劉凡，馬玲，楊光，陳建華，馬雪蓮，王海江

(石河子大學農(nóng)業(yè)資源與環(huán)境系，新疆石河子 832000)

灰漠土土壤全氮含量的高光譜特征分析及估測

劉凡，馬玲，楊光，陳建華，馬雪蓮，王海江

(石河子大學農(nóng)業(yè)資源與環(huán)境系，新疆石河子 832000)

【目的】研究傳統(tǒng)土壤全氮含量測定方法，解決復(fù)雜、耗時、耗力等問題?！痉椒ā恳孕陆珊祬^(qū)灰漠土為研究對象，運用經(jīng)典統(tǒng)計學和光譜學相結(jié)合的方法，研究灰漠土土壤全氮含量的光譜反射特性，通過對原始光譜的數(shù)據(jù)變換和相關(guān)性分析，構(gòu)建了土壤全氮含量的高光譜估測模型，并對模型進行對比和驗證?！窘Y(jié)果】土壤中全氮含量不同光譜反射特性趨勢相近，土壤的光譜反射率在780、1 800和2 140 nm波長附近出現(xiàn)波峰，在1 910 nm附近有明顯的波谷，土壤全氮含量與原始光譜反射率相關(guān)性較差。通過一階微分處理后的光譜數(shù)據(jù)與全氮含量的相關(guān)性顯著優(yōu)于原始光譜和二階微分處理，最大相關(guān)系數(shù)為0.819，達到極顯著相關(guān)；利用一階微分變換從中提取特征波段667和1 414 nm，建立土壤全氮含量的估測模型：Y=2 698.048X667-1 062.149X1414-0.015，R2為0.75，對估測模型進行驗證發(fā)現(xiàn)，R2為0.80，當全氮含量過大或過小時，模型估測偏差相對較大，總體預(yù)測精度較高。【結(jié)論】高光譜分析技術(shù)對土壤全氮含量的預(yù)測具有一定的意義，利用估測模型可以快速鑒定土壤全氮含量。

灰漠土；土壤全氮含量；光譜反射特性；高光譜估測模型

0 引 言

【研究意義】土壤全氮含量是表征土壤肥力的重要指標，是制約農(nóng)作物生長的重要因素之一，對維系地球生態(tài)系統(tǒng)具有重要作用[1]。傳統(tǒng)的土壤養(yǎng)分分析采用實驗室化學分析方法，這種方法雖然測量精確，但是由于耗時耗力，當需要用土壤分析結(jié)果直接指導(dǎo)施肥或田間管理時，無論從實時性來看還是從實用性來看，這套標準方法都顯得不能滿足要求[2]。【前人研究進展】高光譜分析是一種快速信息采集技術(shù)，獲取數(shù)據(jù)量大，能夠多指標同時測定，檢測過程無損、無污染。近年來光譜測定技術(shù)已在各個領(lǐng)域廣泛應(yīng)用，并取得了良好的效果[3]。許多研究采用可見近紅外光譜分析技術(shù)對土壤總氮、有機質(zhì)、有機碳、含水率、粘土含量、pH和其他微量元素進行了建模分析，并得到了非常高的評價結(jié)果。Kuang等[4]利用近紅外光譜技術(shù)展開土壤有機碳和總氮含量檢測研究，建立預(yù)測模型，其中有機碳模型的RPD值在2.66～3.39，總氮模型RPD的值在2.85～3.45。Vohland等[5]在對有機碳的光譜特征進行分析時，在去除極端值后，其模型得到極大改善，其R2=0.80，RPD=1.98。Ge等[6]采用可見近紅外光譜分析技術(shù)對土壤有機碳、含水率和粘土含量進行了建模分析，并得到了非常高的評價結(jié)果。Debaene等[7]采用可見近紅外光譜(400～2 200 nm)對農(nóng)場土壤有機碳含量、粘土、pH值和其它一些微量元素如鎂、速效磷和速效鉀含量進行了定量分析，均得到較滿意結(jié)果。Shi等[8-9]使用可見近紅外光譜技術(shù)分別對醋中總酸和土壤中重金屬進行建模分析，其中總酸的模型決定系數(shù)可達0.919，在重金屬方面也給出有地進行大面積有效估計的方法。Ramirez等[10-11]利用可見近紅外技術(shù)對土壤養(yǎng)分含量進行反演測定，通過建立不同土壤特性的波譜數(shù)據(jù)庫，構(gòu)建了土壤有機碳、總氮含量和鈣的光譜預(yù)測方程。在國內(nèi)，李頡等[12]應(yīng)用近紅外光譜技術(shù)，分析了北京典型耕作土壤中養(yǎng)分含量、pH值與光譜特征值間的相關(guān)關(guān)系，采用偏最小二乘回歸方法建立土壤屬性的預(yù)測模型，對比養(yǎng)分含量預(yù)測值和實測值，以不同指標評價模型精度，取得了良好估測精度。田永超等[13]應(yīng)用近紅外光譜對土壤有機質(zhì)含量進行了估測，采用多元校正和一階導(dǎo)數(shù)變換作為最優(yōu)建模光譜，不同建模方法比較結(jié)果顯示PLS-BP人工神經(jīng)網(wǎng)絡(luò)方法預(yù)測模型精度最高，其中選擇MSC-NGFD預(yù)處理方法建模的交叉決定系數(shù)為0.97，檢驗的預(yù)測均方根偏差為1.72，預(yù)測相對偏差為6.29?！颈狙芯壳腥朦c】發(fā)展土壤全氮快速測定方法，前人已經(jīng)進行了較多的光譜預(yù)測研究，但在新疆灰漠土全氮含量的光譜預(yù)測方面，還缺乏敏感波段的選擇及建立基于敏感波段土壤全氮預(yù)測模型。研究土壤養(yǎng)分的光譜特性，獲取土壤養(yǎng)分的特征波段，建立土壤養(yǎng)分快速估模型，對土壤養(yǎng)分的快速獲取以及指導(dǎo)農(nóng)業(yè)生產(chǎn)具有重要意義?！緮M解決的關(guān)鍵問題】研究分析土壤全氮含量的光譜特性，通過不同光譜數(shù)據(jù)變換方法，篩選出表征土壤全氮的特征波長，構(gòu)建基于高光譜技術(shù)的土壤全氮含量的定量關(guān)系模型。

1 材料與方法

1.1 材 料

新疆北疆莫索灣灌區(qū)位于準噶爾盆地，沖積扇緣的邊緣，地理坐標為E86°42′，N44°26′，面積為450.3 km2，平均海拔為291～370 m，屬于干旱半干旱大陸性氣候，日照充足，降水稀少，常年靠冰川融化補給降水量，研究區(qū)的主要植被有蘆葦、鹽蒿和堿蓬等，土壤類型為灌耕灰漠土。

1.2 方 法

1.2.1 樣品的采集及制備

收集研究區(qū)土壤類型圖和地形地貌圖，對整個研究區(qū)進行土壤樣品采集，采集時間為2015年的秋季。采集的土樣在實驗室進行風干、去雜、過2 mm篩，研磨測得全氮含量、鹽分和土壤質(zhì)地，為了確保所選取的土壤樣品分布廣、值域?qū)挘罁?jù)采集的土壤樣品鹽分含量、質(zhì)地和位置相近數(shù)值進行了篩選，共計篩選出土壤樣品39個。表1

表1 土壤全氮含量

Table 1 Descriptive statistics of soil total nitrogen content

樣本Sample樣本數(shù)量Number最小值(g/kg)Minimum最大值(g/kg)Maximum平均值(g/kg)Mean標準偏差Standdeviation總樣本Totalsample39015122066030建模樣本Modelingsample29015118065030驗證樣本Validationsample10023122069032

1.2.2 理化性質(zhì)測定

全氮測定采用半微量開氏法，測定方法依據(jù)《土壤農(nóng)化分析》。此法的主要原理是在加速劑的參與下，用濃硫酸消煮時，各種含氮有機物，經(jīng)過復(fù)雜的高溫分解反應(yīng)，轉(zhuǎn)化為氨與硫酸結(jié)合形成硫酸銨。堿化后蒸餾出來的氨用硼酸吸收，以標準酸溶液滴定，求出土壤全氮含量[1]。

鹽分測定采用電導(dǎo)率法，原理是土壤的水溶液具有導(dǎo)電作用，在一定濃度范圍內(nèi)，土壤的水溶液與電導(dǎo)率成正比，土壤浸出液的電導(dǎo)率可以用電導(dǎo)儀測定，根據(jù)電導(dǎo)率的大小可以得出土壤含鹽量的高低[1]。

質(zhì)地測定采用比重計法，根據(jù)司篤克斯定律，土壤顆粒在介質(zhì)中的沉降速度與顆粒半徑的平方成正比，與介質(zhì)粘滯系數(shù)成反比，在同一介質(zhì)中，土粒運動一定時間后，用比重計測得懸浮在比重計所處深度的土粒含量，計算其百分含量，定出土壤質(zhì)地名稱[14]。

1.2.3 光譜測定

取土壤樣品放置于半徑5 cm、深1.5 cm(認為是光學上無限厚)的透明盛樣皿內(nèi)，土壤裝填容重約 1.4 g/cm3，每個樣品分別倒入盛樣皿，輕輕混合均勻，使表面平整，顆粒大小基本相同，分別測定土壤全氮含量的光譜曲線。土壤全氮含量的光譜曲線測定方法是暗室中使用ASD Pro FR 2500便攜式光譜儀，光譜范圍在350～2 500 nm，將視場角25°的探頭放置于距土壤樣品10 cm的垂直上方，用200 w的鹵素燈距土壤樣品45 cm，天頂角15°模擬太陽光，用30 cm×30 cm的白色參考版獲取絕對反射率，每個樣品按90°旋轉(zhuǎn)4次，每次采集20條光譜曲線[15]。

2 結(jié)果與分析

2.1 原始土壤光譜特性

將選出的39個土樣分為四組，每組分別為10、10、10、9個土樣，獲得不同全氮含量土壤在350～2 500 nm波長的光譜反射率曲線，結(jié)果表明，在350～800 nm波段整體反射率較低，曲線總體上呈上升趨勢。在此波段隨著波長的增加，光譜反射率增加，坡度較陡，斜率變化大，未有突出的波峰和波谷；在800～1 800 nm波段反射率呈平穩(wěn)增加趨勢；到達1 800 nm波段附近出現(xiàn)曲線的第一個波峰，光譜反射值為0.35～0.44；緊接著光譜反射率下降，在1 910 nm波長附近，出現(xiàn)曲線的波谷，光譜反射率大致為0.30～0.38；隨后隨波長增加，光譜反射率出現(xiàn)第二次急劇上升，到達2 138 nm波長附近，出現(xiàn)第二次高峰，光譜反射率為0.34～0.50不等；隨后在波長增加過程中反射率下降。圖1

注：(a)全氮含量為0.15～0.40 g/kg；(b)全氮含量為0.42～0.64 g/kg；(c)全氮含量為0.67～0.91 g/kg；(d)全氮含量為0.93～1.22 g/kg

Note: (a)Total nitrogen content was 0.15-0.40 g/kg; (b) Total nitrogen content was 0.42-0.64 g/kg; (c)Total nitrogen content was 0.67-0.91 g/kg; (d) Total nitrogen content was 0.93-1.22 g/kg

圖1 不同全氮含量土壤光譜特性

Fig.1 Spectral characteristics of soil with different total nitrogen content

當全氮含量在0.15～0.40 g/kg時，反射率最大為全氮含量在0.40 g/kg，波長在2 140 nm，反射率為0.43；當全氮含量在0.42～0.64 g/kg，最大反射率為全氮含量0.61 g/kg，在波長為2 131 nm，反射率為0.50；當全氮含量在0.67～0.91 g/kg，其光譜反射率最大值也為0.50，對應(yīng)全氮含量為0.69 g/kg，波長為2 133 nm；當全氮含量在0.93～1.22 g/kg，其光譜反射率的最大值為0.45，全氮含量為1.04和1.08 g/kg，最大反射率波長為1 710 nm?？梢钥闯?，全氮含量高時的光譜反射率并不一定高，土壤全氮含量與原始光譜反射率沒有很好的變化規(guī)律。

2.2 光譜數(shù)據(jù)處理與特征波段的獲取

賴寧[16]在利用高光譜數(shù)據(jù)對土壤含鹽量研究時提出，原始光譜數(shù)據(jù)的預(yù)測建模較差，通過對土壤光譜反射率進行一階微分和二階微分變換，土壤鹽分和光譜反射率的相關(guān)性和敏感性得到增強。印影[17]在黑土有機質(zhì)含量的高光譜估測中得到結(jié)論，在對光譜數(shù)據(jù)進行多元回歸建模時，光譜反射率一階微分及連續(xù)統(tǒng)去除一階微分的建模效果較好，因變量為有機質(zhì)含量的對數(shù)形式時，模型的預(yù)測精度有了明顯提高。因此，研究對土壤原始光譜反射率進行一階微分、二階微分變換，并分別分析變換后數(shù)值與土壤全氮含量的相關(guān)性，提取全氮含量的光譜敏感波段，研究表明，原始光譜反射率與土壤全氮含量之間存在一定的相關(guān)性，但相關(guān)性較低。兩者的相關(guān)系數(shù)在2 490 nm處達到最大負相關(guān)，相關(guān)系數(shù)為-0.33；在1 089 nm處達到最大的正相關(guān)，相關(guān)系數(shù)為0.21。經(jīng)過一階微分處理后，數(shù)據(jù)的相關(guān)性有了不同程度的提高，在626～896 nm、1 412～1 417 nm波長處相關(guān)性達到了0.7以上，在677 nm處，全氮含量與光譜反射率存在最大正相關(guān)，相關(guān)系數(shù)可達0.82，而在1 414 nm處，全氮含量與光譜反射率有最大負相關(guān)，相關(guān)系數(shù)為-0.74，經(jīng)檢驗均達到極顯著相關(guān)。經(jīng)過二階微分處理的數(shù)據(jù)相關(guān)性較原始光譜數(shù)據(jù)有了一定提高，二階微分處理的最大正相關(guān)性出現(xiàn)在波長為1 423 nm處，最大值為0.55；最大負相關(guān)性在540 nm波長處，相關(guān)系數(shù)為-0.60。圖2

土壤光譜一階微分處理的相關(guān)性明顯高于原始光譜和二階微分處理，篩選出波長667和1 414 nm作為土壤全氮含量反演的特征波段。

2.3 建模與檢驗

將選取的39個土樣分為兩組，其中29個建模數(shù)據(jù)，10個作為模型檢驗，利用篩選出的光譜特征波段667和1 414 nm，建立光譜反射率與全氮含量的數(shù)據(jù)模型。研究表明，在各個波長建立模型，其中線性模型效果最好，當波長為667 nm，線性模型的R2值為0.63，波長為1 414 nm時，線性模型R2值為0.54，與667和1 414 nm各種模型R2值相比，結(jié)合667和1 414 nm波長的二元回歸方法得到的R2值明顯提高，可以達到為0.75。在此情況下得到回歸方程為

Y=2 698.048X667-1 062.149X1 414-0.015.

其中，Y為全氮含量，X667為在667nm波長時光譜反射率的一階微分，X1 414為在1 414 nm波長時光譜反射率的一階微分。相關(guān)系數(shù)為0.87。表2

圖2 土壤全氮含量與光譜反射率相關(guān)性

Fig.2 Correlation between soil total nitrogen content and spectral reflectance

表2 不同建模方法相關(guān)性(R2)比較

Table 2 Determination coefficients of different modeling methods

波長Wavelength線性函數(shù)Linearfunction(R2)指數(shù)函數(shù)Exponentialfunction(R2)對數(shù)函數(shù)Logarithmicfunction(R2)冪函數(shù)Powerfunction(R2)667nm0630600610601414nm054—048—667+1414nm075———

將檢驗數(shù)據(jù)代入預(yù)測模型方程，分別得到對應(yīng)全氮含量的預(yù)測值，并進行比較，結(jié)果表明，對比預(yù)測值和實測值，可知當全氮含量過大或過小時，預(yù)測值的誤差相對較大，在全氮含量為0.23 g/kg時，誤差為0.25 g/kg，全氮含量為1.22 g/kg時，誤差為0.35 g/kg，但是當全氮含量在0.32～1.04 g/kg時，預(yù)測值的相對誤差比較小，模型的預(yù)測結(jié)果較好，其R2值可達0.80，即模型具有一定適用性，在一定程度上可以預(yù)測土壤全氮含量。圖3

圖3 預(yù)測模型驗證

Fig.3 Validation of prediction models

3 討 論

張娟娟等[18]在土壤的全氮含量光譜特性分析中，提出土壤全氮含量的最敏感波段為近紅外872和1 482 nm兩個波段；吳明珠等[19]利用高光譜遙感技術(shù)對土壤全氮進行高光譜測定，認為亞熱帶紅壤全氮的敏感光譜波段為可見光634～688 nm和紅外872、873和1 414 nm 。彭杰等[20]在對土壤全氮進行預(yù)測時表明所有預(yù)測模型中，以895、1 079、1 138、1 149、2 163、2 183、2 336和2 337 nm波段反射率的一階微分，建立的多元逐步回歸模型為最佳模型。研究針對新疆灰漠土壤全氮含量進行高光譜特征提取和預(yù)測表明，篩選的特征波長(667和1 414 nm)與上述研究所得結(jié)果相近，一階微分處理后與土壤全氮含量具有較好的相關(guān)性[18]。

土壤的基本特征之一是反射光譜特性，它與土壤的理化性質(zhì)有著密切的關(guān)系。不同類型的土壤，由于理化性質(zhì)不同，其光譜特征也不同[21]。研究中在對預(yù)測模型驗證時發(fā)現(xiàn)，當土壤中全氮含量過高時，其預(yù)測誤差也增大，這或許是由于土壤中全氮含量高，有機質(zhì)含量也較高[22]，而土壤有機質(zhì)是土壤養(yǎng)分有效性以及土壤生物多樣性的重要因素，有機質(zhì)含量高時對土壤反射光譜的吸收較強[23]，從而增大了高光譜估測全氮含量的誤差[24]。土壤光譜反射特性是土壤中多種屬性的綜合表現(xiàn)，當土壤全氮含量較低時，光譜反射特性或許更多的是對土壤類型[18]、粒徑組成[25]、鹽分含量[26]、陽離子交換量[27]等信息的響應(yīng)，從而大大降低了光譜反射數(shù)值與土壤全氮含量的相關(guān)性，這與Vohland等的研究結(jié)果相似，當去除研究樣本中最大和最小數(shù)值后，利用光譜特征預(yù)測土壤有機碳含量的精度有較大提高。

4 結(jié) 論

4.1 土壤全氮含量的光譜反射率在780、1 800和2 140 nm波長左右出現(xiàn)波峰，在1 910 nm左右有明顯的波谷。當全氮含量為0.61和0.69 g/kg，光譜反射率最大為0.50，當全氮含量最大為1.22 g/kg時，光譜反射率為0.36，全氮含量與原始光譜反射率相關(guān)性較差。

4.2 對不同全氮含量土壤光譜反射率進行數(shù)據(jù)變換，比較原始光譜反射率、一階微分和二階微分變換后的相關(guān)關(guān)系發(fā)現(xiàn)：原始光譜反射率與全氮含量最大相關(guān)系數(shù)為-0.33，二階微分最大相關(guān)系數(shù)為-0.605，而一階微分變換數(shù)據(jù)達到極顯著相關(guān)，其相關(guān)性系數(shù)為0.82。

4.3 篩選出光譜特征波段667和1 414 nm，構(gòu)建土壤全氮含量的高光譜預(yù)測模型為：Y=2 698.048X667-1 062.149X1 414-0.015，R2值為0.75，檢驗R2值為0.80，模型估測全氮含量精度較高。

References)

[1] 鮑士旦,江榮風,徐國華,等. 土壤農(nóng)化分析[M].北京:中國農(nóng)業(yè)出版社,2013.

BAO Shi-dan, JIANG Rong-fen, XU Guo-hua, et al. (2013).Agrochemicalsoilanalysis[M]. Beijing: China Agriculture Press.(in Chinese)

[2]李民贊,鄭立華,安曉飛,等. 土壤成分與特性參數(shù)光譜快速檢測方法及傳感技術(shù)[J]. 農(nóng)業(yè)機械學報,2013,(3):73-87.

LI Ming-zhan, ZHENG Li-hua, AN Xiao-fei, et al. (2013). Fast measurement and advanced sensors of soil parameters with NIR spectroscopy [J].TransactionsoftheChineseSocietyofAgriculturalMachinery, (3):73-87. (in Chinese)

[3]王鳳花,張淑娟. 精細農(nóng)業(yè)田間信息采集關(guān)鍵技術(shù)的研究進展[J]. 農(nóng)業(yè)機械學報,2008,(5):112-121.

WANG Feng-hua, ZHANG Shu-juan. (2008). Research progress of the farming information collections key technologies on precision agriculture [J].TransactionsoftheChineseSocietyofAgriculturalMachinery, (5):112-121.(in Chinese)

[4] Kuang, B., & Mouazen, A. M. (2013). Non-biased prediction of soil organic carbon and total nitrogen with vis-nir spectroscopy, as affected by soil moisture content and texture.BiosystemsEngineering, 114(3):249-258.

[5] Farago, A. A., Biro, J., Henk, T., & Boda, M. (2011). Comparing different multivariate calibration methods for the determination of soil organic carbon pools with visible to near infrared spectroscopy.Geoderma,166(1):198-205.

[6] Ge, Y., Morgan, C. L. S., & Ackerson, J. P. (2014). Visnir spectra of dried ground soils predict properties of soils scanned moist and intact.Geoderma, s 221-222(2):61-69.

[7] Debaene, G., Niedwiecki, J., Pecio, A., & urek, A. (2014). Effect of the number of calibration samples on the prediction of several soil properties at the farm-scale.Geoderma, s 214-215(2):114-125.

[8] Jiyong, S., Xiaobo, Z., Xiaowei, H., Jiewen, Z., Yanxiao, L., & Limin, H., et al. (2013). Rapid detecting total acid content and classifying different types of vinegar based on near infrared spectroscopy and least-squares support vector machine.FoodChemistry, 138(1):192-199.

[9] Shi, T., Chen, Y., Liu, Y., & Wu, G. (2014). Visible and near-infrared reflectance spectroscopy-an alternative for monitoring soil contamination by heavy metals.JournalofHazardousMaterials, 265(2):166-176.

[10] Ramirez-Lopez, L., Behrens, T., Schmidt, K., Stevens, A., Demattê, J. A. M., & Scholten, T. (2012). The spectrum-based learner: a new local approach for modeling soil vis-nir spectra of complex datasets.Geoderma, 195-196(1):268-279.

[11] Ramirez-Lopez, L., Schmidt, K., Behrens, T., Wesemael, B. V., Demattê, J. A. M., & Scholten, T. (2014). Sampling optimal calibration sets in soil infrared spectroscopy.Geoderma, s 226-227(4):140-150.

[12]李頡,張小超,苑嚴偉,等. 北京典型耕作土壤養(yǎng)分的近紅外光譜分析[J]. 農(nóng)業(yè)工程學報,2012,(2):176-179.

LI Jie, ZHANG Xiao-chao, YUAN Yan-wei, et al. (2012). Analysis of soil nutrient content based on near infrared reflectance spectroscopy in Beijing region [J].JournalofCSAE, (2):176-179.(in Chinese)

[13]田永超,張娟娟,姚霞,等.基于近紅外光聲光譜的土壤有機質(zhì)含量定量建模方法[J].農(nóng)業(yè)工程學報,2012, (1):145-152.

TIAN Yong-chao, ZHANG Juan-juan, YAO xia, et al. (2012). Quantitative modeling method of soil organic matter content based on near-infrared photoacoustic spectroscopy [J].JournalofCSAE, (1):145-152. (in Chinese)

[14]陳麗瓊. 比重計法測定土壤顆粒組成的研究[J]. 環(huán)境科學導(dǎo)刊,2010,(4):97-99.

CHEN Li-qiong. (2010).Research on structure of soil particle by hydrometer method [J].EnvironmentalScienceSurvey, (4):97-99. (in Chinese)

[15]彭杰,王家強,向紅英,等. 土壤含鹽量與電導(dǎo)率的高光譜反演精度對比研究[J]. 光譜學與光譜分析,2014,(2):510-514.

PENG Jie,WANG Jia-qiang, XIANG Hong-ying, et al. (2014). Comparative study on hypersprctral inversion accuracy of soil salt content and electrical conductivity [J].SpectroscopyandSpectralAnalysis, (2):510-514.(in Chinese)

[16]賴寧. 基于高光譜數(shù)據(jù)的開都河流域下游綠洲鹽漬化土壤表層含鹽量估算模型對比研究[D].新疆師范大學,2013:25-29.

LAI Ning. (2013).Comparisonofsaltcontentestimationmodelsofsurfacesalinizedsoilbasedonhyper-spectraldatainthelowerreachesofKaiduRiverBasin[D]. Master Dissertation. Xinjiang Normal University, Urumqi: 25-29. (in Chinese)

[17]印影. 黑土有機質(zhì)含量的高光譜估測模型研究[D].長春：吉林大學碩士論文,2015:21-33.

YIN Ying. (2015).StudyonHyper-SpectralModelsforPredictingBlackSoilOrganicMatterContent[D]. Master Dissertaion. Jilin University, Changchun: 21-33. (in Chinese)

[18]張娟娟,田永超,姚霞,等. 基于高光譜的土壤全氮含量估測[J]. 自然資源學報,2011,(5):881-890.

ZHANG Juan-juan, TIAN Yong-chao, YAO Xia, et al. (2011). Estimating soil total nitrogen content based on hyperspectral analysis technology[J].JournalofNaturalResources, (5):881-890. (in Chinese)

[19]吳明珠,李小梅,沙晉明. 亞熱帶紅壤全氮的高光譜響應(yīng)和反演特征研究[J]. 光譜學與光譜分析,2013,(11):3 111-3 115.

WU Ming-zhu, LI Xiao-mei, SHA Jin-ming. (2013). Spectral inversion models for red soil total nitrogen content in subtropical region[J].SpectroscopyandSpectralAnalysis, (11):3,111-3,115. (in Chinese)

[20]彭杰,向紅英,周清,等. 不同類型土壤全氮含量的高光譜預(yù)測研究[J]. 中國農(nóng)學通報,2013,(9):105-111.

PENG Jie, XIANG Hong-ying, ZHOU Qing, et al. (2013). Prediction on total nitrogen content in different type soils based on hyperspectrum[J].ChineseAgriculturalScienceBulletin, (9):105-111.(in Chinese)

[21]徐彬彬.土壤剖面的反射光譜研究[J]. 土壤, 2000,(6):281-287.

XU Bin-bin. (2000). Study on the reflection spectrum of soil profile [J].Soil, (6):281-287.(in Chinese)

[22]李東,王子芳,鄭杰炳,等. 紫色丘陵區(qū)不同土地利用方式下土壤有機質(zhì)和全量氮磷鉀含量狀況[J]. 土壤通報, 2009, 40(2):310-314.

LI Dong, WANG Zi-fan, ZHENG Jie-bing, et al. (2009). Contents of soil organic matter, nitrogen, phosphorus and potassium under different land-use patterns in purple hill area [J].SoilBulletin, 40 (2):310-314. (in Chinese)

[23] 祁亞琴,呂新,邵玉林,等. 基于高光譜數(shù)據(jù)的土壤有機質(zhì)含量預(yù)測研究[J]. 新疆農(nóng)業(yè)科學, 2014, 51(7):1 300-1 305.

QI Ya-qin, Lü Xin, SHAO Yu-lin, ,et al. (2014). Study on soil organic matter content estimated model by hyperspectral remote sensing data [J].XinjiangAgriculturalSciences, 51(7):1,300-1,305. (in Chinese)

[24]張娟娟,田永超,朱艷,等. 不同類型土壤的光譜特征及其有機質(zhì)含量預(yù)測[J].中國農(nóng)業(yè)科學, 2009, 42(9):3 154-3 163.

ZHANG Juan-juan, TIAN Yong-chao, ZHU Yan, et al. (2009). Spectral characteristics and estimation of organic matter contents of different soil types [J].ScientiaAgriculturaSinica, 42 (9):3,154-3,163.(in Chinese)

[25] 馬創(chuàng),申廣榮,王紫君,等. 不同粒徑土壤的光譜特征差異分析[J]. 土壤通報, 2015, 46(2): 292-298.

MA Chuang, SHEN Guang-rong, WANG Zi-jun, et al. (2015). Analysis of Spectral Characteristics for Different Soil Particle Sizes [J].SoilBulletin, 46 (2):292-298.(in Chinese)

[26] 彭杰,劉煥軍,史舟,等. 鹽漬化土壤光譜特征的區(qū)域異質(zhì)性及鹽分反演[J]. 農(nóng)業(yè)工程學報, 2014,30(17):167-174.

PENG Jie,LIU Huang-jun, SHI Zhou, et al. (2014). Regional heterogeneity of hyperspectral characteristics of salt-affected soil and salinity inversion[J].JournalofCSAE,30 (17):167-174. (in Chinese)

[27] 魏昌龍,趙玉國,李德成,等. 基于相似光譜匹配預(yù)測土壤有機質(zhì)和陽離子交換量[J]. 農(nóng)業(yè)工程學報, 2014, 30(1):81-88.

WEI Chang-long, ZHAO Yu-guo, LI De-cheng, et al. (2014). Prediction of soil organic matter and cation exchange capacity based on spectral similarity measuring [J].JournalofCSAE, 30(1):81-88. (in Chinese)

Fund project:gray desert soil; total nitrogen content; hyperspectral inversion

Hyperspectral Characteristic Analysis and Estimation of Total Nitrogen Content in Grey Desert Soil

LIU Fan, MA Ling, YANG Guang,CHEN Jian-hua, MA Xue-lian,WANG Hai-jiang

(DepartmentofResourcesandEnvironmentalScience,ShiheziUniversity,ShiheziXinjiang832000,China)

【Objective】 To solve the traditional soil total nitrogen determination methods such as complexity, time-consuming, energy consumption and other issues.【Method】Gray desert soil in Xinjiang was taken as our research object to study the spectral reflection characteristics of different soil total nitrogen and by using classical statistical and spectroscopy method, the remote sensing inversion models of soil total nitrogen were established and validated in the study area.【Result】The results indicated that the content of total nitrogen in soil was similar to those of different spectral reflectance. The spectral reflectance of the soil appeared near 780, 1,800 and 2,140 nm wavelength. There was obvious absorption valley in the vicinity of 1,910 nm and the correlation between the total nitrogen content in soil and the original spectral reflectance was poor. The determination coefficients of first-order differential processing to original spectral reflectance were higher than original spectral reflectance and second order differential, the maximumR2was 0.819, reaching a very significant correlation; By using the first order differential transform to extract the characteristic bands 667 and 1,414 nm, the estimation model of soil total nitrogen content was established, they were:Y=2,698.048X667-1,062.149X1414-0.015. TheR2was 0.75; The estimation model validation found that theR2was 0.80. When the total nitrogen content was too large or too small, the model estimation error was relatively large, and the overall prediction accuracy was quite high. The results has provided a theoretical basis to improve hyperspectral remote sensing monitoring accuracy of soil nitrogen.【Conclusion】High spectral analysis technique has certain significance for prediction of soil total nitrogen content and rapid identification of soil total nitrogen content by using the estimation model can be achieved.

gray desert soil; total nitrogen content; hyperspectral inversion

2016-10-13

國際科技合作項目(2015DFA11660)；國家大學生創(chuàng)新創(chuàng)業(yè)訓練計劃項目(201610759002)；石河子大學校級項目(RCZX201522，SRP2016012)

劉凡(1996-)，男，山西人，本科，研究方向為土壤養(yǎng)分光譜預(yù)測，(E-mail)2680982212@qq.com

王海江(1980-)，男，河南人，副教授，博士，研究方向為綠洲農(nóng)業(yè)水土資源高效利用，(E-mail)whj-219@163.com

10.6048/j.issn.1001-4330.2017.01.018

S158.2

A

1001-4330(2017)01-0140-08