砂姜黑土有機質(zhì)含量高光譜估測模型構(gòu)建

張娟娟，席 磊，楊向陽，許 鑫，郭 偉，程 濤，馬新明,3

砂姜黑土有機質(zhì)含量高光譜估測模型構(gòu)建

張娟娟1,2，席 磊1,2，楊向陽2，許 鑫1,2，郭 偉1,2，程 濤2，馬新明1,2,3※

（1. 河南糧食作物協(xié)同創(chuàng)新中心，鄭州 450002；2. 河南農(nóng)業(yè)大學信息與管理科學學院，鄭州 450002；3. 河南農(nóng)業(yè)大學農(nóng)學院，鄭州 450002）

為快速估測砂姜黑土有機質(zhì)含量，該研究以河南省商水縣砂姜黑土為對象，采用光譜指數(shù)和遺傳算法結(jié)合支持向量機構(gòu)建砂姜黑土有機質(zhì)估測模型。結(jié)果表明，以Savitzky-Golay（SG）平滑后的一階導數(shù)光譜792和1 389 nm兩波段組合構(gòu)建的比值指數(shù)表現(xiàn)最好，建模集決定系數(shù)為0.81。利用獨立的樣本驗證，預測決定系數(shù)和均方根誤差分別為0.91和1.56 g/kg。而相同樣本經(jīng)遺傳算法篩選敏感波段結(jié)合支持向量機回歸構(gòu)建的模型以SG平滑的一階導數(shù)光譜表現(xiàn)最好，建模集和驗證集決定系數(shù)分別為0.95和0.91，均方根誤差分別為1.01和1.69 g/kg?；谶z傳算法結(jié)合支持向量機回歸和光譜指數(shù)2種方法構(gòu)建的有機質(zhì)含量估測模型均表現(xiàn)出較高的精度，前者稍優(yōu)于后者，可用于對砂姜黑土有機質(zhì)含量的有效估測。該研究成果可為砂姜黑土有機質(zhì)含量的快速定量估算提供依據(jù)和參考。

土壤；有機質(zhì)；高光譜；光譜指數(shù)；遺傳算法；支持向量機；砂姜黑土

0 引 言

土壤有機質(zhì)作為主要養(yǎng)分，是評估土壤肥力水平的一項重要指標，對作物的生長有著至關(guān)重要的作用。目前，土壤有機質(zhì)分析仍采用室內(nèi)化學測定的方法，費時費力，時效性差。而高光譜遙感技術(shù)由于具有分辨率高，能快速獲取大量光譜信息等特點而被廣泛用于土壤養(yǎng)分等指標的估測。國內(nèi)外較多學者對于土壤有機質(zhì)高光譜估測模型進行了研究，模型的估測精度差異較大。早期學者們采用相關(guān)分析法研究不同類型土壤有機質(zhì)與土壤光譜反射率及不同變換形式的關(guān)系，將相關(guān)系數(shù)高的波長作為土壤有機質(zhì)的敏感波段，如Gunsaulis等[1]研究表明，土壤有機質(zhì)含量與紅光波段的反射率具有較強的相關(guān)性，決定系數(shù)可達0.61；盧艷麗等[2]認為東北黑土有機質(zhì)含量與545～738 nm波段的原始光譜反射率和481～598 nm波段的一階導數(shù)光譜呈極顯著負相關(guān)，而與816～932 nm和1 039～l 415 nm波段的一階導數(shù)光譜呈極顯著正相關(guān)性。近年來，多變量回歸建模方法逐漸應用于土壤養(yǎng)分的估測中，如Uno等[3]采用主成分分析結(jié)合多元線性回歸和人工神經(jīng)網(wǎng)絡(luò)構(gòu)建土壤有機質(zhì)模型。Liu等[4]采用9種建模方案構(gòu)建了不同土地利用類型土壤有機質(zhì)的估測模型，估測精度決定系數(shù)（Coefficient of Determination,2）最高為0.89。Viscarra等[5]構(gòu)建了澳大利亞土壤有機碳不同組分含量的估測模型。Ward等[6]利用偏最小二乘法結(jié)合多種光譜吸收特征構(gòu)建了歐洲土地利用及覆蓋統(tǒng)計調(diào)查（European Land Use/Cover Area Frame Statistical Survey, LUCAS）土壤的有機碳估測模型。國內(nèi)學者于雷等[7]基于不同方法篩選光譜特征波長變量，結(jié)合偏最小二乘法構(gòu)建漢江平原3種主要土壤類型潮土、水稻土和黃棕壤的光譜估測模型，模型預測決定系數(shù)可達0.92。侯艷軍等[8]利用多元逐步回歸和偏最小二乘法比較了不同形式變換光譜構(gòu)建的荒漠土壤有機質(zhì)含量估測模型。林鵬達等[9]采用連續(xù)小波變換結(jié)合偏最小二乘回歸構(gòu)建吉林省黑土高光譜估測模型，建模精度2最高達到了0.87。張智韜等[10]利用分數(shù)階微分聯(lián)合支持向量機分類-隨機森林模型構(gòu)建了荒漠土壤有機質(zhì)含量預測模型，建模決定系數(shù)可達0.98。綜上所述，已有較多研究采用不同方法構(gòu)建了土壤有機質(zhì)含量估測模型，但由于不同土壤類型差異較大，模型的估測精度和實際應用效果仍需進一步研究。

砂姜黑土發(fā)育于河湖相沉積物、低洼潮濕和排水不良環(huán)境，經(jīng)前期草甸潛育化過程和后期旱耕熟化過程形成的一種耕作土壤類型，全國面積計有370萬hm2左右，主要分布于黃淮海平原南部，其特點是質(zhì)地黏重，結(jié)構(gòu)性差，難耕難耙[11-13]。以往研究多以多種類型混合土壤作為樣本或者單一土壤類型作為建模樣本，而土壤的光譜特征受土壤顆粒、結(jié)構(gòu)、養(yǎng)分等多種因素影響。砂姜黑土與潮土、水稻土等差異明顯，因此，有必要進一步研究砂姜黑土的高光譜特征，構(gòu)建其有機質(zhì)含量高光譜估測模型，為快速精確估測提供依據(jù)和技術(shù)參考。本研究以商水縣砂姜黑土為研究對象，對原始光譜進行預處理，采用光譜指數(shù)及遺傳算法結(jié)合支持向量機構(gòu)建砂姜黑土有機質(zhì)高光譜估測模型，以期為砂姜黑土有機質(zhì)含量的光譜快速估測提供理論依據(jù)和技術(shù)參考。

1 材料與方法

1.1 土樣采集與處理

土壤樣品結(jié)合河南省商水縣國營農(nóng)場十四分場（33°32′N，114°29′E）設(shè)置的小麥氮肥處理試驗采集，土壤類型為典型砂姜黑土，采集0～20和>20～40 cm 2個土層，采樣時將每個采樣點地表植物清除，共采集樣本100份。經(jīng)自然風干之后，用木棒壓磨后粗略去除砂礫及植物殘體，然后過0.9 mm篩混合均勻，供光譜測試和化學分析使用。

1.2 高光譜數(shù)據(jù)采集

使用美國ASD FieldSpec 4便攜式高光譜儀測量土壤樣本的高光譜反射率。該光譜儀測定的波長范圍為350～2 500 nm，其中，350～1 000 nm 光譜采樣間隔為1.4 nm，光譜分辨率為3 nm；1 000～2 500 nm光譜采樣間隔為2 nm，光譜分辨率為10 nm，重采樣間隔為1 nm，輸出波段數(shù)為2 151。整個操作過程在等同于暗室的實驗室內(nèi)進行測定，測定時使用的光源為與儀器配套的功率為1 000 W鹵素燈。把適量經(jīng)處理的過0.9 mm孔徑篩的土壤樣品倒入盛樣皿中，用木棒稍稍壓實，使其表面盡量平整。測量時使用的探頭視場角為5°，其距離土壤樣本表面的距離為30 cm。光源照射方向與豎直方向夾角為30°，測量時每個樣品旋轉(zhuǎn)3次，每個角度采集10條光譜反射率曲線，3個方向共有30條光譜曲線，計算30條曲線的平均值作為樣本的光譜反射率數(shù)據(jù)。

1.3 土壤有機質(zhì)測定

土壤有機質(zhì)含量采用重鉻酸鉀-外加熱法方法進行測定[14]。土壤樣本有機質(zhì)數(shù)據(jù)統(tǒng)計特征如表1所示，隨機選取75個樣本用于建模，其余25個樣本用于驗證。

表1 土壤有機質(zhì)含量統(tǒng)計

1.4 數(shù)據(jù)分析方法

1.4.1 光譜數(shù)據(jù)預處理

為了減小光譜測定過程中所產(chǎn)生的誤差，較準確找出土壤有機質(zhì)高光譜敏感波段，對土壤樣本的原始光譜數(shù)據(jù)進行預處理，來提高其相關(guān)性。Cloutis[15]研究表明，光譜經(jīng)過低階導數(shù)處理以后，對噪聲影響的敏感性有所降低。因此，本研究在建立模型前用Savitzky-Golay（SG）平滑[16]對一階導數(shù)光譜進行預處理，移除噪音對高光譜曲線的影響，降低樣本的不均勻性帶來的光譜差異。

1.4.2 光譜指數(shù)分析

利用350～2 500 nm波段的光譜反射率，構(gòu)建原始光譜和SG平滑后一階導數(shù)光譜任意兩波段組合而成的差值光譜指數(shù)（Difference Spectral Indices, DSI）、歸一化光譜指數(shù)（Normalized Spectral Indices, NSI）和比值光譜指數(shù)（Ratio Spectral Indices, RSI），計算如式（1）、式（2）和式（3）所示。

DSI=R1?λ2（1）

NSI=(R1?R2)/(R1+R2)（2）

RSI=R1/R2（3）

式中R1和λ2分別為350～2 500 nm波段范圍內(nèi)任意2個波段的反射率。

1.4.3 遺傳算法

遺傳算法（Genetic Algorithm, GA）是一種隨機優(yōu)化選擇算法，其本質(zhì)是模擬生物的進化過程，是光譜分析中常用一種變量選擇方法[17]。在進行土壤養(yǎng)分信息高光譜的特征波段選擇時，GA主要分為編碼、選擇初始群體、適應度函數(shù)的確定、復制、交叉和變異幾個主要步驟。在遺傳算法挑選波段的過程中，取10 nm為間隔的平均值作為輸入，以去除冗余信息，同時兼顧光譜基本特征[18]。

1.4.4 支持向量機

支持向量機（Support Vector Machine, SVM）是一種基于統(tǒng)計學習理論的新型結(jié)構(gòu)化學習算法，專門用來研究有限樣本預測的智能學習方法。目前，在處理分類與回歸問題時，支持向量機常常被用到，尤其是在對小樣本非線性與高維模式分類處理時，更加能展現(xiàn)出其最優(yōu)的性能。SVM采用R語言軟件來實現(xiàn)，使用e1017包的libsvm函數(shù)訓練支持向量機，核函數(shù)使用默認值radial（徑向基函數(shù)），成本函數(shù)cost和gamma選擇模型中最佳參數(shù)。

1.4.5 模型驗證

土壤有機質(zhì)含量估測模型的精度使用決定系數(shù)（Coefficient of Determination,2）和均方根誤差（Root Mean Square Error, RMSE）來評價。2和RMSE的計算如式（4）和式（5）所示。

2 結(jié)果與分析

2.1 砂姜黑土高光譜特征

圖1為不同有機質(zhì)含量的砂姜黑土高光譜特征曲線。由圖1可知，不同土壤有機質(zhì)含量光譜反射率曲線整體趨勢一致，在350～1 350 nm波段內(nèi)光譜反射率呈單調(diào)遞增趨勢，在可見光區(qū)域350～780 nm波段之間，土壤光譜反射率較低，但是增長速度較快，整體光譜曲線的走勢較陡；在780～1 900 nm波段之間，土壤光譜的反射率較高，增長速度相對較慢，光譜曲線的走勢較為平緩；在1 900～2 100 nm波段之間，土壤光譜的反射率隨波長的增加而上升，在2 100 nm附近，曲線的反射率值基本上達到極大值；在2 100～2 500 nm波段之間，土壤光譜的反射率隨波長增加呈現(xiàn)下降趨勢，均在1 400、1 900和2 200 nm附近處存在明顯的水分吸收峰。有機質(zhì)含量對反射率高低具有一定影響，表現(xiàn)為有機質(zhì)含量越高，反射率越低，相反，反射率升高。

2.2 基于光譜指數(shù)的土壤有機質(zhì)含量估測

原始光譜反射率（Reflectance,）和SG平滑后一階導數(shù)（First Derivative，F(xiàn)D）2種光譜形式任意兩兩波段所組成的DSI、NSI和RSI與有機質(zhì)含量的相關(guān)等勢圖如圖2和圖3所示。結(jié)果顯示，2種光譜形式的波段范圍組合存在明顯的差異。原始光譜與有機質(zhì)相關(guān)性較好的波段主要集中在650、1 500和2 200 nm附近處，其中DSI(995,1 911)、NSI(2 067,2 208)和RSI(1 037,1 908)分別是3種光譜組合形式中擬合程度最好的組合。SG平滑后一階導數(shù)光譜與有機質(zhì)相關(guān)性較好的波段主要集中在1 350～2 000 nm與600～1 000 nm組合波段區(qū)域，其中DSI(FD792, FD1 420)、NSI(FD792,FD1 389)和RSI(FD792, FD1 389)分別是3種光譜組合形式中擬合程度最好的組合。

圖1 不同有機質(zhì)含量的砂姜黑土反射光譜特征

注：圖中數(shù)字為土壤有機質(zhì)含量與原始光譜波段組合指數(shù)的決定系數(shù)（R2）。

注：圖中數(shù)字為土壤有機質(zhì)含量與SG平滑后一階導數(shù)波段組合指數(shù)的決定系數(shù)（R2）。

對2種光譜形式中表現(xiàn)最好的光譜參數(shù)與土壤有機質(zhì)含量進行線性建模，并利用獨立的數(shù)據(jù)進行驗證，結(jié)果如表2所示。基于NSI(2 067,2 208)、DSI(FD792, FD1 420)、NSI(FD792, FD1 389)和RSI(FD792, FD1 389)構(gòu)建的模型的決定系數(shù)均達到了0.8以上，其次為RSI(1 037,1 908)、構(gòu)建的模型，建模決定系數(shù)為0.78，而由DSI(995,1 911)構(gòu)建的模型，表現(xiàn)較差。經(jīng)SG平滑的一階導數(shù)構(gòu)建的比值光譜指數(shù)模型建模決定系數(shù)為0.81，預測決定系數(shù)達到0.91，RMSE分別為2.03和1.56，顯示該模型具有較高的預測精度和穩(wěn)定性。圖4為基于RSI(FD792, FD1 389)的建模和驗證散點圖。

表2 土壤有機質(zhì)光譜指數(shù)模型

圖4 土壤有機質(zhì)與SG平滑后的一階導數(shù)比值光譜指數(shù)RSI(FD792, FD1 389)之間的關(guān)系及模型驗證

2.3 基于支持向量機的土壤有機質(zhì)含量估測

2.3.1 基于遺傳算法的土壤有機質(zhì)波段選擇

將建模集75個土壤樣本作為初始群體，每條染色體的長度是215。算法的最大運行代數(shù)設(shè)定為50，最后結(jié)果按波段選擇的頻率和組分的貢獻率由大到小排列，將頻率排名在前10的光譜波段作為建模波段區(qū)間。遺傳算法迭代過程選擇原始光譜和經(jīng)過SG平滑后的一階導數(shù)2種光譜形式的有機質(zhì)含量建模波長頻率的結(jié)果如圖5所示。選取原始光譜有機質(zhì)建模波長的敏感波段區(qū)間12、27、32、40、112、155、156、167、173和180，對應光譜的原始區(qū)間為461～470、611～620、661～670、741～750、1 461～1 470、1 891～1 900、1 901～1 910、2 011～2 020、2 071～2 080和2 141～2 150 nm。選取經(jīng)過SG平滑后一階導數(shù)的有機質(zhì)建模波長的敏感波段區(qū)間18、19、33、42、43、49、109、111、153和154，對應光譜的原始區(qū)間為521～530、531～540、671～680、761～770、771～780、831～840、1 431～1 440、1 451～1 460、1 871～1 880和1 881～1 890 nm。

圖5 用遺傳算法選擇原始光譜和SG平滑后一階導數(shù)光譜土壤有機質(zhì)含量建模波長頻率圖

2.3.2 基于支持向量機的土壤有機質(zhì)估測模型

將遺傳算法篩選出的敏感波段作為支持向量機回歸的輸入值，以土壤有機質(zhì)的含量作為輸出，結(jié)果如表3所示。基于支持向量機構(gòu)建的模型建模決定系數(shù)均在0.9以上，其中，基于遺傳算法篩選的SG平滑后一階導數(shù)的敏感波段作為輸入構(gòu)建的有機質(zhì)模型建模（圖6a）及驗證（圖6b）結(jié)果表現(xiàn)最好，其決定系數(shù)2分別為0.95和0.91，均方根誤差RMSE分別為1.01和1.69，表明模型具有較好的預測能力。

表3 基于支持向量機的土壤有機質(zhì)建模與驗證結(jié)果

圖6 基于支持向量機的土壤有機質(zhì)含量建模及驗證

3 討 論

關(guān)于土壤有機質(zhì)的光譜反演已有較多研究，由于土壤組成的復雜性以及顆粒等因素影響，現(xiàn)有研究還沒統(tǒng)一的結(jié)論。已有研究目標樣本大概分2種，一種是獲取多種類型的土壤，劉煥軍等[19]研究表明模型在預測不同類型土壤時精度會下降，另一部分研究對單一的土壤類型進行研究，如黑土、紅壤、潮土、棕壤、水稻土等[2, 9, 20-23]，但目前關(guān)于砂姜黑土的光譜特征、敏感波段選擇及模型方面還報道較少。本研究通過系統(tǒng)分析砂姜黑土的高光譜特征，結(jié)果顯示，砂姜黑土土壤的光譜曲線趨勢與其他類型土壤基本一致，除水分吸收峰外，整體表現(xiàn)平緩。通過構(gòu)建原始光譜及SG平滑后的一階導數(shù)光譜兩兩波段組合而成的光譜指數(shù)，結(jié)果顯示，與原始光譜最好敏感區(qū)域主要位于650、1 500和2 200 nm附近，一階導數(shù)最好的敏感區(qū)域主要位于790和1 400 nm附近，結(jié)果與盧艷麗等[2]、洪永勝等[24]、祁亞琴等[25]研究稍有差別。同時本研究還利用遺傳算法篩選了土壤有機質(zhì)的敏感區(qū)域作為支持向量機建模方法的輸入，由于遺傳算法利用偏最小二乘回歸中的交叉性均方根誤差（Root Mean Square Error of Cross Validation, RMSECV）和決定系數(shù)2作為適應度函數(shù)，篩選的區(qū)域為多次運算之后選中次數(shù)多的波段，部分區(qū)域與光譜指數(shù)方法提取一致。但由于遺傳算法是一種自適應的全局的概率搜索算法，借鑒生物界自然選擇和遺傳機制，利用選擇、交換和突變等算子的操作，隨著不斷的遺傳迭代，最終達到了最優(yōu)的結(jié)果[26]，因此可能會存在差異。

光譜指數(shù)是在植被監(jiān)測中常用的方法，在土壤養(yǎng)分估測中也有應用[10,27]。本研究構(gòu)建的砂姜黑土有機質(zhì)含量估測光譜指數(shù)RSI(FD792, FD1 389)在現(xiàn)有研究樣本的估測中具有較高的精度，但與張娟娟等[27]前期研究提取的參數(shù)具有差異，可能是由于不同類型土壤質(zhì)地、組成等不同對光譜特征有一定影響。近年來，支持向量機方法在光譜模型構(gòu)建和參數(shù)反演方面表現(xiàn)出較強的優(yōu)勢[28]，在本研究中，將遺傳算法提取的敏感波段作為輸入，采用支持向量機構(gòu)建的模型建模決定系數(shù)和預測決定系數(shù)均達到0.9以上，要高于采用光譜指數(shù)建立的模型精度，與前人構(gòu)建的模型精度相比，也要略高，如劉煥軍等[19]利用多元統(tǒng)計方法構(gòu)建了東北黑土有機質(zhì)估測模型，建模和驗證精度分別為0.94和0.90，于雷等[29]利用偏最小二乘方法構(gòu)建了江漢平原公安縣土壤的有機質(zhì)估測模型，建模和驗證精度分別為0.89和0.84，說明該方法和所構(gòu)建模型可能更適用于有機質(zhì)含量的光譜預測。因此，本研究構(gòu)建的RSI(FD792, FD1 389)和支持向量機模型均可用于砂姜黑土的有效估測，光譜指數(shù)所用到的2個波段同時可以為便攜式光譜儀的研發(fā)提供支持。

4 結(jié) 論

在系統(tǒng)研究砂姜黑土光譜特征的基礎(chǔ)上，采用光譜指數(shù)和支持向量機2種方法構(gòu)建了土壤有機質(zhì)的光譜估測模型，結(jié)果表明，基于比值光譜指數(shù)RSI（FD792，F(xiàn)D1 389）構(gòu)建的模型建模和預測決定系數(shù)均達到0.8以上，而遺傳算法結(jié)合支持向量機構(gòu)建的模型建模集精度高于前者，建模集和預測集決定系數(shù)均在0.9以上，2種模型均可用于砂姜黑土有機質(zhì)的有效估測。

[1]Gunsaulis F R, Kocher M F, Griffis C L. Surface structure effects on close-range reflectance as a function of soil organic matter content[J]. American Society of Agricultural Engineer, 1991, 34(2): 641-649.

[2]盧艷麗，白由路，楊俐蘋，等. 高光譜的土壤有機質(zhì)含量預測模型的建立與評價[J]. 中國農(nóng)業(yè)科學，2007，40(9)：1989-1995.

Lu Yanli, Bai Youlu, Yang Liping, et al. Prediction and validation of soil organic matter content based on hyper spectrum[J]. Scientia Agricultura Sinica, 2007, 40(9): 1989-1995. (in Chinese with English abstract)

[3]Uno Y, Prasher S O, Patel R M, et al. Development of field-scale soil organic matter content estimation models in Eastern Canada using airborne hyperspectral imagery[J]. Canadian Biosystems Engineering, 2005, 47: 9-14.

[4]Liu Yaolin, Jiang Qinhu, Fei Teng, et al. Transferability of a visible and near-infrared model for soil organic matter estimation in riparian landscapes[J]. Remote Sensing, 2014, 6(5): 4305-4322.

[5]Viscarra Rossel R A, Hicks W S. Soil organic carbon and its fractions estimated by visible-near infrared transfer functions[J]. European Journal of Soil Science, 2015, 66(3): 438-450.

[6]Ward K J, Chabrillat S, Neumann C, et al. A remote sensing adapted approach for soil organic carbon prediction based on the spectrally clustered LUCAS soil database[J]. Geoderma, 2019, 353: 297-307.

[7]于雷，洪永勝，周勇，等. 高光譜估算土壤有機質(zhì)含量的波長變量篩選方法[J]. 農(nóng)業(yè)工程學報，2016，32(13)：95-102.

Yu Lei, Hong Yongsheng, Zhou Yong, et al. Wavelength variable selection methods for estimation of soil organic matter content using hyperspectral technique[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(13): 95-102. (in Chinese with English abstract)

[8]侯艷軍，塔西甫拉提·特依拜，買買提·沙吾提，等. 荒漠土壤有機質(zhì)含量高光譜估算模型[J]. 農(nóng)業(yè)工程學報，2014，30(16)：113-120.

Hou Yanjun, Tashpolat Tiyip, Mamat Sawut, et al. Estimation model of desert soil organic matter content using hyperspectral data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(16): 113-120. (in Chinese with English abstract)

[9]林鵬達，佟志軍，張繼權(quán)，等. 基于CWT的黑土有機質(zhì)含量野外高光譜反演模型[J]. 水土保持研究，2018，25(2)：46-52，57.

Lin Pengda, Tong Zhijun, Zhang Jiquan, et al. Inversion of black boil organic matter content with field hyperspectral reflectance based on continuous wavelet transformation[J]. Research of Soil and Water Conservation, 2018, 25(2): 46-52, 57. (in Chinese with English abstract)

[10]張智韜，勞聰聰，王海峰，等. 基于FOD和SVMDA-RF的土壤有機質(zhì)含量高光譜預測[J]. 農(nóng)業(yè)機械學報，2020，51(1)：156-167. Zhang Zhitao, Lao Congcong, Wang Haifeng, et al. Estimation of desert soil organic matter through hyper spectra based on fractional-order derivatives and SVMDA-RF[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(1): 156-167. (in Chinese with English abstract)

[11]宗玉統(tǒng). 砂姜黑土的物理障礙因子及其改良[D]. 杭州：浙江大學，2013.

Zong Yutong. The Physical Obstacle Factors of Shajiang Black Soils and Its Improvement[D]. Hangzhou: Zhejiang University, 2013. (in Chinese with English abstract)

[12]王玥凱，郭自春，張中彬，等. 不同耕作方式對砂姜黑土物理性質(zhì)和玉米生長的影響[J]. 土壤學報，2019，56(6)：1370-1380.

Wang Yukai, Guo Zichun, Zhang Zhongbin, et al. Effect of tillage practices on soil physical properties and maize growth in Shajiang black soil (Vertosol)[J]. Acta Pedologica Sinica, 2019, 56(6): 1370-1380. (in Chinese with English abstract)

[13]劉哲，韓霽昌，孫增慧，等. δ13C法研究砂姜黑土添加秸稈后團聚體有機碳變化規(guī)律[J]. 農(nóng)業(yè)工程學報，2017，33(14)：179-187.

Liu Zhe, Han Jichang, Sun Zenghui, et al. Change law of organic carbon in lime concretion black soil aggregates with application of straw by δ13C method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(14): 179-187. (in Chinese with English abstract)

[14]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.

[15]Cloutis E A. Hyperspectral geological remote sensing: evaluation of analytical techniques[J]. International Journal of Remote Sensing, 1996, 17(12): 2215-2242.

[16]Savitzky A, Golay M J E. Smoothing and differentiation of data by simplified least squares procedures[J]. Analytical Chemistry, 1964, 36(8): 1627-l639.

[17]祝詩平，王一鳴，張小超，等. 基于遺傳算法的近紅外光譜譜區(qū)選擇方法[J]. 農(nóng)業(yè)機械學報，2004，35(5)：152-156.

Zhu Shiping, Wang Yiming, Zhang Xiachao, et al. Region selection method of near infrared spectrum based on genetic algorithm[J]. Transaction of the Chinese Society for Agricultural Machinery, 2004, 35(5): 152-156. (in Chinese with English abstract)

[18]Thomas K, Stefan S. Estimate of heavy metal contamination in soils after a mining accident using reflectance spectroscopy[J]. Environmental Science & Technology, 2002, 36(12): 2742-2747.

[19]劉煥軍，張柏，趙軍，等. 黑土有機質(zhì)含量高光譜模型研究[J]. 土壤學報，2007，44(1)：27-32.

Liu Huanjun, Zhang Bai, Zhao Jun, et al. Spectral models for prediction of organic matter in black soil[J]. Acta Pedologica Sinica, 2007, 44(1): 27-32. (in Chinese with English abstract)

[20]趙小敏，楊梅花. 江西省紅壤地區(qū)主要土壤類型的高光譜特性研究[J]. 土壤學報，2018，55(1)：31-42.

Zhao Xiaomin, Yang Meihua. Hyper-spectral characteristics of major types of soils in red soil region of Jiangxi province, China[J]. Acta Pedologica Sinica, 2018, 55(1): 31-42. (in Chinese with English abstract)

[21]鄒慧敏，李西燦，尚璇，等. 粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的土壤有機質(zhì)高光譜估測[J]. 測繪科學，2019，44(5)：146-150，170.

Zou Huimin, Li Xican, Shang Xuan, et al. Hyperspectral estimation of soil organic matter based on particle swarm optimization neural network[J]. Science of Surveying and Mapping, 2019, 44(5): 146-150, 170. (in Chinese with English abstract)

[22]朱亞星，于雷，洪永勝，等. 土壤有機質(zhì)高光譜特征與波長變量優(yōu)選方法[J]. 中國農(nóng)業(yè)科學，2017，50(22)：4325-4337.

Zhu Yaxing, Yu Lei, Hong Yongsheng, et al. Hyperspectral features and wavelength variables selection methods of soil organic matter[J]. Scientia Agricultura Sinica, 2017, 50(22): 4325-4337. (in Chinese with English abstract)

[23]周清，周斌，張楊珠，等. 水稻土SOM含量高光譜模型的母質(zhì)差異性研究[J]. 科技通報，2004，20(6)：471-475.

Zhou Qing, Zhou Bin, Zhang Yangzhu, et al. The difference of SOM content hyperspectral models of paddy soils derived from different parent material[J]. Bulletin of Science and Technology, 2004, 20(6): 471-475. (in Chinese with English abstract)

[24]洪永勝，朱亞星，蘇學平，等. 高光譜技術(shù)聯(lián)合歸一化光譜指數(shù)估算土壤有機質(zhì)含量[J]. 光譜學與光譜分析，2017，37(11)：3537-3542.

Hong Yongsheng, Zhu Yaxing, Su Xueping, et al. Estimation of soil organic matter content using hyperspectral techniques combined with normalized difference spectral index[J]. Spectroscopy and Spectral Analysis, 2017, 37(11): 3537-3542. (in Chinese with English abstract)

[25]祁亞琴，呂新，邵玉林，等. 基于高光譜數(shù)據(jù)的土壤有機質(zhì)含量預測研究[J]. 新疆農(nóng)業(yè)科學，2014，51(7)：1300-1305.

Qi Yaqin, Lyu Xin, Shao Yulin, et al. Study on soil organic matter content estimated model by hyperspectral remote sensing data[J]. Xinjiang Agricultural Sciences, 2014, 51(7): 1300-1305. (in Chinese with English abstract)

[26]劉輝軍，林敏，施秧，等. 遺傳算法在綠茶葉近紅外光譜分析中波長選擇的應用[J]. 理化檢驗：化學分冊，2008，44(3)：249-251.

Liu Huijun, Lin Min, Shi Yang, et al. Application of genetic algorithm to wavelength selection in near infrared spectrometric analysis of green tea[J]. Physical Testing & Chemical Analysis: Chemical Analysis, 2008, 44(3): 249-251. (in Chinese with English abstract)

[27]張娟娟，田永超，朱艷，等. 不同類型土壤的光譜特征及其有機質(zhì)含量預測[J]. 中國農(nóng)業(yè)科學，2009，42(9)：3154-3163.

Zhang Juanjuan, Tian Yongchao, Zhu Yan, et al. Spectral characteristics and estimation of organic matter contents of different soil types[J]. Scientia Agricultura Sinica, 2009, 42(9): 3154-3163. (in Chinese with English abstract)

[28]陳思明，毛艷玲，鄒小興，等. 基于不同建模方法的濕地土壤有機質(zhì)含量多光譜反演[J]. 土壤通報，2018，49(1)：16-22.

Chen Siming, Mao Yanling, Zou Xiaoxing, et al. Comparative assessment of different methods for estimating soil organic matter content with multispectral data in wetland[J]. Chinese Journal of Soil Science, 2018, 49(1): 16-22. (in Chinese with English abstract)

[29]于雷，洪永勝，耿雷，等. 基于偏最小二乘回歸的土壤有機質(zhì)含量高光譜估算[J]. 農(nóng)業(yè)工程學報，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 Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(14): 103-109. (in Chinese with English abstract)

Construction of hyperspectral estimation model for organic matter content in Shajiang black soil

Zhang Juanjuan1,2, Xi Lei1,2, Yang Xiangyang2, Xu Xin1,2,Guo Wei1,2, Cheng Tao2, Ma Xinming1,2,3※

(1.450002; 2.450002; 3.450002)

The objectives of this study were to estimate models for organic matter content of Shajiang black soil, which provided a basis and reference for rapid quantitative estimation of soil organic matter. In this study, Shajiang black soil in Shangshui county of Henan province was collected, the organic matter content and hyperspectral reflectance of Shajiang black soil were analyzed and tested simultaneously, and hyperspectral characteristics of Shajiang black soil were studied. Then, the original reflectance was converted to the first derivative spectral with Savitzky-Golay (SG) smoothing. Difference Spectral Indices (DSI), Normalized Spectral Indices (NSI), and Ratio Spectral Indices (RSI) of these two forms spectral were calculated from all available combinations with the reflectance of two random bands between 350 and 2 500 nm, and correlated to soil organic matter content, then the key spectral index and quantitative models for organic matter content of Shajiang black soil were developed. On the other hand, the sensitive bands of soil organic matter were extracted with the Genetic Algorithm (GA) and quantitative models of soil organic matter using Support Vector Machine (SVM) were established. The results showed that the spectral reflectance of Shajiang black soil under different organic matter levels had the same trend, and organic matter levels had a certain influence on reflectance. Organic matter content was higher, the reflectance would be lower, and on the contrary, the reflectance would be higher. The bands with good correlation between organic matter content and DSI, NSI, RSI based on the original reflectance were mainly concentrated near 650, 1 500 and 2 200 nm, DSI composed of reflectance of 995 and 1 911 nm, NSI composed of reflectance of 2 067 and 2 208 nm, RSI composed of reflectance of 1 037 and 1 908 nm had the better fitting degree. The bands with good correlation between organic matter content and DSI, NSI, RSI based on the first derivative spectral after SG smoothing were mainly concentrated in the combined band region of 1 350-2 000 and 600-1 000 nm, DSI composed of the first derivative of 792 and 1 420 nm, NSI composed of the first derivative of 792 and 1 389 nm, RSI composed of the first derivative of 792 and 1 389 nm had the better fitting degree. For all the spectral indices that were calculated, RSI composed of the first derivative of 792 nm and 1 389 nm gave a better prediction performance, the coefficient of determination was 0.81. Testing of the monitoring models within dependent data indicated that the coefficient of determination and root mean square error of validation were 0.91 and 1.56, respectively. In addition, the sensitive band ranges based on the original reflectance which selected by GA were 461-470, 611-620, 661-670, 741-750, 1 461-1 470, 1 891-1 900, 1 901-1 910, 2 011-2 020, 2 071-2 080 and 2 141-2 150 nm, and the sensitive band ranges based on the first derivative with SG smoothing which selected by GA were 521-530, 531-540, 671-680, 761-770, 771-780, 831-840, 1 431-1 440, 1 451-1 460, 1 871-1 880 and 1 881-1 890 nm for the same sample. The bands of the first derivative with SG smoothing mentioned above were used as input to SVR, and the quantitative model of soil organic matter performed the best. The coefficient of determination and root mean square error of modeling and validation was 0.95 and 0.91, 1.01, and 1.69, respectively. The compared quantitative model with Support Vector Machine, RSI composed of the first derivative of 792 and 1 389 nm had a little lower modeling accuracy, but it could meet the need for estimating the organic matter content of Shajiang black soil. It was concluded that both methods based on RSI composed of the first derivative of 792 and 1 389 nm and SVM can estimate organic matter content of Shajiang black soil accurately.

soil; organic matter; hyperspectral; spectral index; genetic algorithm; support vector machine; Shajiang black soil

張娟娟，席 磊，楊向陽，等. 砂姜黑土有機質(zhì)含量高光譜估測模型構(gòu)建[J]. 農(nóng)業(yè)工程學報，2020，36(17)：135-141.doi：10.11975/j.issn.1002-6819.2020.17.016 http://www.tcsae.org

Zhang Juanjuan, Xi Lei, Yang Xiangyang, et al. Construction of hyperspectral estimation model for organic matter content in Shajiang black soil[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(17): 135-141. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.17.016 http://www.tcsae.org

2020-03-16

2020-05-06

國家重點研發(fā)計劃項目（2016YFD0300609）；河南省科技攻關(guān)項目（192102110012）；河南省現(xiàn)代農(nóng)業(yè)（小麥）產(chǎn)業(yè)技術(shù)體系項目（S2010-01-G04）

張娟娟，博士，副教授，主要從事農(nóng)業(yè)遙感監(jiān)測研究。Email：zhangjuan_2003@126.com

馬新明，博士，教授，主要從農(nóng)業(yè)信息化研究。Email：xinmingma@126.com

10.11975/j.issn.1002-6819.2020.17.016

S153.6

A

1002-6819(2020)-17-0135-07