不同光譜變換形式對土壤有機質偏最小二乘估算模型精度的影響

中圖分類號 S153.621 文獻標識碼A 文章編號 1007-7731（2025）15-0089-05

DOI號 10.16377/j.cnki.issn1007-7731.2025.15.022

Influence of different spectral transformation forms on the accuracy of partial least squares estimation model of soil organic matter

ZENG Yuanwen FAN Wenwu

（Chongqing Geomatics and Remote Sensing Center， Chongqing 401147， China）

AbstractThisstudyused field-colectedsoil samplesas test subjectsto conduct experiments including soil organicmater （SOM） content determination，hyperspectral data acquisition，and preprocessing.Sixspectral transformationswereapplied to the preprocessd spectral data：absorption depth （Depth），firstderivativeof logreflectance （FD-lgR），second derivativeof log-reflectance （SD-lgR），secondderivativeof reflectance （SD-R），second derivative ofreciprocal reflectance （SD-1/R），andsecondderivativeof reciprocallog-reflectance （SD-1/lgR）.Partial least squares regression （PLSR） models for SOM estimation were establishedunder diffrent spectral transformation forms to analyze thecorrelation between spectral transformationsand SOM content，as wellas their impacton model accuracy.Theresults showed thatall6transformations exhibited bands significantlycorrelated with SOMcontent，with FD-lgRhaving the highest numberofsignificantlycorrelatedbands （71）.TheFD-lgRmodelachievedadetermination coefficient （ R² ）of 0.995，a root mean square error of calibration （RMSEC） of 0.O63，a cross-validation R² of 0.775，and a relative percent difference （RPD）of 2.681，allof which were among the highest values acrossall transformations.The scater plot of predicted versus measured values indicated that theFD-lgR model's estimates were close to the actual values，with an R² of 0.872. Overall， the regression model based on FD-lgR demonstrated high accuracy and good stability.These findings provide a reference for subsequent hyperspectral data preprocessing and estimation model construction for soil organic matter.

Keywordssoil organic matter; hyperspectral; spectral transformation; partial least squares regression

土壤有機質（Soilorganicmatter，SOM）是土壤的重要組成部分，其含量是評價土壤肥力的重要指標；也是農作物生長的重要養分之一，對作物生長有顯著影響。土壤有機質常規調查采用現場取樣加室內測試的方法，存在費時、費力和無法大面積鋪開等問題，因此，為快速、準確和大范圍地獲取土壤有機質含量信息，必須尋找新的技術方法來滿足現代精準農業的發展需求。光譜分析技術的發展，為上述問題的解決提供了新的路徑。由于其速度快、成本低、無污染，以及可同時反演多種成分等特點，已成為替代化學檢測的有效手段之一[1-2]。研究表明，土壤有機質在可見光波段和近紅外波段展現出獨特的光譜特性，其含量是影響土壤光譜特性的核心要素[3]。陳頌超等4研究發現，水稻土在可見光與近紅外波段和中紅外波段的光譜吸收特性與其有機質含量有一定的相關性。鄔登巍等分析了不同母質和土地利用類型對土壤有機質含量光譜預測模型精度的影響，并討論了該模型的適用性。

近年來，除了對土壤有機質本身的光譜特性進行研究外，還對土壤光譜處理方式、土壤粒徑大小、土壤光譜數學變換形式和反演模型等對土壤有機質估算的影響進行了深入探究。劉效棟研究發現，就王壤有機質反演模型而言，偏最小二乘模型優于多元線性回歸模型，其具有更好的精度和穩定性。郄欣等將光譜數據進行了4種變換，并分別構建了SVR估算模型，結果顯示，基于倒數對數一階微分這種變換形式下的模型精度最高。

本文為研究不同光譜數學變換形式對土壤有機質反演模型精度和穩定性的影響，在前人研究的基礎上，對實驗室內采集到的原始光譜數據進行吸收深度（Depth）提取、反射率對數的一階微分（FD-lgR）、反射率對數的二階微分（ ）反射率的二階微分（SD-R）、反射率倒數的二階微分（SD-1/R）和反射率對數的倒數的二階微分（ Φ_SD-1/lgR 共6種變換，分析變換之后的反射率值與土壤有機質含量的相關性，并利用偏最小二乘回歸建立了土壤有機質的預測模型，以篩選最優的變換形式，為土壤光譜數據處理及土壤有機質估算模型建立提供參考。

1材料與方法

1.1土壤樣本的制作與處理

共采集37個野外土壤樣本，將其自然風干，然后研磨成 0.25mm 顆粒，利用重鉻酸鉀氧化一外加熱法測定土壤有機質。具體的實驗方法及步驟見《土壤農化分析》8。研究區土壤有機質含量在 0.98% }4.42% ，均值 2.31% ，變異系數 36.77% ，說明研究區土壤有機質含量屬中等程度的空間變異性。

1.2室內光譜測量與預處理

1.2.1光譜測定 樣本室內高光譜測量采用ASDFieldSpec3光譜儀，其光譜采集范圍為 350～ 2 500nm ，在 350～1000nm 區間內采樣間隔為1.4nm，1 000～2 500nm 區間內為 2nm 。土壤光譜測試的幾何條件設計如圖1所示，各幾何參數在實驗過程中保持不變，為消除土樣反射光譜各方向異性的干擾，測量時測土樣4個方向的光譜曲線，每個方向取5條，將各方向的光譜曲線算術平均后得到該土樣的反射光譜數據。

1.2.2光譜數據預處理 （1）光譜曲線的斷點校正。實驗光譜儀是由3個子光譜儀組成，分別接收UV～VNIR 350～1100nm ）、SWIR1（ 1000～ 1800nm 和SWIR2 （1700～2500nm） 3個波段的光譜反射率值，在1000和 1800nm 附近會出現斷點，本文利用光譜儀自帶軟件進行斷點修正。2）光譜數據重采樣。為消除光譜儀原始數據在不同波段范圍內的采樣間隔差異和光譜數據信息冗余問題，對原始光譜數據進行 10nm 重采樣，用 10nm 波長范圍的原始數據進行算術平均值計算，處理之后的光譜曲線仍保持了原光譜的形狀特征。（3）低信噪比波段及水吸收峰剔除。原始測得的光譜曲線在 1400.1900 和2400nm 等波段受水汽吸收的干擾作用較大，存在強烈的水吸收谷，因此，研究剔除了這些受水汽吸收影響嚴重的波段范圍，除此之外，還對信噪比較低的波段范圍進行了剔除處理，具體的剔除范圍為 350～ 395nm，1 345～1 515nm，1 795～2025nm 和 2405～2500nm 。經過波段剔除之后的土壤反射光譜曲線被分割成了3段。將3段光譜數據重新合并，即刪除沒有數據的波段范圍，經過以上預處理之后最終剩下158個波段。光譜預處理前后曲線如圖2所示。

從圖中可以看出，光譜曲線整體呈上凸的拋物線，在 405～1005nm 波段反射率值較低，但反射率值隨著波長的增加迅速增大，在這個波段范圍內光譜曲線較陡，特別是在 405～755nm ，在 1 010～ 2 365nm ，反射率值較大，但曲線較平緩。經過波段剔除之后在 1 400nm 和 1900nm 處的水的吸收特征已經不存在了，但是在 2 200nm 處的Al-OH的吸收特征比較明顯，說明土壤中存在黏土礦物。

（A）（B）分別為原始光譜曲線和預處理后的光譜曲線。

1.2.3光譜曲線數學變換 對原始光譜進行包括Depth、FD-lgR、SD- ?lgR 、SD-R、SD-1/R和SD-1/IgR共6種變換形式。一般用光譜差分來近似代替微分，計算如式（1）。

R^′（λ_i）=[R（λ_i）-R（λ_i-1）]/2Δλ

式中， λ_i 為第 i 個波段的波長； R^′（λ_i） 為波長 λ_i 處的一階微分光譜； R（λ_i），R（λ_i-1） 分別表示波長λ_i，λ_i-1 處的反射光譜； 是波長 λ_i-1 到 λ_i 的間隔。二階微分的計算方法與此類似。

1.3建模方法及評價指標

1.3.1相關性分析 將土壤有機質含量和土壤反射率數學變換形式進行逐波段相關性分析，計算每個波段與土壤有機質含量的相關系數 r ，其計算如式（2）。

1.3.2偏最小二乘回歸建模 偏最小二乘回歸法解決了自變量間的多重共線性問題，其利用因變量的變異信息來提取自變量中的有用信息，稱為潛變量，從而達到提高模型的建模精度和預測能力的目的。在分析過程中，一般采用交叉檢驗法來確定保證模型較好精度所需包含的成分個數。以土壤反射光譜的6種數學變形和對應的有機質含量數據作為回歸分析數據，選出25個和12個樣本數據分別作為訓練數據集和測試數據集。交叉檢驗過程中采用\"Fullcrossvalidation\"

的方法來確定模型需包含的潛變量的個數和防止過度擬合。通過以下參數對回歸模型的精度和預測能力進行評價。1）決定系數 R² ；包括建模決定系數、交叉檢驗絕對系數和預測絕對系數 （2） 均方根誤差RMSE；包括建模均方根誤差RMSEC、交叉檢驗均方根誤差RMSECV和預測均方根誤差RMSEP。計算如式（3）～（5）。

式中， Y_m 和 Y_p 分別表示實測值和預測值， N_c N_cv.N_p 分別表示建模、交叉檢驗和預測樣本數。

（3）預測相對偏差 RPD 。當 RPDgt;2 時，回歸模型具有極好的預測能力；當 1.4 模型的決定系數 R² 和預測相對偏差RPD越大，均方根誤差RMSEC、RMSECV和RMSEP越小，說明模型的精度越高。

1.3.3模型精度分析 利用偏最小二乘模型的預測值和實測值分析其模型精度。

2 結果與分析

2.1 相關性分析

由表1可知，6種變換均有與有機質含量顯著相關的波段存在。達到顯著相關性的波段大都集中在UV～VNIR波段范圍內，且最大相關波段主要分布在 475～600nm 波段（ FD-lgR 除外）。變換形式FD-lgR 達到顯著相關性的波段數最多，為71，SD-1/R達到顯著相關性的波段數最少，為29；且相關系數的均值也是前者大于后者，說明對數的一階微分比倒數的二階微分更為有效。

2.2偏最小二乘建模分析

由表2可知， FD-lgR 建模的 R² 最大，為0.995，RMSEC最小，為 0.063，SD-lgR 的 R² 和RMSEC分別為0.974和0.151，其他變換形式的建模精度稍微差一些，但是 R² 均大于0.720，總體來說各個變換形式的建模精度均較好。交叉檢驗階段，各個變換形式的 R² 出現了較大偏差， FD-lgR 的交叉檢驗 R² 最大，為0.775，RMSECV最小，為0.464；Depth次之，其中精度最差的是 SD-1/lgR 變換形式，其 R² 為0.395，其他變換形式的 R² 均在0.500以上。模型的預測精度檢驗結果表明， FD-lgR 的預測精度最優， R²=0.872 RMSEP=0.216 ，其次是Depth，然后是SD-lgR， R² 最小的是SD-1/lgR;FD-lgR的RPD最大，為2.681，其次為Depth， RPD=2.08 ，說明用這兩種變換形式建立的回歸模型具有較好的預測能力，除了SD-1/IgR（1.15）以外，其他變換形式的RPD均在1.4～2.0，說明SD-1/lgR建立的回歸模型難以對有機質含量進行有效預測。

綜上，對反射率進行對數變形，其在建模、檢驗和預測階段的精度均有所提高，然而進行反射率倒數變換使精度有所降低。綜合考慮各個階段的結果，以FD- ?lgR 建立的模型最優，其次是Depth，然后為 。Depth是在連續統去除的基礎上提取的，連續統去除后可以在光譜曲線中突顯出土壤樣本的特征吸收帶，使得吸收特征增強，這可能是其建立模型精度較高的原因。

圖3顯示了各個變換形式在模型建立過程中RMSEC和RMSECV隨入選的潛變量數目的變化情況。由圖3可知，RMSEC在各個變換形式的模型建立過程中的變化規律較相似，均隨著模型人選潛變量數目的增多而減小，最后逐漸趨于0；但RMSECV變化情況存在明顯的差異，與其他變形相比，FD-lgR在建立偏最小二乘模型時，能接納更多的潛變量，不容易出現過配。

2.3估測模型精度分析

圖4顯示的是各個變換形式下建立模型的預測值和實測值的散點圖，當數值點均勻地分布在1：1直線兩端的時候預測效果較優。由圖4可知， SD-1/R 的樣點均勻分布在1：1直線兩側，但是平均距離較大；其余各個變換形式對有機質含量較小的樣本的預測值與實測值含量較大的樣本更為接近，表明模型對中、低有機質含量具有較好的預測能力。總的來說，反射率FD-lgR建立的模型精度最高，穩定性最好。

3結論

本研究對野外采集的土壤樣本進行了有機質含量測定及室內光譜曲線測量，并對光譜曲線進行了Depth、FD- -lgR 、SD- ?lgR 、SD-R、SD-1/R 和SD-1/IgR共6種變換，分析了各種光譜變換形式與土壤有機質含量的相關性，建立了土壤有機質含量偏最小二乘回歸預測模型，分析模型的精度。結果表明，結果達到顯著相關性的波段大都集中在UV～VNIR波段范圍內，除FD- ?lgR 外，最大相關波段主要分布在475～600nm 波段范圍內；建模、交叉檢驗和預測階段均是FD-lgR建立的回歸模型精度最高，穩定性最好，其在建立偏最小二乘模型的時能接納更多的潛變量而不容易出現過配，本文為今后土壤光譜數據預處理及土壤有機質光譜特性研究提供了參考。

參考文獻

[1]ANGELOPOULOUT，BALAFOUTISA，ZALIDISG，etal.From laboratory to proximal sensing spectroscopy forsoilorganic carbon estimation：areview[J].Sustainability，2020，12（2）：443.

[2]李浩，于高，曹永研，等.利用CARS-CNN模型的土壤有機質含量高光譜預測[J].光譜學與光譜分析，2024，44（8）：2303-2309.

[3]尚天浩，毛鴻欣，張俊華，等.基于PCA敏感波段篩選與SVM建模的銀川平原土壤有機質高光譜估算[J].生態學雜志，2021，40（12）：4128-4136.

[4]陳頌超，彭杰，紀文君，等.水稻土可見-近紅外-中紅外光譜特性與有機質預測研究[J].光譜學與光譜分析，2016，36（6）：1712.

[5]郭登巍，張甘霖.母質與土地利用類型對土壤光譜反演模型的影響[J].土壤，2016，48（1）：173-179.

[6]劉效棟.基于高光譜遙感的黃土高原丘陵溝壑區土壤有機質含量估測模型研究[J].西部大開發（土地開發工程研究），2018，3（12）：13-18.

[7]郄欣，齊雁冰，劉姣姣，等.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[J]干旱地區農業研究，2021，39（4）：109-116，124.

[8]鮑士旦.土壤農化分析[M].3版.北京：中國農業出版社，2000.

[9]沈掌泉，王珂.用近紅外光譜預測土壤碳含量的研究[J].紅外與毫米波學報，2010，29（1）：32-37.

[10]CHANGCW，LAIRDDA，MAUSBACHMJ，etal.Near-infraredreflectancespectroscopyprincipalcomponents regression analysis ofsoil properties[J].Soil science society of America journal，20o1，65（2）：480-490.

（責任編輯：胡立萍）