泛應用到土壤有機質含量的預測研究中[23-27]，然而對于鹽漬化土壤，有機質和鹽分的敏感波段存在重疊[18]，鹽分的存在可能會影響土壤有機質預測精度。【擬解決的關鍵問題】揭示鹽漬土有機質和鹽分的光譜響應規律，探究不同鹽分含量對有機質預測的影響，以期進一步提高鹽漬土有機質預測精度。本研究以黃河三角洲地區的粉質壤土為研究對象，嘗試利用雙因素方差分析探究土壤鹽分和有機質的光譜響應程度，進而基于不同光譜變換處理和建模方法構建不同鹽漬度土壤有機質預測模型，篩選出最優的鹽漬土有機質預測模型，為黃河三角洲地區鹽漬土有機質遙感監測提供理論依據。

1 材料與方法

1.1 研究區概況

本文以黃河三角洲（36°41′—38°17′ N，117°16′—119°18′ E）為研究區，黃河三角洲位于山東省北部（圖1），是由黃河所攜帶的大量泥沙沉積而形成的沖擊平原，具有獨特的地理位置和氣候特征，北鄰渤海，屬于暖溫帶半濕潤大陸性季風氣候，夏季炎熱多雨、冬季寒冷干燥，降水分布不均，主要集中在7—9月。受季風性氣候和海洋潮汐影響，土壤季節性積鹽和脫鹽現象嚴重，鹽漬化普遍。土壤母質為黃河沖積物，土壤類型主要包括潮土和鹽土兩大類[2]。

圖1 研究區地理位置及采樣點分布圖

1.2 土壤樣品采集與制備

2020年10月11—30日進行野外土樣采集，土地利用類型包括林地、耕地、裸地、濱海濕地，共采集土樣367個。采樣時取0—20 cm土層樣品約1 kg，裝入密封袋保存并記錄GPS坐標信息，隨后將土樣去除雜質，經自然風干、研磨過篩后，一份用于化學指標測定，一份用于室內光譜采集。采用重鉻酸鉀-外加熱法測定土壤有機質含量[28]，5﹕1水土比電導法測定土壤電導率EC[28]，表示土壤鹽分含量。為了消除顆粒大小對土壤光譜特征的干擾，利用激光粒度分析儀測定土壤機械組成，參照美國制分級標準對土壤質地分級[29]，最終獲得330個粉質壤土作為試驗土樣。

1.3 室內光譜采集及預處理

利用便攜式地物高光譜儀ASD FieldSpec 3（美國Analytical Spectral Devices公司）采集土壤光譜，光譜范圍350—2 500 nm，有2 151個輸出波段。光譜采集在暗室中進行，以50 W的鹵素燈作為唯一光源，天頂角30°，距離土樣50 cm，將土壤樣品盛放在深3 cm，直徑7 cm的黑色盛樣皿中，傳感器探頭視場角為25°，垂直于土樣上方5 cm處，探測范圍直徑2.22 cm，遠小于盛樣皿直徑。測定前用標準白板進行校正，將土樣表面稍稍刮平，使其表面盡量平整，每個土樣旋轉3次，每次重復采集10條光譜曲線，共采集30條光譜曲線，利用高光譜儀自帶軟件ViewspecPro進行算術平均得到最終光譜數據。

采用箱型圖剔除有機質異常的樣本，利用主成分分析法來剔除光譜異常的土壤樣本[30]，最終得到311個土樣數據。每條光譜曲線去除噪聲較大的邊緣波段350—399和2 401—2 500 nm，利用9點加權移動平均法對光譜數據平滑去噪得到原始光譜曲線R，為了進一步突出土壤光譜特征差異，便于后續有機質特征波段的選取，對原始光譜曲線R進行一階微分（FD）、包絡線去除（CR）、對數變換（Log）和多元散射校正（MSC）4種光譜變換處理。CR在ENVI5.3中實現，光譜曲線平滑去噪、光譜變換處理在軟件Unscrambler 10.4中進行。

1.4 土壤有機質和鹽分光譜響應分析

方差分析是應用數理統計中的一種基本方法[31]，通過劃分誤差的來源進而分析變量之間的關系和不同因素的作用，考慮兩個因素對試驗指標影響的方差分析稱為雙因素方差分析。本研究采用雙因素方差分析，分析土壤鹽分和有機質的光譜響應程度，進而探究土壤鹽分對有機質光譜預測的影響。

根據SOM和EC含量，參考第二次全國土壤普查有機質分級[32]和鹽分分級標準[28]，充分考慮樣本數量的均勻，對有機質和鹽分進行分組，將有機質含量劃分為低（＜10 g·kg-1）、中（10—20 g·kg-1）、高（＞20 g·kg-1）3組，根據EC值將鹽分劃分為非鹽漬化SA（0—2 dS·m-1）、輕度鹽漬化SB（2—4 dS·m-1）、中度鹽漬化SC（4—8 dS·m-1）和重度鹽漬化SD（＞8 dS·m-1）4組，分組結果用于雙因素方差分析，探究有機質和鹽分的光譜響應，方差分析在SPSS26中進行。

1.5 篩選特征波段

將有機質含量與土壤原始光譜反射率和4種變換光譜數據逐波段進行相關性分析和逐步回歸分析，計算每個波段與土壤有機質的相關系數，選擇通過0.01顯著性檢驗和逐步回歸分析中方差膨脹因子VIF＜10的波段為有機質特征波段，作為模型的輸入變量，相關性分析和逐步回歸在SPSS26中進行。

1.6 建模方法與精度驗證

本研究基于特征波段建模精度和模型穩定性優于全波段建模結果，與南鋒等[8]和朱亞星等[13]研究結果一致，故全波段建模未在結果中展示。對不同鹽漬度土樣按有機質含量排序，進行建模集和驗證集的劃分，選擇1/3為驗證集，剩下的為建模集[25]。基于混合的全部樣本和不同鹽漬度的4組樣本結合原始光譜（R）和一階微分（FD）、連續統去除（CR）、對數（Log）、多元散射校正（MSC）篩選的特征波段構建多元線性回歸（MLR）、偏最小二乘回歸（PLSR）和支持向量回歸（SVR）3種模型，采用留一交叉驗證法確定PLSR模型的最佳因子數[8]；設定SVM 類型為4（即v-SVR），核函數類型為徑向基核函數RBF），采用訓練集交叉驗證和網格搜索法（grid search）進行參數尋優，依據均方差最小原則確定懲罰參數C和RBF核參量g的值。MLR和PLSR在軟件Unscrambler 10.4中進行，SVR模型的參數尋優利用Matlab R2018b軟件的libsvm 3.11工具箱實現[33]。

建模精度指標為決定系數（coefficient of determination,2）、均方根誤差（root mean square error,）、相對分析誤差（the ratio of prediction to deviation,）和1﹕1線綜合評價模型精度[13]，公式如下。其中，2越接近1，越接近于0，表明模型的預測精度越高、穩定性更好，當≥2時，模型具有很好的預測能力；1.4≤＜2時，模型的效果一般，只能進行粗略預測；＜1.4時，模型精度較差，不能用來預測[34]，1﹕1線用來檢驗實測值和預測值所繪制的散點圖偏離=的程度。

2 結果

2.1 不同鹽漬度土壤有機質含量統計分析

研究區土壤有機質含量為1.70—35.31 g·kg-1，有機質含量總體偏低（表1），全部樣本建模集最小值為1.70 g·kg-1，最大值為35.08 g·kg-1，均值為16.43 g·kg-1，驗證集最小值為2.38 g·kg-1，最大值為35.31 g·kg-1，均值為16.66 g·kg-1，全部樣本和不同鹽漬度土壤樣本的建模集、驗證集的變異系數接近，土壤有機質含量均為中等程度變異，樣本的離散程度較高，滿足模型構建的可靠性和代表性。

表1 不同鹽漬度土壤有機質含量統計分析

Ⅰ：建模集Calibration set；Ⅱ：驗證集Validation set

2.2 有機質和鹽分交互響應分析

雙因素方差分析可以探究兩個因素對試驗指標的影響，并且能夠實現對兩因素間交互作用的分析[31]。本研究將有機質和鹽分作為兩個因素，利用雙因素方差分析法分析當有機質和鹽分含量變化時土壤光譜反射率的變化程度，進而探究有機質和鹽分的光譜響應，兩因素分組水平如表2所示。

SOM、EC和MC分別表示有機質、鹽分及二者交互作用對土壤光譜的F值統計量（圖2），F值統計量表示了有機質、鹽分及交互作用對土壤光譜反射率的響應程度，由大到小依次為有機質、鹽分、交互作用。有機質和鹽分的F值統計量曲線形狀基本相似，在400—600 nm范圍內，光譜響應程度隨波長增加逐漸增強，在600 nm附近達到最強；600—1 000 nm波段光譜響應程度逐漸減弱，1 000—1 800 nm波段光譜響應程度增加緩慢；在1 400 nm波段附近受微弱的水分吸收影響，在1 900 nm波段附近的水分吸收作用最強烈，有機質和鹽分的光譜響應程度驟減；2 000—2 400 nm的響應程度較弱。由土壤有機質、鹽分及其交互作用的顯著性檢驗可知：土壤有機質在全波段的光譜響應均是顯著的；鹽分除在400—900 nm波段內顯著外，在其余波段的光譜響應均不顯著的；二者的交互作用在所有波段均不顯著。

由方差分析可知，在400—900 nm波段范圍內，有機質和鹽分的光譜響應程度變化一致，在600 nm附近出現峰值，且二者均通過了0.05水平的顯著性檢驗，表明在此波段范圍有機質和鹽分的光譜響應最強，二者的敏感波段可能存在重疊，土壤中鹽分存在會干擾有機質的光譜特征，因此，在預測土壤有機質含量時要考慮土壤中鹽分的影響。

表2 因素水平表

圖2 有機質和鹽分及二者交互作用的F值統計量曲線

2.3 不同鹽漬度土壤光譜特征分析

為了進一步探究不同土壤鹽分含量對有機質含量預測模型精度的影響，本研究通過劃分不同鹽漬度水平分別構建土壤有機質含量預測模型。

不同鹽漬度土壤原始光譜曲線形態基本一致，光譜反射率在0.08—0.50，光譜反射率變化趨勢相同，呈拋物線型（圖3）。光譜反射率在可見光波段增加較快，近紅外波段增加變緩，整體表現為鹽分含量越高，光譜反射率越高，鹽分與光譜反射率呈現正相關，這與前人的研究一致[35-37]，在900 nm附近存在一個小的吸收谷，可能與鐵的氧化物吸收有關[38]，1 400、1 900和2 200 nm波段附近有強烈的水分吸收谷，這與游離水和黏土礦物中所含的OH-有關[39-40]，1 900 nm波段附近水分吸收谷深度和面積隨鹽分含量增加而增加，這可能是由于鹽分的吸濕性，使得水分吸收作用強烈[41]，2 000—2 400 nm光譜反射率呈現先增加后下降趨勢，表現出的峰谷吸收結構主要是由殘余在土壤中的少量水分以及空氣中水吸收引起的[2]。

圖3 不同鹽漬度土壤光譜曲線

2.4 不同鹽漬度土壤有機質含量與光譜反射率的相關性分析

不同鹽漬度土壤有機質含量與R、FD、CR、Log和MSC的相關系數曲線差異明顯（圖4），土壤有機質含量與R和Log相關性曲線整體呈負相關，相關系數曲線較為平滑，各波段相關系數差異較小，在600 nm附近達到峰值；FD變換與有機質含量相關性呈正負交替，在全波段范圍內相關系數波動較大，存在多個吸收峰，一些隱含的光譜信息被放大，相較于原始光譜反射率，在可見光范圍內的相關性有所增強，而在近紅外區域的相關性明顯降低，更能突出有機質的光譜特征；CR與有機質含量相關性整體較低，在可見光和近紅外區域存在多個吸收峰；MSC與有機質含量在可見光波段相關性達到峰值，1 400和1 900 nm附近有較強的水分吸收作用。

經過不同的光譜變換處理，光譜反射率與有機質含量的相關系數在全波段范圍內呈正負交替，且相關性有所提高，在可見光范圍的相關系數波動最大，存在多個相關系數峰值和突變點，表明有機質的光譜響應敏感，這與方差分析結果基本一致。

土壤有機質含量與原始及變換光譜逐波段進行相關性分析，通過=0.01水平的顯著檢驗并且結合逐步回歸VIF＜10的波段確定為特征波段，結果如表3所示，有機質特征波段主要集中在428—694、769—1 374、 1 426—1 506、1 719—1 955和2 046—2 386 nm范圍內。

表3 不同鹽漬度土壤有機質的特征波段

圖4 不同鹽漬度土壤有機質含量與原始及其變換后的光譜反射率相關性曲線

2.5 模型精度對比及驗證分析

分別以土壤光譜的特征波段為自變量，土壤有機質含量為因變量，基于多元線性回歸MLR、偏最小二乘回歸PLSR和支持向量回歸SVR建立不同鹽漬度土壤有機質預測模型。

基于MLR模型有機質預測結果如表4所示，c2最小值為0.42，最大值為0.80，均方根誤差c介于3.52—6.17 g·kg-1；驗證結果，v2在0.33—0.75，v在3.51—7.20 g·kg-1，相對分析誤差為1.15—2.04。基于PLSR模型預測結果如表5所示，相較于MLR模型，PLSR模型的結果較差，決定系數c2最小值為0.42，最大值為0.79，均方根誤差c介于3.33—6.08 g·kg-1，驗證結果表明，v2介于0.33—0.74，v在3.60—7.20 g·kg-1，相對分析誤差為1.15—1.99；基于SVR模型結果如表6所示，c2介于0.36—0.86，c為2.71— 6.15 g·kg-1，驗證結果，v2最大值為0.82，最小值為0.26，v介于2.96—7.36 g·kg-1，為1.11—2.42。

對比3種模型結果可知，不同鹽漬度土壤經過FD變換處理后模型預測精度均有明顯的提高，相較于MLR和PLSR模型，SVR模型預測效果最好，不同鹽漬度土壤SOM擬合線與1﹕1線的偏離較小，模型的預測效果均較好。同時，基于全部樣本建立的有機質預測模型精度最低，v2最高值僅為0.68，4組鹽漬土有機質預測模型精度中，非鹽漬土有機質預測效果最好，v2最高為0.82，v為2.96 g·kg-1，為2.42，隨著土壤鹽漬化程度的增加，有機質預測精度逐漸降低，但仍高于基于混合的全部樣本建模精度，不同鹽漬度土壤有機質最優結果為FD處理結合SVR建立的土壤有機質預測模型，如圖5所示。

表4 多元線性回歸（MLR）有機質含量建模結果

表5 偏最小二乘回歸（PLSR）有機質含量建模結果

3 討論

3.1 有機質和鹽分的光譜響應規律

有機質和鹽分在可見光波段范圍的光譜響應顯著且在全波段的光譜響應變化規律基本一致，表明二者的敏感波段可能存在重疊。這主要是因為在可見光區域光譜反射率受到土壤發色團和有機質本身黑色的影響[41]，且與近紅外區有機質中官能團的伸縮振動和轉角振動的合頻躍遷有關[42]，表現為有機質在可見光和近紅外波段光譜響應敏感；黃河三角洲土壤鹽分組成以NaCl為主，礦物組成包括巖鹽、石膏等[33]，已有研究表明，雖然NaCl在可見光和近紅外波段沒有吸收特征，但與NaCl存在相關性的石膏在可見光和近紅外波段具有吸收特征可間接反映土壤鹽分的光譜信息[43]，表現出鹽基離子（如Cl-和Na+）與可見光和近紅外波段的光譜反射率相關性較強[19-20]，土壤鹽分在可見光和近紅外波段的光譜響應敏感。

圖5 不同鹽漬度土壤有機質含量最優預測模型結果

3.2 不同光譜變換處理在鹽漬土有機質含量預測中的效果

不同光譜變換處理能夠有效提高有機質與光譜反射率的相關性。將原始光譜反射率進行一階微分FD、連續統去除CR、對數Log以及多元散射校正MSC處理后，顯著提高了土壤光譜與有機質含量的相關性，FD處理效果最好，相關系數最高可達0.83，這與南鋒等[8]和侯艷軍等[9]的研究結果一致，對原始光譜進行一階微分變換可以消除背景噪聲干擾，突出土壤光譜特征差異，土壤有機質預測模型精度也有明顯提升，也有研究表明不同的光譜變換處理組合可提升模型精度[44]，本文利用單一光譜變換方法，可能無法更好地挖掘出與有機質相關的光譜信息[6]。因此，后續研究應進一步比較不同光譜變換方法組合處理對預測精度的影響。

表6 支持向量回歸（SVR）有機質含量建模結果

3.3 鹽分對有機質含量預測模型精度的影響

構建不同鹽漬度的土壤有機質含量預測模型，可明顯提升土壤有機質含量的預測精度，且隨著鹽分含量增加，有機質含量的預測精度逐漸下降，這是由于土壤光譜反射率隨鹽分含量增加而呈非線性增加[45]，而有機質存在會使土壤光譜反射率降低[46]，二者對光譜反射率的作用恰好相反，并且鹽分與有機質在可見光范圍內的敏感波段存在重疊。因此，鹽分含量增加會削弱有機質的光譜響應程度、干擾有機質的光譜特征[9]，進而影響有機質含量的預測精度。通過劃分不同鹽漬度分組建模能夠降低土壤鹽分含量差異，在一定程度上減少不同鹽分含量對土壤光譜反射率的影響，有利于突出有機質的光譜特征，故建模精度較高。

3.4 不足和展望

本文以黃河三角洲地區鹽漬土為研究對象，采樣點主要分布在受人類擾動較大的耕地上，所建立的模型是否適用于其他地區不同用地類型的土壤，有待進一步驗證；且劃分建模集和驗證集時僅考慮了樣本間的有機質含量而忽略了土壤光譜的歐氏距離和空間關系[39]，樣本分布不均，有機質的預測精度亦受影響。因此，今后的研究有必要采集更多用地類型的土壤樣本，比較不同光譜處理方法組合對不同類型土壤有機質預測的影響，同時要開發和利用一些新的光譜處理技術來消除土壤鹽分對有機質光譜特征的干擾，進一步提高有機質預測模型精度，從而實現鹽漬土有機質的快速、準確預測。

4 結論

4.1 土壤光譜反射率與鹽分含量整體呈正相關關系，由方差分析可知，在400—900 nm波段，鹽分與有機質對光譜響應顯著，且變化規律基本一致，其中600 nm附近光譜響應程度最強，在可見光波段附近土壤有機質與鹽分的敏感波段存在重疊；在1 000—1 800 nm波段光譜響應程度增加緩慢；在1 400 nm波段附近受微弱的水分吸收影響，1 900 nm波段附近的水分吸收作用最強烈，光譜響應程度有所減弱；2 000—2 400 nm的響應程度較弱。

4.2 經一階微分FD變換后，一些隱含的光譜吸收特征被放大，增強不同鹽漬度土壤有機質光譜特征差異，顯著提高有機質含量與光譜反射率的相關性，相關系數最高可達0.83。

4.3 通過劃分不同鹽漬度分組建模能有效提高土壤有機質含量預測精度，但是隨著土壤鹽分含量增加，土壤有機質含量的預測精度下降；對比3種建模方法，SVR模型預測精度相較于MLR和PLSR顯著提高，利用FD處理結合SVR建立的模型土壤有機質預測效果最優，驗證結果v2最高為0.82，v為2.96 g·kg-1，為2.42。

[1] 方少文, 楊梅花, 趙小敏, 郭熙. 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. 土壤學報, 2014, 51(5): 1003-1010.

FANG S W, YANG M H, ZHAO X M, GUO X. Spectral characteristics and quantitative estimation of som in red soil typical of Ji’an County, Jiangxi Province. Acta Pedologica Sinica, 2014, 51(5): 1003-1010. (in Chinese)

[2] 韓兆迎, 朱西存, 劉慶, 房賢一, 王卓遠. 黃河三角洲土壤有機質含量的高光譜反演. 植物營養與肥料學報, 2014, 20(6): 1545-1552.

HAN Z Y, ZHU X C, LIU Q, FANG X Y, WANG Z Y. Hyperspectral inversion models for soil organic matter content in the Yellow River Delta. Journal of Plant Nutrition and Fertilizer, 2014, 20(6): 1545-1552. (in Chinese)

[3] TANG X L, ZHAO X, BAI Y F, TANG Z Y, WANG W T, ZHAO Y C, WAN H W, XIE Z Q, SHI X Z, WU B F, WANG G X, YAN J H, MA K P, DU S, LI S G, HAN S J, MA Y X, HU H F, HE N P, YANG Y H, HAN W X, HE H L, YU G R, FANG J Y, ZHOU G Y. Carbon pools in China’s terrestrial ecosystems: new estimates based on an intensive field survey. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115(16): 4021-4026.

[4] NAWAR S, BUDDENBAUM H, HILL J, KOZAK J, MOUAZEN A M. Estimating the soil clay content and organic matter by means of different calibration methods of vis-NIR diffuse reflectance spectroscopy. Soil and Tillage Research, 2016, 155: 510-522.

[5] NOCITA M, STEVENS A, TOTH G, PANAGOS P, VAN WESEMAEL B, MONTANARELLA L. Prediction of soil organic carbon content by diffuse reflectance spectroscopy using a local partial least square regression approach. Soil Biology and Biochemistry, 2014, 68: 337-347.

[6] VASQUES G M, GRUNWALD S, SICKMAN J O. Comparison of multivariate methods for inferential modeling of soil carbon using visible/near-infrared spectra. Geoderma, 2008, 146(1/2): 14-25.

[7] VA?áT R, KODE?OVá R, KLEMENT A, BOR?VKA L. Simple but efficient signal pre-processing in soil organic carbon spectroscopic estimation. Geoderma, 2017, 298: 46-53.

[8] 南鋒, 朱洪芬, 畢如田. 黃土高原煤礦區復墾農田土壤有機質含量的高光譜預測. 中國農業科學, 2016, 49(11): 2126-2135. doi: 10. 3864/j.issn.0578-1752.2016.11.009.

NAN F, ZHU H F, BI R T. Hyperspectral prediction of soil organic matter content in the reclamation cropland of coal mining areas in the Loess Plateau. Scientia Agricultura Sinica, 2016, 49(11): 2126-2135. doi: 10.3864/j.issn.0578-1752.2016.11.009. (in Chinese)

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

HOU Y J, TASHPOLAT T MAMAT S, ZHANG F. Hyperspectral estimation model of organic matter content in desert soil. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(16): 113-120. (in Chinese)

[10] 王永敏, 李西燦, 田林亞, 賈斌, 楊惠. 土壤有機質含量地面高光譜估測模型對比分析. 國土資源遙感, 2019, 31(1): 110-116.

WANG Y M, LI X C, TIAN L Y, JIA B, YANG H. Comparison and analysis of estimation models of soil organic matter content established by hyperspectral on ground. Remote Sensing for Land & Resources, 2019, 31(1): 110-116. (in Chinese)

[11] ZHANG Z P, DING J L, ZHU C M, WANG J Z. Combination of efficient signal pre-processing and optimal band combination algorithm to predict soil organic matter through visible and near-infrared spectra. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2020, 240: 118553.

[12] 王海峰, 張智韜, Arnon Karnieli, 陳俊英, 韓文霆. 基于灰度關聯-嶺回歸的荒漠土壤有機質含量高光譜估算. 農業工程學報, 2018, 34(14): 124-131.

WANG H F, ZHANG Z T, KARNIELI A, CHEN J Y, HAN W T. Hyperspectral estimation of desert soil organic matter content based on gray correlation-ridge regression model. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(14): 124-131. (in Chinese)

[13] 朱亞星, 于雷, 洪永勝, 章濤, 朱強, 李思締, 郭力, 劉家勝. 土壤有機質高光譜特征與波長變量優選方法. 中國農業科學, 2017, 50(22): 4325-4337. doi: 10.3864/j.issn.0578-1752.2017.22. 009.

ZHU Y X, YU L, HONG Y S, ZHANG T, ZHU Q, LI S D, GUO L, LIU J S. Hyperspectral features and wavelength variables selection methods of soil organic matter. Scientia Agricultura Sinica, 2017, 50(22): 4325-4337. doi: 10.3864/j.issn.0578-1752.2017.22.009. (in Chinese)

[14] ZHANG Z P, DING J L, WANG J Z, GE X Y. Prediction of soil organic matter in northwestern China using fractional-order derivative spectroscopy and modified normalized difference indices. CATENA, 2020, 185: 104257.

[15] HONG Y S, CHEN S C, ZHANG Y, CHEN Y Y, YU L, LIU Y F, LIU Y L, CHENG H, LIU Y. Rapid identification of soil organic matter level via visible and near-infrared spectroscopy: effects of two- dimensional correlation coefficient and extreme learning machine. Science of the Total Environment, 2018, 644: 1232-1243.

[16] WANG X P, ZHANG F, KUNG H T, JOHNSON V C. New methods for improving the remote sensing estimation of soil organic matter content (SOMC) in the Ebinur Lake Wetland National Nature Reserve (ELWNNR) in northwest China. Remote Sensing of Environment, 2018, 218: 104-118.

[17] 彭杰, 周清, 張楊珠, 向紅英. 有機質對土壤光譜特性的影響研究. 土壤學報, 2013, 50(3): 517-524.

PENG J, ZHOU Q, ZHANG Y Z, XIANG H Y. Effect of soil organic matter on spectral characteristics of soil. Acta Pedologica Sinica, 2013, 50(3): 517-524. (in Chinese)

[18] 彭杰, 遲春明, 向紅英, 滕洪芬, 史舟. 基于連續統去除法的土壤鹽分含量反演研究. 土壤學報, 2014, 51(3): 459-469.

PENG J, CHI C M, XIANG H Y, TENG H F, SHI Z. Inversion of soil salt content based on continuum-removal method. Acta Pedologica Sinica, 2014, 51(3): 459-469. (in Chinese)

[19] 劉亞秋, 陳紅艷, 王瑞燕, 常春艷, 陳哲. 基于可見/近紅外光譜的黃河口區土壤鹽分及其主要離子的定量分析. 中國農業科學, 2016, 49(10): 1925-1935. doi: 10.3864/j.issn.0578-1752.2016.10.009.

LIU Y Q, CHEN H Y, WANG R Y, CHANG C Y, CHEN Z. Quantitative analysis of soil salt and its main ions based on visible/ near infrared spectroscopy in estuary area of Yellow River. Scientia Agricultura Sinica, 2016, 49(10): 1925-1935. doi: 10.3864/j.issn. 0578-1752.2016.10.009.(in Chinese)

[20] 張俊華, 賈萍萍, 孫媛, 賈科利. 基于高光譜特征的鹽漬化土壤不同土層鹽分離子含量預測. 農業工程學報, 2019, 35(12): 106-115.

ZHANG J H, JIA P P, SUN Y, JIA K L. Prediction of salinity ion content in different soil layers based on hyperspectral data. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(12): 106-115. (in Chinese)

[21] WANG J Z, TIYIP T, DING J L, ZHANG D, LIU W, WANG F. Quantitative estimation of organic matter content in arid soil using vis-NIR spectroscopy preprocessed by fractional derivative. Journal of Spectroscopy, 2017, 2017: 1-9.

[22] ZHANG Z P, DING J L, ZHU C M, WANG J Z, MA G L, GE X Y, LI Z S, HAN L J. Strategies for the efficient estimation of soil organic matter in salt-affected soils through Vis-NIR spectroscopy: optimal band combination algorithm and spectral degradation. Geoderma, 2021, 382: 114729.

[23] 張超, 劉詠梅, 孫亞楠, 王雷, 劉建紅. 黃土丘陵溝壑區土壤養分含量的高光譜預測模型. 應用生態學報, 2018, 29(9): 2835-2842.

ZHANG C, LIU Y M, SUN Y N, WANG L, LIU J H. Hyperspectral prediction model of soil nutrient content in the loess hilly-gully region, China. Chinese Journal of Applied Ecology, 2018, 29(9): 2835-2842. (in Chinese)

[24] 玉米提·買明, 王雪梅. 塔里木盆地北緣荒漠土壤有機質含量的高光譜估測. 中國土壤與肥料, 2021(4): 318-326.

YUMITI MAIMING, WANG X M. Hyperspectral estimation of desert soil organic matter content in the northern margin of Tarim Basin. Soil and Fertilizer Sciences in China, 2021(4): 318-326. (in Chinese)

[25] 郄欣, 齊雁冰, 劉姣姣, 王珂, 陳敏輝. 基于室內高光譜數據的多種類型土壤有機質估算模型比較. 干旱地區農業研究, 2021, 39(4): 109-116, 124.

QIE X, QI Y B, LIU J J, WANG K, CHEN M H. Comparison of multiple estimation models of soil organic matter based on laboratory hyperspectral reflectance in Shaanxi Province. Agricultural Research in the Arid Areas, 2021, 39(4): 109-116, 124. (in Chinese)

[26] 洪永勝, 于雷, 朱亞星, 李思締, 郭力, 劉家勝, 聶艷, 周勇. 利用OSC算法消除土壤含水量變化對Vis-NIR光譜估算有機質的影響. 中國農業科學, 2017, 50(19): 3766-3777. doi: 10.3864/j.issn.0578- 1752.2017.19.013.

HONG Y S, YU L, ZHU Y X, LI S D, GUO L, LIU J S, NIE Y, ZHOU Y. Using orthogonal signal correction algorithm removing the effects of soil moisture on hyperspectral reflectance to estimate soil organic matter. Scientia Agricultura Sinica, 2017, 50(19): 3766-3777. doi: 10.3864/j.issn.0578-1752.2017.19.013. (in Chinese)

[27] 尚璇, 李西燦, 徐郵郵, 劉莎莎. 土壤水與有機質對高光譜的作用及交互作用規律. 中國農業科學, 2017, 50(8): 1465-1475. doi: 10.3864/j.issn.0578-1752.2017.08.010.

SHANG X, LI X C, XU Y Y, LIU S S. The role and interaction of soil water and organic matter on hyper-spectral reflectance. Scientia Agricultura Sinica, 2017, 50(8): 1465-1475. doi: 10.3864/j.issn.0578- 1752.2017.08.010. (in Chinese)

[28] 鮑士旦. 土壤農化分析. 3版. 北京: 中國農業出版社, 2000.

BAO S D. Soil and agricultural chemistry analysis. 3rd ed. Beijing: China Agriculture Press, 2000. (in Chinese)

[29] 周倩倩, 丁建麗, 唐夢迎, 楊斌. 干旱區典型綠洲土壤有機質的反演及影響因素研究. 土壤學報, 2018, 55(2): 313-324.

ZHOU Q Q, DING J L, TANG M Y, YANG B. Inversion of soil organic matter content in oasis typical of arid area and its influencing factors. Acta Pedologica Sinica, 2018, 55(2): 313-324. (in Chinese)

[30] 陳奕云, 齊天賜, 黃穎菁, 萬遠, 趙瑞瑛, 亓林, 張超, 費騰. 土壤有機質含量可見-近紅外光譜反演模型校正集優選方法. 農業工程學報, 2017, 33(6): 107-114.

CHEN Y Y, QI T C, HUANG Y J, WAN Y, ZHAO R Y, QI L, ZHANG C, FEI T. Optimization method of calibration dataset for VIS-NIR spectral inversion model of soil organic matter content. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(6): 107-114. (in Chinese)

[31] 黃伯強, 李啟才. 帶交互作用的雙因素方差分析的線性回歸建模. 統計與決策, 2021, 37(1): 10-15.

HUANG B Q, LI Q C. Linear regression modeling of two-factor ANOVA with interaction. Statistics & Decision, 2021, 37(1): 10-15. (in Chinese)

[32] 全國土壤普查辦公室. 中國土壤普查技術. 北京: 中國農業出版社, 1992.

National Soil Census Office. Soil General Survey Technology in China. Beijing: China Agriculture Press, 1992. (in Chinese)

[33] 王丹陽, 陳紅艷, 王桂峰, 叢津橋, 王向鋒, 魏學文. 無人機多光譜反演黃河口重度鹽漬土鹽分的研究. 中國農業科學, 2019, 52(10): 1698-1709. doi: 10.3864/j.issn.0578-1752.2019. 10.004.

WANG D Y, CHEN H Y, WANG G F, CONG J Q, WANG X F, WEI X W. Salinity inversion of severe saline soil in the Yellow River Estuary based on UAV multi-spectra. Scientia Agricultura Sinica, 2019, 52(10): 1698-1709. doi: 10.3864/j.issn.0578-1752.2019.10.004. (in Chinese)

[34] TERHOEVEN-URSELMANS T, SCHMIDT H, GEORG JOERGENSEN R, LUDWIG B. Usefulness of near-infrared spectroscopy to determine biological and chemical soil properties: importance of sample pre-treatment. Soil Biology and Biochemistry, 2008, 40(5): 1178-1188.

[35] PENG X, XU C, ZENG W Z, WU J W, HUANG J S. Elimination of the soil moisture effect on the spectra for reflectance prediction of soil salinity using external parameter orthogonalization method. Journal of Applied Remote Sensing, 2016, 10(1): 015014.

[36] QIAN T N, TSUNEKAWA A, PENG F, MASUNAGA T, WANG T, LI R. Derivation of salt content in salinized soil from hyperspectral reflectance data: a case study at Minqin Oasis, Northwest China. Journal of Arid Land, 2019, 11(1): 111-122.

[37] WANG S J, CHEN Y H, WANG M G, LI J. Performance comparison of machine learning algorithms for estimating the soil salinity of salt-affected soil using field spectral data. Remote Sensing, 2019, 11(22): 2605.

[38] 劉慶生, 王志剛, 荊林海. 巖石實驗室光譜對應分析. 遙感學報, 1999, 3(2): 151-156.

LIU Q S, WANG Z G, JING L H. Correspondence analysis of laboratory spectra of rock. Journal of Remote Sensing, 1999, 3(2): 151-156. (in Chinese)

[39] 國佳欣, 朱青, 趙小敏, 郭熙, 韓逸, 徐喆. 不同土地利用類型下土壤有機碳含量的高光譜反演. 應用生態學報, 2020, 31(3): 863-871.

GUO J X, ZHU Q, ZHAO X M, GUO X, HAN Y, XU Z. Hyper-spectral inversion of soil organic carbon content under different land use types. Chinese Journal of Applied Ecology, 2020, 31(3): 863-871. (in Chinese)

[40] GAO L L, ZHU X C, HAN Z Y, WANG L, ZHAO G X, JIANG Y M. Spectroscopy-based soil organic matter estimation in brown forest soil areas of the Shandong peninsula, China. Pedosphere, 2019, 29(6): 810-818.

[41] 彭杰, 張楊珠, 周清, 劉香伶, 周衛軍. 去除有機質對土壤光譜特性的影響. 土壤, 2006, 38(4): 453-458.

PENG J, ZHANG Y Z, ZHOU Q, LIU X L, ZHOU W J. Spectral characteristics of soils in Hunan Province as affected by removal of soil organic matter. Soils, 2006, 38(4): 453-458. (in Chinese)

[42] NOCITA M, STEVENS A, VAN WESEMAEL B, AITKENHEAD M, BACHMANN M, BARTHèS B, BEN DOR E, BROWN D J, CLAIROTTE M, CSORBA A, DARDENNE P, DEMATTê J A M, GENOT V, GUERRERO C, KNADEL M, MONTANARELLA L, NOON C, RAMIREZ-LOPEZ L, ROBERTSON J, SAKAI H, WETTERLIND J. Soil spectroscopy: an alternative to wet chemistry for soil monitoring. Advances in Agronomy, 2015, 132: 139-159.

[43] GOLDSHLEGER N, BEN-DOR E, LUGASSI R, ESHEL G. Soil degradation monitoring by remote sensing: examples with three degradation processes. Soil Science Society of America Journal, 2010, 74(5): 1433-1445.

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

GUO D D, HUANG S M, ZHANG S Q, NIE S W. Comparative analysis of various hyperspectral prediction models of fluvo-aquic soil organic matter. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(21): 192-200. (in Chinese)

[45] WANG J Z, DING J L, YU D L, MA X K, ZHANG Z P, GE X Y, TENG D X, LI X H, LIANG J, LIZAGA I, CHEN X Y, YUAN L, GUO Y H. Capability of Sentinel-2 MSI data for monitoring and mapping of soil salinity in dry and wet seasons in the Ebinur Lake region, Xinjiang, China. Geoderma, 2019, 353: 172-187.

[46] TIAN Y C, ZHANG J J, YAO X, CAO W X, ZHU Y. Laboratory assessment of three quantitative methods for estimating the organic matter content of soils in China based on visible/near-infrared reflectance spectra. Geoderma, 2013, 202/203: 161-170.

Hyperspectral Prediction of Organic Matter in Soils of Different Salinity Levels in the Yellow River Delta

HOU HuaGang, WANG DanYang, MA SiQi, PAN JianJun, LI ZhaoFu

College of Resources and Environment Science, Nanjing Agriculture University, Nanjing 210095

【Objective】The aim of this study was to investigate the spectral response of soil organic matter and salt, to analyze the effects of different salt content on soil organic matter prediction models, and to establish a rapid and effective hyperspectral prediction model for organic matter content in saline soils. 【Method】In this study, according to different salinity contents for indoor hyperspectral measurements, the soil samples were divided into four groups of non-saline (SA), slightly saline (SB), moderately saline (SC), and heavy saline (SD). Then, ANOVA was used to explore the degree of organic matter and salinity spectral response of soils with different salinity degrees respectively. The raw spectra reflectances (raw spectral reflectance, R) were subjected to first order differential reflectance (first order differential reflectance, FD), continuous statistical removal (continuous statistical removal, CR), logarithmic (logarithmic, Log) and multiple scatter correction (multipication scatter correction, MSC) transformations were applied to the raw spectra reflectance; finally, three soil organic matter prediction models, namely multiple linear regression (multiple linear regression, MLR), partial least squares regression (partial least squares regression, PLSR) and support vector regression (support vector machine, SVR), were constructed based on four sets of samples of saline soils combined with the four transformed spectra, respectively. 【Result】Soil organic matter and salinity had significant spectral response in the range of 400-900 nm and the change pattern were the same basically, and the sensitive bands of the two overlap. Modeling by dividing different salinity levels could improve the prediction accuracy of soil organic matter, but the prediction accuracy of the model decreased with the increase of salinity content. FD treatment could better highlight the difference of spectral characteristics and improved the correlation between organic matter content and spectral reflectance. Comparing the results of the three models, the highest accuracy of the soil organic matter prediction model was established using FD treatment combined with SVR, and the coefficients of determination2of the optimal result modeling set and validation set were 0.86 and 0.82, respectively, the root mean square errorwas 2.71 and 2.96 g·kg-1, respectively, and the ratio of prediction to deviationwas 2.42. 【Conclusion】Soil salinity and organic matter overlapped in the sensitive bands near the visible wavelength (400-900 nm), and the accuracy of the organic matter prediction model could be effectively improved by classifying different salinity levels.

saline soil; organic matter; spectral response; hyperspectral prediction

10.3864/j.issn.0578-1752.2023.10.008

2022-04-20；

2022-06-01

山東省重大科技創新工程項目（2019JZZY020614）

侯化剛，E-mail：772550713@qq.com。通信作者李兆富，E-mail：lizhaofu@njau.edu.cn

（責任編輯 李云霞）