鄧永鵬，朱洪芬，丁皓希，孫瑞鵬，畢如田

（山西農(nóng)業(yè)大學(xué) 資源環(huán)境學(xué)院，山西 太谷 030801）

黃河中游地處黃土高原和鄂爾多斯高原干旱-半干旱沙漠區(qū)，流域面積約為34.4 萬(wàn)km2，易蝕松散的黃土物質(zhì)、植被覆蓋率低和不合理的土地利用等原因?qū)е曼S河中游水土流失嚴(yán)重，生態(tài)環(huán)境脆弱[1]。為改善黃河中游的生態(tài)環(huán)境問(wèn)題，自2000 年以來(lái)，黃河中游進(jìn)行了大規(guī)模的退耕還林工程[2]。土地利用方式的轉(zhuǎn)變會(huì)導(dǎo)致土壤有機(jī)碳含量發(fā)生變化，進(jìn)而影響土壤碳循環(huán)過(guò)程[3]。因此，快速、準(zhǔn)確地獲取退耕還林地土壤有機(jī)碳含量對(duì)評(píng)估退耕還林工程的生態(tài)效益具有重要意義。

土壤有機(jī)碳（Soil Organic Carbon，SOC）是全球碳循環(huán)和氣候變化研究的一個(gè)重要內(nèi)容，也是評(píng)價(jià)土壤肥力的重要指標(biāo)[4]。目前，諸多學(xué)者開展了退耕還林地土壤有機(jī)碳含量的研究[5-7]。黎鵬等[8]采用重鉻酸鉀氧化法測(cè)定不同退耕還林措施土壤有機(jī)碳含量，結(jié)果表明，退耕還林能夠顯著提高土壤有機(jī)碳儲(chǔ)量。張祎等[9]采用TOC 分析儀測(cè)定土壤有機(jī)碳含量，分析不同生態(tài)建設(shè)方式對(duì)土壤有機(jī)碳含量的影響。關(guān)于土壤有機(jī)碳測(cè)定方法，常用的有重鉻酸鉀容量法、重鉻酸鉀氧化-分光光度法、非水滴定法、離子色譜前處理法等[10]。盡管這些方法測(cè)定結(jié)果準(zhǔn)確，但由于必須對(duì)野外采集的土壤樣品進(jìn)行風(fēng)干、研磨、過(guò)篩等處理，整個(gè)過(guò)程費(fèi)時(shí)費(fèi)力，無(wú)法滿足快速獲取土壤有機(jī)碳含量的目的[11]。高光譜遙感技術(shù)具有波段多、分辨率高、光譜信息連續(xù)等特點(diǎn)，為土壤養(yǎng)分的快速、準(zhǔn)確測(cè)定提供了一條新途徑。近年來(lái)，國(guó)內(nèi)外學(xué)者在利用高光譜技術(shù)預(yù)測(cè)土壤養(yǎng)分方面開展了諸多研究[12-16]。例如，趙明松等[17]以蘇中平原典型土壤為研究對(duì)象，分別計(jì)算弓曲差、差值指數(shù)、比值指數(shù)和歸一化指數(shù)等光譜特征指數(shù)，基于光譜特征指數(shù)建立有機(jī)質(zhì)預(yù)測(cè)模型，結(jié)果表明，3 種光譜特征指數(shù)結(jié)合弓曲差建立的模型精度最好。鐘亮等[18]以江西省奉新縣北部248 個(gè)紅壤樣本為研究對(duì)象，構(gòu)建了5 種不同卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，結(jié)果表明，采用小卷積核的VGGNet-7具有極好的預(yù)測(cè)能力，證明可以通過(guò)高光譜遙感技術(shù)快速準(zhǔn)確地估算土壤有機(jī)質(zhì)含量。馬國(guó)林等[19]以艾比湖保護(hù)區(qū)為研究區(qū)，利用高光譜估算土壤有機(jī)質(zhì)的同時(shí)加入土壤協(xié)變量（土壤電導(dǎo)率、pH 和Fe），結(jié)果表明，將可見光-近紅外光譜信息和土壤協(xié)變量相結(jié)合的方法可以顯著提升土壤有機(jī)質(zhì)的預(yù)測(cè)性能。總之，高光譜技術(shù)的發(fā)展為快速、準(zhǔn)確地監(jiān)測(cè)土壤養(yǎng)分狀況提供了一種新的方法。

本研究以黃河中游大寧縣退耕還林地土壤為研究對(duì)象，進(jìn)行光譜采集和有機(jī)碳測(cè)定，分析其光譜特征，利用倒數(shù)的對(duì)數(shù)、倒數(shù)對(duì)數(shù)一階微分、一階微分、去包絡(luò)線等光譜處理方法，結(jié)合皮爾遜相關(guān)系數(shù)法、主成分回歸法、偏最小二乘回歸法和支持向量回歸法建立土壤有機(jī)碳高光譜預(yù)測(cè)模型，比較不同光譜變換形式建模精度，以期為快速、準(zhǔn)確測(cè)定退耕還林地土壤有機(jī)碳含量提供技術(shù)參考。

1 材料和方法

1.1 研究區(qū)概況

大寧縣 地處黃 河中游（東 經(jīng)110°27′55″～111°0′40″，北緯36°16′40″～36°36′25″），隸屬于山西省臨汾市，位于山西省呂梁山南端，地勢(shì)南北高、中間低，屬典型的黃土殘?jiān)珳羡謪^(qū)，是黃河泥沙的主要輸入?yún)^(qū)之一[2]。全縣東西長(zhǎng)50 km，南北寬38 km，總面積為967 km2，該縣屬暖溫帶亞干旱氣候，四季分明。2000 年大寧縣被定為黃河中上游退耕還林（草）生態(tài)工程試點(diǎn)縣之一，布置有刺槐、檸條等樹種[2]。查詢國(guó)家土壤信息服務(wù)平臺(tái)（http://www.soilinfo.cn/map/）中國(guó)1∶400 萬(wàn)土壤類型圖可知，研究區(qū)內(nèi)主要土壤類型為黃綿土和褐土。

1.2 土壤樣品采集與處理

2020 年11 月，在研究區(qū)退耕還林地內(nèi)布設(shè)128 個(gè)樣點(diǎn)（圖1），記錄每一樣點(diǎn)經(jīng)緯度坐標(biāo)及高程數(shù)據(jù)。采樣點(diǎn)土壤類型均為黃綿土，質(zhì)地類別為粉壤土。土壤樣品采集選用“S”形布點(diǎn)法，采集0～20 cm 表層土壤，每一個(gè)采樣點(diǎn)取5 個(gè)點(diǎn)的土壤混合后作為該采樣點(diǎn)土樣。混合均勻的土樣在室內(nèi)自然風(fēng)干、研磨并過(guò)2 mm 篩，將土樣均分為2 份，用于土壤光譜和有機(jī)碳含量測(cè)定。土壤有機(jī)碳含量采用重鉻酸鉀氧化-外加熱法測(cè)定[8]。

圖1 研究區(qū)位置、高程與采樣點(diǎn)分布Fig.1 Location of the study area and the distribution of elevation and sampling points

1.3 光譜測(cè)試及數(shù)據(jù)處理

采用美國(guó)FiledSpec 4 便攜式光譜儀（簡(jiǎn)稱ASD）測(cè)定土壤反射光譜曲線，其波譜范圍為350～2 500 nm。土壤光譜測(cè)量在暗室中進(jìn)行，光源由1 個(gè)50 W 的鹵素?zé)籼峁?，光纖探頭視場(chǎng)角為10°，距離土樣表面15 cm。每次測(cè)試前進(jìn)行白板標(biāo)定，每個(gè)土樣測(cè)定10 條光譜曲線，取平均值作為該土樣的實(shí)際光譜曲線。

去除噪聲較為強(qiáng)烈的350～399、2 451～2 500 nm波段，并對(duì)剩余波段進(jìn)行Savitzky-Golay 平滑處理。同時(shí)，為避免數(shù)據(jù)冗余，對(duì)原始光譜反射率（R）進(jìn)行10 nm 重采樣，并對(duì)重采樣后的光譜曲線分別進(jìn)行倒數(shù)的對(duì)數(shù)（RL）、倒數(shù)的對(duì)數(shù)一階微分（FRL）、一階微分（FD）、去包絡(luò)線（CR）等4 種光譜變換。相關(guān)數(shù)據(jù)處理在ViewSpec Pro、The Unscrambler X 10.4、ENVI 5.3 以及MATLAB R2019b 中完成。

1.4 模型建立與評(píng)價(jià)

本研究采用主成分回歸（Principle component regression，PCR）、偏最小二乘回歸（Partial least squares regression，PLSR）和支持 向量回 歸（Principle component regression，SVR）3 種模型進(jìn)行土壤有機(jī)碳含量估測(cè)。PCR 方法是一種結(jié)合了主成分分析與多元線性回歸的分析技術(shù)，可以有效對(duì)自變量數(shù)據(jù)進(jìn)行降維[20]。PLSR 方法融合主成分、典型相關(guān)分析及多元線性回歸等3 種分析方法的優(yōu)點(diǎn)，可以消除波長(zhǎng)變量共線性從而對(duì)數(shù)據(jù)降維，有較好的預(yù)測(cè)能力[12]。SVR 方法是支持向量機(jī)函數(shù)在回歸領(lǐng)域的應(yīng)用，在解決非線性和高維數(shù)據(jù)有獨(dú)特的優(yōu)勢(shì)[21]，本研究選用徑向基核函數(shù)，懲罰參數(shù)（C）設(shè)為3，Gamma 參數(shù)設(shè)為0.33。

將128 個(gè)土壤樣本按有機(jī)碳含量從低到高依次排序，以3∶1 的比例分為2 組，其中，建模集包含96 個(gè)樣本，驗(yàn)證集包含32 個(gè)樣本，用于模型的精度檢驗(yàn)。為了評(píng)估模型的預(yù)測(cè)精度，本研究采用決定系數(shù)（R2）、均方根誤差（RMSE）和相對(duì)預(yù)測(cè)偏差（RPD）作為精度評(píng)價(jià)指標(biāo)。其中，R2越大，RMSE越小，說(shuō)明模型穩(wěn)健性更好，預(yù)測(cè)精度更高。RPD是樣本標(biāo)準(zhǔn)差與均方根誤差RMSE 的比值，反映模型的預(yù)測(cè)能力，一般分為3 類，當(dāng)RPD≤1.4 時(shí)，模型不可用于樣本的預(yù)測(cè)；當(dāng)1.4＜RPD＜2.0 時(shí)，模型具有較好的預(yù)測(cè)能力；當(dāng)RPD≥2.0 時(shí)，模型具有極好的預(yù)測(cè)能力[22]。

2 結(jié)果與分析

2.1 土壤光譜曲線特征分析

研究區(qū)土壤有機(jī)碳含量總體較低且變化范圍偏大，最小值為2.12 g/kg，最大值為30.11 g/kg，均值為9.22 g/kg，變異系數(shù)為60.52%，屬于中等強(qiáng)度變異。

按照全國(guó)第二次土壤普查養(yǎng)分分級(jí)標(biāo)準(zhǔn)中土壤有機(jī)質(zhì)的5 個(gè)等級(jí)對(duì)研究區(qū)土壤有機(jī)碳數(shù)據(jù)進(jìn)行分級(jí)，分 為＜3.50、3.50～5.80、5.80～11.80、11.80～16.50、＞16.50 g/kg 等5 個(gè)級(jí)別，計(jì)算各級(jí)別內(nèi)的土壤光譜反射率平均值，得到5 種不同土壤有機(jī)碳含量的平均光譜反射率曲線（圖2）。不同土壤有機(jī)碳含量的土壤光譜曲線形狀基本一致，總體上呈現(xiàn)遞增的趨勢(shì)；土壤有機(jī)碳含量與光譜反射率呈負(fù)相關(guān)，土壤有機(jī)碳含量越高，反射率越低，說(shuō)明土壤原始光譜反射率可以反映土壤有機(jī)碳含量的差異；在可見光波段范圍內(nèi)，隨著波長(zhǎng)的增加，光譜反射率迅速增大，在近紅外波段范圍內(nèi)，隨著波長(zhǎng)的增加，光譜反射率增大的速度減緩；由于受到氧化鐵的影響，光譜曲線在900 nm 處出現(xiàn)微小的吸收谷；并且光譜曲線在1 400、1900、2 200、2 300 nm處出現(xiàn)了較為明顯的吸收谷，吸收谷的深度、寬度、面積都存在一定的差異。一般認(rèn)為，1 400、1 900 nm處的吸收谷是受到土壤表面吸附水、土壤中水分子的O-H 官能基發(fā)生伸縮震動(dòng)和轉(zhuǎn)角震動(dòng)所造成的[23]，2 200、2 300 nm 附近存在著Al-OH 黏土礦物（高嶺石）和蒙脫石類礦物的吸收帶，從而導(dǎo)致了光譜曲線明顯的吸收谷[24]。

圖2 不同有機(jī)碳含量土壤光譜曲線Fig.2 Spectral curves of soil with different organic carbon contents

2.2 土壤有機(jī)碳特征波段的選取

將土壤有機(jī)碳含量數(shù)據(jù)與5 種光譜數(shù)據(jù)進(jìn)行相關(guān)性分析，繪制相關(guān)關(guān)系曲線，結(jié)果表明（圖3），土壤有機(jī)碳含量與R 在全波段范圍均呈極顯著負(fù)相關(guān)（P＜0.01），與RL 均呈極顯著正相關(guān)（P＜0.01），曲線整體較平滑，相關(guān)系數(shù)絕對(duì)值均在0.550以上。土壤有機(jī)碳含量與R、RL 在550～1 000 nm波段范圍內(nèi)，相關(guān)性遠(yuǎn)高于其他波段，相關(guān)系數(shù)絕對(duì)值均在0.700 以上，在630～670 nm 波段范圍相關(guān)性最高，相關(guān)系數(shù)絕對(duì)值分別為0.758、0.762。經(jīng)過(guò)一階微分轉(zhuǎn)換后的光譜反射率FD 和FRL 與土壤有機(jī)碳含量之間呈正負(fù)相關(guān)，相關(guān)系數(shù)有了顯著提高，在2 250、2 260 nm 相關(guān)性最高，相關(guān)系數(shù)絕對(duì)值分別為0.799、0.815。去包絡(luò)線變換后的光譜反射率CR 與土壤有機(jī)碳含量之間呈現(xiàn)不同程度的正或負(fù)相關(guān)，在2 230 nm 相關(guān)性最高，相關(guān)系數(shù)絕對(duì)值為0.810，相關(guān)程度總體上大于R 和RL。以上分析表明，對(duì)原始光譜進(jìn)行數(shù)學(xué)轉(zhuǎn)換和去包絡(luò)線變換可以顯著提升一些細(xì)微的光譜吸收特征，有利于特征波段的選取。

圖3 土壤有機(jī)碳含量與光譜數(shù)據(jù)相關(guān)性分析Fig.3 Correlation analysis between soil organic carbon content and spectral data

本研究選擇相關(guān)系數(shù)|r|＞0.700 的波段作為特征波段用于模型構(gòu)建。特征波段分別為：R 的550～980 nm；RL 的530～1 300、1 430～1 560、1 930～2 180、2 250～2 330 nm；FRL 的730～930、1 420、1910～1 920、2 230～2 260 nm；FD 的430～610、800～880、1 420～1 430、1 910～1 920、2 150～2 190、2 230～2 260 nm；CR 的820～950、1 790～1 860、2 160～2 250、2 350～2 370 nm。選用R 進(jìn)行土壤有機(jī)碳含量預(yù)測(cè)時(shí)，特征波段主要位于可見光波段范圍；選用RL、FD、FRL 和CR 時(shí)，特征波段選擇范圍較廣，涉及可見光、近紅外和短波紅外波段范圍。

2.3 基于PCR 的土壤有機(jī)碳建模

PCR 方法建模結(jié)果表明（表1），除CR-PCR 和RL-PCR 外，其余模型預(yù)測(cè)精度較為均衡。其中,FRL-PCR 模型預(yù)測(cè)精度最差，建模集和驗(yàn)證集R2分別為0.638 和0.601，RPD 為1.554。CR-PCR 模型預(yù)測(cè)精度最好，建模集R2為0.700，驗(yàn)證集R2為0.689，RPD 為1.772，可以對(duì)土壤有機(jī)碳含量進(jìn)行較好預(yù)測(cè)。RL-PCR 模型預(yù)測(cè)能力不穩(wěn)定，建模集R2與驗(yàn)證集R2相差0.076。為了對(duì)比模型預(yù)測(cè)效果，繪制CR-PCR 和FRL-PCR 模型擬合效果圖。從圖4 可以看出，CR-PCR 模型驗(yàn)證結(jié)果較好，除少數(shù)幾個(gè)樣本偏離1∶1 線較遠(yuǎn)外，其余樣本點(diǎn)均位于1∶1 線附近，有較好的預(yù)測(cè)能力。

表1 PCR 方法土壤有機(jī)碳含量建模精度統(tǒng)計(jì)Tab.1 Modeling accuracy statistics of soil organic carbon content with PCR

圖4 土壤有機(jī)碳實(shí)測(cè)值與模型（PCR）預(yù)測(cè)值比較Fig.4 Comparison of measured values of soil organic carbon and predicted values by PCR modeling

2.4 基于PLSR 的土壤有機(jī)碳建模

以5 種光譜數(shù)據(jù)構(gòu)建PLSR 模型可知（表2），模型精度均高于PCR 模型，說(shuō)明PLSR 模型比PCR 模型具有更好的預(yù)測(cè)能力。CR-PLSR 模型預(yù)測(cè)效果最好，可以對(duì)研究區(qū)土壤有機(jī)碳含量較為精確的預(yù)測(cè)，建模集和驗(yàn)證集R2分別達(dá)到0.702 和0.699，RPD 為1.812，說(shuō)明對(duì)于PLSR 模型來(lái)說(shuō)，經(jīng)過(guò)CR 處理后的光譜數(shù)據(jù)預(yù)測(cè)效果更好；RL-PLSR模型預(yù)測(cè)能力不穩(wěn)定，建模集R2為0.699，而驗(yàn)證集R2僅為0.611，相差較大；FRL-PLSR 模型的預(yù)測(cè)效果最差，建模集R2為0.641，相比R-PLSR 模型降低1.687%。

表2 PLSR 方法土壤有機(jī)碳含量建模精度統(tǒng)計(jì)Tab.2 Modeling accuracy statistics of soil organic carbon content with PLSR

為了進(jìn)一步分析模型的擬合效果，繪制CRPLSR 和FRL-PLSR 模型擬合效果圖。從圖5 可以看出，CR-PLSR 模型的驗(yàn)證樣本均勻分布于1∶1 線附近，模型的擬合效果比較好，預(yù)測(cè)能力最優(yōu)。

圖5 土壤有機(jī)碳實(shí)測(cè)值與模型（PLSR）預(yù)測(cè)值比較Fig.5 Comparison of measured values of soil organic carbon and predicted values by PLSR modeling

2.5 基于SVR 的土壤有機(jī)碳建模

基于5 種光譜數(shù)據(jù)建立土壤有機(jī)碳含量SVR預(yù)測(cè)模型，結(jié)果表明（表3），與相應(yīng)的PLSR 模型相比，F(xiàn)RL-SVR、FD-SVR 和CR-SVR 模型的建模集R2均有所提高，分別提高21.685%、13.609%、5.840%，RMSE分別降低21.471%、15.278%、6.452%；5 種光譜數(shù)據(jù)的SVR 模型預(yù)測(cè)能力依次為FRL＞FD＞CR＞RL＞R，其中，F(xiàn)RL-SVR 模型的建模集R2最高，RMSE 最小，分別為0.780、2.615 g/kg，模型預(yù)測(cè)效果最好，說(shuō)明對(duì)于SVR 模型來(lái)說(shuō)，F(xiàn)RL 光譜數(shù)據(jù)具有更好的預(yù)測(cè)效果；FD-SVR 模型的建模集R2為0.768，RMSE 為2.684 g/kg，模型預(yù)測(cè)效果較好；R-SVR 模型的建模集R2最低，為0.649，RMSE最大，為3.307 g/kg，模型預(yù)測(cè)效果最差。利用驗(yàn)證集實(shí)測(cè)值與預(yù)測(cè)值繪制R-SVR 和FRL-SVR 模型驗(yàn)證效果圖，進(jìn)一步分析模型的驗(yàn)證效果。由圖6可知，R-SVR 模型的驗(yàn)證樣本分布較散，偏離1∶1線程度較大，RMSE 為3.403 g/kg，模型驗(yàn)證效果較差；FRL-SVR 模型的驗(yàn)證樣本相對(duì)集中，均位于1∶1 線附近，R2為0.707，RMSE 為3.017 g/kg，RPD為1.850，模型驗(yàn)證效果最好。

表3 SVR 方法土壤有機(jī)碳含量建模精度統(tǒng)計(jì)Tab.3 Modeling accuracy statistics of soil organic carbon content with SVR

圖6 土壤有機(jī)碳實(shí)測(cè)值與模型（SVR）預(yù)測(cè)值比較Fig.6 Comparison of measured values of soil organic carbon and predicted values by SVR modeling

2.6 模型對(duì)比分析

對(duì)比分析不同模型的精度，可以發(fā)現(xiàn)PCR、PLSR 方法的最優(yōu)光譜變換形式相同，均為CR，而SVR 方法的最優(yōu)光譜變換形式為FRL。以FRL 為建模因子時(shí)，F(xiàn)RL-SVR 模型建模集R2為0.780，驗(yàn)證集R2為0.707，RPD 為1.850，是本研究土壤有機(jī)碳含量最優(yōu)預(yù)測(cè)模型；而FRL-PCR 模型建模集R2為0.638，驗(yàn)證集R2為0.601，RPD 為1.554，是本研究土壤有機(jī)碳含量最差預(yù)測(cè)模型。FRL-SVR 模型建模集和驗(yàn)證集的R2分別高于FRL-PLSR 模型21.685%、17.833%，建模集與驗(yàn)證集的RMSE 分別低于FRL-PLSR 模型21.471%、14.119%。相同光譜變換形式所建模型預(yù)測(cè)效果具有顯著差異，說(shuō)明對(duì)于不同的建模方法，有其相匹配的光譜變換形式。

3 結(jié)論與討論

自黃河中游退耕還林工程實(shí)施以來(lái)，隨著植被的逐漸恢復(fù)，土壤有機(jī)碳含量發(fā)生了巨大的變化，從而對(duì)區(qū)域碳循環(huán)產(chǎn)生一定影響[25-27]。針對(duì)實(shí)驗(yàn)室化學(xué)分析方法無(wú)法快速獲取土壤有機(jī)碳含量的問(wèn)題，研究發(fā)現(xiàn)，利用高光譜技術(shù)可以高效、快速、準(zhǔn)確地反演土壤有機(jī)碳含量[28-31]。本研究以土壤有機(jī)碳含量和光譜曲線數(shù)據(jù)為基礎(chǔ)，分析不同光譜數(shù)據(jù)與土壤有機(jī)碳含量的相關(guān)性，從而建立PCR、PLSR 和SVR 土壤有機(jī)碳高光譜預(yù)測(cè)模型，為快速、準(zhǔn)確獲取土壤有機(jī)碳含量數(shù)據(jù)提供技術(shù)參考。

多數(shù)研究表明，土壤理化性質(zhì)與土壤光譜反射率存在一定的關(guān)系，土壤理化性質(zhì)的差異會(huì)造成獨(dú)特的光譜特征[24]。南鋒等[12]研究發(fā)現(xiàn)，隨著土壤有機(jī)質(zhì)含量的增加，土壤反射率減小。這與本研究結(jié)果一致。土壤水分是影響土壤光譜反射率的一個(gè)重要因素，土壤水分吸收帶主要位于1 400、1 900 nm附近，并且1 900 nm 是土壤水分的特征波段[32]，本研究對(duì)不同土壤有機(jī)碳含量的光譜曲線進(jìn)行分析，同樣發(fā)現(xiàn)了顯著的吸收特征。土壤母質(zhì)又會(huì)以直接或間接的方式影響土壤光譜反射特征，如土壤氧化鐵含量、主要礦物等[33]。土壤中的氧化鐵在土壤光譜900～1 100 nm 波段范圍內(nèi)吸收特征最強(qiáng)，對(duì)土壤光譜特性的影響極大[32]。一般來(lái)說(shuō)，土壤中氧化鐵含量增加，會(huì)導(dǎo)致反射率下降[32]。由于黃綿土僅含有少量褐鐵礦、水云母及氧化鐵混合物[34]，因此，在900 nm 處產(chǎn)生了細(xì)微的光譜吸收特征。史舟等[24]研究認(rèn)為，高嶺石和蒙脫石類礦物會(huì)在2 200、2 300 nm 處形成顯著的吸收特征，而黃綿土礦物組成以石英和長(zhǎng)石為主，僅有少量的高嶺石[34]，從而導(dǎo)致2 200、2 300 nm 處吸收特征微弱。

應(yīng)用土壤光譜數(shù)據(jù)構(gòu)建模型反演土壤養(yǎng)分含量前，對(duì)光譜數(shù)據(jù)進(jìn)行各種形式的變換會(huì)顯著提升土壤養(yǎng)分含量與光譜數(shù)據(jù)的相關(guān)性，從而提高模型精度[32]。倒數(shù)對(duì)數(shù)變換可以減少光照等隨機(jī)因素的影響，增強(qiáng)可見光區(qū)域的差異[35]。本研究土壤有機(jī)碳含量與R 呈極顯著負(fù)相關(guān)，與RL 呈極顯著正相關(guān)，符合前人研究結(jié)果[17]。一階微分和去包絡(luò)線變換可以消除光譜曲線噪聲，突出光譜的吸收和反射特征，從而提高光譜數(shù)據(jù)與土壤有機(jī)碳含量的相關(guān)性[13]。玉米提·買明等[36]、吳倩等[37]研究發(fā)現(xiàn)，對(duì)土壤光譜數(shù)據(jù)進(jìn)行去包絡(luò)線處理，相關(guān)系數(shù)分別增加0.097 和0.160。本研究 將FRL、FD 以 及CR 光譜數(shù)據(jù)與土壤有機(jī)碳含量進(jìn)行相關(guān)分析，相關(guān)系數(shù)絕對(duì)值較R 分別增加0.041、0.057、0.052。

本研究使用5 種光譜數(shù)據(jù)形式與3 種建模方法，進(jìn)行黃河中游退耕還林地土壤有機(jī)碳含量高光譜反演?？傮w上，SVR 模型的效果要優(yōu)于PCR 和PLSR 模型，能對(duì)土壤有機(jī)碳進(jìn)行較好的預(yù)測(cè)，這與郭云開等[21]、周偉等[35]、紀(jì)文君等[38]研究結(jié)果大致相同。SVR 模型可以在高維空間里處理非線性問(wèn)題，具有強(qiáng)大的泛化能力[21]，因此，被廣泛應(yīng)用于土壤理化性質(zhì)反演研究中[13,21,30]。劉恬琳等[39]采用高光譜技術(shù)反演蘋果園土壤有機(jī)質(zhì)含量，結(jié)果表明，SVR 模型具有較好的精度。張雅梅等[40]采用高光譜技術(shù)探討土壤質(zhì)地不同粒徑含量的統(tǒng)一估測(cè)模型，結(jié)果表明，SVR 模型可以實(shí)現(xiàn)土壤中黏粒、粉粒和砂粒的統(tǒng)一估測(cè)。對(duì)比分析建模集、驗(yàn)證集R2、RMSE 和RPD 發(fā)現(xiàn)，本研究效果最優(yōu)的土壤有機(jī)碳預(yù)測(cè)模型為FRL-SVR 模型。然而，本研究未能采用機(jī)器學(xué)習(xí)算法對(duì)SVM 模型參數(shù)進(jìn)行優(yōu)化，一定程度上會(huì)影響模型精度。因此，在后續(xù)研究中，將繼續(xù)圍繞模型參數(shù)優(yōu)化方法開展進(jìn)一步研究。