鄔登巍，張甘霖*

(1 土壤與農(nóng)業(yè)可持續(xù)發(fā)展國(guó)家重點(diǎn)實(shí)驗(yàn)室(中國(guó)科學(xué)院南京土壤研究所)，南京 210008；2 中國(guó)科學(xué)院大學(xué)，北京 100049)

?

母質(zhì)與土地利用類型對(duì)土壤光譜反演模型的影響①

鄔登巍1,2，張甘霖1,2*

(1 土壤與農(nóng)業(yè)可持續(xù)發(fā)展國(guó)家重點(diǎn)實(shí)驗(yàn)室(中國(guó)科學(xué)院南京土壤研究所)，南京 210008；2 中國(guó)科學(xué)院大學(xué)，北京 100049)

摘 要：用可見(jiàn)光近紅外(Vis-Near Infrared,VNIR)光譜建立的土壤反演模型可以快速高效測(cè)定土壤某些屬性，但不考慮土壤自身特點(diǎn)的純統(tǒng)計(jì)模型反演的精度會(huì)受到制約。本文研究了母質(zhì)和土地利用類型對(duì)土壤光譜反演模型建立的影響。研究所用集合為SF(安徽宣城的林地樣品)、SP(安徽宣城的水田樣品)、DP(安徽定遠(yuǎn)的水田樣品)，結(jié)果顯示：母質(zhì)和土地利用類型的差異會(huì)顯著影響異地模型的適應(yīng)性，一個(gè)地區(qū)建立的反演模型不可隨便用于母質(zhì)和土地利用類型不同的其他地區(qū)；當(dāng)異地模型不適用于反演時(shí)，可考慮采用精度稍低的全局模型進(jìn)行預(yù)測(cè)。

關(guān)鍵詞：母質(zhì)；土地利用類型；光譜；可見(jiàn)光近紅外

可見(jiàn)光-近紅外光譜能夠快速、高效、無(wú)損測(cè)定土壤某些屬性，但建立精度符合要求的土壤光譜反演模型一直是具有積極現(xiàn)實(shí)意義的挑戰(zhàn)性工作。一些研究考慮到土壤類型會(huì)影響到其光譜特征而將土壤分類的概念引入到土壤光譜的分析研究[1-5]，并從光譜的角度對(duì)土壤進(jìn)行分類或歸納[4-7]，其中有的是純粹從光譜的差異來(lái)進(jìn)行土壤分類[6]，有的則加入了其他的協(xié)變量，如氣候變量、地形變量[8]。

光譜模型的建立涉及建模回歸算法、土壤屬性以及不同研究區(qū)域等[1,10-12]，研究表明本地光譜模型的預(yù)測(cè)精度總高于異地模型。有研究認(rèn)為母質(zhì)會(huì)顯著影響土壤光譜特征，考慮了土樣背景的光譜反演模型將更具解釋性[13]。但除母質(zhì)外，影響土壤屬性和土壤光譜特征的因素還有土地利用、生物和時(shí)間等[9]，目前綜合考慮母質(zhì)和土地利用類型對(duì)光譜模型影響的報(bào)道尚甚少。為此，本研究嘗試以土壤有機(jī)質(zhì)(SOM)為目標(biāo)屬性[11,14-16]，選擇母質(zhì)和土地利用類型不同的樣品，分析母質(zhì)和土地利用類型對(duì)光譜反演模型建立的影響。

1 材料與方法

1.1 樣品信息

本研究采用控制變量的思想，挑選 3 個(gè)目標(biāo)集合為研究對(duì)象，樣品信息如圖 1 所示。3 個(gè)集合中SF、SD 和 DP 分別為安徽宣城的林地樣品、安徽宣城的水田樣品和安徽定遠(yuǎn)的水田樣品，SF 的母質(zhì)主要是第四紀(jì)紅黏土以及巖類風(fēng)化形成的坡積物或殘積物，SP 的母質(zhì)為上述物質(zhì)經(jīng)過(guò)河流搬運(yùn)形成的沖積物和河湖相沉積物，DP 的母質(zhì)則多是黃土類物質(zhì)的河流沖積物。

為盡可能避免樣品數(shù)量對(duì)建模結(jié)果的影響，選擇相近個(gè)數(shù)的樣品為目標(biāo)，最終 3 個(gè)集合中分別包含了25、22 和 22 個(gè)土壤剖面，實(shí)際調(diào)查剖面位置是依據(jù)宣城和定遠(yuǎn)的第二次土壤普查資料[13]中土種的典型剖面位置確定，挖掘土壤剖面(寬 1.2 m × 深1.2～1.5 m × 長(zhǎng) 3～3.5 m)，劃分發(fā)生層，按發(fā)生層進(jìn)行采樣，合計(jì)分別包含了 106、107 和 108 個(gè)發(fā)生層樣品。

1.2 理化屬性和光譜數(shù)據(jù)測(cè)定

土樣經(jīng)室內(nèi)風(fēng)干、去雜、研磨過(guò)0.15 mm篩后用于測(cè)定，其中土壤有機(jī)質(zhì)(SOM)測(cè)定采用重鉻酸鉀-硫酸硝化法[17]。使用Cary 5000分光光度計(jì)采集光譜數(shù)據(jù)，波段范圍為350～2 500 nm，步長(zhǎng)為1 nm。測(cè)量前，將過(guò)0.15 mm篩的樣品于45℃烘箱中烘干24 h，然后置于干燥器中待測(cè)。用Cary 5000配套樣品池進(jìn)行制樣，即將適量樣品放在樣品池中即可采集光譜數(shù)據(jù)。經(jīng)獨(dú)立實(shí)驗(yàn)重復(fù)檢驗(yàn)，由于樣品池法的測(cè)量精度高，重復(fù)測(cè)量數(shù)據(jù)穩(wěn)定，因此本研究采用樣品池法進(jìn)行土壤光譜采集。

1.3 建模方法及模型評(píng)估方法

1.3.1 光譜吸收強(qiáng)度提取 1 400、1 900、2 200 nm為羥基吸收峰，是礦物的主要吸收峰，也是土壤光譜在可見(jiàn)光近紅外(Vis-Near Infrared,VNIR)波段最主要、最明顯的吸收波段，其信息對(duì)光譜解析和建模具有重要意義[18]。提取1 400、1 900及2 200 nm波段的吸收強(qiáng)度值的具體步驟包括：①將光譜反射率通過(guò)log(1/R)轉(zhuǎn)化變?yōu)楣庾V吸收率。②通過(guò)對(duì)數(shù)據(jù)的觀察后確定，在1 350～1 450、1 850～2 050、2 130～2 250 nm波段范圍內(nèi)作光譜基線校正。校正類型為線性消去兩端數(shù)值，即以兩個(gè)端點(diǎn)為依據(jù)擬合線性的基線，然后將原吸收率減去基線值，于是兩端的數(shù)值為零。③在基線校正后，以各波段吸收峰處的最大值為波段的吸收強(qiáng)度值。

1.3.2 數(shù)據(jù)分析 主成分分析PCR(Principal Component Analysis)和偏最小二乘回歸PLSR(Partial Least Squares Regression)多用于分析光譜數(shù)據(jù)。本研究用PCR計(jì)算光譜數(shù)據(jù)主成分，得到每個(gè)樣品的光譜數(shù)據(jù)對(duì)應(yīng)的PC_SCORE；用PLSR對(duì)光譜數(shù)據(jù)和SOM數(shù)據(jù)間建立回歸模型。使用R2和RMSE為衡量統(tǒng)計(jì)模型的統(tǒng)計(jì)量。數(shù)據(jù)運(yùn)算在UMSCRAMBLER中完成。

圖1　采樣區(qū)位置示意圖Fig.1 Sampling regions

2 結(jié)果與分析

2.1 有機(jī)質(zhì)含量分析

3個(gè)樣品集合的SOM含量統(tǒng)計(jì)信息如圖2所示。結(jié)果顯示：①SF為林地樣品，由于多年枯枝落葉和根系腐解的影響，其SOM總體上比SP(水田樣品)高。②SP和DP雖同為水田，但SP經(jīng)歷了長(zhǎng)期的雙季稻輪作，DP則是長(zhǎng)期的小麥-晚稻輪作，總體上SP的秸稈和根系還田生物量相對(duì)較高，土壤濕度也相對(duì)較高，均有利于SOM的積累，導(dǎo)致SP的SOM含量相對(duì)高于DP。

圖2　土壤有機(jī)質(zhì)含量Fig.2 Descriptions of SOM contents of studied soil samples

2.2 光譜特性分析

對(duì)3個(gè)樣品集合的光譜曲線在1 400、1 900和2 200 nm附近的吸收峰強(qiáng)度進(jìn)行提取，由于3個(gè)波段吸收峰強(qiáng)度信息維度為1，即相關(guān)性很大，所以在結(jié)果展示中只選用了1 400 nm和2 200 nm兩個(gè)波段的結(jié)果，如圖3所示。在1 400、2 200 nm波段的吸收強(qiáng)度比值有兩個(gè)特點(diǎn)：一是每個(gè)集合中的點(diǎn)都沿著一條直線分布；二是SF和SP集合所沿直線的斜率相近，而DP則與兩者的斜率相差較大。

不同母質(zhì)樣本的吸收峰強(qiáng)度信息沿不同斜率的直線分布，證明不同母質(zhì)發(fā)育成的土壤由于其母質(zhì)中礦物類型及其組成的差異，會(huì)使其形成的土壤在1 400、1 900和2 200 nm處展現(xiàn)出不同的吸收特征，而這一特征在經(jīng)過(guò)吸收強(qiáng)度提取后，可以通過(guò)如圖3的散點(diǎn)圖的形式來(lái)表現(xiàn)。

除了特征吸收峰的吸收強(qiáng)度分析，常見(jiàn)的對(duì)土壤光譜的分析還有PCA。在對(duì)原始光譜進(jìn)行重采樣預(yù)處理后，將其進(jìn)行PCA分析，主成分1和主成分2的分?jǐn)?shù)圖見(jiàn)圖4。PCA結(jié)果有兩個(gè)特點(diǎn)：一是SF和DP的點(diǎn)有較明顯的界線，而SP則與SF和DP集合都有交集；二是圖中粗黑線框點(diǎn)SP-AVG、SF-AVG、DP-AVG分別代表SP、SF和DP對(duì)應(yīng)集合中所有點(diǎn)的平均值，SP與DP的均值點(diǎn)非常接近，SF的均值點(diǎn)與SP、DP均值點(diǎn)距離較遠(yuǎn)。

圖3　1 400 nm 和 2 200 nm 附近吸收強(qiáng)度提取結(jié)果Fig.3 Extraction results of absorption near 1 400 nm and 2 200 nm

圖4　光譜數(shù)據(jù)PCA結(jié)果Fig.4 PCA results of spectral data

主成分是以在原變量基礎(chǔ)上通過(guò)線性組合得來(lái)的新變量，目的是降維，以盡可能少的變量來(lái)表達(dá)盡可能多的變量信息。通常前兩個(gè)變量能解釋原變量80% 以上的信息。由此，主成分1表達(dá)的是最共性、最概括的信息，主成份2次之。土壤VNIR光譜的整體反射率與SOM含量相關(guān)，而PC_1、PC_2代表樣本最共性的信息，所以PC_1、PC_2攜帶很多的關(guān)于SOM的信息。

SP 與 DP 均是水田樣品且 SOM 均值相近，無(wú)論是有機(jī)質(zhì)的組成形式和含量都比 SF 更接近，所以在 PCA 分析中，SP 和 DP 分布比較接近。

由吸收強(qiáng)度和 PCA 的分析結(jié)果可知，土壤光譜對(duì)礦物和 SOM 的響應(yīng)可以不同的形式得到顯示，當(dāng)集合中存在不同母質(zhì)或不同土地利用類型的土壤時(shí)，可能會(huì)能以某種形式在光譜中顯示出其分異，在建立反演模型時(shí)應(yīng)考慮相應(yīng)的策略。

2.3 光譜反演模型分析

對(duì)于光譜數(shù)據(jù)的建模算法有過(guò)不少研究，即對(duì)于同一組光譜數(shù)據(jù)和屬性數(shù)據(jù)，用不同的算法進(jìn)行建模，在統(tǒng)一對(duì)比參數(shù)的基礎(chǔ)上(通常是R2、RMSE等統(tǒng)計(jì)參數(shù))將各種算法得到的結(jié)果進(jìn)行對(duì)比，如MLR、PLSR、PCR、MARS、SVM、RF、BT和ANN等，或者兩種算法的聯(lián)用等[1,10-12]。研究表明，PLSR的綜合運(yùn)算能力最高，且沒(méi)有一種算法能夠在大多數(shù)的光譜反演運(yùn)算中超過(guò)PLSR，其雖然是一種經(jīng)典、不復(fù)雜的算法，但在土壤光譜反演中是最穩(wěn)定和可靠的，故本研究仍選用PLSR。

2.3.1 模型建立 在PLSR的運(yùn)算過(guò)程中，主成分個(gè)數(shù)根據(jù)變量的特點(diǎn)會(huì)有所不同。本研究首先對(duì)各個(gè)數(shù)據(jù)集在不同主成分個(gè)數(shù)下的模型精度參數(shù)進(jìn)行了統(tǒng)計(jì)(圖5)。結(jié)果顯示，3個(gè)獨(dú)立集合與一個(gè)3合1的混合集合，分別在1～20個(gè)主成分的設(shè)置下進(jìn)行回歸運(yùn)算，在10～15個(gè)主成分的時(shí)候4個(gè)集合都達(dá)到最佳回歸結(jié)果。按照回歸精度排序依次為SF＞SP＞SF+SP+DP＞DP，建模R2分別為0.94、0.89、0.87、0.84，其中SF集合得出的模型回歸精度最高，DP集合的最低。

2.3.2 獨(dú)立模型驗(yàn)證 為驗(yàn)證各個(gè)獨(dú)立模型的預(yù)測(cè)精度，用以下兩種方法進(jìn)行計(jì)算：一是留一交叉驗(yàn)證(leave-one-out validation)，另一種是用異地模型對(duì)SOM含量進(jìn)行反演預(yù)測(cè)。留一交叉驗(yàn)證的結(jié)果可表示在母質(zhì)、土地利用類型等屬性與建模集樣本最大程度上相似的情況下得到的預(yù)測(cè)結(jié)果，也可理解為在最理想的采樣情況下所能得到的預(yù)測(cè)精度；異地模型驗(yàn)證是用一個(gè)地方的模型對(duì)另一地方的樣品進(jìn)行反演預(yù)測(cè)。圖6是留一交叉驗(yàn)證的結(jié)果，與建模時(shí)的精度排序一樣，留一交叉驗(yàn)證的結(jié)果排序?yàn)镾F＞SP＞SF+SP+DP＞DP，其中R2分別為0.90、0.82、0.81、0.75，RMSE(g/kg)分別為2.35、4.54、3.75、3.03。如果能在光譜庫(kù)中依照母質(zhì)、土地利用類型對(duì)應(yīng)的樣品形成樣本數(shù)相當(dāng)?shù)臉悠芳?，則最終最優(yōu)的結(jié)果就是如此。

圖5　主成份個(gè)數(shù)對(duì)模型精度的影響Fig.5 Effects of principle component numbers on model accuracies

圖6　預(yù)測(cè)值與測(cè)量值的散點(diǎn)圖(驗(yàn)證方法為留一交叉驗(yàn)證)Fig.6 Scatter plots of predicted and reference values(leave-one-out validation)

圖7為異地模型預(yù)測(cè)結(jié)果，用SF模型對(duì)SP的反演結(jié)果最好(圖7A，RMSE為5.54 g/kg)，DP模型對(duì)SP的反演結(jié)果次之(RMSE為8.38 g/kg)。其中圖7b、7d、7e分別出現(xiàn)了不同程度的坐標(biāo)偏移，圖7C中低SOM含量的樣本值被嚴(yán)重高估。從異地模型預(yù)測(cè)的結(jié)果看，無(wú)論是母質(zhì)還是土地類型，都會(huì)對(duì)反演結(jié)果造成很大影響，再一次證明異地模型應(yīng)用的風(fēng)險(xiǎn)非常大。

另外，圖7A和7C為SF和SP互作為異地反演模型的預(yù)測(cè)結(jié)果，其結(jié)果分別為6個(gè)模型中最好和最差。這一結(jié)果與常規(guī)思維所得的結(jié)果不同。在計(jì)算得出這一系列結(jié)果之前，原本的設(shè)想中SF和SP作為兩個(gè)獨(dú)立集合，在預(yù)測(cè)和被預(yù)測(cè)的關(guān)系中應(yīng)該處于對(duì)稱的位置，即SF模型對(duì)SP的預(yù)測(cè)結(jié)果會(huì)與SP模型對(duì)SF的預(yù)測(cè)結(jié)果相差不大。但最終預(yù)測(cè)結(jié)果中一個(gè)RMSE為5.54 g/kg，表現(xiàn)尚可；另一個(gè)卻為28.42 g/kg，表現(xiàn)極差。若加上土地利用類型來(lái)表述，即為林地SOM模型可用來(lái)反演農(nóng)田SOM含量，而農(nóng)田SOM模型卻不適用于林地。對(duì)此的解釋是，結(jié)合SOM含量分布頻率圖，林地樣本中SOM含量高于10 g/kg以上的樣品顯著多于農(nóng)地，而農(nóng)地除了表層SOM含量較高，其他層次基本都低于10 g/kg，特別是SOM含量2～4 g/kg的樣本數(shù)量約為35個(gè)，為整個(gè)建模集規(guī)模的1/3；另外，農(nóng)地的SOM均值水平也與林地差異較大，農(nóng)地的為7.2 g/kg，林地為10.8 g/kg，農(nóng)地為林地的2/3。所以，在SF的林地模型中，各個(gè)含量的樣本的分布較SP農(nóng)田的平均，模型對(duì)各個(gè)含量都有不錯(cuò)的預(yù)測(cè)能力；而在SP的農(nóng)田模型中，低含量的樣本太多，且整個(gè)模型所涉及的閾值范圍較窄，所以對(duì)SF林地集合中預(yù)測(cè)目標(biāo)值范圍較大的樣本進(jìn)行運(yùn)算時(shí)表現(xiàn)出極度的不適應(yīng)。再將交叉驗(yàn)證和異地驗(yàn)證的結(jié)果進(jìn)行對(duì)比，結(jié)果如表1所示。唯有當(dāng)建模集和預(yù)測(cè)集母質(zhì)、土地利用類型等條件相同時(shí)，才能達(dá)到比較理想的預(yù)測(cè)結(jié)果。這表明：一個(gè)地區(qū)建立的反演模型不可隨便應(yīng)用于母質(zhì)和土地利用類型不相同的其他區(qū)域；當(dāng)某地的模型能適用于另一個(gè)區(qū)域時(shí)，并不代表反之也能行得通，這不僅與母質(zhì)、土地利用類型有關(guān)，還跟目標(biāo)屬性的分布情況有關(guān)。

圖7　預(yù)測(cè)值與測(cè)量值的散點(diǎn)圖(驗(yàn)證方法為異地模型預(yù)測(cè))Fig.7 Scatter plots of predicted and measured values(using models developed by other calibration data)

2.3.3 全局模型驗(yàn)證 除各個(gè)集合建立的獨(dú)立模型，還可將各種土壤樣品放在一起作為一個(gè)籠統(tǒng)的建模集而建成全局反演模型。全局模型通常盡可能多的包含各種類型的土壤樣本，使各種類型的數(shù)據(jù)特征都能在最終模型中有所體現(xiàn)。將3個(gè)集合所有樣本放在一個(gè)集合中作為建模集，然后將3個(gè)獨(dú)立集合的樣本分別代入并反演得出的預(yù)測(cè)結(jié)果如圖8A及表1所示。從RMSE的結(jié)果可得，全局模型的結(jié)果比交叉驗(yàn)證的精度高。交叉驗(yàn)證的結(jié)果顯示，只有預(yù)測(cè)集中的樣本的母質(zhì)、土地利用類型等屬性與建模集中樣本一致時(shí)才能得到相同精度的交叉驗(yàn)證結(jié)果，但是此時(shí)全局模型的精度已超過(guò)原獨(dú)立模型，其可能性只有一個(gè)——建模樣本數(shù)量較大從而提高了模型精度，因?yàn)楠?dú)立模型的樣本數(shù)平均為107，而全局模型建模集的規(guī)模為321。為了驗(yàn)證這一猜想，將原樣本集中的樣本以剖面為單位，隨機(jī)選擇1/3作為新的全局模型建模集。其驗(yàn)證反演結(jié)果如圖8B及表1。當(dāng)樣本數(shù)統(tǒng)一到同一水平，交叉驗(yàn)證的結(jié)果明顯好于1/3全局模型的反演結(jié)果。證明，樣本數(shù)量確實(shí)能在一定程度上顯著影響反演模型的精度。

表1　交叉驗(yàn)證和全局模型驗(yàn)證的RMSE結(jié)果(g/kg)Table 1 RMSE results of cross-validation and global model validation

圖8　預(yù)測(cè)值與測(cè)量值的散點(diǎn)圖(全局模型預(yù)測(cè))Fig.8 Scatter plots of predicted and measured values(using global model)

3 結(jié)論

本文研究了母質(zhì)和土地利用類型對(duì)光譜反演模型建立的影響，所用的3個(gè)集合中，SF和SP有共同的母質(zhì)，SP和DP有相同土壤利用類型。研究結(jié)果表明：母質(zhì)和土地利用類型的差異會(huì)顯著影響異地模型的適應(yīng)性，一個(gè)地區(qū)建立的反演模型不一定適用于母質(zhì)和土地利用類型不同的其他地區(qū)；某類土地利用類型建立的模型也不一定適用于另外一類土地利用類型；當(dāng)異地模型不適用于反演時(shí)，可考慮采用精度稍低的全局模型進(jìn)行預(yù)測(cè)，在預(yù)測(cè)精度上的排序?yàn)楸镜啬Ｐ停救帜Ｐ停井惖啬Ｐ汀?/p>

參考文獻(xiàn)：

[1]Tian Y C,Zhang J J,Yao X,et al.Laboratory assessment of three quantitative methods for estimating the organic mattercontent of soils in China based on visible/near-infrared reflectance spectra[J].Geoderma,2013(202/203):161-170

[2]Morgan C L S,Waiser T H,Brown D J,et al.Simulated in situ characterization of soil organic and inorganic carbon with visible near-infrared diffuse reflectance spectroscopy[J].Geoderma,2009(151):249-256

[3]Rawlins B G,Kemp S J,Milodowski A E.Relationships between particle size distribution and VNIR reflectance spectra are weaker for soils formed from bedrock compared to transported parent materials[J].Geoderma.2011,166(1):84-91

[4]Du C,Linker R,Shaviv A.Identification of agricultural Mediterranean soils using mid-infrared photoacoustic spectroscopy[J].Geoderma,2008,143(1/2):85-90

[5]Awiti A O,Walsh M G,Shepherd K D,et al.Soil condition classification using infrared spectroscopy:A proposition for assessment of soil condition along a tropical forestcropland chronosequence[J].Geoderma,2008(143):73-84

[6]Ramirez-Lopez L,Behrens T,Schmidt K,et al.Distance and similarity-search metrics for use with soil vis-NIR spectra[J].Geoderma,2013,199:43-53

[7]Oliveira J F,Brossard M,Vendrame P R S.Soil discrimination using diffuse reflectance Vis-NIR spectroscopy in a local toposequence[J].Comptes Rendus Geoscience.2013,345(11/12):446-453

[8]Viscarra Rossel R A,Chen C.Digitally mapping the information content of visible-near infrared spectra of surficial Australian soils[J].Remote Sensing of Environment,2011,115(6):1443-1455

[9]黃昌勇.土壤學(xué)[M].北京:中國(guó)農(nóng)業(yè)出版社,2000:6-7

[10]Vohland M,Besold J,Hill J,et al.Comparing different multivariate calibration methods for the determination of soil organic carbon pools with visible to near infrared spectroscopy[J].Geoderma.2011,166(1):198-205

[11]Melendez-Pastor I,Navarro-Pedre O J,Gómez I,et al.Identifying optimal spectral bands to assess soil properties with VNIR radiometry in semi-arid soils[J].Geoderma,2008,147(3/4):126-132

[12]Summers D,Lewis M,Ostendorf B,et al.Visible near-infrared reflectance spectroscopy as a predictive indicator of soil properties[J].Ecological Indicators,2011,11(1):123-131

[13]Wu D W,Zhang G L.Study on paddy soil chronosequences based on visual-near infrared diffuse reflectance spectra(to be published in Spectroscopy and Spectral Analysis,2015)

[14]Mcdowell M L,Bruland G L,Deenik J L,et al.Soil total carbon analysis in Hawaiian soils with visible,nearinfrared and mid-infrared diffuse reflectance spectroscopy[J].Geoderma,2012,189/190:312-320

[15]Denis A,Stevens A,Van Wesemael B,et al.Soil organic carbon assessment by field and airborne spectrometry in bare croplands:accounting for soil surface roughness[J].Geoderma,2014,226/227:94-102

[16]AiChi H,Fouad Y,Walter C,et al.Regional predictions of soil organic carbon content from spectral reflectance measurements[J].Biosystems Engineering,2009,104(3):442-446

[17]張甘霖,龔子同.土壤調(diào)查實(shí)驗(yàn)室分析方法[M].北京:科學(xué)出版社,2012

[18]吳昀昭,田慶久,季峻峰,等.土壤光學(xué)遙感的理論、方法及應(yīng)用[J].遙感應(yīng)用,2003(1):40-47

Effects of Parent Materials and Land Use Types on Inversion Models by Using Soil Spectral Data

WU Dengwei1,2,ZHANG Ganlin1,2*
(1 State Key Laboratory of Soil and Sustainable Agriculture(Institute of Soil Science,Chinese Academy of Sciences),Nanjing 210008,China; 2 University of Chinese Academy of Sciences,Beijing 100049,China)

Abstract:Using visible near-infrared(Vis-Near Infrared,VNIR)spectral data to build inversion model is a rapid and nondestructive potential method to measure soil properties.However,the models based on pure statistical methods are weak in explaining the information of soil properties.This paper studied the effects and strategies of parent materials and land use types on the established spectral inversion model.3 sample sets of SF(forestry soils from Xuanchens),SP(paddy soils from Xuancheng)and DP(paddy soils from Dingyuan)were used,where,SF and SP with same parent material,SP and DP with same land use type.The results showed that the differences of parent materials and land use typse could affect the suitability of the off-site model significantly.It is possibly unreliable to use a model in a different region with different parent materials or land use types,however,the global model with expense of the prediction accuracy can be used when the off-site model does not work well.

Key words:Parent material; Land use type; Spectroscopy; Vis-Near Infrared

作者簡(jiǎn)介：鄔登巍(1984—)，女，湖北通山人，博士研究生，主要從事土壤光譜研究。E-mail:wdw@issas.ac.cn

* 通訊作者(glzhang@issas.ac.cn)

基金項(xiàng)目：①國(guó)家自然科學(xué)基金項(xiàng)目(41130530)資助。

DOI:10.13758/j.cnki.tr.2016.01.026

中圖分類號(hào)：P237；S-3