張佳佳　郭熙　趙小敏

摘要：以土壤高光譜反射率為研究對象，對江西省贛州市興國縣不同全磷、有效磷含量稻田土壤的光譜曲線特征進行研究。對比分析了同一種光譜反射率變換形式下土壤全磷、有效磷與高光譜反射率的相關性，提取了全磷和有效磷的高光譜敏感波段，建立了基于反射光譜特征的南方丘陵稻田土壤全磷、有效磷高光譜反演模型。結果表明，在350～1 100 nm這一波段，土壤全磷、有效磷含量與光譜反射率相關性呈同增同減，在1 101～1 700 nm這一波段，土壤有效磷含量與光譜反射率相關性要大于土壤全磷。通過分析興國縣稻田土壤全磷、有效磷含量與光譜反射率18種數(shù)學變換的相關系數(shù)，提取全磷的敏感波段為534、1 090 nm，有效磷的敏感波段為365、1 631、2 223 nm。通過SPSS軟件進行不同線性擬合，發(fā)現(xiàn)多項式回歸模型能較好地預測全磷、有效磷含量，預測相對分析誤差（RPD）分別為1.43、1.54，能夠為稻田土壤全磷、有效磷含量預估提供參考。

關鍵詞：土壤全磷；有效磷；高光譜特征；反演模型

中圖分類號： S153 文獻標志碼： A 文章編號：1002-1302（2016）07-0522-04

土壤作為農業(yè)生產經營活動的重要載體，為人類的生存與發(fā)展提供了豐富的物質生產資料。擁有能夠生長植物的肥力是土壤區(qū)別于其他土地的關鍵因素之一，土壤肥力與各類養(yǎng)分含量的多寡是自然和人類活動長期形成的。氮磷鉀被視為農作物生長所必需的3種養(yǎng)分元素，土壤全磷與有效磷是土壤養(yǎng)分中不可或缺的一類，有效磷能夠有效促進光合作用，參與作物營養(yǎng)元素的運輸和同化產物的形成，施用磷肥能夠使作物根系發(fā)達、籽粒飽滿[1]。土壤中磷含量的適宜量是影響作物生長和產量的重要指標，也是指導農業(yè)精準施肥的重要參考，在農業(yè)生產中占有重要位置。農田耕作土壤中的磷元素大部分以難溶性化合物的形式存在，能直接被作物利用的有效磷比例很低，在有些地區(qū)磷已成為限制作物高產的重要因素[2]，因此定量化了解土壤中磷的含量很有必要。傳統(tǒng)的實驗室化學分析辦法程序復雜、耗資大、持續(xù)時間長、費時費力，難以滿足現(xiàn)代精準農業(yè)對土壤養(yǎng)分實時監(jiān)測的要求。

高光譜遙感技術擁有快捷、精準、無損化等特征，而土壤本身具有的物理、化學等理化特性能夠反映高光譜曲線特征，這就為利用土壤高光譜遙感技術測算土壤養(yǎng)分含量提供了可能[3]。20世紀20年代以來，國內外相關學者一直致力于土壤高光譜特征研究，經過多年發(fā)展，可見光、近紅外、中紅外高光譜技術在土壤學領域已得到了較為廣泛的利用和實踐。研究證明，350～2 500 nm波段范圍內的高光譜反射數(shù)據(jù)能較為準確地反映土壤理化參數(shù)，可通過建立相應模型來反演土壤理化參數(shù)[4-7]。Bogrekci等利用可見光-近紅外光譜對不同類型土壤風干樣本和鮮樣的磷含量進行了預測，應用偏最小二乘法來預測其均方根偏差分別為9.4%、12.9%。Bogrekci等比較了釆用紫外區(qū)、可見光區(qū)、近紅外區(qū)域對不同類型土壤（basinger fine sand，immokalee fine sand，myakka fine sand）全磷及水溶性磷含量的預測能力，結果表明，采用近紅外區(qū)域對磷的預測能力最好[8]。Mouazen等通過偏最小二乘法建立了土壤有效磷含量的預測模型，發(fā)現(xiàn)利用可見光-近紅外波段預測速效磷是可能的[9]。磷作為土壤中的一種主要營養(yǎng)元素，由于在可見光-近紅外區(qū)域沒有明顯的吸收，對光譜影響微弱，以往雖對磷已有較多研究，但取得的結果并不理想[10]；因此，磷含量與土壤高光譜之間的關聯(lián)性尚待深入研究。本研究以江西省贛州市興國縣稻田土壤高光譜反射率為對象，利用SVC HR-768地物波譜儀測定43個采樣點的高光譜反射率，運用SPSS、Origin等統(tǒng)計學軟件分析樣點全磷、有效磷養(yǎng)分含量與高光譜反射率敏感波段相關性，采用多項式回歸模型來預測全磷和有效磷含量，以期為高光譜遙感技術在精準農業(yè)土壤養(yǎng)分參數(shù)快速獲取方面提供新的案例支持。

1 材料與方法

1.1 研究區(qū)域與土樣采集

1.1.1 區(qū)域概況 研究區(qū)域為興國縣，包括永豐鄉(xiāng)、隆平鄉(xiāng)、鼎龍鄉(xiāng)、長崗鄉(xiāng)、社富鄉(xiāng)、高興鎮(zhèn)等6個鄉(xiāng)鎮(zhèn)。興國縣地處江西省贛南丘陵區(qū)的北端，縣境東經115°01′～115°51′、北緯26°03′～26°41′，屬中亞熱帶季風濕潤氣候。全年氣候溫和，光照充足，雨量豐沛，無霜期長，四季分明，氣候特點可概括為：春早夏長秋短冬遲。地貌主要以低山丘陵居多，部分地區(qū)有低山、中山?？h境母巖主要有第四紀紅色黏土、砂頁巖、粉砂巖、大理巖、千枚巖等?？h域范圍內的土壤類型以紅壤、黃壤、水稻土、紫色土為主。興國縣為典型的南方丘陵稻田土區(qū)，常年水稻種植面積在4.9×104 hm2以上，總產在265×104 t左右，年人均占有量為340 kg左右。

1.1.2 土壤樣本的野外采集 根據(jù)土地利用現(xiàn)狀圖和土壤類型圖疊加后的綜合信息，確定采集水稻土表層土壤樣本43個，采樣深度為0～20 cm。樣本采集過程中時刻注意盡量使每個樣本的采集深度、采集質量趨同；樣本的上層土壤與下層土壤比例相近。將采集好的土壤樣本裝袋編號，帶回實驗室風干、磨碎及過2 mm篩處理后分成2份，其中一份用于土壤全磷、有效磷含量的測定，另一份用于高光譜反射率的測定。

1.2 方法

1.2.1 光譜數(shù)據(jù)具體處理方法 為了方便尋找土壤全磷的高光譜敏感波段，對土壤樣本的原始反射光譜曲線進行消除包絡線、重采樣方法、連續(xù)統(tǒng)去除方法、光譜微分技術及光譜數(shù)據(jù)變換方法等預處理方法，可以提高其相關性[11-12]。

1.2.1.1 重采樣處理方法 利用SVCR-768地物波譜儀自帶的光譜數(shù)據(jù)處理軟件SVC-HR768對原始光譜數(shù)據(jù)進行重采樣處理，重采樣的間隔為1 nm，導出重采樣數(shù)據(jù)。由于SVCR-768地物波譜儀測定土壤樣點的反射光譜數(shù)據(jù)在 1 000、1 900 nm附近的連接處以及前后邊緣波段350～399 nm、2 451～2 500 nm處噪聲比較大，導致經過重采樣處理所得的原始光譜曲線在相鄰波段間存在信息冗余。因而，本研究將光譜數(shù)據(jù)以每10 nm為一個單位對其進行算術平均運算，經過運算處理后，其光譜曲線在保證了更加平滑的基礎上依舊保存著原光譜曲線的主要特征，對導出的每個土樣的光譜曲線去除前后噪聲較大的邊緣波段350～380 mn和2 451～2 500 nm波段。

1.2.1.2 連續(xù)統(tǒng)去除法 連續(xù)統(tǒng)處理的方法也叫去除包絡線法，是一種典型的光譜分析法，其概念為：逐點直線連接隨著波長變化的吸收或反射凸出的“峰”值點，使得折線在“峰”值點上的外角大于180°。它能顯著地突出光譜曲線的吸收和反射特征，并將其歸一化到一致的光譜背景上，有助于與其他光譜曲線進行比較，從而提取出敏感波段進行分類識別比較，去除包絡線后的光譜曲線變?yōu)楣庾V波段深度曲線。光譜波段深度曲線計算公式為：

R′（λ）=1-R（λ）/Rc（λ）。

（1）

式中：R′、R、Rc分別為光譜波段深度、原始光譜、光譜包絡線，λ為波長。

1.2.1.3 光譜一階微分方法 對光譜進行低階微分處理，對不同的背景和噪聲有去除作用。微分光譜可剔除基線漂移或平緩背景干擾，同時可提供比原始光譜更高的分辨率和更清晰的光譜輪廓變換，其基本處理方法為：先確定導數(shù)窗口寬度Δλ，然后再根據(jù)導數(shù)的定義計算波長y的導數(shù)，再逐步移動依次計算所有波長的導數(shù)，由此得出導數(shù)光譜。土壤高光譜在波長i處的一階微分光譜采用下式計算：

ρ′（λi）=[ρ（λi+1）-ρ（λi-1）]/（2Δλ）；

（2）

式中：λ為波長，λi=351，352，…，2 499 nm；ρ（λi）為波長i的光譜反射系數(shù)，實際計算中，一般用光譜的差分作為微分的有限近似。通過對原始反射率光譜進行低階微分變換可以發(fā)現(xiàn)，光譜曲線隨波長的變化更加明顯。

1.2.2 模型建立與驗證 采用模型方程的決定系數(shù)R2、均方根誤差RMSE、相對分析誤差RPD來衡量土壤全磷、有效磷反演模型的預測精度。決定系數(shù)R2數(shù)值越大，均方根誤差RMSE越小，則表明所建模型的精度越高。當RPD>2時，表明模型具有很好的預測能力；當1.4

2 結果與分析

2.1 土壤全磷、有效磷含量的測定

在實驗室分別測定樣點土壤的全磷與有效磷含量，表1為樣點土壤全磷與有效磷含量的描述性統(tǒng)計。

偏度一般用于衡量樣本分布的對稱程度，用α來表示。當偏度α=0時為正態(tài)分布；當偏度α>0時為正偏斜；當偏度α0時，代表分布比正態(tài)分布更集中在平均數(shù)周圍，分布呈現(xiàn)尖峰狀態(tài)；當β=0時，分布為正態(tài)分布；當β

2.2 土壤全磷、有效磷光譜特征分析

為了解樣點土壤全磷與有效磷含量在同一高光譜波段的相關性，本研究選取樣點土壤全磷含量、有效磷含量與樣點土壤光譜反射率重采樣去包絡線處理后進行相關性分析，對比研究土樣全磷、有效磷含量與土樣光譜反射率的相關系數(shù)隨著波長變化的關系，結果如圖1所示。

從圖1可以看出，原始光譜曲線經重采樣去包絡線處理后在345～546 nm、812～1 348 nm、1 369～1 717 nm、1 732～

1 799 nm、1 811～1 903 nm、1 909～1 917 nm、1 925～

2 348 nm 處全磷含量的光譜反射率相關系數(shù)低于有效磷含量的光譜反射率相關系數(shù)；從546～623 nm、1 349～1 368 nm、1 718～1 731 nm、1 718～1 731 nm、1 800～1 810 nm、1 918～1 924 nm處全磷含量的光譜反射率相關系數(shù)高于有效磷的相關系數(shù)；624～812 nm、2 349～2 513 nm處兩者含量光譜反射率曲線走向基本一致。

2.3 土壤全磷、有效磷含量高光譜反射率敏感波段的選擇

為更好地研究土壤全磷、有效磷含量與其高光譜反射率曲線的相關性，對土壤采樣點的光譜反射率進行了18種數(shù)學變換，從中尋找對全磷、有效磷含量較為敏感的光譜波段。反射率經過變換運算后對其進行統(tǒng)計分析，一方面可以減弱噪聲對目標光譜的干擾；另一方面可以變非線性關系為線性關系[14-15]。由于原始數(shù)據(jù)反射率（自變量）與全磷、有效磷含量（因變量）兩者之間并非線性關系，經過變換運算后再和全磷、有效磷含量進行線性回歸，其實質為非線性關系線性化處理。土壤全磷、有效磷與波長反射率通過多種變換計算其相關系數(shù)，以此來篩選出相關系數(shù)在一定波段內比較平穩(wěn)且相關系數(shù)高的波段，利用此波段來做繁衍模型。表2、表3為變換方法及其得出的相關系數(shù)最值和對應波段。

通過以上18種變換可以看出，選取各種變換中相關系數(shù)較高且穩(wěn)定的波段為敏感波段，因此全磷的敏感波段為534 nm 處基于重采樣一階微分運算和1 090 nm處基于重采樣倒數(shù)、對數(shù)、平方根、立方根的一階微分計算；有效磷的敏感波段為365 nm處基于重采樣一階微分運算、1 631 nm處基于重采樣倒數(shù)的一階微分運算和2 223 nm處基于重采樣去包絡線運算。

2.4 反演模型的建立

對經過預處理后得到的光譜反射率與土壤全磷、有效磷含量的相關性進行分析，得到南方典型水稻土土壤全磷的特征波段為534、1 090 nm；土壤有效磷的特征波段為365、1 631、2 223 nm。本研究選取光譜反射率重采樣一階微分變換中與土壤全磷含量相關系數(shù)最高的波段534 nm（相關系數(shù)為-0.702）和土壤有效磷含量相關系數(shù)最高的波段365 nm（相關系數(shù)為0.677）進行回歸方程擬合，建立其預測模型（表4、表5、圖2、圖3）。

4種模型中多項式回歸方程模型對于預測全磷與有效磷含量比較準確。全磷多項式回歸方程為y=17.363x2-9.170 8x+1.183 4，其相對分析誤差RPD=1.430 7，大于14；

有效磷多項式回歸方程為y=34 983x2-2 699.2x+67.578，其相對分析誤差RPD=1.541，也大于1.4，說明該模型可以較粗略地預測水稻土全磷、有效磷含量，但是模型還有待進一步改善。

3 結論與討論

由于土壤全磷與有效磷在化學成分上存在差異，所以在同一種光譜處理方法下土壤全磷、有效磷含量與光譜反射率的相關性曲線走勢也存在一定差異，總體來看，土壤有效磷含量與光譜反射率的相關性要高于土壤全磷。土壤全磷光譜反射率相關系數(shù)在波長534 nm處達到最大值，為-0.702，在多個微分處理方法中在1 090 nm左右波段相關系數(shù)比較穩(wěn)定，且都達到0.65以上；土壤有效磷光譜反射率相關系數(shù)在波長365 nm處達到最大值，為0.677。研究發(fā)現(xiàn)，全磷和有效磷光譜反射率敏感波段為534、365 nm，并基于多項回歸建立了預測模型，模型的相對分析誤差（RPD）分別為1.430 7、1.541，能夠粗略地預測南方丘陵水稻土全磷、有效磷含量，但是本研究的土壤樣本取自南方丘陵區(qū)的江西省興國縣，土壤類型為水稻土，所建立的土壤全磷、有效磷估算模型對其他地區(qū)、其他類型土壤是否適用，有待進一步研究。此次研究土壤樣本數(shù)量較少，土壤光譜反射特征受眾多因素影響，比如鐵、全氮、全鉀、有機質等，本研究僅考慮了全磷與有效磷來建立模型進行預測有一定的局限性。因此，在以后的研究中，如何將多種因素有機結合起來，建立更加精準的南方稻田土壤養(yǎng)分含量預測模型，是后續(xù)工作需要著重探究的。

參考文獻：

[1]陳婷婷，王 嬌.土壤磷素對作物產量的影響[J]. 農技服務，2012，29（11）：1247.

[2]孫宏飛.厭氧培養(yǎng)的水稻土中磷酸鐵及磷的化學行為[D]. 楊凌：西北農林科技大學，2006.

[3]陳紅艷.土壤主要養(yǎng)分含量的高光譜估測研究[D]. 泰安：山東農業(yè)大學，2012.

[4]鄧 晶，杜昌文，周健民，等. 紅外光譜在土壤學中的應用[J]. 土壤，2008，40（6）：872-877.

[5]彭 杰，張楊珠，周 清，等. 土壤理化特性與土壤光譜特征關系的研究進展[J]. 土壤通報，2009，40（5）：1204-1208.

[6]劉煥軍，張 柏，楊 立，等. 土壤光學遙感研究進展[J]. 土壤通報，2007，38（6）：1196-1202.

[7]Sullivan D G，Shaw J N，Rickman D，et al. Using remote sensing data to evaluate surface soil properties in Alabama ultisols[J]. Soil Science，2005，170（12）： 954-968.

[8]Bogrekci I，Lee W S. Comparison of ultraviolet，visible，and near infrared sensing for soil phosphorus[J]. Biosystems Engineering，2007，96： 293-299.

[9]Mouazen A M，Maleki M R，Baerdemaeker J D，et al. On-line measurement of some selected soil properties using a VIS-NIR sensor[J]. Soil & Tillage Research，2007，93： 13-27.

[10]陳鵬飛，劉良云，王紀華，等. 近紅外光譜技術實時測定土壤中總氮及磷含量的初步研究[J]. 光譜學與光譜分析，2008，28（2）：295-298.

[11]蘇紅軍，杜培軍，盛業(yè)華. 高光譜遙感數(shù)據(jù)光譜特征提取算法與分類研究[J]. 計算機應用研究，2008，25（2）：390-394.

[12]郭 熙，葉英聰，謝碧裕，等. 南方丘陵稻田土堿解氮高光譜特征及反演模型研究[J]. 國土資源遙感，2015，27（2）：94-99.

[13]Chang C W，Laird D A. Near-infrared reflectance spectroscopic analysis of soil C and N[J]. Soil Science，2002，167（2）：110-116.

[14]鄭光輝.江蘇部分地區(qū)土壤屬性高光譜定量估算研究[D]. 南京：南京大學，2010.

[15]高 會，陳紅艷，劉慧濤，等. 基于高光譜的魯西北平原土壤有效磷含量快速檢測研究[J]. 中國生態(tài)農業(yè)學報，2013，21（6）：752-757.