基于高光譜的復(fù)墾農(nóng)田土壤有機(jī)質(zhì)含量估測①

石樸杰，王世東，張合兵，王新闖

?

基于高光譜的復(fù)墾農(nóng)田土壤有機(jī)質(zhì)含量估測①

石樸杰，王世東*，張合兵，王新闖

(河南理工大學(xué)測繪與國土信息工程學(xué)院，河南焦作 454000)

為了快速準(zhǔn)確估算礦區(qū)復(fù)墾土地土壤有機(jī)質(zhì)含量，以永城礦區(qū)復(fù)墾農(nóng)田為例，在土樣機(jī)質(zhì)含量測定和高光譜數(shù)據(jù)測量的基礎(chǔ)上，對土壤高光譜數(shù)據(jù)進(jìn)行多種預(yù)處理并與有機(jī)質(zhì)實(shí)測含量進(jìn)行相關(guān)性分析，利用相關(guān)系數(shù)進(jìn)行=0.01水平顯著檢驗(yàn)，確定敏感波段，建立一元線性回歸、多元逐步回歸和偏最小二乘回歸等多種有機(jī)質(zhì)含量與高光譜估測模型。結(jié)果表明：經(jīng)過數(shù)學(xué)變換的土壤光譜反射率與土壤有機(jī)質(zhì)含量相關(guān)性顯著提高，復(fù)墾區(qū)土壤光譜經(jīng)過多元散射校正和一元微分處理并利用偏最小二乘回歸模型建模預(yù)測效果最好。當(dāng)前較少有研究對礦區(qū)復(fù)墾農(nóng)田土壤有機(jī)質(zhì)進(jìn)行高光譜估測，本研究成果可為有效利用高光譜遙感技術(shù)，快速、有效地測定復(fù)墾農(nóng)田土壤有機(jī)質(zhì)含量提供技術(shù)支撐。

高光譜；復(fù)墾農(nóng)田；土壤有機(jī)質(zhì)；估測模型

土壤有機(jī)質(zhì)(soil organic matter，SOM)是決定土壤肥力的重要指標(biāo)之一，為植物提供需要的營養(yǎng)元素，素有植物的“養(yǎng)分銀行”之稱[1-3]，因此，土壤有機(jī)質(zhì)含量的快速、準(zhǔn)確監(jiān)測對農(nóng)業(yè)可持續(xù)發(fā)展具有重要的意義。而傳統(tǒng)的土壤有機(jī)質(zhì)測試方法具有耗時(shí)、費(fèi)力、成本高等缺點(diǎn)，并且結(jié)果滯后難以滿足當(dāng)前生產(chǎn)管理的需要[4]。而高光譜分析技術(shù)因其波段多、分辨率高、數(shù)據(jù)量豐富等特點(diǎn)，可以快速、高效、低成本對土壤有機(jī)質(zhì)進(jìn)行實(shí)時(shí)監(jiān)測[5-8]。對煤礦區(qū)復(fù)墾農(nóng)田土壤有機(jī)質(zhì)進(jìn)行高光譜遙感分析，進(jìn)而對煤礦治理區(qū)土壤質(zhì)量進(jìn)行動(dòng)態(tài)監(jiān)測與評估，可為區(qū)域土地復(fù)墾質(zhì)量評價(jià)提供一定的理論依據(jù)。

自20世紀(jì)60年代，國內(nèi)外許多專家學(xué)者已經(jīng)開始對土壤有機(jī)質(zhì)與土壤光譜關(guān)系進(jìn)行了研究。Bowers和Hanks[9]研究發(fā)現(xiàn)，對土壤有機(jī)質(zhì)進(jìn)行氧化處理，能使土壤的反射系數(shù)提高8.2%。Baumgardner等[10]在測定室內(nèi)土壤光譜時(shí)發(fā)現(xiàn)可見光比近紅外區(qū)域更適合預(yù)測有機(jī)質(zhì)含量。Karnieli和Verchovsky [11]發(fā)現(xiàn)土壤有機(jī)質(zhì)吸收特征主要出現(xiàn)在1 720、2 180和2 309 nm處。Barthès等[12]測定了非洲不同粒徑砂質(zhì)土的有機(jī)質(zhì)含量和近紅外光譜，分析了其相關(guān)關(guān)系。從1980年以來，國內(nèi)逐步開始了對土壤有機(jī)質(zhì)含量與其光譜的研究。盧艷麗等[13]利用570 ~ 590 nm波段的一階導(dǎo)數(shù)光譜和1 280 nm處反射峰高度較好地預(yù)測了東北主要土壤類型的有機(jī)質(zhì)含量。于雷等[14]通過對比高光譜4種預(yù)處理變換形式，得出土壤光譜反射率經(jīng)過連續(xù)統(tǒng)去除變換，并建立偏最小二乘回歸模型效果最佳。沈潤平等[15]在對原始高光譜數(shù)據(jù)進(jìn)行預(yù)處理的基礎(chǔ)上，分別建立了多元線性逐步回歸模型和人工神經(jīng)網(wǎng)絡(luò)模型，并對模型進(jìn)行分析比較，得出人工神經(jīng)網(wǎng)絡(luò)法優(yōu)于多元線性逐步回歸法的結(jié)論。

綜上所述，國內(nèi)外針對土壤高光譜估測已經(jīng)有了大量的研究，肯定了土壤中的有機(jī)質(zhì)含量等在可見光-近紅外光譜預(yù)測上的能力。國內(nèi)利用可見光-近紅外光譜反演灘涂地區(qū)、麥田耕作層、水稻土、荒漠土、干旱區(qū)綠洲[16-20]土壤等較多，較少有對礦區(qū)復(fù)墾農(nóng)田土壤有機(jī)質(zhì)高光譜估測進(jìn)行研究。南鋒等[21]對黃土高原煤礦區(qū)復(fù)墾農(nóng)田土壤進(jìn)行高光譜波段的全波段、一階微分和倒數(shù)的對數(shù)處理3種變換形式與土壤有機(jī)質(zhì)含量的相關(guān)性分析，并且通過建立偏最小二乘回歸預(yù)測模型，對復(fù)墾區(qū)土壤有機(jī)質(zhì)含量進(jìn)行了估測。而本研究則是以河南省永城礦區(qū)復(fù)墾農(nóng)田土壤為研究對象，通過采集土樣，化驗(yàn)分析，光譜測定，對測得的光譜數(shù)據(jù)進(jìn)行多種變換，分析土壤光譜與有機(jī)質(zhì)含量的相關(guān)性，確定敏感光譜波段，通過對比分析一元線性回歸、多元逐步回歸和偏最小二乘回歸法，建立礦區(qū)農(nóng)田土壤有機(jī)質(zhì)含量高光譜估算模型，確定適合礦區(qū)復(fù)墾農(nóng)田土壤有機(jī)質(zhì)含量估測的最佳組合，為礦區(qū)復(fù)墾農(nóng)田土壤有機(jī)質(zhì)估測提供一定的參考。

1 材料與方法

1.1 研究區(qū)概況

河南省永城市位于豫、皖交界地帶，東部和北部與安徽省接壤，復(fù)墾區(qū)位于淮河沖積平原北部，地勢平坦，地形西北高，東南低，微向東南傾斜，地理位置116°39′ E，33°91′ N。復(fù)墾區(qū)表土層由黏土、亞黏土、中細(xì)粉砂土組成。農(nóng)田土壤適宜小麥、玉米、棉花等多種農(nóng)作物生長，耕作制度為一年兩熟或兩年三熟。研究區(qū)原為河南神火集團(tuán)新莊煤礦的塌陷地，地面最高點(diǎn)與最低點(diǎn)相差5 m，形成大面積積水。土地復(fù)墾后，坡度為3‰，達(dá)到了土地耕種的要求。

1.2 土樣采集與有機(jī)質(zhì)測定

土樣采集利用“S”形布點(diǎn)法，使用螺旋取土鉆取5個(gè)點(diǎn)的0 ~ 20 cm表土層，充分混合作為一個(gè)樣品。共采集33個(gè)樣品，土壤樣品經(jīng)自然風(fēng)干，去除植物殘?bào)w和雜物后混合均勻，將每個(gè)樣本分為2份，將充分研磨過20目篩樣本用于高光譜數(shù)據(jù)測定。采用重鉻酸鉀容量法-外加熱法[22]測定土壤有機(jī)質(zhì)含量。將33個(gè)樣本隨機(jī)分為2組，選用23個(gè)樣品用于建模(占總樣本的70%)，10個(gè)樣品用于驗(yàn)證(占總樣本的30%)，樣品的有機(jī)質(zhì)含量見表1。

表1 土壤樣本集有機(jī)質(zhì)含量統(tǒng)計(jì)

1.3 土壤光譜測定

復(fù)墾區(qū)土壤高光譜數(shù)據(jù)的測定采用美國ASD (Analytical Spectral Device)生產(chǎn)的FieldSpec 3型光譜儀，光譜范圍350 ~ 2 500 nm。波段為350 ~ 1 000 nm的光譜分辨率為3 nm，其采樣間隔為1.4 nm；波段為1 000 ~ 3 500 nm的光譜分辨率為10 nm，采樣間隔為2 nm。重采樣間隔為1 nm。土壤光譜測量時(shí)，在四周漆黑的實(shí)驗(yàn)室里，將土壤樣品放置于直徑為10 cm，厚度為2 cm，并用直尺將樣品表面刮平。將視場角為25°探頭垂直置于距土壤樣本表面15 cm上方，光譜儀自帶的50 W鹵素?zé)魹闃颖咎峁┕庠?，光源距土壤樣?0 cm，照射角度45°。考慮到土樣表面的平整度和土壤顆粒有可能會(huì)對測量結(jié)果產(chǎn)生影響，每個(gè)土樣測4個(gè)方向的光譜(轉(zhuǎn)3次，每次90°，每個(gè)方向5條光譜曲線)，共20條曲線，取其平均值作為該土樣的光譜曲線。

1.4 光譜數(shù)據(jù)預(yù)處理

由于光譜曲線的350 ~ 400 nm和2 400 ~ 2500 nm受外界噪聲影響較大，所以考慮將其去除，以減少干擾。為比較光譜不同的預(yù)處理方法對建模產(chǎn)生的影響，本文采用了標(biāo)準(zhǔn)正態(tài)變換(standard normal variate transfor-mation，SNV)、多元散射校正(multiple scatter correction，MSC)、Savitzky-Golay 9點(diǎn)平滑(Savitzky- Golay smoothing with 9 points，SG)、微分處理(一階微分，first derivative，1D；二階微分，second derivative，2D)、倒數(shù)的對數(shù)(inverse-log reflectance，IR)、倒數(shù)(inverse，IN)、連續(xù)統(tǒng)去除(continuum removal，CR)對原波段光譜反射率(reflectance，R)進(jìn)行預(yù)處理。SG平滑變換可以減少雜點(diǎn)，降低曲線對比度；MSC變換可以消除土壤顆粒的不均勻；經(jīng)過SNV處理可以消除表面散射；光譜微分處理可以降低噪聲影響的敏感性，分辨重疊光譜，提高分析精度；倒數(shù)的對數(shù)變換可以減少因光照變化而造成的影響[14, 23-24]；連續(xù)統(tǒng)去除處理有利于壓抑背景光譜，突出光譜曲線的吸收和反射特征[25]。并且，不同的預(yù)處理方法的組合，可以提高所建模型的精度。

1.5 敏感波段的選擇

在復(fù)墾區(qū)土壤有機(jī)質(zhì)高光譜預(yù)測建模的敏感波段的選擇上，通常選用土壤有機(jī)質(zhì)與光譜反射率的各種變換形式進(jìn)行相關(guān)性分析，相關(guān)系數(shù)范圍1.0 ~ –1.0，相關(guān)系數(shù)的絕對值越大，表示其相關(guān)性越高，波段越敏感。本文通過對光譜反射率進(jìn)行的各種數(shù)學(xué)變換與土壤有機(jī)質(zhì)含量進(jìn)行相關(guān)性分析，得到的相關(guān)系數(shù)進(jìn)行=0.01水平上的顯著性檢驗(yàn)，通過顯著性檢驗(yàn)的波段用于土壤有機(jī)質(zhì)含量高光譜模型的估算。

1.6 估測模型建立

本文分別采用一元線性回歸、多元逐步回歸和偏最小二乘回歸建立土壤有機(jī)質(zhì)高光譜模型。

一元線性回歸是統(tǒng)計(jì)學(xué)最常見的分析方法，是一對一的關(guān)系。其數(shù)學(xué)表達(dá)式：

多元線性逐步回歸法是常用統(tǒng)計(jì)建模方法，該方法常被用來確定所研究目標(biāo)物中某種化學(xué)成分的敏感性，以此來確定敏感波段，用得到的敏感波段值來估計(jì)這種化學(xué)成分的濃度值，其模型表達(dá)式為：

偏最小二乘回歸(partial least squares regression，PLSR)可以同時(shí)實(shí)現(xiàn)兩組之間的相關(guān)性、數(shù)據(jù)結(jié)構(gòu)化以及回歸建模，在處理因變量較多或者具有較強(qiáng)自相關(guān)性，而樣本量較少的數(shù)據(jù)時(shí)具有一定的優(yōu)勢，并且有對數(shù)據(jù)降維，簡化數(shù)據(jù)結(jié)構(gòu)，去除噪聲干擾，綜合篩選特征的特點(diǎn)，被認(rèn)為是具有較大建模潛力的方法[26-27]。

1.7 模型檢驗(yàn)

模型的檢驗(yàn)選用決定系數(shù)(determination coeffi-cients，2)、均方根誤差(root mean squared error，RMSE)和統(tǒng)計(jì)量值3個(gè)參數(shù)進(jìn)行評定。

2是相關(guān)系數(shù)的平方值，用來衡量模型的穩(wěn)定性，2越大，模型越穩(wěn)定，其計(jì)算公式為：

RMSE用來判定模型的預(yù)測能力，是預(yù)測值與實(shí)測值的符合度。RMSE越小，模型精度越高，預(yù)測能力越好，其計(jì)算公式如下：

統(tǒng)計(jì)量反映的是回歸方程所能解釋的變差與不能解釋的變差的比例。其數(shù)學(xué)定義為：

當(dāng)統(tǒng)計(jì)量值大于理論臨界值a并且值越大，2越高，RMSE越小時(shí)，說明模型的估算準(zhǔn)確性越高，反之則模型估算的準(zhǔn)確性越差。

2 結(jié)果與分析

2.1 土壤有機(jī)質(zhì)與光譜的相關(guān)性分析

分別對土壤有機(jī)質(zhì)含量與R、SNV、SNV與1D組合、SG、SG與1D、SG與2D組合、MSC、CR、IN和IR進(jìn)行相關(guān)性分析，并通過=0.01水平的顯著性檢驗(yàn)，結(jié)果如圖1所示。從圖1可知，土壤有機(jī)質(zhì)含量與光譜R、IN、IR相關(guān)性較小，沒有波段通過=0.01顯著水平，故不宜用作提取敏感波段進(jìn)行高光譜模型的估算。而光譜經(jīng)過SNV和MSC變換后，相關(guān)性均有所提高，并且顯著波段相同，說明SNV與MSC效果相同。本文采用MSC數(shù)據(jù)進(jìn)行下一步分析。而光譜經(jīng)過1D、2D、CR和MSC+1D變換均有部分波段通過了=0.01顯著性水平檢驗(yàn)，因此用其進(jìn)行高光譜模型的建立。

與原始波段R相比，經(jīng)過數(shù)學(xué)變換土壤光譜反射率與土壤有機(jī)質(zhì)含量的相關(guān)性顯著提高。與原始波段相比，光譜反射率經(jīng)MSC變換通過=0.01顯著性檢驗(yàn)的敏感波段為可見光譜波段的508 ~ 562 nm；光譜反射率SG+1D變換的敏感波段主要集中在475 ~ 534、1 392 ~ 1 461、2 168 ~ 2 215 nm；光譜反射率SG+2D變換的敏感波段主要集中在426 ~ 557、1 410 ~ 1 413、1 642、2 249 nm等；光譜反射率MSC+1D變換的敏感波段主要為422 ~ 445、611 ~ 691、1 423、1 477、1 684 nm等，光譜反射率CR變換的敏感波段以可見光波段549 ~ 585 nm為主，剩下的主要為短波紅外，而近紅外波段則無敏感波段。經(jīng)過SG+2D變換的光譜波段與土壤有機(jī)質(zhì)含量在457 nm處出現(xiàn)最大正相關(guān)，相關(guān)系數(shù)為0.66；經(jīng)過SG+1D變換的光譜波段與土壤有機(jī)質(zhì)含量在1 422 nm處出現(xiàn)最大負(fù)相關(guān)，相關(guān)系數(shù)為–0.68；經(jīng)過SG+1D預(yù)處理并通過=0.01顯著性水平檢驗(yàn)挑選出來的敏感波段分布全面，對光譜的充分表達(dá)充有一定的積極作用。

2.2 模型的對比分析

2.2.1 一元線性回歸模型 選取有機(jī)質(zhì)含量與經(jīng)過數(shù)學(xué)變換的波段相關(guān)系數(shù)絕對值的最大值為自變量，樣品的有機(jī)質(zhì)含量的實(shí)測值為因變量，建立一元線性回歸模型(表2)。

從表2建立的4個(gè)有機(jī)質(zhì)含量一元線性回歸模型來看，模型的決定系數(shù)2和統(tǒng)計(jì)量最高的是SG+2D，分別為0.53和23.94，說明在一元線性回歸模型中經(jīng)SG平滑和2D變換是最優(yōu)選擇，但是其RMSE是5個(gè)模型中最高的，又2雖然是4種變換中最高的，但是數(shù)值為0.53，調(diào)整后的2為0.51，擬合度較低，因此一元線性回歸分析模型效果較差。

圖1 土壤有機(jī)質(zhì)含量與光譜反射率及變換形式的相關(guān)系數(shù)

表2 有機(jī)質(zhì)含量一元線性回歸模型

2.2.2 多元逐步回歸模型 選取經(jīng)過數(shù)學(xué)變換的敏感波段為自變量，樣品的有機(jī)質(zhì)含量的實(shí)測值為因變量，建立多元逐步回歸模型。從表3中多元逐步回歸模型的檢驗(yàn)結(jié)果來看，與一元線性回歸模型相比，總體多元逐步回歸所建模型決定系數(shù)2均有所提高，其中SG+2D的決定系數(shù)2提高了0.31，而MSC+1D的決定系數(shù)2則從0.34提高到了0.84，其他變換模型的決定系數(shù)2也均有不同程度的提升，說明多元逐步回歸模型要優(yōu)于一元逐步回歸。其中的原因是單個(gè)波段不能很好地表達(dá)光譜特征，而多個(gè)波段相互組合能更好地表達(dá)光譜信息。從繪制的土壤有機(jī)質(zhì)實(shí)測值與預(yù)測值的散點(diǎn)圖(圖2)可見，經(jīng)CR和MSC模型驗(yàn)證樣本偏離1︰1線比較嚴(yán)重，而SG+1D、SG+2D、MSC+1D驗(yàn)證樣品則相對更靠近1︰1線，SG+2D驗(yàn)證模型決定系數(shù)2達(dá)到了0.82，是3個(gè)驗(yàn)證模型決定系數(shù)中最高的，而RMSE為0.88，同時(shí)也是3個(gè)模型中最低值，驗(yàn)證一個(gè)模型的好壞2越高，RMSE越低，模型的精度越高，總體來說，對波段經(jīng)SG平滑的2D變換挑選的敏感波段進(jìn)行多元逐步回歸建模更能體現(xiàn)模型的精度。

表3 有機(jī)質(zhì)含量多元逐步回歸模型

圖2 有機(jī)質(zhì)含量多元逐步回歸模型估算值與實(shí)測值的比較

2.2.3 偏最小二乘回歸模型 將樣本有機(jī)質(zhì)含量的實(shí)測值作為因變量，選取經(jīng)過數(shù)學(xué)變換的敏感波段為自變量，建立偏最小二乘法逐步回歸模型。結(jié)合有機(jī)質(zhì)含量多元逐步回歸模型，5種變換分別建模的決定系數(shù)2和統(tǒng)計(jì)量均有所提高，均方根誤差RMSE有所降低。雖然SG+2D的決定系數(shù)2僅提高了0.01，但其均方根誤差RMSE則從2.52降到了0.99，統(tǒng)計(jì)量從28.4升到178.97，提高了150.57，偏最小二乘法回歸模型相比多元逐步回歸模型總體來說精度有所提高。

圖3為有機(jī)質(zhì)含量偏最小二乘回歸模型估算值與實(shí)測值的比較，SG+1D、CR和MSC模型驗(yàn)證樣品偏離1︰1線較嚴(yán)重，SG+2D、MSC+1D驗(yàn)證樣品基本在1︰1線附近，而MSC+1D的驗(yàn)證決定系數(shù)2達(dá)到了0.91，RMSE為0.72，與SG+2G相比具有明顯的優(yōu)勢。因此，MSC+1D在偏最小二乘法回歸模型中表現(xiàn)最優(yōu)，估算精度最高。

表4 有機(jī)質(zhì)含量偏最小二乘回歸模型精度

圖3 有機(jī)質(zhì)含量偏最小二乘回歸模型估算值與實(shí)測值的比較

從研究結(jié)果來看，偏最小二乘回歸模型中，光譜反射率經(jīng)MSC+1D變換與有機(jī)質(zhì)含量的決定系數(shù)2和統(tǒng)計(jì)量是所有光譜數(shù)據(jù)波段變換中最高的，分別達(dá)到了0.95和591.75，均方根誤差RMSE達(dá)到最低，為0.60，并且驗(yàn)證模型決定系數(shù)2為0.91，曲線擬合度最高，這與郭斗斗等[28]得出MSC與一階微分相結(jié)合在光譜模型中表現(xiàn)最優(yōu)相符合，土壤高光譜數(shù)據(jù)經(jīng)過MSC+1D與MSC處理對比分析可知，使用兩種預(yù)處理算法，其與有機(jī)質(zhì)含量相關(guān)性更高，同時(shí)對建模精度也有很好的提升，一種預(yù)處理不能更全面地消除其他因素的干擾，兩種預(yù)處理方法的結(jié)合，能提高顯著波段相關(guān)性，進(jìn)一步使模型精度提高。

通過對建立的復(fù)墾區(qū)有機(jī)質(zhì)含量一元線性回歸模型、多元線性回歸模型和偏最小二乘法回歸模型3個(gè)模型的比較分析，一元線性回歸模型的決定系數(shù)均小于0.6，精度偏低，效果較差，不適合作復(fù)墾區(qū)有機(jī)質(zhì)高光譜遙感估測。相比較一元線性回歸模型，多元線性回歸模型的精度有顯著的提高，其中高光譜波段經(jīng)過SG平滑的2D變換的多元線性回歸模型的決定系數(shù)2達(dá)到了0.84，并且驗(yàn)證模型決定系數(shù)2為0.82，在多元線性回歸模型所有的數(shù)學(xué)變換中是最優(yōu)的。相較多元逐步回歸模型，無論使用哪種預(yù)處理的方法，偏最小二乘回歸模型的精度均有所提高，這與郭斗斗等[28]、候艷軍等[18]、李媛媛等[29]通過多種模型對比分析得出的結(jié)論基本一致。

3 結(jié)論

本研究結(jié)果表明，煤礦復(fù)墾區(qū)土壤高光譜反射率經(jīng)過數(shù)學(xué)變換，與土壤有機(jī)質(zhì)含量相關(guān)性顯著提高，并且經(jīng)過MSC與1D相結(jié)合的數(shù)學(xué)變換，并建立偏最小二乘回歸模型的預(yù)測精度最高，模型穩(wěn)定性最好，其驗(yàn)證模型決定系數(shù)達(dá)到0.91，統(tǒng)計(jì)量為85.86，RMSE達(dá)到0.72。本文以永城市煤礦塌陷復(fù)墾區(qū)土壤有機(jī)質(zhì)為研究對象建立的預(yù)測模型，可為其他煤礦復(fù)墾區(qū)土壤有機(jī)質(zhì)預(yù)測提供參考，對進(jìn)行礦區(qū)土地復(fù)墾監(jiān)測提供技術(shù)支撐，為大面積土地復(fù)墾指標(biāo)體系的快速建立提供依據(jù)。

[1] 中國土壤學(xué)會(huì). 土壤農(nóng)業(yè)化學(xué)分析方法[M]. 北京: 中國農(nóng)業(yè)科技出版社, 2000

[2] 呂貽忠, 李保國. 土壤學(xué)[M]. 北京: 中國農(nóng)業(yè)出版社, 2006: 317–318

[3] 張枝枝, 張福平, 燕玉超, 等. 渭河兩岸緩沖帶的土壤有機(jī)質(zhì)含量分布特征及其影響因子[J]. 土壤, 2017, 49(2): 393–399

[4] 賀軍亮, 蔣建軍, 周生路,等.土壤有機(jī)質(zhì)含量的高光譜特性及其反演[J]. 中國農(nóng)業(yè)科學(xué), 2007, 40(3): 638–643

[5] Yang H, Kuang B, Mouazen A M. Quantitative analysis of soil nitrogen and carbon at a farm scale using visible and near infrared spectroscopy coupled with wavelength reduction[J]. European Journal of Soil Science, 2011, 63(3): 410–420

[6] 洪永勝, 于雷, 朱亞星, 等. 基于EPO算法去除水分影響的土壤有機(jī)質(zhì)高光譜估算[J]. 土壤學(xué)報(bào), 2017, 54(5): 1068–1078

[7] 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(bào), 2015, 31(9): 121–126

[8] 吳才武, 夏建新, 段崢嶸. 土壤有機(jī)質(zhì)測定方法述評與展望[J]. 土壤, 2015, 47(3): 453–460

[9] Bowers S, Hanks R. Reflection of radiant energy from soil[J]. Soil Science, 1965, 100(2): 130–138

[10] Baumgardner M F, Stoner E R, Silva L F, et al. Reflective properties of soils//Brady N. Advances in agronomy, 38. New York: Academic Press, 1985: 1–44

[11] Karnieli A, Verchovsky I. Geographic information system for semi-detailed mapping of soils in a semi-arid region[J]. Geocarto International, 1998, 13(3): 29–42

[12] Barthès B G, Brunet D, Hien E, et al. Determining the distributions of soil carbon and nitrogen in particle size fractions using near-infrared reflectance spectrum of bulk soil samples[J]. Soil Biology & Biochemistry, 2008, 40: 1533–1537

[13] 盧艷麗, 白由路, 楊俐蘋, 等. 基于高光譜的土壤有機(jī)質(zhì)含量預(yù)測模型的建立與評價(jià)[J]. 中國農(nóng)業(yè)科學(xué), 2007, 40(9): 1989–1995

[14] 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

[15] 沈潤平, 丁國香, 魏國栓, 等. 基于人工神經(jīng)網(wǎng)絡(luò)的土壤有機(jī)質(zhì)含量高光譜反演[J]. 土壤學(xué)報(bào), 2009, 46(3): 391–397

[16] 徐明星, 周生路,丁衛(wèi), 等. 蘇北沿海灘涂地區(qū)土壤有機(jī)質(zhì)含量的高光譜預(yù)測[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2011, 27(2): 219–223

[17] 王超, 馮美臣, 楊武德, 等. 麥田耕作層土壤有機(jī)質(zhì)的高光譜監(jiān)測[J]. 山西農(nóng)業(yè)科學(xué), 2014, 42(8): 869–873

[18] 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(bào), 2014, 30(16): 113–120

[19] 向紅英, 柳維揚(yáng), 彭杰, 等. 基于連續(xù)統(tǒng)去除法的南疆水稻土有機(jī)質(zhì)含量預(yù)測[J]. 土壤, 2016, 48(2): 389–394

[20] 周倩倩, 丁建麗, 唐夢迎, 等. 干旱區(qū)典型綠洲土壤有機(jī)質(zhì)的反演及影響因素研究[J]. 土壤學(xué)報(bào), 2018, 55(2): 313–324

[21] 南鋒, 朱洪芬, 畢如田. 黃土高原煤礦區(qū)復(fù)墾農(nóng)田土壤有機(jī)質(zhì)含量的高光譜預(yù)測[J]. 中國農(nóng)業(yè)科學(xué), 2016, 49(11): 2126–2135

[22] 鮑士旦. 土壤農(nóng)化分析[M]. 北京: 中國農(nóng)業(yè)出版社, 1999: 30–34

[23] 褚小立, 袁洪福, 陸婉珍. 近紅外分析中光譜預(yù)處理及波長選擇方法進(jìn)展與應(yīng)用[J]. 化學(xué)進(jìn)展, 2004, 16(4): 528–542

[24] 梁卓婭. 土壤有機(jī)質(zhì)的近紅外光譜信息提取及定量分析[D]. 山西太谷: 山西農(nóng)業(yè)大學(xué), 2016

[25] Clark R N, Roush T L. Reflectance spectroscopy: Quantitative analysis techniques for remote sensing applications[J]. Journal of Geophysical Research Solid Earth, 1984, 89(B7): 6329–6340

[26] 史舟, 王乾龍, 彭杰, 等. 中國主要土壤高光譜反射特性分類與有機(jī)質(zhì)光譜預(yù)測模型[J]. 中國科學(xué): 地球科學(xué), 2014, 44(5): 978–988

[27] 方少文, 楊梅花, 趙小敏, 等. 紅壤區(qū)土壤有機(jī)質(zhì)光譜特征與定量估算——以江西省吉安縣為例[J]. 土壤學(xué)報(bào), 2014, 51(5): 1003–1010

[28] 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(bào), 2014, 30(21): 192–200

[29] 李媛媛, 李微, 劉遠(yuǎn), 等. 基于高光譜遙感土壤有機(jī)質(zhì)含量預(yù)測研究[J]. 土壤通報(bào), 2014, 45(6): 1313–1318

Estimation of SOM Content in Reclaimed Cropland Based on Hyperspectra

SHI Pujie, WANG Shidong*, ZHANG Hebing, WANG Xinchuang

(School of Surveying and Land Information Engineering, Henan Polytechnic University, Jiaozuo, Henan 454000, China)

Thirty-three soil samples were collected from the reclaimed farmland in the coal mining areas in Yongcheng in order to estimate quickly and accurately SOM content by hyperspectra, in which 23 samples and 10 samples were used to establish and verify the hyperspectral models respectively. SOM contents and hyperspectra of the soil samples were measured, the correlations were analyzed between SOM content and the multi-pretreated hyperspectral data, correlation coefficients at= 0.01 level were used to test to determine the sensitive bands, and models of simple linear regression, multiple stepwise regression (MSR) and partial least squares regression (PLSR) were established. The results showed that transformed soil spectral reflectance promoted the correlation coefficients, and PLSR models of the differential spectra were optimal after the spectral noise were reduced by multiple scattering correction. Due to little information is available now on hyperspectral inversion of SOM content in reclaimed farmland, the above results provide technical support for the efficient and rapid determination of SOM content in reclaimed farmland by using hyperspectral remote sensing.

Hyperspectra; Reclaimed land; SOM, Estimation model

國家自然科學(xué)基金項(xiàng)目(41301617)、中國煤炭工業(yè)協(xié)會(huì)指導(dǎo)性計(jì)劃項(xiàng)目(MTKJ-2015-284)、中國博士后科學(xué)基金項(xiàng)目(2016M590679，2015M580629)、河南省高等學(xué)校重點(diǎn)科研項(xiàng)目(17A420001，16A420003)、河南省高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目(NSFRF1630)、河南理工大學(xué)創(chuàng)新性科研團(tuán)隊(duì)項(xiàng)目(B2017-16)、河南省高?？萍紕?chuàng)新團(tuán)隊(duì)支持計(jì)劃項(xiàng)目(18IRTSTHN008)和河南理工大學(xué)青年骨干教師資助計(jì)劃項(xiàng)目資助。

(wsd0908@163.com)

石樸杰(1989—)，男，河南周口人，碩士研究生，主要研究方向?yàn)榈V區(qū)開采沉陷與土地復(fù)墾。E-mail：dssomx@163.com

10.13758/j.cnki.tr.2018.03.017

S151.9

A