胡國(guó)田, 尚會(huì)威, 譚瑞虹, 許翔虎, 潘偉東

1.西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院，陜西 楊凌 712100 2.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點(diǎn)實(shí)驗(yàn)室，陜西 楊凌 712100 3.陜西省農(nóng)業(yè)信息感知與智能服務(wù)重點(diǎn)實(shí)驗(yàn)室，陜西 楊凌 712100

引 言

土壤有機(jī)質(zhì)(soil organic matter，SOM)是評(píng)價(jià)土壤肥力和養(yǎng)分的重要指標(biāo)，是科學(xué)精準(zhǔn)施肥需獲取的重要信息。準(zhǔn)確獲取土壤有機(jī)質(zhì)含量是保持土壤肥力、維持良好耕地質(zhì)量的基礎(chǔ)。傳統(tǒng)的土壤有機(jī)質(zhì)含量測(cè)量方法雖然精度比較高，但是操作復(fù)雜、周期長(zhǎng)、破壞性大、成本較高，不適合大面積測(cè)量。土壤可見(jiàn)-近紅外光譜曲線包含豐富的光譜信息，能夠綜合反映多種土壤信息。近年來(lái)，國(guó)內(nèi)外許多學(xué)者針對(duì)某一地區(qū)或某種土壤開(kāi)展有機(jī)質(zhì)含量光譜預(yù)測(cè)研究，有機(jī)質(zhì)含量的光譜預(yù)測(cè)精度不斷提高[1-3]，但在進(jìn)行大范圍多類(lèi)型土壤的有機(jī)質(zhì)含量預(yù)測(cè)時(shí)，不同類(lèi)型土壤的光譜差異會(huì)影響預(yù)測(cè)精度。

對(duì)多類(lèi)型土壤建立有機(jī)質(zhì)含量校正模型主要有兩種方法，即用大范圍多類(lèi)型的土壤樣品建模和模型傳遞。Brown等[4]從全球五大洲采集4 184個(gè)獨(dú)立樣本對(duì)陽(yáng)離子交換量、土壤有機(jī)碳、土壤無(wú)機(jī)碳、粘土含量、游離鐵含量等7種土壤屬性進(jìn)行預(yù)測(cè)，證明了可見(jiàn)-近紅外光譜在全球土壤表征方面的基本可行性。Krishnan等[5]利用逐步多元線性回歸對(duì)美國(guó)伊利諾斯州4種類(lèi)型土壤的光譜反射率數(shù)據(jù)分析，發(fā)現(xiàn)564和623 nm是有機(jī)質(zhì)的敏感波段。陳昊宇等[6]采用連續(xù)小波變換對(duì)多種土壤類(lèi)型光譜數(shù)據(jù)進(jìn)行預(yù)處理，提升光譜數(shù)據(jù)與有機(jī)質(zhì)含量之間的相關(guān)系數(shù)，進(jìn)而提高模型精度。紀(jì)文君等[7]提取了7組不同地區(qū)不同類(lèi)型土壤樣品共同的有機(jī)質(zhì)響應(yīng)波段，為建立多類(lèi)型土壤的有機(jī)質(zhì)含量校正模型提供參考。但若要采集全球所有類(lèi)型土壤光譜并進(jìn)行土壤有機(jī)質(zhì)含量預(yù)測(cè)并不可行，且模型精度也可能隨著土壤類(lèi)型數(shù)量的增加而降低。針對(duì)某一土壤類(lèi)型的光譜校正模型應(yīng)用到其他土壤類(lèi)型的養(yǎng)分含量檢測(cè)精度顯著下降問(wèn)題，模型傳遞提供了一種有效的解決方案。Padarian等[8]論證了模型傳遞的有效性，模型傳遞前后土壤有機(jī)碳、陽(yáng)離子交換量、粘土含量和pH值的預(yù)測(cè)均方根誤差都降低了10%以上。Panchuk等[9]通過(guò)直接校正算法(DS)成功將一定波長(zhǎng)范圍的杏仁糖近紅外光譜定量模型應(yīng)用于另一臺(tái)近紅外儀器。國(guó)內(nèi)外許多學(xué)者也嘗試使用其他模型傳遞算法如典型相關(guān)分析算法[10]、斜率截距校正法[11]等。

目前，大多數(shù)模型傳遞研究以不同儀器之間模型傳遞為主，主要在改良算法或開(kāi)發(fā)新算法范疇內(nèi)進(jìn)行，通常需要大量的樣品來(lái)使模型傳遞更加可靠[12]。這些算法在解決不同類(lèi)型土壤之間的模型傳遞時(shí)具有局限性，難以適應(yīng)田間土壤養(yǎng)分含量的快速檢測(cè)需求。本研究探索在已有土壤類(lèi)型的有機(jī)質(zhì)含量光譜預(yù)測(cè)模型基礎(chǔ)上，通過(guò)適當(dāng)增加另一土壤類(lèi)型的樣品參與建模，優(yōu)化已有模型，提高已有模型對(duì)新土壤類(lèi)型的有機(jī)質(zhì)含量檢測(cè)精度，為基于可見(jiàn)-近紅外光譜的農(nóng)田多類(lèi)型土壤的有機(jī)質(zhì)含量實(shí)時(shí)檢測(cè)提供一種新的經(jīng)濟(jì)可行的模型傳遞方法，提高模型的普適性，為建立大面積小樣本的多類(lèi)型土壤的有機(jī)質(zhì)含量校正模型提供參考。

1 實(shí)驗(yàn)部分

1.1 樣本采集

主要土地資源區(qū)(major land resource areas, MLRAs)是美國(guó)農(nóng)業(yè)部定義的用來(lái)描述相似氣候、土壤和土地用途的區(qū)域，是依據(jù)土壤、氣候、水資源或土地利用的顯著地理特征進(jìn)行劃分[13]。本研究土壤樣品采自N116B區(qū)和M107B區(qū)，兩區(qū)的地理位置如圖1所示。

圖1 N116B區(qū)和M107B區(qū)在美國(guó)地圖上的位置

N116B區(qū)位于斯普林菲爾德平原，屬于亞熱帶常綠闊葉林氣候地帶，年降水集中，年均降水量為660～1 040 mm，年均氣溫8～13 ℃，牧場(chǎng)面積占比近50%。M107B區(qū)位于愛(ài)荷華州和密蘇里州中部的黃土丘陵，屬于溫帶草原氣候地帶，其年均降水量1 040～1 145 mm，年均氣溫13～15 ℃，該地區(qū)農(nóng)場(chǎng)較多，存在水土流失、土壤中有機(jī)物的枯竭和水質(zhì)差等資源問(wèn)題。共采集了259份土壤樣品，其中M107B區(qū)土壤樣品89份，N116B區(qū)土壤樣品170份。所有土壤樣品的采樣深度均為0～15 cm。所有樣品用烤箱烘干后研磨，過(guò)2 mm孔篩，再分成兩份分別用于實(shí)驗(yàn)室理化檢測(cè)和光譜掃描。土壤有機(jī)質(zhì)的理化檢測(cè)使用灼燒法，在密蘇里大學(xué)的土壤與植物檢測(cè)實(shí)驗(yàn)室完成，理化檢測(cè)得到的源土壤M107B區(qū)和目標(biāo)土壤N116B區(qū)的土壤有機(jī)質(zhì)含量統(tǒng)計(jì)特征見(jiàn)表1。

表1 土壤有機(jī)質(zhì)含量理化分析結(jié)果統(tǒng)計(jì)

從研磨過(guò)篩的土壤樣品中取約15 cm3土壤裝入底部為玻璃的樣品杯中，搖晃樣品杯使較細(xì)顆粒土壤位于杯底，鹵素?zé)舻墓馔ㄟ^(guò)玻璃照射土壤樣品表面，反射光通過(guò)光纖傳輸?shù)焦庾V儀。光譜儀采用美國(guó)ASD公司的FieldSpec Pro FR光譜儀，該光譜儀由3個(gè)不同波段的獨(dú)立光譜儀組合而成，波段分別為350～1 100，1 000～1 900和1 700～2 500 nm，其總波長(zhǎng)范圍是350～2 500 nm，光譜儀分辨率為3 nm(350～1 000 nm)，10 nm(1 000～2 500 nm)；采樣間隔為1.4 nm(350～1 000 nm)，2 nm(1 000～2 500 nm)；采樣輸出數(shù)據(jù)間隔為1 nm。計(jì)算機(jī)安裝光譜采集軟件FieldSpec RS3記錄土壤樣品的光譜數(shù)據(jù)。采集光譜時(shí)，F(xiàn)ieldSpec RS3的參數(shù)設(shè)置為：光譜平均數(shù)30次，白板掃描平均數(shù)50次，暗電流掃描平均數(shù)50次。暗電流掃描在每個(gè)掃描階段開(kāi)始時(shí)進(jìn)行，之后每30 min最少掃描1次。按0°，45°和90°放置樣品杯，采集各角度下的土壤樣品光譜。若3次所得反射光譜相似，取其平均值作為該土壤樣品的光譜數(shù)據(jù)；若3次反射光譜中有1次獲得的光譜反射率與另外2次有顯著差異，則去除該次光譜掃描數(shù)據(jù)，并以另外2次光譜反射率的均值作為該土壤樣品的光譜數(shù)據(jù)。每掃描5個(gè)土壤樣品后進(jìn)行白板校正以消除參考光譜誤差。光譜掃描完成后去除所有土壤樣品的光譜曲線中光譜數(shù)據(jù)信噪比低的邊緣波段350～400和2 451～2 500 nm。光譜掃描在密蘇里大學(xué)校內(nèi)的美國(guó)農(nóng)業(yè)部農(nóng)業(yè)研究所完成。

圖2為源土壤M107B區(qū)和目標(biāo)土壤N116B區(qū)兩組土壤樣品的平均光譜反射率曲線。從401～2 450 nm全波段范圍的光譜反射率來(lái)看，兩個(gè)地區(qū)土壤的光譜曲線在1 400，1 900和2 200 nm附近都存在明顯的水分吸收谷。N116B區(qū)土壤類(lèi)型主要為淋育土(Alfisols)、極育土(Ultisolor)和黑沃土(Mollisols)，大部分土地用地為農(nóng)場(chǎng)和牧場(chǎng)，土壤的有機(jī)質(zhì)含量較高；M107B區(qū)土壤類(lèi)型主要為黑沃土，存在水土流失、土壤中有機(jī)物耗竭等資源問(wèn)題，土壤的有機(jī)質(zhì)含量較低；且M107B區(qū)表層土壤的顏色比N116B區(qū)的更深。故N116B區(qū)土壤有機(jī)質(zhì)含量高于M107B區(qū)(如表1所示)，但N116B區(qū)土壤的光譜反射率卻比較高。

圖2 源土壤M107B區(qū)和目標(biāo)土壤N116B區(qū)的土壤反射率均值曲線

1.2 數(shù)據(jù)處理

1.2.1 樣本集劃分

利用Kennard-Stone(KS)算法將M107B區(qū)89個(gè)土壤樣品按照3∶1的比例劃分為校正集和驗(yàn)證集。隨機(jī)挑選出N116B區(qū)20個(gè)土壤樣品作為N116B區(qū)驗(yàn)證集，本研究中后續(xù)對(duì)N116B區(qū)土壤有機(jī)質(zhì)含量進(jìn)行預(yù)測(cè)，均是指對(duì)這20個(gè)驗(yàn)證集土壤樣品進(jìn)行預(yù)測(cè)；N116B區(qū)剩余150個(gè)土壤樣品隨機(jī)劃分成30組，每組包含5個(gè)土壤樣品，再根據(jù)實(shí)驗(yàn)需要加入到M107B區(qū)樣品集中。

1.2.2 特征波長(zhǎng)提取

去除光譜曲線中光譜數(shù)據(jù)信噪比低的邊緣波段350～400和2 451～2 500 nm后，采用窗口競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣(window competitive adaptive reweighted sampling，WCARS)和連續(xù)投影算法(successive projections algorithm, SPA)進(jìn)行波長(zhǎng)選擇以提高預(yù)測(cè)精度，簡(jiǎn)化模型[14]。WCARS結(jié)合“窗口”與CARS方法的優(yōu)勢(shì)，能有效增強(qiáng)特征波長(zhǎng)變量選擇的準(zhǔn)確性和穩(wěn)定性。SPA通過(guò)提取最低限度的冗余信息的波長(zhǎng)組合，消除共線問(wèn)題。因此，采用WCARS聯(lián)合SPA算法獲取較少的特征波長(zhǎng)。將M107B區(qū)89個(gè)土壤樣品的光譜數(shù)據(jù)通過(guò)WCARS+SPA挑選后，確定544，728，1 486，1 830，1 895，2 285和2 450 nm等7個(gè)特征波長(zhǎng)，并將這7個(gè)波長(zhǎng)作為SOM特征波長(zhǎng)。

1.3 模型構(gòu)建

最小二乘支持向量機(jī)(least squares support vector machines, LSSVM)建模時(shí)，如何對(duì)正則參數(shù)λ和核參數(shù)σ進(jìn)行優(yōu)化是不可避免的問(wèn)題。粒子群算法(particle swarm optimization, PSO)是一種通過(guò)更新速度和位置來(lái)不斷更新到參數(shù)最優(yōu)解的群體優(yōu)化智能算法，自提出以來(lái)被廣泛應(yīng)用[15]。本研究通過(guò)PSO優(yōu)化LSSVM，建立土壤有機(jī)質(zhì)含量校正模型。

1.4 方法

以M107B區(qū)土壤樣品為源土壤，以N116B區(qū)土壤樣品為目標(biāo)土壤，從N116B區(qū)170個(gè)土壤樣品中隨機(jī)挑選出20個(gè)作為驗(yàn)證集。將M107B區(qū)89個(gè)土壤樣品采用KS算法按照3∶1劃分校正集和驗(yàn)證集，用WCARS+SPA提取SOM特征波長(zhǎng)后，從3個(gè)方面進(jìn)行實(shí)驗(yàn)研究，研究流程如圖3所示。(1)通過(guò)PSO-LSSVM算法對(duì)M107B區(qū)66個(gè)校正集樣品建立有機(jī)質(zhì)含量校正模型，并用該區(qū)的驗(yàn)證集驗(yàn)證模型精度；(2)用M107B區(qū)89個(gè)土壤樣品，建立SOM含量的PSO-LSSVM校正模型，用該模型預(yù)測(cè)N116B區(qū)的20個(gè)驗(yàn)證集土壤樣品的有機(jī)質(zhì)含量；(3)將N116B區(qū)剩余的150個(gè)土壤樣品隨機(jī)等分成30組，在由M107B區(qū)的89個(gè)土壤樣品組成的樣品集中，每次加入N116B區(qū)的1組5個(gè)土壤樣品組成新的樣品集，以新的樣品集為校正集建立校正模型，再用校正模型對(duì)N116B區(qū)20個(gè)驗(yàn)證集樣品進(jìn)行SOM含量預(yù)測(cè)，直至全部加入N116B區(qū)的30組土壤樣品。比較M107B區(qū)校正模型對(duì)M107B區(qū)及N116B區(qū)SOM含量預(yù)測(cè)精度，分析加入建模的N116B區(qū)土壤樣品數(shù)量與模型性能之間的關(guān)系。

圖3 實(shí)驗(yàn)流程圖

1.5 模型評(píng)價(jià)指標(biāo)

以預(yù)測(cè)決定系數(shù)(coefficient of determination,R2)、預(yù)測(cè)均方根誤差(root mean square error of prediction, RMSEP)和預(yù)測(cè)相對(duì)分析誤差(ratio of standard deviation to RMSEP, RPD)對(duì)模型評(píng)價(jià)。

2 結(jié)果與討論

2.1 未加入目標(biāo)土壤樣品的模型傳遞

實(shí)驗(yàn)(1)建立M107B區(qū)土壤有機(jī)質(zhì)PSO-LSSVM校正模型并預(yù)測(cè)驗(yàn)證集土壤有機(jī)質(zhì)含量，結(jié)果如表2所示，預(yù)測(cè)R2=0.859，預(yù)測(cè)RPD=2.660，表明模型能有效預(yù)測(cè)M107B區(qū)內(nèi)部的土壤有機(jī)質(zhì)含量。實(shí)驗(yàn)(2)以M107B區(qū)89個(gè)土壤樣品作為校正集建立土壤有機(jī)質(zhì)含量校正模型，對(duì)N116B區(qū)20個(gè)驗(yàn)證集土壤樣品進(jìn)行預(yù)測(cè)，結(jié)果如表2所示，其模型預(yù)測(cè)R2=0.562，預(yù)測(cè)RPD=0.952，表明M107B區(qū)的校正模型不能有效預(yù)測(cè)N116B區(qū)的土壤有機(jī)質(zhì)含量。實(shí)驗(yàn)(1)和實(shí)驗(yàn)(2)建模過(guò)程中均只使用M107B區(qū)土壤樣品，直接將M107B區(qū)土壤有機(jī)質(zhì)含量校正模型用于N116B區(qū)土壤樣品時(shí)模型預(yù)測(cè)精度顯著降低，預(yù)測(cè)決定系數(shù)R2降低了34.6%，預(yù)測(cè)相對(duì)分析誤差RPD降低了64.2%，模型傳遞失敗。

表2 實(shí)驗(yàn)(1)和實(shí)驗(yàn)(2)的模型性能

2.2 加入目標(biāo)土壤樣品后的模型傳遞

實(shí)驗(yàn)(3)用M107B區(qū)土壤樣品建立有機(jī)質(zhì)含量校正模型時(shí)加入部分N116B區(qū)土壤校正集樣品，建立校正模型后預(yù)測(cè)N116B區(qū)的驗(yàn)證集土壤有機(jī)質(zhì)含量。校正模型預(yù)測(cè)N116B區(qū)的驗(yàn)證集土壤有機(jī)質(zhì)含量的R2，RMSEP和RPD值隨加入的N116B區(qū)土壤校正集樣品數(shù)量的變化結(jié)果如表3和圖4所示，表3中僅列出RPD值變化超過(guò)1%的實(shí)驗(yàn)數(shù)據(jù)。隨著加入的N116B區(qū)土壤校正集樣品數(shù)量增加，校正模型的預(yù)測(cè)R2和RPD逐漸提高，RMSEP逐漸降低。當(dāng)加入樣品數(shù)量達(dá)到35時(shí)，校正模型的預(yù)測(cè)R2>0.80，RPD>2.0；當(dāng)加入樣品數(shù)量達(dá)到50以上，模型精度變化趨于平穩(wěn)。但是，在加入101—105號(hào)N116B區(qū)土壤校正集樣品后，校正模型預(yù)測(cè)R2發(fā)生了突變，這些樣本可能對(duì)N116B區(qū)土壤的預(yù)測(cè)精度有較大影響，因此需對(duì)101—105樣本進(jìn)一步研究。

表3 實(shí)驗(yàn)(3)模型性能

2.3 模型傳遞的穩(wěn)定性

加入N116B區(qū)101—105號(hào)土壤校正集樣品后，模型精度出現(xiàn)突變(如圖4所示)。為了探明加入單個(gè)樣品對(duì)模型精度的影響，本節(jié)研究將101-110號(hào)目標(biāo)土壤樣品提取出來(lái)，每次只新增1個(gè)樣品到校正集中參與建模，即：第一次對(duì)M107B區(qū)89個(gè)土壤樣品和N116B區(qū)1—101號(hào)樣品組成新的校正集建立校正模型，第二次對(duì)M107B區(qū)89個(gè)土壤樣品和N116B區(qū)1—102號(hào)樣品組成新的校正集建立校正模型，以此類(lèi)推，直到101—110號(hào)樣品全部參與建模。再對(duì)N116B區(qū)的20個(gè)驗(yàn)證集樣品進(jìn)行土壤有機(jī)含量預(yù)測(cè)，預(yù)測(cè)R2如圖5所示。結(jié)果表明：當(dāng)加入105號(hào)目標(biāo)土壤校正集樣品時(shí)模型R2由0.810提高到0.867。將105號(hào)樣品去除后重新建模，模型決定系數(shù)R2如圖5，模型R2不再提高，因此確定105號(hào)樣品引起模型R2發(fā)生突變。

圖4 加入不同數(shù)量的N116B區(qū)土壤樣品后的模型性能

圖5 加入105號(hào)樣品和不加入時(shí)的模型預(yù)測(cè)R2對(duì)比

為找出平穩(wěn)區(qū)影響模型R2值發(fā)生0.05以上突變的樣品的特征，本研究按照實(shí)驗(yàn)(3)方法進(jìn)行多次重復(fù)實(shí)驗(yàn)，共提取出20個(gè)與105號(hào)樣品類(lèi)似的能使模型R2值提高0.05以上的N116B區(qū)校正集土壤樣品，其有機(jī)質(zhì)含量及其特征波長(zhǎng)的光譜反射率如表4所示。由于源土壤M107B區(qū)樣品的SOM平均濃度低于目標(biāo)土壤N116B區(qū)樣品的SOM平均濃度(如表1所示)，且光譜反射率均值低于目標(biāo)土壤N116B區(qū)(如圖2所示)，因此，造成校正模型預(yù)測(cè)R2值突然提高0.05的原因可能是N116B區(qū)這20個(gè)土壤樣品較M107B區(qū)土壤樣品的SOM濃度較高或光譜反射率較高。該20個(gè)樣品對(duì)模型傳遞精度影響較大，因此后續(xù)研究中，在加入N116B區(qū)土壤樣品建模時(shí)將這20個(gè)特殊樣品的優(yōu)先級(jí)提高，即先加入這20個(gè)特殊樣品，再把N116B區(qū)其余130個(gè)土壤校正集樣品隨機(jī)等分成26組，每次加入1組5個(gè)土壤樣品到M107B區(qū)土壤樣品集中作為新的樣品集，以新的樣品集為校正集建立校正模型，再用校正模型對(duì)N116B區(qū)20個(gè)驗(yàn)證集土壤樣品進(jìn)行有機(jī)質(zhì)含量預(yù)測(cè)，直至加入N116B區(qū)所有校正集土壤樣品。校正模型預(yù)測(cè)N116B區(qū)的驗(yàn)證集土壤有機(jī)質(zhì)含量的R2，RMSEP和RPD值隨加入的N116B區(qū)土壤校正集樣品數(shù)量的變化結(jié)果如圖6所示，當(dāng)加入的N116B區(qū)土壤校正集樣品數(shù)量由5增加到45時(shí)，校正模型預(yù)測(cè)N116B區(qū)驗(yàn)證集土壤有機(jī)質(zhì)含量的R2從0.690逐漸增加到0.800；當(dāng)加入的樣品數(shù)量達(dá)到45以后，校正模型預(yù)測(cè)R2在±0.015范圍內(nèi)波動(dòng)，逐漸趨于穩(wěn)定，未出現(xiàn)模型精度突變情況。因此，在將M107B區(qū)土壤有機(jī)質(zhì)校正模型傳遞給N116B區(qū)時(shí)，應(yīng)優(yōu)先加入比M107B區(qū)土壤樣品的SOM濃度高或光譜反射率高的N116B區(qū)土壤樣品參與建模，以提高模型預(yù)測(cè)精度和避免模型傳遞時(shí)模型精度出現(xiàn)突變。

圖6 加入N116B區(qū)除特殊樣品外的130個(gè)土壤樣品的模型性能

表4 提高模型R2值0.05以上的N116B區(qū)土壤校正集樣品數(shù)據(jù)

3 結(jié) 論

基于可見(jiàn)-近紅外光譜建立M107B區(qū)的土壤有機(jī)質(zhì)含量校正模型，探索將M107B區(qū)土壤有機(jī)質(zhì)校正模型應(yīng)用到N116B區(qū)土壤有機(jī)質(zhì)含量預(yù)測(cè)的模型傳遞方法。研究結(jié)果表明，M107B區(qū)土壤有機(jī)質(zhì)的PSO-LSSVM校正模型R2=0.859，RMSEP=0.334%，RPD=2.660，可以有效預(yù)測(cè)M107B區(qū)土壤有機(jī)質(zhì)含量。用M107B區(qū)土壤有機(jī)質(zhì)校正模型預(yù)測(cè)N116B區(qū)的土壤驗(yàn)證集樣品的有機(jī)質(zhì)含量和預(yù)測(cè)M107B區(qū)土壤驗(yàn)證集樣品的有機(jī)質(zhì)含量相比，預(yù)測(cè)R2和預(yù)測(cè)RPD分別降低了34.6%和64.2%，且預(yù)測(cè)精度很低，不能有效預(yù)測(cè)N116B區(qū)土壤有機(jī)質(zhì)含量。將部分N116B區(qū)土壤樣品加入M107B區(qū)土壤樣品集后重新建模，模型對(duì)N116B區(qū)土壤的有機(jī)質(zhì)含量預(yù)測(cè)精度隨加入的N116B區(qū)土壤樣品數(shù)量增加逐漸提高。在加入樣品數(shù)量達(dá)到50后模型精度變化趨于穩(wěn)定，且模型預(yù)測(cè)R2>0.80，RPD>2.0，能有效預(yù)測(cè)土壤有機(jī)質(zhì)含量，成功實(shí)現(xiàn)M107B區(qū)模型預(yù)測(cè)N116B區(qū)土壤有機(jī)質(zhì)含量的模型傳遞。為提高模型傳遞時(shí)的預(yù)測(cè)精度，應(yīng)優(yōu)先加入比M107B區(qū)土壤樣品的SOM濃度高或光譜反射率高的N116B區(qū)土壤樣品參與建模。本文研究M107B區(qū)土壤有機(jī)質(zhì)含量校正模型預(yù)測(cè)N116B區(qū)土壤有機(jī)質(zhì)含量的建模方法，提出了一種新的基于可見(jiàn)-近紅外光譜的模型傳遞方法，為建立大面積小樣本的多類(lèi)型土壤有機(jī)質(zhì)含量校正模型提供一種有效的解決方案，為提高大范圍多類(lèi)型土壤的有機(jī)質(zhì)含量農(nóng)田在線光譜檢測(cè)的準(zhǔn)確性、減少模型計(jì)算量、降低檢測(cè)成本提供一種實(shí)用方法。