覃 榮，石媛媛，唐 健，覃祚玉，潘 波，趙雋宇★

（1.廣西國有高峰林場，廣西 南寧530028；2.廣西壯族自治區(qū)林業(yè)科學研究院·廣西林用新型肥料研發(fā)中心，廣西 南寧530002）

在森林生態(tài)系統(tǒng)中，土壤是植物生長發(fā)育的基礎，為植物提供必要的生存環(huán)境、營養(yǎng)物質。同時，土壤又是十分復雜的物質，其中有機-無機物互作，動物、植物和微生物共生，固相、液相和氣相共存。因此土壤所含的信息量巨大[1]，高效、精準地獲取森林土壤的信息數據，對森林資源的培育、保護與利用具有重要意義[2-3]。目前獲取土壤信息的方法主要通過實驗室分析[4-6]。基于實驗室分析方法獲取的土壤信息雖然較為精確，但測定成本高昂，分析時效性較差，獲取的土壤信息點位數量有限[7]。隨著林業(yè)信息化的快速發(fā)展，人們對分析的時效性和成本提出了更高的要求，傳統(tǒng)的實驗手段難以實現實時、動態(tài)化地獲取森林土壤信息的需求[8-9]?？梢?近紅外光譜（Visiblenear-infrared spectroscopy，VIRS）分析技術的迅猛發(fā)展為低成本、高效地獲取森林土壤信息提供了一種新的解決方式[10]。

VIRS 技術是一種具有快速、準確且重現性良好等特點的現代分析技術。VIRS 技術檢測的優(yōu)點很多，一方面是不需要對樣品進行化學手段的前處理，不會產生因為化學廢液處理不當而導致的環(huán)境污染風險；另一方面是使用較為簡單，操作步驟少，對檢測人員的素質要求不高，使用成本較低[11]。同時，由于其集合了光譜學、遙感學、化學計量學、統(tǒng)計學等學科的特點，呈現出多學科交叉與融合，在醫(yī)療[12]、農業(yè)[13-14]、分析化學等領域都得到了廣泛的應用，并取得了顯著的成效。

本文收集、整理了近年來國內外學者就可見-近紅外光譜技術在森林土壤學研究中的相關研究進展進行綜述，介紹了VIRS技術檢測的基本流程（包括前處理方法）以及光譜數據處理與分析方法。針對可見-近紅外光譜技術在林業(yè)遙感、土壤數字制圖、環(huán)境監(jiān)測等方面的意義和未來發(fā)展方向展開討論，以促進可見-近紅外光譜技術在森林土壤研究領域中的應用。以現代化科學研究方法提高研究深度與效率，提升林業(yè)科技水平，促進林業(yè)高質量、可持續(xù)發(fā)展。

1 可見-近紅外光譜概述

可見-近紅外光譜的檢測原理是根據分子內部原子間的相對振動和分子轉動等信息（如C-C、C-O、C-H、N-H 等官能團）對光譜波段的基頻和倍頻吸收獲取樣品光譜數據[15-16]，通過建立光譜數據與檢測指標的回歸模型，實現對樣品組分的定量分析。這種分析方法具有檢測時間短、成本低、信息量大、樣品無損且適用范圍廣（氣體、液態(tài)、固態(tài)、粉末均可以直接測定）等特點[17-18]。由于物質的光學特性是其內部特定元素或分子所特有的，可以作為指紋進行識別，實現樣品的定性分析[15]?？梢?近紅外光譜吸收譜圖包含可見光區(qū)域（350~780 nm），近紅外光譜區(qū)域（780~2 500 nm），由于可見光區(qū)域受樣品顏色、材質等因素影響較多，因此樣品信息主要通過近紅外光譜區(qū)域獲取。森林土壤中主要監(jiān)測指標如有機質、氮、磷、鉀、有效鐵、銅等有效元素含量信息均包含在可見-近紅外光譜區(qū)域，通過對光譜圖的解析，可以有效獲取這些信息。

森林土壤的可見-近紅外光譜分析主要包括以下幾個步驟：1）土壤樣品采集；2）土壤樣品前處理與制備；3）土壤樣品常規(guī)化學測定以及光譜數據采集；4）可見-近紅外光譜譜圖解析、數學變換、特征波段提取，以提高分辨率，降低信息冗余量；5）建立特征波段反演模型，通過線性、非線性建模手段建立光譜數據與土壤信息之間的預測模型。

圖1 可見- 近紅外光譜區(qū)域劃分Fig.1 Visible - NIR spectral region division

1.1 樣品采集與制備

土壤樣品采集是土壤分析工作的重要環(huán)節(jié)，涉及到采樣點的選擇、采樣方法、采樣時間、采樣數量，需根據研究內容與目的確定，通常采用剖面法采集土壤樣品[19]。土壤樣品制備是光譜分析工作的重要環(huán)節(jié)，直接影響分析結果的正確與否，根據不同的研究目的以及紅外光譜設備不同而改變。土壤樣品前處理多采取自然風干，研磨后過孔徑0.149 mm 土篩，風干后能顯著排除土壤水分對光譜數據采集的影響，土篩孔徑越小土壤表面越均勻，測定結果較為準確[20]。

1.2 實驗室分析與光譜采集

土壤化學性質測定均采用常規(guī)分析方法，如有機質采用重鉻酸鉀外加熱法測定；全氮、堿解氮采用凱氏定氮法測定；全鉀采用火焰光度計法測定；有效金屬元素等采用M3 溶液浸提后，原子吸收儀測定[4]。

可見-近紅外光譜測定實驗需要在暗室內進行，光譜儀器選擇以及基本參數設定：波段范圍應介于可見-近紅外波段（350~2 500 nm），分辨率≥1 nm，探頭視場角約為15°，光源采用儀器配套的50 W 鹵素燈，光源入射角一般設置為45°。土壤樣本裝入直徑7 cm、深約1.5 cm 的樣品杯，抹平并壓實，探頭距土壤表面5cm，采用儀器控制器扣除空氣背景值后測定土壤光譜數據。為保證光譜數據的準確性，每個土壤樣本均采集10 次光譜數據，取算術平均值為最終土壤光譜數據。

1.3 光譜數據預處理

原始的光譜數據常用特定的表達式來描述：反射強度（所有沿光譜范圍的反射，不考慮特征和峰）；吸收特征（吸收在曲線上，呈凹陷）；反射峰（正、窄反射率為峰值）；形狀（格式或特定行為）[21-22]。由于土壤理化狀態(tài)很復雜，各個參數間相互干擾，需要對原始光譜數據進行預處理，減少冗余信息，提高信噪比。根據土壤性質、研究目的選擇不同的數學變換方式。平滑(Smoothing)主要是用于消除光譜儀包含的隨機誤差，提高信噪比；導數(Derivative)是光譜分析中常用的基線校正和光譜分辨的預處理方法；標準正態(tài)變換(Standard normal variate，SNV)主要是用來消除固體顆粒大小、表面散射以及光程變化對近紅外漫反射光譜的影響；多元散射校正 (Multiplicative scatter correction，MSC)的目的和SNV 基本相同，在固體漫反射和漿狀物透射中應用較廣；小波變換(Wavelet transform algorithm，WTA) 在時域和頻域同時具有良好的局部化性質；以及近年來國際上提出的一種連續(xù)波段優(yōu)選方法—移動窗口(Moving window partial least square，MWPLS)等[16,23]。

1.4 反演模型的建立

由于土壤信息復雜，同時光譜數據量大，導致信息冗余，光譜分析技術涉及到大量運算，其復雜程度較高，因此選擇高效、穩(wěn)定的數學模型是光譜技術推廣應用的基礎[24]。目前常用的方法主要有多元線性回歸（Multiple Linear Regression）、偏最小二乘法（Partial Least-Square,PLS）、主成分回歸（Principle Component Regression,PCR）等線性回歸模型，以及近年來發(fā)展較為迅猛的非線性回歸模型，如隨機森林法（Random Forest）、支持向量機（Support Vector Machine, SVM）、人工神經網絡（Artificial Neural Network，ANN）等。

2 可見-近紅外光譜技術在土壤成分檢測中的應用

2.1 土壤水分

土壤水分是作物生長的必要要素之一，是土壤肥力的物質基礎；由于不同的自然環(huán)境條件，土壤的含水量可能有很大的不同，利用可見-近紅外光譜技術可以實現森林水分的實時、大范圍的監(jiān)控[25]。自1970年代起，Bower 等[26]研究發(fā)現了土壤水分與光譜特征之間的相關性并建立估測模型，由此使該技術正式進入應用階段。宋韜等[27]利用美國ASD 可見-近紅外光譜儀測定了52 份不同含水量土壤光譜，采用相關性分析篩選敏感波段并建立一元回歸模型，模型的預測相關系數R2為0.9665，預測均方根誤差RMSEP=0.0121。水雖然是簡單的無機物，但是純水中的-O-H官能團對光譜特征有顯著影響，主要通過掩蓋其吸收特征或降低反射率強度來影響土壤中其他成分的光譜行為[28]。Xiguang Yang 等[29]為減少環(huán)境變量對森林土壤水分響應光譜的影響，研究了一種基于實驗室光譜數據反演土壤水分含量的方法，發(fā)現土壤水分響應波段主要集中在1 400~1 900 nm，土壤水分估計的平均精度范圍為90%~92%。由于森林土壤水分的影響因素較于農田土壤更為復雜，目前有關森林土壤水分反演的研究相對較少，亟待開展深入研究。

2.2 土壤有機質

土壤有機質是土壤固相物質的重要組成部分，其含量的高低顯著影響著土壤容重、養(yǎng)分釋放、微生物及土壤酶活性等土壤性質的變化，同時也對土壤形成、水土保持以及森林可持續(xù)經營有著重要意義[30]。自1980 年代開始，國內外學者在土壤有機質含量高光譜技術快速測定方面已做了大量的研究，并取得了較好的成效。Conforti 等[31]研究表明，土壤有機質的含量與可見-近紅外光譜反射率呈現顯著負相關的關系。黃夢曦等[32]以南酸棗落葉闊葉林和石櫟-青岡常綠闊葉林土壤為研究對象，建立了土壤有機碳的可見-近紅外光譜反演模型，擬合模型R2達到0.9 以上。蘇玉珍等[33]通過對山西關帝山森林土壤有機質的可見及近紅外光譜分析，表明利用PLS 建立定標模型效果最優(yōu)。尹正宇等[34]利用SAS 分析模塊將三庫分離數據與光譜反射率數據進行多元逐步回歸分析，篩選了森林土壤有機碳的敏感波段并建立了估測模型。近些年研究表明，土壤有機質含量與光譜響應之間往往存在非線性關系，諸如支持向量機（SVM）、隨機森林（RF）、人工神經網絡（ANN）等人工智能（AI）算法因其對非線性問題具有較強的解釋能力而備受關注[35]。Patrick Filippi 等[36]通過隨機森林模型實現了對新南威爾士州西南部拉克蘭河河谷下游的半干旱灌溉棉花種植區(qū)中層土壤（0.3~0.5 m）SOC 含量建模。Wang等[37]采用增強回歸樹模型對受到雨水侵蝕后的土壤沉積物中SOC 含量實現優(yōu)化預測。隨著AI 算法的不斷迭代與更新，構建土壤有機質含量與光譜響應數據之間的非線性模型將會逐漸替代傳統(tǒng)線性模型。

2.3 土壤養(yǎng)分指標

土壤養(yǎng)分是指存在于土壤中的植物必需的營養(yǎng)元素，養(yǎng)分含量的供應能力會顯著影響植株的生長狀況。因此，土壤養(yǎng)分的實時監(jiān)控與管理顯得尤為重要[38]。在各養(yǎng)分元素中，植物對氮、磷、鉀3 種元素的需求量較大，同時在土壤中的含量也較高，因此相關研究較為充分。徐永明、鮑一丹、高洪智、袁石林等[39-42]分別用主成分分析、BP 神經網絡、PLSR 等方法對土壤中的氮含量進行了預測，對特征波長的篩選方面進行了深入研究，并取得了良好的效果。王文俊等[43]以山西典型褐土土壤為研究對象，選取了144 個土壤樣品，分別采用平均光譜曲線（R）、一階導數（FD）、R 與FD 共同建模、R 與FD 乘積建模以及R 與FD 的商等5 種光譜數據預處理方法，建立PLSR 反演模型，驗證效果良好，具備一定的推廣應用潛力。

土壤礦質元素同樣也是反映森林土壤養(yǎng)分供給能力的重要指標。由于森林土壤具有高度的空間變異性，導致礦質元素的含量差異較大，全面了解土壤礦質組成信息對森林保護與可持續(xù)經營均有著重要意義。但由于各礦質元素的豐缺水平、光譜的敏感性不盡相同，目前針對土壤礦質元素的可見-近紅外光譜快速反演還處于研究探索階段。吳倩等[44]以陜西省黃土高原區(qū)土壤樣品為研究對象，采用常規(guī)數學變換輔以連續(xù)投影算法進行土壤碳酸鈣含量的高光譜波段篩選，采用隨機森林回歸建立了估算模型，結果表明基于二階微分與連續(xù)投影算法的隨機森林估算模型精度最高，驗證集R2為0.82。謝文等[45]以偏最小二乘回歸（PLSR）和徑向基函數（RBF）神經網絡相結合的組合模型建立了廬山森林土壤有效鐵的反演模型，認為組合模型能較大限度地利用各種預測樣本信息，能有效減少單個預測模型中隨機因素的影響，增強預測穩(wěn)定性，提高模型的預測能力。

2.4 土壤重金屬監(jiān)測

重金屬污染是森林土壤中頻發(fā)的環(huán)境問題[46]。土壤重金屬含量的增加不僅會影響植被生長、微生物群落結構，同時也會對人體健康產生直接威脅。由于植物對重金屬的累積、自凈，以及物理遷移等因素的影響，重金屬元素在自然環(huán)境中并不能穩(wěn)定地存在[47]。因此，實時、高效、大范圍的檢測顯得尤為重要。江振藍等以福州市土壤中Cd、Cu、Pb、Cr、Zn、Ni 等6 種重金屬元素為對象，構建了土壤重金屬預測的GWR 高光譜模型，并評價了該模型的局限性以及適用性。阿依努爾·麥提努日[48]對新疆吐魯番盆地葡萄園土壤Pb 元素開展了光譜數據建模工作，發(fā)現土壤Pb 的光譜響應特征主要集中在1 783 nm、1 086 nm、721 nm、494 nm 等范圍內。由于土壤重金屬的光譜響應特征相對較弱，目前有關土壤重金屬元素與可見-近紅外光譜的敏感波段的篩選研究還在持續(xù)開展[49]，同時重金屬的監(jiān)測不僅要檢測含量，還必須分析各種形態(tài)的含量，因此，土壤重金屬的檢測還有待進一步研究。

3 展望

眾多的研究表明，可見-近紅外光譜技術在森林土壤成分檢測中具有快速、高效、無污染、無損等諸多優(yōu)點，在土壤環(huán)境監(jiān)測、林地養(yǎng)分管理、土壤數字制圖等方面具有巨大的優(yōu)勢和發(fā)展?jié)摿?。隨著光譜儀器、搭載平臺的不斷迭代更新，光譜技術在森林土壤中的應用場景將會更為廣泛。本文就以下兩個方面作出展望。

3.1 構建土壤光譜庫

由于不同區(qū)域的立地條件、植被類型以及人為因素的影響，森林土壤具有高度的空間變異性。目前土壤養(yǎng)分反演模型的研究成果僅針對區(qū)域性、小范圍的，在大尺度范圍上推廣應用較為困難[50]。建立大尺度（區(qū)域到全球尺度）土壤光譜庫可能是提高光譜技術效率的理想方法，但這種方法仍面臨一些挑戰(zhàn)[51]。首先，大規(guī)模的光譜庫需要足夠的數量和具有代表性的土壤樣本。當前全球土壤光譜庫收集主要集中在歐洲、澳大利亞和美國等發(fā)達地區(qū)國家，而其他地區(qū)的土壤樣本（如南美洲和亞洲）是不充分的。因此，除了針對光譜敏感波段篩選、反演模型優(yōu)化等方面的研究，還應建立各區(qū)域、不同類型的土壤光譜數據庫，通過大量的土壤樣品減少模型的誤差，同時將土壤樣品采集、前處理以及光譜數據測定等一系列工作標準化，以促進可見-近紅外光譜技術的推廣應用[52-53]。

3.2 土壤數字制圖

傳統(tǒng)的土壤調查是一項艱苦而昂貴的工作，往往費時費力。隨著衛(wèi)星遙感、土壤近地傳感、大數據挖掘和建模技術的發(fā)展，為大尺度土壤數據庫的構建以及土壤養(yǎng)分數字制圖提供了新的數據獲取手段。以航空、航天遙感為基礎，結合多光譜無人機以及車載、手持的便攜式光譜分析儀器[54-55]，能夠高效、準確、實時地獲取土壤信息。利用多源遙感數據結合GIS 系統(tǒng)，能夠有效解決傳統(tǒng)制圖技術對于土壤屬性預測制圖的不足，也為農業(yè)、林業(yè)的實際生產提供先進、高效的技術支持，從根本上改變我國粗放型農業(yè)、林業(yè)現狀，基于海量、客觀數據的分析結果提高管理決策的科學性和準確性，并最終實現由科學的分析手段指導農業(yè)、林業(yè)生產。