王德彩， 張俊輝， 黃家榮

(河南農(nóng)業(yè)大學(xué)林學(xué)院,河南 鄭州 450002)

?

基于Vis-NIR光譜的不同水分狀態(tài)下土壤有機(jī)質(zhì)預(yù)測(cè)

王德彩， 張俊輝， 黃家榮

(河南農(nóng)業(yè)大學(xué)林學(xué)院,河南 鄭州 450002)

以河南省封丘縣的86個(gè)土壤樣本為研究對(duì)象，測(cè)定9種不同含水量狀態(tài)下的土壤光譜反射率，運(yùn)用偏最小二乘回歸(PLSR)建立不同含水量狀態(tài)下的土壤有機(jī)質(zhì)預(yù)測(cè)模型;運(yùn)用0～50 g·kg-1，200～250 g·kg-1，400～450 g·kg-1水分狀態(tài)下3組模型進(jìn)行交互預(yù)測(cè)，以研究含水量狀態(tài)差異較大情況下，土壤含水量對(duì)有機(jī)質(zhì)預(yù)測(cè)精度的影響。結(jié)果顯示，建模樣本與預(yù)測(cè)樣本處于同一含水量狀態(tài)下，土壤含水量對(duì)土壤有機(jī)質(zhì)含量預(yù)測(cè)精度的影響不顯著；當(dāng)驗(yàn)證集樣本與建模集樣本間水分狀態(tài)差異較大時(shí)，預(yù)測(cè)結(jié)果會(huì)出現(xiàn)較大誤差。當(dāng)土壤處于同一濕度狀態(tài)時(shí)，可直接應(yīng)用Vis-NIR光譜預(yù)測(cè)濕土的有機(jī)質(zhì)；當(dāng)土壤樣本間水分差異較大時(shí)，可依據(jù)含水量狀態(tài)建立分組模型，以提高Vis-NIR 光譜預(yù)測(cè)有機(jī)質(zhì)的精度。

土壤有機(jī)質(zhì)；Vis-NIR光譜；土壤含水量；PLSR

土壤有機(jī)質(zhì)是反映土壤肥力的重要指標(biāo)[1]。土壤有機(jī)質(zhì)具有改善土壤物理性質(zhì)、增加土壤水分庫(kù)容、抑制土壤水分蒸發(fā)、增加降水入沙、拓寬土壤有效水含量，從而也在很大程度上影響著土壤的發(fā)生和演變，提高土壤保水供水性能的作用[2,3]。常規(guī)的土壤有機(jī)質(zhì)測(cè)試方法費(fèi)時(shí)費(fèi)力，很難滿足農(nóng)業(yè)發(fā)展及環(huán)境管理對(duì)土壤有機(jī)質(zhì)信息的需求。土壤反射光譜特性是土壤的基本特征之一，它與土壤的理化性質(zhì)有著密切的關(guān)系。光譜技術(shù)具有快速、便捷、非破壞等特點(diǎn)，被廣泛用于多種土壤成分的快速測(cè)定。已有研究結(jié)果顯示，土壤光譜特性主要受土壤水分、土壤有機(jī)質(zhì)含量、氧化鐵含量、土壤質(zhì)地、土壤含鹽量等因素的影響，其中，土壤有機(jī)質(zhì)是影響土壤反射率的主要因素之一[4]。大量研究采用風(fēng)干土為研究對(duì)象，表明土壤反射光譜能較好的預(yù)測(cè)土壤有機(jī)質(zhì)含量[5-7]。也有研究表明，土壤水分對(duì)土壤的光譜反射率影響也較大，隨著土壤含水量增大，光譜反射率不斷降低，這與土壤水分的光譜吸收有關(guān)[8-10]。STONER和BAUMGARDNER[8]認(rèn)為土壤反射率隨著含水量的增加而降低，土壤光譜曲線的形狀也隨之變化，尤其是在水分吸收帶對(duì)應(yīng)的波段范圍。WHITING等[11]研究認(rèn)為，當(dāng)土壤水分達(dá)到田間持水量時(shí)，土壤有機(jī)質(zhì)的光譜指示信號(hào)幾乎消失。不同水分狀態(tài)下，基于反射光譜的土壤有機(jī)質(zhì)預(yù)測(cè)國(guó)內(nèi)外已有研究[12-16]。WANG等[14]認(rèn)為土壤含水量小于 200 g·kg-1時(shí)，Vis-NIR 光譜可直接用于測(cè)定有機(jī)質(zhì)。CHANG等[15]通過(guò)對(duì)比鮮土樣和風(fēng)干土樣發(fā)現(xiàn)，利用土壤反射光譜估算有機(jī)碳含量，風(fēng)干土樣的精確度更高。這些研究均是在土壤樣本水分狀態(tài)相似情況下，對(duì)土壤有機(jī)質(zhì)進(jìn)行預(yù)測(cè)，未考慮土壤樣本水分差異較大時(shí)，土壤水分對(duì)土壤有機(jī)質(zhì)預(yù)測(cè)的影響。本研究以封丘縣為研究區(qū)，在實(shí)驗(yàn)室條件下測(cè)量不同含水量狀態(tài)下土壤的Vis-NIR反射率，建立不同含水量狀態(tài)下的土壤有機(jī)質(zhì)預(yù)測(cè)模型，研究土壤含水量對(duì)土壤有機(jī)質(zhì)預(yù)測(cè)精度的影響，為野外進(jìn)行有機(jī)質(zhì)光譜預(yù)測(cè)研究提供理論依據(jù)。

1 材料與方法

1.1 研究區(qū)與采樣分析

研究區(qū)位于河南省封丘縣，屬半干旱、半濕潤(rùn)溫帶大陸性季風(fēng)氣候，年平均降水量615.1 mm，年平均氣溫16.0 ℃；地勢(shì)較平坦，土壤主要為黃河沉積物發(fā)育的黃潮土，作物以小麥-玉米一年2熟制為主。在研究區(qū)內(nèi)，應(yīng)用ArcGIS9.1，按3 km×3 km正交網(wǎng)格布設(shè)樣點(diǎn)，以網(wǎng)格中心點(diǎn)作為采樣點(diǎn)位置。采樣深度為0～20 cm，采樣方法為5點(diǎn)混合法，由以采樣點(diǎn)為中心，50 m×50 m的正方形的4個(gè)頂點(diǎn)和中心點(diǎn)處，均勻取5個(gè)表層土樣混合而成，共采集土壤樣品86個(gè)。土壤有機(jī)質(zhì)采用重鉻酸鉀(K2Cr2O7)氧化-滴定法測(cè)定[17]。

1.2 土壤光譜測(cè)量

運(yùn)用ASD FieldSpec 3地物高光譜儀測(cè)量土壤樣品(過(guò)10目篩)的反射光譜數(shù)據(jù)，光譜曲線測(cè)量在暗室內(nèi)進(jìn)行，光源為50 W鹵素?zé)?。每次自?dòng)采集10條光譜曲線，算術(shù)平均后為該土樣的光譜曲線。每次測(cè)量前進(jìn)行標(biāo)準(zhǔn)白板校正。由于350～380 nm與2 400～2 500 nm信噪比低，本研究選取380～2 400 nm波段的反射光譜。

1.3 土壤含水量獲取及分組

將土壤樣品放置于底部有小孔，內(nèi)襯定量濾紙的小鋁盒內(nèi)(直徑約6.5 cm，深約3 cm，認(rèn)為光學(xué)上無(wú)限厚)，將盛有土壤的鋁盒放在盛有蒸餾水的容器中，讓土壤從下往上均勻吸水，直至土壤達(dá)到水分飽和狀態(tài)。隨后，將土樣在自然狀態(tài)下進(jìn)行風(fēng)干，干燥過(guò)程中每隔一定時(shí)間進(jìn)行土壤反射率測(cè)量，同時(shí)用天平讀取濕土重量。設(shè)干土重+鋁盒重+濾紙重為W1，濕土重+鋁盒重+濾紙重為W2，鋁盒+濾紙重為W3，則每次監(jiān)測(cè)時(shí)土壤平均質(zhì)量含水量(下簡(jiǎn)稱(chēng)含水量)θm為：

(1)

對(duì)測(cè)量的不同濕度狀態(tài)下的土壤光譜曲線進(jìn)行分組，按照50 g·kg-1的水分差異對(duì)光譜曲線進(jìn)行歸類(lèi)，分為0～50、50～100、100～150、150～200、200～250、250～300、300～350、350～400、400～450 g·kg-19個(gè)水分等級(jí)，共得到光譜曲線774條。

1.4 模型的建立與驗(yàn)證

采用分層機(jī)械取樣法，把樣本數(shù)據(jù)分為2個(gè)數(shù)據(jù)集，建模樣本集(58個(gè))和驗(yàn)證樣本集(28個(gè))，其中建模樣本占2/3,驗(yàn)證樣本占1/3。采用偏最小二乘法(PLSR)建立有機(jī)質(zhì)含量與光譜之間的定量模型，在The Unscrambler 9.7軟件中完成，驗(yàn)證方法為完全交叉驗(yàn)證(Full cross validation)，常規(guī)的統(tǒng)計(jì)運(yùn)用SPSS10.0。異常樣本會(huì)嚴(yán)重影響模型的預(yù)測(cè)精度，按文獻(xiàn)[18]中的方法去除模型建立和驗(yàn)證過(guò)程中的異常樣本。

模型預(yù)測(cè)得到的預(yù)測(cè)值與實(shí)測(cè)值進(jìn)行比較分析，用于評(píng)價(jià)模型的精度。選取建模集交互驗(yàn)證決定系數(shù) (R2cv)、驗(yàn)證集交互驗(yàn)證標(biāo)準(zhǔn)均方根誤差(RMSECV)、驗(yàn)證集標(biāo)準(zhǔn)均方根誤差(RMSEP)和平均絕對(duì)誤差(MAE)。模型評(píng)價(jià)指標(biāo)為：

(2)

(3)

式中：Pj,Qj分別表示預(yù)測(cè)值、實(shí)測(cè)值，N為觀測(cè)數(shù)；RMSE是對(duì)模型精度及穩(wěn)定性的度量，值越小說(shuō)明模型的精度和穩(wěn)定性越高；MAE是對(duì)模型的總體準(zhǔn)確度的度量，其值越接近于0，說(shuō)明模型的總體偏差越小。

2 結(jié)果與分析

2.1 土壤有機(jī)質(zhì)統(tǒng)計(jì)特征及光譜特征分析

表1給出了不同樣本組有機(jī)質(zhì)含量各統(tǒng)計(jì)特征值，研究區(qū)有機(jī)質(zhì)含量介于7.70～21.43 g·kg-1之間，平均含量為16.78 g·kg-1。建模樣本涵蓋了總樣本量的數(shù)據(jù)分布范圍，具有較好的代表性。3組樣本偏度和峰度均較小，土壤有機(jī)質(zhì)數(shù)據(jù)接近正態(tài)分布。

表1 不同樣本組有機(jī)質(zhì)含量統(tǒng)計(jì)結(jié)果

圖1 不同含水量不同土壤有機(jī)質(zhì)含量土壤反射光譜曲線

圖1給出任意2條不同有機(jī)質(zhì)含量(17 g·kg-1,21 g·kg-1)土壤在差異較大的不同含水量(0～50 g·kg-1, 200～250 g·kg-1, 400～450 g·kg-1)狀態(tài)下的土壤光譜曲線。由圖1看出，不同水分狀態(tài)下土壤曲線形狀相似，它有2個(gè)反射谷，分別在1 450 nm和1 900 nm處，同時(shí)在2 150 nm處存在一個(gè)反射峰。不同有機(jī)質(zhì)含量的土壤光譜曲線均隨著土壤含水量增大而降低，這一趨勢(shì)與STONER等[8]研究結(jié)果一致。光譜曲線形狀在近紅外波段，尤其是1 450～1 940 nm的水分吸收波段變化較明顯，隨著水分含量增加,1 450和1 900 nm 處2個(gè)吸收峰逐漸變小，2 150 nm處吸收低谷逐漸增大。在同一水分狀態(tài)下，不同有機(jī)質(zhì)含量土壤光譜曲線高度差相似，有機(jī)質(zhì)含量較高(21 g·kg-1)的反射光譜曲線低于有機(jī)質(zhì)含量較低(17 g·kg-1)的反射光譜曲線。

2.2 按照含水量分組建模及驗(yàn)證結(jié)果

不同土壤含水量狀態(tài)下PLSR 建模及驗(yàn)證結(jié)果如表2所示。各光譜預(yù)測(cè)模型驗(yàn)證RMSEp處于1.67～2.17之間，MAE處于1.35～1.70之間，誤差均較小。王淼等[16]以紅壤為研究對(duì)象，研究土壤含水量對(duì)反射光譜法預(yù)測(cè)土壤有機(jī)質(zhì)的影響，結(jié)果顯示模型預(yù)測(cè)精度隨土壤含水量增加，先增加后下降，土壤含水量小于200 g·kg-1時(shí)，仍然可直接測(cè)定濕潤(rùn)土壤光譜，用于土壤有機(jī)質(zhì)含量預(yù)測(cè)。本研究中，模型預(yù)測(cè)精度隨土壤含水量沒(méi)有明顯的變化規(guī)律，且差異較小。因此，本研究認(rèn)為，當(dāng)土壤處于同一水分含量狀態(tài)時(shí)，土壤含水量對(duì)土壤有機(jī)質(zhì)預(yù)測(cè)精度影響不顯著，可直接用土壤光譜法預(yù)測(cè)其有機(jī)質(zhì)含量。這一結(jié)論與圖1中顯示的不同土壤有機(jī)質(zhì)含量土壤樣品光譜曲線，在不同含水量狀態(tài)下均顯示出相似的差異這一現(xiàn)象是一致的。

表2 不同含水量狀態(tài)下PLSR建模及驗(yàn)證結(jié)果

2.3 不同含水量PLSR模型交互預(yù)測(cè)驗(yàn)證結(jié)果

為探究土壤含水量差異較大時(shí)，土壤水分對(duì)光譜預(yù)測(cè)有機(jī)質(zhì)的影響，以及各含水量狀態(tài)下土壤有機(jī)質(zhì)預(yù)測(cè)模型的適用性。選取含水量差異較大的0～50 g·kg-1，200～250 g·kg-1，400～450 g·kg-13個(gè)含水量狀態(tài)下的土壤有機(jī)質(zhì)光譜預(yù)測(cè)模型進(jìn)行交互預(yù)測(cè)。即利用0～50 g·kg-1含水量狀態(tài)下模型預(yù)測(cè)200～250 g·kg-1，400～450 g·kg-1含水量狀態(tài)下的驗(yàn)證集樣本(200～250 g·kg-1含水量狀態(tài)下模型預(yù)測(cè)0～50 g·kg-1，400～450 g·kg-1含水量狀態(tài)下的驗(yàn)證集樣本；400～450 g·kg-1含水量狀態(tài)下模型預(yù)測(cè)0～50 g·kg-1，200～250 g·kg-1含水量狀態(tài)下驗(yàn)證集樣本)。

表3 PLSR模型交互預(yù)測(cè)不同含水量狀態(tài)驗(yàn)證集結(jié)果

對(duì)不同含水量3組數(shù)據(jù)進(jìn)行交互預(yù)測(cè)，交互預(yù)測(cè)精度均低于預(yù)測(cè)本組即與之具有相同含水量狀態(tài)的土壤樣本的預(yù)測(cè)精度，且其預(yù)測(cè)精度隨著預(yù)測(cè)樣本與建模樣本水分含量的差異增大而急劇增大，表3中有機(jī)質(zhì)含量預(yù)測(cè)RMSEp最大值達(dá)到49.80 g·kg-1。這可能是由于處于不同含水量狀態(tài)下的土壤光譜的反射率差異較大，且其差異沒(méi)有明顯的規(guī)律可循，不能為其他組的驗(yàn)證產(chǎn)生依據(jù)。

建模樣本與預(yù)測(cè)樣本處于相似含水量狀態(tài)下，土壤含水量對(duì)土壤有機(jī)質(zhì)含量預(yù)測(cè)精度的影響不顯著，但是當(dāng)驗(yàn)證集樣本與建模集樣本間水分狀態(tài)差異較大時(shí)，預(yù)測(cè)結(jié)果會(huì)出現(xiàn)較大誤差，無(wú)法滿足應(yīng)用需求。應(yīng)用光譜技術(shù)在野外預(yù)測(cè)土壤有機(jī)質(zhì)時(shí)，當(dāng)實(shí)地土壤含水量差異較大時(shí)，不能建立統(tǒng)一的預(yù)測(cè)模型，可以按照土壤含水量狀態(tài)分成不同的區(qū)域，分別建立不同含水量狀態(tài)下的土壤有機(jī)質(zhì)預(yù)測(cè)模型。

3 結(jié)論

1)不同有機(jī)質(zhì)含量的土壤光譜曲線均隨著土壤含水量增大而降低，但在不同含水量狀態(tài)下均顯示出相似的差異，即有機(jī)質(zhì)含量較高的土壤反射光譜曲線低于有機(jī)質(zhì)含量較低的反射光譜曲線。

2)當(dāng)土壤處于同一濕度狀態(tài)時(shí)，水分對(duì)土壤有機(jī)質(zhì)預(yù)測(cè)精度影響不顯著,各含水量狀態(tài)下均可獲得較好的預(yù)測(cè)結(jié)果，Vis-NIR光譜可以直接用于土壤有機(jī)質(zhì)的預(yù)測(cè)。

3) 當(dāng)土壤樣本間水分差異較大時(shí)，預(yù)測(cè)誤差隨著預(yù)測(cè)樣本與建模樣本水分含量的差異增大而急劇增大，不宜建立統(tǒng)一的預(yù)測(cè)模型，可依據(jù)含水量狀態(tài)建立分組模型以預(yù)測(cè)有機(jī)質(zhì)含量。

[1] 楊世琦,張愛(ài)平,楊淑靜,等.典型區(qū)域果園土壤有機(jī)質(zhì)變化特征研究[J].中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào),2009,17(6):1124-1127.

[2] 謝承陶,李志杰,田昌玉.土壤有機(jī)質(zhì)在節(jié)水農(nóng)業(yè)中的作用[J].水土保持研究,1996,3(3):42-46.

[3] 田 超,王米道,王家嘉.土壤有機(jī)質(zhì)與水土流失相關(guān)性研究[J].安徽農(nóng)學(xué)通報(bào),2008,14(19):54.

[4] BEN-DOR E. Quantitative remote sensing of soil properties [J].Advances in Agronomy, 2002, 75:173-243.

[5] 欒福明,張小雷,熊黑鋼,等.基于不同模型的土壤有機(jī)質(zhì)含量高光譜反演比較分析[J].光譜學(xué)與光譜分析,2013,33(1):196-200.

[6] 王 淼,解憲麗,周 睿,等. 基于可見(jiàn)光-近紅外漫反射光譜的紅壤有機(jī)質(zhì)預(yù)測(cè)及其最優(yōu)波段選擇[J].土壤學(xué)報(bào), 2011,48(5):1083-1089.

[7] BILGILI A V, VAN ES H M, AKBAS F, et al. Visible-near infrared reflectance spectroscopy for assessment of soil properties in a semi-arid area of Turkey [J]. Journal of Arid Environments, 2010, 74: 229-238.

[8] STONER E R, BAUMGARDNER M F. Characteristic variations in reflectance of surface soils [J]. Soil Science Society of America Journal, 1981, 45(6): 1161-1165.

[9] LIU W D, BARET F, GU X, et al. Relating soil surface moisture to reflectance[J]. Remote Sensing of Environment, 2002, 81(2): 238-246.

[10]LOBELL D B, ASNER G P. Moisture effects on soil reflectance [J]. Soil Science Society of America Journal, 2002, 66(3): 722-727.

[11]WHITING M L, Li L, USTIN S L. Predicting water content using Gaussian model on soil spectra [J]. Remote Sensing of Environment, 2004, 89(4): 535-552.

[12]MINASNY B, MCBRATNEY A B, BELLON-MAUREL V, et al. Removing the effect of soil moisture from NIR diffuse reflectance spectra for the prediction of soil organic carbon [J]. Geoderma, 2011, 167:118-124.

[13]STENBERG B. Effects of soil sample pretreatments and standardised rewetting as interacted with sand classes on Vis-NIR predictions of clay and soil organic carbon [J]. Geoderma, 2010, 158:15-22.

[14]WANG C K, PAN X Z, WANG M, et al. Prediction of soil organic matter content under moist conditions using Vis-NIR diffuse reflectance spectroscopy [J]. Soil Science, 2013, 178(4): 189-193.

[15]CHANG C W, LAIRD D A, HURBURGH C R. Influence of soil moisture on near-infrared reflectance spectroscopic measurement of soil properties [J]. Soil Science, 2005,170 (4):244-245.

[16]王 淼,潘賢章,解憲麗,等.土壤含水量對(duì)反射光譜法預(yù)測(cè)紅壤土壤有機(jī)質(zhì)的影響研究[J].土壤,2012, 44 (4): 645-651.

[17]魯如坤.土壤農(nóng)業(yè)化學(xué)分析方法[M].北京:中國(guó)農(nóng)業(yè)科技出版社,2000.

[18]閔順耕, 李 寧, 張明祥. 近紅外光譜分析中異常值的判別與定量模型優(yōu)化[J]. 光譜學(xué)與光譜分析, 2004, 24(10): 1205-1209.

(責(zé)任編輯：梁保松)

Prediction of soil organic matter under different soil moisture conditions using Vis-NIR spectroscopy

WANG Decai, ZHANG Junhui, HUANG Jiarong

(College of Forestry, Henan Agricultural University, Zhengzhou 450002, China)

Reflection spectra of 86 soil samples collected from Fengqiu County were obtained in the laboratory under nine moisture conditions, and the prediction models for each moisture conditions were built using Partial least-squares regression. Models under the soil moisture content 0～50 g·kg-1, 200～250 g·kg-1and 400～450 g·kg-1were then applied to the other validation sets with different moisture conditions to explore the effect of different soil moisture on the prediction accuracy. The results show that the prediction models for each moisture condition perform well with acceptable prediction accuracy when applied it to the validation set under the same moisture conditions with the calibration set. However, the accuracy decreased dramatically with the increase of difference in soil moisture conditions between the built data set and prediction data set. Spectroscopy could be directly used to predict soil organic matter on moist samples with the similar soil moisture condition. Moist samples should be classified by soil moisture content, and then predict soil organic matter with separate prediction models under the same soil moisture condition.

soil organic matter; Vis-NIR spectroscopy; soil moisture content; PLSR

2015-01-12

國(guó)家自然科學(xué)基金項(xiàng)目 (41201210)。

王德彩(1983-),女，山東費(fèi)縣人,講師,博士,主要從事數(shù)字土壤制圖方面的研究。

黃家榮(1957-),男,貴州水城人,教授,博士。

1000-2340(2015)03-0331-04

S 127

A