丘陵紅壤區(qū)稻田土壤全磷高光譜特性研究

張佳佳，郭 熙，謝碧裕，趙小敏

(江西農(nóng)業(yè)大學(xué) 江西省鄱陽湖流域農(nóng)業(yè)資源與生態(tài)重點(diǎn)實(shí)驗(yàn)室，江西 南昌 330045)

在農(nóng)業(yè)生產(chǎn)中磷肥的施用有效地改善了農(nóng)田耕作土壤的養(yǎng)分結(jié)構(gòu)和含量，有力地保障了作物對磷的需求［1］。氮磷鉀是作物生長所必須的3種養(yǎng)分元素，作物的正常生長離不開磷。但是農(nóng)田耕作土壤中的磷大部分以難溶性化合物的形式存在，能直接被作物利用的有效磷比例很低，在有些區(qū)域磷已成為限制作物高產(chǎn)的因素，如何提高土壤自身磷的有效性成為重要議題［2］。但是，現(xiàn)階段對田間土壤磷等養(yǎng)分含量的監(jiān)測依然沿襲著傳統(tǒng)的實(shí)驗(yàn)室化學(xué)分析方法，傳統(tǒng)的實(shí)驗(yàn)室化學(xué)分析法耗資大、費(fèi)時長已經(jīng)難以滿足現(xiàn)代精準(zhǔn)農(nóng)業(yè)對土壤養(yǎng)分實(shí)時監(jiān)測的要求［3］。

土壤的高光譜遙感反射特性是土壤的基本特征之一，這主要和土壤本身的物理化學(xué)特性有關(guān)。這種關(guān)聯(lián)性使得土壤高光譜遙感技術(shù)的發(fā)展有了理論與現(xiàn)實(shí)基礎(chǔ)，同時也為探討土壤自身的理化特性增加了一種有效的方法和定量指標(biāo)［4］。較高的光譜分辨率是土壤高光譜遙感技術(shù)的顯著特性，憑借這一特性使得定量獲取土壤養(yǎng)分含量成為了一種可能［5］，并在近年來的土壤養(yǎng)分含量實(shí)驗(yàn)室反演中取得了較好的效果。然而，基于不同區(qū)域、不同土壤類型情況下，高光譜遙感技術(shù)對土壤理化特性的探測能力可能不同。因而，探討高光譜遙感技術(shù)在不同地區(qū)不同土壤類型條件下對土壤理化特性的預(yù)測能力對于發(fā)展現(xiàn)代精準(zhǔn)農(nóng)業(yè)和指導(dǎo)農(nóng)戶定量化施肥有著重要的現(xiàn)實(shí)和經(jīng)濟(jì)意義［6］。國內(nèi)外學(xué)者通過利用高光譜反射來預(yù)測土壤磷的研究一直從未間斷，Shig等［7］運(yùn)用近紅外微分技術(shù)探討了土壤中Bray磷、全磷和Olsen磷的估測模型。Bogrekci等［8］利用可見光-近紅外光譜對不同類型土壤風(fēng)干樣本和鮮樣的磷含量進(jìn)行了預(yù)測，據(jù)預(yù)測結(jié)果可知應(yīng)用偏最小二乘法來預(yù)測其均方根偏差分別為9．4%和12．9%。Bogrekci等［9］比較了采用紫外區(qū)、可見光區(qū)、近紅外區(qū)域?qū)Σ煌愋屯寥?basinger fine sand，immokalee fine sand，myakka fine sand)全磷及水溶性磷含量的預(yù)測能力，結(jié)果表明采用近紅外區(qū)域?qū)α椎念A(yù)測能力最好。Mouazen等［10］通過偏最小二乘法建立了土壤速效磷含量的預(yù)測模型，發(fā)現(xiàn)利用可見光-近紅外波段預(yù)測速效磷是可能的。陳鵬飛等［11］表明利用近紅外光譜可以對土壤中總磷含量進(jìn)行粗略估測。磷作為土壤中的一種主要營養(yǎng)元素，由于在可見光-近紅外區(qū)域沒有明顯的吸收對光譜影響微弱，以往雖對磷已有較多研究但取得的結(jié)果并不理想。因此，全磷含量與土壤高光譜之間的關(guān)聯(lián)性尚待有效深入的研究。

本文嘗試?yán)猛寥罉狱c(diǎn)的光譜反射率建立丘陵紅壤區(qū)稻田土壤全磷含量的預(yù)測模型，嘗試探討高光譜遙感技術(shù)對于稻田土壤養(yǎng)分的探測能力，為高光譜遙感方法在精準(zhǔn)農(nóng)業(yè)土壤養(yǎng)分參數(shù)快速獲取提供參考。

1 材料與方法

1．1 研究區(qū)域與土樣采集

1．1．1 區(qū)域概況 研究區(qū)域選為興國縣，涉及興國縣的永豐鄉(xiāng)、隆平鄉(xiāng)、鼎龍鄉(xiāng)、長崗鄉(xiāng)、社富鄉(xiāng)、高興鎮(zhèn)6個鄉(xiāng)鎮(zhèn)。興國縣地處江西省中南部，是贛州市的北大門?？h境自東經(jīng)115°01′—115°51′，北緯自26°03′—26°41′，縣境氣候?qū)僦衼啛釒Ъ撅L(fēng)濕潤氣候。全年氣候溫和，光照充足，雨量豐沛，無霜期長，四季分明。其特點(diǎn)可概括為:春早，夏長，秋短，冬遲。地貌主要以低山丘陵居多，部分地區(qū)有低山、中山?？h境母巖主要有第四紀(jì)紅色粘土、砂頁巖、粉砂巖、大理巖、千枚巖等。主要的土壤類型為紅壤、黃壤、紫色土和水稻土。

1．1．2 土壤樣本的野外采集 根據(jù)土地利用現(xiàn)狀圖和土壤類型圖疊加后的綜合信息，確定采集水稻土表層土壤樣品43個，采樣深度為0～20 cm，盡量確保每個采樣點(diǎn)的取土深度和采樣量基本一致，土樣上層與下層的土壤比例基本相同。把采集好的土壤樣點(diǎn)裝袋編號，帶回實(shí)驗(yàn)室風(fēng)干、磨碎及過2 mm篩處理后分成兩份，其中一份用于土壤全磷含量的測定，另一份用于高光譜反射率的測定。

1．2 數(shù)據(jù)處理方法

1．2．1 光譜數(shù)據(jù)具體處理方法 為了方便尋找土壤全磷的高光譜敏感波段，對土壤樣本的原始反射光譜曲線進(jìn)行消除包絡(luò)線、重采樣的方法、連續(xù)統(tǒng)去除方法、光譜微分技術(shù)及光譜數(shù)據(jù)變換方法等預(yù)處理方法，可以提高其相關(guān)性［12］。

(1)重采樣處理方法。利用SVCR-768地物波譜儀自帶的光譜數(shù)據(jù)處理軟件SVC-HR768對原始光譜數(shù)據(jù)進(jìn)行重采樣處理，重采樣的間隔為1 nm，然后導(dǎo)出重采樣的數(shù)據(jù)。由于SVCR-768地物波譜儀測定土壤樣點(diǎn)的反射光譜數(shù)據(jù)在1 000 nm、1 900 nm附近的連接處以及前后邊緣波段350～399 nm、2 451～2 500 nm處噪聲比較大，從而使經(jīng)過重采樣處理所得的原始光譜曲線在相鄰波段間存在信息冗余。因而，此次研究將光譜數(shù)據(jù)以每10 nm為一個單位對其進(jìn)行算術(shù)平均運(yùn)算，經(jīng)過這樣運(yùn)算處理后其光譜曲線在保證了更加平滑的基礎(chǔ)上依舊保存著原光譜曲線的主要特征，所以，對導(dǎo)出的每個土樣的光譜曲線去除前后噪聲較大的邊緣波段350～380 mn和2 451～2500 nm波段。

(2)連續(xù)統(tǒng)去除法。連續(xù)統(tǒng)處理的方法也叫去除包絡(luò)線法，是一種典型的光譜分析法，它能顯著地突出光譜曲線的吸收和反射特征，并將其歸一化到一致的光譜背景上，有助于與其他光譜曲線進(jìn)行比較，從而提取出敏感波段進(jìn)行分類識別比較，去除包絡(luò)線后的光譜曲線變?yōu)楣庾V波段深度曲線。光譜波段深度曲線計(jì)算公式為:

(1)公式中，R′，R，Rc分別是光譜波段深度、原始光譜和光譜包絡(luò)線，λ為波長。

(3)光譜一階微分方法。有研究證明，對光譜進(jìn)行低階微分處理對不同的背景和噪聲有去除作用。微分光譜可剔除基線漂移或平緩背景干擾，同時其可提供比原始光譜更高的分辨率和更清晰的光譜輪廓變換，其基本的處理方法為:先確定導(dǎo)數(shù)窗口寬度Δλ，然后再根據(jù)導(dǎo)數(shù)的定義計(jì)算波長λ的導(dǎo)數(shù)，再逐步移動依次計(jì)算所有波長的導(dǎo)數(shù)，由此得出導(dǎo)數(shù)光譜。土壤高光譜在波長λi處的一階微分光譜采用下式計(jì)算:

(2)式中，λ 為波長，λi=351，352，……，2 499 nm，ρ(λi)為波長 i的光譜反射系數(shù)，在實(shí)際計(jì)算中，一般用光譜的差分作為微分的有限近似。通過對原始反射率光譜進(jìn)行低階微分變換可以發(fā)現(xiàn)光譜曲線隨波長的變化更加明顯。

1．2．2 模型建立與驗(yàn)證 土壤全磷反演模型的預(yù)測精度采用模型方程的決定系數(shù)R2，均方根誤差RMSE和相對分析誤差RPD來衡量。決定系數(shù)R2數(shù)值越大，均方根誤差RMSE越小則表明所建模型的精度越高。當(dāng)RPD＞2時，表明模型具有很好的預(yù)測能力，當(dāng)1．4＜RPD＜2表明模型可對樣品作粗略估測，而RPD＜1．4則表明模型無法對樣品進(jìn)行預(yù)測。

2 結(jié)果分析

2．1 土壤全磷含量的測定

土壤全磷含量的測定采用磷目藍(lán)比色法［13］。全磷含量描述性統(tǒng)計(jì)見表1。

表1 全磷含量描述性統(tǒng)計(jì)分析表Tab．1 Descriptive statistics of total phosphorus content

2．2 土壤全磷光譜特征分析與敏感波段的選擇

土壤樣本反射率光譜測量采用美國SVCR-768地物波譜儀測定。其波長范圍為344～2 513 nm，采樣間隔為 1．3 nm(344 ～1 000 nm)、8 nm(1 000 ～1 900 nm)和5 nm(1 900～2 513 nm)，輸出波段數(shù)為2 150。重采樣間隔為1 nm，每個土樣采集10條光譜曲線，剔除異常值后取其平均值作為該土樣的光譜反射率值［14］(圖 1)。

本研究對原始反射率總共進(jìn)行了18種變換運(yùn)算，嘗試從中尋找對全磷含量較為敏感的光譜波段。反射率經(jīng)過變換運(yùn)算后對其進(jìn)行統(tǒng)計(jì)分析，一方面可以減弱噪聲對目標(biāo)光譜的干擾;另一方面可以變非線性關(guān)系為線性關(guān)系。由于原始數(shù)據(jù)反射率(自變量)與全磷含量(因變量)兩者之間并非線性關(guān)系，其經(jīng)過變換運(yùn)算后再和全磷含量值進(jìn)行線性回歸，其實(shí)質(zhì)為非線性關(guān)系線性化處理，這樣則有利于研究。土壤全磷與波長反射率通過多種變換計(jì)算其相關(guān)系數(shù)，以此來篩選出相關(guān)系數(shù)在一定波段內(nèi)比較平穩(wěn)且相關(guān)系數(shù)高的波段，利用此波段來做繁衍模型。變換方法以及其得出的相關(guān)系數(shù)見表2。

圖1 原始數(shù)據(jù)光譜反射率曲線Fig．1 The original data spectral reflectance curves

表2 各種變換相關(guān)系數(shù)絕對值最大、最小的波段匯總Tab．2 Sum ofmaximum and m inimum band correlation absolute values of each transform ation

表2中18種變換里面相關(guān)系數(shù)最高的是重采樣一階微分，波長位于 534 nm，相關(guān)系數(shù)達(dá)到了-0．702。其次是重采樣平方根的一階微分和重采樣立方根的一階微分變換的結(jié)果，波長位于1 090 nm，其相關(guān)系數(shù)達(dá)到了-0．663。圖2～4可以清晰看出幾個相關(guān)性比較高的波段。

圖2顯示在波段534 nm左右時相關(guān)系數(shù)都在-0．6以上，在波長534 nm 時達(dá)到最高值為-0．702。還有相關(guān)系數(shù)比較高的變換比如重采樣倒數(shù)的一階微分、重采樣對數(shù)的一階微分、重采樣平方根的一階微分、重采樣立方根的一階微分。圖3為其變換圖。

由圖3可以看出有3個波段的相關(guān)系數(shù)較高，其中在波段494～544 nm、1 090 nm左右相關(guān)系數(shù)在0．6以上，在波長1 090 nm時達(dá)到最大值為-0．663。對于這幾個波段可以考慮作為反演因子。

圖2 稻田土壤光譜曲線變換后相關(guān)系數(shù)Fig．2 Correlation coefficient diagram of paddy soil spectrum curves after transformation

圖3 稻田土壤光譜曲線變換后相關(guān)系數(shù)Fig．3 Correlation coefficient diagram of paddy soil spectrum curves after transformation

圖4 稻田土壤光譜曲線變換后相關(guān)系數(shù)Fig．4 Correlation coefficient diagram of paddy soil spectrum curves after transformation

在圖4中可以看出重采樣對數(shù)的倒數(shù)的一階微分、倒數(shù)的對數(shù)的一階微分在1 090 nm左右，相關(guān)系數(shù)都在0．65以上。

2．3 反演模型的建立

通過對經(jīng)過預(yù)處理后得到的光譜反射率與土壤全磷含量的相關(guān)性進(jìn)行分析，得到丘陵紅壤區(qū)稻田土壤全磷的特征波段為534，1 090，2 313 nm。本研究選取光譜反射率重采樣一階微分變換中與土壤全磷含量相關(guān)系數(shù)最高的波段534 nm(相關(guān)系數(shù)為-0．702)進(jìn)行回歸方程的擬合。建立其預(yù)測模型，見表3與圖5。

通過表3可看出四種模型中多項(xiàng)式回歸方程y=17．363x2-9．170 8x+1．183 4的決定系數(shù)R2和相對分析誤差RPD最大，其中RPD=1．430 7大于1．42。說明該模型可以粗略預(yù)測稻田土壤全磷含量，但是模型還有待進(jìn)一步改善和提高。

圖5 稻田土壤全磷含量反演模型預(yù)測值與實(shí)測值Fig．5 Scatter diagram between predicted values and measured values of Paddy soil phosphorus content retrievalmodel

表3 稻田土壤全磷預(yù)測模型參數(shù)Tab．3 Index of paddy soil phosphorus content prediction model

3 結(jié)論與討論

近年來現(xiàn)代土壤高光譜遙感技術(shù)取得了較快發(fā)展，許多中外學(xué)者致力于該領(lǐng)域進(jìn)行探索研究，并取得了一些研究成果，在土壤科學(xué)中已得到了廣泛的應(yīng)用［15］。然而，比較其它諸如有機(jī)質(zhì)、全氮、土壤水分等與土壤光譜反射率關(guān)系的研究而言對土壤全磷與光譜反射率關(guān)系的研究還較少，而且所建立的模型精度也有待提高。

本研究結(jié)論如下:

(1)土壤全磷光譜反射率相關(guān)系數(shù)在波長534 nm處達(dá)到最大值為-0．702，在多個微分處理方法中在1 090 nm左右波段相關(guān)系數(shù)比較穩(wěn)定，且都達(dá)到0．65以上。

(2)土壤全磷光譜反射率通過重采樣對數(shù)的倒數(shù)的一階微分、倒數(shù)的對數(shù)的一階微分、平方根的倒數(shù)的一階微分在1 090 nm左右相關(guān)系數(shù)在0．65以上與徐麗華等［5］以三峽庫區(qū)王家溝小流域?yàn)檠芯繀^(qū)所得特征波段656，1 092，1 132，2 255 nm比較吻合。

(3)此次研究在重采樣一階微分處理534 nm處，通過建立多項(xiàng)式回歸方程預(yù)測模型，模型預(yù)測精度R2為0．495 7，模型相對分析誤差(RPD)為1．43，能夠粗略的預(yù)測丘陵紅壤區(qū)水稻土全磷含量，但是本研究的土壤樣本取自丘陵紅壤區(qū)的江西省興國縣，土壤類型為水稻土，所建立的土壤全磷的估算模型對其他地區(qū)、其他類型土壤是否適用，有待于進(jìn)一步研究。

［1］陳婷婷，王嬌．土壤磷素對作物產(chǎn)量的影響［J］．農(nóng)技服務(wù)，2012，29(11):1247．

［2］孫宏飛．厭氧培養(yǎng)的水稻土中磷酸鐵及磷的化學(xué)行為［D］．楊凌:西北農(nóng)林科技大學(xué)，2006．

［3］陳紅艷．土壤主要養(yǎng)分含量的高光譜估測研究［D］．泰安:山東農(nóng)業(yè)大學(xué)，2012．

［4］張娟娟．土壤養(yǎng)分信息的光譜估測研究［D］．南京:南京農(nóng)業(yè)大學(xué)，2009．

［5］徐麗華，謝德體，魏朝富，等．紫色土土壤全氮和全磷含量的高光譜遙感預(yù)測［J］．光譜學(xué)與光譜分析，2013，33(3):723-727．

［6］劉偉東．高光譜遙感土壤信息提取與挖掘研究［D］．北京:中國科學(xué)院遙感應(yīng)用研究所，2002．

［7］Ryu K S，Pade JS，Kim B J．Evaluation of rapid detemination of phosphorous in soil by near infrared spectroscopy［C］//Proceedings of the 10th International Conference，Korean NIR publications，2002:399-403．

［8］Bogrekci I，Lee W S，Herrera J．Assessmentof P concentrations in the Lake Okeechobee drainage basin with spectroscopic reflectance of VISand NIR［C］//ASAE Annual Meeting，2003．

［9］Bogrekci I，Lee W S．Comparison of Ultraviolet，Visible，and Near Infrared sensing for soil phosphorus［J］．Biosystems Engineering，2007，96:293-299．

［10］Mouazen A M，MalekiM R，Baerdemaeker JD，et al．On-linemeasurementof some selected soil properties using a VIS-NIR sensor［J］．Soil＆ Tillage Research，2007，93:13-27．

［11］陳鵬飛，劉良云，王紀(jì)華，等．近紅外光譜技術(shù)實(shí)時測定土壤中總氮及磷含量的初步研究［J］．光譜學(xué)與光譜分析，2008，28(2):295-298．

［12］蘇紅軍，杜培軍，盛業(yè)華．高光譜遙感數(shù)據(jù)光譜特征提取算法與分類研究［J］．計(jì)算機(jī)應(yīng)用研究，2008，25(2):390-394．

［13］劉煥軍，張柏，張淵智，等．基于反射光譜特性的土壤分類研究［J］．光譜學(xué)與光譜分析，2008，28(3):624-628．

［14］紀(jì)文君，史舟，周清，等．幾種不同類型土壤的VIS-NIR光譜特性及有機(jī)質(zhì)響應(yīng)波段［J］．紅外與毫米波學(xué)報(bào)，2012，31(3):277-282．

［15］高會，陳紅艷，劉慧濤，等．基于高光譜的魯西北平原土壤有效磷含量快速檢測研究［J］．中國生態(tài)農(nóng)業(yè)學(xué)報(bào)，2013，21(6):752-757．