余星興，袁大剛，陳劍科，翁 倩，付宏陽(yáng)，黃宇瀟

（四川農(nóng)業(yè)大學(xué)資源學(xué)院，成都 611130）

土壤顏色是判斷成土環(huán)境、土壤發(fā)育程度及肥力特征的重要依據(jù)之一，在土壤發(fā)生、分類(lèi)研究中具有重要意義，氧化鐵是其主要影響因素之一[1-3]。顏色是土壤在可見(jiàn)光波段的反射光譜特征，而在決定反射光譜特征最重要的土壤化學(xué)成分中，僅有Fe在可見(jiàn)-近紅外波段具有光譜特征[4]，因此可利用土壤顏色或光譜數(shù)據(jù)對(duì)土壤氧化鐵進(jìn)行反演預(yù)測(cè)。Fe在土壤中主要以鐵氧化物的形式存在，大部分呈游離態(tài)，作為土壤中重要的礦物膠結(jié)組織[5]，游離鐵不僅顯著影響土壤顏色，還能反映土壤的發(fā)生演變。近年來(lái)，國(guó)內(nèi)外已有多項(xiàng)研究成功利用土壤光譜數(shù)據(jù)建立游離鐵含量預(yù)測(cè)模型[6-9]，但多基于對(duì)模型算法的討論，基于土壤顏色反演游離鐵的研究報(bào)道還甚少。

在眾多色空間/色度指標(biāo)中，土壤科學(xué)中主要采用Munsell色空間，土壤系統(tǒng)分類(lèi)以此為依據(jù)繪制色卡判別土壤顏色[10]。但隨著光學(xué)技術(shù)的進(jìn)步，色卡精度低、易受環(huán)境條件[11-13]影響的缺點(diǎn)已經(jīng)無(wú)法忽視，而測(cè)色儀器則更為精確客觀，可以提供更多有價(jià)值的信息，促進(jìn)了土壤顏色的研究和應(yīng)用。相比昂貴的大型光譜儀[14]和誤差不定、參數(shù)有限的相機(jī)等便攜式拍攝裝置[15]，便攜式分光測(cè)色儀可同時(shí)獲得各色度參數(shù)和光譜數(shù)據(jù)，校正、測(cè)試方便，性?xún)r(jià)比高[16]，在土壤顏色相關(guān)方面研究?jī)?yōu)勢(shì)明顯。

川中丘陵區(qū)遍布紫色土，其土色包括紫紅、紅、紅黃等一系列顏色，氧化鐵平均含量介于34.7～170.9 g·kg–1，低于我國(guó)土壤平均值，但略高于世界土壤平均值，土樣之間變異系數(shù)較大[17]，較適宜用于定量研究土壤顏色與游離鐵之間的關(guān)系。因此，本研究以川中丘陵區(qū)典型土系為研究對(duì)象，利用化學(xué)方法測(cè)定游離鐵含量，利用分光測(cè)色儀測(cè)定Munsell顏色及其光譜數(shù)據(jù)，探究利用Munsell顏色預(yù)測(cè)土壤游離鐵含量的可行性。

1 材料與方法

1.1 研究區(qū)概況

供試的27個(gè)典型土系位于川中丘陵區(qū)（圖1），地跨103°15′–108°30′E、27°35′–32°52′N(xiāo)，地處長(zhǎng)江以北，沱江、涪江、嘉陵江、渠江等中下游，屬典型方山丘陵，屬亞熱帶濕潤(rùn)季風(fēng)氣候，出露地層多為中生界侏羅系中上統(tǒng)的紫紅色泥巖和砂巖，土壤類(lèi)型主要為紫色土（發(fā)生分類(lèi)）。

1.2 土樣采集與處理

于2015—2016年進(jìn)行土樣采集，每個(gè)剖面依據(jù)發(fā)生層次自下而上采集分析樣品，共97個(gè)土樣。由于新鮮土樣可能因土塊大小不一或水分含量不等/含水量過(guò)飽和現(xiàn)象[18]造成色彩均一性較差，對(duì)顏色測(cè)定產(chǎn)生不同程度的影響，因此不在野外或室內(nèi)對(duì)所采的新鮮土樣直接進(jìn)行顏色測(cè)定，而是將土樣經(jīng)過(guò)室內(nèi)自然風(fēng)干、去雜、研磨過(guò)10目（2.0 mm）、60目（0.250 mm）和100目（0.149 mm）尼龍篩后備用。

1.3 土壤理化性質(zhì)測(cè)定

土壤全鐵（Fet，過(guò)100目篩土樣）和游離鐵（Fed，過(guò)60目篩土樣）分別采用碳酸鋰-硼酸熔融、DCB浸提，電感耦合等離子發(fā)射光譜儀（ICP-AES）法測(cè)定[19]。

Munsell顏色及光譜數(shù)據(jù)利用日本 Konica Minolta公司CM600d分光測(cè)色儀測(cè)定。將過(guò)10目的土樣置于配套粉末測(cè)試裝置，使樣品略多于裝置，擰緊裝置蓋；設(shè)置測(cè)定參數(shù)為觀測(cè)角度2°、內(nèi)置C光源，選用8 mm測(cè)色穩(wěn)定片；進(jìn)行零校正與白板校正后將測(cè)定端置于粉末測(cè)試裝置中測(cè)定，同一土樣重復(fù)測(cè)定3次，獲取Munsell色空間的色調(diào)、明度、彩度參數(shù)及光譜數(shù)據(jù)。

1.4 數(shù)據(jù)處理及模型建立

（1）土壤顏色、光譜數(shù)據(jù)處理。Munsell色空間中的色調(diào)由數(shù)字與英文顏色縮寫(xiě)組合而成，如2.5R，2.5YR，2.5Y等，本研究中將2.5R計(jì)為2.5、2.5YR計(jì)為12.5、2.5Y計(jì)為22.5[20]，以此類(lèi)推；明度、彩度則以測(cè)定值為準(zhǔn)。

CM600d測(cè)色儀以10 nm為間隔獲取400～690 nm部分可見(jiàn)光波段土壤反射光譜數(shù)據(jù)，并計(jì)算各波段間反射率一階導(dǎo)數(shù)值，以避免原始反射光譜曲線(xiàn)較平滑的現(xiàn)象，突出光譜特征[21]。

（2）數(shù)據(jù)處理與模型建立及檢驗(yàn)。數(shù)據(jù)統(tǒng)計(jì)分析及圖形繪制使用Microsoft Excel 2016軟件，土壤Fed含量和鐵游離度（Fed/Fet，%）與色調(diào)、明度、彩度值之間Pearson相關(guān)分析使用IBM Statistics SPSS 22.0軟件，使用MATLAB R2016a將數(shù)據(jù)隨機(jī)劃分70%為固定訓(xùn)練集、30%為固定測(cè)試集并建立反演模型。

研究采用BP神經(jīng)網(wǎng)絡(luò)模型[22-23]，模型由輸入層、單隱含層、輸出層組成。隱含層神經(jīng)元個(gè)數(shù)根據(jù)經(jīng)驗(yàn)公式（1）計(jì)算得到：

式中，M為隱含層神經(jīng)元個(gè)數(shù)，m為輸入層神經(jīng)元個(gè)數(shù)，n為輸出層神經(jīng)元個(gè)數(shù)，a為[0，10]間任意常數(shù)。隱含層傳遞函數(shù)為tansig，輸出層函數(shù)為purelin，訓(xùn)練方法為L(zhǎng)evenberg-Marquardt，迭代次數(shù)為1 000，預(yù)期目標(biāo)為0.001，學(xué)習(xí)速率為0.01，最后采用sim仿真函數(shù)驗(yàn)證。

模型擬合度及預(yù)測(cè)精度檢驗(yàn)采用R2（決定系數(shù)）、RMSE（均方根誤差）、RPD（相對(duì)分析誤差）判斷。R2越大，RMSE越小，模型擬合度越好，預(yù)測(cè)精度越高，反之越差。對(duì)于土壤，研究認(rèn)為，RPD<1.5，模型預(yù)測(cè)精度較低；1.52.0，模型精度較高[24]。

2 結(jié) 果

2.1 土壤游離鐵和顏色特征

按鐵游離度的分級(jí)列出了土樣數(shù)量以及測(cè)定獲取的土樣游離鐵和顏色指標(biāo)的平均值，具體見(jiàn)表1。供試土壤游離鐵含量介于4.43～81.75 g·kg–1，平均為20.18 g·kg–1，鐵游離度介于16.71%～79.61%。風(fēng)干土Munsell顏色色調(diào)介于13.50～21.60，集中于YR色調(diào)，明度介于3.89～6.72，彩度介于1.97～5.16。由表1可以看出，隨土壤游離鐵含量和鐵游離度的上升，色調(diào)呈不規(guī)則變化，但明度和彩度總體上均呈現(xiàn)逐漸升高的趨勢(shì)。

表1 研究區(qū)土壤游離鐵及Munsell顏色描述性統(tǒng)計(jì) Table 1 Descriptive statistics of Fed and Munsell color of the soils in the research area

從表2中Pearson相關(guān)系數(shù)可以看到，土壤游離鐵含量與色調(diào)在P<0.05水平上呈顯著正相關(guān)，鐵游離度與色調(diào)在P<0.01水平上呈顯著正相關(guān)，兩者與明度、彩度在P<0.01水平上均呈顯著正相關(guān)。表明土壤色調(diào)越黃，明度和彩度越高，土壤游離鐵含量和鐵游離度越高。

表2 土壤游離鐵與Munsell顏色的Pearson相關(guān)關(guān)系 Table 2 Pearson correlation coefficients between soil Fed and Munsell color parameters

2.2 Munsell顏色模型

將Munsell色調(diào)、明度、彩度作為輸入層，游離鐵含量作為輸出層，隨機(jī)劃分70%為固定訓(xùn)練集、30%為固定測(cè)試集，采用最大最小法進(jìn)行數(shù)據(jù)歸一化、歸一化函數(shù)采用mapminmax函數(shù)，數(shù)據(jù)反歸一化利用reverse語(yǔ)句完成。

由表3可知，隱含層神經(jīng)元個(gè)數(shù)不同，模型擬合度、精度不同。當(dāng)隱藏層神經(jīng)元個(gè)數(shù)小于4時(shí)，訓(xùn)練集未滿(mǎn)足預(yù)期值≤0.001，達(dá)到預(yù)期值后隱含層神經(jīng)元個(gè)數(shù)繼續(xù)增加，測(cè)試集RMSE總體呈增大趨勢(shì)、RPD總體呈減小趨勢(shì)；當(dāng)隱含層神經(jīng)元個(gè)數(shù)滿(mǎn)足預(yù)期值且RMSE最小、RPD最大時(shí)為宜，可知Munsell顏色模型隱含層神經(jīng)元個(gè)數(shù)為4。

表3 Munsell顏色模型與反射率一階導(dǎo)數(shù)光譜模型比較 Table 3 Comparison between Munsell color model and first derivative reflectance model

當(dāng)隱含層神經(jīng)元個(gè)數(shù)為4時(shí)，R2為0.94，模型擬合度良好；RMSE為4.20，RPD為4.37，模型預(yù)測(cè)精度高。從預(yù)測(cè)值與實(shí)測(cè)值相關(guān)分析（圖2a）的1∶1線(xiàn)看，模型中預(yù)測(cè)值總體低于實(shí)測(cè)值，偏離實(shí)測(cè)值較多的樣本集中在游離鐵含量>20 g·kg–1的部分，這可能與游離鐵含量>20 g·kg–1的高值段的樣本數(shù)量太少（僅占27.84%）有關(guān)，所以模型不能很好地模擬高值段。

2.3 反射率一階導(dǎo)數(shù)光譜模型

作為對(duì)比模型，將400～690 nm土壤可見(jiàn)光波段以10 nm為間隔獲取的共計(jì)30個(gè)反射率一階導(dǎo)數(shù)作為輸入層，土壤游離鐵含量作為輸出層，訓(xùn)練集和測(cè)試集與顏色模型相同，數(shù)據(jù)歸一化、反歸一化利用mapminmax函數(shù)及reverse語(yǔ)句完成。

從表3可知，由于反射率一階導(dǎo)數(shù)光譜模型輸入層神經(jīng)元遠(yuǎn)多于Munsell顏色模型，其初始隱含層神經(jīng)元個(gè)數(shù)也更大。隱含層神經(jīng)元最小個(gè)數(shù)為5時(shí)，模型訓(xùn)練集達(dá)到預(yù)期值；隨隱含層神經(jīng)元個(gè)數(shù)增加，RMSE主要呈上升趨勢(shì)，RPD主要呈下降趨勢(shì)；當(dāng)隱含層神經(jīng)元個(gè)數(shù)過(guò)多時(shí)，模型擬合度和預(yù)測(cè)精度降低。因此反射率一階導(dǎo)數(shù)光譜模型隱含層神經(jīng)元個(gè)數(shù)選擇方式與顏色模型一致，可確定為6。

結(jié)合測(cè)試集中預(yù)測(cè)值與實(shí)測(cè)值相關(guān)分析（圖2b）可知，當(dāng)隱含層神經(jīng)元個(gè)數(shù)為6時(shí)，R2達(dá)0.98，模型擬合度好；RMSE為3.35，RPD為5.99，模型預(yù)測(cè)精度高。從1∶1線(xiàn)可以看出，模型中預(yù)測(cè)值總體高于實(shí)測(cè)值，偏離實(shí)測(cè)值較多的樣本仍集中在游離鐵含量> 20 g·kg–1的部分，同樣是因?yàn)楦咧刀螛颖咎佟?/p>

3 討 論

3.1 模型輸入數(shù)據(jù)的選擇

由于土壤各元素對(duì)不同波段反射率不一致，輸入的光譜信息成為影響模型擬合度、精度的重要因素之一。如在研究土壤銅含量高光譜反演模型時(shí)[25]，選擇了860 nm波段的一階微分作為輸入數(shù)據(jù)，得到的模型擬合度為0.721，預(yù)測(cè)精度達(dá)82.3%；在研究山地紅壤有機(jī)質(zhì)含量與土壤光譜相關(guān)性時(shí)[26]，發(fā)現(xiàn)其原始反射光譜與有機(jī)質(zhì)含量存在連續(xù)相關(guān)性而選取了原始光譜全波段作為輸入層，則顯示驗(yàn)證集R2為0.58，RMSE為9.76，RPD為1.56。在土壤氧化鐵光譜特征研究中有發(fā)現(xiàn)[27]，400～2 500 nm波段內(nèi)反射率與土壤氧化鐵含量呈負(fù)相關(guān)，但相關(guān)性較弱，最高值–0.4出現(xiàn)在677 nm處；而目前相當(dāng)一部分研究[28-30]已經(jīng)表明400～700 nm可見(jiàn)光波段的反射率一階導(dǎo)數(shù)曲線(xiàn)可指示鐵氧化物。

因此本研究選取400～690 nm波段反射率一階導(dǎo)數(shù)與土壤游離鐵含量進(jìn)行Pearson相關(guān)分析，如表4所示，波段內(nèi)反射率一階導(dǎo)數(shù)與游離鐵含量達(dá)到顯著相關(guān)的波段共25個(gè)，其中540～570 nm波段相關(guān)系數(shù)均在0.8以上，而560 nm處相關(guān)系數(shù)可達(dá)到0.903，所以本研究中作為對(duì)比建立的反射光譜預(yù)測(cè)模型擬合度和精度均很高。由表2可知，土壤Munsell色調(diào)、明度、彩度值均與游離鐵含量呈顯著正相關(guān)關(guān)系，而土壤顏色是土壤光譜在可見(jiàn)光波段的特殊表現(xiàn)形式，所以據(jù)此建立的土壤Munsell顏色預(yù)測(cè)模型的擬合度、精度也較高。

表4 土壤游離鐵含量與反射率一階導(dǎo)數(shù)Pearson相關(guān)關(guān)系 Table 4 Correlation coefficients between Fed and first derivative reflectance

3.2 兩種預(yù)測(cè)模型比較

由表3結(jié)果可知，隨輸入層神經(jīng)元個(gè)數(shù)的增加，隱含層神經(jīng)元個(gè)數(shù)最低取值有所上升，但其取值并非越大越好，當(dāng)隱含層神經(jīng)元個(gè)數(shù)過(guò)大時(shí)，會(huì)導(dǎo)致模型擬合度及預(yù)測(cè)精度的降低。對(duì)比兩種模型，光譜模型的R2和RPD更大，RMSE更小，其擬合度更好，預(yù)測(cè)精度更高?？赡苁怯捎陬伾Ｐ偷妮斎雽由窠?jīng)元個(gè)數(shù)較少，使可訓(xùn)練數(shù)據(jù)低于后者，導(dǎo)致顏色模型測(cè)試集中預(yù)測(cè)值與實(shí)測(cè)值間差距較大，但這兩種模型均能較好地實(shí)現(xiàn)對(duì)土壤游離鐵的預(yù)測(cè)。土壤顏色和反射光譜可以反映土壤中針鐵礦、赤鐵礦等氧化鐵礦物含量，土壤氧化鐵礦物直接影響到土壤游離鐵含量，三者環(huán)環(huán)相扣，知一可得其二，但土壤顏色受其他土壤成分影響，而其他土壤成分卻不能掩蓋鐵氧化物對(duì)土壤反射率的貢獻(xiàn)，因此在定量分析鐵氧化物含量時(shí)，土壤顏色不如反射光譜精確[29，31-32]；利用便攜式測(cè)色儀獲取顏色和光譜數(shù)據(jù)均很便捷，但光譜模型的預(yù)測(cè)精度較顏色模型高，綜合而言，光譜模型更為有利。但顏色數(shù)據(jù)相對(duì)直觀，在土壤調(diào)查中更易獲取，一些歷史土壤資料可能缺乏游離鐵含量或鐵游離度數(shù)據(jù)，但有顏色信息，對(duì)此可以通過(guò)顏色預(yù)測(cè)模型確定土壤游離鐵的大致含量，用于系統(tǒng)分類(lèi)對(duì)比研究等方面。

3.3 土壤Munsell顏色與“鐵質(zhì)特性”

土壤顏色和游離鐵含量均是影響土壤分類(lèi)的重要性質(zhì)，在《中國(guó)土壤系統(tǒng)分類(lèi)檢索（第三版）》[33]中同時(shí)涉及這兩方面的診斷特征為“鐵質(zhì)特性”（Ferric property），該特性需滿(mǎn)足以下之一或兩個(gè)條件：（1）土壤基質(zhì)色調(diào)為5YR或更紅；和/或（2）整個(gè)B層細(xì)土部分DCB浸提游離鐵≥14 g·kg–1（游離Fe2O3≥20g·kg–1），或游離鐵占全鐵的40%或更多。盡管本研究中土壤色調(diào)與游離鐵含量、鐵游離度呈顯著正相關(guān)，但在統(tǒng)計(jì)Munsell色調(diào)為5YR或更紅的土樣的游離鐵含量及游離度后發(fā)現(xiàn)，此色調(diào)段內(nèi)土壤游離鐵含量平均值僅為16.87 g·kg–1，鐵游離度平均值為28.44%，無(wú)法同時(shí)滿(mǎn)足以上兩個(gè)條件。

“鐵質(zhì)特性”的本質(zhì)是“土壤中游離氧化鐵非晶質(zhì)部分的浸潤(rùn)和赤鐵礦、針鐵礦、礦微晶的形成，并充分分散于土壤基質(zhì)內(nèi)使土壤紅化”[33]，這表明除游離鐵的含量外，其分散程度也能在一定程度上影響土壤顏色。結(jié)合前人研究結(jié)果可知[34]，本研究中較紅土壤的游離鐵含量低可能是因?yàn)槠浞稚⒊潭雀摺＞C上所述，Munsell顏色模型的預(yù)測(cè)精度不如反射光譜模型，除光譜模型的解釋變量（即輸入變量）更為豐富外，游離鐵的分散程度也可能是原因之一。除此之外，由于川中丘陵區(qū)土壤Munsell顏色整體色調(diào)集中于YR色調(diào)，對(duì)于顏色相關(guān)研究而言稍嫌單調(diào)，因此其他土壤如南方典型紅壤等是否存在類(lèi)似結(jié)果還需進(jìn)一步驗(yàn)證。

4 結(jié) 論

川中丘陵區(qū)土壤Munsell色調(diào)、明度、彩度值均與土壤游離鐵含量具有良好的正相關(guān)關(guān)系，因此可利用土壤Munsell顏色建立BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)土壤游離鐵含量，同時(shí)利用反射光譜建立預(yù)測(cè)模型進(jìn)行比較。結(jié)果表明，顏色模型的隱含層神經(jīng)元個(gè)數(shù)為4時(shí)，R2為0.94，RMSE為4.20，RPD為4.37；光譜模型的隱含層神經(jīng)元個(gè)數(shù)為6時(shí)，R2為0.98，RMSE為3.35，RPD為5.99；相比之下，光譜模型擬合度更好，預(yù)測(cè)精度更高，這可能是由于顏色模型的輸入層神經(jīng)元個(gè)數(shù)較少以及游離鐵分散程度對(duì)輸入顏色數(shù)據(jù)的影響。但兩者的R2>0.9，RPD>2，模型擬合度、精度均呈較高水平，表明利用土壤Munsell顏色數(shù)據(jù)預(yù)測(cè)土壤游離鐵含量具有可行性，能為系統(tǒng)分類(lèi)診斷特性的完善提供一定依據(jù)。