張恒 梁太波 馮文強(qiáng) 戴華鑫 翟振 藏照陽(yáng) 江鴻 馮長(zhǎng)春 張艷玲

摘 ?要：基于高光譜數(shù)據(jù)構(gòu)建土壤全氮和堿解氮含量估測(cè)模型，為準(zhǔn)確快速檢測(cè)植煙土壤全氮和堿解氮含量提供新方法。以會(huì)東縣和會(huì)理市植煙土壤為研究對(duì)象，利用高光譜成像獲取土壤光譜反射率數(shù)據(jù)，應(yīng)用連續(xù)投影算法（SPA）和相關(guān)分析法（CA）篩選特征波段，并分別采用全波段和特征波段構(gòu)建偏最小二乘回歸（PLSR）、嶺回歸（RR）和核嶺回歸（KRR）模型來估測(cè)土壤全氮和堿解氮含量。結(jié)果表明：（1）原始光譜經(jīng)4種預(yù)處理方法處理后，建立的估測(cè)模型精度均有提高；其中經(jīng)一階導(dǎo)數(shù)（D1）組合標(biāo)準(zhǔn)正態(tài)分布（SNV）預(yù)處理后，使用全波段建立的全氮和堿解氮含量估測(cè)模型精度均較高。（2）SPA篩選出了10個(gè)土壤全氮特征波段，13個(gè)土壤堿解氮特征波段，分別占全波段數(shù)量的2.58%和1.98%。（3）原始光譜經(jīng)D1-SNV預(yù)處理后，用SPA篩選特征波段構(gòu)建的全氮和堿解氮含量KRR估測(cè)模型性能均較好；全氮估測(cè)模型驗(yàn)證集決定系數(shù)（）為0.87，均方根誤差（RMSEV）為0.23，相對(duì)分析誤差（RPD）為2.77；堿解氮估測(cè)模型驗(yàn)證集的為0.91，RMSEV為14.15，RPD為3.39。運(yùn)用SPA結(jié)合KRR構(gòu)建的模型能較好地估測(cè)研究區(qū)土壤全氮和堿解氮含量，D1-SNV-SPA-KRR方法可實(shí)現(xiàn)該地區(qū)全氮和堿解氮含量的準(zhǔn)確估測(cè)。

關(guān)鍵詞：植煙土壤；高光譜數(shù)據(jù)；全氮；堿解氮；連續(xù)投影算法；核嶺回歸

中圖分類號(hào)：S572????????????????????????文獻(xiàn)標(biāo)識(shí)碼：A ??????????????????????文章編號(hào)：1007-5119（2023）05-0103-11

Hyperspectral Estimation of Total Nitrogen and Alkali Hydrolysable?Nitrogen Contents in Tobacco Growing Soil Based on Successive Projection Algorithm

ZHANG Heng， LIANG Taibo， FENG Wenqiang， DAI Huaxin， ZHAI Zhen， ZANG Zhaoyang，

JIANG Hong， FENG Changchun， ZHANG Yanling

（1. Zhenghou Tobacco Research Institute of CNTC， Zhengzhou 450001， China;?2. Sichuan Institute of Tobacco Science， Chengdu 610041， China）

?The estimation model of soil total nitrogen and alkali hydrolysable nitrogen was constructed based on hyperspectral data， which might contribute a new method for accurate and rapid detection of total nitrogen and alkali hydrolysable nitrogen in tobacco growing soil. Soils were sampled from Huidong and Huili， Sichuan Province，?and the soil spectral reflectance data were obtained by hyperspectral imaging technique. The successive projection algorithm （SPA） and correlation analysis （CA） were employed to screen feature band， while partial least square regression （PLSR）， ridge regression （RR） and kernel ridge regression （KRR） models were constructed to estimate the contents of total nitrogen and alkali-hydrolyzed nitrogen in soil by using whole and feature band， respectively. Results showed as the followings. 1） The accuracy of the estimation model was enhanced after the original spectrum was processed?by four preprocessing methods. After the first derivative （D1） combined with the standard normal variate （SNV）， the estimation models of total nitrogen and alkali hydrolyzed nitrogen contents established by using whole band exhibited high accuracy. 2）?By using SPA， 10 feature bands of soil total nitrogen and 13 feature bands of soil alkali-hydrolyzed nitrogen were screened out， accounting for 2.58% and 1.98% of the total bands， respectively. 3）?After the original spectrum was processed?by D1-SNV， better performance was found in the KRR estimation model of total nitrogen and alkali hydrolyzed nitrogen content constructed by SPA screening feature bands. The coefficient of determination （），?root mean square error of validation （RMSEV） and residual prediction deviation （RPD） of the validation set of total nitrogen estimation model were 0.87， 0.23 and 2.77 respectively. The ， RMSEV and RPD of the validation set of alkali hydrolysable nitrogen estimation model were 0.91， 14.15 and 3.39 respectively. For tobacco growing soils in the research area， the model constructed by SPA and KRR can estimate the total nitrogen and alkali hydrolyzed nitrogen contents， whereas D1-SNV-SPA-KRR method can achieve accurate estimation on the contents of total nitrogen and alkali hydrolyzed nitrogen.

tobacco growing soil; hyperspectral; total nitrogen; alkali hydrolysable nitrogen;?successive projection algorithm; kernel ridge regression

基金項(xiàng)目：中國(guó)煙草總公司重點(diǎn)研發(fā)項(xiàng)目（11202102037）；四川省煙草公司科技項(xiàng)目（SCYC202103）

作者簡(jiǎn)介：張 ?恒（1998-），男，碩士研究生，研究方向：煙田土壤保育與高光譜遙感分析。E-mail：zhanghenglx@126.com

*通信作者。E-mail：馮長(zhǎng)春，fcc22@163.com；張艷玲，zhangyanling@ztri.com.cn

收稿日期：2023-06-21???????????????????????????????修回日期：2023-09-19

土壤中全氮和堿解氮含量是衡量土壤肥力的重要指標(biāo)?？偟侵竿寥乐懈鞣N形態(tài)氮素的總和，代表土壤氮素的總儲(chǔ)存量和供氮潛力；堿解氮是土壤中易被作物吸收利用的氮素，可反映土壤氮素的供應(yīng)情況和有效性。對(duì)烤煙而言，土壤氮素的過剩和不足均會(huì)對(duì)烤煙的品質(zhì)和產(chǎn)量產(chǎn)生不利影響，并存在污染環(huán)境的風(fēng)險(xiǎn)。四川涼山州會(huì)理市和會(huì)東縣是我國(guó)典型清甜香型煙葉產(chǎn)區(qū)，近年來由于長(zhǎng)期連作和集約化種植的深入發(fā)展，部分植煙土壤出現(xiàn)退化現(xiàn)象，全氮和堿解氮含量均處于偏低水平，一定程度上制約了該地區(qū)土壤質(zhì)量提升和可持續(xù)發(fā)展。因此，快速、準(zhǔn)確地檢測(cè)植煙土壤中全氮含量和堿解氮素含量，對(duì)于評(píng)價(jià)植煙土壤肥力狀況、合理施肥以及有效管理土壤氮素具有重要意義。

傳統(tǒng)的土壤全氮和堿解氮含量檢測(cè)方法主要是化學(xué)分析方法，如凱氏定氮法、紫外分光光度法等。使用化學(xué)分析方法測(cè)定土壤全氮和堿解氮含量不僅耗時(shí)費(fèi)力、成本高，而且在檢測(cè)過程中需要使用大量的強(qiáng)酸和強(qiáng)堿試劑，存在不安全因素和污染環(huán)境的風(fēng)險(xiǎn)。近年來，高光譜技術(shù)的迅速發(fā)展為土壤理化指標(biāo)快速檢測(cè)提供了新方法，高光譜技術(shù)因其檢測(cè)速度快、無污染、無損和精度較高，目前已應(yīng)用于估測(cè)土壤中的氮素含量。如Kawamura等利用高光譜反射率估算土壤全氮含量，發(fā)現(xiàn)一階導(dǎo)數(shù)結(jié)合偏最小二乘回歸構(gòu)建的全氮含量估測(cè)模型精度較高；Xu等基于實(shí)驗(yàn)室高光譜成像技術(shù)結(jié)合多種機(jī)器學(xué)習(xí)算法對(duì)土壤中的全氮和速效氮含量進(jìn)行建模估測(cè)，發(fā)現(xiàn)支持向量機(jī)模型對(duì)全氮含量和速效氮含量的估測(cè)效果均較好；Zhang等對(duì)比分析了多種預(yù)處理方法下光譜數(shù)據(jù)與全氮含量的相關(guān)性，發(fā)現(xiàn)倒數(shù)的二階導(dǎo)數(shù)結(jié)合支持向量機(jī)建立的土壤全氮含量估測(cè)模型精度最高；劉秀英等運(yùn)用相關(guān)分析篩選特征波段結(jié)合偏最小二乘回歸建立土壤全氮和堿解氮估測(cè)模型，結(jié)果發(fā)現(xiàn)微分預(yù)處理建立的土壤全氮含量估測(cè)模型效果最好，但建立的堿解氮含量估測(cè)模型的精度仍需提高。對(duì)比前人研究發(fā)現(xiàn)，一方面前人在運(yùn)用高光譜技術(shù)構(gòu)建土壤全氮含量估測(cè)模型方面已有較多研究，而在堿解氮含量高光譜建模估測(cè)方面研究較少，且估測(cè)堿解氮含量的模型精度尚需提升；另一方面篩選具有代表性的光譜特征波段是構(gòu)建高光譜估測(cè)模型的基礎(chǔ)，其中連續(xù)投影算法被較多研究者證明可以有效提取特征光譜波段并提高估測(cè)模型的精度。但連續(xù)投影算法在植煙土壤全氮和堿解氮含量特征波段確定及高光譜建模估測(cè)方面鮮見報(bào)道。

基于此，本研究以涼山州會(huì)理市和會(huì)東縣山地土壤為研究對(duì)象，運(yùn)用連續(xù)投影算法和相關(guān)分析法從預(yù)處理后的光譜中篩選特征波段，結(jié)合偏最小二乘回歸、嶺回歸和核嶺回歸分別建立植煙土壤全氮和堿解氮含量估測(cè)模型，旨在建立適合該地區(qū)土壤全氮和堿解氮含量的高光譜定量估測(cè)模型，為植煙土壤理化指標(biāo)準(zhǔn)確、快速測(cè)定提供方法參考與技術(shù)支撐。

1 ?材料與方法

1.1 ?研究區(qū)概況

會(huì)理市和會(huì)東縣均處于四川省涼山彝族自治州南部（東經(jīng)101°52′～103°03′、北緯26°12′～27°12′）。會(huì)理市平均海拔約2000 m，年均日照2400?h，年均溫15.1 ℃，年均降水量1212?mm；會(huì)東縣年均日照2300?h，年均溫16.2?℃，年均降水量1095 mm。會(huì)理市和會(huì)東縣是涼山彝族自治州烤煙主要種植地區(qū)，煙田土壤以紅壤土、黃棕壤以及紫色土為主。

1.2??土壤樣品采集與處理

土壤樣品采自四川省涼山州會(huì)東縣和會(huì)理市的植煙田塊，采樣數(shù)量為會(huì)東縣60份和會(huì)理市44份，共采集104份植煙土壤樣品，其土壤類型基本為紅壤土和紫色土，采樣點(diǎn)分布見圖1。

煙葉收獲后，采用“S”形取樣法，采集煙田耕層（0～20 cm）土壤，四分法保留土樣2 kg，帶回實(shí)驗(yàn)室后去除雜物，在土壤樣品風(fēng)干箱內(nèi)風(fēng)干。風(fēng)干的土樣經(jīng)研磨后過2 mm篩，分成兩部分，一部分用于土壤高光譜數(shù)據(jù)的采集，另一部分用于測(cè)定土壤全氮和堿解氮含量。用于采集高光譜數(shù)據(jù)的土壤樣品，采集前在通風(fēng)條件良好的高光譜成像儀器室內(nèi)平衡水分72?h，以降低高光譜成像系統(tǒng)在采集數(shù)據(jù)時(shí)土壤水分產(chǎn)生的干擾。

1.3??土壤指標(biāo)測(cè)定與異常數(shù)據(jù)檢測(cè)

土壤全氮含量測(cè)定采用凱氏定氮法，堿解氮含量測(cè)定采用堿解擴(kuò)散法。采用箱型圖判別法篩選土樣中全氮和堿解氮含量的異常數(shù)據(jù)，結(jié)果發(fā)現(xiàn)全氮和堿解氮含量數(shù)據(jù)中不存在異常數(shù)據(jù)。

1.4??室內(nèi)高光譜圖像采集與數(shù)據(jù)提取

高光譜成像系統(tǒng)核心組件包括雙利合譜可見-近紅外高光譜相機(jī)（GaiaField-V10E-AZ4）、消色差鏡頭（HSIA-OLE23）、8個(gè)50 W鹵素?zé)?、電?dòng)載物臺(tái)、計(jì)算機(jī)和SpecView圖像采集軟件等。見圖2。

光譜數(shù)據(jù)采集方法：將處理好的土壤樣品平放在直徑10 cm、深2.0 cm，被黑布包裹的培養(yǎng)皿中，放置于電動(dòng)載物臺(tái)上后，通過操作電腦中的SpecView圖像采集軟件，使電動(dòng)載物臺(tái)以1.35 cm/s的速度帶動(dòng)土壤樣本進(jìn)入圖像采集箱內(nèi)，在箱內(nèi)對(duì)土壤樣品原始高光譜圖像（）進(jìn)行采集。可見光和近紅外光譜數(shù)據(jù)采集范圍分別為390～1030 nm和967～2561 nm，光譜分辨率分別為2.6 nm和5.4 nm，波段采集數(shù)量分別為250和288。為了獲取更加準(zhǔn)確的高光譜圖像，對(duì)采集的高光譜圖像進(jìn)行黑白板校正。在樣品圖像采集相同的環(huán)境下，采集反射率為99%的標(biāo)準(zhǔn)正白板獲取白板標(biāo)定圖像（），采集反射率為0%的內(nèi)置黑板獲取黑板標(biāo)定圖像（），由下列公式對(duì)原始高光譜圖像進(jìn)行校正：

=（-）/（-）?????????????????（1）

從校正后高光譜圖像（）中提取土壤樣本區(qū)域，并計(jì)算每個(gè)樣本區(qū)域內(nèi)所有像素點(diǎn)光譜反射率的平均值，以生成一個(gè)平均光譜作為此樣本的高光譜反射率數(shù)據(jù)。

1.5??高光譜數(shù)據(jù)的預(yù)處理與特征波段篩選

由于可見光區(qū)域和近紅外區(qū)域的頭部和尾部光譜數(shù)據(jù)均存在噪聲，故每個(gè)土壤樣本只使用可見光區(qū)域408～1007 nm和近紅外區(qū)域1012～2500 nm的光譜數(shù)據(jù)作為下一步建模的原始高光譜數(shù)據(jù)，共計(jì)504個(gè)波段。采用標(biāo)準(zhǔn)正態(tài)分布（SNV）、趨勢(shì)校正（DT）、一階導(dǎo)數(shù)（D1）、最大最小歸一化（MMS）及其組合共計(jì)4種預(yù)處理方法對(duì)原始光譜（R）進(jìn)行預(yù)處理，具體包括SNV、DT-MMS、D1-MMS和D1-SNV。

研究中采用相關(guān)分析法（CA）和連續(xù)投影算法（SPA）對(duì)光譜數(shù)據(jù)進(jìn)行特征波段提取。CA主要對(duì)土壤指標(biāo)測(cè)定值與光譜反射率間的相關(guān)程度進(jìn)行分析，選取通過顯著檢驗(yàn)的波段作為特征波段。SPA是一種矢量空間共線性最小化的前向變量選擇算法。SPA通過將波長(zhǎng)投影到其他波長(zhǎng)上，比較投影向量大小，以投影向量最大的波長(zhǎng)為待選波長(zhǎng)，最終基于校正模型選擇幾個(gè)特征波段。其優(yōu)勢(shì)在于可以從光譜數(shù)據(jù)中選擇共線性最小的特征波段組合，能有效消除原始光譜矩陣中冗余的信息，提高模型估測(cè)的準(zhǔn)確性和穩(wěn)定性。

1.6??樣本集劃分

為保證建模集和驗(yàn)證集樣本中全氮和堿解氮含量分布的均勻性，采用梯度質(zhì)量法對(duì)土壤樣本集進(jìn)行劃分。將所有樣本分別按照土壤全氮和堿解氮含量高低進(jìn)行升序排序，然后等間距取出1個(gè)樣品作為驗(yàn)證集樣本，以3∶1的比例將所有土壤樣本劃分為建模集和驗(yàn)證集。

1.7??建模方法

以偏最小二乘回歸（PLSR）、嶺回歸（RR）、核嶺回歸（KRR）等3種方法構(gòu)建全氮和堿解氮含量定量估測(cè)模型，其中核嶺回歸使用rbf作為核函數(shù)。使用高光譜數(shù)據(jù)構(gòu)建模型時(shí)，分別以原始光譜、經(jīng)4種方法預(yù)處理后的光譜全波段和篩選的特征波段為自變量，以土壤全氮和堿解氮含量為因變量，采用系統(tǒng)網(wǎng)格搜索方法對(duì)模型參數(shù)進(jìn)行選擇，通過十折交叉驗(yàn)證，以建模集均方根誤差（RMSET）值最小時(shí)確定最佳估測(cè)模型。

1.8??模型評(píng)估

模型評(píng)價(jià)指標(biāo)選用決定系數(shù)（）、建模集均方根誤差（RMSET）、驗(yàn)證集均方根誤差（RMSEV）、和相對(duì)分析誤差（RPD）。其中均方根誤差越小，決定系數(shù)越接近1，表明模型的精度越高。RPD值用于評(píng)價(jià)模型的整體估測(cè)性能，當(dāng)RPD≥2時(shí)，表明模型具有較準(zhǔn)確的估測(cè)能力，當(dāng)1.4≤RPD<2時(shí)，表明模型僅可以對(duì)待估測(cè)指標(biāo)進(jìn)行粗略估測(cè)。

模型評(píng)估指標(biāo)具體計(jì)算公式參考文獻(xiàn)[24]。

1.9??數(shù)據(jù)分析

高光譜數(shù)據(jù)提取、光譜數(shù)據(jù)預(yù)處理、特征波段篩選以及估測(cè)模型的建立均使用Python 3.9軟件；使用Microsoft Excel 2016軟件制圖。

2 ?結(jié)??果

2.1 ?植煙土壤全氮和堿解氮含量的統(tǒng)計(jì)特征

由表1可知，植煙土壤總樣本中全氮含量變化范圍為0.40～2.81 g/kg，堿解氮含量變化范圍為24.77～216.16 mg/kg。全氮和堿解氮含量建模集和驗(yàn)證集的描述統(tǒng)計(jì)特征相近，與總樣本各統(tǒng)計(jì)特征基本在同一水平，且驗(yàn)證集樣本中全氮和堿解氮含量的大小分布范圍，均在建模集樣本全氮和堿解氮含量大小分布范圍之內(nèi)，表明驗(yàn)證集樣本在建模集中具有較好的梯度分布。其中全氮和堿解氮總樣本、建模集樣本和驗(yàn)證集樣本的變異系數(shù)均高于40%，屬于中等變異水平，離散程度較大。

2.2 ?不同全氮和堿解氮含量土壤的高光譜反射率特征

圖3為不同全氮和堿解氮含量土壤的原始光譜曲線圖。從中可見，不同全氮和不同堿解氮含量土壤的高光譜平均反射率曲線存在明顯差異，但光譜反射率隨波長(zhǎng)變化的趨勢(shì)相似。在400～780 nm可見光范圍內(nèi)光譜反射率迅速上升，在800～1000 nm范圍內(nèi)光譜反射率曲線呈平緩波動(dòng)變化，在1000～2500 nm近紅外范圍內(nèi)光譜反射率呈劇烈波動(dòng)變化，其中在1000、1400、1900和2200 nm處均存在明顯的光譜吸收特征。此外，在1350～2500 nm范圍內(nèi)，不同全氮含量和不同堿解氮含量的土壤光譜反射率出現(xiàn)明顯差異，且全氮和堿解氮含量越高，對(duì)應(yīng)的土壤光譜反射率越大，正是由于這種差異的存在為后續(xù)模型的建立提供了基礎(chǔ)。

2.3??基于全波段的土壤全氮和堿解氮含量估測(cè)模型構(gòu)建與驗(yàn)證

原始光譜經(jīng)4種方法預(yù)處理后，利用PLSR、RR和KRR對(duì)植煙土壤全氮和堿解氮含量進(jìn)行建模估測(cè)，建模和驗(yàn)證效果見表2。從中可知，使用不同光譜預(yù)處理方法和建模方法建立的土壤全氮和堿解氮含量估測(cè)模型精度差異明顯；與使用原始光譜建模相比，經(jīng)4種方法預(yù)處理后，在相同建模方法下建立的全氮和堿解氮含量估測(cè)模型精度均有不同程度提升。

對(duì)全氮而言，原始光譜經(jīng)4種方法預(yù)處理后，使用3種建模方法建立的全氮含量估測(cè)模型效果均較好，模型的RPD值均大于2.0，說明這些模型均可對(duì)土壤全氮含量進(jìn)行高精度估測(cè)；其中原始光譜經(jīng)D1-SNV預(yù)處理后使用RR建模方法建立的土壤全氮含量估測(cè)模型效果明顯優(yōu)于其他模型，模型（D1-SNV-RR）建模集和驗(yàn)證集的分別為0.90和0.94，驗(yàn)證集RMSEV和RPD值分別為0.15和4.00，表明此模型的估測(cè)精度最高且誤差最小。對(duì)堿解氮而言，除運(yùn)用原始光譜建立的堿解氮含量PLSR估測(cè)模型外，其余堿解氮含量模型的估測(cè)效果均較好，模型驗(yàn)證集的RPD值均大于2.0。其中原始光譜經(jīng)D1-SNV預(yù)處理后使用KRR建模方法建立的堿解氮含量模型精度明顯優(yōu)于其他模型，模型（D1-SNV-KRR）建模集和驗(yàn)證集的分別為0.98和0.92，驗(yàn)證集RMSEV和RPD值分別為13.37和3.59，驗(yàn)證集的RMSEV最小且RPD值最大。整體看，原始光譜經(jīng)D1-SNV方法預(yù)處理后，使用3種建模方法建立的全氮和堿解氮含量估測(cè)模型精度均較高，故在后續(xù)運(yùn)用特征波段建模分析中選擇D1-SNV預(yù)處理方法對(duì)原始光譜進(jìn)行預(yù)處理。

2.4??基于CA和SPA篩選土壤全氮和堿解氮含量的特征波段

2.4.1??相關(guān)分析法篩選特征波段 ?由圖4可知，原始光譜經(jīng)D1-SNV方法預(yù)處理后，光譜反射率與全氮和堿解氮含量的相關(guān)關(guān)系均發(fā)生了較大變化。對(duì)土壤全氮含量與呈極顯著相關(guān)的波段數(shù)量有11個(gè)；經(jīng)D1-SNV處理后，在近紅外區(qū)域部分波段下與全氮含量的相關(guān)系數(shù)明顯增大，與全氮含量呈極顯著相關(guān)的波段數(shù)量有101個(gè)。堿解氮含量與呈極顯著相關(guān)的波段數(shù)量有274個(gè)；經(jīng)D1-SNV處理后，與堿解氮含量呈極顯著相關(guān)的波段數(shù)量有155個(gè)，較原始光譜數(shù)量有所下降，但在1700～2000?nm處與堿解氮含量的相關(guān)系數(shù)顯著增大。

2.4.2 ?基于SPA篩選特征波段??由圖5可知，利用SPA算法對(duì)D1-SNV預(yù)處理后的光譜數(shù)據(jù)進(jìn)行特征波段篩選時(shí)，不管是全氮還是堿解氮，隨著篩選變量數(shù)的增加RMSE整體呈下降趨勢(shì)。對(duì)全氮而言，當(dāng)變量數(shù)為13時(shí)，RMSE趨于穩(wěn)定狀態(tài)，此時(shí)通過SPA計(jì)算得到13個(gè)特征波段，僅占光譜全波段數(shù)據(jù)的2.58%，這些特征波段分別是474、755、859、946、1359、1387、1403、1703、1981、2091、2196、2241和2495?nm。同理，對(duì)堿解氮而言，當(dāng)變量數(shù)為10時(shí)，RMSE趨于穩(wěn)定狀態(tài)，此時(shí)SPA運(yùn)算得到10個(gè)特征波段，分別是546、652、928、946、1403、1731、1814、1931、2047和2495?nm，占光譜全波段數(shù)據(jù)的1.98%。

2.5??土壤全氮含量估測(cè)模型的構(gòu)建及驗(yàn)證

由表3可知，基于D1-SNV預(yù)處理方法，無論使用光譜全波段還是使用CA和SPA篩選的特征波段，3種建模方法建立的估測(cè)模型驗(yàn)證集RPD均大于2.0，可以準(zhǔn)確地估測(cè)土壤全氮含量。使用相同建模方法建模時(shí)，運(yùn)用光譜全波段建立的全氮含量估測(cè)模型精度均最高，均高于使用CA和SPA篩選特征波段建模。使用全波段建模情況下，土壤全氮含量估測(cè)模型精度排序?yàn)镽R>PLSR>KRR，采用RR模型估測(cè)效果較好（RPD=4.00）；無論是使用CA還是SPA篩選特征波段，全氮含量估測(cè)模型精度排序均為KRR>RR>PLSR，其中SPA-KRR估測(cè)模型的入選變量最少且精度較高，是估測(cè)全氮含量的最優(yōu)模型，模型建模集和驗(yàn)證集的分別為0.89和0.87，RMSET和RMSEV分別為0.20和0.23，RPD為2.77。

由圖6可知，使用全波段構(gòu)建的PLSR、RR和KRR估測(cè)模型驗(yàn)證集全氮含量實(shí)測(cè)值與估測(cè)值大多較均勻分布在1∶1線附近；使用SPA算法篩選特征波段構(gòu)建的模型較CA篩選特征波段構(gòu)建的模型數(shù)據(jù)點(diǎn)更靠近1∶1線。

2.6??土壤堿解氮含量估測(cè)模型的構(gòu)建及驗(yàn)證

由表4可知，基于D1-SNV預(yù)處理方法，無論使用光譜全波段還是使用CA和SPA篩選的特征波段，3種建模方法建立的估測(cè)模型驗(yàn)證集RPD均大于2.0，可以準(zhǔn)確地估測(cè)土壤堿解氮含量。使用PLSR和RR方法建模時(shí)，運(yùn)用SPA篩選特征波段建立的堿解氮含量估測(cè)模型精度均最高；使用KRR方法建模時(shí)，運(yùn)用全波段建立堿解氮含量估測(cè)模型精度最高。綜合比較下，無論使用全波段還是SPA篩選特征波段，土壤堿解氮含量估測(cè)模型精度排序均為KRR>RR>PLSR；經(jīng)過CA篩選特征波段后，堿解氮含量估測(cè)模型精度排序?yàn)镽R>PLSR>KRR。其中SPA-KRR估測(cè)模型相較于其他模型入選變量最少且精度較高，因此D1-SNV-SPA-KRR模型是堿解氮含量的最優(yōu)估測(cè)模型，模型建模集和驗(yàn)證集的分別為0.81和0.91，RMSET和RMSEV分別為20.55和14.15，RPD為3.39。

由圖7可知，使用SPA算法篩選特征波段構(gòu)建的估測(cè)模型驗(yàn)證集堿解氮含量實(shí)測(cè)值與估測(cè)值較均勻地分布在1∶1線附近；使用CA篩選特征波段構(gòu)建的估測(cè)模型驗(yàn)證集實(shí)測(cè)值與估測(cè)值數(shù)據(jù)點(diǎn)與1∶1線的偏離程度較大。

3 ?討??論

3.1 ?光譜預(yù)處理方法對(duì)土壤全氮和堿解氮含量建模的影響

建模前對(duì)原始光譜進(jìn)行適當(dāng)?shù)念A(yù)處理，可明顯降低土壤類型、測(cè)量環(huán)境不統(tǒng)一和測(cè)量?jī)x器自身對(duì)采集光譜數(shù)據(jù)產(chǎn)生的干擾，增強(qiáng)光譜反射率與土壤理化指標(biāo)間的相關(guān)關(guān)系，從而提高模型的估測(cè)精度。研究發(fā)現(xiàn)在相同建模方法下，原始光譜經(jīng)4種方法預(yù)處理后建立的土壤全氮和堿解氮含量估測(cè)模型精度均有不同程度提升；這與殷彩云等研究結(jié)果相似，其研究表明對(duì)原始光譜進(jìn)行預(yù)處理可明顯增強(qiáng)估測(cè)模型的精度。此外，研究中通過對(duì)比不同模型發(fā)現(xiàn)使用光譜全波段建模時(shí)，土壤全氮和堿解氮含量的最優(yōu)估測(cè)模型均使用了D1-SNV預(yù)處理方法。這可能是由于一階導(dǎo)數(shù)（D1）可對(duì)重疊光譜進(jìn)行拆分，扣除了背景漂移，增大了光譜曲線中有效信息特征；而標(biāo)準(zhǔn)正態(tài)分布（SNV）有效降低了因土壤顆粒大小不同產(chǎn)生的散射影響；將兩者結(jié)合起來使用有效消除了光譜數(shù)據(jù)中的干擾，突出了有效的光譜信息，從而明顯提高了估測(cè)模型的精度和穩(wěn)定性。

3.2??基于CA和SPA的土壤全氮和堿解氮含量估測(cè)模型對(duì)比

對(duì)全氮而言，本研究運(yùn)用CA和SPA分別篩選出了101和13個(gè)特征波段，占全波段數(shù)據(jù)的20.04%和2.58%；對(duì)堿解氮而言，運(yùn)用CA和SPA分別篩選出了155和10個(gè)特征波段，占全波段數(shù)據(jù)的30.75%和1.98%。SPA篩選出的特征波段較CA篩選出的特征波段更少，且相同建模方法下用SPA構(gòu)建的全氮和堿解氮含量估測(cè)模型精度均高于使用CA篩選特征波段建立的模型，這與韓建等和牛芳棚等研究結(jié)果基本一致。原因可能是由于CA在篩選特征波段過程中主要檢驗(yàn)單個(gè)光譜波段，未考慮光譜波段間組合的協(xié)同效應(yīng)。而SPA不僅可以有效降低光譜波段間的共線性影響，剔除光譜數(shù)據(jù)中的冗余信息，還能考慮到篩選出波段間的協(xié)同效應(yīng)。

本研究基于D1-SNV預(yù)處理方法，在2種特征波段篩選方法下運(yùn)用3種建模方法分別建立土壤全氮和堿解氮含量估測(cè)模型，發(fā)現(xiàn)使用相同建模方法建模時(shí)，運(yùn)用光譜全波段建立的全氮含量估測(cè)模型精度均最高，均高于CA和SPA篩選特征波段建模。原因可能是運(yùn)用CA和SPA篩選出用于建模的特征波段數(shù)量較少，與光譜全波段相比損失了大部分重要光譜信息，導(dǎo)致使用特征波段構(gòu)建的土壤全氮含量估測(cè)模型精度低于使用全波段建模。此外，研究中發(fā)現(xiàn)無論全氮還是堿解氮，基于D1-SNV預(yù)處理方法使用SPA篩選特征波段構(gòu)建的KRR估測(cè)模型不僅入選變量最少且精度較高，是估測(cè)全氮和堿解氮含量的最優(yōu)模型。其中估測(cè)全氮含量的D1-SNV-SPA-KRR模型驗(yàn)證集、RMSEV和RPD分別為0.87、0.23和2.77；與彭遠(yuǎn)新等、JIA等以及孫小香等建立的土壤全氮含量最優(yōu)模型相比精度更高。研究中估測(cè)堿解氮含量的D1-SNV-SPA-KRR模型驗(yàn)證集的為0.91，RMSEV為14.15，RPD為3.39；與劉秀英等建立的土壤堿解氮含量最優(yōu)估測(cè)模型相比估測(cè)效果更好。

研究中建立的估測(cè)模型可以對(duì)會(huì)理市和會(huì)東縣植煙土壤全氮和堿解氮含量進(jìn)行高精度估測(cè)，但是否對(duì)于其他區(qū)域植煙土壤具有普適性，還需要采集更多具有代表性的植煙土壤樣品對(duì)模型進(jìn)行驗(yàn)證。本研究全氮和堿解氮含量估測(cè)模型精度較高的原因可能有以下兩個(gè)方面：一方面是研究區(qū)域尺度較小，所取土壤類型基本為紅壤土和紫色土，土樣的內(nèi)部組成和理化性質(zhì)較為相似，在一定程度上降低了土壤類型差異對(duì)光譜數(shù)據(jù)采集的影響；另一方面因?yàn)楦吖庾V成像系統(tǒng)可以掃描區(qū)域內(nèi)所有像素點(diǎn)的光譜數(shù)據(jù)，比基于點(diǎn)獲取的高光譜數(shù)據(jù)能更加準(zhǔn)確全面地反映土樣的光譜反射率特征。

4 ?結(jié)??論

1）在1350～2500 nm范圍內(nèi)，不同全氮含量和不同堿解氮含量的土壤光譜反射率存在明顯差異，且同一波段下光譜反射率隨全氮和堿解氮含量的增加而增大。

2）使用全波段建模時(shí)，原始光譜經(jīng)4種預(yù)處理方法處理后，建立的土壤全氮和堿解氮含量估測(cè)?模型精度顯著提高；其中原始光譜經(jīng)D1-SNV預(yù)處理后，建立的全氮和堿解氮含量估測(cè)模型精度均較高?；贒1-SNV預(yù)處理方法，使用特征波段建模時(shí)，SPA的降維效果優(yōu)于CA，且相同建模方法下用SPA構(gòu)建的全氮和堿解氮含量估測(cè)模型精度均高于使用CA建立的模型。

3）綜合比較下，光譜經(jīng)D1-SNV預(yù)處理后，用SPA篩選特征波段構(gòu)建的全氮和堿解氮含量KRR估測(cè)模型精度均較高。運(yùn)用高光譜成像技術(shù)能夠?qū)崿F(xiàn)植煙土壤全氮和堿解氮含量的快速高精度估測(cè)。本研究可為植煙土壤信息快速獲取提供方法參考。

參考文獻(xiàn)

[1]BRUNING B， LIU H J， BRIEN C， et al. The development of hyperspectral distribution maps to predict the content and distribution of nitrogen and water in wheat （Triticum aestivum）[J]. Frontiers in Plant Science， 2019， 10： 1380.

[2]CHEN Z Y， REN S J， QIN R M， et al. Rapid detection of different types of soil nitrogen using near-infrared hyperspectral imaging[J]. Molecules， 2022， 27（6）： 2017.

[3]劉國(guó)順. 煙草栽培學(xué)[M]. 北京：中國(guó)農(nóng)業(yè)出版社，2003.

LIU G S. Tobacco cultivation[M]. Beijing： China Agricultural Machinery Press， 2003.

[4]彭暢，朱平，牛紅紅，等. 農(nóng)田氮磷流失與農(nóng)業(yè)非點(diǎn)源污染及其防治[J]. 土壤通報(bào)，2010，41（2）：508-512.

PENG C ， ZHU P ， NIU H H， et al. Nitrogen and phosphorus loss of farmland agriculral non-point source pollution and its prevention[J]. Chinese Journal of Soil Science， 2010， 41（2）： 508-512.

[5]肖鈺. 四川植煙土壤特征分析及健康評(píng)價(jià)[D]. 北京：中國(guó)農(nóng)業(yè)科學(xué)院，2021.

XIAO Y. Characteristics and health evaluation of tobacco planting soil in Sichuan Province[D]. Beijing： Chinese Academy of Agricultural Sciences， 2021.

[6]呂小娜，龐夙，李廷軒，等. 四川省涼山州新植煙區(qū)土壤養(yǎng)分狀況分析及綜合評(píng)價(jià)[J]. 土壤通報(bào)，2013，44（3）：691-697.

LYU X N， PANG S， LI T X， et al. Analysis and comprehensive evaluation of soil fertility status for tobacco-planted areas in Liangshan， Sichuan Province[J]. Chinese Journal of Soil Science， 2013， 44（3）： 691-697.

[7]HE Y， LIU X D， LV Y Y， et al. Quantitative analysis of nutrient elements in soil using single and double-pulse laser-induced breakdown spectroscopy[J]. Sensors， 2018， 18（5）： 1526.

[8]BREMNER J M. Determination of nitrogen in soil by the Kjeldahl method[J]. The Journal of Agricultural Science， 1960， 55： 11-33.

[9]BOSCH OJEDA C， SANCHEZ ROJAS F. Recent applications in derivative ultraviolet/visible absorption spectrophotometry： 2009-2011[J]. Microchemical Journal， 2013， 106： 1-16.

[10]LIN L X， GAO L P， XUE F C， et al. Hyperspectral analysis of total nitrogen in soil using a synchronized decoloring fuzzy measured value method[J]. Soil and Tillage Research， 2020， 202： 104658.

[11]LI H Y， JIA S Y， LE Z C. Quantitative analysis of soil total nitrogen using hyperspectral imaging technology with extreme learning machine[J]. Sensors， 2019， 19（20）： 4355.

[12]KAWAMURA K， TSUJIMOTO Y， RABENARIVO M， et al. Vis-NIR Spectroscopy and PLS regression with waveband selection for estimating the total C and N of paddy soils in Madagascar[J]. Remote Sensing， 2017， 9（10）： 1081.

[13]XU S Y， WANG M Y， SHI X Z， et al. Integrating hyperspectral imaging with machine learning techniques for the high-resolution mapping of soil nitrogen fractions in soil profiles[J]. Science of The Total Environment， 2021， 754： 142135.

[14]ZHANG S， LU X， ZHANG Y Z， et al. Estimation of soil organic matter， total nitrogen and total carbon in sustainable coastal wetlands[J]. Sustainability， 2019， 11（3）： 667.

[15]劉秀英，王力，常慶瑞，等. 基于相關(guān)分析和偏最小二乘回歸的黃綿土土壤全氮和堿解氮含量的高光譜預(yù)測(cè)[J]. 應(yīng)用生態(tài)學(xué)報(bào)，2015，26（7）：2107-2114.

LIU X Y， WANG L， CHANG Q R， et al. Prediction of total nitrogen and alkali hydrolysable nitrogen content in loess using hyperspectral data based on correlation analysis and partial least squares regression[J]. Chinese Journal of Applied Ecology， 2015， 26（7）： 2107-2114.

[16]王濤，喻彩麗，張楠楠，等. 基于去包絡(luò)線和連續(xù)投影算法的棗園土壤電導(dǎo)率光譜檢測(cè)研究[J]. 干旱地區(qū)農(nóng)業(yè)研究，2019，37（5）：193-199.

WANG T， YU C L， ZHANG N N， et al. Spectral detection of electrical conductivity in jujube orchard soil based on continuum- removal and SPA[J]. Agricultural Research in the Arid Areas 2019， 37（5）： 193-199.

[17]WANG S J， CHEN Y H， WANG M G， et al. SPA-based methods for the quantitative estimation of the soil salt content in saline-alkali land from field spectroscopy data： a case study from the Yellow River irrigation regions[J]. Remote Sensing， 2019， 11（8）： 967.

[18]鮑士旦. 土壤農(nóng)化分析（第三版）[M]. 北京：中國(guó)農(nóng)業(yè)出版社，1999.

BAO S D. Soil agrochemical analysis （third edition） [M]. Beijing： China Agricultural Machinery Press， 1999.

[19]沈從旺. 土壤pH值和全鉀含量高光譜反演及影響因素研究[D]. 重慶：西南大學(xué)，2020.

SHEN C W. Study on hyperspectral inversion of soil pH and total potassium content and influencing factors[D]. Chongqing： Southwest University， 2020.

[20]牛芳鵬，李新國(guó)，麥麥提吐爾遜·艾則孜，等. 基于連續(xù)投影算法的博斯騰湖西岸湖濱綠洲土壤有機(jī)碳含量的高光譜估算[J]. 浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版），2021，47（5）：673-682.

NIU F P， LI X G， MAMATTURSUN?E， et al. Hyperspectral estimation of soil organic carbon content in the west lakeside oasis of Bosten Lake based on successive projection algorithm[J]. Journal of Zhejiang University （Agric. & Life Sci.）， 2021， 47（5）： 673-682.

[21]PANG L， WANG J H， MEN S， et al. Hyperspectral imaging coupled with multivariate methods for seed vitality estimation and forecast for Quercus variabilis[J]. Spectrochimica Acta （Part A）： Molecular and Biomolecular Spectroscopy， 2021， 245： 118888.

[22]張東輝，趙英俊，秦凱. 一種新的光譜參量預(yù)測(cè)黑土養(yǎng)分含量模型[J]. 光譜學(xué)與光譜分析，2018，38（9）：2932-2936.

ZHANG D H， ZHAO Y J， QIN K. A new model for predicting black soil nutrient content by spectral parameters[J]. Spectroscopy and Spectral Analysis， 2018， 38（9）： 2932-2936.

[23]陸龍妹，張平，盧宏亮，等. 淮北平原土壤高光譜特征及有機(jī)質(zhì)含量預(yù)測(cè)[J]. 土壤，2019，51（2）：374-380.

LU L M， ZHANG P， LU H L， et al. Hyperspectral characteristics of soils in Huaibei plain and estimation of SOM content[J]. Soils， 2019， 51（2）： 374-380.

[24]王一丁，趙銘欽，劉鵬飛，等. 基于高光譜分析的植煙土壤有機(jī)質(zhì)和全氮含量預(yù)測(cè)研究[J]. 中國(guó)煙草學(xué)報(bào)，2016，22（3）：44-51.

WANG Y D， ZHAO M Q， LIU P F， et al. Prediction of organic matter and total nitrogen contents in tobacco-growing soil based on hyper-spectral analysis[J]. Acta Tabacaria Sinica， 2016， 22（3）： 44-51.

[25]郭斗斗，黃紹敏，張水清，等. 多種潮土有機(jī)質(zhì)高光譜預(yù)測(cè)模型的對(duì)比分析[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30（21）：192-200.

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

[26]SHEN L Z， GAO M F， YAN J W， et al. Hyperspectral estimation of soil organic matter content using dfferent spectral preprocessing techniques and PLSR method[J]. Remote Sensing， 2020， 12（7）： 1206.

[27]殷彩云，白子金，羅德芳，等. 基于高光譜數(shù)據(jù)的土壤全氮含量估測(cè)模型對(duì)比研究[J]. 中國(guó)土壤與肥料，2022（1）：9-15.

YIN C Y， BAI Z J， LUO D F， et al. Comparative study on estimation models of soil total nitrogen content based on hyperspectral data[J]. Soil and Fertilizer Sciences in China， 2022（1）： 9-15.

[28]CHU Y W， TANG S S， MA S X， et al. Accuracy and stability improvement for meat species identification using multiplicative scatter correction and laser-induced breakdown spectroscopy[J]. Optics Express， 2018， 26（8）： 10119.

[29]韓建，李雨昭，曹志民，等. SPA-PLS的高含水原油近紅外光譜含水率分析[J]. 光譜學(xué)與光譜分析，2019，39（11）：3452-3458.

HAN J， LI Y Z， CAO Z M， et al. Water content prediction for high water-cut crude oil based on SPA-PLS using near infrared spectroscopy[J]. Spectroscopy and Spectral Analysis， 2019， 39（11）： 3452-3458.

[30]于雷，洪永勝，耿雷，等. 基于偏最小二乘回歸的土壤有機(jī)質(zhì)含量高光譜估算[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（14）：103-109.

YU L， HONG Y S， GENG L， et al. Hyperspectral estimation of soil organic matter content based on partial least squares regression[J]. Transactions of the Chinese Society of Agricultural Engineering， 2015， 31（14）： 103-109.

[31]彭遠(yuǎn)新，蒙永輝，徐夕博，等. 基于隨機(jī)森林算法的濰北平原土壤全氮高光譜估算[J]. 安全與環(huán)境學(xué)報(bào)，2020，20（5）：1975-1983.

PENG X Y， MENG Y H， XU X B， et al. Estimation for the total nitrogen content rate in the soil of Weibei Plain based on the random forest algorithm and hyper-spectral[J]. Journal of Safety and Environment， 2020， 20（5）： 1975-1983.

[32]JIA S Y， LI H Y， WANG Y J， et al. Hyperspectral imaging analysis for the classification of soil types and the determination of soil total nitrogen[J]. Sensors， 2017， 17（10）： 2252.

[33]孫小香，趙小敏，謝文. 基于高光譜的山地紅壤全氮含量估測(cè)模型對(duì)比研究[J]. 江蘇農(nóng)業(yè)科學(xué)，2018，46（15）：287-291.

SUI X X， ZHAO X M， XIE W， et al. Comparative study on estimation models of total nitrogen content in mountain red soil based on Hyperspectral data[J]. Jiangsu Agricultural Sciences， 2018， 46（15）： 287-291.