侯化刚，王丹阳，马斯琦，潘剑君，李兆富
黄河三角洲不同盐渍度土壤有机质含量的高光谱预测研究
侯化刚，王丹阳，马斯琦，潘剑君，李兆富
南京农业大学资源与环境科学学院，南京 210095
【目的】探究土壤有机质和盐分的光谱响应，分析不同盐分含量对土壤有机质预测模型的影响，建立快速、有效的盐渍土有机质含量高光谱预测模型。【方法】以黄河三角洲地区粉质壤土为研究对象，根据不同盐分含量将土壤样本分为非盐（SA）、轻度（SB）、中度（SC）和重度（SD）4组，分别进行室内高光谱测量；
其次采用双因素方差分析法，探究土壤有机质和盐分光谱响应程度；
进而对原始光谱（raw spectral reflectance，R）进行一阶微分（first order differential reflectance，FD）、连续统去除（continuous statistical removal，CR）、对数（logarithmic，Log）和多元散射校正（multipication scatter correction，MSC）4种变换；
最后分别基于盐渍土的4组样本结合4种变换光谱构建多元线性回归（multiple linear regression，MLR）、偏最小二乘回归（partial least squares regression，PLSR）和支持向量回归（support vector machine，SVR）3种土壤有机质含量高光谱预测模型。【结果】土壤有机质和盐分在400—900 nm范围内光谱响应程度显著且变化规律基本一致，二者的敏感波段存在重叠；
通过划分不同盐渍度分组建模能够提高土壤有机质预测精度，且随着盐分含量增加，模型的预测精度下降，FD处理更能突出光谱特征差异，提高有机质含量与光谱反射率的相关性。对比3种模型结果，利用FD处理结合SVR建立土壤有机质预测模型精度最高，最优结果建模集和验证集的决定系数2为0.86、0.82，均方根误差为2.71、2.96 g·kg-1，相对分析误差为2.42。【结论】土壤盐分与有机质在可见光波段附近（400—900 nm）的敏感波段存在重叠，通过划分不同盐渍度能够有效提高有机质预测模型精度。
盐渍土；
有机质；
光谱响应；
高光谱预测
【研究意义】有机质是土壤的重要组成部分，是衡量土壤肥力水平的重要指标，也在改善盐渍土理化性质、提高土壤保水保肥能力方面发挥着重要作用[1-2]。实时了解盐渍土有机质含量和空间变异，掌握土壤有机质的动态变化对于盐渍土改良和可持续管理具有重要意义[3]。传统的有机质测定方法精度较高，但过程复杂、时效性差，无法实现盐渍土有机质的动态监测[4]。高光谱技术被认为是一种无损、快速、可重复的预测土壤有机质的方法，能够实现土壤有机质的快速、准确预测[5]。【前人研究进展】不同的预处理方法会影响有机质的预测模型精度[6]，光谱预处理可消除光谱中的噪声影响，突出有机质的光谱特征差异，增强对光谱相关信息的识别[7]。南锋等[8]、侯艳军等[9]研究表明，经微分变换后土壤有机质的吸收特征更明显，与有机质含量的相关性也显著提高，建立的有机质预测模型2最高可达0.78。而不同预处理方法的效果又依赖于建模方法的选择。王永敏等[10]采用小波分析方法实现去噪，结合多元线性回归法、最小二乘回归法和BP神经网络法建立土壤有机质预测模型，结果表明对数的平方变换处理结合BP神经网络建模效果最好。Zhang等[11]采用9种光谱预处理方法和最佳波段组合算法对盐渍土光谱进行处理，结果表明SG平滑建立的PLSR模型效果最好，最优模型2为0.81。王海峰等[12]对土壤光谱进行不同变换处理，在一定程度上消除了噪声，结合偏最小二乘回归和岭回归方法构建有机质预测模型，结果表明基于标准正态变量变换SNV构建的岭回归模型预测效果更为理想。土壤光谱反射率是土壤理化性质的综合反映[13]，土壤中各种物质存在干扰甚至掩盖有机质的光谱特征[14-16]。朱亚星等[13]和彭杰等[17]探究了有机质对土壤光谱特征的影响，研究表明去除有机质后光谱反射率在可见光波段增加明显，这表明有机质在可见光波段敏感；
然而盐分对土壤光谱特征的影响作用较强[14]，彭杰等[18]利用连续统去除方法分析了土壤盐分的光谱特征，结果表明土壤盐分在可见光波段光谱响应敏感，与有机质的敏感波段存在重叠；
刘亚秋等[19]分析了盐渍土盐分及其盐基离子的光谱特征，研究表明随着盐分含量的增加，光谱反射率逐渐增大，且土壤盐分及盐基离子在近红外波段光谱响应最显著；
张俊华等[20]利用高光谱技术预测不同土壤盐分指标（pH、EC和可溶性盐基离子），结果表明不同盐分指标的敏感波段普遍集中在可见光波段的紫光、红光以及近红外波段。上述研究表明，有机质会使光谱反射率降低，而盐分会使光谱反射率升高，有机质和盐分对光谱反射率的影响作用相反，且二者均在可见光-近红外波段敏感。因此，盐分含量过高可能会削弱或干扰有机质光谱吸收特征[9,21-22]。【本研究切入点】目前，高光谱技术已被广泛应用到土壤有机质含量的预测研究中[23-27]，然而对于盐渍化土壤，有机质和盐分的敏感波段存在重叠[18]，盐分的存在可能会影响土壤有机质预测精度。【拟解决的关键问题】揭示盐渍土有机质和盐分的光谱响应规律，探究不同盐分含量对有机质预测的影响，以期进一步提高盐渍土有机质预测精度。本研究以黄河三角洲地区的粉质壤土为研究对象，尝试利用双因素方差分析探究土壤盐分和有机质的光谱响应程度，进而基于不同光谱变换处理和建模方法构建不同盐渍度土壤有机质预测模型，筛选出最优的盐渍土有机质预测模型，为黄河三角洲地区盐渍土有机质遥感监测提供理论依据。
1.1 研究区概况
本文以黄河三角洲（36°41′—38°17′ N，117°16′—119°18′ E）为研究区，黄河三角洲位于山东省北部（图1），是由黄河所携带的大量泥沙沉积而形成的冲击平原，具有独特的地理位置和气候特征，北邻渤海，属于暖温带半湿润大陆性季风气候，夏季炎热多雨、冬季寒冷干燥，降水分布不均，主要集中在7—9月。受季风性气候和海洋潮汐影响，土壤季节性积盐和脱盐现象严重，盐渍化普遍。土壤母质为黄河冲积物，土壤类型主要包括潮土和盐土两大类[2]。
图1 研究区地理位置及采样点分布图
1.2 土壤样品采集与制备
2020年10月11—30日进行野外土样采集，土地利用类型包括林地、耕地、裸地、滨海湿地，共采集土样367个。采样时取0—20 cm土层样品约1 kg，装入密封袋保存并记录GPS坐标信息，随后将土样去除杂质，经自然风干、研磨过筛后，一份用于化学指标测定，一份用于室内光谱采集。采用重铬酸钾-外加热法测定土壤有机质含量[28]，5﹕1水土比电导法测定土壤电导率EC[28]，表示土壤盐分含量。为了消除颗粒大小对土壤光谱特征的干扰，利用激光粒度分析仪测定土壤机械组成，参照美国制分级标准对土壤质地分级[29]，最终获得330个粉质壤土作为试验土样。
1.3 室内光谱采集及预处理
利用便携式地物高光谱仪ASD FieldSpec 3（美国Analytical Spectral Devices公司）采集土壤光谱，光谱范围350—2 500 nm，有2 151个输出波段。光谱采集在暗室中进行，以50 W的卤素灯作为唯一光源，天顶角30°，距离土样50 cm，将土壤样品盛放在深3 cm，直径7 cm的黑色盛样皿中，传感器探头视场角为25°，垂直于土样上方5 cm处，探测范围直径2.22 cm，远小于盛样皿直径。测定前用标准白板进行校正，将土样表面稍稍刮平，使其表面尽量平整，每个土样旋转3次，每次重复采集10条光谱曲线，共采集30条光谱曲线，利用高光谱仪自带软件ViewspecPro进行算术平均得到最终光谱数据。
采用箱型图剔除有机质异常的样本，利用主成分分析法来剔除光谱异常的土壤样本[30]，最终得到311个土样数据。每条光谱曲线去除噪声较大的边缘波段350—399和2 401—2 500 nm，利用9点加权移动平均法对光谱数据平滑去噪得到原始光谱曲线R，为了进一步突出土壤光谱特征差异，便于后续有机质特征波段的选取，对原始光谱曲线R进行一阶微分（FD）、包络线去除（CR）、对数变换（Log）和多元散射校正（MSC）4种光谱变换处理。CR在ENVI5.3中实现，光谱曲线平滑去噪、光谱变换处理在软件Unscrambler 10.4中进行。
1.4 土壤有机质和盐分光谱响应分析
方差分析是应用数理统计中的一种基本方法[31]，通过划分误差的来源进而分析变量之间的关系和不同因素的作用，考虑两个因素对试验指标影响的方差分析称为双因素方差分析。本研究采用双因素方差分析，分析土壤盐分和有机质的光谱响应程度，进而探究土壤盐分对有机质光谱预测的影响。
根据SOM和EC含量，参考第二次全国土壤普查有机质分级[32]和盐分分级标准[28]，充分考虑样本数量的均匀，对有机质和盐分进行分组，将有机质含量划分为低（＜10 g·kg-1）、中（10—20 g·kg-1）、高（＞20 g·kg-1）3组，根据EC值将盐分划分为非盐渍化SA（0—2 dS·m-1）、轻度盐渍化SB（2—4 dS·m-1）、中度盐渍化SC（4—8 dS·m-1）和重度盐渍化SD（＞8 dS·m-1）4组，分组结果用于双因素方差分析，探究有机质和盐分的光谱响应，方差分析在SPSS26中进行。
1.5 筛选特征波段
将有机质含量与土壤原始光谱反射率和4种变换光谱数据逐波段进行相关性分析和逐步回归分析，计算每个波段与土壤有机质的相关系数，选择通过0.01显著性检验和逐步回归分析中方差膨胀因子VIF＜10的波段为有机质特征波段，作为模型的输入变量，相关性分析和逐步回归在SPSS26中进行。
1.6 建模方法与精度验证
本研究基于特征波段建模精度和模型稳定性优于全波段建模结果，与南锋等[8]和朱亚星等[13]研究结果一致，故全波段建模未在结果中展示。对不同盐渍度土样按有机质含量排序，进行建模集和验证集的划分，选择1/3为验证集，剩下的为建模集[25]。基于混合的全部样本和不同盐渍度的4组样本结合原始光谱（R）和一阶微分（FD）、连续统去除（CR）、对数（Log）、多元散射校正（MSC）筛选的特征波段构建多元线性回归（MLR）、偏最小二乘回归（PLSR）和支持向量回归（SVR）3种模型，采用留一交叉验证法确定PLSR模型的最佳因子数[8]；
设定SVM 类型为4（即v-SVR），核函数类型为径向基核函数RBF），采用训练集交叉验证和网格搜索法（grid search）进行参数寻优，依据均方差最小原则确定惩罚参数C和RBF核参量g的值。MLR和PLSR在软件Unscrambler 10.4中进行，SVR模型的参数寻优利用Matlab R2018b软件的libsvm 3.11工具箱实现[33]。
建模精度指标为决定系数（coefficient of determination,2）、均方根误差（root mean square error,）、相对分析误差（the ratio of prediction to deviation,）和1﹕1线综合评价模型精度[13]，公式如下。其中，2越接近1，越接近于0，表明模型的预测精度越高、稳定性更好，当≥2时，模型具有很好的预测能力；
1.4≤＜2时，模型的效果一般，只能进行粗略预测；
＜1.4时，模型精度较差，不能用来预测[34]，1﹕1线用来检验实测值和预测值所绘制的散点图偏离=的程度。
2.1 不同盐渍度土壤有机质含量统计分析
研究区土壤有机质含量为1.70—35.31 g·kg-1，有机质含量总体偏低（表1），全部样本建模集最小值为1.70 g·kg-1，最大值为35.08 g·kg-1，均值为16.43 g·kg-1，验证集最小值为2.38 g·kg-1，最大值为35.31 g·kg-1，均值为16.66 g·kg-1，全部样本和不同盐渍度土壤样本的建模集、验证集的变异系数接近，土壤有机质含量均为中等程度变异，样本的离散程度较高，满足模型构建的可靠性和代表性。
表1 不同盐渍度土壤有机质含量统计分析
Ⅰ：建模集Calibration set；
Ⅱ：验证集Validation set
2.2 有机质和盐分交互响应分析
双因素方差分析可以探究两个因素对试验指标的影响，并且能够实现对两因素间交互作用的分析[31]。本研究将有机质和盐分作为两个因素，利用双因素方差分析法分析当有机质和盐分含量变化时土壤光谱反射率的变化程度，进而探究有机质和盐分的光谱响应，两因素分组水平如表2所示。
SOM、EC和MC分别表示有机质、盐分及二者交互作用对土壤光谱的F值统计量（图2），F值统计量表示了有机质、盐分及交互作用对土壤光谱反射率的响应程度，由大到小依次为有机质、盐分、交互作用。有机质和盐分的F值统计量曲线形状基本相似，在400—600 nm范围内，光谱响应程度随波长增加逐渐增强，在600 nm附近达到最强；
600—1 000 nm波段光谱响应程度逐渐减弱，1 000—1 800 nm波段光谱响应程度增加缓慢；
在1 400 nm波段附近受微弱的水分吸收影响，在1 900 nm波段附近的水分吸收作用最强烈，有机质和盐分的光谱响应程度骤减；
2 000—2 400 nm的响应程度较弱。由土壤有机质、盐分及其交互作用的显著性检验可知：土壤有机质在全波段的光谱响应均是显著的；
盐分除在400—900 nm波段内显著外，在其余波段的光谱响应均不显著的；
二者的交互作用在所有波段均不显著。
由方差分析可知，在400—900 nm波段范围内，有机质和盐分的光谱响应程度变化一致，在600 nm附近出现峰值，且二者均通过了0.05水平的显著性检验，表明在此波段范围有机质和盐分的光谱响应最强，二者的敏感波段可能存在重叠，土壤中盐分存在会干扰有机质的光谱特征，因此，在预测土壤有机质含量时要考虑土壤中盐分的影响。
表2 因素水平表
图2 有机质和盐分及二者交互作用的F值统计量曲线
2.3 不同盐渍度土壤光谱特征分析
为了进一步探究不同土壤盐分含量对有机质含量预测模型精度的影响，本研究通过划分不同盐渍度水平分别构建土壤有机质含量预测模型。
不同盐渍度土壤原始光谱曲线形态基本一致，光谱反射率在0.08—0.50，光谱反射率变化趋势相同，呈抛物线型（图3）。光谱反射率在可见光波段增加较快，近红外波段增加变缓，整体表现为盐分含量越高，光谱反射率越高，盐分与光谱反射率呈现正相关，这与前人的研究一致[35-37]，在900 nm附近存在一个小的吸收谷，可能与铁的氧化物吸收有关[38]，1 400、1 900和2 200 nm波段附近有强烈的水分吸收谷，这与游离水和黏土矿物中所含的OH-有关[39-40]，1 900 nm波段附近水分吸收谷深度和面积随盐分含量增加而增加，这可能是由于盐分的吸湿性，使得水分吸收作用强烈[41]，2 000—2 400 nm光谱反射率呈现先增加后下降趋势，表现出的峰谷吸收结构主要是由残余在土壤中的少量水分以及空气中水吸收引起的[2]。
图3 不同盐渍度土壤光谱曲线
2.4 不同盐渍度土壤有机质含量与光谱反射率的相关性分析
不同盐渍度土壤有机质含量与R、FD、CR、Log和MSC的相关系数曲线差异明显（图4），土壤有机质含量与R和Log相关性曲线整体呈负相关，相关系数曲线较为平滑，各波段相关系数差异较小，在600 nm附近达到峰值；
FD变换与有机质含量相关性呈正负交替，在全波段范围内相关系数波动较大，存在多个吸收峰，一些隐含的光谱信息被放大，相较于原始光谱反射率，在可见光范围内的相关性有所增强，而在近红外区域的相关性明显降低，更能突出有机质的光谱特征；
CR与有机质含量相关性整体较低，在可见光和近红外区域存在多个吸收峰；
MSC与有机质含量在可见光波段相关性达到峰值，1 400和1 900 nm附近有较强的水分吸收作用。
经过不同的光谱变换处理，光谱反射率与有机质含量的相关系数在全波段范围内呈正负交替，且相关性有所提高，在可见光范围的相关系数波动最大，存在多个相关系数峰值和突变点，表明有机质的光谱响应敏感，这与方差分析结果基本一致。
土壤有机质含量与原始及变换光谱逐波段进行相关性分析，通过=0.01水平的显著检验并且结合逐步回归VIF＜10的波段确定为特征波段，结果如表3所示，有机质特征波段主要集中在428—694、769—1 374、 1 426—1 506、1 719—1 955和2 046—2 386 nm范围内。
表3 不同盐渍度土壤有机质的特征波段
图4 不同盐渍度土壤有机质含量与原始及其变换后的光谱反射率相关性曲线
2.5 模型精度对比及验证分析
分别以土壤光谱的特征波段为自变量，土壤有机质含量为因变量，基于多元线性回归MLR、偏最小二乘回归PLSR和支持向量回归SVR建立不同盐渍度土壤有机质预测模型。
基于MLR模型有机质预测结果如表4所示，c2最小值为0.42，最大值为0.80，均方根误差c介于3.52—6.17 g·kg-1；
验证结果，v2在0.33—0.75，v在3.51—7.20 g·kg-1，相对分析误差为1.15—2.04。基于PLSR模型预测结果如表5所示，相较于MLR模型，PLSR模型的结果较差，决定系数c2最小值为0.42，最大值为0.79，均方根误差c介于3.33—6.08 g·kg-1，验证结果表明，v2介于0.33—0.74，v在3.60—7.20 g·kg-1，相对分析误差为1.15—1.99；
基于SVR模型结果如表6所示，c2介于0.36—0.86，c为2.71— 6.15 g·kg-1，验证结果，v2最大值为0.82，最小值为0.26，v介于2.96—7.36 g·kg-1，为1.11—2.42。
对比3种模型结果可知，不同盐渍度土壤经过FD变换处理后模型预测精度均有明显的提高，相较于MLR和PLSR模型，SVR模型预测效果最好，不同盐渍度土壤SOM拟合线与1﹕1线的偏离较小，模型的预测效果均较好。同时，基于全部样本建立的有机质预测模型精度最低，v2最高值仅为0.68，4组盐渍土有机质预测模型精度中，非盐渍土有机质预测效果最好，v2最高为0.82，v为2.96 g·kg-1，为2.42，随着土壤盐渍化程度的增加，有机质预测精度逐渐降低，但仍高于基于混合的全部样本建模精度，不同盐渍度土壤有机质最优结果为FD处理结合SVR建立的土壤有机质预测模型，如图5所示。
表4 多元线性回归（MLR）有机质含量建模结果
表5 偏最小二乘回归（PLSR）有机质含量建模结果
3.1 有机质和盐分的光谱响应规律
有机质和盐分在可见光波段范围的光谱响应显著且在全波段的光谱响应变化规律基本一致，表明二者的敏感波段可能存在重叠。这主要是因为在可见光区域光谱反射率受到土壤发色团和有机质本身黑色的影响[41]，且与近红外区有机质中官能团的伸缩振动和转角振动的合频跃迁有关[42]，表现为有机质在可见光和近红外波段光谱响应敏感；
黄河三角洲土壤盐分组成以NaCl为主，矿物组成包括岩盐、石膏等[33]，已有研究表明，虽然NaCl在可见光和近红外波段没有吸收特征，但与NaCl存在相关性的石膏在可见光和近红外波段具有吸收特征可间接反映土壤盐分的光谱信息[43]，表现出盐基离子（如Cl-和Na+）与可见光和近红外波段的光谱反射率相关性较强[19-20]，土壤盐分在可见光和近红外波段的光谱响应敏感。
图5 不同盐渍度土壤有机质含量最优预测模型结果
3.2 不同光谱变换处理在盐渍土有机质含量预测中的效果
不同光谱变换处理能够有效提高有机质与光谱反射率的相关性。将原始光谱反射率进行一阶微分FD、连续统去除CR、对数Log以及多元散射校正MSC处理后，显著提高了土壤光谱与有机质含量的相关性，FD处理效果最好，相关系数最高可达0.83，这与南锋等[8]和侯艳军等[9]的研究结果一致，对原始光谱进行一阶微分变换可以消除背景噪声干扰，突出土壤光谱特征差异，土壤有机质预测模型精度也有明显提升，也有研究表明不同的光谱变换处理组合可提升模型精度[44]，本文利用单一光谱变换方法，可能无法更好地挖掘出与有机质相关的光谱信息[6]。因此，后续研究应进一步比较不同光谱变换方法组合处理对预测精度的影响。
表6 支持向量回归（SVR）有机质含量建模结果
3.3 盐分对有机质含量预测模型精度的影响
构建不同盐渍度的土壤有机质含量预测模型，可明显提升土壤有机质含量的预测精度，且随着盐分含量增加，有机质含量的预测精度逐渐下降，这是由于土壤光谱反射率随盐分含量增加而呈非线性增加[45]，而有机质存在会使土壤光谱反射率降低[46]，二者对光谱反射率的作用恰好相反，并且盐分与有机质在可见光范围内的敏感波段存在重叠。因此，盐分含量增加会削弱有机质的光谱响应程度、干扰有机质的光谱特征[9]，进而影响有机质含量的预测精度。通过划分不同盐渍度分组建模能够降低土壤盐分含量差异，在一定程度上减少不同盐分含量对土壤光谱反射率的影响，有利于突出有机质的光谱特征，故建模精度较高。
3.4 不足和展望
本文以黄河三角洲地区盐渍土为研究对象，采样点主要分布在受人类扰动较大的耕地上，所建立的模型是否适用于其他地区不同用地类型的土壤，有待进一步验证；
且划分建模集和验证集时仅考虑了样本间的有机质含量而忽略了土壤光谱的欧氏距离和空间关系[39]，样本分布不均，有机质的预测精度亦受影响。因此，今后的研究有必要采集更多用地类型的土壤样本，比较不同光谱处理方法组合对不同类型土壤有机质预测的影响，同时要开发和利用一些新的光谱处理技术来消除土壤盐分对有机质光谱特征的干扰，进一步提高有机质预测模型精度，从而实现盐渍土有机质的快速、准确预测。
4.1 土壤光谱反射率与盐分含量整体呈正相关关系，由方差分析可知，在400—900 nm波段，盐分与有机质对光谱响应显著，且变化规律基本一致，其中600 nm附近光谱响应程度最强，在可见光波段附近土壤有机质与盐分的敏感波段存在重叠；
在1 000—1 800 nm波段光谱响应程度增加缓慢；
在1 400 nm波段附近受微弱的水分吸收影响，1 900 nm波段附近的水分吸收作用最强烈，光谱响应程度有所减弱；
2 000—2 400 nm的响应程度较弱。
4.2 经一阶微分FD变换后，一些隐含的光谱吸收特征被放大，增强不同盐渍度土壤有机质光谱特征差异，显著提高有机质含量与光谱反射率的相关性，相关系数最高可达0.83。
4.3 通过划分不同盐渍度分组建模能有效提高土壤有机质含量预测精度，但是随着土壤盐分含量增加，土壤有机质含量的预测精度下降；
对比3种建模方法，SVR模型预测精度相较于MLR和PLSR显著提高，利用FD处理结合SVR建立的模型土壤有机质预测效果最优，验证结果v2最高为0.82，v为2.96 g·kg-1，为2.42。
[1] 方少文, 杨梅花, 赵小敏, 郭熙. 红壤区土壤有机质光谱特征与定量估算: 以江西省吉安县为例. 土壤学报, 2014, 51(5): 1003-1010.
FANG S W, YANG M H, ZHAO X M, GUO X. Spectral characteristics and quantitative estimation of som in red soil typical of Ji’an County, Jiangxi Province. Acta Pedologica Sinica, 2014, 51(5): 1003-1010. (in Chinese)
[2] 韩兆迎, 朱西存, 刘庆, 房贤一, 王卓远. 黄河三角洲土壤有机质含量的高光谱反演. 植物营养与肥料学报, 2014, 20(6): 1545-1552.
HAN Z Y, ZHU X C, LIU Q, FANG X Y, WANG Z Y. Hyperspectral inversion models for soil organic matter content in the Yellow River Delta. Journal of Plant Nutrition and Fertilizer, 2014, 20(6): 1545-1552. (in Chinese)
[3] TANG X L, ZHAO X, BAI Y F, TANG Z Y, WANG W T, ZHAO Y C, WAN H W, XIE Z Q, SHI X Z, WU B F, WANG G X, YAN J H, MA K P, DU S, LI S G, HAN S J, MA Y X, HU H F, HE N P, YANG Y H, HAN W X, HE H L, YU G R, FANG J Y, ZHOU G Y. Carbon pools in China’s terrestrial ecosystems: new estimates based on an intensive field survey. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115(16): 4021-4026.
[4] NAWAR S, BUDDENBAUM H, HILL J, KOZAK J, MOUAZEN A M. Estimating the soil clay content and organic matter by means of different calibration methods of vis-NIR diffuse reflectance spectroscopy. Soil and Tillage Research, 2016, 155: 510-522.
[5] NOCITA M, STEVENS A, TOTH G, PANAGOS P, VAN WESEMAEL B, MONTANARELLA L. Prediction of soil organic carbon content by diffuse reflectance spectroscopy using a local partial least square regression approach. Soil Biology and Biochemistry, 2014, 68: 337-347.
[6] VASQUES G M, GRUNWALD S, SICKMAN J O. Comparison of multivariate methods for inferential modeling of soil carbon using visible/near-infrared spectra. Geoderma, 2008, 146(1/2): 14-25.
[7] VAŠÁT R, KODEŠOVÁ R, KLEMENT A, BORŮVKA L. Simple but efficient signal pre-processing in soil organic carbon spectroscopic estimation. Geoderma, 2017, 298: 46-53.
[8] 南锋, 朱洪芬, 毕如田. 黄土高原煤矿区复垦农田土壤有机质含量的高光谱预测. 中国农业科学, 2016, 49(11): 2126-2135. doi: 10. 3864/j.issn.0578-1752.2016.11.009.
NAN F, ZHU H F, BI R T. Hyperspectral prediction of soil organic matter content in the reclamation cropland of coal mining areas in the Loess Plateau. Scientia Agricultura Sinica, 2016, 49(11): 2126-2135. doi: 10.3864/j.issn.0578-1752.2016.11.009. (in Chinese)
[9] 侯艳军, 塔西甫拉提·特依拜,买买提·沙吾提, 张飞. 荒漠土壤有机质含量高光谱估算模型. 农业工程学报, 2014, 30(16): 113-120.
HOU Y J, TASHPOLAT T MAMAT S, ZHANG F. Hyperspectral estimation model of organic matter content in desert soil. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(16): 113-120. (in Chinese)
[10] 王永敏, 李西灿, 田林亚, 贾斌, 杨惠. 土壤有机质含量地面高光谱估测模型对比分析. 国土资源遥感, 2019, 31(1): 110-116.
WANG Y M, LI X C, TIAN L Y, JIA B, YANG H. Comparison and analysis of estimation models of soil organic matter content established by hyperspectral on ground. Remote Sensing for Land & Resources, 2019, 31(1): 110-116. (in Chinese)
[11] ZHANG Z P, DING J L, ZHU C M, WANG J Z. Combination of efficient signal pre-processing and optimal band combination algorithm to predict soil organic matter through visible and near-infrared spectra. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2020, 240: 118553.
[12] 王海峰, 张智韬, Arnon Karnieli, 陈俊英, 韩文霆. 基于灰度关联-岭回归的荒漠土壤有机质含量高光谱估算. 农业工程学报, 2018, 34(14): 124-131.
WANG H F, ZHANG Z T, KARNIELI A, CHEN J Y, HAN W T. Hyperspectral estimation of desert soil organic matter content based on gray correlation-ridge regression model. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(14): 124-131. (in Chinese)
[13] 朱亚星, 于雷, 洪永胜, 章涛, 朱强, 李思缔, 郭力, 刘家胜. 土壤有机质高光谱特征与波长变量优选方法. 中国农业科学, 2017, 50(22): 4325-4337. doi: 10.3864/j.issn.0578-1752.2017.22. 009.
ZHU Y X, YU L, HONG Y S, ZHANG T, ZHU Q, LI S D, GUO L, LIU J S. Hyperspectral features and wavelength variables selection methods of soil organic matter. Scientia Agricultura Sinica, 2017, 50(22): 4325-4337. doi: 10.3864/j.issn.0578-1752.2017.22.009. (in Chinese)
[14] ZHANG Z P, DING J L, WANG J Z, GE X Y. Prediction of soil organic matter in northwestern China using fractional-order derivative spectroscopy and modified normalized difference indices. CATENA, 2020, 185: 104257.
[15] HONG Y S, CHEN S C, ZHANG Y, CHEN Y Y, YU L, LIU Y F, LIU Y L, CHENG H, LIU Y. Rapid identification of soil organic matter level via visible and near-infrared spectroscopy: effects of two- dimensional correlation coefficient and extreme learning machine. Science of the Total Environment, 2018, 644: 1232-1243.
[16] WANG X P, ZHANG F, KUNG H T, JOHNSON V C. New methods for improving the remote sensing estimation of soil organic matter content (SOMC) in the Ebinur Lake Wetland National Nature Reserve (ELWNNR) in northwest China. Remote Sensing of Environment, 2018, 218: 104-118.
[17] 彭杰, 周清, 张杨珠, 向红英. 有机质对土壤光谱特性的影响研究. 土壤学报, 2013, 50(3): 517-524.
PENG J, ZHOU Q, ZHANG Y Z, XIANG H Y. Effect of soil organic matter on spectral characteristics of soil. Acta Pedologica Sinica, 2013, 50(3): 517-524. (in Chinese)
[18] 彭杰, 迟春明, 向红英, 滕洪芬, 史舟. 基于连续统去除法的土壤盐分含量反演研究. 土壤学报, 2014, 51(3): 459-469.
PENG J, CHI C M, XIANG H Y, TENG H F, SHI Z. Inversion of soil salt content based on continuum-removal method. Acta Pedologica Sinica, 2014, 51(3): 459-469. (in Chinese)
[19] 刘亚秋, 陈红艳, 王瑞燕, 常春艳, 陈哲. 基于可见/近红外光谱的黄河口区土壤盐分及其主要离子的定量分析. 中国农业科学, 2016, 49(10): 1925-1935. doi: 10.3864/j.issn.0578-1752.2016.10.009.
LIU Y Q, CHEN H Y, WANG R Y, CHANG C Y, CHEN Z. Quantitative analysis of soil salt and its main ions based on visible/ near infrared spectroscopy in estuary area of Yellow River. Scientia Agricultura Sinica, 2016, 49(10): 1925-1935. doi: 10.3864/j.issn. 0578-1752.2016.10.009.(in Chinese)
[20] 张俊华, 贾萍萍, 孙媛, 贾科利. 基于高光谱特征的盐渍化土壤不同土层盐分离子含量预测. 农业工程学报, 2019, 35(12): 106-115.
ZHANG J H, JIA P P, SUN Y, JIA K L. Prediction of salinity ion content in different soil layers based on hyperspectral data. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(12): 106-115. (in Chinese)
[21] WANG J Z, TIYIP T, DING J L, ZHANG D, LIU W, WANG F. Quantitative estimation of organic matter content in arid soil using vis-NIR spectroscopy preprocessed by fractional derivative. Journal of Spectroscopy, 2017, 2017: 1-9.
[22] ZHANG Z P, DING J L, ZHU C M, WANG J Z, MA G L, GE X Y, LI Z S, HAN L J. Strategies for the efficient estimation of soil organic matter in salt-affected soils through Vis-NIR spectroscopy: optimal band combination algorithm and spectral degradation. Geoderma, 2021, 382: 114729.
[23] 张超, 刘咏梅, 孙亚楠, 王雷, 刘建红. 黄土丘陵沟壑区土壤养分含量的高光谱预测模型. 应用生态学报, 2018, 29(9): 2835-2842.
ZHANG C, LIU Y M, SUN Y N, WANG L, LIU J H. Hyperspectral prediction model of soil nutrient content in the loess hilly-gully region, China. Chinese Journal of Applied Ecology, 2018, 29(9): 2835-2842. (in Chinese)
[24] 玉米提·买明, 王雪梅. 塔里木盆地北缘荒漠土壤有机质含量的高光谱估测. 中国土壤与肥料, 2021(4): 318-326.
YUMITI MAIMING, WANG X M. Hyperspectral estimation of desert soil organic matter content in the northern margin of Tarim Basin. Soil and Fertilizer Sciences in China, 2021(4): 318-326. (in Chinese)
[25] 郄欣, 齐雁冰, 刘姣姣, 王珂, 陈敏辉. 基于室内高光谱数据的多种类型土壤有机质估算模型比较. 干旱地区农业研究, 2021, 39(4): 109-116, 124.
QIE X, QI Y B, LIU J J, WANG K, CHEN M H. Comparison of multiple estimation models of soil organic matter based on laboratory hyperspectral reflectance in Shaanxi Province. Agricultural Research in the Arid Areas, 2021, 39(4): 109-116, 124. (in Chinese)
[26] 洪永胜, 于雷, 朱亚星, 李思缔, 郭力, 刘家胜, 聂艳, 周勇. 利用OSC算法消除土壤含水量变化对Vis-NIR光谱估算有机质的影响. 中国农业科学, 2017, 50(19): 3766-3777. doi: 10.3864/j.issn.0578- 1752.2017.19.013.
HONG Y S, YU L, ZHU Y X, LI S D, GUO L, LIU J S, NIE Y, ZHOU Y. Using orthogonal signal correction algorithm removing the effects of soil moisture on hyperspectral reflectance to estimate soil organic matter. Scientia Agricultura Sinica, 2017, 50(19): 3766-3777. doi: 10.3864/j.issn.0578-1752.2017.19.013. (in Chinese)
[27] 尚璇, 李西灿, 徐邮邮, 刘莎莎. 土壤水与有机质对高光谱的作用及交互作用规律. 中国农业科学, 2017, 50(8): 1465-1475. doi: 10.3864/j.issn.0578-1752.2017.08.010.
SHANG X, LI X C, XU Y Y, LIU S S. The role and interaction of soil water and organic matter on hyper-spectral reflectance. Scientia Agricultura Sinica, 2017, 50(8): 1465-1475. doi: 10.3864/j.issn.0578- 1752.2017.08.010. (in Chinese)
[28] 鲍士旦. 土壤农化分析. 3版. 北京: 中国农业出版社, 2000.
BAO S D. Soil and agricultural chemistry analysis. 3rd ed. Beijing: China Agriculture Press, 2000. (in Chinese)
[29] 周倩倩, 丁建丽, 唐梦迎, 杨斌. 干旱区典型绿洲土壤有机质的反演及影响因素研究. 土壤学报, 2018, 55(2): 313-324.
ZHOU Q Q, DING J L, TANG M Y, YANG B. Inversion of soil organic matter content in oasis typical of arid area and its influencing factors. Acta Pedologica Sinica, 2018, 55(2): 313-324. (in Chinese)
[30] 陈奕云, 齐天赐, 黄颖菁, 万远, 赵瑞瑛, 亓林, 张超, 费腾. 土壤有机质含量可见-近红外光谱反演模型校正集优选方法. 农业工程学报, 2017, 33(6): 107-114.
CHEN Y Y, QI T C, HUANG Y J, WAN Y, ZHAO R Y, QI L, ZHANG C, FEI T. Optimization method of calibration dataset for VIS-NIR spectral inversion model of soil organic matter content. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(6): 107-114. (in Chinese)
[31] 黄伯强, 李启才. 带交互作用的双因素方差分析的线性回归建模. 统计与决策, 2021, 37(1): 10-15.
HUANG B Q, LI Q C. Linear regression modeling of two-factor ANOVA with interaction. Statistics & Decision, 2021, 37(1): 10-15. (in Chinese)
[32] 全国土壤普查办公室. 中国土壤普查技术. 北京: 中国农业出版社, 1992.
National Soil Census Office. Soil General Survey Technology in China. Beijing: China Agriculture Press, 1992. (in Chinese)
[33] 王丹阳, 陈红艳, 王桂峰, 丛津桥, 王向锋, 魏学文. 无人机多光谱反演黄河口重度盐渍土盐分的研究. 中国农业科学, 2019, 52(10): 1698-1709. doi: 10.3864/j.issn.0578-1752.2019. 10.004.
WANG D Y, CHEN H Y, WANG G F, CONG J Q, WANG X F, WEI X W. Salinity inversion of severe saline soil in the Yellow River Estuary based on UAV multi-spectra. Scientia Agricultura Sinica, 2019, 52(10): 1698-1709. doi: 10.3864/j.issn.0578-1752.2019.10.004. (in Chinese)
[34] TERHOEVEN-URSELMANS T, SCHMIDT H, GEORG JOERGENSEN R, LUDWIG B. Usefulness of near-infrared spectroscopy to determine biological and chemical soil properties: importance of sample pre-treatment. Soil Biology and Biochemistry, 2008, 40(5): 1178-1188.
[35] PENG X, XU C, ZENG W Z, WU J W, HUANG J S. Elimination of the soil moisture effect on the spectra for reflectance prediction of soil salinity using external parameter orthogonalization method. Journal of Applied Remote Sensing, 2016, 10(1): 015014.
[36] QIAN T N, TSUNEKAWA A, PENG F, MASUNAGA T, WANG T, LI R. Derivation of salt content in salinized soil from hyperspectral reflectance data: a case study at Minqin Oasis, Northwest China. Journal of Arid Land, 2019, 11(1): 111-122.
[37] WANG S J, CHEN Y H, WANG M G, LI J. Performance comparison of machine learning algorithms for estimating the soil salinity of salt-affected soil using field spectral data. Remote Sensing, 2019, 11(22): 2605.
[38] 刘庆生, 王志刚, 荆林海. 岩石实验室光谱对应分析. 遥感学报, 1999, 3(2): 151-156.
LIU Q S, WANG Z G, JING L H. Correspondence analysis of laboratory spectra of rock. Journal of Remote Sensing, 1999, 3(2): 151-156. (in Chinese)
[39] 国佳欣, 朱青, 赵小敏, 郭熙, 韩逸, 徐喆. 不同土地利用类型下土壤有机碳含量的高光谱反演. 应用生态学报, 2020, 31(3): 863-871.
GUO J X, ZHU Q, ZHAO X M, GUO X, HAN Y, XU Z. Hyper-spectral inversion of soil organic carbon content under different land use types. Chinese Journal of Applied Ecology, 2020, 31(3): 863-871. (in Chinese)
[40] GAO L L, ZHU X C, HAN Z Y, WANG L, ZHAO G X, JIANG Y M. Spectroscopy-based soil organic matter estimation in brown forest soil areas of the Shandong peninsula, China. Pedosphere, 2019, 29(6): 810-818.
[41] 彭杰, 张杨珠, 周清, 刘香伶, 周卫军. 去除有机质对土壤光谱特性的影响. 土壤, 2006, 38(4): 453-458.
PENG J, ZHANG Y Z, ZHOU Q, LIU X L, ZHOU W J. Spectral characteristics of soils in Hunan Province as affected by removal of soil organic matter. Soils, 2006, 38(4): 453-458. (in Chinese)
[42] NOCITA M, STEVENS A, VAN WESEMAEL B, AITKENHEAD M, BACHMANN M, BARTHÈS B, BEN DOR E, BROWN D J, CLAIROTTE M, CSORBA A, DARDENNE P, DEMATTÊ J A M, GENOT V, GUERRERO C, KNADEL M, MONTANARELLA L, NOON C, RAMIREZ-LOPEZ L, ROBERTSON J, SAKAI H, WETTERLIND J. Soil spectroscopy: an alternative to wet chemistry for soil monitoring. Advances in Agronomy, 2015, 132: 139-159.
[43] GOLDSHLEGER N, BEN-DOR E, LUGASSI R, ESHEL G. Soil degradation monitoring by remote sensing: examples with three degradation processes. Soil Science Society of America Journal, 2010, 74(5): 1433-1445.
[44] 郭斗斗, 黄绍敏, 张水清, 聂胜委. 多种潮土有机质高光谱预测模型的对比分析. 农业工程学报, 2014, 30(21): 192-200.
GUO D D, HUANG S M, ZHANG S Q, NIE S W. Comparative analysis of various hyperspectral prediction models of fluvo-aquic soil organic matter. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(21): 192-200. (in Chinese)
[45] WANG J Z, DING J L, YU D L, MA X K, ZHANG Z P, GE X Y, TENG D X, LI X H, LIANG J, LIZAGA I, CHEN X Y, YUAN L, GUO Y H. Capability of Sentinel-2 MSI data for monitoring and mapping of soil salinity in dry and wet seasons in the Ebinur Lake region, Xinjiang, China. Geoderma, 2019, 353: 172-187.
[46] TIAN Y C, ZHANG J J, YAO X, CAO W X, ZHU Y. Laboratory assessment of three quantitative methods for estimating the organic matter content of soils in China based on visible/near-infrared reflectance spectra. Geoderma, 2013, 202/203: 161-170.
Hyperspectral Prediction of Organic Matter in Soils of Different Salinity Levels in the Yellow River Delta
HOU HuaGang, WANG DanYang, MA SiQi, PAN JianJun, LI ZhaoFu
College of Resources and Environment Science, Nanjing Agriculture University, Nanjing 210095
【Objective】The aim of this study was to investigate the spectral response of soil organic matter and salt, to analyze the effects of different salt content on soil organic matter prediction models, and to establish a rapid and effective hyperspectral prediction model for organic matter content in saline soils. 【Method】In this study, according to different salinity contents for indoor hyperspectral measurements, the soil samples were divided into four groups of non-saline (SA), slightly saline (SB), moderately saline (SC), and heavy saline (SD). Then, ANOVA was used to explore the degree of organic matter and salinity spectral response of soils with different salinity degrees respectively. The raw spectra reflectances (raw spectral reflectance, R) were subjected to first order differential reflectance (first order differential reflectance, FD), continuous statistical removal (continuous statistical removal, CR), logarithmic (logarithmic, Log) and multiple scatter correction (multipication scatter correction, MSC) transformations were applied to the raw spectra reflectance; finally, three soil organic matter prediction models, namely multiple linear regression (multiple linear regression, MLR), partial least squares regression (partial least squares regression, PLSR) and support vector regression (support vector machine, SVR), were constructed based on four sets of samples of saline soils combined with the four transformed spectra, respectively. 【Result】Soil organic matter and salinity had significant spectral response in the range of 400-900 nm and the change pattern were the same basically, and the sensitive bands of the two overlap. Modeling by dividing different salinity levels could improve the prediction accuracy of soil organic matter, but the prediction accuracy of the model decreased with the increase of salinity content. FD treatment could better highlight the difference of spectral characteristics and improved the correlation between organic matter content and spectral reflectance. Comparing the results of the three models, the highest accuracy of the soil organic matter prediction model was established using FD treatment combined with SVR, and the coefficients of determination2of the optimal result modeling set and validation set were 0.86 and 0.82, respectively, the root mean square errorwas 2.71 and 2.96 g·kg-1, respectively, and the ratio of prediction to deviationwas 2.42. 【Conclusion】Soil salinity and organic matter overlapped in the sensitive bands near the visible wavelength (400-900 nm), and the accuracy of the organic matter prediction model could be effectively improved by classifying different salinity levels.
saline soil; organic matter; spectral response; hyperspectral prediction
10.3864/j.issn.0578-1752.2023.10.008
2022-04-20；
2022-06-01
山东省重大科技创新工程项目（2019JZZY020614）
侯化刚，E-mail：772550713@qq.com。通信作者李兆富，E-mail：lizhaofu@njau.edu.cn
（责任编辑 李云霞）
猜你喜欢盐渍盐分反射率影响Mini LED板油墨层反射率的因素印制电路信息(2022年11期)2022-11-30近岸水体异源遥感反射率产品的融合方法研究海洋通报(2022年4期)2022-10-10盐渍土二次相变温度变化规律农业工程学报(2022年8期)2022-08-08盐渍池深度对渍菜理化特性和微生物的影响中国调味品(2022年8期)2022-08-05具有颜色恒常性的光谱反射率重建光谱学与光谱分析(2022年4期)2022-04-06化学腐蚀硅表面结构反射率影响因素的研究*电子器件(2017年2期)2017-04-25长期膜下滴灌棉田根系层盐分累积效应模拟中国农业文摘-农业工程(2016年5期)2016-04-12谈盐渍土地区建筑的地基处理设计工程建设与设计(2016年8期)2016-03-11摄影欣赏读者·校园版(2016年6期)2016-03-07叶用芥菜盐渍过程中微生物群落分析食品工业科技(2014年13期)2014-03-11