高穎 王延倉 顧曉鶴 周新武 馬樣 宣孝義

摘要：以河北省安平縣32個地塊的土壤參數(shù)及其高光譜數(shù)據(jù)為數(shù)據(jù)源，利用預(yù)處理后光譜數(shù)據(jù)（反射率）及其倒數(shù)、對數(shù)、開平方根、光譜吸收峰深度、開方根等8種基本變換及其一階微分、二階微分處理共計24種光譜變換方法處理分析土壤光譜數(shù)據(jù)，結(jié)合相關(guān)性分析算法提取光譜敏感波段，并利用偏最小二乘算法分別構(gòu)建土壤有機(jī)質(zhì)、全氮含量的預(yù)測模型。研究結(jié)果表明：與基本變換相比，在基本變換的基礎(chǔ)上進(jìn)行微分變換后的光譜信息對土壤養(yǎng)分含量的預(yù)測能力明顯提升;經(jīng)微分處理后的光譜信息與未處理的土壤光譜信息對土壤有機(jī)質(zhì)含量的預(yù)測能力由強到弱依次為基本變換結(jié)合一階微分變換>基本變換結(jié)合二階微分變換>基本變換，對土壤全氮含量的預(yù)測能力由強到弱依次為基本變換結(jié)合二階微分變換>基本變換結(jié)合一階微分變換>基本變換;此外，在24種變換中，以倒數(shù)的一階微分變換構(gòu)建的有機(jī)質(zhì)含量的預(yù)測能力預(yù)測模型最佳，其確定系數(shù)為0.803，以開平方根的一階微分變換構(gòu)建的全氮含量預(yù)測模型的預(yù)測能力最佳，其確定系數(shù)為0.831。這表明采用微分光譜技術(shù)可以更有效地進(jìn)行土壤有機(jī)質(zhì)及全氮含量的實時監(jiān)測。

關(guān)鍵詞：土壤有機(jī)質(zhì);全氮;微分變換;高光譜遙感;定量分析

中圖分類號： S127;S153.6 ?文獻(xiàn)標(biāo)志碼： A ?文章編號：1002-1302（2020）24-0220-06

作為信息與知識相結(jié)合的現(xiàn)代化農(nóng)耕技術(shù)，精準(zhǔn)農(nóng)業(yè)是當(dāng)下全球農(nóng)業(yè)科學(xué)研究的熱門課題，能夠更好地為農(nóng)業(yè)發(fā)展服務(wù)。作為精準(zhǔn)農(nóng)業(yè)的關(guān)鍵核心技術(shù)之一，精準(zhǔn)施肥是以作物產(chǎn)量為目標(biāo)，將作物的生長規(guī)律與時間、空間變化相結(jié)合的一種定時、定量的施肥技術(shù)[1]。因此，如何最大程度地實現(xiàn)對耕層土壤養(yǎng)分含量的實時監(jiān)測，具有重要的科學(xué)價值。高光譜遙感具有極高的光譜分辨率、信息豐富等特點，憑借其優(yōu)勢被廣泛地用于耕層土壤養(yǎng)分含量的監(jiān)測。故而，當(dāng)下如何將高光譜遙感更有效地用于耕層土壤養(yǎng)分含量的預(yù)測已經(jīng)逐步成為精準(zhǔn)農(nóng)業(yè)的重要課題[2-8]。

有機(jī)質(zhì)是耕層土壤的重要構(gòu)成要素，其在改進(jìn)土壤的物理特性方面起重要作用，進(jìn)而能促進(jìn)農(nóng)作物生長[9-10]。氮是一種土壤微量成分，也是農(nóng)作物所需的營養(yǎng)物質(zhì)之一，其含量直接影響農(nóng)作物的生長[11-12]。因此，開展耕層土壤有機(jī)質(zhì)及全氮含量實時監(jiān)測技術(shù)的研究具有重要的現(xiàn)實意義[9-14]。目前，科研工作者利用高光譜技術(shù)在耕層土壤有機(jī)質(zhì)及全氮含量監(jiān)測領(lǐng)域進(jìn)行了大量的科研工作，并獲得了一定的進(jìn)展：基于土壤光譜信息建立的預(yù)測模型可有效實現(xiàn)相關(guān)土壤理化參數(shù)的快速估測[15]，且將光譜信息進(jìn)行合理的變換處理能夠明顯提升其對土壤養(yǎng)分的敏感性，可凸顯光譜內(nèi)的有效信息[13];此外，采用連續(xù)小波變換的方法進(jìn)行土壤養(yǎng)分含量估測方面的研究也已獲得一定的成效[16-17]。相關(guān)領(lǐng)域雖已開展大量的研究，但利用微分光譜技術(shù)在監(jiān)測土壤養(yǎng)分含量領(lǐng)域探究其預(yù)測能力的研究相對較少。

不同地域土壤由于受環(huán)境變化的影響，其類型存在很大差異，且成分復(fù)雜。因此，快速、有效地進(jìn)行土壤養(yǎng)分含量的實時監(jiān)測具有較大難度。微分光譜可直接分離光譜內(nèi)的高頻信息，因方法簡單、迅速、精準(zhǔn)，多年來在土壤養(yǎng)分含量監(jiān)測領(lǐng)域得到了普遍的應(yīng)用。因此，為全面了解微分光譜技術(shù)在土壤養(yǎng)分含量方面的預(yù)測能力及可行性，本研究利用預(yù)處理后的便攜式地物光譜儀（ASD）提取的反射率（B）及其倒數(shù)、對數(shù)、倒數(shù)的對數(shù)、光譜吸收峰深度、開平方根、比值、指數(shù)等8種變換及其一階微分、二階微分處理共24種光譜變換方法處理分析土壤光譜數(shù)據(jù)，結(jié)合相關(guān)性分析算法提取光譜敏感波段，并利用偏最小二乘算法分別構(gòu)建有機(jī)質(zhì)、全氮含量的預(yù)測模型，并探討微分變換對土壤有機(jī)質(zhì)、全氮含量的預(yù)測能力。

1 材料與方法

1.1 土樣采集與處理

試驗區(qū)位于河北省安平縣，該區(qū)域地貌平緩。農(nóng)作物栽培模式為冬小麥-夏玉米，是典型的北方耕種模式。土壤采樣時間為作物揚花期（2014年5月7日），土壤樣點均勻分布于研究區(qū)內(nèi)，土壤采集共計32份，采樣深度為0～20 cm（耕層）。樣本采集后，在實驗室自然風(fēng)干，經(jīng)過研磨、過篩等處理后，進(jìn)行土壤有機(jī)質(zhì)、全氮含量測定;土壤有機(jī)質(zhì)含量采用重鉻酸鉀滴定法測定，土壤全氮含量采用開氏法測定[16-17]（表1）。

1.2 光譜處理

受地理空間、儀表精度差異等要素影響，致使光譜數(shù)據(jù)內(nèi)留存一定噪聲。試驗表明，噪聲信息的留存導(dǎo)致光譜邊緣有用信息受損，因此刪除了噪聲較大的波段。本研究依據(jù)試驗數(shù)據(jù)的實際情況，剔除了1 300～1 450、1 801～2 000 nm的噪聲波段。另外，通過對不同濾波處理效果的比較，最后選擇對光譜數(shù)據(jù)進(jìn)行低通濾波處理，消除光譜中的“毛刺”噪聲，使光譜信息更接近于真實信息[18]。

1.3 微分光譜分析

微分光譜即導(dǎo)數(shù)光譜法，在數(shù)學(xué)變換的基礎(chǔ)上進(jìn)行微分運算，可將光譜信息內(nèi)的復(fù)雜成分不經(jīng)分離直接分析。但隨著階數(shù)的增加，分辨率逐步增強，靈敏度會有所降低，故目前大多的研究以一階微分、二階微分的光譜應(yīng)用居多。為了剔除數(shù)據(jù)中隱含的噪聲信息，使數(shù)據(jù)更接近真實值，并在此基礎(chǔ)上探究微分光譜技術(shù)對耕層土壤養(yǎng)分含量的預(yù)測能力，本研究對光譜數(shù)據(jù)進(jìn)行了基本變換。故而在前人的基礎(chǔ)[16]上，本研究提出預(yù)處理ASD提取的反射率及其倒數(shù)、對數(shù)、倒數(shù)的對數(shù)、光譜吸收峰深度、開平方根、比值、指數(shù)等8種基本變換及其一階微分、二階微分處理共計24種光譜變換方法。

1.4 模型精度驗證

依據(jù)偏最小二乘算法，將經(jīng)變換處理后的土壤光譜數(shù)據(jù)用于土壤有機(jī)質(zhì)、全氮含量預(yù)測模型的構(gòu)建。本研究對土樣進(jìn)行隨機(jī)分組：用于構(gòu)建有機(jī)質(zhì)及全氮含量預(yù)測模型的建模組，共計22個土樣;用于驗證模型預(yù)測精度與穩(wěn)定性的驗證組共計10個土樣。其中，模型的預(yù)測精度與穩(wěn)定性采用確定系數(shù)（R2）與均方根誤差（RMSE）共同評價[17]。確定系數(shù)（R2），用來評判估測值與樣本真實值的預(yù)測精度。R2越接近1，說明估測值越接近真實值，相關(guān)計算公式如下：

2 結(jié)果與分析

2.1 相關(guān)性分析

由圖1可知，有效光譜信息主要集中于基本變換結(jié)合微分變換區(qū)域，而在其他區(qū)域信息較少，其原因是其他區(qū)域的有效光譜信息被隱藏所致。因此，基本變換結(jié)合微分變換能夠更加深入地挖掘其內(nèi)的隱含有益信息。此外，土壤有機(jī)質(zhì)含量與指數(shù)變換形式及其對應(yīng)一階、二階微分處理后的土壤光譜信息間的相關(guān)系數(shù)普遍低于其與原始光譜信息間的相關(guān)系數(shù)，故這類變換為無效變換，不再展開分析。另外，基本變換區(qū)域相關(guān)系數(shù)經(jīng)其對應(yīng)的微分處理后均得到明顯提升，這表明微分光譜技術(shù)可深度挖掘土壤中的有效信息。其中，以倒數(shù)形式的一階微分、倒數(shù)的對數(shù)形式的一階微分、開方根形式的一階微分、比值運算形式及其一階微分等方法處理后的土壤光譜與有機(jī)質(zhì)含量的相關(guān)系數(shù)較高，相關(guān)性較強，光譜敏感波段主要集中于850 nm的區(qū)域附近，相關(guān)性最佳變換形式為比值運算形式的一階微分變換，其相關(guān)性較強，R值為0.729。

由圖2可知，有效光譜信息主要集中于基本變

換結(jié)合微分變換區(qū)域，其原因為其他區(qū)域有效信息被隱藏。因此，基本變換結(jié)合微分變換能夠更加深入地挖掘其隱含的有效信息。此外，土壤全氮含量與指數(shù)變換形式及其一階、二階微分處理后土壤光譜間的相關(guān)系數(shù)與原始光譜間的相關(guān)系數(shù)偏低，故此類變換為無效變換，不再展開分析。另外，基本變換區(qū)域相關(guān)系數(shù)經(jīng)其對應(yīng)的微分處理后均得到明顯提高，土壤光譜信息與土壤全氮含量間的相關(guān)性總體提升，這表明微分光譜技術(shù)可深度挖掘土壤內(nèi)有效信息。其中，以深度變換形式的一階微分、比值運算形式的一階微分等方法處理后的土壤光譜與土壤全氮含量的相關(guān)性較高，其敏感波段主要集中于480 nm的區(qū)域附近，相關(guān)性最佳變換形式為吸收峰深度形式的一階微分變換，其R值為0.727。

2.2 有機(jī)質(zhì)含量建模

在基本變換的基礎(chǔ)上，光譜信息經(jīng)微分處理后，采用偏最小二乘算法構(gòu)建有機(jī)質(zhì)含量的預(yù)測模型，篩選出較好的模型。如表2所示，經(jīng)微分變換處理的光譜所構(gòu)建的模型預(yù)測精度均較高，其模型精度整體在經(jīng)一階微分處理后得到最高體現(xiàn)。從模型角度分析可知，經(jīng)倒數(shù)的一階微分變換后光譜所構(gòu)建的模型最優(yōu)，其建模精度R2與RMSE分別為0.803、2.248，驗證精度R2與RMSE分別為0.865、2.663。從整體分析可知，光譜信息經(jīng)微分變換結(jié)合基本變換處理后，對土壤有機(jī)質(zhì)的敏感性得到了明顯提升。其中，對各模型確定系數(shù)進(jìn)行統(tǒng)計并將其與原始模型確定系數(shù)作比較，光譜信息經(jīng)一階微分結(jié)合基本變換處理后所構(gòu)建的預(yù)測模型的最佳估測精度比基本變換處理后所構(gòu)建的預(yù)測模型的最佳估測精度提升80%;光譜信息經(jīng)二階微分結(jié)合基本變換處理后所構(gòu)建的預(yù)測模型的最佳估測精度比基本變換處理后所構(gòu)建的預(yù)測模型的最佳估測精度提升44%。這表明微分光譜技術(shù)在土壤有機(jī)質(zhì)含量預(yù)測方面的能力從強到弱依次為光譜信息基本變換的一階微分運算>光譜信息基本變換的二階微分運算>光譜信息的基本變換，這是因為微分變換與基本變換結(jié)合后更能凸顯土壤光譜中的微弱信息。

2.3 全氮含量建模

在基本變換的基礎(chǔ)上，光譜信息經(jīng)微分處理后，利用偏最小二乘算法構(gòu)建全氮含量的預(yù)測模型，篩選出較好的模型。如表3所示，經(jīng)微分變換處理的光譜所構(gòu)建的模型預(yù)測精度均較高，整體來看，其模型精度在經(jīng)二階微分處理后得到了最高體現(xiàn)。從模型角度分析可知，經(jīng)開方根的一階微分變換后光譜所構(gòu)建的模型最優(yōu)，其建模精度R2與RMSE分別為0.831、0.106，驗證精度R2與RMSE分別為0.502、0.122。從整體分析可知，光譜信息經(jīng)微分變換結(jié)合基本變換處理后，對全氮含量的敏感性明顯得到了提升。其對各模型確定系數(shù)進(jìn)行統(tǒng)計并將其與原始模型的確定系數(shù)相比，光譜信息經(jīng)一階微分結(jié)合基本變換處理后所構(gòu)建的預(yù)測模型最佳估測精度比基本變換后構(gòu)建的預(yù)測模型的最佳估測精度提升58%;光譜信息經(jīng)二階微分結(jié)合基本變換處理后所構(gòu)建的預(yù)測模型的最佳估測精度比基本變換后構(gòu)建的預(yù)測模型的最佳估測精度提升77%。因此，微分光譜技術(shù)在全氮含量估測方面的能力從強到弱依次為光譜信息基本變換的二階微分運算>光譜信息基本變換的一階微分運算>光譜信息的基本變換，這是因為二階微分變換與基本變換結(jié)合后更能凸顯土壤光譜中的微弱信息。

2.4 模型分析

微分光譜技術(shù)可有效地深入挖掘高光譜內(nèi)的有效信息，推進(jìn)在土壤養(yǎng)分含量監(jiān)測方面的研究進(jìn)程，提升土壤養(yǎng)分含量的預(yù)測精度。由圖3可知，土壤有機(jī)質(zhì)、全氮含量的實測值與估測值在回歸線附近均勻分布，這表明本研究構(gòu)建的土壤養(yǎng)分含量預(yù)測模型擬合程度較高，可有效實現(xiàn)對土壤養(yǎng)分含量的監(jiān)測。

3 討論

本研究在前人研究的基礎(chǔ)上，提出指數(shù)變換、開平方根變換、對數(shù)變換等基本變換，探究了在各種基本變換的基礎(chǔ)上，經(jīng)一階微分、二階微分處理后光譜數(shù)據(jù)與土壤養(yǎng)分含量的敏感性變化規(guī)律。結(jié)果表明，與基本變換相比，微分處理與基本變換結(jié)合后，光譜數(shù)據(jù)與土壤養(yǎng)分參量間的敏感性明顯上升。其中，在基本變換的基礎(chǔ)上，微分光譜技術(shù)針對有機(jī)質(zhì)含量估測的能力從強到弱依次為土壤光譜基本變換的一階微分運算>土壤光譜基本變換的二階微分運算>土壤光譜的基本變換，微分光譜針對全氮含量估測的能力從強到弱依次為土壤光譜基本變換的二階微分變換>土壤光譜基本變換的一階微分變換>土壤光譜的基本變換。本研究成果可推進(jìn)高光譜技術(shù)針對如何更有效、快速且準(zhǔn)確地實現(xiàn)大面積耕層土壤養(yǎng)分含量監(jiān)測方面的發(fā)展。受試驗條件與土壤環(huán)境復(fù)雜性的影響，本研究仍存在一定的不足之處，須從以下幾方面作改進(jìn)：（1）建模過程中對于特征波段的選取具有一定的人為主觀性，如何更準(zhǔn)確地提取特征波段、提高模型精準(zhǔn)度，仍須開展深入研究。（2）土壤光譜數(shù)據(jù)仍存在一定的局限性，自然界不可控因素較多，受環(huán)境因素影響，不同試驗區(qū)土壤養(yǎng)分的反演模型存在差異，仍須進(jìn)行大量的試驗與分析。

4 結(jié)論

本研究對安平縣32個地塊揚花期室內(nèi)土壤光譜反射率數(shù)據(jù)進(jìn)行處理和分析，在基本變換方法的基礎(chǔ)上分析經(jīng)微分光譜技術(shù)處理后的光譜反射率對有機(jī)質(zhì)及全氮含量的預(yù)測模型精度的影響。

利用光譜變換方法構(gòu)建有機(jī)質(zhì)含量估測模型，其最佳預(yù)測模型所對應(yīng)光譜變換形式為反射率倒數(shù)的一階微分變換形式，其建模R2=0.803，均方根誤差RMSE=2.248，其驗證R2=0.865，均方根誤差RMSE=2.663。

利用光譜變換方法構(gòu)建全氮含量估測模型，其最佳預(yù)測模型所對應(yīng)光譜變換形式為反射率開方根的一階微分變換，其建模R2=0.831，均方根誤差RMSE=106，其驗證 R2=0.502，均方根誤差 RMSE=0.122。

與未變換處理的光譜相比，經(jīng)基本變換結(jié)合微分光譜技術(shù)處理后的土壤光譜對土壤有機(jī)質(zhì)、全氮含量的預(yù)測能力明顯增強。與基本變換相比，微分變換對土壤有機(jī)質(zhì)、全氮含量的預(yù)測能力明顯提升。

微分光譜技術(shù)能夠更有效地發(fā)現(xiàn)土壤光譜內(nèi)的有用信息，提升對土壤有機(jī)質(zhì)含量的預(yù)測能力。光譜信息經(jīng)一階微分結(jié)合基本變換處理后所構(gòu)建的預(yù)測模型的最佳預(yù)測精度比基本變換處理后構(gòu)建的預(yù)測模型最佳預(yù)測精度提升80%;光譜信息經(jīng)二階微分結(jié)合基本變換處理后所構(gòu)建的預(yù)測模型的最佳預(yù)測精度比基本變換處理后構(gòu)建的預(yù)測模型最佳預(yù)測精度提升44%。微分光譜技術(shù)在有機(jī)質(zhì)含量監(jiān)測方面的預(yù)測能力從強到弱依次為光譜信息基本變換的一階微分運算>光譜信息基本變換的二階微分運算>光譜信息的基本變換。

（5）微分光譜技術(shù)能夠更有效地發(fā)現(xiàn)土壤光譜內(nèi)的有用信息，提升對土壤全氮含量的預(yù)測能力。與基本變換建立的模型相比，光譜信息經(jīng)一階微分結(jié)合基本變換處理后所構(gòu)建的預(yù)測模型的最佳預(yù)測精度比基本變換處理后構(gòu)建的預(yù)測模型最佳預(yù)測精度提升58%;光譜信息經(jīng)二階微分結(jié)合基本變換處理后所構(gòu)建的預(yù)測模型的最佳預(yù)測精度比基本變換處理后構(gòu)建的預(yù)測模型最佳預(yù)測精度提升77%。微分光譜技術(shù)在全氮含量監(jiān)測方面的預(yù)測能力：光譜信息基本變換的二階微分運算>光譜信息基本變換的一階微分運算>光譜信息的基本變換。

參考文獻(xiàn)：

[1]陳桂芬，馬 麗，陳 航. 精準(zhǔn)施肥技術(shù)的研究現(xiàn)狀與發(fā)展趨勢[J]. 吉林農(nóng)業(yè)大學(xué)學(xué)報，2013，35（3）：253-259.

[2]程 彬. 松遼平原黑土有機(jī)質(zhì)及相關(guān)元素遙感定量反演研究[D].長春：吉林大學(xué)，2007.

[3]高永光，胡振琪. 高光譜遙感技術(shù)在土壤調(diào)查中的應(yīng)用[J]. 礦業(yè)研究與開發(fā)，2006，26（1）：44-46.

[4]吳良超，劉 曉，高佩玲. 高光譜遙感在土壤研究中的應(yīng)用[J]. 安徽農(nóng)業(yè)科學(xué)，2013，41（2）：581-582，598.

[5]丁海泉，盧啟鵬. 近紅外光譜技術(shù)在土壤養(yǎng)分分析中的研究進(jìn)展及應(yīng)用前景[J]. 光譜學(xué)與光譜分析，2012，32（1）：88-91.

[6]王 璐，藺啟忠，賈 東，等. 多光譜數(shù)據(jù)定量反演土壤營養(yǎng)元素含量可行性分析[J]. 環(huán)境科學(xué)，2007，28（8）：1822-1828.

[7]周 清. 土壤有機(jī)質(zhì)含量高光譜預(yù)測模型及其差異性研究[D]. 杭州：浙江大學(xué)，2004.

[8]劉煥軍，吳炳方，趙春江，等. 光譜分辨率對黑土有機(jī)質(zhì)預(yù)測模型的影響[J]. 光譜學(xué)與光譜分析，2012，32（3）：739-742.

[9]王延倉，顧曉鶴，朱金山，等. 利用反射光譜及模擬多光譜數(shù)據(jù)定量反演北方潮土有機(jī)質(zhì)含量[J]. 光譜學(xué)與光譜分析，2014，34（1）：201-206.

[10]何 挺，王 靜，林宗堅，等. 土壤有機(jī)質(zhì)光譜特征研究[J]. 武漢大學(xué)學(xué)報（信息科學(xué)版），2006，31（11）：975-979.

[11]徐永明，藺啟忠，黃秀華，等. 利用可見光/近紅外反射光譜估算土壤總氮含量的實驗研究[J]. 地理與地理信息科學(xué)，2005，21（1）：19-22.

[12]武 婕，李玉環(huán)，李增兵，等. 南四湖區(qū)農(nóng)田土壤有機(jī)質(zhì)和微量元素空間分布特征及影響因素[J]. 生態(tài)學(xué)報，2014，34（6）：1596-1605.

[13]牛 錚，路 鵬. 基于高光譜遙感土壤屬性信息的量化反演研究[D]. 北京：中國科學(xué)院遙感應(yīng)用研究所，2008.

[14]鄭曼迪，熊黑鋼，喬娟峰，等. 基于綜合光譜指數(shù)的不同程度人類干擾下土壤有機(jī)質(zhì)含量預(yù)測[J]. 江蘇農(nóng)業(yè)學(xué)報，2018，34（5）：1048-1056.

[15]劉煥軍，張 柏，劉殿偉，等. 松嫩平原典型土壤高光譜定量遙感研究[J]. 遙感學(xué)報，2008，12（4）：647-654.

[16]王延倉，張 蘭，王 歡，等. 連續(xù)小波變換定量反演土壤有機(jī)質(zhì)含量[J]. 光譜學(xué)與光譜分析，2018，38（11）：3521-3527.

[17]王延倉，楊貴軍，朱金山，等. 基于小波變換與偏最小二乘耦合模型估測北方潮土有機(jī)質(zhì)含量[J]. 光譜學(xué)與光譜分析，2014，34（7）：1922-1926.

[18]徐永明，藺啟忠，王 璐，等. 基于高分辨率反射光譜的土壤營養(yǎng)元素估算模型[J]. 土壤學(xué)報，2006，43（5）：709-716.彭 震，胡 蓉，張若宇，等. 采摘頭輸棉通道流場仿真與分析[J]. 江蘇農(nóng)業(yè)科學(xué)，2020，48（24）：226-231.