基于高光譜分析的植煙土壤有機(jī)質(zhì)和全氮含量預(yù)測研究

王一丁，趙銘欽，劉鵬飛，金江華，黃元炯，岳恒

1河南農(nóng)業(yè)大學(xué)國家煙草栽培生理生化研究基地，河南 鄭州 450002；2吉林煙草工業(yè)有限責(zé)任公司，吉林 延吉 133000；3河南省煙草專賣局(公司)，河南 鄭州 450008

基于高光譜分析的植煙土壤有機(jī)質(zhì)和全氮含量預(yù)測研究

王一丁1，趙銘欽1，劉鵬飛1，金江華2，黃元炯3，岳恒1

1河南農(nóng)業(yè)大學(xué)國家煙草栽培生理生化研究基地，河南 鄭州 450002；2吉林煙草工業(yè)有限責(zé)任公司，吉林 延吉 133000；3河南省煙草專賣局(公司)，河南 鄭州 450008

為實(shí)現(xiàn)植煙土壤有機(jī)質(zhì)和全氮含量的快速、準(zhǔn)確測定，以120份豫中煙區(qū)潮褐土為研究對象，在室內(nèi)條件下采集并研究了土壤有機(jī)質(zhì)和全氮與高光譜400～2400 nm波段的定量反演關(guān)系。光譜經(jīng)Savitzky-Golay平滑濾波后采用偏最小二乘回歸（Partial least square regression, PLSR）方法，建立了土壤高光譜與有機(jī)質(zhì)和全氮間的定量反演模型，對比了3種光譜變換形式及5種預(yù)處理方法對模型的影響。結(jié)果表明，光譜經(jīng)一階微分（FDR）或倒數(shù)對數(shù)（lg(1/R)）變換后，建模系數(shù)有所提高；不同預(yù)處理方法的反演模型精度差異明顯，正交信號校正（OSC）明顯優(yōu)于其他光譜預(yù)處理方法。采用FDR-OSC建立的土壤有機(jī)質(zhì)和lg(1/R)-OSC建立的土壤全氮模型預(yù)測效果最好，預(yù)測模型決定系數(shù)R2分別為0.948和0.919，預(yù)測均方根誤差（RMSEP）分別為1.316 g·kg-1和0.091 g·kg-1，相對分析誤差（RPD）分別為4.26和4.07，是豫中煙區(qū)潮褐土有機(jī)質(zhì)和全氮含量的最佳預(yù)測模型。采用高光譜技術(shù)結(jié)合OSC-PLSR方法對植煙土壤有機(jī)質(zhì)和全氮含量進(jìn)行高精度預(yù)測是可行的。

植煙土壤；高光譜；有機(jī)質(zhì)；總氮；偏最小二乘回歸

土壤有機(jī)質(zhì)（Organic Matter, OM）和全氮（Total Nitrogen, TN）是衡量土壤肥力狀況的重要指標(biāo)，也是作物生長發(fā)育和品質(zhì)形成的主要限制因素[1-2]。傳統(tǒng)的土壤成分檢測方法準(zhǔn)確度雖高，但也存在檢測成本高、耗時、繁瑣且時效性差等缺點(diǎn)，難以滿足現(xiàn)代精準(zhǔn)農(nóng)業(yè)快速獲取土壤成分要求[3-4]。光譜分析技術(shù)由于具有簡便、快速、無損等特點(diǎn)，如今已成為國內(nèi)外學(xué)者關(guān)注的熱點(diǎn)，被廣泛應(yīng)用于土壤鹽分含量[5-6]、土壤水分[7-8]、土壤碳氮含量[9-10]及重金屬含量[11]等土壤組分信息的測定。

Krishnan等[12]指出623 nm和564 nm是有機(jī)質(zhì)敏感波段而在近紅外波段沒有吸收峰出現(xiàn)，可見光區(qū)域與有機(jī)質(zhì)含量的相關(guān)性強(qiáng)于近紅外區(qū)域。Hummel等[13]研究了土壤有機(jī)質(zhì)和近紅外光譜曲線之間的關(guān)系，并采用光譜反射率倒數(shù)的對數(shù)建立了土壤有機(jī)質(zhì)預(yù)測模型。彭玉魁等[14]采用近紅外光譜分析法對中國黃土區(qū)土壤水分、有機(jī)質(zhì)和總氮含量進(jìn)行了分析，發(fā)現(xiàn)土壤有機(jī)質(zhì)、全氮含量與近紅外光譜之間存在良好的相關(guān)關(guān)系。李頡等[15]利用傅里葉變換近紅外光譜技術(shù)結(jié)合PLSR模型對北方褐土中的全氮、全鉀、有機(jī)質(zhì)含量和pH值進(jìn)行預(yù)測分析，結(jié)果與實(shí)測數(shù)據(jù)具有較好的一致性，預(yù)測效果顯著，模型最高決定系數(shù)達(dá)到0.95以上。盧艷麗等[4]通過不同的光譜形式變換，確定了以反射率對數(shù)的一階導(dǎo)數(shù)、歸一化光譜指數(shù)預(yù)測黑土全氮含量的最佳回歸模型，模型相關(guān)系數(shù)分別為0.863和0.829。張娟娟等[16]利用近紅外光譜對我國中、東部5種不同類型土壤風(fēng)干樣的有機(jī)質(zhì)、全氮和速效氮含量進(jìn)行定量估算，發(fā)現(xiàn)1879～l890 nm與2050～2100 nm波段與其相關(guān)性最高，利用差值光譜指數(shù)DI可實(shí)現(xiàn)對3種養(yǎng)分含量的同時估測。

由于不同地域尺度的土壤光譜差異較大，且利用不同建模和預(yù)處理方法所建模型的精度也存在明顯差異，導(dǎo)致特定區(qū)域土壤反演模型難以適用于其他區(qū)域[17-18]。因此，本研究以我國典型濃香型豫中煙區(qū)潮褐土為研究對象，利用光譜反射率的不同變換形式和預(yù)處理優(yōu)化方法建立了土壤有機(jī)質(zhì)、全氮含量的偏最小二乘回歸（Partial least squares regression, PLSR）定量預(yù)測模型，旨在構(gòu)建適合該種植區(qū)域的土壤高光譜反演模型，為實(shí)現(xiàn)土壤主要組分的快速、準(zhǔn)確檢測提供技術(shù)支持。

1 材料與方法

1.1 樣本采集與制備

試驗(yàn)于2014年4月進(jìn)行，土壤樣品采自河南省許昌市（襄縣，禹州）、平頂山市（郟縣、葉縣、寶豐）、漯河市（臨潁、舞陽、郾城）煙田耕作層（采樣深度0～20 cm），共120 份，土壤類型為潮褐土。樣品經(jīng)自然風(fēng)干、去除雜質(zhì)后，研磨過100目篩，分成兩份，一份用于土壤有機(jī)質(zhì)和全氮含量的測定，另一份用于土壤高光譜數(shù)據(jù)的采集。土壤有機(jī)質(zhì)含量采用重鉻酸鉀容量法-外加熱法測定，土壤全氮含量采用半微量凱氏定氮法測定[19]。

1.2 室內(nèi)光譜數(shù)據(jù)采集

采用美國ASD FieldSpec 3便攜式光譜儀進(jìn)行土壤光譜測試，光譜測定范圍350～2500 nm，光譜分辨率為3 nm@350～1000 nm，10 nm@1000～2500 nm；采樣間隔為1.4 nm@350～1000 nm，2 nm@1000～2500 nm。土壤光譜反射率采集于暗室環(huán)境下進(jìn)行，黑色天鵝絨布作背景，布置人工幾何光源路徑，光源為光譜儀配套的50 W鎢石英鹵素?zé)?，光源距離土壤表面50 cm，光源天頂角15°。將處理過的土壤樣品放置于直徑10 cm，深2.0 cm的盛樣皿中，裝滿后刮平土壤表面，水平放置于光譜儀傳感器探頭正下方30 cm處，探頭視場角為8o。為消除陰影影響，每個土壤樣品分別采集4個方向（每次轉(zhuǎn)動90o）共20條光譜曲線，算術(shù)平均后作為該土樣的光譜反射率值。每次光譜測試前均進(jìn)行參考白板校正。

1.3 光譜數(shù)據(jù)預(yù)處理

每個土樣去除光譜曲線噪聲較大的350～399 nm和2401～2500 nm邊緣波段的不穩(wěn)定數(shù)據(jù)。為解決光譜采集中連接點(diǎn)跳躍的問題，使用Viewspec Pro軟件中的拋物線修正功能（Splice Correction）對光譜曲線進(jìn)行修正，同時光譜曲線采用Savitzky-Golay平滑濾波（平滑點(diǎn)數(shù)為5）進(jìn)行平滑處理，消除光譜曲線背景噪音引起的誤差。

為提高光譜靈敏度，除使用原始光譜反射率（Reflectance, REF），還使用一階微分光譜（First derivative reflectance, FDR）和光譜倒數(shù)對數(shù)（lg(1/R)）2種光譜數(shù)學(xué)變換。對光譜進(jìn)行一階微分處理，可以對重疊混合光譜進(jìn)行分解，擴(kuò)大樣品間的光譜特征差異，易于找出光譜敏感波段；光譜反射率經(jīng)倒數(shù)的對數(shù)變換后，能夠減少因光照條件變化引起的乘性因素的影響，增強(qiáng)可見光區(qū)的光譜差異[20-21]。同時為了能系統(tǒng)比較不同光譜預(yù)處理方法對建模精度的影響，確定最佳的光譜優(yōu)化處理方式，本文在光譜數(shù)據(jù)經(jīng)Savitzky-Golay平滑和中心化處理的基礎(chǔ)上，對土壤光譜數(shù)據(jù)選用了標(biāo)準(zhǔn)正態(tài)變換（Standard normal variate, SNV）、多元散射校正(Multiplicative scatter correction, MSC)、正交信號校正（Orthogonal signal correction, OSC）、小波壓縮（Wavelet compression,WC）和小波去噪（Wavelet denoising, WD）等5種光譜預(yù)處理優(yōu)化方式。

1.4 模型建立與驗(yàn)證

本文以PLSR方法建模進(jìn)行定量分析。按照土樣有機(jī)質(zhì)、全氮含量梯度排序，每隔4個樣品取出一個樣品作為驗(yàn)證集樣本，將全部樣本按照3:1的比例劃分成兩組，一組（90個）作為校正集建模，另一組（30個）作為驗(yàn)證集對所建模型進(jìn)行驗(yàn)證。構(gòu)建模型數(shù)據(jù)均進(jìn)行中心化預(yù)處理，模型采用逐一（Leave-oneout）全交叉驗(yàn)證法（Full-cross validation），確定模型適宜的因子數(shù)。PLSR模型以決定系數(shù)（coefficient of determination, R2）、校準(zhǔn)均方根誤差（Root mean square error of calibration, RMSEC）、預(yù)測均方根誤差（Root mean square error of prediction, RMSEP）和相對分析誤差（Residual prediction deviation, RPD）等參數(shù)來對模型性能進(jìn)行評價。其相應(yīng)的計算公式如下：

式中：yi是樣本i的模型實(shí)際值，是樣本i的模型預(yù)測值，是所有樣本實(shí)際值的平均值，n是校正集樣本數(shù)，m是驗(yàn)證集樣本數(shù)，k為模型的獨(dú)立變量數(shù)，SD為驗(yàn)證集樣本標(biāo)準(zhǔn)差。

1.5 數(shù)據(jù)統(tǒng)計

數(shù)據(jù)統(tǒng)計分析軟件為ViewSpec Pro、SIMCA-P＋12.0（Umetrics AB, Sweden）和Excel 2013。

2 結(jié)果與分析

2.1 土壤成分含量統(tǒng)計

表1為不同土壤樣品有機(jī)質(zhì)和全氮含量的特征統(tǒng)計。由表可知，土壤樣本有機(jī)質(zhì)含量變化范圍為8.74～28.81 g·kg-1，全氮含量變化范圍為0.68～1.87 g·kg-1，其中校正集和驗(yàn)證集統(tǒng)計特征相接近，有機(jī)質(zhì)和全氮含量具有較好的梯度分布，變異系數(shù)較大，表明樣本離散程度較高，用于構(gòu)建模型具有一定的代表性。

表1 植煙土壤有機(jī)質(zhì)和全氮含量特征統(tǒng)計Tab.1 Statistical characteristics of organic matter and total nitrogen contents in tobacco-growing soil g·kg-1

2.2 土壤高光譜曲線特征分析

圖1 植煙土壤光譜反射率曲線Fig.1 Spectral reflectance curve of tobacco-growing soil

圖 1是120個土壤樣本經(jīng)Savitzky-Golay平滑濾波優(yōu)化后400～2400 nm光譜反射率曲線。從圖中可以看出，各土壤光譜曲線形態(tài)較為相似，光譜反射率在400～760 nm可見光范圍上升趨勢明顯，差異較??；在760～2400 nm近紅外波段隨著波長變化趨于平緩，同時反射率差異逐漸增大。土壤光譜曲線在1400 nm、1900 nm和2200 nm處有三個較為明顯的水分吸收谷。

2.3 不同光譜數(shù)學(xué)變換形式對土壤有機(jī)質(zhì)和全氮反演的影響

本文以原始光譜（REF）、一階導(dǎo)數(shù)（FDR）和倒數(shù)對數(shù)（lg(1/R)）這3種光譜數(shù)學(xué)變換形式，選用400～2400 nm波段光譜作為自變量，分別以土壤有機(jī)質(zhì)和全氮含量為因變量，采用逐一交叉驗(yàn)證確定最佳因子數(shù)，建立相應(yīng)PLSR模型，建模及預(yù)測效果見表2。

在所有的3種光譜數(shù)學(xué)變換形式建模方法中，使用REF建模時，土壤有機(jī)質(zhì)和全氮含量PLSR模型校正集決定系數(shù)R2分別為0.767、0.757，驗(yàn)證集的決定系數(shù)R2分別為0.737、0.719，RPD值均小于2.0，準(zhǔn)確度較低，只能對其含量進(jìn)行粗略估測。REF經(jīng)FDR、lg(1/R)數(shù)學(xué)變換之后，模型R2、RMSEC及RMSEP均得到較大改善，對提高模型的精度和可靠性有利。使用FDR-PLSR建立的有機(jī)質(zhì)含量預(yù)測模型RMSEC和RMSEP分別為2.206 g·kg-1和2.215 g·kg-1，使用lg(1/R)-PLSR建立的全氮含量模型的RMSEC和RMSEP分別為0.154 g·kg-1和0.159 g·kg-1，為各模型中最小，RPD值均大于2.0，分別為2.53和2.32，模型精度最高，表明能夠很好的估測土壤有機(jī)質(zhì)、全氮含量。

表2 不同光譜數(shù)學(xué)變換形式建模及驗(yàn)證比較Tab. 2 Modeling and validation based on different spectral mathematical transformation forms

2.4 不同光譜預(yù)處理和波段選擇對土壤有機(jī)質(zhì)和全氮反演的影響

圖 2為土壤有機(jī)質(zhì)和全氮光譜分別經(jīng)FDR和lg(1/R)數(shù)學(xué)變換后所建立的PLSR模型相關(guān)系數(shù)。由圖 2a可知，有機(jī)質(zhì)含量PLSR模型最大正、負(fù)相關(guān)系數(shù)分別出現(xiàn)在1831 nm和1867 nm?？偟縋LSR模型最大正、負(fù)相關(guān)系數(shù)分別出現(xiàn)在1941 nm和2378 nm（圖2b）。以變量重要性投影( Variable importance in the projection, VIP ) 指標(biāo)作為篩選顯著性波段的依據(jù)。VIP值大于1，且經(jīng)t檢驗(yàn)（P＜0.05）的光譜變量可被認(rèn)為是土壤有機(jī)質(zhì)和全氮模型的顯著性波段[22]。在土壤有機(jī)質(zhì)FDR和全氮lg(1/R)數(shù)學(xué)變換基礎(chǔ)上，選用不同光譜預(yù)處理方法全波段和顯著性波段分別建立土壤有機(jī)質(zhì)和全氮的PLSR模型。其中有機(jī)質(zhì)顯著性波段為400～580 nm、1346～1387 nm、1827～2008 nm和2144～2396 nm；全氮顯著性波段為576～694 nm、1000～1148 nm、1924～1955 nm和2343～2388 nm。

表3是不同預(yù)處理方法所建有機(jī)質(zhì)和全氮含量PLSR模型的預(yù)測結(jié)果。由表3可知，光譜經(jīng)預(yù)處理優(yōu)化后，模型的穩(wěn)定性和預(yù)測性均得到了顯著提高，使用全波段的建模效果優(yōu)于顯著性波段。對于有機(jī)質(zhì)含量，基于FDR-OSC-PLSR的模型校正集和驗(yàn)證集決定系數(shù)R2分別為0.956和0.948，RMSEC和RMSEP分別為1.225 g·kg-1和1.316 g·kg-1，RPD達(dá)到4.26；對于全氮含量而言，采用lg(1/R)-OSC-PLSR方法所建模型的校正集和驗(yàn)證集決定系數(shù)R2分別為0.927和0.919，RMSEC和RMSEP分別為0.088 g·kg-1和0.091 g·kg-1，RPD為4.07。對比各反演模型精度，OSC-PLSR建模和預(yù)測效果優(yōu)于其它預(yù)處理模型，模型精度最高且誤差最小，是土壤有機(jī)質(zhì)和全氮含量的最佳預(yù)測模型。

圖3為OSC-PLSR預(yù)處理方法建立的土壤有機(jī)質(zhì)和全氮含量的驗(yàn)證散點(diǎn)圖(n=30)，結(jié)果顯示驗(yàn)證集樣本均集中在1:1線附近，模型預(yù)測值接近實(shí)測值，反演效果較好。土壤有機(jī)質(zhì)PLSR預(yù)測方程為y = 0.895x+ 1.751，決定系數(shù)R2為0.948；土壤全氮PLSR預(yù)測方程為y = 1.046x - 0.075，決定系數(shù)R2為0.919。

圖2 不同光譜數(shù)學(xué)變換的土壤有機(jī)質(zhì)（a）和全氮含量（b）PLSR模型系數(shù)Fig.2 Coefficient of PLSR models based on different mathematical transformation forms of organic matter (a) and total nitrogen contents (b) in tobacco-growing soil

表3 不同光譜預(yù)處理優(yōu)化方法建模及驗(yàn)證比較Tab.3 Modeling and validation based on different spectral optimization methods

圖3 土壤有機(jī)質(zhì)（a）和全氮（b）含量OSC-PLSR模型檢驗(yàn)結(jié)果Fig.3 Validation results of soil organic matter (a) and nitrogen (b) contents by using OSC-PLSR model

3 討論

本文所選土壤類型均為潮褐土，土樣經(jīng)過統(tǒng)一的風(fēng)干去雜、研磨處理后，在一定程度上消除了土壤類型、土壤質(zhì)地、土壤濕度及粒徑大小對土壤光譜的影響。

對土壤光譜反射率進(jìn)行適宜的數(shù)學(xué)變換和優(yōu)化預(yù)處理能較好地消除外界因素干擾，突出光譜反射率與土壤成分含量間的相關(guān)性，從而提升建模精度[17,23]。針對不同土壤類型、土壤水分等外界因素影響下的單一土壤成分的光譜預(yù)測分析已有大量報道。如王淼等[24]以南方紅壤為研究對象，采用PLSR方法建立了不同波段范圍的有機(jī)質(zhì)預(yù)測模型，結(jié)果表明以1300～2400 nm波段建立的有機(jī)質(zhì)預(yù)測模型精度最高。侯艷軍等[25]研究發(fā)現(xiàn)PLSR模型對于估算荒漠土壤有機(jī)質(zhì)是可行準(zhǔn)確、有效的。Chang等[26]應(yīng)用PLSR建立了基于光譜分析技術(shù)的土壤全氮含量預(yù)測模型，其相關(guān)系數(shù)在0.9以上。而針對不同建模方法，特別是PLSR結(jié)合不同光譜變換形式及光譜預(yù)處理方法反演豫中煙區(qū)潮褐土有機(jī)質(zhì)和全氮的還鮮有研究。本文采用不同光譜變換形式和預(yù)處理方式構(gòu)建土壤高光譜預(yù)測模型，結(jié)果表明使用一階微分和倒數(shù)對數(shù)變換形式對提高模型精度有明顯效果；不同光譜預(yù)處理方法中，基于正交信號校正（OSC）的反演模型效果最佳，土壤有機(jī)質(zhì)和全氮OSC-PLSR定量預(yù)測模型R2分別為0.948和0.919，RESEP分別為1.316 g·kg-1和0.091 g·kg-1。這與OSC預(yù)處理方法通過正交方式將光譜矩陣與濃度矩陣有關(guān)的信息加以保留，濾除掉與待測化學(xué)品質(zhì)無關(guān)的信息，有效消除或減少由土壤質(zhì)地、漫反射等因素造成的干擾，從而提高模型的預(yù)測能力和穩(wěn)定性有關(guān)[27]。采用全波段建模效果好于顯著性波段，這可能是因?yàn)橥寥莱煞纸M成復(fù)雜，高光譜顯著性波段相對于全波段而言，由于僅反映了光譜的部分信息且容易造成一些重要光譜信息的丟失，因而導(dǎo)致模型R2偏小，RMSEC和RMSEP相對偏大。

土壤光譜反射特性是土壤質(zhì)地、有機(jī)質(zhì)、氮素及鐵氧化物含量等各種理化性狀屬性相互作用的綜合響應(yīng)，不同地區(qū)土壤的成土母質(zhì)和成土條件具有區(qū)域獨(dú)特性[28]。而我國煙草種植區(qū)域廣泛，土壤類型復(fù)雜多樣化，其中覆蓋紅壤、紫色土、水稻土、砂質(zhì)壤土、褐土等眾多類型，特別是南北方土壤差異很大，如南方土壤中常含有較高的有色金屬氧化物等，這往往會降低甚至掩蓋了土壤成分的光譜特征響應(yīng)，對分析的準(zhǔn)確度帶來一定的影響。研究表明，690～930 nm波段范圍是鐵氧化礦物和有機(jī)質(zhì)等對光譜吸收的復(fù)合區(qū)域[29]，從而會導(dǎo)致光譜波形出現(xiàn)差異。Galvao等[30]對土壤去有機(jī)質(zhì)后進(jìn)行研究，認(rèn)為可見光范圍內(nèi)氧化鐵與有機(jī)質(zhì)存在干擾，其中以700 nm附近最為明顯。因此，本文建立的豫中煙區(qū)潮褐土光譜反演模型是否對其他生態(tài)區(qū)域和類型的植煙土壤具有普適性，還有待采集更多具有代表性的土壤樣本進(jìn)行分析和完善。

4 結(jié)論

本文在室內(nèi)條件下分析了豫中煙區(qū)潮褐土有機(jī)質(zhì)和全氮的高光譜反射特性，選取400～2400 nm波段的高光譜數(shù)據(jù)經(jīng)Savitzky-Golay平滑濾波和中心化處理的基礎(chǔ)上結(jié)合偏最小二乘回歸（partial least square regression, PLSR）方法建立了有機(jī)質(zhì)和全氮含量的高光譜反演模型。高光譜分析技術(shù)結(jié)合OSC-PLSR對豫中煙區(qū)潮褐土有機(jī)質(zhì)和全氮含量進(jìn)行高精度預(yù)測是可行的。

[1] 高祥照，胡克林，郭焱，等．土壤養(yǎng)分與作物產(chǎn)量的空間變異特征與精確施肥[J]．中國農(nóng)業(yè)科學(xué)，2002，35(6)：660-666.Gao xiangzhao, Hu Kelin, Guo Yan, et al. Spatial variabiIity of soil nutrients and crop yield and site-specific fertilizer management[J]. Scientia Agricultura Sinica, 2002, 35(6):660-666. (in Chinese)

[2] 薛利紅，盧萍，楊林章，等．利用水稻冠層光譜特征診斷土壤氮素營養(yǎng)狀況[J]．植物生態(tài)學(xué)報，2006，30(4)：675-681.Xue Lihong, Lu Ping, Yang Linzhang, et al. Estimation of soil nitrogen status with canopy reflectance spectra in rice[J]. Journal of Plant Ecology, 2006, 30(4): 675-681. (in Chinese)

[3] 朱登勝，吳迪，宋海燕，等．應(yīng)用近紅外光譜法測定土壤的有機(jī)質(zhì)和PH值[J]．農(nóng)業(yè)工程學(xué)報，2008，24(6)：196-199.Zhu Dengsheng, Wu Di, Song Haiyan, et al. Determination of organic matter contents and pH values of soil using near infrared spectroscopy[J]. Transactions of the CSAE, 2008,24(6): 196-199. (in Chinese)

[4] 盧艷麗，白由路，王磊，等. 黑土土壤中全氮含量的高光譜預(yù)測分析[J]．農(nóng)業(yè)工程學(xué)報，2010，26(1)：256-260.Lu Yanli, Bai Youlu, Wang Lei, et al. Determination for total nitrogen contents in black soil using hyperspectral data[J]. Transactions of the CSAE, 2010, 26(1): 256-260. (in Chinese)

[5] 王靜，劉湘南，黃方，等. 基于ANN技術(shù)和高光譜遙感的鹽漬土鹽分預(yù)測[J]．農(nóng)業(yè)工程學(xué)報，2009，25(12)：161-166.Wang Jing, Liu Xiangnan, Huang Fang, et al. Salinity forecasting of saline soil based on ANN and hyperspectral remote sensing[J]. Transactions of the CSAE, 2009, 25(12):161-166. (in Chinese)

[6] 劉婭，潘賢章，王昌昆，等. 基于可見-近紅外光譜的濱海鹽土土壤鹽分預(yù)測方法[J]. 土壤學(xué)報，2012，49(4)：824-829.Liu Ya, Pan Xianzhang, Wang Changkun, et al. Prediction of coastal saline soil salinity based on VIS-NIR reflectance spectroscopy[J]. Acta Pedologica Sinica, 2012, 49(4): 824-829. (in Chinese)

[7] 劉洋，丁瀟，劉煥軍，等. 黑土土壤水分反射光譜特征定量分析與預(yù)測[J]. 土壤學(xué)報，2014，51(5)：1021-1026.Liu Yang, Ding Xiao, Liu Huanjun, et al. Quantitative analysis of reflectance spectrum of black soil as affected by soil moisture for prediction of soil moisture in black soil[J]. Acta Pedologica Sinica, 2014, 51(5): 1021-1026. (in Chinese)

[8] 司海青，姚艷敏，王德營，等. 含水率對土壤有機(jī)質(zhì)含量高光譜估算的影響[J]. 農(nóng)業(yè)工程學(xué)報，2015，31(9)：114-120.Si Haiqing, Yao Yanmin, Wang Deying, et al. Hyperspectral prediction of soil organic matter contents under different soil moisture contents[J]. Transactions of the CSAE, 2015,31(9): 114-120. (in Chinese)

[9] 劉磊，沈潤平，丁國香. 基于高光譜的土壤有機(jī)質(zhì)含量估算研究[J]. 光譜學(xué)與光譜分析2011，31(3)：762-766.Liu Lei, Shen Runping, Ding Guoxiang, et al. Studies on the estimation of soil organic matter content based on hyper-spectrum[J]. Spectroscopy and Spectral Analysis,2011, 31(3): 726-766. (in Chinese)

[10] 張瑤，李民贊，鄭立華，等. 基于近紅外光譜分析的土壤分層氮素含量預(yù)測[J]. 農(nóng)業(yè)工程學(xué)報，2015，31(9)：121-125.Zhang Yao, Li Minzan, Zheng Lihua, et al. Prediction of soil total nitrogen content in different layers based on near infrared spectral analysis[J]. Transactions of the CSAE,2015, 31(9): 121-125. (in Chinese)

[11] 王維，沈潤平，吉曹翔. 基于高光譜的土壤重金屬銅的反演研究[J]. 遙感技術(shù)與應(yīng)用，2011，26(3)：348-354.Wang Wei, Shen Runping, Ji Caoxiang, et al. Study on heavy metal Cu based on hyperspectral remote sensing[J].Remote Sensing Technology and Application, 2011, 26(3):348-354. (in Chinese)

[12] Krishnan P, Alexander J D, Butler B J, et al. Reflectance technique for predicting soil organic matter[J]. Soil Society of American Journal, 1980, 44(6): 1280-1285.

[13] Hummel J W, Sudduth K A, Hollinger S E. Soil moisture and organic matter prediction of surface and subsurface soils using an NIR soil sensor[J]. Computer and Electronics in Agriculture, 2001, 32:149-165．

[14] 彭玉魁，張建新，何緒生，等. 土壤水分、有機(jī)質(zhì)和總氮含量的近紅外光譜分析研究[J]．土壤學(xué)報．1998，35(4)：553-559．Peng Yukui, Zhang Jianxin, He Xusheng, et al. Analysis of soil moisture, organic matter and total nitrogen content in loess in China with near infrared spectroscopy[J]. Acta Pedologica Sinica, 1998, 35(4): 553-559. (in Chinese)

[15] 李頡，張小超，苑嚴(yán)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(xué)報，2012，28(2)：176-179.Li Jie, Zhang Xiaochao, Yuan Yanwei, et al. Analysis of soil nutrient content based on near infrared reflectance spectroscopy in Beijing region[J]. Transactions of the CSAE, 2012, 28(2): 176-179. (in Chinese)

[16] 張娟娟，田永超，姚霞，等. 同時估測土壤全氮、有機(jī)質(zhì)和速效氮含量的光譜指數(shù)研究[J]．土壤學(xué)報，2012，49(1)：50-57.Zhang Juanjuan, Tian Yongchao, Yao Xia, et al. The spectral index for estimating soil OM, TN and AN content simultaneously using near-infrared spectroscopy[J]. Acta Pedologica Sinica, 2012, 49(1): 50-57. (in Chinese)

[17] 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(xué)報，2011，26(5)：881-889.Zhang Juanjuan, Tian Yongchao, Yao Xia, et al. Estimating soil total nitrogen content based on hyperspectral analysis technology[J]. Journal of Natural Resources, 2011, 26(5):881-889. (in Chinese)

[18] 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，2015，31(14)：103-109.Yu Lei, Hong Yongsheng, Geng Lei, et al. Hyperspectral estimation of soil organic matter content based on partial least squares regression[J]. Transactions of the CSAE, 2015,31(14): 103-109. (in Chinese)

[19] 鮑士旦. 土壤農(nóng)化分析（第三版）[M]. 北京：中國農(nóng)業(yè)出版社，1999：30-48.Bao Shidan. Soil analysis in agricultural chemistry[M].Third Edition. Beijing: China Agriculture Press, 1999: 30-48. (in Chinese)

[20] Nocita M, kooistra L, Bachmann M, et al. Predictions of soil surface and topsoil organic carbon content through the use of laboratory and field spectroscopy in the Albany thicket biome of Eastern Cape province of South Africa.Geoderma, 2011,167-168: 295-302.

[21] 何挺，王靜，林宗堅(jiān)，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(1)：975-979.He Ting, Wang Jing, Lin Zongjian, et al. Spectral features of soil organic matter[J]. Geomatics and Information Science of Wuhan University, 2006, 31(1): 975-979. (in Chinese)

[22] 王惠文，吳載斌，孟潔. 偏最小二乘回歸的線性與非線性方法[M]. 北京：國防工業(yè)出版社，2006：2-4.Wang Huiwen, Wu Zaibin, Meng Jie. Partial least-squares regression-linear and nonlinear methods[M]. Beijing:National Defense Industry Press, 2006: 2-4. (in Chinese)

[23] 郭斗斗，黃紹敏，張水清，等. 多種潮土有機(jī)質(zhì)高光譜預(yù)測模型的對比分析[J]. 農(nóng)業(yè)工程學(xué)報，2014，30(21)：192-200.Guo Doudou, Huang Shaomin, Zhang Shuiqing, et al.Comparative analysis of various hyperspectral prediction models of fluvo-aquic soil organic matter[J]. Transactions of the CSAE, 2014, 30(21): 192-200. (in Chinese)

[24] 王淼，解憲麗，周睿，等. 基于可見光-近紅外漫反射光譜的紅壤有機(jī)質(zhì)預(yù)測及其最優(yōu)波段選擇[J]. 土壤學(xué)報，2011，48(5)：1083-1089.Wang Miao, Xie Xianli, Zhou Rui, et al. Determination of soil organic matter in red soils using VIS-NIR diffuse reflectance spectroscopy and selection of optimal spectral bands[J]. Acta Pedologica Sinica, 2011, 48(5): 1083-1089.(in Chinese)

[25] 侯艷軍，塔西甫拉提·特依拜，買買提·沙吾提，等. 荒漠土壤有機(jī)質(zhì)含量高光譜估算模型[J]. 農(nóng)業(yè)工程學(xué)報，2014，30(16)：113-119.Hou Yanjun, Tashpolat Tiyip, Mamat Sawut, et al.Estimation model of desert soil organic matter content using hyperspectral data[J]. Transactions of the CSAE, 2014,30(16): 113-119. (in Chinese)

[26] Chang C, David laird A. Near-infrared reflectance spectroscopic analysis of soil C and N[J]. Soil Science,2002, 167:110-116.

[27] 宋寧，徐曉軒，王斌，等. 基于正交信號校正和iPLS的烴源巖紅外漫反射光譜定量分析[J]. 光譜學(xué)與光譜分析，2009，29(2)：378-381.Song Ning, Xu Xiaoxuan, Wang Bin, et al. Quantities analysis of the infrared diffuse reflection spectrum of hydrocarbon source rocks by OSC-iPLS[J]. Spectroscopy and Spectral Analysis, 2009, 29(2): 378-381. (in Chinese)

[28] Sudduth K A, Hummel J W. Soil organic matter, CEC and moisture sensing with a portable NIR spoctrophotometer[J].Trans ASAE, 1993, 36(6): 1571-1582.

[29] 劉慶生，王志剛，荊林海. 巖石實(shí)驗(yàn)室光譜對應(yīng)分析[J].遙感學(xué)報，1999，3(2)：151-156.Liu Qingsheng, Wang Zhigang, Jin Linhai, et al.Correspondence analysis of laboratory spectra of rock[J].Journal of Remote Sensing, 2009, 29(2): 378-381. (in Chinese)

[30] Galvao L S, Vitorello. Role of organic matter in obliterating the effects of iron on spectral reflectance and color of Brazilian tropical soils[J]. International Journal of Remote Sensing, 1998, 19(10):1969-1979.

Prediction of organic matter and total nitrogen contents in tobacco-growing soil based on hyper-spectral analysis

WANG Yiding1, ZHAO Mingqin1, LIU Pengfei1, JIN Jianghua2, HUANG Yuanjiong3, YUE Heng1
1 National Tobacco Cultivation Physiology and Biochemistry Research Center, Henan Agricultural University, Zhengzhou 450002, China;2 China Tobacco Jilin Industrial Co., Ltd. Yanji 133000, Jilin, China;3 Henan Provincial Tobacco Monopoly Administrations, Zhengzhou 450002, China

In order to determine organic matter and total nitrogen contents in tobacco-growing soil rapidly and precisely, hyper-spectral data(400～2400 nm) of 120 cinnamon soil samples collected from tobacco growing areas in central Henan province were measured and studied under laboratory conditions. Hyper-spectral quantitative inversion models of soil organic matter and total nitrogen contents were built and compared by using partial least square regression (PLSR) method with three different mathematical transformation forms and five spectral preprocessing methods after Savizky-Golay smooth filtering pretreatment. Results showed that the regression coefficients of modeling were improved after the first-derivative (FDR) or inverse-log processing of reflectance spectra. Orthogonal signal correction (OSC)was superior to other spectral preprocessing methods while OSC-PLSR models with FDR and log (1/R) transformation performed best in the prediction of soil organic matter and total nitrogen contents. Correlation coefficients (R2) of the prediction model were 0.948 and 0.919,root mean square error of prediction (RMSEP) was 1.316 g·kg-1and 0.091 g·kg-1, and residual prediction deviation (RPD) 4.26 and 4.07,respectively. It is feasible to predict organic matter and total nitrogen contents with high precision in tobacco-growing soil based on hyperspectral analysis technology combined with OSC-PLSR method.

tobacco-growing soil; hyper-spectra; organic matter; total nitrogen; partial least square regression (PLSR)

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)測研究[J]. 中國煙草學(xué)報，2016,22（3）

吉林煙草工業(yè)有限責(zé)任公司重點(diǎn)科技攻關(guān)項(xiàng)目（JY2013001）

王一?。?990—），碩士研究生，研究方向?yàn)闊煵萆砩案吖庾V遙感分析，Email: betrix@163.com

趙銘欽（1964—），教授，主要從事煙草化學(xué)與香精香料、煙草品質(zhì)評價與特色煙葉開發(fā)研究，Email: zhaomingqin@126.com

2015-09-11

:WANG Yiding, ZHAO Mingqin, LIU Pengfei, 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)