黃河三角洲不同鹽漬度土壤有機(jī)質(zhì)含量的高光譜預(yù)測(cè)研究

侯化剛，王丹陽，馬斯琦，潘劍君，李兆富

黃河三角洲不同鹽漬度土壤有機(jī)質(zhì)含量的高光譜預(yù)測(cè)研究

侯化剛，王丹陽，馬斯琦，潘劍君，李兆富

南京農(nóng)業(yè)大學(xué)資源與環(huán)境科學(xué)學(xué)院，南京 210095

【目的】探究土壤有機(jī)質(zhì)和鹽分的光譜響應(yīng)，分析不同鹽分含量對(duì)土壤有機(jī)質(zhì)預(yù)測(cè)模型的影響，建立快速、有效的鹽漬土有機(jī)質(zhì)含量高光譜預(yù)測(cè)模型?！痉椒ā恳渣S河三角洲地區(qū)粉質(zhì)壤土為研究對(duì)象，根據(jù)不同鹽分含量將土壤樣本分為非鹽（SA）、輕度（SB）、中度（SC）和重度（SD）4組，分別進(jìn)行室內(nèi)高光譜測(cè)量；其次采用雙因素方差分析法，探究土壤有機(jī)質(zhì)和鹽分光譜響應(yīng)程度；進(jìn)而對(duì)原始光譜（raw spectral reflectance，R）進(jìn)行一階微分（first order differential reflectance，F(xiàn)D）、連續(xù)統(tǒng)去除（continuous statistical removal，CR）、對(duì)數(shù)（logarithmic，Log）和多元散射校正（multipication scatter correction，MSC）4種變換；最后分別基于鹽漬土的4組樣本結(jié)合4種變換光譜構(gòu)建多元線性回歸（multiple linear regression，MLR）、偏最小二乘回歸（partial least squares regression，PLSR）和支持向量回歸（support vector machine，SVR）3種土壤有機(jī)質(zhì)含量高光譜預(yù)測(cè)模型?！窘Y(jié)果】土壤有機(jī)質(zhì)和鹽分在400—900 nm范圍內(nèi)光譜響應(yīng)程度顯著且變化規(guī)律基本一致，二者的敏感波段存在重疊；通過劃分不同鹽漬度分組建模能夠提高土壤有機(jī)質(zhì)預(yù)測(cè)精度，且隨著鹽分含量增加，模型的預(yù)測(cè)精度下降，F(xiàn)D處理更能突出光譜特征差異，提高有機(jī)質(zhì)含量與光譜反射率的相關(guān)性。對(duì)比3種模型結(jié)果，利用FD處理結(jié)合SVR建立土壤有機(jī)質(zhì)預(yù)測(cè)模型精度最高，最優(yōu)結(jié)果建模集和驗(yàn)證集的決定系數(shù)2為0.86、0.82，均方根誤差為2.71、2.96 g·kg-1，相對(duì)分析誤差為2.42。【結(jié)論】土壤鹽分與有機(jī)質(zhì)在可見光波段附近（400—900 nm）的敏感波段存在重疊，通過劃分不同鹽漬度能夠有效提高有機(jī)質(zhì)預(yù)測(cè)模型精度。

鹽漬土；有機(jī)質(zhì)；光譜響應(yīng)；高光譜預(yù)測(cè)

0 引言

【研究意義】有機(jī)質(zhì)是土壤的重要組成部分，是衡量土壤肥力水平的重要指標(biāo)，也在改善鹽漬土理化性質(zhì)、提高土壤保水保肥能力方面發(fā)揮著重要作用[1-2]。實(shí)時(shí)了解鹽漬土有機(jī)質(zhì)含量和空間變異，掌握土壤有機(jī)質(zhì)的動(dòng)態(tài)變化對(duì)于鹽漬土改良和可持續(xù)管理具有重要意義[3]。傳統(tǒng)的有機(jī)質(zhì)測(cè)定方法精度較高，但過程復(fù)雜、時(shí)效性差，無法實(shí)現(xiàn)鹽漬土有機(jī)質(zhì)的動(dòng)態(tài)監(jiān)測(cè)[4]。高光譜技術(shù)被認(rèn)為是一種無損、快速、可重復(fù)的預(yù)測(cè)土壤有機(jī)質(zhì)的方法，能夠?qū)崿F(xiàn)土壤有機(jī)質(zhì)的快速、準(zhǔn)確預(yù)測(cè)[5]?！厩叭搜芯窟M(jìn)展】不同的預(yù)處理方法會(huì)影響有機(jī)質(zhì)的預(yù)測(cè)模型精度[6]，光譜預(yù)處理可消除光譜中的噪聲影響，突出有機(jī)質(zhì)的光譜特征差異，增強(qiáng)對(duì)光譜相關(guān)信息的識(shí)別[7]。南鋒等[8]、侯艷軍等[9]研究表明，經(jīng)微分變換后土壤有機(jī)質(zhì)的吸收特征更明顯，與有機(jī)質(zhì)含量的相關(guān)性也顯著提高，建立的有機(jī)質(zhì)預(yù)測(cè)模型2最高可達(dá)0.78。而不同預(yù)處理方法的效果又依賴于建模方法的選擇。王永敏等[10]采用小波分析方法實(shí)現(xiàn)去噪，結(jié)合多元線性回歸法、最小二乘回歸法和BP神經(jīng)網(wǎng)絡(luò)法建立土壤有機(jī)質(zhì)預(yù)測(cè)模型，結(jié)果表明對(duì)數(shù)的平方變換處理結(jié)合BP神經(jīng)網(wǎng)絡(luò)建模效果最好。Zhang等[11]采用9種光譜預(yù)處理方法和最佳波段組合算法對(duì)鹽漬土光譜進(jìn)行處理，結(jié)果表明SG平滑建立的PLSR模型效果最好，最優(yōu)模型2為0.81。王海峰等[12]對(duì)土壤光譜進(jìn)行不同變換處理，在一定程度上消除了噪聲，結(jié)合偏最小二乘回歸和嶺回歸方法構(gòu)建有機(jī)質(zhì)預(yù)測(cè)模型，結(jié)果表明基于標(biāo)準(zhǔn)正態(tài)變量變換SNV構(gòu)建的嶺回歸模型預(yù)測(cè)效果更為理想。土壤光譜反射率是土壤理化性質(zhì)的綜合反映[13]，土壤中各種物質(zhì)存在干擾甚至掩蓋有機(jī)質(zhì)的光譜特征[14-16]。朱亞星等[13]和彭杰等[17]探究了有機(jī)質(zhì)對(duì)土壤光譜特征的影響，研究表明去除有機(jī)質(zhì)后光譜反射率在可見光波段增加明顯，這表明有機(jī)質(zhì)在可見光波段敏感；然而鹽分對(duì)土壤光譜特征的影響作用較強(qiáng)[14]，彭杰等[18]利用連續(xù)統(tǒng)去除方法分析了土壤鹽分的光譜特征，結(jié)果表明土壤鹽分在可見光波段光譜響應(yīng)敏感，與有機(jī)質(zhì)的敏感波段存在重疊；劉亞秋等[19]分析了鹽漬土鹽分及其鹽基離子的光譜特征，研究表明隨著鹽分含量的增加，光譜反射率逐漸增大，且土壤鹽分及鹽基離子在近紅外波段光譜響應(yīng)最顯著；張俊華等[20]利用高光譜技術(shù)預(yù)測(cè)不同土壤鹽分指標(biāo)（pH、EC和可溶性鹽基離子），結(jié)果表明不同鹽分指標(biāo)的敏感波段普遍集中在可見光波段的紫光、紅光以及近紅外波段。上述研究表明，有機(jī)質(zhì)會(huì)使光譜反射率降低，而鹽分會(huì)使光譜反射率升高，有機(jī)質(zhì)和鹽分對(duì)光譜反射率的影響作用相反，且二者均在可見光-近紅外波段敏感。因此，鹽分含量過高可能會(huì)削弱或干擾有機(jī)質(zhì)光譜吸收特征[9,21-22]。【本研究切入點(diǎn)】目前，高光譜技術(shù)已被廣泛應(yīng)用到土壤有機(jī)質(zhì)含量的預(yù)測(cè)研究中[23-27]，然而對(duì)于鹽漬化土壤，有機(jī)質(zhì)和鹽分的敏感波段存在重疊[18]，鹽分的存在可能會(huì)影響土壤有機(jī)質(zhì)預(yù)測(cè)精度?！緮M解決的關(guān)鍵問題】揭示鹽漬土有機(jī)質(zhì)和鹽分的光譜響應(yīng)規(guī)律，探究不同鹽分含量對(duì)有機(jī)質(zhì)預(yù)測(cè)的影響，以期進(jìn)一步提高鹽漬土有機(jī)質(zhì)預(yù)測(cè)精度。本研究以黃河三角洲地區(qū)的粉質(zhì)壤土為研究對(duì)象，嘗試?yán)秒p因素方差分析探究土壤鹽分和有機(jī)質(zhì)的光譜響應(yīng)程度，進(jìn)而基于不同光譜變換處理和建模方法構(gòu)建不同鹽漬度土壤有機(jī)質(zhì)預(yù)測(cè)模型，篩選出最優(yōu)的鹽漬土有機(jī)質(zhì)預(yù)測(cè)模型，為黃河三角洲地區(qū)鹽漬土有機(jī)質(zhì)遙感監(jiān)測(cè)提供理論依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

本文以黃河三角洲（36°41′—38°17′ N，117°16′—119°18′ E）為研究區(qū)，黃河三角洲位于山東省北部（圖1），是由黃河所攜帶的大量泥沙沉積而形成的沖擊平原，具有獨(dú)特的地理位置和氣候特征，北鄰渤海，屬于暖溫帶半濕潤大陸性季風(fēng)氣候，夏季炎熱多雨、冬季寒冷干燥，降水分布不均，主要集中在7—9月。受季風(fēng)性氣候和海洋潮汐影響，土壤季節(jié)性積鹽和脫鹽現(xiàn)象嚴(yán)重，鹽漬化普遍。土壤母質(zhì)為黃河沖積物，土壤類型主要包括潮土和鹽土兩大類[2]。

圖1 研究區(qū)地理位置及采樣點(diǎn)分布圖

1.2 土壤樣品采集與制備

2020年10月11—30日進(jìn)行野外土樣采集，土地利用類型包括林地、耕地、裸地、濱海濕地，共采集土樣367個(gè)。采樣時(shí)取0—20 cm土層樣品約1 kg，裝入密封袋保存并記錄GPS坐標(biāo)信息，隨后將土樣去除雜質(zhì)，經(jīng)自然風(fēng)干、研磨過篩后，一份用于化學(xué)指標(biāo)測(cè)定，一份用于室內(nèi)光譜采集。采用重鉻酸鉀-外加熱法測(cè)定土壤有機(jī)質(zhì)含量[28]，5﹕1水土比電導(dǎo)法測(cè)定土壤電導(dǎo)率EC[28]，表示土壤鹽分含量。為了消除顆粒大小對(duì)土壤光譜特征的干擾，利用激光粒度分析儀測(cè)定土壤機(jī)械組成，參照美國制分級(jí)標(biāo)準(zhǔn)對(duì)土壤質(zhì)地分級(jí)[29]，最終獲得330個(gè)粉質(zhì)壤土作為試驗(yàn)土樣。

1.3 室內(nèi)光譜采集及預(yù)處理

利用便攜式地物高光譜儀ASD FieldSpec 3（美國Analytical Spectral Devices公司）采集土壤光譜，光譜范圍350—2 500 nm，有2 151個(gè)輸出波段。光譜采集在暗室中進(jìn)行，以50 W的鹵素?zé)糇鳛槲ㄒ还庠?，天頂?0°，距離土樣50 cm，將土壤樣品盛放在深3 cm，直徑7 cm的黑色盛樣皿中，傳感器探頭視場(chǎng)角為25°，垂直于土樣上方5 cm處，探測(cè)范圍直徑2.22 cm，遠(yuǎn)小于盛樣皿直徑。測(cè)定前用標(biāo)準(zhǔn)白板進(jìn)行校正，將土樣表面稍稍刮平，使其表面盡量平整，每個(gè)土樣旋轉(zhuǎn)3次，每次重復(fù)采集10條光譜曲線，共采集30條光譜曲線，利用高光譜儀自帶軟件ViewspecPro進(jìn)行算術(shù)平均得到最終光譜數(shù)據(jù)。

采用箱型圖剔除有機(jī)質(zhì)異常的樣本，利用主成分分析法來剔除光譜異常的土壤樣本[30]，最終得到311個(gè)土樣數(shù)據(jù)。每條光譜曲線去除噪聲較大的邊緣波段350—399和2 401—2 500 nm，利用9點(diǎn)加權(quán)移動(dòng)平均法對(duì)光譜數(shù)據(jù)平滑去噪得到原始光譜曲線R，為了進(jìn)一步突出土壤光譜特征差異，便于后續(xù)有機(jī)質(zhì)特征波段的選取，對(duì)原始光譜曲線R進(jìn)行一階微分（FD）、包絡(luò)線去除（CR）、對(duì)數(shù)變換（Log）和多元散射校正（MSC）4種光譜變換處理。CR在ENVI5.3中實(shí)現(xiàn)，光譜曲線平滑去噪、光譜變換處理在軟件Unscrambler 10.4中進(jìn)行。

1.4 土壤有機(jī)質(zhì)和鹽分光譜響應(yīng)分析

方差分析是應(yīng)用數(shù)理統(tǒng)計(jì)中的一種基本方法[31]，通過劃分誤差的來源進(jìn)而分析變量之間的關(guān)系和不同因素的作用，考慮兩個(gè)因素對(duì)試驗(yàn)指標(biāo)影響的方差分析稱為雙因素方差分析。本研究采用雙因素方差分析，分析土壤鹽分和有機(jī)質(zhì)的光譜響應(yīng)程度，進(jìn)而探究土壤鹽分對(duì)有機(jī)質(zhì)光譜預(yù)測(cè)的影響。

根據(jù)SOM和EC含量，參考第二次全國土壤普查有機(jī)質(zhì)分級(jí)[32]和鹽分分級(jí)標(biāo)準(zhǔn)[28]，充分考慮樣本數(shù)量的均勻，對(duì)有機(jī)質(zhì)和鹽分進(jìn)行分組，將有機(jī)質(zhì)含量劃分為低（＜10 g·kg-1）、中（10—20 g·kg-1）、高（＞20 g·kg-1）3組，根據(jù)EC值將鹽分劃分為非鹽漬化SA（0—2 dS·m-1）、輕度鹽漬化SB（2—4 dS·m-1）、中度鹽漬化SC（4—8 dS·m-1）和重度鹽漬化SD（＞8 dS·m-1）4組，分組結(jié)果用于雙因素方差分析，探究有機(jī)質(zhì)和鹽分的光譜響應(yīng)，方差分析在SPSS26中進(jìn)行。

1.5 篩選特征波段

將有機(jī)質(zhì)含量與土壤原始光譜反射率和4種變換光譜數(shù)據(jù)逐波段進(jìn)行相關(guān)性分析和逐步回歸分析，計(jì)算每個(gè)波段與土壤有機(jī)質(zhì)的相關(guān)系數(shù)，選擇通過0.01顯著性檢驗(yàn)和逐步回歸分析中方差膨脹因子VIF＜10的波段為有機(jī)質(zhì)特征波段，作為模型的輸入變量，相關(guān)性分析和逐步回歸在SPSS26中進(jìn)行。

1.6 建模方法與精度驗(yàn)證

本研究基于特征波段建模精度和模型穩(wěn)定性優(yōu)于全波段建模結(jié)果，與南鋒等[8]和朱亞星等[13]研究結(jié)果一致，故全波段建模未在結(jié)果中展示。對(duì)不同鹽漬度土樣按有機(jī)質(zhì)含量排序，進(jìn)行建模集和驗(yàn)證集的劃分，選擇1/3為驗(yàn)證集，剩下的為建模集[25]?；诨旌系娜繕颖竞筒煌}漬度的4組樣本結(jié)合原始光譜（R）和一階微分（FD）、連續(xù)統(tǒng)去除（CR）、對(duì)數(shù)（Log）、多元散射校正（MSC）篩選的特征波段構(gòu)建多元線性回歸（MLR）、偏最小二乘回歸（PLSR）和支持向量回歸（SVR）3種模型，采用留一交叉驗(yàn)證法確定PLSR模型的最佳因子數(shù)[8]；設(shè)定SVM 類型為4（即v-SVR），核函數(shù)類型為徑向基核函數(shù)RBF），采用訓(xùn)練集交叉驗(yàn)證和網(wǎng)格搜索法（grid search）進(jìn)行參數(shù)尋優(yōu)，依據(jù)均方差最小原則確定懲罰參數(shù)C和RBF核參量g的值。MLR和PLSR在軟件Unscrambler 10.4中進(jìn)行，SVR模型的參數(shù)尋優(yōu)利用Matlab R2018b軟件的libsvm 3.11工具箱實(shí)現(xiàn)[33]。

建模精度指標(biāo)為決定系數(shù)（coefficient of determination,2）、均方根誤差（root mean square error,）、相對(duì)分析誤差（the ratio of prediction to deviation,）和1﹕1線綜合評(píng)價(jià)模型精度[13]，公式如下。其中，2越接近1，越接近于0，表明模型的預(yù)測(cè)精度越高、穩(wěn)定性更好，當(dāng)≥2時(shí)，模型具有很好的預(yù)測(cè)能力；1.4≤＜2時(shí)，模型的效果一般，只能進(jìn)行粗略預(yù)測(cè)；＜1.4時(shí)，模型精度較差，不能用來預(yù)測(cè)[34]，1﹕1線用來檢驗(yàn)實(shí)測(cè)值和預(yù)測(cè)值所繪制的散點(diǎn)圖偏離=的程度。

2 結(jié)果

2.1 不同鹽漬度土壤有機(jī)質(zhì)含量統(tǒng)計(jì)分析

研究區(qū)土壤有機(jī)質(zhì)含量為1.70—35.31 g·kg-1，有機(jī)質(zhì)含量總體偏低（表1），全部樣本建模集最小值為1.70 g·kg-1，最大值為35.08 g·kg-1，均值為16.43 g·kg-1，驗(yàn)證集最小值為2.38 g·kg-1，最大值為35.31 g·kg-1，均值為16.66 g·kg-1，全部樣本和不同鹽漬度土壤樣本的建模集、驗(yàn)證集的變異系數(shù)接近，土壤有機(jī)質(zhì)含量均為中等程度變異，樣本的離散程度較高，滿足模型構(gòu)建的可靠性和代表性。

表1 不同鹽漬度土壤有機(jī)質(zhì)含量統(tǒng)計(jì)分析

Ⅰ：建模集Calibration set；Ⅱ：驗(yàn)證集Validation set

2.2 有機(jī)質(zhì)和鹽分交互響應(yīng)分析

雙因素方差分析可以探究?jī)蓚€(gè)因素對(duì)試驗(yàn)指標(biāo)的影響，并且能夠?qū)崿F(xiàn)對(duì)兩因素間交互作用的分析[31]。本研究將有機(jī)質(zhì)和鹽分作為兩個(gè)因素，利用雙因素方差分析法分析當(dāng)有機(jī)質(zhì)和鹽分含量變化時(shí)土壤光譜反射率的變化程度，進(jìn)而探究有機(jī)質(zhì)和鹽分的光譜響應(yīng)，兩因素分組水平如表2所示。

SOM、EC和MC分別表示有機(jī)質(zhì)、鹽分及二者交互作用對(duì)土壤光譜的F值統(tǒng)計(jì)量（圖2），F(xiàn)值統(tǒng)計(jì)量表示了有機(jī)質(zhì)、鹽分及交互作用對(duì)土壤光譜反射率的響應(yīng)程度，由大到小依次為有機(jī)質(zhì)、鹽分、交互作用。有機(jī)質(zhì)和鹽分的F值統(tǒng)計(jì)量曲線形狀基本相似，在400—600 nm范圍內(nèi)，光譜響應(yīng)程度隨波長增加逐漸增強(qiáng)，在600 nm附近達(dá)到最強(qiáng)；600—1 000 nm波段光譜響應(yīng)程度逐漸減弱，1 000—1 800 nm波段光譜響應(yīng)程度增加緩慢；在1 400 nm波段附近受微弱的水分吸收影響，在1 900 nm波段附近的水分吸收作用最強(qiáng)烈，有機(jī)質(zhì)和鹽分的光譜響應(yīng)程度驟減；2 000—2 400 nm的響應(yīng)程度較弱。由土壤有機(jī)質(zhì)、鹽分及其交互作用的顯著性檢驗(yàn)可知：土壤有機(jī)質(zhì)在全波段的光譜響應(yīng)均是顯著的；鹽分除在400—900 nm波段內(nèi)顯著外，在其余波段的光譜響應(yīng)均不顯著的；二者的交互作用在所有波段均不顯著。

由方差分析可知，在400—900 nm波段范圍內(nèi)，有機(jī)質(zhì)和鹽分的光譜響應(yīng)程度變化一致，在600 nm附近出現(xiàn)峰值，且二者均通過了0.05水平的顯著性檢驗(yàn)，表明在此波段范圍有機(jī)質(zhì)和鹽分的光譜響應(yīng)最強(qiáng)，二者的敏感波段可能存在重疊，土壤中鹽分存在會(huì)干擾有機(jī)質(zhì)的光譜特征，因此，在預(yù)測(cè)土壤有機(jī)質(zhì)含量時(shí)要考慮土壤中鹽分的影響。

表2 因素水平表

圖2 有機(jī)質(zhì)和鹽分及二者交互作用的F值統(tǒng)計(jì)量曲線

2.3 不同鹽漬度土壤光譜特征分析

為了進(jìn)一步探究不同土壤鹽分含量對(duì)有機(jī)質(zhì)含量預(yù)測(cè)模型精度的影響，本研究通過劃分不同鹽漬度水平分別構(gòu)建土壤有機(jī)質(zhì)含量預(yù)測(cè)模型。

不同鹽漬度土壤原始光譜曲線形態(tài)基本一致，光譜反射率在0.08—0.50，光譜反射率變化趨勢(shì)相同，呈拋物線型（圖3）。光譜反射率在可見光波段增加較快，近紅外波段增加變緩，整體表現(xiàn)為鹽分含量越高，光譜反射率越高，鹽分與光譜反射率呈現(xiàn)正相關(guān)，這與前人的研究一致[35-37]，在900 nm附近存在一個(gè)小的吸收谷，可能與鐵的氧化物吸收有關(guān)[38]，1 400、1 900和2 200 nm波段附近有強(qiáng)烈的水分吸收谷，這與游離水和黏土礦物中所含的OH-有關(guān)[39-40]，1 900 nm波段附近水分吸收谷深度和面積隨鹽分含量增加而增加，這可能是由于鹽分的吸濕性，使得水分吸收作用強(qiáng)烈[41]，2 000—2 400 nm光譜反射率呈現(xiàn)先增加后下降趨勢(shì)，表現(xiàn)出的峰谷吸收結(jié)構(gòu)主要是由殘余在土壤中的少量水分以及空氣中水吸收引起的[2]。

圖3 不同鹽漬度土壤光譜曲線

2.4 不同鹽漬度土壤有機(jī)質(zhì)含量與光譜反射率的相關(guān)性分析

不同鹽漬度土壤有機(jī)質(zhì)含量與R、FD、CR、Log和MSC的相關(guān)系數(shù)曲線差異明顯（圖4），土壤有機(jī)質(zhì)含量與R和Log相關(guān)性曲線整體呈負(fù)相關(guān)，相關(guān)系數(shù)曲線較為平滑，各波段相關(guān)系數(shù)差異較小，在600 nm附近達(dá)到峰值；FD變換與有機(jī)質(zhì)含量相關(guān)性呈正負(fù)交替，在全波段范圍內(nèi)相關(guān)系數(shù)波動(dòng)較大，存在多個(gè)吸收峰，一些隱含的光譜信息被放大，相較于原始光譜反射率，在可見光范圍內(nèi)的相關(guān)性有所增強(qiáng)，而在近紅外區(qū)域的相關(guān)性明顯降低，更能突出有機(jī)質(zhì)的光譜特征；CR與有機(jī)質(zhì)含量相關(guān)性整體較低，在可見光和近紅外區(qū)域存在多個(gè)吸收峰；MSC與有機(jī)質(zhì)含量在可見光波段相關(guān)性達(dá)到峰值，1 400和1 900 nm附近有較強(qiáng)的水分吸收作用。

經(jīng)過不同的光譜變換處理，光譜反射率與有機(jī)質(zhì)含量的相關(guān)系數(shù)在全波段范圍內(nèi)呈正負(fù)交替，且相關(guān)性有所提高，在可見光范圍的相關(guān)系數(shù)波動(dòng)最大，存在多個(gè)相關(guān)系數(shù)峰值和突變點(diǎn)，表明有機(jī)質(zhì)的光譜響應(yīng)敏感，這與方差分析結(jié)果基本一致。

土壤有機(jī)質(zhì)含量與原始及變換光譜逐波段進(jìn)行相關(guān)性分析，通過=0.01水平的顯著檢驗(yàn)并且結(jié)合逐步回歸VIF＜10的波段確定為特征波段，結(jié)果如表3所示，有機(jī)質(zhì)特征波段主要集中在428—694、769—1 374、 1 426—1 506、1 719—1 955和2 046—2 386 nm范圍內(nèi)。

表3 不同鹽漬度土壤有機(jī)質(zhì)的特征波段

圖4 不同鹽漬度土壤有機(jī)質(zhì)含量與原始及其變換后的光譜反射率相關(guān)性曲線

2.5 模型精度對(duì)比及驗(yàn)證分析

分別以土壤光譜的特征波段為自變量，土壤有機(jī)質(zhì)含量為因變量，基于多元線性回歸MLR、偏最小二乘回歸PLSR和支持向量回歸SVR建立不同鹽漬度土壤有機(jī)質(zhì)預(yù)測(cè)模型。

基于MLR模型有機(jī)質(zhì)預(yù)測(cè)結(jié)果如表4所示，c2最小值為0.42，最大值為0.80，均方根誤差c介于3.52—6.17 g·kg-1；驗(yàn)證結(jié)果，v2在0.33—0.75，v在3.51—7.20 g·kg-1，相對(duì)分析誤差為1.15—2.04?；赑LSR模型預(yù)測(cè)結(jié)果如表5所示，相較于MLR模型，PLSR模型的結(jié)果較差，決定系數(shù)c2最小值為0.42，最大值為0.79，均方根誤差c介于3.33—6.08 g·kg-1，驗(yàn)證結(jié)果表明，v2介于0.33—0.74，v在3.60—7.20 g·kg-1，相對(duì)分析誤差為1.15—1.99；基于SVR模型結(jié)果如表6所示，c2介于0.36—0.86，c為2.71— 6.15 g·kg-1，驗(yàn)證結(jié)果，v2最大值為0.82，最小值為0.26，v介于2.96—7.36 g·kg-1，為1.11—2.42。

對(duì)比3種模型結(jié)果可知，不同鹽漬度土壤經(jīng)過FD變換處理后模型預(yù)測(cè)精度均有明顯的提高，相較于MLR和PLSR模型，SVR模型預(yù)測(cè)效果最好，不同鹽漬度土壤SOM擬合線與1﹕1線的偏離較小，模型的預(yù)測(cè)效果均較好。同時(shí)，基于全部樣本建立的有機(jī)質(zhì)預(yù)測(cè)模型精度最低，v2最高值僅為0.68，4組鹽漬土有機(jī)質(zhì)預(yù)測(cè)模型精度中，非鹽漬土有機(jī)質(zhì)預(yù)測(cè)效果最好，v2最高為0.82，v為2.96 g·kg-1，為2.42，隨著土壤鹽漬化程度的增加，有機(jī)質(zhì)預(yù)測(cè)精度逐漸降低，但仍高于基于混合的全部樣本建模精度，不同鹽漬度土壤有機(jī)質(zhì)最優(yōu)結(jié)果為FD處理結(jié)合SVR建立的土壤有機(jī)質(zhì)預(yù)測(cè)模型，如圖5所示。

表4 多元線性回歸（MLR）有機(jī)質(zhì)含量建模結(jié)果

表5 偏最小二乘回歸（PLSR）有機(jī)質(zhì)含量建模結(jié)果

3 討論

3.1 有機(jī)質(zhì)和鹽分的光譜響應(yīng)規(guī)律

有機(jī)質(zhì)和鹽分在可見光波段范圍的光譜響應(yīng)顯著且在全波段的光譜響應(yīng)變化規(guī)律基本一致，表明二者的敏感波段可能存在重疊。這主要是因?yàn)樵诳梢姽鈪^(qū)域光譜反射率受到土壤發(fā)色團(tuán)和有機(jī)質(zhì)本身黑色的影響[41]，且與近紅外區(qū)有機(jī)質(zhì)中官能團(tuán)的伸縮振動(dòng)和轉(zhuǎn)角振動(dòng)的合頻躍遷有關(guān)[42]，表現(xiàn)為有機(jī)質(zhì)在可見光和近紅外波段光譜響應(yīng)敏感；黃河三角洲土壤鹽分組成以NaCl為主，礦物組成包括巖鹽、石膏等[33]，已有研究表明，雖然NaCl在可見光和近紅外波段沒有吸收特征，但與NaCl存在相關(guān)性的石膏在可見光和近紅外波段具有吸收特征可間接反映土壤鹽分的光譜信息[43]，表現(xiàn)出鹽基離子（如Cl-和Na+）與可見光和近紅外波段的光譜反射率相關(guān)性較強(qiáng)[19-20]，土壤鹽分在可見光和近紅外波段的光譜響應(yīng)敏感。

圖5 不同鹽漬度土壤有機(jī)質(zhì)含量最優(yōu)預(yù)測(cè)模型結(jié)果

3.2 不同光譜變換處理在鹽漬土有機(jī)質(zhì)含量預(yù)測(cè)中的效果

不同光譜變換處理能夠有效提高有機(jī)質(zhì)與光譜反射率的相關(guān)性。將原始光譜反射率進(jìn)行一階微分FD、連續(xù)統(tǒng)去除CR、對(duì)數(shù)Log以及多元散射校正MSC處理后，顯著提高了土壤光譜與有機(jī)質(zhì)含量的相關(guān)性，F(xiàn)D處理效果最好，相關(guān)系數(shù)最高可達(dá)0.83，這與南鋒等[8]和侯艷軍等[9]的研究結(jié)果一致，對(duì)原始光譜進(jìn)行一階微分變換可以消除背景噪聲干擾，突出土壤光譜特征差異，土壤有機(jī)質(zhì)預(yù)測(cè)模型精度也有明顯提升，也有研究表明不同的光譜變換處理組合可提升模型精度[44]，本文利用單一光譜變換方法，可能無法更好地挖掘出與有機(jī)質(zhì)相關(guān)的光譜信息[6]。因此，后續(xù)研究應(yīng)進(jìn)一步比較不同光譜變換方法組合處理對(duì)預(yù)測(cè)精度的影響。

表6 支持向量回歸（SVR）有機(jī)質(zhì)含量建模結(jié)果

3.3 鹽分對(duì)有機(jī)質(zhì)含量預(yù)測(cè)模型精度的影響

構(gòu)建不同鹽漬度的土壤有機(jī)質(zhì)含量預(yù)測(cè)模型，可明顯提升土壤有機(jī)質(zhì)含量的預(yù)測(cè)精度，且隨著鹽分含量增加，有機(jī)質(zhì)含量的預(yù)測(cè)精度逐漸下降，這是由于土壤光譜反射率隨鹽分含量增加而呈非線性增加[45]，而有機(jī)質(zhì)存在會(huì)使土壤光譜反射率降低[46]，二者對(duì)光譜反射率的作用恰好相反，并且鹽分與有機(jī)質(zhì)在可見光范圍內(nèi)的敏感波段存在重疊。因此，鹽分含量增加會(huì)削弱有機(jī)質(zhì)的光譜響應(yīng)程度、干擾有機(jī)質(zhì)的光譜特征[9]，進(jìn)而影響有機(jī)質(zhì)含量的預(yù)測(cè)精度。通過劃分不同鹽漬度分組建模能夠降低土壤鹽分含量差異，在一定程度上減少不同鹽分含量對(duì)土壤光譜反射率的影響，有利于突出有機(jī)質(zhì)的光譜特征，故建模精度較高。

3.4 不足和展望

本文以黃河三角洲地區(qū)鹽漬土為研究對(duì)象，采樣點(diǎn)主要分布在受人類擾動(dòng)較大的耕地上，所建立的模型是否適用于其他地區(qū)不同用地類型的土壤，有待進(jìn)一步驗(yàn)證；且劃分建模集和驗(yàn)證集時(shí)僅考慮了樣本間的有機(jī)質(zhì)含量而忽略了土壤光譜的歐氏距離和空間關(guān)系[39]，樣本分布不均，有機(jī)質(zhì)的預(yù)測(cè)精度亦受影響。因此，今后的研究有必要采集更多用地類型的土壤樣本，比較不同光譜處理方法組合對(duì)不同類型土壤有機(jī)質(zhì)預(yù)測(cè)的影響，同時(shí)要開發(fā)和利用一些新的光譜處理技術(shù)來消除土壤鹽分對(duì)有機(jī)質(zhì)光譜特征的干擾，進(jìn)一步提高有機(jī)質(zhì)預(yù)測(cè)模型精度，從而實(shí)現(xiàn)鹽漬土有機(jī)質(zhì)的快速、準(zhǔn)確預(yù)測(cè)。

4 結(jié)論

4.1 土壤光譜反射率與鹽分含量整體呈正相關(guān)關(guān)系，由方差分析可知，在400—900 nm波段，鹽分與有機(jī)質(zhì)對(duì)光譜響應(yīng)顯著，且變化規(guī)律基本一致，其中600 nm附近光譜響應(yīng)程度最強(qiáng)，在可見光波段附近土壤有機(jī)質(zhì)與鹽分的敏感波段存在重疊；在1 000—1 800 nm波段光譜響應(yīng)程度增加緩慢；在1 400 nm波段附近受微弱的水分吸收影響，1 900 nm波段附近的水分吸收作用最強(qiáng)烈，光譜響應(yīng)程度有所減弱；2 000—2 400 nm的響應(yīng)程度較弱。

4.2 經(jīng)一階微分FD變換后，一些隱含的光譜吸收特征被放大，增強(qiáng)不同鹽漬度土壤有機(jī)質(zhì)光譜特征差異，顯著提高有機(jī)質(zhì)含量與光譜反射率的相關(guān)性，相關(guān)系數(shù)最高可達(dá)0.83。

4.3 通過劃分不同鹽漬度分組建模能有效提高土壤有機(jī)質(zhì)含量預(yù)測(cè)精度，但是隨著土壤鹽分含量增加，土壤有機(jī)質(zhì)含量的預(yù)測(cè)精度下降；對(duì)比3種建模方法，SVR模型預(yù)測(cè)精度相較于MLR和PLSR顯著提高，利用FD處理結(jié)合SVR建立的模型土壤有機(jī)質(zhì)預(yù)測(cè)效果最優(yōu)，驗(yàn)證結(jié)果v2最高為0.82，v為2.96 g·kg-1，為2.42。

[1] 方少文, 楊梅花, 趙小敏, 郭熙. 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. 土壤學(xué)報(bào), 2014, 51(5): 1003-1010.

FANG S W, YANG M H, ZHAO X M, GUO X. Spectral characteristics and quantitative estimation of som in red soil typical of Ji’an County, Jiangxi Province. Acta Pedologica Sinica, 2014, 51(5): 1003-1010. (in Chinese)

[2] 韓兆迎, 朱西存, 劉慶, 房賢一, 王卓遠(yuǎn). 黃河三角洲土壤有機(jī)質(zhì)含量的高光譜反演. 植物營養(yǎng)與肥料學(xué)報(bào), 2014, 20(6): 1545-1552.

HAN Z Y, ZHU X C, LIU Q, FANG X Y, WANG Z Y. Hyperspectral inversion models for soil organic matter content in the Yellow River Delta. Journal of Plant Nutrition and Fertilizer, 2014, 20(6): 1545-1552. (in Chinese)

[3] TANG X L, ZHAO X, BAI Y F, TANG Z Y, WANG W T, ZHAO Y C, WAN H W, XIE Z Q, SHI X Z, WU B F, WANG G X, YAN J H, MA K P, DU S, LI S G, HAN S J, MA Y X, HU H F, HE N P, YANG Y H, HAN W X, HE H L, YU G R, FANG J Y, ZHOU G Y. Carbon pools in China’s terrestrial ecosystems: new estimates based on an intensive field survey. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115(16): 4021-4026.

[4] NAWAR S, BUDDENBAUM H, HILL J, KOZAK J, MOUAZEN A M. Estimating the soil clay content and organic matter by means of different calibration methods of vis-NIR diffuse reflectance spectroscopy. Soil and Tillage Research, 2016, 155: 510-522.

[5] NOCITA M, STEVENS A, TOTH G, PANAGOS P, VAN WESEMAEL B, MONTANARELLA L. Prediction of soil organic carbon content by diffuse reflectance spectroscopy using a local partial least square regression approach. Soil Biology and Biochemistry, 2014, 68: 337-347.

[6] VASQUES G M, GRUNWALD S, SICKMAN J O. Comparison of multivariate methods for inferential modeling of soil carbon using visible/near-infrared spectra. Geoderma, 2008, 146(1/2): 14-25.

[7] VA?áT R, KODE?OVá R, KLEMENT A, BOR?VKA L. Simple but efficient signal pre-processing in soil organic carbon spectroscopic estimation. Geoderma, 2017, 298: 46-53.

[8] 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(cè). 中國農(nóng)業(yè)科學(xué), 2016, 49(11): 2126-2135. doi: 10. 3864/j.issn.0578-1752.2016.11.009.

NAN F, ZHU H F, BI R T. Hyperspectral prediction of soil organic matter content in the reclamation cropland of coal mining areas in the Loess Plateau. Scientia Agricultura Sinica, 2016, 49(11): 2126-2135. doi: 10.3864/j.issn.0578-1752.2016.11.009. (in Chinese)

[9] 侯艷軍, 塔西甫拉提·特依拜,買買提·沙吾提, 張飛. 荒漠土壤有機(jī)質(zhì)含量高光譜估算模型. 農(nóng)業(yè)工程學(xué)報(bào), 2014, 30(16): 113-120.

HOU Y J, TASHPOLAT T MAMAT S, ZHANG F. Hyperspectral estimation model of organic matter content in desert soil. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(16): 113-120. (in Chinese)

[10] 王永敏, 李西燦, 田林亞, 賈斌, 楊惠. 土壤有機(jī)質(zhì)含量地面高光譜估測(cè)模型對(duì)比分析. 國土資源遙感, 2019, 31(1): 110-116.

WANG Y M, LI X C, TIAN L Y, JIA B, YANG H. Comparison and analysis of estimation models of soil organic matter content established by hyperspectral on ground. Remote Sensing for Land & Resources, 2019, 31(1): 110-116. (in Chinese)

[11] ZHANG Z P, DING J L, ZHU C M, WANG J Z. Combination of efficient signal pre-processing and optimal band combination algorithm to predict soil organic matter through visible and near-infrared spectra. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2020, 240: 118553.

[12] 王海峰, 張智韜, Arnon Karnieli, 陳俊英, 韓文霆. 基于灰度關(guān)聯(lián)-嶺回歸的荒漠土壤有機(jī)質(zhì)含量高光譜估算. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(14): 124-131.

WANG H F, ZHANG Z T, KARNIELI A, CHEN J Y, HAN W T. Hyperspectral estimation of desert soil organic matter content based on gray correlation-ridge regression model. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(14): 124-131. (in Chinese)

[13] 朱亞星, 于雷, 洪永勝, 章濤, 朱強(qiáng), 李思締, 郭力, 劉家勝. 土壤有機(jī)質(zhì)高光譜特征與波長變量?jī)?yōu)選方法. 中國農(nóng)業(yè)科學(xué), 2017, 50(22): 4325-4337. doi: 10.3864/j.issn.0578-1752.2017.22. 009.

ZHU Y X, YU L, HONG Y S, ZHANG T, ZHU Q, LI S D, GUO L, LIU J S. Hyperspectral features and wavelength variables selection methods of soil organic matter. Scientia Agricultura Sinica, 2017, 50(22): 4325-4337. doi: 10.3864/j.issn.0578-1752.2017.22.009. (in Chinese)

[14] ZHANG Z P, DING J L, WANG J Z, GE X Y. Prediction of soil organic matter in northwestern China using fractional-order derivative spectroscopy and modified normalized difference indices. CATENA, 2020, 185: 104257.

[15] HONG Y S, CHEN S C, ZHANG Y, CHEN Y Y, YU L, LIU Y F, LIU Y L, CHENG H, LIU Y. Rapid identification of soil organic matter level via visible and near-infrared spectroscopy: effects of two- dimensional correlation coefficient and extreme learning machine. Science of the Total Environment, 2018, 644: 1232-1243.

[16] WANG X P, ZHANG F, KUNG H T, JOHNSON V C. New methods for improving the remote sensing estimation of soil organic matter content (SOMC) in the Ebinur Lake Wetland National Nature Reserve (ELWNNR) in northwest China. Remote Sensing of Environment, 2018, 218: 104-118.

[17] 彭杰, 周清, 張楊珠, 向紅英. 有機(jī)質(zhì)對(duì)土壤光譜特性的影響研究. 土壤學(xué)報(bào), 2013, 50(3): 517-524.

PENG J, ZHOU Q, ZHANG Y Z, XIANG H Y. Effect of soil organic matter on spectral characteristics of soil. Acta Pedologica Sinica, 2013, 50(3): 517-524. (in Chinese)

[18] 彭杰, 遲春明, 向紅英, 滕洪芬, 史舟. 基于連續(xù)統(tǒng)去除法的土壤鹽分含量反演研究. 土壤學(xué)報(bào), 2014, 51(3): 459-469.

PENG J, CHI C M, XIANG H Y, TENG H F, SHI Z. Inversion of soil salt content based on continuum-removal method. Acta Pedologica Sinica, 2014, 51(3): 459-469. (in Chinese)

[19] 劉亞秋, 陳紅艷, 王瑞燕, 常春艷, 陳哲. 基于可見/近紅外光譜的黃河口區(qū)土壤鹽分及其主要離子的定量分析. 中國農(nóng)業(yè)科學(xué), 2016, 49(10): 1925-1935. doi: 10.3864/j.issn.0578-1752.2016.10.009.

LIU Y Q, CHEN H Y, WANG R Y, CHANG C Y, CHEN Z. Quantitative analysis of soil salt and its main ions based on visible/ near infrared spectroscopy in estuary area of Yellow River. Scientia Agricultura Sinica, 2016, 49(10): 1925-1935. doi: 10.3864/j.issn. 0578-1752.2016.10.009.(in Chinese)

[20] 張俊華, 賈萍萍, 孫媛, 賈科利. 基于高光譜特征的鹽漬化土壤不同土層鹽分離子含量預(yù)測(cè). 農(nóng)業(yè)工程學(xué)報(bào), 2019, 35(12): 106-115.

ZHANG J H, JIA P P, SUN Y, JIA K L. Prediction of salinity ion content in different soil layers based on hyperspectral data. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(12): 106-115. (in Chinese)

[21] WANG J Z, TIYIP T, DING J L, ZHANG D, LIU W, WANG F. Quantitative estimation of organic matter content in arid soil using vis-NIR spectroscopy preprocessed by fractional derivative. Journal of Spectroscopy, 2017, 2017: 1-9.

[22] ZHANG Z P, DING J L, ZHU C M, WANG J Z, MA G L, GE X Y, LI Z S, HAN L J. Strategies for the efficient estimation of soil organic matter in salt-affected soils through Vis-NIR spectroscopy: optimal band combination algorithm and spectral degradation. Geoderma, 2021, 382: 114729.

[23] 張超, 劉詠梅, 孫亞楠, 王雷, 劉建紅. 黃土丘陵溝壑區(qū)土壤養(yǎng)分含量的高光譜預(yù)測(cè)模型. 應(yīng)用生態(tài)學(xué)報(bào), 2018, 29(9): 2835-2842.

ZHANG C, LIU Y M, SUN Y N, WANG L, LIU J H. Hyperspectral prediction model of soil nutrient content in the loess hilly-gully region, China. Chinese Journal of Applied Ecology, 2018, 29(9): 2835-2842. (in Chinese)

[24] 玉米提·買明, 王雪梅. 塔里木盆地北緣荒漠土壤有機(jī)質(zhì)含量的高光譜估測(cè). 中國土壤與肥料, 2021(4): 318-326.

YUMITI MAIMING, WANG X M. Hyperspectral estimation of desert soil organic matter content in the northern margin of Tarim Basin. Soil and Fertilizer Sciences in China, 2021(4): 318-326. (in Chinese)

[25] 郄欣, 齊雁冰, 劉姣姣, 王珂, 陳敏輝. 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. 干旱地區(qū)農(nóng)業(yè)研究, 2021, 39(4): 109-116, 124.

QIE X, QI Y B, LIU J J, WANG K, CHEN M H. Comparison of multiple estimation models of soil organic matter based on laboratory hyperspectral reflectance in Shaanxi Province. Agricultural Research in the Arid Areas, 2021, 39(4): 109-116, 124. (in Chinese)

[26] 洪永勝, 于雷, 朱亞星, 李思締, 郭力, 劉家勝, 聶艷, 周勇. 利用OSC算法消除土壤含水量變化對(duì)Vis-NIR光譜估算有機(jī)質(zhì)的影響. 中國農(nóng)業(yè)科學(xué), 2017, 50(19): 3766-3777. doi: 10.3864/j.issn.0578- 1752.2017.19.013.

HONG Y S, YU L, ZHU Y X, LI S D, GUO L, LIU J S, NIE Y, ZHOU Y. Using orthogonal signal correction algorithm removing the effects of soil moisture on hyperspectral reflectance to estimate soil organic matter. Scientia Agricultura Sinica, 2017, 50(19): 3766-3777. doi: 10.3864/j.issn.0578-1752.2017.19.013. (in Chinese)

[27] 尚璇, 李西燦, 徐郵郵, 劉莎莎. 土壤水與有機(jī)質(zhì)對(duì)高光譜的作用及交互作用規(guī)律. 中國農(nóng)業(yè)科學(xué), 2017, 50(8): 1465-1475. doi: 10.3864/j.issn.0578-1752.2017.08.010.

SHANG X, LI X C, XU Y Y, LIU S S. The role and interaction of soil water and organic matter on hyper-spectral reflectance. Scientia Agricultura Sinica, 2017, 50(8): 1465-1475. doi: 10.3864/j.issn.0578- 1752.2017.08.010. (in Chinese)

[28] 鮑士旦. 土壤農(nóng)化分析. 3版. 北京: 中國農(nóng)業(yè)出版社, 2000.

BAO S D. Soil and agricultural chemistry analysis. 3rd ed. Beijing: China Agriculture Press, 2000. (in Chinese)

[29] 周倩倩, 丁建麗, 唐夢(mèng)迎, 楊斌. 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. 土壤學(xué)報(bào), 2018, 55(2): 313-324.

ZHOU Q Q, DING J L, TANG M Y, YANG B. Inversion of soil organic matter content in oasis typical of arid area and its influencing factors. Acta Pedologica Sinica, 2018, 55(2): 313-324. (in Chinese)

[30] 陳奕云, 齊天賜, 黃穎菁, 萬遠(yuǎn), 趙瑞瑛, 亓林, 張超, 費(fèi)騰. 土壤有機(jī)質(zhì)含量可見-近紅外光譜反演模型校正集優(yōu)選方法. 農(nóng)業(yè)工程學(xué)報(bào), 2017, 33(6): 107-114.

CHEN Y Y, QI T C, HUANG Y J, WAN Y, ZHAO R Y, QI L, ZHANG C, FEI T. Optimization method of calibration dataset for VIS-NIR spectral inversion model of soil organic matter content. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(6): 107-114. (in Chinese)

[31] 黃伯強(qiáng), 李啟才. 帶交互作用的雙因素方差分析的線性回歸建模. 統(tǒng)計(jì)與決策, 2021, 37(1): 10-15.

HUANG B Q, LI Q C. Linear regression modeling of two-factor ANOVA with interaction. Statistics & Decision, 2021, 37(1): 10-15. (in Chinese)

[32] 全國土壤普查辦公室. 中國土壤普查技術(shù). 北京: 中國農(nóng)業(yè)出版社, 1992.

National Soil Census Office. Soil General Survey Technology in China. Beijing: China Agriculture Press, 1992. (in Chinese)

[33] 王丹陽, 陳紅艷, 王桂峰, 叢津橋, 王向鋒, 魏學(xué)文. 無人機(jī)多光譜反演黃河口重度鹽漬土鹽分的研究. 中國農(nóng)業(yè)科學(xué), 2019, 52(10): 1698-1709. doi: 10.3864/j.issn.0578-1752.2019. 10.004.

WANG D Y, CHEN H Y, WANG G F, CONG J Q, WANG X F, WEI X W. Salinity inversion of severe saline soil in the Yellow River Estuary based on UAV multi-spectra. Scientia Agricultura Sinica, 2019, 52(10): 1698-1709. doi: 10.3864/j.issn.0578-1752.2019.10.004. (in Chinese)

[34] TERHOEVEN-URSELMANS T, SCHMIDT H, GEORG JOERGENSEN R, LUDWIG B. Usefulness of near-infrared spectroscopy to determine biological and chemical soil properties: importance of sample pre-treatment. Soil Biology and Biochemistry, 2008, 40(5): 1178-1188.

[35] PENG X, XU C, ZENG W Z, WU J W, HUANG J S. Elimination of the soil moisture effect on the spectra for reflectance prediction of soil salinity using external parameter orthogonalization method. Journal of Applied Remote Sensing, 2016, 10(1): 015014.

[36] QIAN T N, TSUNEKAWA A, PENG F, MASUNAGA T, WANG T, LI R. Derivation of salt content in salinized soil from hyperspectral reflectance data: a case study at Minqin Oasis, Northwest China. Journal of Arid Land, 2019, 11(1): 111-122.

[37] WANG S J, CHEN Y H, WANG M G, LI J. Performance comparison of machine learning algorithms for estimating the soil salinity of salt-affected soil using field spectral data. Remote Sensing, 2019, 11(22): 2605.

[38] 劉慶生, 王志剛, 荊林海. 巖石實(shí)驗(yàn)室光譜對(duì)應(yīng)分析. 遙感學(xué)報(bào), 1999, 3(2): 151-156.

LIU Q S, WANG Z G, JING L H. Correspondence analysis of laboratory spectra of rock. Journal of Remote Sensing, 1999, 3(2): 151-156. (in Chinese)

[39] 國佳欣, 朱青, 趙小敏, 郭熙, 韓逸, 徐喆. 不同土地利用類型下土壤有機(jī)碳含量的高光譜反演. 應(yīng)用生態(tài)學(xué)報(bào), 2020, 31(3): 863-871.

GUO J X, ZHU Q, ZHAO X M, GUO X, HAN Y, XU Z. Hyper-spectral inversion of soil organic carbon content under different land use types. Chinese Journal of Applied Ecology, 2020, 31(3): 863-871. (in Chinese)

[40] GAO L L, ZHU X C, HAN Z Y, WANG L, ZHAO G X, JIANG Y M. Spectroscopy-based soil organic matter estimation in brown forest soil areas of the Shandong peninsula, China. Pedosphere, 2019, 29(6): 810-818.

[41] 彭杰, 張楊珠, 周清, 劉香伶, 周衛(wèi)軍. 去除有機(jī)質(zhì)對(duì)土壤光譜特性的影響. 土壤, 2006, 38(4): 453-458.

PENG J, ZHANG Y Z, ZHOU Q, LIU X L, ZHOU W J. Spectral characteristics of soils in Hunan Province as affected by removal of soil organic matter. Soils, 2006, 38(4): 453-458. (in Chinese)

[42] NOCITA M, STEVENS A, VAN WESEMAEL B, AITKENHEAD M, BACHMANN M, BARTHèS B, BEN DOR E, BROWN D J, CLAIROTTE M, CSORBA A, DARDENNE P, DEMATTê J A M, GENOT V, GUERRERO C, KNADEL M, MONTANARELLA L, NOON C, RAMIREZ-LOPEZ L, ROBERTSON J, SAKAI H, WETTERLIND J. Soil spectroscopy: an alternative to wet chemistry for soil monitoring. Advances in Agronomy, 2015, 132: 139-159.

[43] GOLDSHLEGER N, BEN-DOR E, LUGASSI R, ESHEL G. Soil degradation monitoring by remote sensing: examples with three degradation processes. Soil Science Society of America Journal, 2010, 74(5): 1433-1445.

[44] 郭斗斗, 黃紹敏, 張水清, 聶勝委. 多種潮土有機(jī)質(zhì)高光譜預(yù)測(cè)模型的對(duì)比分析. 農(nóng)業(yè)工程學(xué)報(bào), 2014, 30(21): 192-200.

GUO D D, HUANG S M, ZHANG S Q, NIE S W. Comparative analysis of various hyperspectral prediction models of fluvo-aquic soil organic matter. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(21): 192-200. (in Chinese)

[45] WANG J Z, DING J L, YU D L, MA X K, ZHANG Z P, GE X Y, TENG D X, LI X H, LIANG J, LIZAGA I, CHEN X Y, YUAN L, GUO Y H. Capability of Sentinel-2 MSI data for monitoring and mapping of soil salinity in dry and wet seasons in the Ebinur Lake region, Xinjiang, China. Geoderma, 2019, 353: 172-187.

[46] TIAN Y C, ZHANG J J, YAO X, CAO W X, ZHU Y. Laboratory assessment of three quantitative methods for estimating the organic matter content of soils in China based on visible/near-infrared reflectance spectra. Geoderma, 2013, 202/203: 161-170.

Hyperspectral Prediction of Organic Matter in Soils of Different Salinity Levels in the Yellow River Delta

HOU HuaGang, WANG DanYang, MA SiQi, PAN JianJun, LI ZhaoFu

College of Resources and Environment Science, Nanjing Agriculture University, Nanjing 210095

【Objective】The aim of this study was to investigate the spectral response of soil organic matter and salt, to analyze the effects of different salt content on soil organic matter prediction models, and to establish a rapid and effective hyperspectral prediction model for organic matter content in saline soils. 【Method】In this study, according to different salinity contents for indoor hyperspectral measurements, the soil samples were divided into four groups of non-saline (SA), slightly saline (SB), moderately saline (SC), and heavy saline (SD). Then, ANOVA was used to explore the degree of organic matter and salinity spectral response of soils with different salinity degrees respectively. The raw spectra reflectances (raw spectral reflectance, R) were subjected to first order differential reflectance (first order differential reflectance, FD), continuous statistical removal (continuous statistical removal, CR), logarithmic (logarithmic, Log) and multiple scatter correction (multipication scatter correction, MSC) transformations were applied to the raw spectra reflectance; finally, three soil organic matter prediction models, namely multiple linear regression (multiple linear regression, MLR), partial least squares regression (partial least squares regression, PLSR) and support vector regression (support vector machine, SVR), were constructed based on four sets of samples of saline soils combined with the four transformed spectra, respectively. 【Result】Soil organic matter and salinity had significant spectral response in the range of 400-900 nm and the change pattern were the same basically, and the sensitive bands of the two overlap. Modeling by dividing different salinity levels could improve the prediction accuracy of soil organic matter, but the prediction accuracy of the model decreased with the increase of salinity content. FD treatment could better highlight the difference of spectral characteristics and improved the correlation between organic matter content and spectral reflectance. Comparing the results of the three models, the highest accuracy of the soil organic matter prediction model was established using FD treatment combined with SVR, and the coefficients of determination2of the optimal result modeling set and validation set were 0.86 and 0.82, respectively, the root mean square errorwas 2.71 and 2.96 g·kg-1, respectively, and the ratio of prediction to deviationwas 2.42. 【Conclusion】Soil salinity and organic matter overlapped in the sensitive bands near the visible wavelength (400-900 nm), and the accuracy of the organic matter prediction model could be effectively improved by classifying different salinity levels.

saline soil; organic matter; spectral response; hyperspectral prediction

10.3864/j.issn.0578-1752.2023.10.008

2022-04-20；

2022-06-01

山東省重大科技創(chuàng)新工程項(xiàng)目（2019JZZY020614）

侯化剛，E-mail：772550713@qq.com。通信作者李兆富，E-mail：lizhaofu@njau.edu.cn

（責(zé)任編輯 李云霞）