摘要：為優(yōu)化土壤有機質(zhì)含量預(yù)測模型運算速度，以50份土壤有機質(zhì)為例，利用Pearson相關(guān)系數(shù)分析法對土壤有機質(zhì)的特征波段進行提煉篩選。結(jié)果表明，土壤樣品的反射光譜與土壤有機質(zhì)含量在555～662 nm波段范圍內(nèi)呈較強負(fù)相關(guān)，顯著特征波段為601 nm；經(jīng)過不同預(yù)處理后的土壤反射光譜與土壤有機質(zhì)含量呈較強的相關(guān)性，顯著特征波段增加，主要體現(xiàn)在601、1 221、1 410、1 665、1 880、2 110、2 200 nm波段附近。對不同土壤含水率的反射光譜與土壤有機質(zhì)含量之間的Pearson相關(guān)曲線進行分析發(fā)現(xiàn)，顯著特征波段主要體現(xiàn)在601、1 450、1 930、2 200 nm波段附近，隨著土壤含水率的增加，土壤有機質(zhì)的特征波段601 nm的相關(guān)性逐漸減弱，土壤水分的特征波段1 450、1 930、2 200 nm的相關(guān)性逐漸加強；土壤含水率超過10%，土壤反射光譜與土壤有機質(zhì)含量呈正相關(guān)。研究獲取的土壤有機質(zhì)特征波段和土壤水分影響波段，為土壤有機質(zhì)快速檢測模型的建立提供理論支撐。

關(guān)鍵詞：土壤有機質(zhì)；可見-近紅外反射光譜；Pearson相關(guān)系數(shù)；土壤水分

doi：10.13304/j.nykjdb.2023.0309

中圖分類號：X836；O657.33 文獻標(biāo)志碼：A 文章編號：1008?0864（2024）07?0183?06

可見-近紅外光譜作為一種快速無損檢測技術(shù)，在土壤有機質(zhì)（soil organic matter， SOM）檢測分析中廣泛應(yīng)用[1?2]。通過建立土壤反射光譜與土壤有機質(zhì)含量的定量分析模型，可實現(xiàn)快速篩查和定量分析。為提高模型的運算速度，土壤有機質(zhì)特征波段的提煉篩選是一項重要的研究工作[3]，目前仍處于探索階段。Kirshnan等[4]通過建立1 130、1 350、1 398和2 210 nm波段處與土壤有機質(zhì)含量的多元線性回歸方程，得出相關(guān)系數(shù)為0.934；Wu 等[5] 通過一階導(dǎo)數(shù)分析得出，800～1 400、1 600～1 700、2 100～2 200、2 300～2 500 nm波段與土壤水分相關(guān)性弱，而與SOM光譜信息相關(guān)性強；Wang等[6]通過二維相關(guān)同步光譜分析得出，600和1 660 nm附近波段是SOM的特征波段；李陽等[7]分析不同有機質(zhì)含量土樣的光譜特性得出，SOM在400～842 nm波段范圍與反射率具有較高的相關(guān)性，相關(guān)系數(shù)最大值出現(xiàn)在588 nm；譚洋等[8]采用標(biāo)準(zhǔn)正態(tài)變量變換-連續(xù)小波變換法分解土壤光譜反射率得出，SOM在450、580和820 nm附近的波段屬于主要特征波段范圍，超過1 400、1 495、2 210、2 420 nm屬于SOM的特征波段；曹永研等[9]分析水分和粒徑對SOM預(yù)測模型的影響，并結(jié)合化學(xué)鍵特性，確定8個特征波長（932、999、1 083、1 191、1 316、1 356、1 583、1 626 nm）所建立的模型具有較好的適用性和預(yù)測效果；張笑寒等[10]分析得出，比值指數(shù)、歸一化指數(shù)、重歸一化植被指數(shù)和修正簡單比值指數(shù)4種光譜指數(shù)在離散小波變換各種分解尺度下的SOM敏感波段都集中在短波紅外區(qū)域，主要集中在1 200、1 400、1 600、2 400 nm附近，表明光譜輸入量結(jié)合離散小波變化預(yù)測SOM含量是可行的；張俊華等[11]采用分?jǐn)?shù)階微分聯(lián)合優(yōu)化光譜指數(shù)分析低肥力地區(qū)SOM含量的反演效果得出，敏感波段主要集中在1 450～1 750和2 100～2 400 nm，能夠有效消除土壤水分敏感波段1 400 和1 900 nm處的干擾。特征波段提煉篩選能有效地提高SOM含量的可見-近紅外光譜預(yù)測模型速率。

本研究以SOM 含量為例，通過皮爾遜（Pearson）相關(guān)系數(shù)，研究可見-近紅外光譜范圍內(nèi)的反射光譜特征、土壤反射光譜與有機質(zhì)含量的相關(guān)性，并研究土壤含水率反射光譜與SOM含量之間的相關(guān)性，得出土壤有機質(zhì)的特征波段和土壤水分影響波段，以期為SOM快速檢測模型的建立提供理論支撐。

1 材料與方法

1.1 試驗材料

研究所用的50份土壤樣品采自山西省中部（34°34'—40°44'N、110°14'—114°33'E），土壤類型為壤土。

1.2 試驗方法

采集的土壤樣品帶回實驗室，在自然條件下經(jīng)風(fēng)干、研磨、過2 mm孔篩。然后對土壤樣品進行烘干，烘干條件為106 ℃、6 h。針對每份土壤樣品，配制質(zhì)量含水率為5%、10%、15%和17%的土壤樣本，烘干土壤樣本設(shè)置為空白對照組。

1.3 可見近紅外光譜采集和SOM 含量測定

可見-近紅外光譜采用FieldSpec 3 光譜儀（美國ASD 公司）進行光譜采集，波長范圍350～2 500 nm，去除噪聲較大的邊緣波段350～400 和2 450～2 500 nm，保留信噪比高的400～2 450 nm波段進行數(shù)據(jù)分析。每個樣品采集3次，每次采集3條光譜，進行算術(shù)平均后得到各樣品的實際反射光譜數(shù)據(jù)。

SOM 含量測定參照NY/T 1121.6—2006[12]采用重鉻酸鉀法進行。SOM 含量范圍為0.40%～7.92%，平均值為2.22%，標(biāo)準(zhǔn)偏差為1.22%。

1.4 光譜預(yù)處理與數(shù)據(jù)分析

為了減少背景噪聲、基線漂移、雜散光等無用信息對原始光譜數(shù)據(jù)的干擾，對土壤反射光譜（reflectance， Ref）進行吸光度轉(zhuǎn)化（transmission ofabsorbance log （1/T）， Abs）、標(biāo)準(zhǔn)正態(tài)變量變換（standard normal variate transformation， SNV）、基線校正（baseline offset）、一階導(dǎo)數(shù)（first-order derivative，F(xiàn)D）、二階導(dǎo)數(shù)（second-order derivative， SD）等光譜預(yù)處理（其中一階導(dǎo)數(shù)和二階導(dǎo)數(shù)采用2次多項式的求導(dǎo)模式，3點平滑數(shù)），進一步分析土壤反射光譜與SOM含量之間的響應(yīng)關(guān)系。光譜數(shù)據(jù)預(yù)處理采用Unscrambler 9.7軟件（挪威CAMO公司）。

使用Pearson相關(guān)系數(shù)描述不同土壤含水率條件下，土壤反射光譜與SOM含量之間的響應(yīng)關(guān)系，并描述土壤含水率反射光譜與SOM含量之間的響應(yīng)關(guān)系。

數(shù)據(jù)分析和圖表制作采用Matlab R2015a和Excel 2010完成。

2 結(jié)果與分析

2.1 土壤的反射光譜與SOM 含量的Pearson 相關(guān)系數(shù)

圖1是不同有機質(zhì)含量的土壤樣品的反射光譜曲線，土壤的原始反射光譜曲線的變化趨勢基本相同，可以發(fā)現(xiàn)隨著SOM含量的增加，土壤的光譜反射率并沒有呈現(xiàn)下降或增加的趨勢，變化趨勢錯綜復(fù)雜；由圖2 土壤樣品的反射光譜與SOM 含量之間的Pearson 相關(guān)系數(shù)曲線可知，在400～1 015 nm波段范圍內(nèi)，其Pearson相關(guān)系數(shù)為負(fù)值，SOM含量與土壤樣品的反射光譜呈現(xiàn)負(fù)相關(guān)，最大負(fù)相關(guān)系數(shù)為0.827；在1 016～2 450 nm波段范圍內(nèi)，其Pearson相關(guān)系數(shù)為正值，SOM含量與土壤樣品的反射光譜呈現(xiàn)正相關(guān)，相關(guān)系數(shù)均小于0.3。在555～662 nm 波段范圍內(nèi)，Pearson相關(guān)系數(shù)絕對值呈現(xiàn)先上升后下降的趨勢，由于400～554 nm波段范圍噪聲干擾大，因此相關(guān)系數(shù)最大絕對值出現(xiàn)在601 nm處（0.759），說明該波段范圍能體現(xiàn)有機質(zhì)的光譜信息，這個結(jié)果與二維相關(guān)同步光譜得出的SOM特征波段在600 nm處相吻合[6]。

2.2 不同預(yù)處理光譜與SOM 含量的Pearson 相關(guān)系數(shù)

不同預(yù)處理光譜對SOM 含量的響應(yīng)有所差異。圖3 是不同預(yù)處理的土壤樣品反射光譜與SOM含量的Pearson相關(guān)系數(shù)曲線，對預(yù)處理的土壤反射光譜與SOM 含量之間的Pearson相關(guān)性進行分析，可以得到豐富的SOM光譜信息。土壤的反射率與吸光度具有對應(yīng)關(guān)系，經(jīng)吸光度轉(zhuǎn)化法預(yù)處理過的光譜與SOM含量的Pearson相關(guān)系數(shù)曲線與反射光譜得到的曲線（圖2）對稱（圖3A），對稱軸是y=0。經(jīng)SNV和Baseline offset預(yù)處理后，顯著特征波段增加，主要原因是這2種預(yù)處理方法消除了顆粒分布不均勻與表面顆粒散射產(chǎn)生的影響，使得掩蓋的部分光譜信息凸顯出來；經(jīng)導(dǎo)數(shù)預(yù)處理的土壤反射光譜與SOM含量相關(guān)的光譜信息逐漸凸顯出來，主要原因是導(dǎo)數(shù)處理可以消除基線和基底背景的干擾，提高光譜分辨率和靈敏度，使得土壤反射光譜與SOM含量的相關(guān)光譜信息凸顯（圖3B、3C）。

經(jīng)不同光譜預(yù)處理的土壤反射光譜與SOM含量之間的相關(guān)性見表1，土壤反射光譜和吸光度光譜與SOM含量的顯著特征波段都是出現(xiàn)在601 nm 處，且相關(guān)系數(shù)均高于0.7；而SNV 和Baseline offset預(yù)處理的光譜，與SOM含量相關(guān)的波段相對增加，主要體現(xiàn)在1 410、1 880、2 110、2 200 nm等波段附近；一階導(dǎo)數(shù)和二階導(dǎo)數(shù)預(yù)處理的光譜，與SOM含量在550、647、1 655、1 435、2 192、1 221 nm波段附近出現(xiàn)較高的相關(guān)性（相關(guān)系數(shù)高于0.87），且550、647、1 655 nm與二維相關(guān)同步光譜得出的SOM特征波段600和1 660 nm相吻合[5]。通過光譜預(yù)處理，可以得出SOM的特征波段主要出現(xiàn)在601、1 221、1 410、1 665、1 880、2 110、2 200 nm波段附近。

2.3 不同含水率光譜與SOM 含量的Pearson 相關(guān)系數(shù)

不同含水率的土壤反射光譜與SOM含量的Pearson相關(guān)系數(shù)曲線如圖4，從圖中可以看出有4 處明顯的凹凸點，分別在601、1 450、1 930、2 200 nm波段附近。針對烘干土壤樣品的反射光譜，顯著相關(guān)波段601 nm 處出現(xiàn)明顯的低谷峰值，呈負(fù)相關(guān)；對于5%含水率土壤樣品，沒有出現(xiàn)顯著的特征波段；對于10%、15%、17%含水率土壤樣品，601 nm附近出現(xiàn)低谷峰值且呈現(xiàn)正相關(guān)，相關(guān)系數(shù)低于0.7，1 450、1 930、2 200 nm附近出現(xiàn)突出的峰值且呈正相關(guān)，相關(guān)系數(shù)高于0.7，得出隨著土壤含水率的增加，601 nm附近的顯著特征波段相關(guān)性逐漸減弱，而1 450、1 930、2 200 nm附近的特征波段相關(guān)性逐漸加強。

不同含水率的土壤反射光譜與SOM含量的相關(guān)性特征見表2，烘干土壤樣品與SOM的顯著特征波段在555～662 nm（400～554 nm范圍處于噪聲干擾波段），601 nm 處出現(xiàn)最高的負(fù)相關(guān)系數(shù)，為0.759，而10%、15%、17% 含水率土壤樣品在1 930 nm附近出現(xiàn)最高的相關(guān)系數(shù)，得出土壤含水率超過10%，土壤反射光譜與SOM 含量呈正相關(guān)。

3 討論

為提高SOM可見近紅外光譜快速檢測速率，提煉篩選土壤有機質(zhì)特征波段是一項很重要的工作。本研究采用不同光譜預(yù)處理結(jié)合Pearson相關(guān)系數(shù)法，分析土壤反射率光譜與SOM含量的相關(guān)性，更加精確地找出SOM的特征波段，主要體現(xiàn)在601、1 221、1 410、1 665、1 880、2 110、2 200nm波段附近。本研究篩選的1 665、2 110、2 200nm這3個波段，在Wu等[5]采用一階導(dǎo)數(shù)光譜預(yù)處理方法得出SOM 相關(guān)性強的800～1 400、1 600～1 700、2 10 0～2 200、2 300～2 500 nm波段范圍內(nèi)；601和1 665 nm這2個波段，與Wang等[6]通過二維相關(guān)同步光譜分析得出的土壤有機質(zhì)特征波段一致；1 221和1 410 nm這2個波段，與張笑寒等[10]得出的SOM短波近紅外敏感波段一致；1 880 nm這個波段，與丁海泉等[13]采用多元散射校正優(yōu)選的定標(biāo)波長1 870 nm 接近。因此，本研究得出的7個特征波段能體現(xiàn)SOM含量的光譜信息。

本研究分析了不同含水率的反射光譜與SOM含量之間的相關(guān)性，得出隨著土壤含水率的增加，601 nm附近的顯著特征波段相關(guān)性逐漸減弱，而1 450、1 930、2 200 nm附近的顯著特征波段相關(guān)性逐漸加強，1 450 nm 波段附近是以羥基（-OH）為主的吸收帶，1 930 nm波段附近是以層間水為主的H2O譜帶[14]，說明隨著土壤含水率的增加，土壤水分掩蓋了SOM的特征波段，土壤水分對SOM 含量的檢測造成干擾[15]。通過Pearson相關(guān)性得出的與土壤水分相關(guān)的3個波段，與二維同步相關(guān)光譜得出的水分特征波段一致[16]；土壤水分的特征波段1 450和2 200 nm，與SOM的特征波段1 410和2 200 nm存在交叉重疊。因此，當(dāng)土壤含水率超過10 %，建議剔除1 410 和2 200 nm這2個波段，保留601、1 221、1 665、1 880、2 110 nm波段建立SOM含量的預(yù)測模型，以減少土壤水分對SOM含量預(yù)測模型的影響。

參考文獻

［1］ 劉雪梅.近紅外漫反射光譜檢測土壤有機質(zhì)和速效N的研究[J].中國農(nóng)機化學(xué)報，2013，34（2）：202-206.

LIU X M. Near infrared diffuse reflectance spectra detection ofsoil organic matter and available N [J]. J. Chin. Agric. Mech.，2013，34（2）：202-206.

［2］ 劉振堯，溫江北，高洪智，等.基于隨機森林方法在土壤有機質(zhì)近紅外建模中的研究[J].現(xiàn)代農(nóng)業(yè)裝備，2017（6）：37-41， 54.

LIU Z Y， WEN J B， GAO H Z， et al .. Study of dimensionreducingoptimization for near-infrared modeling on soil usingrandom forest regression with Gini [J]. Mod. Agric. Equip.，2017（6）：37-41，54.

［3］ 冉思，丁建麗，葛翔宇，等.基于稀疏網(wǎng)絡(luò)的可見光/近紅外反射光譜土壤有機質(zhì)含量估算[J].激光與光電子學(xué)進展，2020，57（24）：389-397.

RAN S， DING J L， GE X Y， et al .. Estimation method of VISNIRspectroscopy for soil organic matter based on sparsenetworks [J]. Laser Optoelectr. Pro.， 2020，57（24）：389-397.

［4］ KIRSHNAN P， ALEXANDER J D， BUTLER B J， et al ..Reflectance technique for predicting soil organic matter [J/OL].Soil Sci. Soc. Am. J.， 1980， 44（6）， 1282 [2023-03-19]. https：//doi.org/10.2136/sssaj1980.03615995004400060030x.

［5］ WU C Y， JACOBSON A R， LABA M， et al .. Alleviatingmoisture content effects on the visible near-infrared diffusereflectancesensing of soils [J]. Soil Sci.， 2009， 174（8）， 456-465.

［6］ WANG S F， CHENG X， ZHENG D C， et al .. Prediction of thesoil organic matter （SOM） content from moist soil usingsynchronous two-dimensional correlation spectroscopy （2D-COS）analysis [J/OL]. Sensors， 2020， 20（17）： 4822 [2023-03-19].https：//doi.org/10.3390/s20174822.

［7］ 李陽，劉新路，彭杰，等.基于可見光近紅外光譜的南疆荒漠土壤有機質(zhì)反演研究[J].土壤通報，2018，49（4）：767-772.

LI Y， LIU X L， PENG J， et al .. Inversion of desert soil organicmatter content using visiable-infrared spectrum in southernXinjiang [J]. Chin. J. Soil Sci.， 2018，49（4）：767-772.

［8］ 譚洋，姜琦剛，劉驊欣，等.基于多尺度SNV-CWT特征的黑土有機質(zhì)、水分、總鐵及pH值估測[J].光譜學(xué)與光譜分析，2021，41（11）：3424-3430.

TAN Y， JIANG Q G， LIU H X， et al .. Estimation of organicmatter， moisture， total iron and pH from back soil based onmulti scales SNV-CWT transformation [J]. Spectrosc. SpectralAnal.， 2021，41（11）：3424-3430.

［9］ 曹永研，楊瑋，王懂，等.基于水分和粒度的土壤有機質(zhì)特征波長提取與預(yù)測模型[J]. 農(nóng)業(yè)機械學(xué)報，2022，53（增刊1）：241-248.

CAO Y Y， YANG W， WANG D， et al .. Soil organic mattercharacteristic wavelength extraction and prediction modelbased on moisture and particle size [J]. Trans. Chin. Soc.Agric. Mach.， 2022，53（S1）：241-248.

［10］ 張笑寒，孟祥添，唐海濤，等.優(yōu)化光譜輸入量的土壤有機質(zhì)隨機森林預(yù)測模型[J].農(nóng)業(yè)工程學(xué)報，2023，39（2）：90-99.

ZHANG X H， MENG X T， TANG H T， et al .. Random forestprediction model for the soil organic matter with optimizedspectral inputs [J]. Trans. Chin. Soc. Agric. Eng.， 2023，39（2）：90-99.

［11］ 張俊華，尚天浩，陳睿華，等.基于光譜FOD與優(yōu)化指數(shù)的銀川平原土壤有機質(zhì)含量反演[J].農(nóng)業(yè)機械學(xué)報，2022，53（11）：379-387.

ZHANG J H， SHANG T H， CHEN R H， et al .. Inversion of soilorganic matter content in Yinchuan plain using field spectralfractional-order derivatives combined with spectraloptimization index [J]. Trans. Chin. Soc. Agric. Mach.， 2022，53（11）：379-387.

［12］ 任意，辛景樹，田有國，等. 土壤檢測 第6部分：土壤有機質(zhì)的測定：NY/T 1121.6—2006[S]. 北京：中國標(biāo)準(zhǔn)出版社， 2006.

［13］ 丁海泉，盧啟鵬，樸仁官，等.土壤有機質(zhì)近紅外光譜分析組合波長的優(yōu)選[J].光學(xué)精密工程，2007，15（12）：1946-1951.

DING H Q， LU Q P， PIAO R G， et al .. Optimum choice ofcombination wavelengths in near infrared analysis for soilorganic matter [J]. Opt. Precis. Eng.， 2007，15（12）：1946-1951.

［14］ 程航，萬遠(yuǎn)，陳奕云，等.部分土壤重金屬可見-近紅外反射光譜特征及機理研究[J]. 光譜學(xué)與光譜分析，2018，38（3）：771-778.

CHENG H， WAN Y， CHEN Y Y， et al .. Study on thecharacteristic and mechanism of visible and near infraredreflectance spectra of soil heavy metals [J]. Spectrosc. SpectralAnal.， 2018，38（3）：771-778.

［15］ 曾靜，李光林，周勝靈.水分對近紅外光譜檢測紫色土有機質(zhì)含量影響的研究[J]. 西南大學(xué)學(xué)報（自然科學(xué)版），2015，37（10）：167-173.

ZENG J， LI G L， ZHOU S L. A research of the effects of soilmoisture on NIR spectroscopic detection of organic mattercontent in purple soil [J]. J. Southwest Univ.， 2015， 37（10）：167-173.

［16］ 宋海燕，程旭.水分對土壤近紅外光譜檢測影響的二維相關(guān)光譜解析[J].光譜學(xué)與光譜分析，2014，34（5）：1240-1243.

SONG H Y， CHENG X. Analysis of the effect of moisture onsoil spectra detection by using two-dimensional correlationnear infrared spectroscopy [J]. Spectrosc. Spectral Anal.，2014，34（5）：1240-1243.

基金項目：國家重點研發(fā)計劃項目（2021YFD1600602-09）；北京市農(nóng)林科學(xué)院科技創(chuàng)新能力建設(shè)專項項目（KJCX20230309，KJCX20230817）。