丘陵红壤区稻田土壤全磷高光谱特性研究

张佳佳，郭 熙，谢碧裕，赵小敏

(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，江西 南昌 330045)

在农业生产中磷肥的施用有效地改善了农田耕作土壤的养分结构和含量，有力地保障了作物对磷的需求［1］。氮磷钾是作物生长所必须的3种养分元素，作物的正常生长离不开磷。但是农田耕作土壤中的磷大部分以难溶性化合物的形式存在，能直接被作物利用的有效磷比例很低，在有些区域磷已成为限制作物高产的因素，如何提高土壤自身磷的有效性成为重要议题［2］。但是，现阶段对田间土壤磷等养分含量的监测依然沿袭着传统的实验室化学分析方法，传统的实验室化学分析法耗资大、费时长已经难以满足现代精准农业对土壤养分实时监测的要求［3］。

土壤的高光谱遥感反射特性是土壤的基本特征之一，这主要和土壤本身的物理化学特性有关。这种关联性使得土壤高光谱遥感技术的发展有了理论与现实基础，同时也为探讨土壤自身的理化特性增加了一种有效的方法和定量指标［4］。较高的光谱分辨率是土壤高光谱遥感技术的显著特性，凭借这一特性使得定量获取土壤养分含量成为了一种可能［5］，并在近年来的土壤养分含量实验室反演中取得了较好的效果。然而，基于不同区域、不同土壤类型情况下，高光谱遥感技术对土壤理化特性的探测能力可能不同。因而，探讨高光谱遥感技术在不同地区不同土壤类型条件下对土壤理化特性的预测能力对于发展现代精准农业和指导农户定量化施肥有着重要的现实和经济意义［6］。国内外学者通过利用高光谱反射来预测土壤磷的研究一直从未间断，Shig等［7］运用近红外微分技术探讨了土壤中Bray磷、全磷和Olsen磷的估测模型。Bogrekci等［8］利用可见光-近红外光谱对不同类型土壤风干样本和鲜样的磷含量进行了预测，据预测结果可知应用偏最小二乘法来预测其均方根偏差分别为9．4%和12．9%。Bogrekci等［9］比较了采用紫外区、可见光区、近红外区域对不同类型土壤(basinger fine sand，immokalee fine sand，myakka fine sand)全磷及水溶性磷含量的预测能力，结果表明采用近红外区域对磷的预测能力最好。Mouazen等［10］通过偏最小二乘法建立了土壤速效磷含量的预测模型，发现利用可见光-近红外波段预测速效磷是可能的。陈鹏飞等［11］表明利用近红外光谱可以对土壤中总磷含量进行粗略估测。磷作为土壤中的一种主要营养元素，由于在可见光-近红外区域没有明显的吸收对光谱影响微弱，以往虽对磷已有较多研究但取得的结果并不理想。因此，全磷含量与土壤高光谱之间的关联性尚待有效深入的研究。

本文尝试利用土壤样点的光谱反射率建立丘陵红壤区稻田土壤全磷含量的预测模型，尝试探讨高光谱遥感技术对于稻田土壤养分的探测能力，为高光谱遥感方法在精准农业土壤养分参数快速获取提供参考。

1 材料与方法

1．1 研究区域与土样采集

1．1．1 区域概况 研究区域选为兴国县，涉及兴国县的永丰乡、隆平乡、鼎龙乡、长岗乡、社富乡、高兴镇6个乡镇。兴国县地处江西省中南部，是赣州市的北大门。县境自东经115°01′—115°51′，北纬自26°03′—26°41′，县境气候属中亚热带季风湿润气候。全年气候温和，光照充足，雨量丰沛，无霜期长，四季分明。其特点可概括为:春早，夏长，秋短，冬迟。地貌主要以低山丘陵居多，部分地区有低山、中山。县境母岩主要有第四纪红色粘土、砂页岩、粉砂岩、大理岩、千枚岩等。主要的土壤类型为红壤、黄壤、紫色土和水稻土。

1．1．2 土壤样本的野外采集 根据土地利用现状图和土壤类型图叠加后的综合信息，确定采集水稻土表层土壤样品43个，采样深度为0～20 cm，尽量确保每个采样点的取土深度和采样量基本一致，土样上层与下层的土壤比例基本相同。把采集好的土壤样点装袋编号，带回实验室风干、磨碎及过2 mm筛处理后分成两份，其中一份用于土壤全磷含量的测定，另一份用于高光谱反射率的测定。

1．2 数据处理方法

1．2．1 光谱数据具体处理方法 为了方便寻找土壤全磷的高光谱敏感波段，对土壤样本的原始反射光谱曲线进行消除包络线、重采样的方法、连续统去除方法、光谱微分技术及光谱数据变换方法等预处理方法，可以提高其相关性［12］。

(1)重采样处理方法。利用SVCR-768地物波谱仪自带的光谱数据处理软件SVC-HR768对原始光谱数据进行重采样处理，重采样的间隔为1 nm，然后导出重采样的数据。由于SVCR-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附近的连接处以及前后边缘波段350～399 nm、2 451～2 500 nm处噪声比较大，从而使经过重采样处理所得的原始光谱曲线在相邻波段间存在信息冗余。因而，此次研究将光谱数据以每10 nm为一个单位对其进行算术平均运算，经过这样运算处理后其光谱曲线在保证了更加平滑的基础上依旧保存着原光谱曲线的主要特征，所以，对导出的每个土样的光谱曲线去除前后噪声较大的边缘波段350～380 mn和2 451～2500 nm波段。

(2)连续统去除法。连续统处理的方法也叫去除包络线法，是一种典型的光谱分析法，它能显著地突出光谱曲线的吸收和反射特征，并将其归一化到一致的光谱背景上，有助于与其他光谱曲线进行比较，从而提取出敏感波段进行分类识别比较，去除包络线后的光谱曲线变为光谱波段深度曲线。光谱波段深度曲线计算公式为:

(1)公式中，R′，R，Rc分别是光谱波段深度、原始光谱和光谱包络线，λ为波长。

(3)光谱一阶微分方法。有研究证明，对光谱进行低阶微分处理对不同的背景和噪声有去除作用。微分光谱可剔除基线漂移或平缓背景干扰，同时其可提供比原始光谱更高的分辨率和更清晰的光谱轮廓变换，其基本的处理方法为:先确定导数窗口宽度Δλ，然后再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λi处的一阶微分光谱采用下式计算:

(2)式中，λ 为波长，λi=351，352，……，2 499 nm，ρ(λi)为波长 i的光谱反射系数，在实际计算中，一般用光谱的差分作为微分的有限近似。通过对原始反射率光谱进行低阶微分变换可以发现光谱曲线随波长的变化更加明显。

1．2．2 模型建立与验证 土壤全磷反演模型的预测精度采用模型方程的决定系数R2，均方根误差RMSE和相对分析误差RPD来衡量。决定系数R2数值越大，均方根误差RMSE越小则表明所建模型的精度越高。当RPD＞2时，表明模型具有很好的预测能力，当1．4＜RPD＜2表明模型可对样品作粗略估测，而RPD＜1．4则表明模型无法对样品进行预测。

2 结果分析

2．1 土壤全磷含量的测定

土壤全磷含量的测定采用磷目蓝比色法［13］。全磷含量描述性统计见表1。

表1 全磷含量描述性统计分析表Tab．1 Descriptive statistics of total phosphorus content

2．2 土壤全磷光谱特征分析与敏感波段的选择

土壤样本反射率光谱测量采用美国SVCR-768地物波谱仪测定。其波长范围为344～2 513 nm，采样间隔为 1．3 nm(344 ～1 000 nm)、8 nm(1 000 ～1 900 nm)和5 nm(1 900～2 513 nm)，输出波段数为2 150。重采样间隔为1 nm，每个土样采集10条光谱曲线，剔除异常值后取其平均值作为该土样的光谱反射率值［14］(图 1)。

本研究对原始反射率总共进行了18种变换运算，尝试从中寻找对全磷含量较为敏感的光谱波段。反射率经过变换运算后对其进行统计分析，一方面可以减弱噪声对目标光谱的干扰;另一方面可以变非线性关系为线性关系。由于原始数据反射率(自变量)与全磷含量(因变量)两者之间并非线性关系，其经过变换运算后再和全磷含量值进行线性回归，其实质为非线性关系线性化处理，这样则有利于研究。土壤全磷与波长反射率通过多种变换计算其相关系数，以此来筛选出相关系数在一定波段内比较平稳且相关系数高的波段，利用此波段来做繁衍模型。变换方法以及其得出的相关系数见表2。

图1 原始数据光谱反射率曲线Fig．1 The original data spectral reflectance curves

表2 各种变换相关系数绝对值最大、最小的波段汇总Tab．2 Sum ofmaximum and m inimum band correlation absolute values of each transform ation

表2中18种变换里面相关系数最高的是重采样一阶微分，波长位于 534 nm，相关系数达到了-0．702。其次是重采样平方根的一阶微分和重采样立方根的一阶微分变换的结果，波长位于1 090 nm，其相关系数达到了-0．663。图2～4可以清晰看出几个相关性比较高的波段。

图2显示在波段534 nm左右时相关系数都在-0．6以上，在波长534 nm 时达到最高值为-0．702。还有相关系数比较高的变换比如重采样倒数的一阶微分、重采样对数的一阶微分、重采样平方根的一阶微分、重采样立方根的一阶微分。图3为其变换图。

由图3可以看出有3个波段的相关系数较高，其中在波段494～544 nm、1 090 nm左右相关系数在0．6以上，在波长1 090 nm时达到最大值为-0．663。对于这几个波段可以考虑作为反演因子。

图2 稻田土壤光谱曲线变换后相关系数Fig．2 Correlation coefficient diagram of paddy soil spectrum curves after transformation

图3 稻田土壤光谱曲线变换后相关系数Fig．3 Correlation coefficient diagram of paddy soil spectrum curves after transformation

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

在图4中可以看出重采样对数的倒数的一阶微分、倒数的对数的一阶微分在1 090 nm左右，相关系数都在0．65以上。

2．3 反演模型的建立

通过对经过预处理后得到的光谱反射率与土壤全磷含量的相关性进行分析，得到丘陵红壤区稻田土壤全磷的特征波段为534，1 090，2 313 nm。本研究选取光谱反射率重采样一阶微分变换中与土壤全磷含量相关系数最高的波段534 nm(相关系数为-0．702)进行回归方程的拟合。建立其预测模型，见表3与图5。

通过表3可看出四种模型中多项式回归方程y=17．363x2-9．170 8x+1．183 4的决定系数R2和相对分析误差RPD最大，其中RPD=1．430 7大于1．42。说明该模型可以粗略预测稻田土壤全磷含量，但是模型还有待进一步改善和提高。

图5 稻田土壤全磷含量反演模型预测值与实测值Fig．5 Scatter diagram between predicted values and measured values of Paddy soil phosphorus content retrievalmodel

表3 稻田土壤全磷预测模型参数Tab．3 Index of paddy soil phosphorus content prediction model

3 结论与讨论

近年来现代土壤高光谱遥感技术取得了较快发展，许多中外学者致力于该领域进行探索研究，并取得了一些研究成果，在土壤科学中已得到了广泛的应用［15］。然而，比较其它诸如有机质、全氮、土壤水分等与土壤光谱反射率关系的研究而言对土壤全磷与光谱反射率关系的研究还较少，而且所建立的模型精度也有待提高。

本研究结论如下:

(1)土壤全磷光谱反射率相关系数在波长534 nm处达到最大值为-0．702，在多个微分处理方法中在1 090 nm左右波段相关系数比较稳定，且都达到0．65以上。

(2)土壤全磷光谱反射率通过重采样对数的倒数的一阶微分、倒数的对数的一阶微分、平方根的倒数的一阶微分在1 090 nm左右相关系数在0．65以上与徐丽华等［5］以三峡库区王家沟小流域为研究区所得特征波段656，1 092，1 132，2 255 nm比较吻合。

(3)此次研究在重采样一阶微分处理534 nm处，通过建立多项式回归方程预测模型，模型预测精度R2为0．495 7，模型相对分析误差(RPD)为1．43，能够粗略的预测丘陵红壤区水稻土全磷含量，但是本研究的土壤样本取自丘陵红壤区的江西省兴国县，土壤类型为水稻土，所建立的土壤全磷的估算模型对其他地区、其他类型土壤是否适用，有待于进一步研究。

［1］陈婷婷，王娇．土壤磷素对作物产量的影响［J］．农技服务，2012，29(11):1247．

［2］孙宏飞．厌氧培养的水稻土中磷酸铁及磷的化学行为［D］．杨凌:西北农林科技大学，2006．

［3］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．

［4］张娟娟．土壤养分信息的光谱估测研究［D］．南京:南京农业大学，2009．

［5］徐丽华，谢德体，魏朝富，等．紫色土土壤全氮和全磷含量的高光谱遥感预测［J］．光谱学与光谱分析，2013，33(3):723-727．

［6］刘伟东．高光谱遥感土壤信息提取与挖掘研究［D］．北京:中国科学院遥感应用研究所，2002．

［7］Ryu K S，Pade JS，Kim B J．Evaluation of rapid detemination of phosphorous in soil by near infrared spectroscopy［C］//Proceedings of the 10th International Conference，Korean NIR publications，2002:399-403．

［8］Bogrekci I，Lee W S，Herrera J．Assessmentof P concentrations in the Lake Okeechobee drainage basin with spectroscopic reflectance of VISand NIR［C］//ASAE Annual Meeting，2003．

［9］Bogrekci I，Lee W S．Comparison of Ultraviolet，Visible，and Near Infrared sensing for soil phosphorus［J］．Biosystems Engineering，2007，96:293-299．

［10］Mouazen A M，MalekiM R，Baerdemaeker JD，et al．On-linemeasurementof some selected soil properties using a VIS-NIR sensor［J］．Soil＆ Tillage Research，2007，93:13-27．

［11］陈鹏飞，刘良云，王纪华，等．近红外光谱技术实时测定土壤中总氮及磷含量的初步研究［J］．光谱学与光谱分析，2008，28(2):295-298．

［12］苏红军，杜培军，盛业华．高光谱遥感数据光谱特征提取算法与分类研究［J］．计算机应用研究，2008，25(2):390-394．

［13］刘焕军，张柏，张渊智，等．基于反射光谱特性的土壤分类研究［J］．光谱学与光谱分析，2008，28(3):624-628．

［14］纪文君，史舟，周清，等．几种不同类型土壤的VIS-NIR光谱特性及有机质响应波段［J］．红外与毫米波学报，2012，31(3):277-282．

［15］高会，陈红艳，刘慧涛，等．基于高光谱的鲁西北平原土壤有效磷含量快速检测研究［J］．中国生态农业学报，2013，21(6):752-757．