en
×

分享给微信好友或者朋友圈

使用微信“扫一扫”功能。
作者简介:

玉米提·买明(1992-),男(维吾尔族),新疆吐鲁番人,硕士研究生,研究方向为资源环境遥感。E-mail:812814409@qq.com。

通讯作者:

王雪梅,E-mail:502529672@qq.com。

参考文献 1
熊毅,李庆逵.中国土壤[M].北京:科学出版社,1987. 390-417.
参考文献 2
乔娟峰,熊黑钢,王小平,等.新疆阜康荒地土壤有机质高光谱特征及其反演模型研究[J].干旱区农业研究,2018,36(5):208-214.
参考文献 3
卢艳丽,白由路,杨俐苹,等.基于高光谱的土壤有机质含量预测模型的建立与评价[J].中国农业科学,2007,40(9):1989-1995.
参考文献 4
Bowers S A,Hanks R J.Reflection of radiant energy from soils [J].Soil Science,1965,100(2):130-138.
参考文献 5
Gunsaulis F R,Kocher M F,Griffis C L.Surface structure effects on close-range reflectance as a function of soil organic matter content[J].American Society of Agricultural Engineer,1991,34:641-649.
参考文献 6
Al-Abbas A H,Swain P H,Baumgardner M F.Relating organic matter and clay content to the multi-spectral radiance of soils [J].Soil Science,1972,114(6):477-485.
参考文献 7
于士凯,姚艳敏,王德营,等.基于高光谱的土壤有机质含量反演研究[J].中国农学通报,2013,29(23):146-152.
参考文献 8
何挺.土地质量高光谱遥感监测方法研究[D].杨凌:西北农林科技大学,2004.
参考文献 9
张娟娟,田永超,姚霞,等.基于高光谱的土壤全氮含量估测[J].自然资源学报,2011,26(5):881-890.
参考文献 10
李伟,张书慧,张倩,等.近红外光谱法快速测定土壤碱解氮、速效磷和速效钾含量[J].农业工程学报,2007,23(1):55-59.
参考文献 11
郑立华,李民赞,潘娈,等.基于近红外光谱技术的土壤参数BP神经网络预测[J].光谱学与光谱分析,2008,28(5):1160-1164.
参考文献 12
王永敏,李西灿,田林亚,等.土壤有机质含量地面高光谱估测模型对比分析[J].国土资源遥感,2019,31(1):110-116.
参考文献 13
章涛,于雷,易军,等.高光谱小波能量特征估测土壤有机质含量[J].光谱学与光谱分析,2019,39(10):3217-3222.
参考文献 14
邓凯,丁建丽,杨爱霞,等.基于电磁感应技术的土壤剖面盐分空间分布建模研究[J].生态学报,2016,36(20):6387-6396.
参考文献 15
李颉,张小超,苑严伟,等.北京典型耕作土壤养分的近红外光谱分析[J].农业工程学报,2012,28(2):176-179.
参考文献 16
郭熙,叶英聪,谢碧裕,等.南方丘陵稻田土碱解氮高光谱特征及反演模型研究[J].国土资源遥感,2015,27(2):94-99.
参考文献 17
全国第二次土壤普查养分分级标准[EB/OL].[2012-05-10]. http://wenku.baidu.com/view/1242f6ef856a2561252d36f6e.html.
参考文献 18
季耿善,徐彬彬.土壤黏土矿物反射特性及其在土壤学上的应用[J].土壤学报,1987,24(1):67-76.
参考文献 19
彭杰,周清,张杨珠,等.有机质对土壤光谱特性的影响研究[J].土壤学报,2013,50(3):517-524.
参考文献 20
侯艳军,张飞.荒漠土壤有机质含量高光谱估算模型[J]. 农业工程学报,2014,30(16):113-110.
参考文献 21
徐彬彬. 土壤剖面的反射光谱研究[J]. 土壤,2000,32(6):281-287.
参考文献 22
刘焕军,张柏,刘殿伟,等.基于反射率模拟模型的黑土有机质含量估测[J].光谱学与光谱分析,2008,28(12):2947-2950.
参考文献 23
金慧凝,张新乐,刘焕军,等.基于光谱吸收特征的土壤含水量预测模型研究[J].土壤学报,2016,53(3):627-635.
参考文献 24
于雷,洪永胜,周勇,等.高光谱估算土壤有机质含量的波长变量筛选方法[J].农业工程学报,2016,32(13):95-102.
参考文献 25
Zheng G,Ryu D,Jiao C X,et al.Estimation of organic matter content in coastal soil using reflectance spectroscopy[J]. Pedosphere,2016,26(1):130-136.
参考文献 26
郭斗斗,黄绍敏,张水清,等.多种潮土有机质高光谱预测模型的对比分析[J].农业工程学报,2014,30(21):192-200.
参考文献 27
张森,卢霞,聂格格,等.SVM 和BP检测滨海湿地土壤有机质[J]. 光谱学与光谱分析,2020,40(2):556-561.
参考文献 28
钟浩,李西灿,翟浩然,等.耕层土壤有机质高光谱间接估测模型[J]. 测绘科学技术学报,2019,36(1):74-85.
目录contents

    摘要

    土壤有机质含量的多少是衡量土壤肥力的重要指标,了解土壤有机质的状况及动态变化,为指导干旱区绿洲农业生产及生态环境保护提供科学依据。基于在塔里木盆地北缘绿洲-荒漠过渡带采集的 80 个土壤样品, 测定有机质含量和光谱反射率。在原始反射率 R 的基础上,进行光谱反射率的一阶微分 R′、倒数对数 lg(1/R)、 倒数对数的一阶微分[lg(1/R)]′以及去除包络线 C(R)处理,并将处理后的光谱数据与土壤有机质进行相关性分析,从而选取 568、578、803、806、845、955 nm 等敏感波段构建土壤有机质含量的估测模型。结果表明:(1) 土壤有机质与土壤反射率呈负相关,有机质含量越高反射率越低。(2)光谱变换处理可有效提升光谱对土壤有机质含量的敏感性,其相关系数最高可达 0.654(P< 0.001)。(3)比较多元线性逐步回归、偏最小二乘回归和反向传播神经网络(BPNN)3 种建模方法发现,反向传播神经网络模型精度较高,稳定性更好,且以倒数对数的一阶微分 [lg(1/R)]′为自变量的模型最优,决定系数为 0.864,均方根误差为 1.86,这表明[lg(1/R)]′-BPNN 模型相较于其它模型可以更为准确地预测荒漠区土壤有机质含量。

    Abstract

    The content of soil organic matter is an important index to measure soil fertility.Understanding the status and dynamic changes of soil organic matter can provide scientific basis for guiding oasis agricultural production and ecological environmental protection in arid areas.Based on 80 soil samples collected in oasis-desert ecotone on the northern margin of Tarim basin,organic matter contents and spectral reflectance were measured.Based on the original reflectance R, first order differential R′,reciprocal logarithm lg(1/R),reciprocal logarithm’s first order differential[lg(1/R)] ′and envelope removal processing C(R)were carried out,and the processed spectral data was correlated with soil organic matter for analysis.568,578,803,806,845,955 nm and other sensitive bands were selected to construct estimation models of soil organic matter content.The results showed that there was a negative correlation between soil organic matter and soil reflectance,and the higher the content of organic matter was,the lower the reflectance was.The spectral transformation improved the sensitivity of the spectrum to the content of soil organic matter,and the correlation coefficient could be as high as 0.654(P<0.001). In the comparison of multiple linear stepwise regression,partial least square regression and back propagation neural network (BPNN),it was found that the back propagation neural network model had higher accuracy and better stability.The model with the first order differential[1g(1/R)] ′of the reciprocal logarithm as the independent variable was the best.The coefficient of determination was equal to 0.864,and root mean square error was equal to 1.86.This shows that[lg(1/R)]′-BPNN model can predict the content of soil organic matter in desert area more accurately than other models.

  • 土壤有机质是代表土壤肥力的一个重要指标[1]。土壤有机质含量的测定方法较多,但是通常用化学分析法,这种方法成本较高、费时较长,而且难以满足快速获取土壤有机质信息的需求[2]。高光谱技术是通过连续的狭窄波段来测量土壤反射率,拥有较多的波段和较高的波谱分辨率,测定快速、无损。因此,利用土壤光谱反射率来测定土壤有机质含量,构建反演模型不仅能达到快速准确测定土壤有机质含量的目的,而且可以获取更为精确的土壤有机质含量信息[3]。Bowers等[4]指出,土壤的各类物理、化学性质和有机质含量是影响土壤反射率的主要因素。Gunsaulis等[5]研究结果表明,土壤有机质含量与红光波段的土壤反射率之间具有较强的相关性。Al-Abbas等[6]研究发现土壤光谱反射率与有机质含量有显著的负相关性。国内诸多学者在20世纪80年代也对土壤有机质与反射光谱之间的关系进行了初步的研究,于士凯等[7]发现通过一阶微分处理的光谱数据建立的土壤有机质含量回归模型预测效果最佳。何挺[8]、张娟娟等[9]、李伟等[10]建立了不同光谱数据的土壤有机质模型;郑立华等[11]、王永敏等[12]利用人工神经网络方法分别建立了有机质等养分元素的预测模型,决定系数均达到0.8以上; 章涛等[13]采用小波变换法分解土壤高光谱数据为10个不同尺度的小波系数,并计算各尺度的小波能量特征,从而构建基于小波能量特征的土壤有机质含量估测模型,为探索土壤高光谱噪声去除和信息提取方法以及提高土壤有机质高光谱估测性能提供了技术支撑。

  • 如何选取光谱处理方法和建模方法,对土壤有机质预测模型而言,目前还没有统一的说法。基于此,本研究以新疆渭干河-库车河三角洲绿洲荒漠区为研究对象,利用美国ASD FieldSpec3便携式地物光谱仪获取研究区土壤的光谱信息,对其进行数学转换,提取相关性显著波段,并建立多元线性逐步回归(MLSR)、偏最小二乘回归(PLSR)、反向传播神经网络(BPNN)模型。通过分析比较选取最优模型,从而为基于高光谱观测的荒漠土壤有机质含量快速估测提供参考。

  • 1 材料与方法

  • 1.1 研究区概况

  • 渭干河-库车河三角洲绿洲(以下简称渭- 库绿洲)位于塔里木盆地北缘,是一个典型的干旱区扇形平原绿洲,辖区包括新疆维吾尔自治区阿克苏地区的库车市、沙雅县和新和县,地理位置39°30′~42°40′N,81°27′~84°07′E(图1)。该区年均降水量为51.6mm,年均蒸发量可达2123mm,属于干旱与极干旱地区。土壤类型以潮土、棕漠土、灌淤土、草甸土、沼泽土、水稻土和盐土等为主。该绿洲-荒漠过渡带的地表植被主要以柽柳(Tamarix ramosissima)、盐爪爪(Kalidium foliatum)、盐穗木(Halostachys caspica)、骆驼刺(Alhagi sparsifolia) 和芦苇(Phragmites australias Trin.)等荒漠耐盐碱植物为主[14]。该绿洲-荒漠生态系统的植被自我恢复能力较差,通过高光谱反演模型快速精确了解荒漠土壤的肥力状况,对科学实施植被生态修复具有重要的实际意义。

  • 图1 研究区地理位置与采样点分布

  • 1.2 土壤采集与制备

  • 土壤样品的采集工作于2017年8月在渭-库绿洲荒漠过渡带进行,以遥感影像为参考进行采样点布设,手持GPS进行野外调查辅助选点。按梅花采样法采集5点的混合样品,采集深度为0~20cm,共采集80个样品装入土样袋并做好标签。将土壤样品带回实验室之后自然风干,挑出杂物,磨细并通过2mm筛之后用重铬酸钾氧化法测定土壤中的有机质含量。

  • 1.3 光谱数据的采集

  • 土壤光谱数据的测定采用美国ASD FieldSpec3地物光谱仪,有效光谱范围:350~2500nm。在野外进行光谱采集之前先预热60min,避免温差干扰光谱信息采集。同时,在采集光谱前对光谱仪进行白板校正以除去暗电流影响,为了降低周围因素的干扰,尽可能远离可能干扰土壤光谱的物体。测量时,将样品按照标签顺序均匀摊开并完全覆盖在25cm×30cm的牛皮纸上且探头距采样点的垂直上方15cm,每个样品重复进行10次光谱数据测试并记录存档。

  • 1.4 光谱数据的预处理

  • 首先,采用光谱仪配套数据处理软件ASD ViewSpecpro对样品的光谱曲线进行预览和预处理,剔除异常波段。然后,对每个样品测得的10次光谱曲线进行平均,取其平均值作为该土样的实测光谱反射率数据。运用MATLAB软件对光谱数据进行Savitzky-Golay平滑去噪处理,在预处理的土壤光谱反射率(R)的基础上,利用计算代码通过MATLAB进行反射率一阶微分R′、倒数对数lg(1/R)、倒数对数的一阶微分[lg(1/R)]′光谱反射率转换,并用ENVI软件对平滑处理后的土壤反射率R进行去除包络线C(R)处理。

  • 通过对数据进行处理与分析发现,做光谱反射率的一阶微分变换可以对重叠混合光谱进行分解以便识别,可扩大样品之间光谱特征的差别;光谱反射率经过对数变换后,可以极大增强光谱的差异性,而且可以减少光照条件变化所引起的各类因素的影响[15]。去包络线处理可以显著突出光谱曲线的各类信息特性,并将反射率归到0~1,有利于和其它光谱曲线进行对照。

  • 1.5 显著性波段的选择

  • 通过对土壤有机质含量和原始光谱反射率及原始光谱经不同数学变换之后的光谱反射率做相关分析,可确定显著性波段的位置。因此,应用MATLAB软件对经过预处理后得到的光谱反射率R,与它的倒数对数反射率lg(1/R)、一阶微分反射率R′、倒数对数的一阶微分反射率[lg(1/R)]′,以及去除包络线反射率C(R)与有机质含量进行相关性分析,并对这5种光谱指标的相关系数进行显著性检验,通过显著性检验的波段被确定为显著性波段(P<0.001),作为建立反演模型的输入变量。

  • 1.6 模型建立及精度检验

  • 利用实测有机质含量与显著性光谱波段建立土壤有机质的多元线性逐步回归(MLSR)、偏最小二乘回归(PLSR)和反向传播神经网络(BPNN) 模型。在模型建立过程中,从80个样品中随机选取60个样品用于建模,20个样品用于检验。将决定系数和均方根误差作为模型稳定性和预测精度的评价指标。

  • 决定系数(R2)用来表明预测值与实测值之间的线性拟合程度,计算公式为:

  • R2=i=1n y^i-y-i2i=1n yi-y-i2
    (1)
  • 均方根误差(RMSE)用来衡量预测值与实测值之间的偏差,计算公式为:

  • RMSE=1ni=1n yi-y^i2
    (2)
  • 其中:yi表示实测值,y^i表示预测值,y-i表示平均值;R2 越大,说明模型的稳定性越好;RMSE 越小,表示模型的预测能力越好[16]

  • 2 结果与分析

  • 2.1 土壤有机质的特征分析

  • 2.1.1 土壤有机质的基本统计特征

  • 依据全国第二次土壤普查有机质分级标准[17](表1),结合研究区80个土壤样本的基本统计特征(表2),可以看出研究区土壤样本的有机质含量为0.957~19.502g·kg-1,有机质含量等级为4~6级,总体含量偏低,为缺乏级别。通常利用均值来反映土壤样本有机质含量的集中趋势,研究区总体样本、建模样本和检验样本的均值分别为5.899、5.964和5.706g·kg-1,说明土壤有机质含量总体上偏低,属于有机质含量极缺乏。变异系数主要反映数据的离散程度,3种样本的变异系数分别是62.15%、58.47%和74.52%,均属于中等变异。

  • 表1 全国第二次土壤普查有机质分级标准

  • 表2 土壤样本数据的基本统计特征

  • 2.1.2 土壤有机质的光谱特征

  • 按照全国第二次土壤普查及土壤有机质含量分级标准,根据土壤有机质含量高低对研究区土壤样品进行分级,并按照分级标准做出了不同等级土壤的光谱反射率曲线(图2)。不同等级有机质含量的原始光谱曲线具有以下特征:(1)3个不同肥力级别的土壤光谱反射率曲线大致走向类似,在400~1000nm区间,随着波长的增加,反射率呈现上升趋势;在1000nm以后,除了水分吸收谷外,曲线整体上较平稳。(2)在1400、1900、2200nm附近存在明显的水分吸收谷[18-19]。(3)土壤有机质含量与土壤的光谱反射率R呈负相关,有机质含量越高,土壤反射率越低,即呈现出有机质缺乏的土壤光谱反射率< 很缺乏的光谱反射率< 极缺乏的光谱反射率,说明土壤的原始光谱反射率可以反映出有机质含量信息的差异。

  • 图2 不同等级的有机质含量的光谱曲线

  • 注:a.极缺乏;b.很缺乏;c.缺乏。

  • 对原始的土壤光谱反射率经过4种光谱转换后,得到4种不同处理下的光谱曲线,其曲线有以下特征(图3):(1)经去除包络线C(R)处理后,光谱曲线出现了明显的吸收谷,除在1400、1900、 2200nm附近存在水分吸收谷外,在500、610、 900以及2330nm附近都存在吸收谷。(2)经倒数对数转换后,光谱曲线在350~500nm随着有机质含量的增加呈直线下降趋势,在1400、1900、 2200nm附近存在吸收谷。可以明显地看出,有机质含量越高,经倒数对数转换处理后的光谱反射率越高,说明倒数对数转换后的光谱曲线与有机质含量成正比。(3)土壤光谱曲线经一阶微分、倒数对数一阶微分处理后,光谱曲线的走向不稳定,转换后的光谱反射率在正负值之间波动,有机质含量的多少对一阶微分变换后的光谱反射率有明显影响。

  • 图3 不同转换下的有机质光谱曲线

  • 注:a.极缺乏;b.很缺乏;c.缺乏。

  • 2.2 土壤有机质与光谱反射率的相关分析

  • 对预处理后得到的土壤光谱反射率R及其4种转换C(R)、lg(1/R)、R ′、[lg(1/R)] ′ 与土壤有机质含量进行皮尔森相关性分析,计算原始光谱反射率以及4种转换后的光谱反射率与土壤有机质含量的相关系数,对这5种光谱指标的相关系数分别进行0.01和0.001水平下的显著性检验,并绘制相关关系曲线图(图4)和作相关系数表(表3)。

  • 由图4可知,土壤光谱反射率R与有机质含量呈负相关,曲线整体较平滑,在518~716nm反射率R与土壤有机质呈显著的负相关(P<0.01); 经倒数对数lg(1/R)转换的光谱反射率与土壤有机质呈正相关,曲线的趋势几乎与光谱反射率R相关系数的绝对值大体保持一致;去除包络线处理后的反射率C(R)与有机质含量的相关系数在1000nm附近达到最高,与R、lg(1/R)相比曲线整体起伏较大;经过一阶微分转换R′、倒数对数一阶微分[1g(1/R)]′转换后的光谱反射率与有机质含量之间的相关关系在正负之间震荡,其相关性有了显著提高。将5种光谱指标R、C(R)、 lg(1/R)、R′、[lg(1/R)]′与有机质含量的相关性作为选择特征波段的依据。通过P<0.01水平的波段有:R的402~826nm;C(R)的766~1001、 1124、1401、2205、2339nm;lg(1/R) 的403~831nm;R ′的428~547、641~881、935、 1124、1143、1026和2354nm;[lg(1/R)]′的430~545、635~875、955、1124、1143、1628、2307和2354nm。

  • 图4 土壤有机质含量与各类光谱反射率的相关性

  • 为了进一步准确选择与土壤有机质相关性较强的特征波段,再次进行P<0.001水平检验并进行分析(表3),原光谱反射率R的相关系数绝对值最大出现在568nm,而通过4种转换后的光谱反射率与有机质含量之间的相关性有所提高,C(R)的相关系数在955nm提高到了0.589;lg(1/R)的相关系数在578nm达到0.525;R′在806nm的相关系数为0.596;[lg(1/R)]′的相关系数绝对值在803nm提高到了0.654,为极显著负相关。上述分析说明光谱反射率的去除包络线处理和数学转换可以有效地扩大一些细小的光谱吸收特征,便于选择特征波段。

  • 2.3 土壤有机质含量的估测模型构建与验证

  • 通过相关性分析结果,结合前人的研究成果和多次试验,以原始光谱和4种转换后的568、 578、803、806、845、955nm等特征波段的光谱反射率作为自变量,以土壤有机质含量为因变量,采用多元线性逐步回归(MLSR)、偏最小二乘回归(PLSR)和反向传播神经网络(BPNN)建模方法,共建立了15种土壤有机质含量的地面高光谱估测模型,并采用决定系数与均方根误差对模型进行精度和可靠性评价。其中BPNN模型因没有成熟的参数设置可供使用,本研究通过大量实验,反复对比,最终确定实验的参数设置为:输入层数为5,输出层数为1,随机确定60个样品数据作为学习集,20个样品数据作为检验集;隐层数为7,学习率为0.01,学习误差为0.001,分级迭代级数为16。采用常用的Tansig函数作为隐层传递函数,Logsig为输出函数,Trainlm为训练函数。

  • 表3 特征波段与有机质的相关系数表

  • 通过表4可以看出,偏最小二乘回归(PLSR) 与反向传播神经网络(BPNN)模型的决定系数明显高于多元线性逐步回归(MLSR)。这表明建模因子与土壤有机质不是简单的线性关系,MLSR模型未能取得较高的精度和满意的可靠性。同时,比较BPNN模型和PLSR模型,发现对应不同的数据变换方法,二者所建模型的决定系数差别不大,但是[lg(1/R)]′变换对BPNN模型更加敏感。以往研究中侯艳军等[20]得出多元线性逐步回归模型优于一元线性模型,但是PLSR和BPNN模型的可靠性更高。运用3种建模方法建立的15种模型中,除了倒数对数[lg(1/R)]变换建立的模型之外,其它模型的决定系数都比以原始光谱反射率R为自变量建立的模型要高,说明光谱的数学变换可以在一定程度上提高模型的精度和稳定性。在MLSR方法建立的模型中,以一阶微分变换R′为自变量的R′-MLSR为最优模型,其决定系数为0.593,均方根误差为2.55;分别以781、 803、845和955nm,以及433、803、806、845、870、 955和2354nm处光谱反射率的倒数对数一阶微分[lg(1/R)]′为自变量,土壤有机质含量为因变量,运用PLSR与BPNN方法建立的[lg(1/R)]′-PLSR、[lg(1/R)]′-BPNN模型估测效果最好,其建模集的决定系数分别为0.805和0.830,均方根误差RMSE分别为1.96、1.28;验证集决定系数分别为0.812和0.864,均方根误差分别为2.12、 1.86。

  • 表4 反演模型的精度对比

  • 为了进一步比较PLSR与BPNN方法建模的精度水平,选取20个验证样本的实测值和最优模型得出的预测值绘制散点图(图5)。图中横坐标为实测值,纵坐标为预测值,两个最优模型的样点都比较分散,样点距离直线的距离越接近,表示样本实测值与预测值越接近,模型的效果越好。从拟合效果和精度指标来看,用BPNN方法建立的以倒数对数一阶微分为自变量、土壤有机质含量为因变量的 [lg(1/R)]′-BPNN模型,明显好于[lg(1/R)]′-PLSR模型。

  • 图5 基于光谱变换响应波段的最优模型预测散点图

  • 3 讨论

  • 土壤的光谱反射率是反映土壤性质的一个重要特征参数,因土壤的物理化学性质不同,其光谱反射率也有所差异,表征在光谱中的信息也大为不同[21]。本研究结果显示,土壤有机质含量与原始光谱反射率之间存在着一定的负相关关系,有机质含量高的土壤样品,其光谱反射率相对较低。由于土壤有机质含量达到一定程度以后,土壤本身成土母质的光谱反射特征被土壤有机质所掩盖,对此可进行去除包络线处理后呈单吸收谷特征[22]。当土壤含水量越高,光谱反射率则会越低,含水量的高低对光谱反射率中的吸收谷深浅产生一定的影响,因此可通过以吸收谷中的敏感波段作为自变量建立模型,对区域土壤中的含水量进行估测[23]。研究区土壤有机质含量在其原始反射光谱曲线中有明确的反馈,二者之间的相关系数为-0.492(P<0.001),由此建立的有机质含量估测模型较为可靠,决定系数可达0.632,均方根误差为1.78。为了进一步消除光谱反射率受各种人为及自然因素的影响,通过4种数学变换方法去除不确定因素对光谱信息的干扰,研究结果表明对原始光谱进行数学变换可有效提高土壤有机质反演模型的精度[24]。由于土壤性质的多样性及复杂性,不同研究者对土壤的预处理方式不同,在建立高光谱模型反演土壤有机质时将出现不同的结果,但使用高光谱数据构建反演模型对土壤有机质进行快速准确估测已得到了一致的认可[24-28]

  • 4 结论

  • 以塔里木盆地北缘绿洲-荒漠过渡带为研究对象,利用80个土壤样品的有机质含量及其高光谱数据,探讨了不同光谱数学转换方法对反射率与土壤有机质含量间相关关系的影响,并由此选择显著性波段与研究区的土壤有机质含量建立多元线性逐步回归、偏最小二乘回归和反向传播神经网络模型,可得出以下结论:

  • (1)在可见光波段范围内随着波长的增加,土壤光谱反射率呈现出明显的上升趋势,且斜率变化较大;在近红外(800~2300nm)波段光谱反射率的变化趋于平缓,随着土壤有机质含量的增加,光谱曲线的差异较小;在2300~2500nm波段光谱反射率呈现出递减的趋势。

  • (2)通过分别对预处理后得到的R、C(R)、 lg(1/R)、R′、[lg(1/R)]′与土壤有机质含量进行相关性分析可知,原始光谱经过数学变换后与土壤有机质的相关系数有所提高,相关系数的绝对值由0.492提高到0.654,说明数学变换后一些细小的光谱吸收特征被扩大。

  • (3)在由3种不同方法建立的15种模型中,以433、803、806、845、870、955和2354nm处光谱反射率的倒数对数一阶微分[lg(1/R)]′为自变量、土壤有机质含量为因变量构建的[lg(1/R)]′-BPNN模型具有最高的决定系数和较小的均方根误差;其建模集和验证集的决定系数分别为0.830和0.864,均方根误差为1.28和1.86。相较于其它模型,该模型具有较高的预测精度和较强的稳定性,可以更为准确地估测荒漠区土壤的有机质含量。

  • 参考文献

    • [1] 熊毅,李庆逵.中国土壤[M].北京:科学出版社,1987. 390-417.

    • [2] 乔娟峰,熊黑钢,王小平,等.新疆阜康荒地土壤有机质高光谱特征及其反演模型研究[J].干旱区农业研究,2018,36(5):208-214.

    • [3] 卢艳丽,白由路,杨俐苹,等.基于高光谱的土壤有机质含量预测模型的建立与评价[J].中国农业科学,2007,40(9):1989-1995.

    • [4] Bowers S A,Hanks R J.Reflection of radiant energy from soils [J].Soil Science,1965,100(2):130-138.

    • [5] Gunsaulis F R,Kocher M F,Griffis C L.Surface structure effects on close-range reflectance as a function of soil organic matter content[J].American Society of Agricultural Engineer,1991,34:641-649.

    • [6] Al-Abbas A H,Swain P H,Baumgardner M F.Relating organic matter and clay content to the multi-spectral radiance of soils [J].Soil Science,1972,114(6):477-485.

    • [7] 于士凯,姚艳敏,王德营,等.基于高光谱的土壤有机质含量反演研究[J].中国农学通报,2013,29(23):146-152.

    • [8] 何挺.土地质量高光谱遥感监测方法研究[D].杨凌:西北农林科技大学,2004.

    • [9] 张娟娟,田永超,姚霞,等.基于高光谱的土壤全氮含量估测[J].自然资源学报,2011,26(5):881-890.

    • [10] 李伟,张书慧,张倩,等.近红外光谱法快速测定土壤碱解氮、速效磷和速效钾含量[J].农业工程学报,2007,23(1):55-59.

    • [11] 郑立华,李民赞,潘娈,等.基于近红外光谱技术的土壤参数BP神经网络预测[J].光谱学与光谱分析,2008,28(5):1160-1164.

    • [12] 王永敏,李西灿,田林亚,等.土壤有机质含量地面高光谱估测模型对比分析[J].国土资源遥感,2019,31(1):110-116.

    • [13] 章涛,于雷,易军,等.高光谱小波能量特征估测土壤有机质含量[J].光谱学与光谱分析,2019,39(10):3217-3222.

    • [14] 邓凯,丁建丽,杨爱霞,等.基于电磁感应技术的土壤剖面盐分空间分布建模研究[J].生态学报,2016,36(20):6387-6396.

    • [15] 李颉,张小超,苑严伟,等.北京典型耕作土壤养分的近红外光谱分析[J].农业工程学报,2012,28(2):176-179.

    • [16] 郭熙,叶英聪,谢碧裕,等.南方丘陵稻田土碱解氮高光谱特征及反演模型研究[J].国土资源遥感,2015,27(2):94-99.

    • [17] 全国第二次土壤普查养分分级标准[EB/OL].[2012-05-10]. http://wenku.baidu.com/view/1242f6ef856a2561252d36f6e.html.

    • [18] 季耿善,徐彬彬.土壤黏土矿物反射特性及其在土壤学上的应用[J].土壤学报,1987,24(1):67-76.

    • [19] 彭杰,周清,张杨珠,等.有机质对土壤光谱特性的影响研究[J].土壤学报,2013,50(3):517-524.

    • [20] 侯艳军,张飞.荒漠土壤有机质含量高光谱估算模型[J]. 农业工程学报,2014,30(16):113-110.

    • [21] 徐彬彬. 土壤剖面的反射光谱研究[J]. 土壤,2000,32(6):281-287.

    • [22] 刘焕军,张柏,刘殿伟,等.基于反射率模拟模型的黑土有机质含量估测[J].光谱学与光谱分析,2008,28(12):2947-2950.

    • [23] 金慧凝,张新乐,刘焕军,等.基于光谱吸收特征的土壤含水量预测模型研究[J].土壤学报,2016,53(3):627-635.

    • [24] 于雷,洪永胜,周勇,等.高光谱估算土壤有机质含量的波长变量筛选方法[J].农业工程学报,2016,32(13):95-102.

    • [25] Zheng G,Ryu D,Jiao C X,et al.Estimation of organic matter content in coastal soil using reflectance spectroscopy[J]. Pedosphere,2016,26(1):130-136.

    • [26] 郭斗斗,黄绍敏,张水清,等.多种潮土有机质高光谱预测模型的对比分析[J].农业工程学报,2014,30(21):192-200.

    • [27] 张森,卢霞,聂格格,等.SVM 和BP检测滨海湿地土壤有机质[J]. 光谱学与光谱分析,2020,40(2):556-561.

    • [28] 钟浩,李西灿,翟浩然,等.耕层土壤有机质高光谱间接估测模型[J]. 测绘科学技术学报,2019,36(1):74-85.

  • 参考文献

    • [1] 熊毅,李庆逵.中国土壤[M].北京:科学出版社,1987. 390-417.

    • [2] 乔娟峰,熊黑钢,王小平,等.新疆阜康荒地土壤有机质高光谱特征及其反演模型研究[J].干旱区农业研究,2018,36(5):208-214.

    • [3] 卢艳丽,白由路,杨俐苹,等.基于高光谱的土壤有机质含量预测模型的建立与评价[J].中国农业科学,2007,40(9):1989-1995.

    • [4] Bowers S A,Hanks R J.Reflection of radiant energy from soils [J].Soil Science,1965,100(2):130-138.

    • [5] Gunsaulis F R,Kocher M F,Griffis C L.Surface structure effects on close-range reflectance as a function of soil organic matter content[J].American Society of Agricultural Engineer,1991,34:641-649.

    • [6] Al-Abbas A H,Swain P H,Baumgardner M F.Relating organic matter and clay content to the multi-spectral radiance of soils [J].Soil Science,1972,114(6):477-485.

    • [7] 于士凯,姚艳敏,王德营,等.基于高光谱的土壤有机质含量反演研究[J].中国农学通报,2013,29(23):146-152.

    • [8] 何挺.土地质量高光谱遥感监测方法研究[D].杨凌:西北农林科技大学,2004.

    • [9] 张娟娟,田永超,姚霞,等.基于高光谱的土壤全氮含量估测[J].自然资源学报,2011,26(5):881-890.

    • [10] 李伟,张书慧,张倩,等.近红外光谱法快速测定土壤碱解氮、速效磷和速效钾含量[J].农业工程学报,2007,23(1):55-59.

    • [11] 郑立华,李民赞,潘娈,等.基于近红外光谱技术的土壤参数BP神经网络预测[J].光谱学与光谱分析,2008,28(5):1160-1164.

    • [12] 王永敏,李西灿,田林亚,等.土壤有机质含量地面高光谱估测模型对比分析[J].国土资源遥感,2019,31(1):110-116.

    • [13] 章涛,于雷,易军,等.高光谱小波能量特征估测土壤有机质含量[J].光谱学与光谱分析,2019,39(10):3217-3222.

    • [14] 邓凯,丁建丽,杨爱霞,等.基于电磁感应技术的土壤剖面盐分空间分布建模研究[J].生态学报,2016,36(20):6387-6396.

    • [15] 李颉,张小超,苑严伟,等.北京典型耕作土壤养分的近红外光谱分析[J].农业工程学报,2012,28(2):176-179.

    • [16] 郭熙,叶英聪,谢碧裕,等.南方丘陵稻田土碱解氮高光谱特征及反演模型研究[J].国土资源遥感,2015,27(2):94-99.

    • [17] 全国第二次土壤普查养分分级标准[EB/OL].[2012-05-10]. http://wenku.baidu.com/view/1242f6ef856a2561252d36f6e.html.

    • [18] 季耿善,徐彬彬.土壤黏土矿物反射特性及其在土壤学上的应用[J].土壤学报,1987,24(1):67-76.

    • [19] 彭杰,周清,张杨珠,等.有机质对土壤光谱特性的影响研究[J].土壤学报,2013,50(3):517-524.

    • [20] 侯艳军,张飞.荒漠土壤有机质含量高光谱估算模型[J]. 农业工程学报,2014,30(16):113-110.

    • [21] 徐彬彬. 土壤剖面的反射光谱研究[J]. 土壤,2000,32(6):281-287.

    • [22] 刘焕军,张柏,刘殿伟,等.基于反射率模拟模型的黑土有机质含量估测[J].光谱学与光谱分析,2008,28(12):2947-2950.

    • [23] 金慧凝,张新乐,刘焕军,等.基于光谱吸收特征的土壤含水量预测模型研究[J].土壤学报,2016,53(3):627-635.

    • [24] 于雷,洪永胜,周勇,等.高光谱估算土壤有机质含量的波长变量筛选方法[J].农业工程学报,2016,32(13):95-102.

    • [25] Zheng G,Ryu D,Jiao C X,et al.Estimation of organic matter content in coastal soil using reflectance spectroscopy[J]. Pedosphere,2016,26(1):130-136.

    • [26] 郭斗斗,黄绍敏,张水清,等.多种潮土有机质高光谱预测模型的对比分析[J].农业工程学报,2014,30(21):192-200.

    • [27] 张森,卢霞,聂格格,等.SVM 和BP检测滨海湿地土壤有机质[J]. 光谱学与光谱分析,2020,40(2):556-561.

    • [28] 钟浩,李西灿,翟浩然,等.耕层土壤有机质高光谱间接估测模型[J]. 测绘科学技术学报,2019,36(1):74-85.

  • 《中国土壤与肥料》招聘启事
    关闭