李雪,范仲卿,高涵,張新宇,東野圣萍,洪丕征,王坤,柳平增,杜昌文,李新舉*,丁方軍*

基于高光譜的土壤有機(jī)質(zhì)快速檢測(cè)模型構(gòu)建

李雪1,范仲卿2,3,高涵2,3,張新宇4,東野圣萍5,洪丕征2,3,王坤2,3,柳平增6,杜昌文7,李新舉1*,丁方軍2,3*

1. 山東農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院, 山東 泰安 271018 2. 山東農(nóng)大肥業(yè)科技有限公司, 山東 泰安 271000 3. 農(nóng)業(yè)部腐植酸類肥料重點(diǎn)實(shí)驗(yàn)室, 山東 泰安 271018 4. 山東科技大學(xué)泰山科技學(xué)院, 山東 泰安 271000 5. 遼寧師范大學(xué), 遼寧 大連 116000 6. 山東農(nóng)業(yè)大學(xué), 山東 泰安 271018 7. 中國(guó)科學(xué)院南京土壤研究所, 江蘇 南京 210000

土壤有機(jī)質(zhì)作為土壤肥力的重要指標(biāo)。為實(shí)現(xiàn)對(duì)農(nóng)田土壤有機(jī)質(zhì)含量的快速獲取，以山東省青島市平度地區(qū)農(nóng)田116個(gè)土壤樣本為試驗(yàn)材料，利用ASD Field4地物光譜儀獲取土壤光譜反射率，分析農(nóng)田土壤的光譜反射特征，研究光譜反射率與定量化學(xué)方法測(cè)定有機(jī)質(zhì)含量的相關(guān)關(guān)系，構(gòu)建土壤有機(jī)質(zhì)快速檢測(cè)模型。所得高光譜數(shù)據(jù)結(jié)合（Savitzky-golay，SG）平滑算法，原始光譜曲線的一階微分、對(duì)數(shù)的倒數(shù)和對(duì)數(shù)的倒數(shù)一階微分3種變換方式對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，通過(guò)相關(guān)系數(shù)法選取土壤有機(jī)質(zhì)含量的敏感波段，分別建立多元線性回歸（MLR）、BP神經(jīng)網(wǎng)絡(luò)（BPNN）和偏最小二乘回歸（PLSR）模型，并對(duì)模型精度進(jìn)行驗(yàn)證。結(jié)果表明，建立的MLR、BPNN和PLSR回歸模型中，以BPNN模型精度最優(yōu)，其建模樣本集2為0.7362，RMSE為4.6005，RPD為1.8550；驗(yàn)證集模型的2為0.8086，RMSE為3.7772，RPD為2.2630。

高光譜;土壤有機(jī)質(zhì);檢測(cè)模型

土壤有機(jī)質(zhì)（Soil Organic Matter，SOM）是土壤質(zhì)量的重要指標(biāo)之一，作為土壤的重要組成部分，其含量可以反映土壤肥力狀況，對(duì)作物的生長(zhǎng)發(fā)育具有顯著的影響[1]，有機(jī)質(zhì)含量的獲取對(duì)于農(nóng)業(yè)的發(fā)展具有重要的意義。傳統(tǒng)土壤有機(jī)質(zhì)含量的實(shí)驗(yàn)室測(cè)定方法雖然相對(duì)準(zhǔn)確，但整個(gè)實(shí)驗(yàn)過(guò)程繁瑣復(fù)雜，實(shí)驗(yàn)周期長(zhǎng)且普遍要求破化樣本，同時(shí)需要檢測(cè)人員具有專業(yè)的知識(shí)技能和較高的檢測(cè)水平[2]，不符合現(xiàn)代精準(zhǔn)農(nóng)業(yè)對(duì)土壤養(yǎng)分要求快速、實(shí)時(shí)、準(zhǔn)確檢測(cè)的要求，因此，需要研究一種快速的檢測(cè)方法實(shí)現(xiàn)對(duì)土壤的快速檢測(cè)。

高光譜技術(shù)具有快速、高效、無(wú)損和不污染環(huán)境等優(yōu)點(diǎn)[3]，近年來(lái)，通過(guò)高光譜技術(shù)獲取土壤養(yǎng)分信息，成為國(guó)內(nèi)外研究者研究的重點(diǎn)[4]。研究表明，對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理可以較好的移除噪音、突出光譜曲線特征并能為建立具有較高預(yù)測(cè)精度的模型提供可能[5]。常見(jiàn)的預(yù)處理方法包括：小波變換[6,7]、SNV[8]、一階微分[9]和多元散射矯正[10]等，不同的預(yù)處理方式對(duì)于所構(gòu)建的估測(cè)模型的預(yù)測(cè)精度也有不同程度的影響。在以往的研究中，系統(tǒng)的比較不同預(yù)處理方式對(duì)精度影響的研究還比較少。通過(guò)不同模型建立方式所建立的土壤養(yǎng)分估測(cè)模型在精度上也表現(xiàn)出了不同的差異，常見(jiàn)的建模方法有偏最小二乘法、主成分分析、支持向量機(jī)、隨機(jī)森林、BP神經(jīng)網(wǎng)絡(luò)、多元線性回歸等多種建模方式，如何針對(duì)土壤具體的養(yǎng)分（如有機(jī)質(zhì)含量）選取最優(yōu)的建式還需要進(jìn)一步的研究。

本工作采用高光譜設(shè)備測(cè)定土壤樣品有機(jī)質(zhì)含量，結(jié)合多元線性回歸（MLR）、BP神經(jīng)網(wǎng)絡(luò)（BPNN）、偏最小二乘回歸（PLSR）三種建模方式建立土壤有機(jī)質(zhì)估測(cè)模型，利用決定系數(shù)（R2）和均方根誤差（RMSE）、相對(duì)分析誤差（RPD）來(lái)驗(yàn)證模型精度，以期為光譜技術(shù)在農(nóng)田中的應(yīng)用提供支持。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于山東省青島市平度地區(qū)（東經(jīng)119°31′30″—120°19′13″、北緯（36°28′15″—37°02′46″）某一基本農(nóng)田，該地區(qū)屬暖溫帶東亞半濕潤(rùn)季風(fēng)區(qū)大陸性氣候，年平均氣溫11.9 ℃，無(wú)霜期195.5 d，日照時(shí)數(shù)約2700 h，年平均降水量680 mm。

1.2 樣本采集與處理

本研究中所使用的土壤樣品采自山東省青島市平度地區(qū)的農(nóng)田土壤，采樣時(shí)間為2020年6月，采集方法為：在每個(gè)采樣點(diǎn)約10 m2范圍內(nèi)采集5份表層土壤樣品，采樣深度0～20 cm，將采集到的土壤樣品充分混合均勻，取不少于500 g的土壤樣本裝入自封袋作為一個(gè)樣本，對(duì)每個(gè)樣本進(jìn)行編號(hào)[11]，共采集116個(gè)土壤樣本。

將采集到的土壤樣本在實(shí)驗(yàn)室內(nèi)陰干晾置，將樣本中的植物根系、殘茬等雜質(zhì)去除。土壤樣品磨細(xì)、過(guò)1 mm篩、混合均勻,每個(gè)土壤樣品用四分法選取100 g樣品裝入自封袋，采用重鉻酸鉀容量法-外加熱法對(duì)土壤有機(jī)質(zhì)含量進(jìn)行測(cè)定。

1.3 土壤樣本的光譜測(cè)定及數(shù)據(jù)預(yù)處理

利用ASD Field4地物光譜儀進(jìn)行土壤樣本反射率的測(cè)定，該儀器的波長(zhǎng)范圍為350～2500 nm，共輸出2150個(gè)波段，在350～1000 nm區(qū)間的采樣間隔為1.4 nm，1000～2500 nm區(qū)間范圍的采樣間隔為2 nm。土壤樣本光譜測(cè)定在干燥的暗室環(huán)境下進(jìn)行，將處理好的土壤樣本置于盛樣皿中，裝滿后將土樣表面刮平。將50 W功率的鹵素?zé)糇鳛槲ㄒ蝗肷涔庠矗庠慈肷浣?5°，光源距土壤樣本表面30 cm[12]。在光譜測(cè)定過(guò)程中轉(zhuǎn)動(dòng)器皿3次，每次轉(zhuǎn)動(dòng)90°，每個(gè)土壤樣本測(cè)4次光譜反射率后取算數(shù)平均值得到該樣本的光譜反射率，在量測(cè)過(guò)程中每量測(cè)10份土壤樣品進(jìn)行一次標(biāo)準(zhǔn)白板校正。

土壤樣本觀測(cè)模擬了野外土壤光譜測(cè)量，同時(shí)避免了野外光譜測(cè)定由于太陽(yáng)輻射、大氣水汽變化而產(chǎn)生的觀測(cè)可變性。但在光譜采集的過(guò)程中，由于外界環(huán)境條件的影響和光譜儀器本身不同波段對(duì)能量相應(yīng)的差異性，所測(cè)得的光譜存在噪聲的影響。為了保證后期模型建立及檢驗(yàn)的準(zhǔn)確性，需要對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理及一系列的光譜轉(zhuǎn)換。本實(shí)驗(yàn)通過(guò)對(duì)所測(cè)的土壤光譜數(shù)據(jù)進(jìn)行預(yù)處理，去除隨機(jī)波動(dòng)較大的邊緣光譜波段，保留400～2450 nm的波段范圍。為增強(qiáng)相關(guān)光譜與土壤指標(biāo)的相關(guān)性，通過(guò)對(duì)原始光譜進(jìn)行一階微分、對(duì)數(shù)的倒數(shù)、對(duì)數(shù)的倒數(shù)的一階微分等進(jìn)行原始數(shù)據(jù)預(yù)處理，具體相關(guān)公式如下。

（1）原始光譜對(duì)數(shù)的倒數(shù)變換，計(jì)算公式如下：()1[()]。

（2）一階微分變換

原始光譜各種變換形式的一階微分可以提高光譜數(shù)據(jù)與土壤養(yǎng)分真值之間的相關(guān)性，從而快速確定光譜拐點(diǎn)及最大、最小光譜反射率的所在位置[13]。本研究分別對(duì)原始光譜反射率及其對(duì)數(shù)、對(duì)數(shù)的倒數(shù)分別求取一階微分光譜。以原始光譜為例，一階微分公式如下：()[(1)()]。

經(jīng)過(guò)預(yù)處理后的光譜數(shù)據(jù)與SOM含量進(jìn)行相關(guān)性分析，根據(jù)相關(guān)系數(shù)法篩選出相關(guān)系數(shù)較高的敏感波段，用于后期的模型建立及驗(yàn)證。

1.4 模型建立及驗(yàn)證

1.4.1 校正集與驗(yàn)證集的構(gòu)建采用箱線法[14]剔除有機(jī)質(zhì)含量異常的樣本五份，剩下的111份土壤樣本作為總樣本集，利用IBM SPSS Statistics 26的隨機(jī)抽樣功能按照3:1的比例隨機(jī)選取83個(gè)土壤樣本作為校正集，剩余28個(gè)土壤樣本作為驗(yàn)證集用于后期模型精度驗(yàn)證。

1.4.2 建立多元線性回歸模型多元線性回歸（Multiple Liner Regression, MLR）又稱逆最小二乘法，是利用一定的線性擬合因變量和自變量間的關(guān)系，確定模型參數(shù)來(lái)確定回歸方程，并用回歸方程預(yù)測(cè)因變量的變化趨勢(shì)，運(yùn)用回歸分析方法建立能夠反映具體數(shù)量關(guān)系的數(shù)學(xué)模型，即回歸模型[15]。

1.4.3 建立BP神經(jīng)網(wǎng)絡(luò)模型后向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network, BPNN）是一種模擬人腦神經(jīng)網(wǎng)絡(luò)所建立的神經(jīng)活動(dòng)的分布式處理數(shù)學(xué)模型，一般包括輸入層、隱含層和輸出層。在輸入層輸入各個(gè)波段的響應(yīng)值，在隱含層利用非線性函數(shù)得到待測(cè)濃度的估算值，在輸出層對(duì)結(jié)果進(jìn)行輸出[16]。本研究利用DPS建立BPNN模型，采用非線性logsig函數(shù)對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，經(jīng)過(guò)比較分析，當(dāng)隱含層網(wǎng)絡(luò)層節(jié)點(diǎn)數(shù)設(shè)置為6，最大迭代次數(shù)為1000時(shí)，所建模型效果最好。

1.4.4 建立偏最小二乘回歸模型偏最小二乘回歸是1983年由Wold等首次提出的，該方法主要實(shí)用于具有多重共線性的數(shù)據(jù)，尤其當(dāng)數(shù)據(jù)樣本容量小、解釋變量個(gè)數(shù)多、變量間存在多重相關(guān)性問(wèn)題時(shí)具有獨(dú)特的優(yōu)勢(shì)[17]。

1.4.5 模型驗(yàn)證與評(píng)價(jià)指標(biāo)本研究所構(gòu)建的SOM模型的估算精度用決定系數(shù)2、均方根誤差RMSE和相對(duì)分析誤差RPD來(lái)衡量。決定系數(shù)2越接近1，說(shuō)明模型預(yù)測(cè)效果越好。RMSE越小，則模型的精度越高，模型越穩(wěn)定[18]。相對(duì)分析誤差用于對(duì)模型預(yù)測(cè)精度的進(jìn)一步估測(cè)，當(dāng)RPD>2時(shí)，表明模型具有較好的預(yù)測(cè)能力，當(dāng)1.4

2 結(jié)果與分析

2.1 土壤有機(jī)質(zhì)光譜特征分析

所有土壤樣本的光譜反射率曲線大致相同，土壤樣本的光譜曲線介于0～0.6之間。光譜反射率在曲線在350～2500 nm之間具有一定的波動(dòng)性，在350～780 nm波段范圍內(nèi)，土壤光譜的反射率較低，但反射率增長(zhǎng)速度較快，整體光譜曲線的走勢(shì)較陡；在780～1900 nm波段范圍內(nèi)，土壤光譜的反射率較高，但它的增長(zhǎng)速度緩慢，光譜曲線的走勢(shì)相對(duì)平緩；在1900～2100 nm波段之間，光譜反射率隨著波長(zhǎng)的增加而上升，在2100 nm附近，光譜曲線的反射率基本達(dá)到最大值，在2100～2500 nm之間，土壤光譜的反射率隨著波長(zhǎng)的增加呈現(xiàn)下降趨勢(shì)。分別在1400 nm、1900 nm和2200 nm附近出現(xiàn)了明顯的吸收峰，這主要是由于殘余在土壤中的少量水分以及實(shí)驗(yàn)環(huán)境空氣中的水汽所造成的[20]。

圖1 所有土壤樣本光譜反射率曲線

2.2 有機(jī)質(zhì)含量和光譜數(shù)據(jù)的相關(guān)性分析

為了較為明顯的突出土壤樣本光譜反射率的變化差異，對(duì)原始光譜反射率曲線進(jìn)行原始數(shù)據(jù)一階微分變換、對(duì)數(shù)的倒數(shù)和對(duì)數(shù)的倒數(shù)一階微分三種變換，通過(guò)IBM SPSS Statistics 26對(duì)土壤樣本的光譜數(shù)據(jù)與SOM含量進(jìn)行相關(guān)性分析，SOM含量與原始光譜和3種變換形式的相關(guān)系數(shù)在各個(gè)波段上的變換如圖2所示，不同光譜反射率變化形式與SOM含量的相關(guān)系數(shù)峰值和波段位置如表1所示。

表1 不同光譜變換形式與土壤有機(jī)質(zhì)含量的相關(guān)系數(shù)的峰值和波段位置

(a)原始數(shù)據(jù)Original data (b)原始數(shù)據(jù)一階微分變換結(jié)果Results from original data first 0rder diffenentail transformation (c)對(duì)數(shù)的倒數(shù)變換結(jié)果Results from logarithmic inversel transformation (d)對(duì)數(shù)的倒數(shù)一階微分變換結(jié)果 Results from logarithmic inversel first order diffenentail transformation

從圖中可以看出，原始光譜反射率與有機(jī)質(zhì)含量的相關(guān)系數(shù)小于0.45，1/lg變換形式與SOM呈正相關(guān)關(guān)系，與原始光譜反射率相關(guān)系數(shù)的變化趨勢(shì)相同。經(jīng)過(guò)不同變換的光譜變換方式，對(duì)應(yīng)的相關(guān)性變化明顯的波長(zhǎng)也不同。所有的一階微分變換形式與SOM之間的相關(guān)關(guān)系曲線波動(dòng)劇烈，沒(méi)有規(guī)律可循，正負(fù)相關(guān)變化無(wú)常，相關(guān)系數(shù)介于-0.6到0.6之間，峰值系數(shù)與峰值系數(shù)點(diǎn)增多，表明一階微分變換對(duì)提高土壤有機(jī)質(zhì)含量和光譜反射率之間的相關(guān)性具有積極的意義。

在3種變換形式中，效果最好的光譜變換形式是（1/lg）’，它與SOM含量的相關(guān)系數(shù)的變化趨勢(shì)相對(duì)明顯，峰值點(diǎn)更加清晰，且在2039nm處與有機(jī)質(zhì)含量出現(xiàn)所有相關(guān)系數(shù)的最大值，為0.60。因此，選?。?/lg）’與SOM的相關(guān)系數(shù)的峰值點(diǎn)作為SOM的敏感波段，分別為867 nm、1421 nm、2039 nm、2046 nm、2253 nm五個(gè)波段進(jìn)行后續(xù)的建模與分析。

2.3 土壤有機(jī)質(zhì)含量估測(cè)模型的建立與驗(yàn)證

運(yùn)用多元線性回歸(MLR)、BP神經(jīng)網(wǎng)絡(luò)(BPNN)和偏最小二乘分別進(jìn)行SOM估測(cè)模型的構(gòu)建。

2.3.1 多元線性回歸模型的構(gòu)建與驗(yàn)證以經(jīng)過(guò)篩選得出的敏感波段為自變量，以有機(jī)質(zhì)含量作為因變量，所建立的多元線性回歸模型的擬合結(jié)果和驗(yàn)證樣本集的預(yù)測(cè)結(jié)果如圖3所示。從圖3（a）中可以看出建模集的2為0.6955，RMSE為4.8197，RPD為1.7992；驗(yàn)證集的2為0.6826，RMSE為5.6307，RPD為1.5181。多元線性回歸模型的RMSE較高，RPD較低，表明模型可以對(duì)樣品做出粗略的估計(jì)。

圖3 土壤有機(jī)質(zhì)MLR模型檢驗(yàn)

2.3.2 BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建與驗(yàn)證將經(jīng)過(guò)篩選得到的敏感波段為自變量，以有機(jī)質(zhì)含量作為因變量，利用DPS軟件進(jìn)行BPNN回歸的運(yùn)算，采用非線性logsig函數(shù)對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，經(jīng)過(guò)比較分析，當(dāng)隱含層網(wǎng)絡(luò)層節(jié)點(diǎn)數(shù)設(shè)置為6，最大迭代次數(shù)為1000時(shí)，所建模型效果最好。BPNN模型建模樣本的擬合結(jié)果和驗(yàn)證樣本集的預(yù)測(cè)結(jié)果如圖4所示，建模集的2為0.7362，RMSE為4.6005，RPD為1.8550；驗(yàn)證集的2為0.8086，RMSE為3.7772，RPD為2.2630。結(jié)果表明，BPNNN模型的2和RPD值較好，可以有效的對(duì)樣本進(jìn)行預(yù)測(cè)，具有較好的預(yù)測(cè)能力。

圖4 土壤有機(jī)質(zhì)BPNN模型檢驗(yàn)

2.3.3 偏最小二乘回歸模型的構(gòu)建與驗(yàn)證將不同的敏感波段與對(duì)應(yīng)的養(yǎng)分含量帶入到PLSR中進(jìn)行回歸分析，并利用驗(yàn)證集樣本對(duì)建立的模型進(jìn)行精度評(píng)價(jià)。將經(jīng)過(guò)篩選得到的敏感波段為估測(cè)模型的自變量，建立PLSR回歸模型。PLSR回歸模型建模樣本的擬合結(jié)果和驗(yàn)證樣本集的預(yù)測(cè)結(jié)果如圖5所示，建模集的2為0.6867，RMSE為4.9050，RPD為1.7680；驗(yàn)證集的2為0.498，RMSE為6.0915，RPD為1.4033。結(jié)果表明PLSR的2和RPD都較低，模型無(wú)法對(duì)樣品進(jìn)行較為精準(zhǔn)的估測(cè)。

圖5 土壤有機(jī)質(zhì)PLSR模型檢驗(yàn)

2.4 模型精度比較

BP神經(jīng)網(wǎng)絡(luò)模型的建模集的擬合系數(shù)為0.7362，驗(yàn)證集的擬合系數(shù)為0.8086。多元線性回歸模型和偏最小二乘法所構(gòu)建的建模樣本和驗(yàn)證樣本的擬合系數(shù)也均高于0.45。結(jié)合RMSE、RPD 綜合比較BPNN模型精度要好于多元線性回歸模型，多元線性回歸模型精度高于偏最小二乘法（表2）。

表2 所建三種估測(cè)模型對(duì)比

3 討論與結(jié)論

農(nóng)田土壤中SOM含量與農(nóng)戶的管理水平具有較大的關(guān)系，因此農(nóng)戶的施肥量、施肥種類、施肥方式以及耕作制度都會(huì)對(duì)農(nóng)田土壤的有機(jī)質(zhì)含量水平具有較大的影響。本研究以山東省青島市平度地區(qū)某農(nóng)田土壤為研究對(duì)象，進(jìn)行了SOM含量高光譜估測(cè)模型的構(gòu)建及其驗(yàn)證精度對(duì)比研究，得出以下結(jié)論。

（1）本實(shí)驗(yàn)過(guò)程中一階微分變換預(yù)處理方法要優(yōu)于原始數(shù)據(jù)，相關(guān)系數(shù)比反射率未變換前有了一定程度的提高，確定了867、1421、2039、2046和2253 nm波段為有機(jī)質(zhì)含量的敏感波段；

（2）綜合比較所建立的MLR、BPNN和PLSR三種回歸模型，BPNN所建立的土壤有機(jī)質(zhì)含量估測(cè)模型的擬合效果最好，BPNN模型的預(yù)測(cè)能力優(yōu)于MLR和PLSR模型。利用BPNN構(gòu)建的模型建模集的2為0.7362，RMSE為4.6005，RPD為1.8550；驗(yàn)證集的2為0.8086，RMSE為3.7772，RPD為2.2630>2，說(shuō)明經(jīng)過(guò)BPNN所構(gòu)建的模型可以用于土壤養(yǎng)分SOM含量的估測(cè)，BPNN具有較好的估測(cè)能力。

由于研究區(qū)農(nóng)田的土壤光譜反射率受土壤本身理化性質(zhì)和實(shí)驗(yàn)環(huán)境的影響，土壤處理可以相對(duì)降低或消除非有機(jī)質(zhì)對(duì)土壤光譜的影響。以對(duì)數(shù)的倒數(shù)一階微分所建立的有機(jī)質(zhì)含量估測(cè)模型能否應(yīng)用于其他地區(qū)的土壤，還需要進(jìn)一步的調(diào)查研究。BPNN對(duì)實(shí)驗(yàn)區(qū)農(nóng)田土壤的SOM含量估測(cè)模型的精度最高，有必要在擴(kuò)大實(shí)驗(yàn)樣本數(shù)量、擴(kuò)大實(shí)驗(yàn)范圍的基礎(chǔ)上繼續(xù)進(jìn)行研究，從而為我國(guó)農(nóng)業(yè)的發(fā)展提供更為實(shí)用的SOM含量估測(cè)模型，為生產(chǎn)提供理論和技術(shù)支持。

[1] Dotto AC, Dalmolin RSD, Caten AT,.A systematic study on the application of scatter-correc‐tive and spectral-derivative preprocessing for multivari‐ate prediction of soil organic carbon by Vis-NIR spec‐tra [J]. Geoderma, 2018,314:262-274

[2] 岑益郎,宋韜,何勇,等.基于可見(jiàn)/近紅外漫反射光譜的土壤有機(jī)質(zhì)含量估算方法研究[J].浙江大學(xué)學(xué)報(bào)(農(nóng)業(yè)與生 命科學(xué)版),2011,37(3):300-306

[3] Wu D, Nie PC, He Y,. Determination of Calcium content in powdered milk using near and mid-infrared spectroscopy with variable selection and chemometrics [J]. Food and Bioprocess Techology, 2012,5(4):1402-1410

[4] 李頡,張小超,苑嚴(yán)偉,等.北京典型耕作土壤養(yǎng)分的近紅外光譜分析[J].農(nóng)業(yè)工程學(xué)報(bào),2012,28(2):176-179

[5] 劉雪梅.近紅外漫反射光譜檢測(cè)土壤有機(jī)質(zhì)和速效N的研究[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào),2013(2):202-206

[6] 劉煒,常慶瑞,郭曼,等.小波變換在土壤有機(jī)質(zhì)含量可見(jiàn)/近紅外光譜分析中的應(yīng)用[J].干旱地區(qū)農(nóng)業(yè)研究,2010,28(5):241-245

[7] 鄭立華,李民贊,潘孌,等.近紅外光譜小波分析在土壤參數(shù)預(yù)測(cè)中的應(yīng)用[J].光譜學(xué)與光譜分析,2009,29(6):1549-1552

[8] 劉煥軍,張新樂(lè),鄭樹(shù)峰,等.黑土有機(jī)質(zhì)含量野外高光譜預(yù)測(cè)模型[J].光譜學(xué)與光譜分析,2010,30(12):3355-3358

[9] 盧艷麗,白由路,王磊,等.黑土土壤中全氮含量的高光譜預(yù)測(cè)分析[J].農(nóng)業(yè)工程學(xué)報(bào),2010,26(1):256-260

[10] 申艷,張曉平,梁愛(ài)珍,等.多元散射校正和逐步回歸法建立黑土有機(jī)碳近紅外光譜定量模型[J].農(nóng)業(yè)系統(tǒng)科學(xué)與綜 合研究,2010,26(2):174-180

[11] 劉之廣,程冬冬,申天琳,等.直湖港小流域水蜜桃園土壤養(yǎng)分調(diào)查與分析[J].農(nóng)業(yè)資源與環(huán)境學(xué)報(bào),2016,33(6):525-532

[12] 洪永勝,于雷,耿雷,等.應(yīng)用DS算法消除室內(nèi)幾何測(cè)試條件對(duì)土壤高光譜數(shù)據(jù)波動(dòng)性的影響[J].華中師范大學(xué)學(xué) 報(bào)(自然科學(xué)版),2016,50(2):303-308

[13] 陳紅艷.土壤主要養(yǎng)分含量的高光譜估測(cè)研究[D].泰安:山東農(nóng)業(yè)大學(xué),2012

[14] 王懷亮.箱須圖在識(shí)別統(tǒng)計(jì)數(shù)據(jù)異常值中的作用及R語(yǔ)言實(shí)現(xiàn)[J].商業(yè)經(jīng)濟(jì),2011(3):64-65

[15] 趙金元,馬振,唐海亮.BP神經(jīng)網(wǎng)絡(luò)和多元線性回歸模型對(duì)碳排放預(yù)測(cè)的比較[J].科技和產(chǎn)業(yè),2020,20(11):172-176

[16] 楊玉軍.基于機(jī)器學(xué)習(xí)的時(shí)間序列模型研究及其應(yīng)用[D].成都:成都電子科技大學(xué),2018

[17] 陳奕云,齊天賜,黃穎菁,等.土壤有機(jī)質(zhì)含量可見(jiàn)-近紅外光譜反演模型校正集優(yōu)選方法[J]農(nóng)業(yè)工程學(xué)報(bào).2017,33(6):107-114

[18] 崔霞,宋清潔,張瑤瑤,等.基于高光譜數(shù)據(jù)的高寒草地土壤有機(jī)碳預(yù)測(cè)模型研究[J].草業(yè)學(xué)報(bào),2017,26(10):20-29

[19] 張娟娟,田永超,朱艷,等.不同類型土壤的光譜特征及其有機(jī)質(zhì)含量預(yù)測(cè)[J].中國(guó)農(nóng)業(yè)科學(xué),2009,42(9):3154-3163

[20] 徐彬彬,戴昌達(dá).南疆土壤光譜反射特性與有機(jī)質(zhì)含量的相關(guān)分析[J].科學(xué)通報(bào),1980,6:282-284

Construction of Soil Organic Matter Rapid Detection Model Based on Hyperspectral

LI Xue1, FAN Zhong-qing2,3, GAO Han2,3, ZHANG Xin-yu4, DONGYE Sheng-ping5, HONG Pi-zheng2,3, WANG Kun2,3, LIU Ping-zeng1, DU Chang-wen6, LI Xin-ju1*, DING Fang-jun2,3*

1.271018,2.271000,3.271018,4.271000,5.116000,6.271018,7.210000,

Soil organic matter is an important index of soil fertility. In order to obtain farmland soil organic matter quickly, 116 soil samples from Pingdu area of Qingdao City, Shandong Province were used as experimental materials. The spectral reflectance of soil was obtained by field4 spectrometer, and the spectral reflectance characteristics of farmland soil were analyzed. The correlation between spectral reflectance and quantitative chemical method to determine the content of organic matter was studied, and the rapid detection model of soil organic matter was constructed. The hyperspectral data were pretreated with savitzky Golay (SG) smoothing algorithm, first-order differential, reciprocal logarithm and reciprocal logarithm first-order differential of the original spectral curve. The sensitive bands of soil organic matter content were selected by correlation coefficient method, and multiple linear regression (MLR), BP neural network (BPNN) and partial least squares (PLS) were established respectively Regression (PLSR) model was used to verify the accuracy of the model. The results show that among the MLR, BPNN and PLSR regression models, BPNN model has the best accuracy, with R2 of 0.7362, RMSE of 4.6005 and RPD of 1.8550 for the sample set, and R2 of 0.8086, RMSE of 3.7772 and RPD of 2.2630 for the validation set.

Hyperspectral; soil organic matter; detection model

S151.9+5

A

1000-2324(2021)05-0833-07

2020-12-21

2021-02-14

國(guó)家自然基金:高潛水位煤礦沉陷區(qū)土壤生態(tài)變化過(guò)程及碳循環(huán)機(jī)理研究(42077446);山東省重大科技創(chuàng)新工程項(xiàng)目:基于作物提質(zhì)增效的農(nóng)業(yè)種植精準(zhǔn)管理智能服務(wù)平臺(tái)開(kāi)發(fā)與產(chǎn)業(yè)化應(yīng)用(2019JZZY010713)

李雪(1996-),女,碩士研究生,主要從事農(nóng)業(yè)工程與信息技術(shù). E-mail:1104146210@qq.com

通訊作者:Author for correspondence. E-mail:lxj0911@126.com; dfj401@163.com