陳秋宇，楊仁敏，朱長明

（江蘇師范大學(xué)地理測繪與城鄉(xiāng)規(guī)劃學(xué)院，江蘇徐州 221116）

濱海濕地是陸地和海洋之間的交錯(cuò)地帶，作為最具經(jīng)濟(jì)價(jià)值的生態(tài)系統(tǒng)之一，它提供了豐富的生態(tài)服務(wù)功能，但同時(shí)也易受外來物種入侵影響[1-2]。例如，原產(chǎn)于美洲大西洋沿岸的互花米草，由于其在防風(fēng)固堤、促淤護(hù)灘等方面的積極作用，于1979年被引入我國[3-4]。此后，互花米草憑借其強(qiáng)大的適應(yīng)與繁殖能力，在我國東部沿海地區(qū)迅速擴(kuò)散，逐漸形成具有一定優(yōu)勢的植物群落，對濱海濕地土壤碳庫造成了深刻影響[5]。

作為“藍(lán)碳”生態(tài)系統(tǒng)的重要組成部分，濱海鹽沼濕地在減緩溫室氣體排放、穩(wěn)定全球氣候變化等方面起著至關(guān)重要的作用[6]。眾多研究表明，長期入侵的互花米草對濕地碳循環(huán)過程和碳儲量的影響非常顯著[7]。互花米草發(fā)達(dá)的根莖系統(tǒng)具有緩流消浪的作用，從而可以促進(jìn)泥沙沉積，加速濕地碳沉積，并且其較高的生物量和較長的生長季可以顯著改善濱海濕地的固碳能力[8]。王剛等[9]在對江蘇鹽城新洋港濕地的研究中指出，互花米草的入侵顯著改變了土壤有機(jī)碳組分，提高了土壤碳匯能力。此外也有一些研究表明，入侵種互花米草可能會減弱土壤的碳匯能力。例如，張祥霖等[10]在對福建漳江口紅樹林濕地的研究中指出，互花米草入侵紅樹林后，生物量明顯降低，碳效應(yīng)產(chǎn)生衰退；前人的研究大多集中于互花米草入侵濕地土壤有機(jī)碳組分、格局等響應(yīng)機(jī)制的變化，對入侵種互花米草濕地土壤有機(jī)碳預(yù)測的研究較少。因此，高效監(jiān)測互花米草入侵后濕地土壤有機(jī)碳的時(shí)空變化，將有利于科學(xué)評價(jià)互花米草對濕地碳庫的影響。

近年來，土壤近地傳感技術(shù)由于可以快速、高效地獲取土壤信息，準(zhǔn)確揭示土壤屬性的時(shí)空分布規(guī)律，正逐漸成為土壤學(xué)研究中非常重要的一種信息獲取手段[11]。大量研究表明，利用與特定吸收光譜的直接關(guān)系或與土壤光譜相關(guān)的土壤特性的間接聯(lián)系，可以有效預(yù)測土壤屬性[12]。土壤有機(jī)碳、氮、碳氮比和顆粒大小均被視為對反射率有直接影響的土壤性質(zhì)[13-15]。因此，可見光—近紅外反射光譜技術(shù)被廣泛地用于土壤有機(jī)碳的定量預(yù)測研究[13]。偏最小二乘回歸（PLSR）是最常用的多元分析技術(shù)之一[16]。

由于多種成土因素、生態(tài)環(huán)境過程和人類活動(dòng)的影響，土壤屬性在空間上呈現(xiàn)出不同程度的異質(zhì)性[17]。因此，通常在獲取土壤樣點(diǎn)數(shù)據(jù)的基礎(chǔ)上，借助多種輔助變量，更好地解釋土壤屬性的空間分布特征[18]。對于輔助變量的選擇，不僅包括地形因子、植被類型、母質(zhì)類型等環(huán)境因素，還包括土地利用方式等人為管理措施因素。Shi[19]、Phachomphon等[20-21]引入地表環(huán)境因子作為輔助變量的土壤屬性空間分布預(yù)測方法，在不同程度上考慮了環(huán)境因子對土壤屬性空間分布的影響，取得了較好的預(yù)測效果；高鳳杰等[22]引入土地利用類型為輔助變量，結(jié)合土壤有機(jī)質(zhì)的概率分布，以提高其空間預(yù)測精度。宋英強(qiáng)等[23]則應(yīng)用多源輔助變量和極限學(xué)習(xí)機(jī)方法成功預(yù)測土壤有機(jī)質(zhì)的空間分布。為了提高模型的精度和預(yù)測結(jié)果的可靠性，本文除使用光譜數(shù)據(jù)作為預(yù)測變量之外，在考慮區(qū)域特點(diǎn)的基礎(chǔ)上加入植被入侵年限與土層深度作為輔助變量參與建模。

通常情況下，較大的樣本量有利于提升土壤屬性的預(yù)測精度[12]，但是，由于野外樣品采集和實(shí)驗(yàn)室分析成本比較高，一些研究探討了基于小樣本量（樣本數(shù)量小于50）數(shù)據(jù)集的土壤屬性光譜預(yù)測精度，表明在一些情況下基于小樣本量的土壤光譜預(yù)測模型也可以達(dá)到合理的預(yù)測精度[24-27]。例如，Wetterlind等[26]以土壤電導(dǎo)率和中紅外反射光譜為輔助數(shù)據(jù)采集了25個(gè)土壤樣品，基于近紅外反射光譜建立了土壤有機(jī)質(zhì)預(yù)測模型；Kuang和Mouazen[27]使用偏最小二乘回歸和留一交叉驗(yàn)證法，對基于不同數(shù)量（25、50、75、100）樣本集的土壤（有機(jī)碳、含水量、總氮）光譜預(yù)測模型精度進(jìn)行了驗(yàn)證，結(jié)果表明，使用50個(gè)樣本量即可以達(dá)到良好的預(yù)測精度。

為了定量表達(dá)互花米草入侵背景下濱海濕地土壤有機(jī)碳的變化規(guī)律，本研究以江蘇沿海典型互花米草濕地生態(tài)系統(tǒng)為例，嘗試運(yùn)用可見光—近紅外反射光譜技術(shù)，探究互花米草濕地不同時(shí)空狀態(tài)下的土壤光譜特征，建立基于偏最小二乘回歸算法的土壤有機(jī)碳定量預(yù)測模型，以期實(shí)現(xiàn)互花米草濕地土壤有機(jī)碳的快速、高效估算，為互花米草濕地土壤系統(tǒng)監(jiān)測提供借鑒經(jīng)驗(yàn)，同時(shí)也為濕地生態(tài)系統(tǒng)保護(hù)和資源合理利用提供科學(xué)依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于中國中東部沿海濕地，經(jīng)緯度范圍在33°20′～33°30′N和120°40′～120°45′E之間。該地區(qū)年降水量980～1 070 mm，且多集中于6—9月，年平均氣溫在13.7～14.6℃之間，屬于典型的季風(fēng)氣候。本研究區(qū)，植被類型結(jié)構(gòu)單一，僅有互花米草一種優(yōu)勢植物?；セ撞荩⊿partina alterniflora）于1983年被引入該潮間帶，之后迅速擴(kuò)張，促使泥灘逐漸演變?yōu)辂}沼濕地[9]。但由于早期圍墾，研究區(qū)附近大量互花米草濕地已經(jīng)消失。

1.2 土壤樣品采集與分析

本研究采用時(shí)空替代法獲取詳細(xì)的土壤—植被信息。通過設(shè)計(jì)分層隨機(jī)采樣方案選取采樣點(diǎn)，一共選取15個(gè)站點(diǎn)，如圖1所示。首先，使用Landsat時(shí)間序列數(shù)據(jù)結(jié)合目視解譯方法將互花米草的不同形成階段分為四個(gè)等級（2000年，2004年，2010年和2016年）；其次，沿五個(gè)海向橫斷面隨機(jī)選取15個(gè)與互花米草不同形成階段相關(guān)的樣點(diǎn)，并記錄每個(gè)樣點(diǎn)互花米草的年齡?；セ撞莸哪挲g通過時(shí)間序列Landsat影像判讀得到。在每個(gè)樣點(diǎn)挖掘1 m深度的土壤剖面，并劃分三個(gè)固定層次（0～30、30～60、60～100 cm）進(jìn)行采樣，共獲取45個(gè)土壤樣品。在實(shí)驗(yàn)室中，樣品經(jīng)過風(fēng)干和根系剔除等預(yù)處理，研磨并過2 mm篩，采用四分法取樣，一式兩份，分別用于實(shí)驗(yàn)室有機(jī)碳含量和土壤光譜反射率的測定。其中，土壤有機(jī)碳含量的測定采用Walkley-Black濕式燃燒法[28]。

1.3 土壤光譜的測定與預(yù)處理

利用美國ASD FieldSpec 3便攜式地物波譜儀測定土壤光譜反射率，其波段范圍為350～2 500 nm，采樣間隔為1.4 nm（350～1 000 nm）和2 nm（1 000～2 500 nm），重采樣間隔為1 nm，輸出波段數(shù)為2 151個(gè)。測定過程在暗室內(nèi)進(jìn)行，光源為功率為50W的鹵素?zé)?，入射?5°，距離土樣中心30 cm。光纖探頭的視場角為8°，垂直放置于目標(biāo)物正上方，距離土壤表面15 cm。將土壤樣本放入直徑5 cm、深2 cm的器皿中，裝滿后刮平土樣表面進(jìn)行測定。測定前需進(jìn)行標(biāo)準(zhǔn)白板校正，測定時(shí)每個(gè)樣品按90°旋轉(zhuǎn)3次，測試土樣4個(gè)方向的光譜曲線，每個(gè)方向測定5條，共20條樣本線，算數(shù)平均后得到該土樣的光譜反射率。

在利用反射光譜建立預(yù)測模型之前，對土壤光譜進(jìn)行了一系列預(yù)處理。首先，采用Savitzky-Golay卷積平滑法對光譜數(shù)據(jù)進(jìn)行預(yù)處理，去除光譜噪聲；然后對其進(jìn)行10 nm間隔的重采樣，得到216個(gè)波段。10 nm間隔的重采樣可以在不損失光譜信息的基礎(chǔ)上，有效降低數(shù)據(jù)維度[29]。研究表明，合理的光譜預(yù)處理技術(shù)有利于提高土壤屬性的預(yù)測精度，但最優(yōu)的預(yù)處理方式往往取決于數(shù)據(jù)集特點(diǎn)，因此需要對比不同的預(yù)處理方法對模型預(yù)測精度的影響[25]。光譜微分變換形式有利于降低背景噪音的影響，擴(kuò)大樣本間光譜特征的差異。因此，選取重采樣后的光譜數(shù)據(jù)作為原始光譜反射率（R），在此基礎(chǔ)上作倒數(shù)變換（1/R），然后對反射率和反射率倒數(shù)分別進(jìn)行一階微分和二階微分變換，得到包括R在內(nèi)的六種光譜變換形式。為研究時(shí)間因素（互花米草入侵年限）和土層深度對土壤光譜的影響，利用SPSS軟件對樣本光譜數(shù)據(jù)進(jìn)行單因素方差分析。

1.4 土壤有機(jī)碳光譜預(yù)測模型的建立與檢驗(yàn)

偏最小二乘回歸法集主成分、典型相關(guān)和多元線性回歸分析等多種分析方法的優(yōu)點(diǎn)于一體，采用數(shù)據(jù)降維、信息綜合與篩選技術(shù)，提取出反映數(shù)據(jù)變異的最佳綜合成分構(gòu)建模型，對小樣本數(shù)據(jù)具有良好的預(yù)測能力，因而被廣泛應(yīng)用于光譜數(shù)據(jù)建模[29]。

為了研究不同光譜變換形式對預(yù)測精度的影響，采用PLSR方法，以六種光譜變換形式為自變量，分別建立土壤有機(jī)碳的光譜預(yù)測模型。此外，為研究時(shí)間因素和土層深度對模型預(yù)測的影響，在光譜預(yù)測模型中加入時(shí)間因素和土層深度作為自變量，對比分析時(shí)空因素對土壤有機(jī)碳預(yù)測模型精度的影響。采用留一交叉驗(yàn)證法過程中最小的均方根誤差（RMSECV）數(shù)值確定PLSR中參與建模的最佳主成分個(gè)數(shù)。最后，利用兩種交叉驗(yàn)證法對土壤有機(jī)碳的預(yù)測效果進(jìn)行評價(jià)，第一種是按照深度隨機(jī)取樣，即每次分別從三個(gè)土層中隨機(jī)選擇一個(gè)樣本用于驗(yàn)證；第二種是按照深度固定取樣，即每次選擇來自一個(gè)剖面的三個(gè)樣本用于驗(yàn)證。

模型的預(yù)測精度采用預(yù)測值與實(shí)測值的決定系數(shù)（R2）、均方根誤差（RMSE）和相對分析誤差（RPD）來評價(jià)。2R越大、RMSE越小，表明模型估算精度越高。RPD值可以用來解釋模型的預(yù)測能力，當(dāng)RPD＜ 1.4時(shí)，表明模型無法進(jìn)行準(zhǔn)確預(yù)測；當(dāng)1.4 ≤RPD ＜ 2.0時(shí)，表明模型的預(yù)測能力一般；2.0 ≤RPD ＜ 2.5時(shí)，表明模型具有較好的預(yù)測能力[30]。

式中，y為實(shí)測值；n為樣本數(shù)量，用i=1，2，3，···，n表示；為預(yù)測值；為實(shí)測值均值；SD為實(shí)測值標(biāo)準(zhǔn)偏差。

2 結(jié) 果

2.1 土壤有機(jī)碳含量的統(tǒng)計(jì)特征

由土壤有機(jī)碳含量的描述性統(tǒng)計(jì)特征（表1）可知，研究區(qū)全體樣本的土壤有機(jī)碳含量均值為6.05 g·kg-1，變化范圍為2.08～9.37 g·kg-1，變異系數(shù)為30.35%。該研究區(qū)土壤有機(jī)碳含量均值隨深度的增加而降低，變異系數(shù)逐漸增加。0～30 cm表層土壤有機(jī)碳含量均值為7.37 g·kg-1，變異系數(shù)為18.13%；60～100 cm層土壤有機(jī)碳含量均值降至4.39 g·kg-1，變異系數(shù)擴(kuò)大至36.26%。不同采樣深度的土壤有機(jī)碳含量隨植物入侵年限的變化結(jié)果表明（圖2），0～30 cm表層土壤有機(jī)碳含量隨入侵年限的增長而顯著增加，具有極顯著的空間自相關(guān)性（P＜ 0.01）[31]，而30～100 cm層土壤有機(jī)碳增加趨勢不顯著。

表1 土壤有機(jī)碳含量描述性統(tǒng)計(jì)特征Table 1 Descriptive statistics of soil organic carbon contents

2.2 互花米草濕地土壤光譜特征

如圖3a所示，研究區(qū)土壤樣本的光譜曲線形態(tài)基本一致，呈曲折上升的拋物線型，且在1 400、1 900和2 200 nm處有三個(gè)較明顯的吸收谷?？梢姽獠ǘ危?50～780 nm）范圍內(nèi)光譜反射率迅速上升，各曲線間差異較?。唤t外波段（780～2 500 nm）范圍內(nèi)光譜反射率呈緩慢上升趨勢，光譜曲線間差異較大。通過觀察不同深度土壤光譜均值曲線（圖3b）可以看出，土壤剖面各土層深度光譜均值曲線形態(tài)相似。隨著土壤深度的增加，光譜曲線特征吸收帶的位置和形狀并未發(fā)生明顯變化。為了探究互花米草入侵年限和土層深度對該地區(qū)土壤光譜的影響，對樣本光譜數(shù)據(jù)進(jìn)行0.05水平上的方差分析。結(jié)果表明，不同采樣深度和不同入侵年限間的土壤光譜數(shù)據(jù)均不存在顯著性差異。

2.3 基于PLSR的土壤有機(jī)碳預(yù)測

不同模型的擬合結(jié)果如表2所示，僅以光譜及其變換形式為自變量建立的PLSR模型中，RPD ≥ 2的模型有3個(gè)，分別為基于R′、R″和（1/R）″建立的模型，說明這三個(gè)模型均可以較好地?cái)M合土壤有機(jī)碳數(shù)據(jù)，其中R″的效果最優(yōu)，RPD值等于2.16。在模型中加入互花米草入侵年份和土層深度變量后，其中四種PLSR模型（R、R″、1/R和（1/R）″）的擬合精度均有一定程度的提高，R″和（1/R）″建立的模型RPD值超過2，模型更為穩(wěn)定，擬合效果較好。

表2 基于光譜的土壤有機(jī)碳含量PLSR預(yù)測模型Table 2 PLSR model for prediction of soil organic carbon contents based on soil spectra

采用兩種交叉驗(yàn)證法對12種PLSR模型進(jìn)行驗(yàn)證，以檢驗(yàn)?zāi)Ｐ偷念A(yù)測效果（表3）。從表3可知，兩種交叉驗(yàn)證法所得參數(shù)結(jié)果差異較小，表明模型的預(yù)測效果較為穩(wěn)定。其中，以光譜及其變換形式為單一自變量建立的PLSR模型總體預(yù)測效果較差，兩種驗(yàn)證方法所得R2值介于0.41～0.58之間，RPD值介于1.12～1.31之間。由加入植物入侵年限與土層深度變量參與建立的PLSR模型經(jīng)驗(yàn)證可知，6種模型的評價(jià)參數(shù)均有一定程度的改善。其中，基于1/R建立的模型預(yù)測效果最好，R2為0.68，RPD 值達(dá)到1.6。

表3 土壤有機(jī)碳含量預(yù)測模型的交叉驗(yàn)證結(jié)果Table 3 Cross validation of the models for prediction of soil organic carbon contents

3 討 論

作為我國濱海濕地生態(tài)系統(tǒng)中最突出的入侵植物之一，互花米草對沿海鹽沼濕地的土壤系統(tǒng)產(chǎn)生了重要影響，互花米草通過光合作用，將大氣中的CO2固定在植物體內(nèi)，然后以植物殘?bào)w、根茬、根際沉積碳等形式進(jìn)入土壤。光合碳在植物-土壤系統(tǒng)的分配與固定對土壤有機(jī)碳庫的循環(huán)、周轉(zhuǎn)和動(dòng)態(tài)變化均會產(chǎn)生影響[32]。由于互花米草根須可達(dá)1 m，本研究以1 m的土壤剖面為研究對象，有利于揭示互花米草入侵背景下不同深度土壤有機(jī)碳含量的變化。結(jié)果表明，研究區(qū)土壤有機(jī)碳含量隨深度的增加而降低，互花米草的入侵顯著增加了表層土壤的有機(jī)碳含量，促進(jìn)鹽沼濕地表層土壤有機(jī)碳的固存，這與前人的研究結(jié)果相似。金寶石等[8]通過研究閩江河口區(qū)濕地土壤有機(jī)碳的變化發(fā)現(xiàn)，隨著互花米草生長時(shí)間的延長，有機(jī)碳含量明顯增加，互花米草的碳匯能力在入侵后短期內(nèi)持續(xù)增強(qiáng)。其原因在于，互花米草持續(xù)增長的生物量直接進(jìn)入土壤，從而促進(jìn)土壤有機(jī)碳的累積。不同的是，陳桂香等[33]在研究互花米草入侵對我國紅樹林濕地土壤有機(jī)碳組分的影響中發(fā)現(xiàn)，入侵后紅樹林濕地的土壤有機(jī)碳和有機(jī)碳儲量總體上顯著降低。這是由于入侵種互花米草減弱了紅樹林濕地土壤的化學(xué)鍵合保護(hù)機(jī)制，降低土壤有機(jī)碳穩(wěn)定性，造成有機(jī)碳的分解礦化，一定程度削弱了濕地的碳匯功能。由此可見，入侵種互花米草對濕地土壤碳庫的影響與原生植物群落息息相關(guān)。

本研究表明，基于偏最小二乘回歸模型和小樣本量數(shù)據(jù)可以在互花米草入侵濕地實(shí)現(xiàn)土壤有機(jī)碳的光譜預(yù)測。進(jìn)行高光譜建模前，采用合適的光譜預(yù)處理方法能夠優(yōu)化光譜信息，提高定量預(yù)測模型的精度，如倒數(shù)、基線偏移、平均歸一化、最大歸一化、一階和二階導(dǎo)數(shù)等。這些方法通常可以消除噪音，降低基線影響并減小粒徑的影響[34-35]。但是，由于土壤基底特征與環(huán)境因素的影響，最優(yōu)的光譜處理方式在不同地區(qū)往往存在較大差異。楊愛霞等[36]利用支持向量機(jī)的回歸特征消除法建立了基于一階微分預(yù)處理的有機(jī)碳含量預(yù)測模型；李焱等[37]利用偏最小二乘回歸和多元線性回歸分別建立土壤全氮定量預(yù)測模型，結(jié)果發(fā)現(xiàn)反射率二階微分建立的偏最小二乘回歸模型可以更好地預(yù)測土壤全氮含量，監(jiān)測土壤中化學(xué)元素含量變化。此外，于雷等[38]運(yùn)用PLSR方法建立基于全波段（400～2 400 nm）與顯著性波段的土壤有機(jī)質(zhì)高光譜預(yù)測模型，通過模型精度比較確定全波段模型的精度較高，這是因?yàn)槿ǘ蔚腜LSR模型具有較多的光譜參量，考慮了全光譜區(qū)域內(nèi)各波長點(diǎn)的光譜參數(shù)，在解決土壤樣本少而光譜變量多等方面效果顯著。

本研究以濕地土壤有機(jī)碳的時(shí)空變化為基礎(chǔ)，假設(shè)時(shí)空因素對土壤反射光譜特征具有一定影響。加入時(shí)空輔助變量參與建立的土壤有機(jī)碳預(yù)測模型的擬合結(jié)果表明，相對于僅包含光譜信息的預(yù)測模型，加入輔助變量的混合模型的預(yù)測精度高。原因在于，互花米草入侵對土壤有機(jī)碳庫的影響受到生物與非生物因素的共同作用，包括環(huán)境因子變化、入侵生態(tài)系統(tǒng)結(jié)構(gòu)、競爭物種特性、互花米草入侵年限等[5]。這種交互作用促使互花米草濕地土壤有機(jī)碳含量在水平和垂直深度上表現(xiàn)出顯著差異[9，39]。同時(shí)，時(shí)空變量也在一定程度上解釋了光譜特征的空間異質(zhì)性，因此加入時(shí)間和空間變量參與建模，可以更好地考慮植被入侵對土壤有機(jī)碳的影響，從而提升土壤有機(jī)碳的預(yù)測精度。此結(jié)果對研究外來植物入侵背景下的土壤屬性預(yù)測提供了重要的實(shí)踐經(jīng)驗(yàn)。

盡管本研究表明可見光-近紅外光譜技術(shù)可以用于互花米草入侵濕地的土壤有機(jī)碳定量分析，但是仍然存在一些不足和限制性條件：一方面，本研究選取的區(qū)域是受互花米草入侵影響嚴(yán)重的濱海濕地，該地區(qū)土壤屬性受植物生長與海水活動(dòng)的影響明顯，土壤有機(jī)碳含量的時(shí)空差異較大，因此進(jìn)一步挖掘土壤時(shí)空變化過程相關(guān)輔助變量有助于提高模型的預(yù)測精度；另一方面，本研究的樣本數(shù)量有限，可能會影響模型的預(yù)測效果，因?yàn)樵谕寥罆r(shí)空變異程度較大的背景下，小樣本的采集方法可能會影響模型預(yù)測精度。

總體而言，利用可見光—近紅外光譜技術(shù)可以較合理地預(yù)測互花米草入侵背景下的濱海濕地土壤有機(jī)碳含量，并且加入時(shí)空輔助變量有助于提高模型的預(yù)測精度。這對于在互花米草濕地利用相關(guān)輔助變量指導(dǎo)樣品采集、參與土壤屬性預(yù)測提供一定借鑒意義，有助于實(shí)現(xiàn)外來物種入侵下濱海濕地碳庫變化的高效監(jiān)測。此外，為了深入理解外來物種入侵條件下土壤光譜反射率特征及其他因素的影響，對不同地區(qū)和類型的入侵濕地土壤進(jìn)行研究，以提高入侵濕地土壤有機(jī)碳光譜預(yù)測模型的準(zhǔn)確性與適用性。

4 結(jié) 論

本文采用偏最小二乘回歸方法建立互花米草入侵濕地土壤有機(jī)碳含量的光譜預(yù)測模型，分析了入侵種互花米草對不同深度土壤有機(jī)碳的影響，重點(diǎn)探討了不同光譜數(shù)據(jù)處理方式以及時(shí)空輔助變量對模型預(yù)測精度的影響。結(jié)果表明，互花米草入侵促進(jìn)表層土壤有機(jī)碳的顯著增加，基于光譜倒數(shù)建立的混合模型預(yù)測精度最高，穩(wěn)定性好，是估算該地區(qū)土壤有機(jī)碳的最優(yōu)模型。綜合而言，植物入侵年限與土壤深度對模型的擬合、預(yù)測精度均有一定程度的改善，結(jié)合時(shí)空輔助變量建立的PLSR混合模型效果普遍優(yōu)于單一光譜模型。

致 謝 感謝中國科學(xué)院南京土壤研究所潘賢章研究員和王昌昆副研究員在土壤光譜獲取過程中給予的指導(dǎo)和幫助。