農田土壤有機碳高光譜特征及定量監測研究

摘 要：為實現對農田土壤有機碳含量的快速定量監測，采用9種常規預處理分析方法，優化原始光譜信息并分析各預處理光譜與小麥土壤有機碳含量之間的關系，利用連續投影算法（SPA）提取土壤有機碳的光譜特征，并建立基于全譜和光譜特征波段的兩類土壤有機碳光譜監測模型。研究表明，與原始光譜相比，預處理光譜可以顯著提高其與小麥土壤有機碳的相關性。同時，采用SPA方法提取并證實了光譜區域400～450 nm、510～620 nm、1 010～1 060 nm、2 000～2 400 nm的土壤有機碳含量等重要信息。對比兩類模型表現可知，相同預處理光譜條件下，連續投影算法-多元線性回歸（SPA-MLR）模型優于偏最小二乘回歸（PLSR）模型，其中，基于多元散射校正（MSC）預處理光譜條件下的農田土壤有機碳含量估算模型整體表現最好（Rv2=0.726、RMSEv=0.109、RPDv=1.956），且具有實踐上的應用潛力。本研究證實，光譜預處理在一定程度上可以提高光譜反射率與小麥土壤有機碳含量的相關性，且影響監測模型表現，同時模型構建方法可能對模型估算精度產生更為積極的效果。本研究結果可以為農田土壤有機碳含量檢測提供一定的理論依據和實踐探索。

關鍵詞：農田土壤；有機碳；預處理；高光譜；響應特性

中圖分類號：S-3 " " " " " " " " " " " " " " " " " 文獻標志碼：ADOI：10.3969/j.issn.1007-7146.2024.04.004

Hyperspectral Characteristics and Quantitative Monitoring of Soil Organic Carbon in Farmland

YANG Linjinga， b， YANG Shaa， b， ZHANG Shengyanga， b，

ZHANG Wenyana， b， ZUO Yuanquana， b， YAN Biyaoa， b， YANG Wudea， b*

（Shanxi Agricultural University a. College of Agricultural; b. College of Smart Agriculture， Taigu 030801， China）

Abstract： In order to realize the rapid and quantitative monitoring of soil organic carbon content in farmland， nine conventional pretreatment analysis methods were used to optimize the original spectral information and analyze the relationship between each pretreatment spectrum and wheat soil organic carbon content， and the continuous projection algorithm （SPA） was used to extract the spectral characteristics of soil organic carbon， and two types of soil organic carbon spectral monitoring models based on full spectrum and spectral characteristic bands were established. The results showed that the correlation between the pretreatment spectrum and soil organic carbon in wheat could be significantly improved compared with the original spectrum. In the meantime， the SPA method was used to extract and confirm the important information of soil organic carbon content in the spectral regions of 400～450 nm， 510～620 nm， 1010～1 060 nm and 2 000～2 400 nm. Comparing the performance of the two types of models， it can be seen that the continuous projection algorithm-multiple linear regression （SPA-MLR） model is better than the partial least squares regression （PLSR） model under the same pretreatment spectra， and the overall performance of the soil organic carbon content estimation model based on multivariate scattering correction （MSC） pretreatment spectra is the best （Rv2=0.726， RMSEv=0.109， RPDv=1.956）， and it has practical application potential. This study confirms that spectral pretreatment can improve the correlation between spectral reflectance and soil organic carbon content in wheat to a certain extent， and affect the performance of the monitoring model， and the model construction method may have a more positive effect on the accuracy of model estimation. The results of this study can provide a theoretical basis and practical exploration for the detection of soil organic carbon content in farmland.

Key words： farmland soil; organic carbon; pretreatment; hyperspectral; responsive features

（Acta Laser Biology Sinica， 2024， 33（4）： 316-325）

農田土壤有機碳庫因常年受到人為干擾而易發生劇烈變化，探索碳庫形成及周轉機制研究是實現我國“碳達峰、碳中和”戰略的重要途徑［1］。測定農田土壤有機碳庫，不僅可明確農田土壤碳庫的儲量，評估其固碳潛力，也是聯合國氣候變化框架公約中確定各國溫室氣體凈排放通量的一項具體工作［2-3］。基于光譜遙感技術開展土壤有機碳含量的定量估算被認為是未來進行實時、大尺度、快速估算的有效方法［4］。衛星遙感技術具有較強的空間性及連續性，但是訪問周期短、空間分辨率低，而高光譜技術具有快速、高效、無損獲取目標屬性等優點，可以彌補這個缺陷，使分辨率分別達到厘米級和納米級，但該技術也存在光譜信息冗余的缺點［5-6］。隨著光譜技術的發展，光譜信息測量儀器不斷更新，這一技術在農業領域也得到了廣泛的應用。趙雋宇等［7］通過高光譜分析技術結合正交偏最小二乘回歸分析（orthogonal partial least squares discriminant analysis，OPLS-DA）對桉樹黃化葉片有了一定的預測。唐子竣等［8］基于地面高光譜遙感技術構建了大豆產量估算模型。此外，He等［9］的研究表明，挖掘和提取目標屬性的高光譜敏感特征波段有助于揭示和解釋目標屬性的高光譜響應機理，同時實現光譜數據降維，也是建立高精度模型和實踐應用性模型的主要思路。

當前，應用較為廣泛的變量選擇方法和模型校正方法主要有連續投影算法（successive projections algorithm，SPA）［10］、遺傳算法（genetic algorithm，GA）［11］、多元線性回歸（multiple linear regression，MLR）［12］、逐步多元線性回歸（stepwise multiple linear regression，SMLR）［13］、偏最小二乘回歸（partial least squares regression，PLSR）［14］、無信息變量消除（uninformative variable elimination，UVE）和支持向量機（support vector machine，SVM）［15］等。也有部分學者根據化學計量學方法的不同功能，同時結合多種方法進行光譜特征信息提取和模型優化，如UVE+SPA［16］、SPA-LS-SVM［17］、PLSR-SMLR［18］等。李陽陽等［19］的基于高光譜的大葉女貞葉片水分定量測定試驗表明，通過SPA，僅利用全波段2.4%的信息就能夠達到與全波段建模相當的精度，大大簡化了模型，預測平方相關系數為0.97，預測均方根誤差僅為4.4×10-5。鄧志偉等［20］采用PLSR對稀土元素進行定量分析，結果表明，PLSR定量分析模型的標準值和預測值相關曲線R2得到了提高，該方法可以建立穩健的定量分析模型。徐冬等［21］在基于多光譜檢測技術研究茄子果皮花青素含量的檢測的試驗中，證明了MLR校正模型具有較高的預測精度，且模型準確率和可靠性均較高。此外，對光譜數據進行預處理可以提高光譜的信噪比。馬瑋鍵等［22］對光譜數據進行了平滑（Savitzky-Golay，SG）、基線校正（baseline）、去趨勢處理（detrend）、歸一化（normalize）、多元散射校正（multivariate scattering correction，MSC）和標準正態變換（standard normal variate，SNV）6種預處理，發現基于SG預處理并結合PLSR模型的估測效果最佳。因此，不同化學計量方法和高光譜技術的結合運用在土壤有機碳含量估測的方面展現了較為廣闊的應用，為準確估測土壤有機碳提供了堅實的基礎。

綜上，土壤的差異、不同的光譜預處理方法、波長選擇方法以及估測模型方法不同等，都會使得土壤有機碳含量的估測效果不同。所以，為了實現對區域農田土壤有機碳含量的監測和預測，本試驗以小麥小區試驗土壤為研究對象，采用9種不同的常規預處理分析方法，優化原始光譜信息并分析各預處理光譜與土壤有機碳含量之間的關系，利用SPA提取土壤有機碳的光譜特征，建立并比較基于全譜和光譜特征波段的兩種土壤有機碳光譜監測模型，旨在監測農田土壤有機碳含量的高光譜特征及響應特性，挖掘和確定土壤有機碳影響因子的高光譜特征信息，構建和優化光譜模型。

1 材料與方法

1.1 試驗設計

本試驗地點位于山西農業大學農學院實驗站（E 112°34′12″，N 37°25′21″），試驗地是暖溫帶大陸性氣候，年平均氣溫為9.8℃，無霜期為175 d，年降雨量約為460 mm。試驗地內每塊試驗區的面積均為9 m2（3 m×3 m），試驗小麥（Triticum aestivum）品種為長6878（旱）、長4738（水），總灌溉量為350 mm。1個試驗區同時種植2個品種，行距為20 cm。每個試驗區在播前施肥，在不追肥的情況下施用氮肥227.85 kg/hm2、鉀肥655.5 kg/hm2、磷肥115.5 kg/hm2。根據田間持水量的百分比控制水分，并進行隨機試驗，于拔節期～抽穗期、開花期～灌漿期2個生長階段設置1個對照（control check，CK）。根據田間持水量對土壤水分進行控制，田間持水量的65%為輕度，55%為中度，45%為重度，以田間持水量的75%為對照，共7個處理，3次重復。試驗各處理如表1所示。

1.2 樣本數據采集

1.2.1 土壤數據采集

采集0～10 cm、10～20 cm、20～40 cm、40～60 cm 4個土層的土壤樣本，裝入密封袋帶回實驗室。去除雜質后放在室內陰涼通風處進行風干，風干后過2 mm孔篩。將過篩土壤樣本充分混合后，在室內測定每個樣本的土壤光譜。研究表明，重鉻酸鉀外加熱容量法測定的總有機碳值與土壤原有機碳值非常接近［23］，因此，本研究使用該方法測定土壤樣本有機碳的含量。

1.2.2 光譜數據采集

使用美國Analytical Spectral Devices公司生產的FieldSpec Pro FR250型便攜式光譜儀采集光譜數據，波長范圍為350～2 500 nm，其中，350～1 000 nm光譜采樣間隔為1.4 nm，分辨率為3 nm；1 000～2 500 nm光譜采樣間隔為2 nm，分辨率為10 nm。每個土壤樣本分別采集50條光譜數據，進行算術平均后得到該樣本的最終光譜反射率數據。獲取土壤碳含量及光譜數據后剔除異常值及缺失值，共得到有效樣本164個。采用建模集與驗證集3：1的比例進行劃分，得到建模集樣本123個，驗證集樣本41個。

1.3 光譜數據處理

1.3.1 數據預處理

對原始光譜數據進行去噪和平均處理后得出原始光譜數據。在光譜數據采集過程中，光譜數據容易受到光譜測量儀器和光譜測量環境的影響，可能會降低后期建模的準確性，因此需要對其進行預處理。由于在光譜邊緣有較大的噪聲影響，故剔除350～399 nm和2 451～2 500 nm波段范圍內的光譜數據。對光譜數據進行以下預處理：SG、一階導數（first derivative，FD）、二階導數（second derivative，SD）、倒數（reciprocal，RE）、平方（square，SQ）、三次方（cube，CU）、RE+FD、MSC和SNV。

SG的基本原理：首先設定一個窗口，將該窗口中全部的數據相加，再除以窗口中的數據點的數量來計算其平均值，其實質是一種通過加權平均法來強調中心點的中心作用［24］。導數變換［25］是較為常用的光譜預處理方法，可去除不同的背景噪聲。根據前人研究，FD能有效減小部分線性或近線性干擾的影響［26］；SD對于去除背景干擾、提高模型分析精度有重要作用［27］；RE、SQ和CU處理這些簡單數學變換可以在一定程度上提高數據與光譜的相關性［28］；MSC后獲得的光譜數據能夠有效地去除因散射強度變化引起的光譜差異，提高數據與光譜的關聯程度［29］；SNV一般用于克服和消除固體顆粒大小、表面散射及光程變化造成的光譜干擾［30］。

1.3.2 特征波段選擇

SPA是一種使矢量空間共線性最小化的前向變量選擇算法，其目的是處理模型的共線性問題，可有效減少數據變量，提高運算效率，改善建模預測效果［31］。

1.4 模型構建

有研究指出，對目標屬性的高光譜特征波段的挖掘和提取，有助于揭示和詮釋目標屬性的高光譜響應特性，并可以實現光譜數據降維［32］。然而，由于全譜模型中變量眾多、信息量大，包含大量的無效信息，從而導致模型估計的準確性下降，同時計算效率也給實際應用帶來了一些挑戰。雖然利用光譜特性建立的模型能夠很好地解決上述問題，但其準確性還需要進一步提高［33］。基于光譜特征的估算模型雖可以克服以上缺點，但是模型精度有待進一步提升。因此，本試驗選用全波段PLSR和SPA-MLR兩種方法建立模型。

1.4.1 PLSR

PLSR是16世紀末H. Wold在計量經濟學中提出的。它基于最小二乘法原理，在抽取含有更多自變量的因素時，能夠確保所抽取的因子和因變量之間的相關程度達到最大化。簡化光譜自變量和消除多余噪聲的影響可以有效地對土壤養分信息進行解釋和篩選，避免在利用光譜構建模型過程中對數據的過擬合現象，最終所構建的模型具有更好的精度及穩定性［34］。

1.4.2 SPA-MLR

MLR是一種分析若干個自變量如何直接影響一個因變量及他們之間存在的相關關系的數理統計方法，以線性方程的形式建立響應變量與觀測光譜變量之間的關系，但當變量數大于樣本數時，模型容易受到變量間共線性的影響。因此，運用MLR方法建模，一般會與特征波段提取算法相結合［35］。

1.5 模型評價

使用決定系數（R2）、標準偏差（root mean square error，RMSE）和相對預測偏差（relative percentage difference，RPD）作為模型的評價指標。R2越大，RMSE越小，表示模型預測效果越好。一般認為，RPD小于1.40時，模型很難有效地預測樣本；RPD介于1.40～2.00時，模型可以對樣本進行粗略地預測；RPD大于等于2.00時，表明模型具有較好的預測精度和穩健度；RPD大于3.00時，表明模型具有非常好的預測效果。各驗證參數計算公式如下：

R2=1-（1）

RMSE= " "∑ni＝1（Yi-Yi'）2（2）

PRD=（3）

式中，n為樣本個數，Y'i是樣本的預測值，Yi是樣本的實測值；m為樣本實測值的標準差。

1.6 數據處理軟件

使用View Spec Pro 6.0提取土壤光譜數據，使用The Unscrambler X 10.4對光譜數據進行預處理，使用Excel 2019以及SPSS 20對數據進行整理與分析，使用MATLAB 2010構建模型，使用Origin 2021制圖。

2 結果與分析

2.1 土壤有機碳的描述性統計

對土壤有機碳含量進行統計分析，結果如表2所示。由表2可得，所采集的土壤樣品有機碳含量的數值范圍為0.32～1.65 g/kg，試驗中偏度和峰度系數接近0，表明各數據集整體趨于正態分布，符合統計學的要求。數據變異程度為中低等，變異較大。總數據集、校正集和驗證集的變異系數分別為17.20%、17.85%和17.04%，平均值分別為1.15、1.16、1.15 g/kg，三者數據變異程度和平均值接近，證明建模集數和驗證集數劃分較為合理。

2.2 土壤有機碳光譜響應特性

按照四分位法將小麥土壤有機碳含量由小到大排列并分成四等份，每份分別包含總樣本數據的0%～25%、25%～50%、50%～75%、75%～100%，計算每部分內土壤樣本對應的土壤光譜數據算術平均值，得到不同含量水平下的光譜反射率，結果如圖1所示。

從整體來看，小麥土壤有機碳含量不同，其光譜反射強度也有差異。土壤光譜反射率隨著土壤有機碳含量的增加而降低，二者呈負相關關系。在不同的有機碳水平下，土壤的光譜反射率曲線具有相似性，變化趨勢一致；在400～850 nm范圍內，光譜反射率隨波長的增加呈單調上升的趨勢，曲線有較高的斜率，并迅速向長波方向偏移；在850 nm后，光譜曲線的斜率較小，光譜反射率變化平緩；在1 414 nm、1 912 nm和2 210 nm附近處出現吸收谷，其中1 912 nm處的吸收谷較大，吸收谷附近的光譜反射率急速下降后又快速上升；在2 210 nm附近之后的波峰和波谷交替出現，且在2 158 nm附近，土壤有機碳光譜反射率達到最大。

2.3 土壤有機碳與不同預處理光譜的相關性

對土壤有機碳含量與原始光譜數據以及經過不同變換處理后的光譜數據做相關性分析，并進行0.05顯著性水平檢驗，結果如圖2所示。由圖2可知，不同變換光譜均與土壤有機碳含量存在一定的相關性，其中，RE變換光譜與有機碳含量呈正相關，SG、SQ變換光譜與有機碳含量為負相關關系，其余變換光譜均與有機碳含量既存在正相關關系，又存在負相關關系。SQ預處理和CU預處理與原始光譜與土壤有機碳的相關性曲線一致，兩者相關系數的差異較小；FD、SD預處理與SG相比，相關性得到顯著提高，達到0.05顯著性水平的波段明顯增多，但FD預處理下，在多數波段范圍內，土壤有機碳與光譜反射率的相關性有所增高，最高相關系數達到0.516；MSC、SNV預處理下，土壤光譜與土壤有機碳的相關性有所提高，在部分波段都達到了0.05顯著性水平。總體來看，不同預處理都增強了土壤光譜與土壤有機碳的相關性。

2.4 光譜特征提取

利用SPA對原始光譜數據及經過不同變換處理的光譜數據進行重要波長提取，其結果如圖3所示。不同預處理下所提取的重要波長數量及位置存在差異。基于SPA提取的重要波長，SG與FD預處理下有405 nm這個相同的重要波長；SG、SQ、CU和SNV預處理下均有2 400 nm這個相同的重要波長；SG與SQ預處理下有2個相同重要波長在1 068、2 204 nm處，有2個相近重要波長在2 345 nm處；FD、SD、RE預處理下都有在400～422 nm范圍內的重要波長，且有較多是相同的，位置相近且相對集中；SNV和MSC預處理下有2個相同的重要波長在890、2 138 nm處，有2個相近的重要波長在1 950 nm處。所有預處理下，在可見光和近紅外波段都有重要波長。綜上，不同預處理下所提取的重要波長在全波段范圍內較為分散，重要波長在可見光波段范圍內分布較多，基于SPA所提取的重要波長主要分布在了400～422 nm波段范圍內。

2.5 不同光譜預處理下土壤有機碳的估測模型

采用PLSR和SPA-MLR多元統計分析方法構建土壤有機碳的定量估算模型，模型表現結果如表3。

由表3可得，基于SPA-MLR線性模型，在MSC處理下的估測效果表現最好（Rc2=0.724、RMSEc=0.117、RPDc=1.903、Rv2=0.726、RMSEv=0.109、RPDv=1.956），在FD、SNV預處理下也取得了較好的估測效果，但估測精度略低于SQ處理，在RE+FD處理下模型效果表現較差。基于全光譜的PLSR模型，在SNV處理下估測效果表現最好（Rc2=0.623、RMSEc=0.124、RPDc=1.291、Rv2=0.604、RMSEv=0.160、RPDv=1.310），在SG和SQ處理下模型效果表現較差。在FD、SD、RE、SQ、CU、RE+FD的預處理下，PLSR模型估測效果較好，在SG、MSC、SNV處理下，SPA-MLR模型估測效果較好。在多數光譜的預處理下，對土壤有機碳含量的估測模型效果為：SPA-MLR＞PLSR。對比兩種模型可以看出，基于MSC預處理的SPA-MLR模型對土壤有機碳含量的估測效果最好。

為了更加直觀地比較這兩種模型的效果，本研究繪制了兩種估測效果最好的模型土壤有機碳含量實測值與預測值的1：1擬合圖（圖4）。從圖4中可以看出，基于MSC處理下所構建的SPA-MLR模型建模集和驗證集的擬合線相較于其他模型更加接近1：1直線，數據點較為集中，說明預測值更加接近于實測值。

3 討論

3.1 土壤有機碳的光譜響應特性

土壤光譜可同時反映各種土壤信息，了解土壤反射光譜特征對于人們快速獲取土壤信息具有重大意義。本研究對小麥土壤有機碳含量各四分位數范圍內的反射光譜分別計算算術平均值，得到土壤有機碳四分位均值光譜反射曲線。在可見光波段范圍內，不同有機碳水平下，土壤光譜反射率無明顯差異且均急劇升高；在近紅外波段范圍內，光譜反射率隨著有機碳含量的增加而降低，二者呈負相關關系。這與牛方鵬［36］基于高光譜數據的博斯騰湖西岸湖濱綠洲不同土壤有機碳含量的光譜曲線特征一致。本試驗在可見光波段范圍內，利用兩種波長選擇算法篩選出的重要波長數較多，土壤光譜反射率隨著波長的增加而增加，前波與后波之間具有較好的正相關性，在400～850 nm波段反射率增加較快，在800～2 450 nm波段反射率增加緩慢。在1 414、1 912、2 210 nm處有顯著的光譜吸收谷，且在1 912 nm處光譜吸收變化更為強烈。

對于全波段和連續投影變換這兩種波長的選擇，本研究證明了基于SPA的MLR模型效果優于基于全譜的PLSR模型。這是因為SPA可以有效減少模型的輸入變量，具有降低重復信息等優點［19］。但張月等［37］研究發現，基于全譜的PLSR模型效果優于SPA-MLR模型。這可能是因為全譜信息量大，且信息之間存在一定的過擬合現象，但PLSR模型可以克服數據共線性的作用。同時，光譜預處理方法對于重要波長變量選擇影響較大，所選的重要波長因預處理方法的不同而有所變化，也會因變量篩選方法的不同而有所不同［38］。綜合比較發現，土壤有機碳重要波長區域主要位于400～450 nm、510～620 nm、1 010～1 060 nm、2 000～2 400 nm。

3.2 不同光譜預處理對土壤有機碳估測模型效果的影響

不同光譜預處理對土壤有機碳估測模型效果有一定的影響。光譜測量過程中會受到測量儀器、測量環境等的影響，使得光譜曲線發生一定的變形，對實際的光譜信息造成一定的誤差，而對光譜數據的預處理是光譜分析中的重要步驟。前人的研究表明，光譜數據預處理可以消除光譜儀器的噪聲和背景干擾，在一定程度上可以提高光譜數據與待測物的相關性［39］。在本試驗中，農田土壤有機碳與原始光譜的相關系數較低，經過不同的預處理后，土壤有機碳與光譜相關性有了一定的提高，并且本研究在多數預處理下，PLSR與SPA-MLR都具有較好的估測模型效果。由此可以證明，預處理可以在一定程度上提高模型的估測效果，這與前人的研究結果一致。

此外，張倩倩等［40］研究發現，兩種預處理方法配合使用的效果優于單個預處理方法。但是在本試驗中，MSC單個預處理方法使用的效果最佳。這是因為兩種預處理方法組合時的順序會影響模型的精度［41］，而單個預處理可以有效避免這一問題，從而增強光譜與數據之間的相關性。相比于其他的預處理，土壤有機碳在MSC的預處理下估測效果較好。這與宋金鵬等［42］認為的MSC處理能較好地提高模型估測效果的觀點一致。本研究發現，MSC與SNV單個預處理方法構建的兩種模型對于土壤有機碳具有較好的估測效果。

3.3 多元統計分析方法對土壤有機碳模型效果的影響

本文研究結果表明，在FD、SD、RE、SQ、CU、RE+FD的預處理下，PLSR模型估測效果較好，而在SG、MSC、SNV處理下，SPA-MLR模型估測效果較好。此外，基于重要波長的MLR線性模型表現與PLSR非線性模型相比較效果更佳。而陶培峰［43］的研究表明，非線性模型對于土壤養分具有更好的估測效果。這可能是因為相比于全波段構建模型，連續投影變換可以有效剔除光譜冗余數據，減少較多的特征變量。

綜上所述，光譜反射率與土壤有機碳含量呈負相關關系，在400～450 nm、510～620 nm、1010～1 060 nm、2 000～2 400 nm波段范圍內光譜響應明顯，其中以1 912 nm附近最為明顯。預處理光譜可以提高小麥土壤光譜與土壤屬性的相關性，對模型的反演結果產生較好的影響，且MSC單個預處理方法使用的效果最佳。基于MSC的SPA-MLR線性模型可以實現對農田土壤有機碳含量的準確估算（Rc2=0.724、RMSEc=0.117、RPDc=1.903、Rv2=0.726、RMSEv=0.109、RPDv=1.956）。本研究結果可以為農田土壤有機碳含量檢測提供一定的理論依據和實踐探索。

參考文獻（References）：

［1］ 李佳珍， 董文旭， 陳拓， 等. 增溫施肥對農田土壤有機碳和全氮含量及δ13C、δ15N值的影響［J］. 中國生態農業學報， 2022， 30（5）： 842-850.

LI Jiazhen， DONG Wenxu， CHEN Tuo， et al. Effects of warming and fertilization on soil organic carbon and total nitrogen contents， and δ13C and δ15N in farmland［J］. Chinese Journal of Eco-agriculture， 2022， 30（5）： 842-850.

［2］ 張麗華， 劉瀚陽. 全球氣候治理嵌套式機制互動研究——以《聯合國氣候變化框架公約》與糧農組織為例［J］. 閱江學刊， 2023， 15（5）： 47-57， 169.

ZHANG Lihua， LIU Hanyang. Research on the interaction of nested mechanisms of global climate governance tasking UNFCCC and FAO as example ［J］.Yuejiang Journal， 2023， 15（5）： 47-57， 169.

［3］ 翟茂彤. 基于原位vis-NIR高光譜的鄱陽湖濕地土壤有機碳預測研究［D］. 南昌： 江西財經大學， 2020.

ZHAI Maotong. Prediction of soil organic carbon based on in situ vis-NIR hyperspectra data in Poyang lake wetland［D］. Nanchang： Jiangxi University of Finance and Economics， 2020.

［4］ 聶鵬程， 錢程， 覃銳苗， 等. 天空地一體化信息感知與融合技術發展現狀與趨勢［J］. 智能化農業裝備學報， 2023， 4（2）： 1-11.

NIE Pengcheng， QIAN Cheng， QIN Ruimiao， et al. Development status and trends of air-ground integrated informationsensing and fusion technology［J］. Journal of Intelligent Agricultural Equipment， 2023， 4（2）： 1-11.

［5］ DAINING D， HUICHUN Y， YONG Y， et al. Determination of chlorophyll and hardness in cucumbers by raman spectroscopy with successive projections algorithm （SPA） -extreme learning machine （ELM）［J］. Analytical Letters， 2023， 56（8）： 1216-1228.

［6］ 李通. 基于無人機高光譜技術的松材線蟲病監測技術研究［J］. 測繪技術裝備， 2023， 25（4）： 19-21.

LI Tong. Monitoring technology of pine wood nematode disease based on UAV hyperspectral technology［J］. Geomatics Technology and Equipment， 2023， 25（4）： 19-21.

［7］ 趙雋宇， 石媛媛， 楊瑞青， 等. 基于高光譜分析技術的桉樹葉片黃化識別［J］. 廣西林業科學， 2024， 53（1）： 94-99， 1006-1126.

ZHAO Junyu， SHI Yuanyuan， YANG Ruiqing， et al. Yellowing identification in eucalypt leaves based on hyperspectral analysis technology［J］. Guangxi Forestry Science， 2024， 53（1）： 94-99， 1006-1126.

［8］ 唐子竣， 張威， 黃向陽， 等. 基于地面高光譜遙感技術的大豆產量估算模型研究［J］. 農業機械學報， 2024， 55（1）： 145-153， 240.

TANG Zijun， ZHANG Wei， HUANG Xiangyang， et al. Research on soybean seed yield estimation model based on ground hyperspectral remote sensing technology ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2024， 55（1）： 145-153， 240.

［9］ HE Z Q， ZHANG R， FANG S Y， et al. Research on the measurement method of printing ink content based on spectrum［J］. Optik， 2021， 243： 167389.

［10］ 王潤潤， 張淑娟， 蘇立陽， 等. 基于高光譜技術的杏品種判別［J］. 農產品加工， 2023（23）： 20-22， 25.

WANG runrun， ZHANG Shujuan， SU Liyang， et al. Identification of apricot varieties based on hyperspectral technology［J］. Farm Products Processing， 2023（23）： 20-22， 25.

［11］ 韓秀枝， 曹源， 詹躍勇， 等. 基于響應面耦合遺傳算法優化關山櫻花黃酮提取工藝及其抗氧化、抗炎作用研究［J］. 食品安全質量檢測學報， 2023， 14（24）： 272-280.

HAN Xiuzhi， CAO Yuan， ZHAN Yueyong， et al. Optimization of Kanzan flower flavonoids extraction process based on response surfacecoupled genetic algorithm methodology and its antioxidant and anti-inflammatory effects［J］. Journal of Food Safety and Quality， 2023， 14（24）： 272-280.

［12］ 謝永凱， 馮美臣， 秦明星， 等. 基于多元統計分析的冬小麥干旱綜合指標構建及監測研究［J］. 天津農業科學， 2023， 29（5）： 17-24.

XIE Yongkai， FENG Meichen， QIN Mingxing， et al. Construction and monitoring of comprehensive indicators of winter wheat drought based on multivariate statistical analysis［J］. Tianjin Agricultural Sciences， 2023， 29（5）： 17-24.

［13］ 陳嘉偉， 周德強， 崔晨昊， 等. 近紅外光譜的小麥粉粉質特性預測模型研究［J］. 光譜學與光譜分析， 2023， 43（10）： 3089-3097.

CHEN Jiawei， ZHOU Deqiang， CUI Chenhao， et al. Prediction model of farinograph characteristics of wheat flour based on near infrarer spectroscopy ［J］. Spectroscopy and Spectral Analysis， 2023， 43（10）： 3089-3097.

［14］ 梁奇峰， 曾令聰， 郭紅衛， 等. 近紅外光譜結合偏最小二乘法測定米粉中硼砂含量［J］. 廣東化工， 2023， 50（16）： 152-153， 184.

LIANG Qifeng， ZENG Lingcong， GUO Hongwei， et al. Determination of borax in rice flour by near infrared spectrum with partial least square method［J］. Guangdong Chemical Industry， 2023， 50（16）： 152-153， 184.

［15］ 郭發旭， 馮全， 楊森， 等. 基于無人機高光譜的馬鈴薯冠層葉片全氮含量反演［J］. 浙江農業學報， 2023， 35（8）： 1904-1914.

GUO Faxu， FENG Quan， YANG Sen， et al. Inversion of leaf nitrogen content in potato canopy based on unmanned aerial vehicle hyperspectral images ［J］. Journal of Zhejiang Agricultural Sciences， 2023， 35（8）： 1904-1914.

［16］ 章海亮， 劉雪梅， 何勇. SPA-LS-SVM檢測土壤有機質和速效鉀研究［J］. 光譜學與光譜分析， 2014， 34（5）： 1348-1351.

ZHANG Hailiang， LIU Xuemei， HE Yong. Measurement of soil organic matter and available K based on SPA-LS-SVM ［J］. Spectroscopy and Spectral Analysis， 2014， 34（5）： 1348-1351.

［17］ 柴紅. 谷子田土壤顆粒有機碳氮的高光譜監測研究［D］. 晉中： 山西農業大學， 2019.

CHAI Hong. Hyperspectral monitoring of siol organic carbon and nitrogen in millet field the study［D］. Jinzhong： Shanxi Agricultural University， 2019.

［18］ 李國傲， 陳雪， 孫建伶， 等. 土壤有機碳含量測定方法評述及最新研究進展［J］ . 江蘇農業科學， 2017， 45（5）： 22-26.

LI Guoao， CHEN Xue， SUN Jianling， et al. Review of methods for determination of soil organic carbon content and recent research progress［J］. Jiangsu Agricultural Sciences， 2017， 45（5）： 22-26.

［19］ 李陽陽， 孫雨安， 王國慶， 等. 基于高光譜的大葉女貞葉片水分定量測定［J］. 河南師范大學學報 （自然科學版）， 2017， 45（6）： 47-51.

LI Yangyang， SUN Yu’an， WANG Guoqing， et al. Determination of ligustrum leaf water content based on hyperspectral［J］. Journal of Normal University （Natural Science Edition）， 2017， 45（6）： 47-51.

［20］ 鄧志偉， 郭蘇彤， 徐智帥， 等. 基于雙脈沖LIBS結合偏最小二乘回歸的稀土元素定量分析［J］. 中國無機分析化學， 2024， 14（2）： 183-190.

DENG Zhiwei， GUO Sutong， XU Zhishuai， et al. Quantitative analysis of fare earth elements based on double-pulse LIBS combined with partial least squares regression［J］. Chinese Journal of Inorganic Analytical Chemistry， 2024， 14（2）： 183-190.

［21］ 徐冬. 基于多光譜的茄子果皮花青素含量檢測設備研制［D］. 咸陽： 西北農林科技大學， 2023.

XU Dong. Apparatus development for detecting anthocyanin content in eggplant peel based on multi-spectral technolog［D］. Xianyang： Northwest Agriculture and Forestry University， 2023.

［22］ 馬瑋鍵， 邢澤炳， 韓春風， 等. 可見近紅外光譜的山西玉米地土壤氮含量建模［J］. 山西農業科學， 2023， 51（7）： 750-755.

MA Weijian， XING Zebing， HAN Chunfeng， et al. Modeling of soil nitrogen content in maize field of Shanxi province by visible near-infrared spectroscopy［J］. Shanxi Agricultural Sciences， 2023， 51（7）： 750-755.

［23］ 史可. 重鉻酸鉀外加熱法在施用生物炭土壤有機質含量測定中的應用改進［D］. 泰安： 山東農業大學， 2022.

SHI Ke. Application improvement of the potassium dichromate external heating method in the determination of siol organic matter content with biochar applied［D］. Taian： Shandong Agricultural University， 2022.

［24］ 褚小立， 袁洪福， 陸婉珍. 近紅外分析中光譜預處理及波長選擇方法進展與應用［J］. 化學進展， 2004（4）： 528-542.

CHU Xiaoli， YUAN Hongfu， LU Wanzhen. Progress and application of spectral data pretreatment and wavelength selection methods in NIR analytical technique［J］. Progress in Chemistry， 2004（4）： 528-542.

［25］ 孫亞楠， 李仙岳， 史海濱， 等. 基于高光譜數據的鹽荒地和耕地土壤鹽分遙感反演優化［J］. 農業工程學報， 2022， 38（23）： 101-111.

SUN Yanan， LI Xianyue， SHI Haibin， et al. Optimizing the inversion of siol salt in salinized wasteland using hyperspectral data from remote sensing ［J］. Transaction of the Chinese Society of Agricultural "Engineering， 2022， 38（23）： 101-111.

［26］ RAUL J L M， ALEJANDRO O S G， MANUEL J J C. Simultaneous quantification of acetylsalicylic acid and caffeine in tablets by first-order derivative spectroscopy［J］. International Journal of Applied Pharmaceutics， 2022， 14（4）： 200-204.

［27］ 李鑫星， 周婧， 唐紅， 等. 基于紫外光譜的水產養殖水質總氮含量快速檢測研究［J］. 光譜學與光譜分析， 2020， 40（1）： 195-201.

LI Xinxing， ZHOU Jing， TANG Hong， et al. Rapid determination of total nitrogen in aquaculture water based on ultraviolet spectroscopy［J］. Spectroscopy and Spectral Analysis， 2020， 40（1）： 195-201.

［28］ 張清文， 吳風華， 宋敬茹， 等. 基于光譜變換的濱海濕地土壤全氮含量建模預測［J］. 土壤， 2023， 55（4）： 880-886.

ZHANG Qingwen， WU Fenghua， SONG Jingru， et al. Estimating of soil total nitrogen content in coastal wetland based on spectral transformation［J］. Soil， 2023， 55（4）： 880-886.

［29］ BAO Y， MI C， WU N， et al. Rapid classification of wheat grain varieties using hyperspectral imaging and chemometrics［J］. Applied Sciences， 2019， 9（19）： 4119.

［30］ 苗林林. 基于無人機遙感的柑橘果樹葉面積指數反演研究［D］. 桂林： 桂林理工大學， 2023.

MIAO Linlin. Inversion of citrus fruit leaf area index based on UAV remote sensing［D］. Guilin： Guilin University of Technology， 2023.

［31］ HE Z Q， ZHANG R， FANG S Y， et al. Research on the measurement method of printing ink content based on spectrum［J］. Optik，2021， 243： 167389.

［32］ SEQURIRA C H，WILLS S A， Grunwald S， et al. Development and update process of vnir-based models built to predict soil organic carbon［J］. Soil Science Society of America Journal， 2014， 78（3）： 903-913.

［33］ 丁建軍， 章盛， 孫超， 等. 基于 PLSR 的土壤有機碳預測模型中建模組與驗證組最優數量關系［J］. 江漢大學學報： 自然科學版， 2018， 46（5）： 404-408.

DING Jianjun， ZHANG Sheng， SUN Chao， et al. Optimal quantity relationship between modeling group and prediction group in soil organic carbon prediction model based on PLSR［J］. Journal of Jianghan University： Natural Science Edition， 2018， 46（5）： 404-408.

［34］ 李曉涵. 基于多元線性回歸分析模型的中國海洋經濟發展與交通關系淺析［J］. 交通節能與環保， 2023， 19（2）： 35-38.

LI Xiaohan. Analysis of the relationship between China’s marine economic development and transportation based on multiple linear regression analysis model［J］. Energy Conservation and Environmental Protection in Transportation， 2023， 19（2）： 35-38.

［35］ 孫晶京. 基于近紅外光譜技術的小麥籽粒蛋白質含量模型構建及優化研究［D］. 晉中： 山西農業大學， 2021.

SUN Jingjing. Research on construction and optimization of wheat grain protein content model based on near infrared spectroscopy technology［D］. Jinzhong： Shanxi Agricultural University， 2021.

［36］ 牛芳鵬. 基于高光譜數據的博斯騰湖西岸湖濱綠洲土壤有機碳反演建模［D］. 烏魯木齊： 新疆師范大學， 2022.

NIU Fangpeng. Inversion modeling of soil organic carbon in the Western Lakeside Oasis in Bosten Lake based on hyper-spectral data， China［D］. Wulumuqi： Xinjiang Normal University， 2022.

［37］ 張月， 張煊， 閆曉斌， 等. 干旱脅迫下冬小麥植株含水量的高光譜監測［J］. 山西農業科學， 2022， 50（12）： 1638-1646.

ZHANG Yue， ZHANG Xuan， YAN Xiaobin， et al. Hyperspectral monitoring on plant water content in winter wheat under drought stress［J］. Shanxi Agricultural Sciences， 2022， 50（12）： 1638-1646.

［38］ 孫嘉豪， 張偉， 施鑒芩， 等. 光譜數據預處理策略選擇及應用［J］. 計量學報， 2023， 44（8）： 1284-1292.

SUN Jiahao， ZHANG Wei， SHI Jianqin， et al. Selection and application of spectral data preprocessing strategy［J］. Journal of Metrology， 2023， 44（8）： 1284-1292.

［39］ 姜雪芹， 葉勤， 林怡， 等. 基于諧波分析和高光譜遙感的土壤含水量反演研究［J］. 光學學報， 2017， 37（10）： 300-310.

JIANG Xueqin， YE Qin， LIN Yi， et al. Inversion study of soil water content based on harmonic analysis and hyperspectral remote sensing［J］. Acta Optica Sinica， 2017， 37（10）： 300-310.

［40］ 張倩倩， 譚琨. 基于高光譜的牛奶中真蛋白質含量反演［J］. 光譜學與光譜分析， 2015， 35（12）： 3436-3439.

ZHANG Qianqian， TAN Kun. Inversion of true protein content in milk based on hyperspectral data［J］. Spectroscopy and Spectral Analysis， 2015， 35（12）： 3436-3439.

［41］ 張朱珊瑩， 蒙泳吉， 曹匯敏， 等. 血紅蛋白定量分析的數據集劃分及預處理方法研究［J］. 中南民族大學學報 （自然科學版）， 2022， 41（4）： 454-458.

ZHANG Zhushanying， MENG Yongji， CAO Huimin， et al. Dataset partitioning and pretreatment method of hemoglobin quantitative analysis［J］. Journal of South-Central University for Nationalities （Natural Science Edition）， 2022， 41（4）： 454-458.

［42］ 宋金鵬， 梁琨， 張馳， 等. 基于深度學習與可見-近紅外光譜的患腥黑穗病小麥籽粒分類研究［J］. 分析測試學報， 2023， 42（7）： 784-793.

SONG Jinpeng， LIANG Kun， ZHANG Chi， et al. Research on classification of commin bunt of wheat kernels based on visible-near infrared spectroscopy combined with deep learning algorithms［J］. Journal of Analysis and Testing， 2023， 42（7）： 784-793.

［43］ 陶培峰. 基于航空高光譜遙感的黑土養分含量反演研究［D］. 北京： 中國地質大學， 2020.

TAO Peifeng. Estimation of nutrient content in black soil based on hyperspectral remote sensing［D］. Beijing： China University of Geosciences， 2020.

收稿日期：2024-01-25；修回日期：2024-03-25。

基金項目：2022年大學生創新創業訓練計劃項目（202210113144）；山西省基礎研究計劃項目（202203021211275）；山西省研究生教育創新項目專項資金（2022Y312）；現代農產技術研究體系專項基金項目（2023CYJSTX02-23）；山西省關鍵技術研發計劃項目（201903D211002）；國家自然科學基金項目（31871571，31371572）。

* 通信作者：楊武德，教授，主要從事3S技術與作物生產的研究。E-mail： sxauywd@126.com。