基于微分變換定量反演土壤有機質及全氮含量

高穎 王延倉 顧曉鶴 周新武 馬樣 宣孝義

摘要：以河北省安平縣32個地塊的土壤參數及其高光譜數據為數據源，利用預處理后光譜數據（反射率）及其倒數、對數、開平方根、光譜吸收峰深度、開方根等8種基本變換及其一階微分、二階微分處理共計24種光譜變換方法處理分析土壤光譜數據，結合相關性分析算法提取光譜敏感波段，并利用偏最小二乘算法分別構建土壤有機質、全氮含量的預測模型。研究結果表明：與基本變換相比，在基本變換的基礎上進行微分變換后的光譜信息對土壤養分含量的預測能力明顯提升;經微分處理后的光譜信息與未處理的土壤光譜信息對土壤有機質含量的預測能力由強到弱依次為基本變換結合一階微分變換>基本變換結合二階微分變換>基本變換，對土壤全氮含量的預測能力由強到弱依次為基本變換結合二階微分變換>基本變換結合一階微分變換>基本變換;此外，在24種變換中，以倒數的一階微分變換構建的有機質含量的預測能力預測模型最佳，其確定系數為0.803，以開平方根的一階微分變換構建的全氮含量預測模型的預測能力最佳，其確定系數為0.831。這表明采用微分光譜技術可以更有效地進行土壤有機質及全氮含量的實時監測。

關鍵詞：土壤有機質;全氮;微分變換;高光譜遙感;定量分析

中圖分類號： S127;S153.6 ?文獻標志碼： A ?文章編號：1002-1302（2020）24-0220-06

作為信息與知識相結合的現代化農耕技術，精準農業是當下全球農業科學研究的熱門課題，能夠更好地為農業發展服務。作為精準農業的關鍵核心技術之一，精準施肥是以作物產量為目標，將作物的生長規律與時間、空間變化相結合的一種定時、定量的施肥技術[1]。因此，如何最大程度地實現對耕層土壤養分含量的實時監測，具有重要的科學價值。高光譜遙感具有極高的光譜分辨率、信息豐富等特點，憑借其優勢被廣泛地用于耕層土壤養分含量的監測。故而，當下如何將高光譜遙感更有效地用于耕層土壤養分含量的預測已經逐步成為精準農業的重要課題[2-8]。

有機質是耕層土壤的重要構成要素，其在改進土壤的物理特性方面起重要作用，進而能促進農作物生長[9-10]。氮是一種土壤微量成分，也是農作物所需的營養物質之一，其含量直接影響農作物的生長[11-12]。因此，開展耕層土壤有機質及全氮含量實時監測技術的研究具有重要的現實意義[9-14]。目前，科研工作者利用高光譜技術在耕層土壤有機質及全氮含量監測領域進行了大量的科研工作，并獲得了一定的進展：基于土壤光譜信息建立的預測模型可有效實現相關土壤理化參數的快速估測[15]，且將光譜信息進行合理的變換處理能夠明顯提升其對土壤養分的敏感性，可凸顯光譜內的有效信息[13];此外，采用連續小波變換的方法進行土壤養分含量估測方面的研究也已獲得一定的成效[16-17]。相關領域雖已開展大量的研究，但利用微分光譜技術在監測土壤養分含量領域探究其預測能力的研究相對較少。

不同地域土壤由于受環境變化的影響，其類型存在很大差異，且成分復雜。因此，快速、有效地進行土壤養分含量的實時監測具有較大難度。微分光譜可直接分離光譜內的高頻信息，因方法簡單、迅速、精準，多年來在土壤養分含量監測領域得到了普遍的應用。因此，為全面了解微分光譜技術在土壤養分含量方面的預測能力及可行性，本研究利用預處理后的便攜式地物光譜儀（ASD）提取的反射率（B）及其倒數、對數、倒數的對數、光譜吸收峰深度、開平方根、比值、指數等8種變換及其一階微分、二階微分處理共24種光譜變換方法處理分析土壤光譜數據，結合相關性分析算法提取光譜敏感波段，并利用偏最小二乘算法分別構建有機質、全氮含量的預測模型，并探討微分變換對土壤有機質、全氮含量的預測能力。

1 材料與方法

1.1 土樣采集與處理

試驗區位于河北省安平縣，該區域地貌平緩。農作物栽培模式為冬小麥-夏玉米，是典型的北方耕種模式。土壤采樣時間為作物揚花期（2014年5月7日），土壤樣點均勻分布于研究區內，土壤采集共計32份，采樣深度為0～20 cm（耕層）。樣本采集后，在實驗室自然風干，經過研磨、過篩等處理后，進行土壤有機質、全氮含量測定;土壤有機質含量采用重鉻酸鉀滴定法測定，土壤全氮含量采用開氏法測定[16-17]（表1）。

1.2 光譜處理

受地理空間、儀表精度差異等要素影響，致使光譜數據內留存一定噪聲。試驗表明，噪聲信息的留存導致光譜邊緣有用信息受損，因此刪除了噪聲較大的波段。本研究依據試驗數據的實際情況，剔除了1 300～1 450、1 801～2 000 nm的噪聲波段。另外，通過對不同濾波處理效果的比較，最后選擇對光譜數據進行低通濾波處理，消除光譜中的“毛刺”噪聲，使光譜信息更接近于真實信息[18]。

1.3 微分光譜分析

微分光譜即導數光譜法，在數學變換的基礎上進行微分運算，可將光譜信息內的復雜成分不經分離直接分析。但隨著階數的增加，分辨率逐步增強，靈敏度會有所降低，故目前大多的研究以一階微分、二階微分的光譜應用居多。為了剔除數據中隱含的噪聲信息，使數據更接近真實值，并在此基礎上探究微分光譜技術對耕層土壤養分含量的預測能力，本研究對光譜數據進行了基本變換。故而在前人的基礎[16]上，本研究提出預處理ASD提取的反射率及其倒數、對數、倒數的對數、光譜吸收峰深度、開平方根、比值、指數等8種基本變換及其一階微分、二階微分處理共計24種光譜變換方法。

1.4 模型精度驗證

依據偏最小二乘算法，將經變換處理后的土壤光譜數據用于土壤有機質、全氮含量預測模型的構建。本研究對土樣進行隨機分組：用于構建有機質及全氮含量預測模型的建模組，共計22個土樣;用于驗證模型預測精度與穩定性的驗證組共計10個土樣。其中，模型的預測精度與穩定性采用確定系數（R2）與均方根誤差（RMSE）共同評價[17]。確定系數（R2），用來評判估測值與樣本真實值的預測精度。R2越接近1，說明估測值越接近真實值，相關計算公式如下：

2 結果與分析

2.1 相關性分析

由圖1可知，有效光譜信息主要集中于基本變換結合微分變換區域，而在其他區域信息較少，其原因是其他區域的有效光譜信息被隱藏所致。因此，基本變換結合微分變換能夠更加深入地挖掘其內的隱含有益信息。此外，土壤有機質含量與指數變換形式及其對應一階、二階微分處理后的土壤光譜信息間的相關系數普遍低于其與原始光譜信息間的相關系數，故這類變換為無效變換，不再展開分析。另外，基本變換區域相關系數經其對應的微分處理后均得到明顯提升，這表明微分光譜技術可深度挖掘土壤中的有效信息。其中，以倒數形式的一階微分、倒數的對數形式的一階微分、開方根形式的一階微分、比值運算形式及其一階微分等方法處理后的土壤光譜與有機質含量的相關系數較高，相關性較強，光譜敏感波段主要集中于850 nm的區域附近，相關性最佳變換形式為比值運算形式的一階微分變換，其相關性較強，R值為0.729。

由圖2可知，有效光譜信息主要集中于基本變

換結合微分變換區域，其原因為其他區域有效信息被隱藏。因此，基本變換結合微分變換能夠更加深入地挖掘其隱含的有效信息。此外，土壤全氮含量與指數變換形式及其一階、二階微分處理后土壤光譜間的相關系數與原始光譜間的相關系數偏低，故此類變換為無效變換，不再展開分析。另外，基本變換區域相關系數經其對應的微分處理后均得到明顯提高，土壤光譜信息與土壤全氮含量間的相關性總體提升，這表明微分光譜技術可深度挖掘土壤內有效信息。其中，以深度變換形式的一階微分、比值運算形式的一階微分等方法處理后的土壤光譜與土壤全氮含量的相關性較高，其敏感波段主要集中于480 nm的區域附近，相關性最佳變換形式為吸收峰深度形式的一階微分變換，其R值為0.727。

2.2 有機質含量建模

在基本變換的基礎上，光譜信息經微分處理后，采用偏最小二乘算法構建有機質含量的預測模型，篩選出較好的模型。如表2所示，經微分變換處理的光譜所構建的模型預測精度均較高，其模型精度整體在經一階微分處理后得到最高體現。從模型角度分析可知，經倒數的一階微分變換后光譜所構建的模型最優，其建模精度R2與RMSE分別為0.803、2.248，驗證精度R2與RMSE分別為0.865、2.663。從整體分析可知，光譜信息經微分變換結合基本變換處理后，對土壤有機質的敏感性得到了明顯提升。其中，對各模型確定系數進行統計并將其與原始模型確定系數作比較，光譜信息經一階微分結合基本變換處理后所構建的預測模型的最佳估測精度比基本變換處理后所構建的預測模型的最佳估測精度提升80%;光譜信息經二階微分結合基本變換處理后所構建的預測模型的最佳估測精度比基本變換處理后所構建的預測模型的最佳估測精度提升44%。這表明微分光譜技術在土壤有機質含量預測方面的能力從強到弱依次為光譜信息基本變換的一階微分運算>光譜信息基本變換的二階微分運算>光譜信息的基本變換，這是因為微分變換與基本變換結合后更能凸顯土壤光譜中的微弱信息。

2.3 全氮含量建模

在基本變換的基礎上，光譜信息經微分處理后，利用偏最小二乘算法構建全氮含量的預測模型，篩選出較好的模型。如表3所示，經微分變換處理的光譜所構建的模型預測精度均較高，整體來看，其模型精度在經二階微分處理后得到了最高體現。從模型角度分析可知，經開方根的一階微分變換后光譜所構建的模型最優，其建模精度R2與RMSE分別為0.831、0.106，驗證精度R2與RMSE分別為0.502、0.122。從整體分析可知，光譜信息經微分變換結合基本變換處理后，對全氮含量的敏感性明顯得到了提升。其對各模型確定系數進行統計并將其與原始模型的確定系數相比，光譜信息經一階微分結合基本變換處理后所構建的預測模型最佳估測精度比基本變換后構建的預測模型的最佳估測精度提升58%;光譜信息經二階微分結合基本變換處理后所構建的預測模型的最佳估測精度比基本變換后構建的預測模型的最佳估測精度提升77%。因此，微分光譜技術在全氮含量估測方面的能力從強到弱依次為光譜信息基本變換的二階微分運算>光譜信息基本變換的一階微分運算>光譜信息的基本變換，這是因為二階微分變換與基本變換結合后更能凸顯土壤光譜中的微弱信息。

2.4 模型分析

微分光譜技術可有效地深入挖掘高光譜內的有效信息，推進在土壤養分含量監測方面的研究進程，提升土壤養分含量的預測精度。由圖3可知，土壤有機質、全氮含量的實測值與估測值在回歸線附近均勻分布，這表明本研究構建的土壤養分含量預測模型擬合程度較高，可有效實現對土壤養分含量的監測。

3 討論

本研究在前人研究的基礎上，提出指數變換、開平方根變換、對數變換等基本變換，探究了在各種基本變換的基礎上，經一階微分、二階微分處理后光譜數據與土壤養分含量的敏感性變化規律。結果表明，與基本變換相比，微分處理與基本變換結合后，光譜數據與土壤養分參量間的敏感性明顯上升。其中，在基本變換的基礎上，微分光譜技術針對有機質含量估測的能力從強到弱依次為土壤光譜基本變換的一階微分運算>土壤光譜基本變換的二階微分運算>土壤光譜的基本變換，微分光譜針對全氮含量估測的能力從強到弱依次為土壤光譜基本變換的二階微分變換>土壤光譜基本變換的一階微分變換>土壤光譜的基本變換。本研究成果可推進高光譜技術針對如何更有效、快速且準確地實現大面積耕層土壤養分含量監測方面的發展。受試驗條件與土壤環境復雜性的影響，本研究仍存在一定的不足之處，須從以下幾方面作改進：（1）建模過程中對于特征波段的選取具有一定的人為主觀性，如何更準確地提取特征波段、提高模型精準度，仍須開展深入研究。（2）土壤光譜數據仍存在一定的局限性，自然界不可控因素較多，受環境因素影響，不同試驗區土壤養分的反演模型存在差異，仍須進行大量的試驗與分析。

4 結論

本研究對安平縣32個地塊揚花期室內土壤光譜反射率數據進行處理和分析，在基本變換方法的基礎上分析經微分光譜技術處理后的光譜反射率對有機質及全氮含量的預測模型精度的影響。

利用光譜變換方法構建有機質含量估測模型，其最佳預測模型所對應光譜變換形式為反射率倒數的一階微分變換形式，其建模R2=0.803，均方根誤差RMSE=2.248，其驗證R2=0.865，均方根誤差RMSE=2.663。

利用光譜變換方法構建全氮含量估測模型，其最佳預測模型所對應光譜變換形式為反射率開方根的一階微分變換，其建模R2=0.831，均方根誤差RMSE=106，其驗證 R2=0.502，均方根誤差 RMSE=0.122。

與未變換處理的光譜相比，經基本變換結合微分光譜技術處理后的土壤光譜對土壤有機質、全氮含量的預測能力明顯增強。與基本變換相比，微分變換對土壤有機質、全氮含量的預測能力明顯提升。

微分光譜技術能夠更有效地發現土壤光譜內的有用信息，提升對土壤有機質含量的預測能力。光譜信息經一階微分結合基本變換處理后所構建的預測模型的最佳預測精度比基本變換處理后構建的預測模型最佳預測精度提升80%;光譜信息經二階微分結合基本變換處理后所構建的預測模型的最佳預測精度比基本變換處理后構建的預測模型最佳預測精度提升44%。微分光譜技術在有機質含量監測方面的預測能力從強到弱依次為光譜信息基本變換的一階微分運算>光譜信息基本變換的二階微分運算>光譜信息的基本變換。

（5）微分光譜技術能夠更有效地發現土壤光譜內的有用信息，提升對土壤全氮含量的預測能力。與基本變換建立的模型相比，光譜信息經一階微分結合基本變換處理后所構建的預測模型的最佳預測精度比基本變換處理后構建的預測模型最佳預測精度提升58%;光譜信息經二階微分結合基本變換處理后所構建的預測模型的最佳預測精度比基本變換處理后構建的預測模型最佳預測精度提升77%。微分光譜技術在全氮含量監測方面的預測能力：光譜信息基本變換的二階微分運算>光譜信息基本變換的一階微分運算>光譜信息的基本變換。

參考文獻：

[1]陳桂芬，馬 麗，陳 航. 精準施肥技術的研究現狀與發展趨勢[J]. 吉林農業大學學報，2013，35（3）：253-259.

[2]程 彬. 松遼平原黑土有機質及相關元素遙感定量反演研究[D].長春：吉林大學，2007.

[3]高永光，胡振琪. 高光譜遙感技術在土壤調查中的應用[J]. 礦業研究與開發，2006，26（1）：44-46.

[4]吳良超，劉 曉，高佩玲. 高光譜遙感在土壤研究中的應用[J]. 安徽農業科學，2013，41（2）：581-582，598.

[5]丁海泉，盧啟鵬. 近紅外光譜技術在土壤養分分析中的研究進展及應用前景[J]. 光譜學與光譜分析，2012，32（1）：88-91.

[6]王 璐，藺啟忠，賈 東，等. 多光譜數據定量反演土壤營養元素含量可行性分析[J]. 環境科學，2007，28（8）：1822-1828.

[7]周 清. 土壤有機質含量高光譜預測模型及其差異性研究[D]. 杭州：浙江大學，2004.

[8]劉煥軍，吳炳方，趙春江，等. 光譜分辨率對黑土有機質預測模型的影響[J]. 光譜學與光譜分析，2012，32（3）：739-742.

[9]王延倉，顧曉鶴，朱金山，等. 利用反射光譜及模擬多光譜數據定量反演北方潮土有機質含量[J]. 光譜學與光譜分析，2014，34（1）：201-206.

[10]何 挺，王 靜，林宗堅，等. 土壤有機質光譜特征研究[J]. 武漢大學學報（信息科學版），2006，31（11）：975-979.

[11]徐永明，藺啟忠，黃秀華，等. 利用可見光/近紅外反射光譜估算土壤總氮含量的實驗研究[J]. 地理與地理信息科學，2005，21（1）：19-22.

[12]武 婕，李玉環，李增兵，等. 南四湖區農田土壤有機質和微量元素空間分布特征及影響因素[J]. 生態學報，2014，34（6）：1596-1605.

[13]牛 錚，路 鵬. 基于高光譜遙感土壤屬性信息的量化反演研究[D]. 北京：中國科學院遙感應用研究所，2008.

[14]鄭曼迪，熊黑鋼，喬娟峰，等. 基于綜合光譜指數的不同程度人類干擾下土壤有機質含量預測[J]. 江蘇農業學報，2018，34（5）：1048-1056.

[15]劉煥軍，張 柏，劉殿偉，等. 松嫩平原典型土壤高光譜定量遙感研究[J]. 遙感學報，2008，12（4）：647-654.

[16]王延倉，張 蘭，王 歡，等. 連續小波變換定量反演土壤有機質含量[J]. 光譜學與光譜分析，2018，38（11）：3521-3527.

[17]王延倉，楊貴軍，朱金山，等. 基于小波變換與偏最小二乘耦合模型估測北方潮土有機質含量[J]. 光譜學與光譜分析，2014，34（7）：1922-1926.

[18]徐永明，藺啟忠，王 璐，等. 基于高分辨率反射光譜的土壤營養元素估算模型[J]. 土壤學報，2006，43（5）：709-716.彭 震，胡 蓉，張若宇，等. 采摘頭輸棉通道流場仿真與分析[J]. 江蘇農業科學，2020，48（24）：226-231.