南方丘陵稻田土碱解氮高光谱特征及反演模型研究

郭 熙，叶英聪，谢碧裕，匡丽花，谢 文

(1．江西省农业科学院土壤肥料与资源环境研究所，南昌 330200;2．中国农业科学院农业资源与农业区划所，北京 100081;3．江西农业大学江西省鄱阳湖流域农业资源与生态重点实验室，南昌 330045)

0 引言

土壤光谱反射特性是土壤理化特征和内在结构的光谱行为的综合，其研究是土壤遥感的物理基础，也为土壤属性研究提供了一个新的途径和指标［1］。基于土壤反射光谱特性的高光谱遥感技术的广泛应用将为农业生产管理、土壤定量遥感研究、土壤水土流失防治、土壤资源保护、陆地生态系统相关研究等提供工作方法［2－3］。土壤光谱是各种土壤理化性质的综合反映，可以通过光谱特征来估计土壤重金属、有机质等物质的含量［4－5］。土壤反射光谱特性是土壤的基本性质之一，是土壤理化参数的综合反映，土壤矿物、有机质、水分、土壤质地、粗糙度和秸秆残留物等均影响土壤的光谱反射率［6］。

土壤碱解氮包括无机态氮(铵态氮、硝态氮)及易水解的有机态氮(氨基酸、酰铵和易分解的蛋白质)，易被植物吸收，是反映土壤供氮能力的指标之一。作为一项主要的土壤氮素(N)分析项目，土壤碱解氮质量分数的高低，能大致反映近期土壤氮素的供应情况，与作物生长和产量有一定的相关性，可作为土壤有效氮的指标。实验室内土壤碱解氮含量的测定有碱解扩散法、碱解蒸馏法和仪器法等3种。碱解扩散法中碱解扩散时间为24 h，测定时间较长［7］;碱解蒸馏法虽蒸馏时间为8 min，但加热蒸馏装置落后，需人为经验控制，操作繁琐［8］。

大量研究表明，350～2 500 nm波段的高光谱反射数据能够反映土壤理化参数的细微差异，可以用于土壤理化参数的反演。其中土壤水分、有机质、N素及铁的氧化物与土壤反射率的关系得到了大量的研究，并建立了定量估测模型。刘焕军分析了松嫩平原主要土壤的反射光谱特征及其与土壤理化参数的关系，提出了基于光谱反射特性的土壤有机质含量高光谱模型［6］;何挺研究了土壤氧化铁与土壤光谱反射特性的关系，构建了土壤氧化铁指数，并应用逐步回归分析法构建了反演模型［9］;徐驰研究了内蒙古河套灌区土壤含盐量、pH含量与土壤光谱反射特性的关系，并构建了反演模型［10］。

国内外学者利用遥感技术研究土壤性质，多在可见光—近红外光谱条件下，应用多元线性、偏最小二乘回归等方法对影响土壤光谱反射特性的主要因素(如有机质、水分、盐渍度、总氮及重金属)含量进行预测［11］。应用高光谱数据预测土壤碱解氮含量相对较少，陈红艳以山东潮土为例，对土壤碱解氮含量构建了高光谱估测模型［12］;徐丽华研究了三峡库区王家沟小流域，选择了特征光谱和特征波段，建立了紫色土和水稻土的碱解氮养分预测模型［13］。总体来说，基于南方丘陵稻田土高光谱特性与土壤碱解氮含量关系的研究较少。

本研究以江西省兴国县稻田土高光谱反射率为研究对象，分析南方丘陵稻田土碱解氮的光谱响应波段，提取定量光谱指标，建立基于反射光谱特征的南方丘陵稻田土高光谱反演模型，为南方丘陵稻田土碱解氮的快速测定提供支持。

1 材料与方法

1．1 研究区概况

以江西省兴国县为研究区，包括永丰乡、高行镇、社富乡、隆坪乡、鼎龙乡和长岗乡6个乡镇。兴国县地处我国中亚热带南部，E115°01'～115°51'，N26°03'～26°41'之间，主要地貌类型有河谷冲积平原、岗地、丘陵山地等，母岩主要有第四纪红色粘土、砂页岩、花岗岩、千枚岩等，主要的土壤类型为红壤、黄壤、紫色土和水稻土。研究区域水稻土又分为表潜青潮沙泥田、沤水紫泥田、淹育沙泥田和潴育潮沙泥田、潴育麻沙泥田共5个土属。兴国县属双季稻区，是江西省粮食主产县之一。常年水稻种植面积在49 667 hm2以上，总产量约 26．5 ×104t，年人均占有量约为340 kg。

1．2 研究方法

1．2．1土壤样品采集

2013年4月，在兴国县境内采集0～20 cm耕层土样，采样同时利用GPS记录样点的经纬度。根据乡镇到村依次排列编号:1—2号在永丰乡豪溪村，3—8号在永丰乡马良村，9—14号在永丰乡马良村，15—20号在隆坪乡兰溪村，21—26号在鼎龙乡杨村，27—32号在长岗乡榔木村，33—38号在社富乡东韶村，39—43号在高行镇高兴村，总计43个样点。1—2号样点土属为淹育沙泥土，3—14号样点土属为沤水紫泥田，15—20，33—38号样点土属为潴育麻沙泥田，21—26号样点土属为表潜青潮沙泥田，27—32及39—43号样点土属为潴育潮沙泥田。

1．2．2 土壤高光谱测定

首先在室内对43个土样进行研磨和风干，过1mm筛。光谱测试采用美国Spectra Vista公司生产的SVC HR－768地物波谱仪，测定43个稻田土样的反射光谱，其波长范围为350～2 500 nm，采样间隔为1．5 nm(350 ～1 000 nm 区间)、7．5 nm(1 000 ～1 850 nm区间)和5 nm(1 850～2 500nm区间)，输出波段数为768个。光源是功率为1 000 W的卤素灯，距土壤样品表面100 cm，天顶角为30°，采用25°视场角探头，探头位于土壤样本垂直上方15 cm处。测试之前先除去辐射强度中暗电流的影响，以白板进行定标，每个土样扫描时间为5 s。为保证试验数据的准确度，每个土样采集3条光谱曲线，经算术平均后得到该土样的实际光谱反射数据。

1．2．3 土壤碱解氮含量测定

碱解氮含量采用碱解扩散法测定［7］。精确称土样2 g均匀铺在扩散皿外室中，在扩散皿内室中加入 2 mL H3BO3(ρ(H3BO3)=20 g·L－1)指示剂溶液;然后在扩散皿的外室边缘涂上碱性胶液，迅速加入 10 mL NaOH 溶液(c(NaOH)=1．0 mol·L－1)于皿的外室中;随后放入40℃恒温箱中，24 h后取出;取出扩散皿，用 HCl(c(HCl)=0．01 mol·L－1)标准溶液，半微量滴定管滴定内室硼酸中所吸收的NH3，由蓝色到微红色为终点，记下HCl用量;最后，通过公式计算土样中碱解氮的含量。碱解氮含量描述性统计量见表1。

表1 43个土样碱解氮含量描述性统计表Tab．1 Descriptive statistics of paddy soil available nitrogen content

1．2．4 光谱数据处理与分析

光谱数据处理方法主要涉及重采样、连续统去除、光谱微分处理及光谱数据变换方法。

1)重采样处理方法。利用SVC HR－768地物波谱仪自带的光谱数据处理软件对原始光谱数据进行重采样处理，重采样间隔为1 nm，再导出重采样数据。SVC HR－768地物波谱仪测定土壤样点的反射光谱数据在1 000 nm，1 900 nm附近的接缝处以及前后边缘波段344～399 nm，2 451～2 494 nm处噪声较大，使得重采样所得的原始光谱曲线的相邻波段之间存在信息重合，导致整个光谱数据信息冗余，而其他波段的信噪比高，约为1 000∶1。因此，对光谱数据以10 nm为间隔进行算术平均运算，处理后的光谱曲线更加平滑，同时仍然维持了原光谱的主要特征，故对导出的每个土样的光谱曲线去除前后噪声较大的344～380 nm和2 451～2 494 nm边缘波段。

2)连续统去除法。连续统去除法也叫去包络线法，是一种典型的光谱分析法，定义为逐点直线连接随波长变化的吸收或反射凸出的“峰”值点，并使折线在“峰”值点上的外角大于180°。它可以有效地突出光谱曲线吸收和反射特征，并将其归一到一致的光谱背景上，有利于和其他光谱曲线进行特征数值比较，从而提取出特征波段进行分类识别，去掉包络线后变为光谱波段深度曲线。光谱波段深度曲线计算公式为

式中:Rs，R，Rc分别为光谱波段深度、原始光谱和光谱包络线;λ为波长。

3)光谱一阶微分方法。光谱微分方法(导数算法)是常用的光谱增强方法，该方法对光谱信噪比非常敏感。研究表明，光谱的低阶微分处理对噪声影响敏感性较低，对不同的背景和噪声有去除作用［14］。微分光谱可以消除基线漂移或平缓背景干扰的影响，并可以提供比原始光谱更高的分辨率和更清晰的光谱轮廓变换。其基本处理方法是:先确定导数窗口宽度Δλ，根据导数的定义计算波长λ的导数，再逐步移动依次计算所有波长的导数，由此得出导数光谱。土壤高光谱在波长λ处的一阶微分光谱计算公式为

式中:λ 为波长，λ =351，352，…，2 499 nm;R(λ)为波长λ的光谱反射系数;R'(λ)为波长λ的光谱反射系数的一阶微分。在实际计算中，一般用光谱的差分作为微分的有限近似。土壤原始反射率光谱经过微分变换后，曲线随波长变化更明显，更能凸显细微信息差异引起的变化，也更易找出曲线拐点位置。

1．2．5 模型建立与验证

土壤碱解氮反演模型的预测精度采用预测值和实测值的决定系数R2，均方根误差RMSE和相对分析误差RPD(检验样本标准SD与预测均方根误差RMSE的比值)来衡量。R2越大，RMSE越小，说明模型的精度越高。另外，当RPD＞2时，表明模型具有极好的预测能力;当1．4≤RPD＜2时，表明模型可对样品作粗略估测;而RPD＜1．4时则表明模型无法对样品进行预测［15］。

2 结果与分析

2．1 南方丘陵稻田土室内反射光谱特征

对稻田土光谱曲线进行去包络线处理，能有效突出光谱曲线吸收和反射特征，并将其归一到一致的光谱背景上，有利于和其他光谱曲线进行特征数值比较，从而提取出特征波段进行分类识别。

本研究选取8号、23号和40号样本进行研究分析，3个样本土属分别为沤水紫泥田、潴育麻沙泥田和潴育潮沙泥田，碱解氮含量分别为152 mg/kg，154 mg/kg和155 mg/kg。对比3个样本光谱重采样反射率来探讨同一碱解氮含量下土属与样本光谱反射率的关系(由于淹育沙泥土和表潜青潮泥田2个土属样本数较少，因而没有在这次研究中探讨)。同一碱解氮含量不同土属光谱重采样曲线见图1。

图1 同一碱解氮含量不同土属光谱重采样曲线Fig．1 Spectrum resample curves of the same available nitrogen content，different soil types

从图1可以看出，同一碱解氮含量水平3个不同土属样本光谱曲线反射率差异不大。结合周学文等［16］研究南方丘陵地区水田土壤所采用的土壤养分丰缺度与分级标准，根据碱解氮含量将土样分为“极缺”、“缺”、“中”、“丰富”和“偏高”5个等级，相应的碱解氮含量区间分别为＜50 mg/kg，［50，100)mg/kg，［100，150)mg/kg，［150，200)mg/kg 和≥200 mg/kg。将43个土样根据碱解氮含量进行分区，对属于同一区间的样点光谱重采样数据取均值，然后进行去包络线处理。

图2为不同碱解氮区间含量土壤反射率曲线。

图2 不同碱解氮含量区间光谱重采样曲线Fig．2 Spectrum resample curves of different available nitrogen content range

由图2可知，受水分吸收的影响，1 350～1 420 nm和1 844～1 944 nm这2个波段出现水分吸收谷，2 444～2 494 nm波谱范围内反射率数据噪声较大。总体来说，稻田土光谱反射率曲线较平滑;在344～1 294 nm波谱范围内，光谱曲线呈现单调上升的趋势，曲线上凸;1 350～1 420 nm波谱范围内，出现水分吸收谷;1 420～1 800 nm波谱范围内，光谱曲线呈现单调上升趋势，出现明显的波峰;1 800～1 920 nm波谱范围内，出现水分吸收谷，且受噪声影响较大;1 920～2 360 nm波谱范围内，在2 194 nm波段出现明显的光谱吸收谷;2 360～2 494 nm波段内，光谱曲线呈现单调下降趋势。总体而言，对比碱解氮含量不同的4条曲线，碱解氮含量越高，光谱反射率越低。

图3为不同碱解氮含量区间土壤去包络线。

图3 不同碱解氮含量区间光谱去包络线Fig．3 Continuum removed curve of different available nitrogen content range

比较图3可以发现，碱解氮含量不同，稻田土去包络线曲线在≥700 nm的光谱范围内差异较小;而＜700 nm的光谱范围内稻田土去包络线曲线呈现显著差异，在394～444 nm波段，碱解氮含量区间为［50，100)mg/kg 和［100，150)mg/kg，曲线出现密集且连续的波峰波谷，碱解氮含量为［150，200)mg/kg和≥200 mg/kg处则呈现单调下降趋势。在494 nm波段4条曲线均出现波谷，但波谷深度差异明显，［50，100)mg/kg 吸收深度为 0．114，［100，150)mg/kg 吸收深度为 0．119，［150，200)mg/kg 吸收深度为0．257，≥200mg/kg吸收深度为0．336。以上分析说明，碱解氮含量与稻田土反射率光谱特征具有一定的相关性，稻田土光谱曲线在小于700 nm波段内存在敏感波段。

2．2 碱解氮含量与光谱参数的相关分析

为了分析43个样本土壤光谱反射系数及其各种变换形式与土壤碱解氮含量在不同波段的相关性，将原始数据在ENVI软件中进行了重采样处理，对重采样的光谱反射率R进行重采样去包络线处理Rc1，一阶微分R'，倒数，对数lnR，平方根R，立方根，倒数的一阶微分()'，对数的一阶微分(lnR)'，平方根的一阶微分)'，立方根的一阶微分)'，平方根的倒数，倒数的对数ln()，对数的倒数，对数倒数的一阶微分()'，倒数对数的一阶微分(ln)'，平方根倒数的一阶微分)'等16种数学变换。表2为各种处理中相关系数绝对值最大的波段表。稻田土光谱曲线变换后相关系数见图4。

表2 各种变换相关系数绝对值最大的波段汇总Tab．2 Sum of maximum band correlation absolute values of each transformation

图4 稻田土光谱曲线变换后相关系数图Fig．4 Correlation coefficient diagram of paddy soil spectrum curves after transformation

如图4所示，碱解氮与稻田土反射率的一阶微分的相关系数最高，最高值在2 194 nm，达0．646 7;对数倒数的一阶微分在694 nm处相关系数也高达－0．632 4。结合表2和图4可以看出，碱解氮与稻田土反射率相关性高的波段为644～694 nm和2 044～2 194 nm。这是因为这2个波段处在稻田土去包络线吸收谷的边缘，碱解氮含量高低不同，此波段内碱解氮反射率的变化率不同，即碱解氮含量与该波段反射率曲线的性状特征相关性显著。

综合以上研究表明，稻田土光谱反射率受碱解氮含量影响的敏感波段为694 nm，2 058 nm和2 189 nm。

2．3 土壤碱解氮含量高光谱反演模型的构建

结合前文研究的敏感波段694 nm，2 058 nm和2 189 nm，选取光谱反射率重采样对数倒数的一阶微分作为变换形式用于构建反演模型。本研究中采用了偏最小二乘回归(partial least squares regression，PLSR)计算，能有效地提取对系统解释能力最强的综合变量，排除无解释作用的信息，使之对因变量有最强的解释能力［17］。回归模型的建模精度采用决定系数R2，标准偏差SD，均方根误差RMSE以及标准偏差和均方根误差的比值RPD来进行评价。R2越大，RPD值越大，说明反演模型的预测精度越好。PLSR计算公式为

式中:AN为土壤碱解氮含量;R694为694 nm波段稻田土反射率重采样一阶微分;R2058为2 058 nm波段稻田土反射率重采样一阶微分;R2189为2 189 nm波段稻田土反射率重采样一阶微分。稻田土碱解氮预测模型参数见表3。

表3 稻田土碱解氮预测模型参数表Tab．3 Index of paddy soil available nitrogen content prediction model

由表3可知，模型决定系数R2=0．56，RPD=1．51，说明模型稳定性较强，初步具备了预测能力。

3 结论

1)不同碱解氮含量的南方丘陵稻田土光谱曲线在波长＜700 nm波谱范围内随着碱解氮含量的增高，光谱反射率降低，吸收深度加大的趋势。

2)通过分析南方丘陵稻田土碱解氮含量与光谱反射率16种数学变换的相关系数，提取敏感波段为694 nm，2 058 nm和2 189 nm。

3)基于反射光谱特征的南方丘陵稻田土碱解氮高光谱反演模型稳定性强(R2=0．56)，具备一定预测能力(RPD=1．51)，能够用于南方丘陵稻田土含量速测。

4)碱解氮含量与南方丘陵稻田土反射光谱特征呈现较好的相关性，基于反射光谱特征的南方丘陵稻田土碱解氮高光谱反演模型具备一定预测能力。本次研究样点包含5种土属，但个别土属采样点较少且采样区域较集中，因而未从土属对土壤光谱的影响的角度进行深入研究。影响土壤反射光谱特征的影响因素较多，如铁、全氮、磷、有机质等化学指标。仅仅考虑碱解氮含量影响所建立的反演模型预测能力还受到一定的限制。因此，在下一步工作中，需要充分考虑其他因素的综合影响，建立引入其他理化参数的南方丘陵稻田土养分反演模型。

［1］ 黄应丰，刘腾辉．土壤光谱反射特性与土壤属性的关系:以南方主要土壤为例［J］．土壤通报，1989，20(4):158－160，176．Huang Y F，Liu T H．The relationship between soil properties and soil spectral reflectance characteristics:A case study of south main soil［J］．Chinese Journal of Soil Science，1989，20(4):158－160，176．

［2］ Fox G A，Sabbagh G J．Estimation of soil organic matter from red and near－infrared remotely sensed data using a soil line Euclidean distance technique［J］．Soil Science Society of America Journal，2002，66(6):1922－1929．

［3］ He Y，Song H Y，Pereira A G，etal．A new approach to predict N，P，K and OM content in a loamy mixed soil by using near infrared reflectance spectroscopy［C］//International Conference on Intelligent Computing，Lecture Notes in Computer Science Volume3644．Hefei，China:Springer－Verlag，2005:859－867．

［4］ Kemper T，Sommer S．Estimate of heavy metal contamination in soils after a mining accident using reflectance spectroscopy［J］．Environmental Science and Technology，2002，36(12):2742－2747．

［5］ Deaton BC，Balsam W L．Visible spectroscopy－a rapid method for determining hematite and goethite concentration in geological materials［J］．Journal of Sedimentary Research，1991，61(4):628－632．

［6］ 刘焕军，张 柏，刘殿伟，等．松嫩平原典型土壤高光谱定量遥感研究［J］．遥感学报，2008，12(4):647－654．Liu H J，Zhang B，Liu D W，et al．Study on quantitatively remote sensing typical soils in Songnen plain，northeast China［J］．Journal of Remote Sensing，2008，12(4):647－654．

［7］ 鲁如坤．土壤农业化学分析方法［M］．北京:中国农业科技出版社，2000．Lu R S．Chemical Analysis of Soil Agriculture［M］．Beijing:China Agricultural Science Press，2000．

［8］ 王晓岚，卡丽毕努尔，杨文念．土壤碱解氮测定方法比较［J］．北京师范大学学报:自然科学版，2010，46(1):76－78．Wang X L，Kalibinuer，Yang W N．Comparison of methods for de-termining alkali－hydrolyzed nitrogen in soil［J］．Journal of Beijing Normal University:Natural Science，2010，46(1):76－78．

［9］ 何 挺，王 静，程 烨，等．土壤氧化铁光谱特征研究［J］．地理与地理信息科学，2006，22(2):30－34．He T，Wang J，Chen Y，et al．Study on spectral features of soil Fe2O3［J］．Geography and Geo－Information Science，2006，22(2):30－34．

［10］ 徐 驰，曾文治，伍靖伟，等．内蒙古河套灌区土壤含盐量和pH高光谱反演研究［J］．灌溉排水学报，2013，32(3):39－43．Xu C，ZengW Z，Wu JW，et al．Retrieval of soil salt content and pH using hyper spectral remote sensing in Inner Mongolia［J］．Journal of Irrigation and Drainage，2013，32(3):39－43．

［11］ 胡 芳，蔺启忠，王钦军，等．土壤钾含量高光谱定量反演研究［J］．国土资源遥感，2012(4):157－162．doi:10．6046/gtzyyg．2012．04．26．Hu F，Lin Q Z，Wang Q J，et al．Quantitative inversion of soil potassium content by using hyper spectral reflectance［J］．Remote Sensing for Land and Resources，2012(4):157－162．doi:10．6046/gtzyyg．2012．04．26．

［12］ 陈红艳．土壤主要养分含量的高光谱估测研究［D］．泰安:山东农业大学，2012．Chen H Y．Hyper spectral Estimation of Major Soil Nutrient Content［D］．Taian:Shandong Agricultural University，2012．

［13］ 徐丽华．土壤养分预测方法的比较研究——以三峡库区王家沟小流域为例［D］．重庆:西南大学，2012．Xu L H．Comparison of Prediction Methods on Soil Nutrients:A Case Study of Wangjiagou Watershed in the Three Gorges Reservoir Area［D］．Chongqing:Southwest University，2012．

［14］ Cloutis E A．Hyper spectral geological remote sensing:Evaluation of analytical techniques［J］．International Journal of Remote Sensing，1996，17(12):2215－2242．

［15］ Chang CW，Laird D A．Near－infrared reflectance spectroscopic analysis of soil C and N［J］．Soil Science，2002，167(2):110－116．

［16］ 周学文，赵小敏，胡国瑞，等．南方丘陵地区水田土壤养分变异分析［J］．江西农业大学学报，2009，31(5):919－926．Zhou XW，Zhao X M，Hu G R，et al．The analysis of soil nutrient variability in hilly paddy field of southern China［J］．Acta Agriculturae Universitatis Jiangxiensis，2009，31(5):919－926．

［17］ 王惠文．偏最小二乘回归方法及其应用［M］．北京:国防工业出版社，1999:119．Wang HW．Partial Least Square Regression Method and Its Application［M］．Beijing:National Defense Industry Press，1999:119．