衛(wèi)亞星，王莉雯

1. 遼寧師范大學海洋經(jīng)濟與可持續(xù)發(fā)展研究中心，遼寧 大連 116029

2. 遼寧師范大學自然地理與空間信息科學遼寧省重點實驗室，遼寧 大連 116029

3. 遼寧師范大學城市與環(huán)境學院，遼寧 大連 116029

濕地土壤硝化微生物群落的高光譜研究

衛(wèi)亞星1, 2, 3，王莉雯1, 2, 3

1. 遼寧師范大學海洋經(jīng)濟與可持續(xù)發(fā)展研究中心，遼寧 大連 116029

2. 遼寧師范大學自然地理與空間信息科學遼寧省重點實驗室，遼寧 大連 116029

3. 遼寧師范大學城市與環(huán)境學院，遼寧 大連 116029

氮循環(huán)是土壤生態(tài)系統(tǒng)元素循環(huán)的重要過程，其中硝化作用對于土壤氮循環(huán)有重要影響。硝化作用的主要完成者是硝化微生物群落，土壤微生物是濕地生態(tài)系統(tǒng)的重要組成部分，其可以指示濕地生態(tài)環(huán)境變化，對正確認識濕地生態(tài)系統(tǒng)氮循環(huán)和濕地污染凈化功能具有重要意義。嘗試從高光譜遙感技術(shù)角度，基于土壤氮素光譜監(jiān)測機理，探索濕地土壤硝化微生物群落高光譜估算技術(shù)，進而為估測其時空分布狀況提供新技術(shù)途徑。研究對硝化作用中兩個獨立階段的主要完成者氨氧化細菌和亞硝酸氧化細菌，采用最大可能數(shù)法分別計數(shù)，并以兩者計數(shù)測量結(jié)果的合計，作為各采樣區(qū)域土壤硝化微生物的數(shù)量值。采用光譜倒數(shù)的對數(shù)(LR)、光譜一階微分(FD)、光譜二階微分(SD)、包絡線去除(CR)和光譜波段深度(BD)光譜變換技術(shù)，以及基于再抽樣(bootstrap)技術(shù)的多元逐步回歸(SMLR)和偏最小二乘回歸(PLSR)建模方法，構(gòu)建濕地土壤硝化微生物數(shù)量和全氮含量估算模型。研究結(jié)果表明：在采用bootstrap SMLR建模方法時，濕地土壤硝化微生物數(shù)量和全氮含量的估算波段位置存在一定的相似性(尤其對于原光譜實測數(shù)據(jù)R和SD光譜)；對于濕地土壤硝化微生物數(shù)量和全氮含量的估算，bootstrap PLSR相比于bootstrap SMLR建模方法，具有較高的估算精度；對濕地土壤硝化微生物數(shù)量的估算，最高估算精度產(chǎn)生于SD光譜變換技術(shù)結(jié)合bootstrap PLSR建模；對濕地土壤全氮含量的估算，最高估算精度產(chǎn)生于CR光譜變換技術(shù)結(jié)合bootstrap PLSR建模。

高光譜模型；硝化微生物；濕地土壤；再抽樣的多元逐步回歸

引 言

氮循環(huán)是土壤生態(tài)系統(tǒng)元素循環(huán)的核心過程之一，其中硝化作用對于土壤的氮素循環(huán)意義重大。硝化作用是連接固氮作用與反硝化作用的中間環(huán)節(jié)，其與植物的氮素有效利用程度、土壤酸化、水體污染等一系列生態(tài)環(huán)境問題直接相關。因此，硝化作用是氮素生物地球化學循環(huán)的中心環(huán)節(jié)[1]。

硝化作用是一個主要由硝化微生物介導的反應，分兩個階段完成，即氨態(tài)氮氧化為亞硝態(tài)氮的氨氧化過程和亞硝態(tài)氮氧化為硝態(tài)氮的亞硝酸鹽氧化過程[2]。第一階段氨氧化作用是硝化作用的限速步驟。這兩個階段分別由氨氧化細菌和亞硝酸氧化細菌完成，它們分別參與的硝化反應為[3]

土壤微生物的種類和數(shù)量是微生物生態(tài)學研究的重要內(nèi)容。由于土壤環(huán)境條件、硝化過程和硝化微生物本身的復雜多樣性，會影響常規(guī)分子生物學技術(shù)對硝化微生物研究結(jié)果的準確性。這類研究大多是零散地在某些特定位點上開展的，難以獲得區(qū)域尺度的微生物群落分布變化狀況。而且，微生物群落的區(qū)域生態(tài)效應需要較長時期才能表現(xiàn)出來，僅依據(jù)短時間的監(jiān)測，難以給出準確的估算與評價[1]。利用能夠提取區(qū)域尺度面信息的遙感監(jiān)測技術(shù)，探索大尺度上微生物分布及土壤硝化作用的時空演變特征及驅(qū)動因子，是可以嘗試開展的新研究方向。高光譜遙感以其高光譜分辨率和強波段連續(xù)性的特點，能夠捕捉土壤精細的光譜特征，從而有利于定量獲取土壤的生化組分[4-5]。

天然濕地土壤微生物研究起步相對較晚，濕地土壤微生物群落結(jié)構(gòu)和分布變化、種群特征及其與環(huán)境影響因素的相關關系，還有待于深入研究。本工作嘗試從高光譜遙感技術(shù)角度，基于土壤氮素光譜監(jiān)測機理，探索濕地土壤硝化微生物群落遙感估算技術(shù)，進而估測其時空分布狀況，為正確認識濕地氮循環(huán)過程和影響機制、濕地污染凈化功能提供科學依據(jù)。

1 研究區(qū)概況

盤錦濕地位于遼河三角洲的最南端、雙臺子河入海口處，是以蘆葦沼澤及潮間帶灘涂為主的自然濕地。在此處建立了雙臺河口濕地國家級自然保護區(qū)，為全國最大的濕地自然保護區(qū)。該地區(qū)屬暖溫帶大陸性半濕潤季風氣候區(qū)，年平均溫度8.5 ℃，年平均降水量為650mm。近年來隨著人為干擾強度的增加，特別是氮磷營養(yǎng)物質(zhì)過剩、圍墾等，已對濱海河口濕地的生態(tài)環(huán)境造成了負面影響[6]。

2 實驗部分

2.1 土壤采集與制備

野外實驗于2014年8月進行，設定了具有代表性的40個采樣區(qū)域。在每個采樣區(qū)域，采用五點采樣法進行土壤樣本采集，采樣時剔除石礫、植被殘根等雜物，裝入滅菌封口袋中，低溫保存帶回實驗室。在實驗室，將采集的土壤樣本進行分組編號后，部分樣品用于土壤硝化微生物計數(shù)測量，部分樣品用于土壤理化因子的測量，部分樣品用于土壤光譜測量。選取土壤表層樣本(0～10cm)。

2.2 土壤光譜測量

研究使用了ASDFieldSpecProFR野外光譜輻射儀在實驗室內(nèi)進行土壤光譜測量。土壤光譜測量在能控制光照條件的實驗室進行，光源為鹵素燈，光源入射角為60°。土壤樣本置于直徑10cm、深1.5cm的器皿內(nèi)，表面自然推平。傳感器探頭置于垂直距土壤樣本表面10cm處，視場角為25°。實驗中使用的參考板為99%的朗伯體白板。每個土壤樣本光譜測量10次，取其平均值作為該樣本的光譜反射率數(shù)據(jù)。測量獲取的土壤樣本在350～400和2451～2500nm波段噪聲較大，將其剔除。對400～2450nm波段土壤光譜，采用小波法進行濾波去噪。

2.3 土壤硝化微生物測量

考慮到硝化作用中存在兩個較為獨立的階段，這兩個階段采用的基質(zhì)和生長速率均不相同，因此將硝化微生物分為氨氧化細菌和亞硝酸氧化細菌，采用最大可能數(shù)法(MPN)分別計數(shù)。

(1)氨氧化細菌數(shù)量的測量

(2)亞硝酸氧化細菌數(shù)量的測量

2.4 土壤全氮測量

土壤全氮測量采用硒粉-硫酸銅-硫酸消化法，即凱氏定氮法。

3 研究方法

3.1 基于土壤氮素光譜監(jiān)測的濕地土壤硝化微生物估算

在研究中，為了增強濕地土壤硝化微生物數(shù)量的優(yōu)勢性，將氨氧化細菌和亞硝酸氧化細菌的計數(shù)測量結(jié)果進行合計，作為各采樣區(qū)域土壤硝化微生物的數(shù)量值。以此增強其對硝化功能菌群數(shù)量的代表性，從而增強相應光譜特征的研究。

3.2 基于bootstrap的SMLR和PLSR模型

研究中采用再抽樣(bootstrap)技術(shù)結(jié)合回歸建模方法(包括多元逐步回歸模型SMLR和偏最小二乘回歸模型PLSR)，分別構(gòu)建了研究區(qū)濕地土壤硝化微生物數(shù)量和全氮含量的估算模型。

bootstrap技術(shù)是一種基于再抽樣和數(shù)據(jù)模擬的統(tǒng)計推斷方法。bootstrap技術(shù)是通過對有限的數(shù)據(jù)樣本進行隨機的、等概率的、有放回的重抽樣，重新建立起足以代表母體樣本分布之新樣本，從而實現(xiàn)了擴大樣本容量，有效地提高了所建模型的估算精度[10]。

(1)

式中，x是自變量數(shù)據(jù)，y是因變量數(shù)據(jù)；基于bootstrap樣本S(1)，采用回歸建模方法，建立估算模型

(2)

β是回歸系數(shù)；重復(1)和(2)步驟，得到估算模型回歸系數(shù)數(shù)據(jù)組，構(gòu)建基于bootstrap樣本的回歸系數(shù)數(shù)據(jù)集；計算基于bootstrap樣本的回歸系數(shù)與初始回歸系數(shù)差值的絕對值，取絕對值的90%分位點作為拒絕域的臨界值；比較回歸系數(shù)的絕對值與臨界值，判斷其是否通過顯著性檢驗；將經(jīng)過顯著性檢驗的自變量在原數(shù)據(jù)集上重新構(gòu)建估算模型。

3.3 光譜變換技術(shù)

使用包括光譜倒數(shù)的對數(shù)(LR)、光譜一階微分(FD)、光譜二階微分(SD)、包絡線去除(CR)和光譜波段深度(BD)的5種光譜變換技術(shù)，分別基于LR，F(xiàn)D，SD，CR，BD和原光譜(R)數(shù)據(jù)并結(jié)合回歸建模方法，構(gòu)建濕地土壤硝化微生物數(shù)量和全氮含量估算模型。

3.4 數(shù)據(jù)分析

將40個采樣區(qū)域獲取的土壤樣本數(shù)據(jù)隨機分成2組，第一組25個樣本用于建立回歸模型，第二組15個樣本用于驗證模型。選取決定系數(shù)(R2)和均方根誤差(RMSE)作為評價指標。

4 結(jié)果與討論

4.1 研究區(qū)濕地土壤硝化微生物數(shù)量特征

表1 濕地土壤硝化微生物數(shù)量和全氮含量統(tǒng)計特征

Table 1 Statistics results of nitrification microorganism abundance and total nitrogen content in wetland soils

分析指標最小值最大值均值標準差氨氧化細菌(×104個·g-1干土)1 529 484 751 54亞硝酸氧化細菌(×104個·g-1干土)0 586 643 631 62硝化微生物(×104個·g-1干土)2 8113 027 443 11全氮(mg·g-1)0 591 991 310 42

4.2 濕地土壤光譜特征

圖1(a)為實驗測量獲取的濕地土壤平均反射光譜曲線。在可見光和近紅外波段(400～2450 nm)，濕地土壤反射光譜曲線呈比較平滑、緩慢上升的特征。在可見光波段(400～760 nm)，反射率值上升較快，反射率值從0.041迅速上升至0.272，其中562～790 nm波段范圍內(nèi)反射率上升速率變化最為明顯。在457～562 nm之間曲線形狀呈微向下凹的特征，其中549～558 nm之間出現(xiàn)反射率輕微下降的凹谷。相比之下，近紅外波段(761～2450 nm)反射率值較高，反射率值在0.273～0.450范圍內(nèi)波動。而且，曲線斜率變化較為平緩，在800～1 356和1 408～1 840 nm波段范圍內(nèi)反射率逐漸平緩增加，1 920～2 040 nm波段反射率隨波長增加而迅速上升，2 040～2 207和2 230～2 450 nm波段反射率呈遞減趨勢。在1 408 nm處存在明顯的水分吸收谷，2 207 nm處出現(xiàn)弱的水分吸收谷，以1 920 nm為中心波段出現(xiàn)反射光譜曲線中最為明顯的水分吸收谷特征。另外，790～800 nm波段范圍呈現(xiàn)反射率變化的微上凸，在2 311和2 349 nm為中心波段出現(xiàn)弱的反射率變化的凹谷。

圖1 濕地土壤平均反射率(a)，LR變換(b)，F(xiàn)D變換(c)，SD變換(d)，CR變換(e)和BD變換(f)光譜曲線

圖1(b)—(f)分別為采用LR，F(xiàn)D，SD，CR和BD光譜變換技術(shù)后的光譜反射率曲線。對比顯示，變換后的各光譜曲線反射率變化明顯，光譜特征差異顯著，尤其在拐點位置處。經(jīng)FD和SD變換后的光譜曲線，隨著波長的增加反射率值上下顯著波動，呈現(xiàn)較為相似的變化趨勢。經(jīng)CR和BD變換后的光譜曲線，呈現(xiàn)相似的若干光譜特征吸收帶。

4.3 基于PLSR和SMLR的濕地土壤硝化微生物數(shù)量和全氮含量估算精度對比

表2和表3分別為基于bootstrap SMLR和PLSR的各光譜變換技術(shù)估算濕地土壤硝化微生物數(shù)量和全氮含量的精度對比。圖2為基于建模樣本和檢驗樣本數(shù)據(jù)，采用bootstrap PLSR建模方法，濕地土壤硝化微生物數(shù)量估算值與測量值的比較。表2和表3對比顯示，相比于bootstrap SMLR建模方法，bootstrap PLSR建模方法對濕地土壤硝化微生物數(shù)量和全氮含量的估算精度較高。對于濕地土壤硝化微生物數(shù)量的估算，最高估算精度產(chǎn)生于SD光譜變換技術(shù)結(jié)合bootstrap PLSR建模，最低估算精度產(chǎn)生于LR光譜變換技術(shù)結(jié)合bootstrap SMLR建模。在濕地土壤全氮含量的估算中，最高估算精度產(chǎn)生于CR光譜變換技術(shù)結(jié)合bootstrap PLSR建模，最低估算精度產(chǎn)生于LR光譜變換技術(shù)結(jié)合bootstrap SMLR建模。

表2 基于bootstrap SMLR的各光譜變換技術(shù)估算濕地土壤硝化微生物數(shù)量和全氮含量結(jié)果

表3 基于bootstrap PLSR的各光譜變換技術(shù)估算濕地土壤硝化微生物數(shù)量和全氮含量結(jié)果

Table 3 The results of estimated nitrification microorganism abundance and total nitrogen content in wetland soils using various spectral transformation techniques based on bootstrap PLSR

估算指標光譜數(shù)據(jù)成分個數(shù)建模樣本檢驗樣本R2RMSER2RMSE硝化微生物R50 6651 9160 6502 210LR30 4462 5250 4252 465FD40 6512 0670 6921 611SD50 7261 9830 7041 903CR40 6182 0380 5931 882BD50 4542 9930 5512 377全氮R40 6980 2260 6930 232LR50 7620 2050 6970 228FD40 6010 2810 6420 263SD40 7870 2110 7460 247CR30 8150 1800 7840 192BD50 6740 2290 6790 226

在SMLR建模過程中，僅使用了幾個入選波段，而未使用的高光譜數(shù)據(jù)其他波段中包含著豐富的光譜信息，從而造成了重要信息的喪失[11]。相比之下，PLSR建模考慮了各波段的光譜參數(shù)，從中提取了最優(yōu)數(shù)量的潛在變量，并解決了解釋變量冗余、過度擬合、多重共線性等問題，因而估算精度較高[10]。在本文中，除了使用BD技術(shù)估算土壤硝化微生物數(shù)量(建模樣本)以及FD估算土壤全氮含量以外，bootstrap PLSR建模方法的估算精度均高于bootstrap SMLR。因此，bootstrap PLSR建模方法適用于研究區(qū)濕地土壤硝化微生物數(shù)量和全氮含量的高光譜遙感估算。

4.4 不同光譜變換技術(shù)估算濕地土壤硝化微生物數(shù)量和全氮含量精度對比

對比不同光譜變換技術(shù)估算濕地土壤硝化微生物數(shù)量的精度。表2是采用bootstrap SMLR建模方法的估算精度，SD光譜變換技術(shù)的估算精度最高，檢驗樣本的R2為0.648(RMSE=1.731)。其后，估算精度(檢驗樣本)從高到低依次為R，CR，F(xiàn)D，BD和LR。表3是采用bootstrap PLSR建模方法的估算精度(圖2)，SD光譜變換技術(shù)的估算精度最高，檢驗樣本的R2達到0.704(RMSE=1.903)。其后，估算精度(檢驗樣本)從高到低依次為FD，R，CR，BD和LR。因此，SD光譜變換技術(shù)結(jié)合bootstrap PLSR建模方法，適用于研究區(qū)濕地土壤硝化微生物數(shù)量的高光譜遙感估算。

對比不同光譜變換技術(shù)估算濕地土壤全氮含量的精度。表2是采用bootstrap SMLR建模方法的估算精度，CR光譜變換技術(shù)的估算精度最高，檢驗樣本的R2為0.717。其后，估算精度(檢驗樣本)從高到低依次為SD，F(xiàn)D，BD，R和LR。表3是采用bootstrap PLSR建模方法的估算精度，CR光譜變換技術(shù)的估算精度最高，檢驗樣本的R2達到0.784。其后，估算精度(檢驗樣本)從高到低依次為SD，LR，R，BD和FD。因此，CR光譜變換技術(shù)結(jié)合bootstrap PLSR建模方法，適用于研究區(qū)濕地土壤全氮含量的高光譜遙感估算。

已有研究的結(jié)果表明，采用LR，F(xiàn)D，SD，CR和BD光譜變換技術(shù)，可以在一定程度上改進光譜數(shù)據(jù)與土壤全氮含量之間的相關關系，并且其估算精度超過了原光譜數(shù)據(jù)的預測精度。在本文中，對濕地土壤硝化微生物數(shù)量的估算，采用bootstrap SMLR和bootstrap PLSR建模方法時，SD光譜變換技術(shù)的估算精度較R光譜有了一定幅度的提高。采用bootstrap PLSR建模方法時，F(xiàn)D技術(shù)的估算精度(檢驗樣本)較R光譜也有了改進。因此，可以采用LR，F(xiàn)D，SD，CR和BD光譜變換技術(shù)，實現(xiàn)對濕地土壤硝化微生物數(shù)量和全氮含量估算精度的提高，但需要進一步研究各技術(shù)適用性的條件參量。當需要提高原光譜數(shù)據(jù)對監(jiān)測指標的估算精度時，可以考慮采用LR，F(xiàn)D，SD，CR和BD等光譜變換技術(shù)。

表2顯示，采用bootstrap SMLR建模方法時，估算濕地土壤硝化微生物數(shù)量的入選波段，與估算土壤全氮含量的入選波段，分布于可見光、近紅外和短波紅外(SWIR)波段，估算兩者的入選波段位置存在一定的相似性(尤其對于R和SD光譜數(shù)據(jù))。這種現(xiàn)象反映出，由硝化微生物引起的硝化作用，直接影響著濕地土壤氮素循環(huán)中各種形態(tài)氮素的數(shù)量與類型轉(zhuǎn)換。另一方面，氮素是硝化微生物生長所必需的營養(yǎng)物質(zhì)，對硝化微生物的數(shù)量和生長有直接的影響。因此，濕地土壤中硝化微生物的數(shù)量與全氮含量存在較高的相關關系。濕地土壤硝化微生物數(shù)量和全氮含量的入選波段位置的相似性，也說明一些關鍵波段在氮素循環(huán)相關環(huán)節(jié)的監(jiān)測中具有一定的普遍適用性，而其差別則說明估算指標的光譜響應存在差異。基于此，估算兩者入選波段位置的相似性，有利于進一步基于星載窄帶和寬帶光譜反射率數(shù)據(jù)(尤其高光譜圖像)，估測濕地土壤硝化微生物群落的時空分布狀況。

圖2 濕地土壤硝化微生物數(shù)量估算值與測量值比較

5 結(jié) 論

(1)在采用bootstrap SMLR建模方法時，濕地土壤硝化微生物數(shù)量和全氮含量的估算波段位置存在一定的相似性(尤其對于R和SD光譜數(shù)據(jù))，這反映了濕地土壤中硝化微生物的數(shù)量與全氮含量存在較高的相關關系。

(2)對于濕地土壤硝化微生物數(shù)量和全氮含量的估算，bootstrap PLSR相比于bootstrap SMLR建模方法，具有較高的估算精度。因此，bootstrap PLSR建模方法適用于本研究主題的高光譜遙感估算。

(3)對濕地土壤硝化微生物數(shù)量的估算，最高估算精度產(chǎn)生于SD光譜變換技術(shù)結(jié)合bootstrap PLSR建模(檢驗樣本R2=0.704)。對濕地土壤全氮含量的估算，最高估算精度產(chǎn)生于CR光譜變換技術(shù)結(jié)合bootstrap PLSR建模(檢驗樣本R2=0.784)。

濕地土壤硝化微生物對環(huán)境變化較為敏感，其數(shù)量和種類以及硝化過程，受pH、溫度、含水量、鹽度、有機質(zhì)以及植被等諸多因素的影響，不同季節(jié)氣候條件變化和環(huán)境條件的變化會直接產(chǎn)生影響。對濕地微生物進行光譜特征研究時，可結(jié)合傳統(tǒng)分子分析技術(shù)，如Boilog、宏基因組、穩(wěn)定同位素示蹤技術(shù)等，以便更好地闡釋濕地微生物群落和相關生物過程的時空演變特征、功能演替和分異、以及環(huán)境因子的驅(qū)動。

[1] HE Ji-zheng, ZHANG Li-mei(賀紀正, 張麗梅). Acta Ecologica Sinica(生態(tài)學報), 2009, 29(1): 406.

[2] Ye R W, Thomas S M. Current Opinion in Microbiology, 2001, 4(3): 307.

[3] LIN Xian-gui(林先貴). Principles and Methods of Soil Microbiology Research(土壤微生物研究原理與方法). Beijing: Higher Education Press(北京: 高等教育出版社), 2010.

[4] SHI Zhou, WANG Qian-long, PENG Jie, et al(史 舟, 王乾龍, 彭 杰, 等). Scientia Sinica Terrae(中國科學: 地球科學), 2014, 44(5): 978.

[5] Naveen J P Anne, Amr H Abd-Elrahman, David B Lewis, et al. International Journal of Applied Earth Observation and Geoinformation, 2014, 33: 47.

[6] WANG Li-wen, WEI Ya-xing(王莉雯, 衛(wèi)亞星). Acta Ecologica Sinica(生態(tài)學報), 2012, 32(19): 6006.

[7] BAI Jie, CHEN Chun-tao, ZHAO Yang-guo, et al(白 潔, 陳春濤, 趙陽國, 等). Environmental Science(環(huán)境科學), 2010, 31(12): 3011.

[8] Córdova-Kreylos A L, Cao Y, Green P G, et al. Applied and Environmental Microbiology, 2006, 72(5): 2257.

[9] Cozzolino D, Moron A. Soil & Tillage Research, 2006, 85: 78.

[10] Viscarra Rossel R A. Journal of Near Infrared Spectroscopy, 2007, 15(1): 39.

[11] Lee K S, Cohen W B, Kennedy R E, et al. Remote Sensing of Environment, 2004, 91(3-4): 508.

(Received Jun. 27, 2015; accepted Nov. 5, 2015)

Hyperspectral Study of Estimating Nitrification Microorganism in Wetland Soils

WEI Ya-xing1, 2, 3, WANG Li-wen1, 2, 3

1. Center for Studies of Marine Economy and Sustainable Development, Liaoning Normal University, Dalian 116029, China

2. Liaoning Key Laboratory of Physical Geography and Geomatics, Liaoning Normal University, Dalian 116029, China

3. College of Urban and Environmental Science, Liaoning Normal University, Dalian 116029, China

Nitrogen cycle is an important process in the circle of soil ecosystem elements, and nitrification has significant effect on soil nitrogen cycling. The main completer of nitrification is nitrification microbial communities. Soil microorganisms are vital components of wetland ecosystem. They can indicate the variations of wetland ecological environment, and this helps us to have the correct understanding of nitrogen cycle and pollution purification function in wetland ecosystem. This paper tries to study nitrification microbial communities in wetland soils from the perspective of hyperspectral remote sensing technology, based on the monitoring mechanisms of soil nitrogen spectrum. The study explores hyperspectral estimation techniques for nitrification microbial communities in wetland soils, and it can provide a new technical approach to estimate the temporal and spatial distribution of nitrification microbial communities. The study adopted most probable number method (MPN) to count the numbers of ammonia oxidizing bacteria and nitrite oxidizing bacteria respectively, which were main completers of two independent stages in nitrification. And the total results of both count measurements were used as the values of soil nitrification microorganisms for each sampling area. The estimation models of nitrification microorganism and total nitrogen in wetland soils were developed respectively using spectral transformation techniques, such as log-transformed spectra (LR), first derivative (FD), second derivative (SD), continuum removal (CR) and band depth (BD), and modeling methods, such as stepwise multiple linear regression (SMLR) and partial least-squares regression (PLSR) based on the bootstrap technology. The results indicated that the selected estimation bands of nitrification microorganism and total nitrogen were close (especially for original spectral data (R) and SD spectra) when the modeling method of bootstrap SMLR was used. Compared to the bootstrap SMLR, the bootstrap PLSR achieved higher accuracies for estimating nitrification microorganism and total nitrogen in wetland soils. The spectral transformation technique of SD combined with the modeling method of bootstrap PLSR yielded the highest estimation accuracy to predict nitrification microorganism in wetland soils. The CR spectral data combined with bootstrap PLSR produced the highest estimation accuracy to predict total nitrogen content in wetland soils.

Hyperspectral models; Nitrification microorganism; Wetland soils; Bootstrap PLSR

2015-06-27，

2015-11-05

國家自然科學基金項目(41271421)和教育部人文社會科學研究規(guī)劃基金項目(14YJA630064)資助

衛(wèi)亞星，1969年生，遼寧師范大學城市與環(huán)境學院副教授 e-mail: wyx9585@sina.com

S153

A

10.3964/j.issn.1000-0593(2016)10-3254-07