基于室內(nèi)高光譜數(shù)據(jù)的多種類型土壤有機(jī)質(zhì)估算模型比較

郄 欣，齊雁冰，劉姣姣，王 珂，陳敏輝

(西北農(nóng)林科技大學(xué)資源環(huán)境學(xué)院，陜西 楊凌 712100)

土壤有機(jī)質(zhì)作為土壤固相的重要組成部分，不僅是土壤肥力的保證，也是維持大氣碳平衡的重要指標(biāo)[1]?？焖贉?zhǔn)確地獲取田間土壤理化信息是實現(xiàn)現(xiàn)代精細(xì)農(nóng)業(yè)的基本需求，對于充分發(fā)揮土壤生產(chǎn)潛力，實現(xiàn)農(nóng)業(yè)高產(chǎn)、優(yōu)質(zhì)、高效協(xié)調(diào)發(fā)展以及保障農(nóng)業(yè)生態(tài)安全都具有重要意義。傳統(tǒng)室內(nèi)測定土壤有機(jī)質(zhì)含量的化學(xué)方法程序繁瑣、耗時耗力，處理不當(dāng)還會造成一定的環(huán)境污染[2]。相比傳統(tǒng)的研究方法，高光譜技術(shù)則具有省時省力、無污染、無破壞等優(yōu)點[3]，在預(yù)測有機(jī)質(zhì)方面極具優(yōu)勢和潛力。高光譜數(shù)據(jù)具有光譜分辨率高、波段連續(xù)性強(qiáng)、空間分辨率低等特點，可以直接在野外或田間進(jìn)行光譜數(shù)據(jù)采集，不僅節(jié)省了大量的人力和物力，還能與大尺度遙感影像或航攝相片相結(jié)合，實現(xiàn)成像光譜土壤屬性填圖，為大面積、簡便采集土壤屬性數(shù)據(jù)提供了可行性，成為目前獲取土壤屬性信息的重要手段，已被廣泛應(yīng)用于土壤資源調(diào)查、分類、評價、制圖等方面[4]。

基于高光譜的土壤有機(jī)質(zhì)(碳)估算已經(jīng)成為近年來土壤遙感的重要研究內(nèi)容，而所構(gòu)建的估算模型的精度取決于光譜變換[5]和敏感波段提取[6]兩個方面。為較好地消除土壤光譜曲線噪音、背景等影響，變非線性關(guān)系為線性關(guān)系，常對原始光譜進(jìn)行數(shù)學(xué)變換，目前主要變換形式有平滑處理、導(dǎo)數(shù)變換、歸一化處理、多元散射校正、標(biāo)準(zhǔn)正態(tài)化、包絡(luò)線去除等[7-9]。不同的土壤類型和土壤有機(jī)質(zhì)含量會在可見光至近紅外區(qū)域內(nèi)產(chǎn)生不同的響應(yīng)波段。近年來，國內(nèi)外學(xué)者通過研究不同類型土壤有機(jī)質(zhì)含量與光譜反射率的相關(guān)性，發(fā)現(xiàn)他們具有顯著負(fù)相關(guān)關(guān)系，但對于土壤有機(jī)質(zhì)響應(yīng)波段的提取并不一致。Galvao等[10]在室內(nèi)研究證實了土壤反射光譜在550～700 nm處的吸收峰主要是由有機(jī)質(zhì)引起，而且是非線性關(guān)系；史舟等[7]研究發(fā)現(xiàn)，土壤有機(jī)質(zhì)含量與一階微分光譜曲線相關(guān)系數(shù)較高的波段為580、820、1 400 nm和 2200 nm；彭杰等[11]在通過室內(nèi)土壤有機(jī)質(zhì)人工處理條件下發(fā)現(xiàn)土壤有機(jī)質(zhì)含量與可見光波段的反射率具有較強(qiáng)的相關(guān)性，決定系數(shù)(R2)最大為0.7902；Gunsaulis等[12]研究表明，土壤有機(jī)質(zhì)含量與紅光波段的反射率具有較強(qiáng)的相關(guān)性，決定系數(shù)(R2)可達(dá)0.609；紀(jì)文君等[13]研究了浙江、河南、四川、黑龍江4個地區(qū)不同類型的土壤樣品，對比得出600～800 nm波段可作為研究區(qū)域內(nèi)不同土壤共同的有機(jī)質(zhì)光譜響應(yīng)波段。

隨著高光譜技術(shù)的推廣應(yīng)用，國內(nèi)外基于高光譜數(shù)據(jù)建立的土壤有機(jī)質(zhì)估算模型均取得了較為顯著的預(yù)測效果，但在建立模型上存在差異，多以多元逐步回歸(SMLR)和偏最小二乘回歸(PLSR)等統(tǒng)計方法為主。如Conforti等[14]采集了215個不同土壤類型和侵蝕條件的土壤樣品，建立了土壤有機(jī)質(zhì)PLSR估算模型，結(jié)果顯示該模型的判斷系數(shù)(R2)為0.84，RPD為2.53；王超等[15]利用SMLR方法構(gòu)建了不同光譜處理方式的褐土有機(jī)質(zhì)光譜，基于一階微分預(yù)處理構(gòu)建的模型R2都在0.92以上；劉磊等[16]采用SMLR和PLSR方法建立了江西省紅壤的有機(jī)質(zhì)含量估算模型，R2分別為0.78、0.99。由于土壤反射光譜數(shù)據(jù)的復(fù)雜性，向量機(jī)回歸(SVR)、隨機(jī)森林(RF)、人工神經(jīng)網(wǎng)絡(luò)(ANN)和BP神經(jīng)網(wǎng)絡(luò)(Back propagation neural network)等非線性回歸方法越來越多地被應(yīng)用到土壤有機(jī)質(zhì)含量估算的研究中。紀(jì)文君等[17]采用SVR和RF方法建立土壤有機(jī)質(zhì)含量反演模型，R2分別為0.927和0.915；Daniel等[18]采用400～1 100 nm的可見光-近紅外光譜結(jié)合人工神經(jīng)網(wǎng)絡(luò)(ANN)方法建立了土壤有機(jī)質(zhì)的估算模型，決定系數(shù)(R2)達(dá)到0.86；葉勤等[19]利用BP神經(jīng)網(wǎng)絡(luò)法建立了陜西省橫山縣的土壤有機(jī)質(zhì)含量估算模型，模型決定系數(shù)(R2)達(dá)到0.8930。與傳統(tǒng)統(tǒng)計方法相比，機(jī)器算法能夠較好地處理土壤有機(jī)質(zhì)含量反演的非線性問題，建模效果較優(yōu)，在估算土壤有機(jī)質(zhì)含量方面具有較大的潛力。

多種多樣的光譜變換方式及建模方法使得不同區(qū)域及不同學(xué)者所構(gòu)建的土壤有機(jī)質(zhì)估算模型難以通用。陜西省成土因素差異巨大，土壤類型眾多，有機(jī)質(zhì)差異明顯，有利于從多土壤類型及寬土壤有機(jī)質(zhì)含量的角度構(gòu)建陜西省通用的土壤有機(jī)質(zhì)估算模型。基于此，本文以陜西省9種主要土壤類型的土樣室內(nèi)光譜反射曲線與土壤有機(jī)質(zhì)含量為數(shù)據(jù)基礎(chǔ)，對光譜反射曲線進(jìn)行多種變換，結(jié)合SLR、PLSR、SVR 3種建模方法構(gòu)建不同的土壤有機(jī)質(zhì)含量預(yù)測模型，對比分析其效果，篩選出最優(yōu)的土壤有機(jī)質(zhì)估算模型。

1 材料與方法

1.1 研究區(qū)概況

陜西省地處我國大陸腹地，處于105°29′～111°15′E和31°42′～39°35′ N，南北長約880 km，東西寬約160～490 km，土地總面積20.56萬km2。全省縱跨黃河、長江兩大流域，地形地貌復(fù)雜，總特點是南北高，中部低，海拔主要分布在500～2 000 m。境內(nèi)氣候差異顯著，由北向南為溫帶、暖溫帶和北亞熱帶。年降水量由南向北遞減，受山地地形影響比較顯著，年平均降水量576.9 mm，年平均氣溫13.0℃，無霜期218 d左右，不同季節(jié)的水分干濕狀況和氣溫狀況差異顯著。復(fù)雜的成土因素致使陜西省土壤類型眾多，據(jù)全國第二次土壤普查全省共有22個土類，其中主要土壤類型包括塿土、水稻土、黃棕壤、黃褐土、黃綿土、黑壚土、風(fēng)沙土、褐土及潮土等9種，土地利用方式包括旱地、林地、水田、園地、草地等。

1.2 土樣采集與處理

根據(jù)陜西省土壤空間分布特征，2016年6—8月選取了51個具有代表性的土壤剖面，共計216個土壤樣品，采樣點分布如圖1所示。野外挖掘標(biāo)準(zhǔn)土壤剖面(剖面深度120 cm以上)，記錄成土因素信息，根據(jù)顏色、質(zhì)地、結(jié)構(gòu)等的差異劃分發(fā)生學(xué)層次，每個剖面劃分3～6層，觀察形態(tài)特征，并逐層采集土樣。包括塿土、水稻土、黃棕壤、黃褐土、黃綿土、黑壚土、風(fēng)沙土、褐土及潮土等9種土壤類型(表1)。樣品經(jīng)風(fēng)干除雜處理、過1 mm孔篩，采用四分法分為兩份，一份用于室內(nèi)土壤光譜反射率的測定，另一份運用重鉻酸鉀容量法—外加熱法[20]來測定土壤有機(jī)質(zhì)含量。

圖1 采樣點空間分布Fig.1 The spatial distribution of sampling locations

表1 土樣基本信息

1.3 光譜測定與預(yù)處理

土壤光譜反射率采用美國Spectra Vista公司生產(chǎn)的SVC HR-1024 i便攜式光譜儀測定，光譜采集范圍為350～2 500 nm，光譜分辨率為≤3.5 nm(350～1 000 nm)、≤9.5 nm(1 000～1 850 nm)和≤6.5 nm(1 850～2 500 nm)。土樣光譜采集工作在室內(nèi)進(jìn)行，將處理后的土樣裝進(jìn)直徑10 cm、深2 cm的玻璃器皿中，用直尺將土壤表面刮平，測定前需進(jìn)行暗校正和白板校正，光源是功率為50 W的鹵素?zé)?，距離土壤表面30 cm，天頂角為15°，采用的探頭視場角為8°，探頭位于土壤表面垂直正上方15 cm處。每個土樣測量4個方向，剔除異常波段的曲線，共采集12條光譜曲線，算術(shù)平均后作為該樣品的光譜反射數(shù)據(jù)。

數(shù)據(jù)分析之前，每份土樣去除噪聲較大的350～399 nm和2 401～2 500 nm兩個邊緣波段，并采用小波包去噪法對光譜反射數(shù)據(jù)進(jìn)行去噪處理[21]，得到重采樣間隔為10 nm的原始光譜反射率曲線。光譜變換可以很大程度上消除土壤背景的影響，剔除無效光譜信息，進(jìn)一步提高光譜信噪比，突出光譜的吸收和反射特征[22]。本文在建模之前，對原始光譜R進(jìn)行一階微分d(R)、倒數(shù)對數(shù)log(1/R)、倒數(shù)對數(shù)一階微分d[log(1/R)]和去包絡(luò)N(R)的變換，并采用Savitzky-Golay平滑(SG平滑)[23]及Norris平滑濾波[24]對原始光譜及其變換形式進(jìn)行平滑處理，消除光譜噪音誤差，提高模型估算精度，但應(yīng)注意采用SG平滑時移動窗口寬度及多項式的優(yōu)化選擇。

1.4 敏感波段提取與特征參數(shù)構(gòu)建

采用相關(guān)分析法來確定土壤有機(jī)質(zhì)含量與光譜反射率及其變換形式的敏感波段，相關(guān)性越高，波段響應(yīng)越敏感。將土壤有機(jī)質(zhì)含量與原始光譜及其變換形式的光譜反射率進(jìn)行相關(guān)性分析，并對相關(guān)系數(shù)在0.01水平上進(jìn)行顯著性檢驗，通過顯著性檢驗的即為敏感波段[25-26]。利用400～2 400 nm波段的光譜反射率，系統(tǒng)構(gòu)造原始光譜及其變換形式光譜兩波段組合的差值指數(shù)DI(DI=Ri-Rj)、比值指數(shù)RI(RI=Ri/Rj)和歸一化指數(shù)NDI(NDI=(Ri-Rj)/(Ri+Rj)，分析3類指數(shù)與土壤有機(jī)質(zhì)含量之間的相關(guān)關(guān)系，篩選出最優(yōu)的土壤有機(jī)質(zhì)含量估算的光譜參數(shù)。相關(guān)分析和光譜參數(shù)計算分別在SPSS軟件和Matlab 2018a中實現(xiàn)。

1.5 模型構(gòu)建與精度驗證

研究中反演模型的構(gòu)建采用線性模型SLR和PLSR以及非線性數(shù)據(jù)挖掘技術(shù)SVR 3種方法。SLR法是以土壤有機(jī)質(zhì)含量為因變量，土壤光譜反射率及其變換形式與有機(jī)質(zhì)含量的相關(guān)系數(shù)屬于0.01水平上顯著相關(guān)且絕對值最大的波段作為自變量，建立一元線性回歸模型[27]；PLSR方法能夠消除波長變量共線性，解決因土壤各組分的吸收波段相互重疊干擾土壤有機(jī)質(zhì)含量估算精度的問題，避免模型過度擬合[28]；SVR是支持向量機(jī)函數(shù)在回歸領(lǐng)域的應(yīng)用，通過事先確定的非線性映射將輸入向量映射到一個高維特征空間(Hilbert空間)中，然后在此高維空間中再進(jìn)行線性回歸，從而取得在原空間非線性回歸的效果[29]。PLSR方法的建模和驗證是在Unscrambler 9.7中完成，SVR法的建模和驗證是在R軟件中完成。

土壤有機(jī)質(zhì)模型估算精度的驗證采用決定系數(shù)(R2)，并結(jié)合均方根誤差(RMSE)以及校正集的相對預(yù)測偏差(Relative percent deviation,RPD)等參數(shù)來進(jìn)行模型對比評價[30]。建模集和驗證集的交叉驗證結(jié)果R2越大，RMSE越小，說明模型穩(wěn)定性越強(qiáng)，估算精度越高。另外，RPD表示模型的預(yù)測能力，一般分為3類，當(dāng)RPD≤1.4時，模型不可靠，無法對土樣進(jìn)行預(yù)測；當(dāng)1.4

2 結(jié)果與分析

2.1 不同類型土壤有機(jī)質(zhì)含量統(tǒng)計及光譜特征

將所有土壤樣品按有機(jī)質(zhì)含量從低到高的順序，以2∶1的比例分為建模集和驗證集，得到144個建模樣本和72個驗證樣本，見圖2。所采集的土壤樣本中，有機(jī)質(zhì)含量分布范圍為0.66～35.43 g·kg-1，平均值為10.32 g·kg-1。建模樣本和驗證樣本與總體樣本的各統(tǒng)計量基本都在同一水平，標(biāo)準(zhǔn)差較小，說明樣本數(shù)據(jù)的選取較為合理，代表性較強(qiáng)。

圖2 不同類型土壤有機(jī)質(zhì)含量的統(tǒng)計描述Fig.2 Statistical description of organic matter content in different soil types

圖3為不同類型土壤的光譜反射曲線，可以看出，不同類型土壤光譜曲線形態(tài)基本相似，土壤光譜反射率隨波長的增大而增大，在可見光波段范圍反射率呈明顯的上升趨勢，而近紅外波段反射率增加緩慢，且出現(xiàn)波折，在1 400、1 900 nm和2 200 nm等波段附近具有強(qiáng)烈的水分吸收谷，常認(rèn)為與OH、H2O、Al-OH和Mg-OH譜帶有關(guān)[11,32]。結(jié)合表1，水稻土與塿土的有機(jī)質(zhì)含量較高，光譜反射曲線處于較低位置；風(fēng)沙土的有機(jī)質(zhì)含量均值最小，光譜反射率最高；黃褐土的光譜曲線在1 400 nm以后表現(xiàn)出較低的反射率，這可能與黃褐土的土壤含水量相關(guān)。

圖3 不同類型土壤的高光譜反射特征Fig.3 Hyperspectral reflection characteristicsof different soil types

2.2 土壤有機(jī)質(zhì)含量與土壤光譜的相關(guān)性分析

圖4為土壤有機(jī)質(zhì)含量與R、d(R)、log(1/R)、d[log(1/R)]和N(R)之間的相關(guān)性分析結(jié)果。可以看出，在全波段范圍內(nèi)，R與有機(jī)質(zhì)含量呈負(fù)相關(guān)，在540～1 050 nm附近有較強(qiáng)烈的低谷；而log(1/R)與有機(jī)質(zhì)含量呈正相關(guān)，與R的相關(guān)性變化規(guī)律正好相反；d(R)、d[log(1/R)]和N(R)的相關(guān)系數(shù)呈現(xiàn)較強(qiáng)的正負(fù)交替變化，與R的相關(guān)性變化相比均有所增強(qiáng)，這說明經(jīng)過變換處理的光譜可以進(jìn)一步增強(qiáng)光譜數(shù)據(jù)與土壤有機(jī)質(zhì)含量之間的反射率，提高模型估算精度。其中微分變換能夠較好地消除噪音、背景等影響，進(jìn)一步挖掘土壤隱含信息，提高土壤有機(jī)質(zhì)含量與光譜的相關(guān)性。

圖4 土壤有機(jī)質(zhì)與原始及變換光譜反射率的相關(guān)系數(shù)Fig.4 Correlation coefficient between soil organic matter and the original and transformed spectral reflectance

不同地區(qū)不同類型土壤的有機(jī)質(zhì)高光譜響應(yīng)波段并不一致，將土壤有機(jī)質(zhì)含量與5種不同形式光譜反射率進(jìn)行相關(guān)性分析，并對相關(guān)系數(shù)在0.01水平上進(jìn)行顯著性檢驗，共有R的540～1 050 nm、1 720～1 740 nm、1 780 nm、2 080～2 190 nm、2 270～2 280 nm，d(R)的540～610 nm、790～910 nm、1 390～1 540 nm、1 650～1 710 nm、1 860～2 130 nm、2 180～2 210 nm、2 260～2 330 nm，log(1/R)的540～1 030 nm、1 700～1 790 nm、2 080～2 180 nm，d[log(1/R)]的550～580 nm、750～950 nm、1 040～1 060 nm、1 390～1 570 nm、1 650～1 710 nm、1 870 nm、1 930～1 950 nm、2 010～2 130 nm、2 180～2 190 nm、2 310～2 330 nm，N(R)的820～1 270 nm、1 350 nm、1 400～1 430 nm、1 810～1 910 nm、2 010～2 050 nm、2 230～2 250 nm等70個波段通過檢驗，可以應(yīng)用于土壤有機(jī)質(zhì)含量高光譜模型的估算。

2.3 土壤有機(jī)質(zhì)含量的一元線性回歸(SLR)估算模型

在構(gòu)建SLR反演模型時，單波段的光譜反射率容易受外部環(huán)境的影響，難以精確估算土壤有機(jī)質(zhì)含量。解憲麗等[33]提出利用波段組合方法構(gòu)建的反演模型精度要優(yōu)于單波段預(yù)測方法，且模型可靠性較強(qiáng)。本文運用R、d(R)、log(1/R)、d[log(1/R)]和N(R)兩波段的DI、RI、NDI光譜指數(shù)，研究它們與土壤有機(jī)質(zhì)含量之間的相關(guān)關(guān)系，并以光譜反射率兩波段組合的3類指數(shù)得到的最高相關(guān)系數(shù)入選的波段為自變量，土樣有機(jī)質(zhì)含量實測值作為因變量，建立土壤有機(jī)質(zhì)含量SLR模型，并對估算模型進(jìn)行檢驗。由表2可知，SLR模型精度整體較差，最高決定系數(shù)僅為0.50左右，其中d(R)光譜和d[log(1/R)]光譜建立的模型效果優(yōu)于其他形式光譜，以d(R)光譜的RI(R1970nm-R2050nm)結(jié)果最好，決定系數(shù)(R2)分別為0.5174和0.5481，RMSE分別為4.0078和4.3737，驗證RPD僅為1.4462，只能對土壤有機(jī)質(zhì)含量進(jìn)行粗略估算，說明SLR方法并不適用于陜西省土壤有機(jī)質(zhì)含量估算模型的建立。

表2 基于光譜特征指數(shù)的土壤有機(jī)質(zhì)SLR模型檢驗結(jié)果

2.4 基于偏最小二乘回歸(PLSR)的土壤有機(jī)質(zhì)估算模型

將土樣的有機(jī)質(zhì)含量實測值作為因變量，通過相關(guān)分析入選的相關(guān)系數(shù)較高的70個波段為自變量，建立土壤有機(jī)質(zhì)含量PLSR模型，建模過程對70個敏感波段進(jìn)行主成分提取，結(jié)果見表3。可以看出，所有光譜數(shù)據(jù)建模決定系數(shù)均在0.72以上，與SLR模型相似，以d(R)和d[log(1/R)]光譜建模效果最優(yōu)，說明對R進(jìn)行微分變換后，可以增強(qiáng)光譜對土壤有機(jī)質(zhì)的敏感性，提高模型精度。利用獨立樣本對5種光譜進(jìn)行檢驗，驗證集最優(yōu)為d[log(1/R)]光譜反演的PLSR模型，R2、RMSE和RPD分別為0.7190、3.3480和1.8890。這一估算效果較SLR模型中d(R)光譜的RI(R1970 nm-R2050 nm)效果有所提高，但PLSR模型的RPD均未達(dá)到2.0，模型效果一般，只能對土壤有機(jī)質(zhì)含量進(jìn)行粗略估算。但采用PLSR方法建立的土壤有機(jī)質(zhì)含量模型整體精度較SLR模型有了顯著提高，原因可能是土壤有機(jī)質(zhì)組成復(fù)雜，與光譜之間不是簡單的線性關(guān)系，PLSR可以運用主成分提取到對土壤有機(jī)質(zhì)含量相關(guān)性最大的波段范圍，從而減少光譜維數(shù)。

表3 基于光譜特征參數(shù)的土壤有機(jī)質(zhì)PLSR模型估算結(jié)果

2.5 基于支持向量機(jī)回歸(SVR)的土壤有機(jī)質(zhì)估算模型

支持向量機(jī)回歸法是一種較好地實現(xiàn)了結(jié)構(gòu)風(fēng)險最小化思想的方法，具有機(jī)器學(xué)習(xí)理論和技術(shù)，將神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法納入了核技巧范疇[34-35]。利用SVR方法，基于土壤光譜反射率及其4種變換處理，建立土壤有機(jī)質(zhì)含量SVR模型。由表4可以看出，d(R)、d[log(1/R)]和N(R)驗證集R2均達(dá)到了0.80以上，RMSE均小于3.00，RPD均在2.20以上，具有較好的估算土壤有機(jī)質(zhì)含量的能力。與PLSR模型相同，d[log(1/R)]建模表現(xiàn)效果最好，建模集和驗證集R2最高，分別為0.9210和0.8874，RMSE分別為1.8494和2.1843，RPD達(dá)到2.8751。圖5為使用d[log(1/R)]光譜建立的SVR模型的檢驗結(jié)果，通過有機(jī)質(zhì)含量實測值與預(yù)測值的對比可以看出，建模樣本和驗證樣本都趨于1∶1直線附近，估算精度較高。結(jié)合表3，基于d[log(1/R)]光譜基礎(chǔ)上，SVR模型的建模和驗證R2分別比PLSR高了0.152和0.1684，RMSE分別低了1.2366和1.1637，估算精度明顯優(yōu)于PLSR模型。因此，d[log(1/R)]光譜建立的SVR模型是3種建模方法中的最優(yōu)估算模型。

表4 基于光譜特征參數(shù)的土壤有機(jī)質(zhì)SVR模型估算結(jié)果

圖5 d[log(1/R)]光譜建立的SVR模型的檢驗結(jié)果Fig.5 Test results of SVR model establishedby d[log(1/R)] spectrum

3 討 論

土壤有機(jī)質(zhì)是動植物殘體在微生物礦化作用下形成的有機(jī)物質(zhì)的總稱，因其主要組成部分腐殖質(zhì)呈現(xiàn)黑色而表現(xiàn)出吸收光譜的特征，且有機(jī)質(zhì)在土壤中的質(zhì)量分?jǐn)?shù)較大，吸收特征明顯。通過對土壤有機(jī)質(zhì)含量與土壤光譜之間的相關(guān)性分析，發(fā)現(xiàn)土壤有機(jī)質(zhì)含量與土壤光譜在400～2 400 nm整個波段范圍內(nèi)呈負(fù)相關(guān)關(guān)系，這與前人研究結(jié)果基本一致[36]。土壤有機(jī)質(zhì)含量與原始光譜的相關(guān)性較低，且光譜數(shù)據(jù)的采集容易受土壤本身及外界環(huán)境的影響，因此，對原始光譜R進(jìn)行不同形式的變換處理可以有效提高反演模型的精度。通過4種形式的光譜變換處理，發(fā)現(xiàn)d(R)、d[log(1/R)]和N(R)變換后光譜反射率與土壤有機(jī)質(zhì)含量間的相關(guān)性有了顯著提高，相關(guān)系數(shù)最高分別達(dá)到了0.556、0.523和0.527，說明進(jìn)行微分變換能夠有效地突出光譜之間的差異特征、濾掉光譜近線性背景噪聲干擾，進(jìn)而提高土壤有機(jī)質(zhì)含量的預(yù)測精度[37]；N(R)變換后可以有效地突出光譜曲線的反射和吸收特征，并將其歸一化到一致(0～1)的背景上，有利于不同光譜曲線之間進(jìn)行特征數(shù)值的比較分析[38]，兩種變換方式對于提高估算模型精度發(fā)揮了重要作用。經(jīng)過log(1/R)變換后的建模效果不及d(R)和d[log(1/R)]光譜，說明log(1/R)變換不適用于陜西省土壤有機(jī)質(zhì)含量的估算建模。

本研究綜合對比SLR、PLSR和SVR 3種建模方法在陜西省土壤有機(jī)質(zhì)含量高光譜反演模型的應(yīng)用，發(fā)現(xiàn)3種方法的建模效果是不相同的。利用SLR方法建模反演時，系統(tǒng)構(gòu)造了400～2 400 nm光譜的兩波段的DI、RI和NDI指數(shù)與土壤有機(jī)質(zhì)含量的關(guān)系，發(fā)現(xiàn)d(R)光譜的RI(R1970 nm-R2050 nm)結(jié)果最好，RPD最高為1.4462，只能夠?qū)τ袡C(jī)質(zhì)進(jìn)行粗略估算?；赗、d(R)、log(1/R)、d[log(1/R)]和N(R)5種光譜在顯著性波段基礎(chǔ)上的建模結(jié)果，SVR模型的建模R2比PLSR模型分別增加了0.0704、0.0878、0.0400、0.1520和0.1797，RMSE分別減小了0.1420、0.6051、0.1181、1.2366和1.5284，RPD除R外分別增加了0.4223、0.0936、0.9861和1.0509，說明SVR法的建模精度要高于PLSR法，且能對土壤有機(jī)質(zhì)進(jìn)行較好估算，這與前人研究結(jié)果基本一致[17]。3種方法比較而言，SLR法處理非線性的能力較差，極易產(chǎn)生隨機(jī)性[28]；PLSR法可以滿足土壤有機(jī)質(zhì)含量光譜反演的基本需要，建立的模型比較簡單；SVR法能夠在高維空間里處理非線性問題，具有強(qiáng)大的泛化能力，但需要對原始光譜進(jìn)行不同形式的變換。d [log(1/R)]光譜建立的SVR模型是本文效果最優(yōu)的土壤有機(jī)質(zhì)含量估算模型，建模和驗證R2分別為0.9210和0.8874，RMSE分別為1.8494和2.1843，RPD為2.8751，基于此模型反演土壤有機(jī)質(zhì)含量具有較高的精度，可以有效、精準(zhǔn)地監(jiān)測陜西省土壤有機(jī)質(zhì)含量，是估算陜西省土壤有機(jī)質(zhì)的最優(yōu)反演模型，適用性較強(qiáng)，在未來的研究中可以得到更加廣泛運用。

4 結(jié) 論

本文基于陜西省9種不同類型土壤樣品的室內(nèi)高光譜和土壤有機(jī)質(zhì)數(shù)據(jù)，基于4種光譜變換和SLR、PLSR、SVR 3種建模方法建立了陜西省土壤有機(jī)質(zhì)含量高光譜反演模型，比較了不同光譜數(shù)據(jù)變換處理和不同建模方法下建模集和驗證集估算模型精度的差異。d[log(1/R)]和d(R)變換明顯提高了土壤有機(jī)質(zhì)含量與光譜反射率的相關(guān)性，SVR模型估算土壤有機(jī)質(zhì)含量的精度較SLR模型和PLSR模型有顯著提高，通過敏感波段建立的SVRd[log(1/R)]回歸模型是估算土壤有機(jī)質(zhì)含量的最優(yōu)模型。