基于高光谱分析的植烟土壤有机质和全氮含量预测研究

王一丁，赵铭钦，刘鹏飞，金江华，黄元炯，岳恒

1河南农业大学国家烟草栽培生理生化研究基地，河南 郑州 450002；2吉林烟草工业有限责任公司，吉林 延吉 133000；3河南省烟草专卖局(公司)，河南 郑州 450008

基于高光谱分析的植烟土壤有机质和全氮含量预测研究

王一丁1，赵铭钦1，刘鹏飞1，金江华2，黄元炯3，岳恒1

1河南农业大学国家烟草栽培生理生化研究基地，河南 郑州 450002；2吉林烟草工业有限责任公司，吉林 延吉 133000；3河南省烟草专卖局(公司)，河南 郑州 450008

为实现植烟土壤有机质和全氮含量的快速、准确测定，以120份豫中烟区潮褐土为研究对象，在室内条件下采集并研究了土壤有机质和全氮与高光谱400～2400 nm波段的定量反演关系。光谱经Savitzky-Golay平滑滤波后采用偏最小二乘回归（Partial least square regression, PLSR）方法，建立了土壤高光谱与有机质和全氮间的定量反演模型，对比了3种光谱变换形式及5种预处理方法对模型的影响。结果表明，光谱经一阶微分（FDR）或倒数对数（lg(1/R)）变换后，建模系数有所提高；不同预处理方法的反演模型精度差异明显，正交信号校正（OSC）明显优于其他光谱预处理方法。采用FDR-OSC建立的土壤有机质和lg(1/R)-OSC建立的土壤全氮模型预测效果最好，预测模型决定系数R2分别为0.948和0.919，预测均方根误差（RMSEP）分别为1.316 g·kg-1和0.091 g·kg-1，相对分析误差（RPD）分别为4.26和4.07，是豫中烟区潮褐土有机质和全氮含量的最佳预测模型。采用高光谱技术结合OSC-PLSR方法对植烟土壤有机质和全氮含量进行高精度预测是可行的。

植烟土壤；高光谱；有机质；总氮；偏最小二乘回归

土壤有机质（Organic Matter, OM）和全氮（Total Nitrogen, TN）是衡量土壤肥力状况的重要指标，也是作物生长发育和品质形成的主要限制因素[1-2]。传统的土壤成分检测方法准确度虽高，但也存在检测成本高、耗时、繁琐且时效性差等缺点，难以满足现代精准农业快速获取土壤成分要求[3-4]。光谱分析技术由于具有简便、快速、无损等特点，如今已成为国内外学者关注的热点，被广泛应用于土壤盐分含量[5-6]、土壤水分[7-8]、土壤碳氮含量[9-10]及重金属含量[11]等土壤组分信息的测定。

Krishnan等[12]指出623 nm和564 nm是有机质敏感波段而在近红外波段没有吸收峰出现，可见光区域与有机质含量的相关性强于近红外区域。Hummel等[13]研究了土壤有机质和近红外光谱曲线之间的关系，并采用光谱反射率倒数的对数建立了土壤有机质预测模型。彭玉魁等[14]采用近红外光谱分析法对中国黄土区土壤水分、有机质和总氮含量进行了分析，发现土壤有机质、全氮含量与近红外光谱之间存在良好的相关关系。李颉等[15]利用傅里叶变换近红外光谱技术结合PLSR模型对北方褐土中的全氮、全钾、有机质含量和pH值进行预测分析，结果与实测数据具有较好的一致性，预测效果显著，模型最高决定系数达到0.95以上。卢艳丽等[4]通过不同的光谱形式变换，确定了以反射率对数的一阶导数、归一化光谱指数预测黑土全氮含量的最佳回归模型，模型相关系数分别为0.863和0.829。张娟娟等[16]利用近红外光谱对我国中、东部5种不同类型土壤风干样的有机质、全氮和速效氮含量进行定量估算，发现1879～l890 nm与2050～2100 nm波段与其相关性最高，利用差值光谱指数DI可实现对3种养分含量的同时估测。

由于不同地域尺度的土壤光谱差异较大，且利用不同建模和预处理方法所建模型的精度也存在明显差异，导致特定区域土壤反演模型难以适用于其他区域[17-18]。因此，本研究以我国典型浓香型豫中烟区潮褐土为研究对象，利用光谱反射率的不同变换形式和预处理优化方法建立了土壤有机质、全氮含量的偏最小二乘回归（Partial least squares regression, PLSR）定量预测模型，旨在构建适合该种植区域的土壤高光谱反演模型，为实现土壤主要组分的快速、准确检测提供技术支持。

1 材料与方法

1.1 样本采集与制备

试验于2014年4月进行，土壤样品采自河南省许昌市（襄县，禹州）、平顶山市（郏县、叶县、宝丰）、漯河市（临颍、舞阳、郾城）烟田耕作层（采样深度0～20 cm），共120 份，土壤类型为潮褐土。样品经自然风干、去除杂质后，研磨过100目筛，分成两份，一份用于土壤有机质和全氮含量的测定，另一份用于土壤高光谱数据的采集。土壤有机质含量采用重铬酸钾容量法-外加热法测定，土壤全氮含量采用半微量凯氏定氮法测定[19]。

1.2 室内光谱数据采集

采用美国ASD FieldSpec 3便携式光谱仪进行土壤光谱测试，光谱测定范围350～2500 nm，光谱分辨率为3 nm@350～1000 nm，10 nm@1000～2500 nm；采样间隔为1.4 nm@350～1000 nm，2 nm@1000～2500 nm。土壤光谱反射率采集于暗室环境下进行，黑色天鹅绒布作背景，布置人工几何光源路径，光源为光谱仪配套的50 W钨石英卤素灯，光源距离土壤表面50 cm，光源天顶角15°。将处理过的土壤样品放置于直径10 cm，深2.0 cm的盛样皿中，装满后刮平土壤表面，水平放置于光谱仪传感器探头正下方30 cm处，探头视场角为8º。为消除阴影影响，每个土壤样品分别采集4个方向（每次转动90º）共20条光谱曲线，算术平均后作为该土样的光谱反射率值。每次光谱测试前均进行参考白板校正。

1.3 光谱数据预处理

每个土样去除光谱曲线噪声较大的350～399 nm和2401～2500 nm边缘波段的不稳定数据。为解决光谱采集中连接点跳跃的问题，使用Viewspec Pro软件中的抛物线修正功能（Splice Correction）对光谱曲线进行修正，同时光谱曲线采用Savitzky-Golay平滑滤波（平滑点数为5）进行平滑处理，消除光谱曲线背景噪音引起的误差。

为提高光谱灵敏度，除使用原始光谱反射率（Reflectance, REF），还使用一阶微分光谱（First derivative reflectance, FDR）和光谱倒数对数（lg(1/R)）2种光谱数学变换。对光谱进行一阶微分处理，可以对重叠混合光谱进行分解，扩大样品间的光谱特征差异，易于找出光谱敏感波段；光谱反射率经倒数的对数变换后，能够减少因光照条件变化引起的乘性因素的影响，增强可见光区的光谱差异[20-21]。同时为了能系统比较不同光谱预处理方法对建模精度的影响，确定最佳的光谱优化处理方式，本文在光谱数据经Savitzky-Golay平滑和中心化处理的基础上，对土壤光谱数据选用了标准正态变换（Standard normal variate, SNV）、多元散射校正(Multiplicative scatter correction, MSC)、正交信号校正（Orthogonal signal correction, OSC）、小波压缩（Wavelet compression,WC）和小波去噪（Wavelet denoising, WD）等5种光谱预处理优化方式。

1.4 模型建立与验证

本文以PLSR方法建模进行定量分析。按照土样有机质、全氮含量梯度排序，每隔4个样品取出一个样品作为验证集样本，将全部样本按照3:1的比例划分成两组，一组（90个）作为校正集建模，另一组（30个）作为验证集对所建模型进行验证。构建模型数据均进行中心化预处理，模型采用逐一（Leave-oneout）全交叉验证法（Full-cross validation），确定模型适宜的因子数。PLSR模型以决定系数（coefficient of determination, R2）、校准均方根误差（Root mean square error of calibration, RMSEC）、预测均方根误差（Root mean square error of prediction, RMSEP）和相对分析误差（Residual prediction deviation, RPD）等参数来对模型性能进行评价。其相应的计算公式如下：

式中：yi是样本i的模型实际值，是样本i的模型预测值，是所有样本实际值的平均值，n是校正集样本数，m是验证集样本数，k为模型的独立变量数，SD为验证集样本标准差。

1.5 数据统计

数据统计分析软件为ViewSpec Pro、SIMCA-P＋12.0（Umetrics AB, Sweden）和Excel 2013。

2 结果与分析

2.1 土壤成分含量统计

表1为不同土壤样品有机质和全氮含量的特征统计。由表可知，土壤样本有机质含量变化范围为8.74～28.81 g·kg-1，全氮含量变化范围为0.68～1.87 g·kg-1，其中校正集和验证集统计特征相接近，有机质和全氮含量具有较好的梯度分布，变异系数较大，表明样本离散程度较高，用于构建模型具有一定的代表性。

表1 植烟土壤有机质和全氮含量特征统计Tab.1 Statistical characteristics of organic matter and total nitrogen contents in tobacco-growing soil g·kg-1

2.2 土壤高光谱曲线特征分析

图1 植烟土壤光谱反射率曲线Fig.1 Spectral reflectance curve of tobacco-growing soil

图 1是120个土壤样本经Savitzky-Golay平滑滤波优化后400～2400 nm光谱反射率曲线。从图中可以看出，各土壤光谱曲线形态较为相似，光谱反射率在400～760 nm可见光范围上升趋势明显，差异较小；在760～2400 nm近红外波段随着波长变化趋于平缓，同时反射率差异逐渐增大。土壤光谱曲线在1400 nm、1900 nm和2200 nm处有三个较为明显的水分吸收谷。

2.3 不同光谱数学变换形式对土壤有机质和全氮反演的影响

本文以原始光谱（REF）、一阶导数（FDR）和倒数对数（lg(1/R)）这3种光谱数学变换形式，选用400～2400 nm波段光谱作为自变量，分别以土壤有机质和全氮含量为因变量，采用逐一交叉验证确定最佳因子数，建立相应PLSR模型，建模及预测效果见表2。

在所有的3种光谱数学变换形式建模方法中，使用REF建模时，土壤有机质和全氮含量PLSR模型校正集决定系数R2分别为0.767、0.757，验证集的决定系数R2分别为0.737、0.719，RPD值均小于2.0，准确度较低，只能对其含量进行粗略估测。REF经FDR、lg(1/R)数学变换之后，模型R2、RMSEC及RMSEP均得到较大改善，对提高模型的精度和可靠性有利。使用FDR-PLSR建立的有机质含量预测模型RMSEC和RMSEP分别为2.206 g·kg-1和2.215 g·kg-1，使用lg(1/R)-PLSR建立的全氮含量模型的RMSEC和RMSEP分别为0.154 g·kg-1和0.159 g·kg-1，为各模型中最小，RPD值均大于2.0，分别为2.53和2.32，模型精度最高，表明能够很好的估测土壤有机质、全氮含量。

表2 不同光谱数学变换形式建模及验证比较Tab. 2 Modeling and validation based on different spectral mathematical transformation forms

2.4 不同光谱预处理和波段选择对土壤有机质和全氮反演的影响

图 2为土壤有机质和全氮光谱分别经FDR和lg(1/R)数学变换后所建立的PLSR模型相关系数。由图 2a可知，有机质含量PLSR模型最大正、负相关系数分别出现在1831 nm和1867 nm。总氮含量PLSR模型最大正、负相关系数分别出现在1941 nm和2378 nm（图2b）。以变量重要性投影( Variable importance in the projection, VIP ) 指标作为筛选显著性波段的依据。VIP值大于1，且经t检验（P＜0.05）的光谱变量可被认为是土壤有机质和全氮模型的显著性波段[22]。在土壤有机质FDR和全氮lg(1/R)数学变换基础上，选用不同光谱预处理方法全波段和显著性波段分别建立土壤有机质和全氮的PLSR模型。其中有机质显著性波段为400～580 nm、1346～1387 nm、1827～2008 nm和2144～2396 nm；全氮显著性波段为576～694 nm、1000～1148 nm、1924～1955 nm和2343～2388 nm。

表3是不同预处理方法所建有机质和全氮含量PLSR模型的预测结果。由表3可知，光谱经预处理优化后，模型的稳定性和预测性均得到了显著提高，使用全波段的建模效果优于显著性波段。对于有机质含量，基于FDR-OSC-PLSR的模型校正集和验证集决定系数R2分别为0.956和0.948，RMSEC和RMSEP分别为1.225 g·kg-1和1.316 g·kg-1，RPD达到4.26；对于全氮含量而言，采用lg(1/R)-OSC-PLSR方法所建模型的校正集和验证集决定系数R2分别为0.927和0.919，RMSEC和RMSEP分别为0.088 g·kg-1和0.091 g·kg-1，RPD为4.07。对比各反演模型精度，OSC-PLSR建模和预测效果优于其它预处理模型，模型精度最高且误差最小，是土壤有机质和全氮含量的最佳预测模型。

图3为OSC-PLSR预处理方法建立的土壤有机质和全氮含量的验证散点图(n=30)，结果显示验证集样本均集中在1:1线附近，模型预测值接近实测值，反演效果较好。土壤有机质PLSR预测方程为y = 0.895x+ 1.751，决定系数R2为0.948；土壤全氮PLSR预测方程为y = 1.046x - 0.075，决定系数R2为0.919。

图2 不同光谱数学变换的土壤有机质（a）和全氮含量（b）PLSR模型系数Fig.2 Coefficient of PLSR models based on different mathematical transformation forms of organic matter (a) and total nitrogen contents (b) in tobacco-growing soil

表3 不同光谱预处理优化方法建模及验证比较Tab.3 Modeling and validation based on different spectral optimization methods

图3 土壤有机质（a）和全氮（b）含量OSC-PLSR模型检验结果Fig.3 Validation results of soil organic matter (a) and nitrogen (b) contents by using OSC-PLSR model

3 讨论

本文所选土壤类型均为潮褐土，土样经过统一的风干去杂、研磨处理后，在一定程度上消除了土壤类型、土壤质地、土壤湿度及粒径大小对土壤光谱的影响。

对土壤光谱反射率进行适宜的数学变换和优化预处理能较好地消除外界因素干扰，突出光谱反射率与土壤成分含量间的相关性，从而提升建模精度[17,23]。针对不同土壤类型、土壤水分等外界因素影响下的单一土壤成分的光谱预测分析已有大量报道。如王淼等[24]以南方红壤为研究对象，采用PLSR方法建立了不同波段范围的有机质预测模型，结果表明以1300～2400 nm波段建立的有机质预测模型精度最高。侯艳军等[25]研究发现PLSR模型对于估算荒漠土壤有机质是可行准确、有效的。Chang等[26]应用PLSR建立了基于光谱分析技术的土壤全氮含量预测模型，其相关系数在0.9以上。而针对不同建模方法，特别是PLSR结合不同光谱变换形式及光谱预处理方法反演豫中烟区潮褐土有机质和全氮的还鲜有研究。本文采用不同光谱变换形式和预处理方式构建土壤高光谱预测模型，结果表明使用一阶微分和倒数对数变换形式对提高模型精度有明显效果；不同光谱预处理方法中，基于正交信号校正（OSC）的反演模型效果最佳，土壤有机质和全氮OSC-PLSR定量预测模型R2分别为0.948和0.919，RESEP分别为1.316 g·kg-1和0.091 g·kg-1。这与OSC预处理方法通过正交方式将光谱矩阵与浓度矩阵有关的信息加以保留，滤除掉与待测化学品质无关的信息，有效消除或减少由土壤质地、漫反射等因素造成的干扰，从而提高模型的预测能力和稳定性有关[27]。采用全波段建模效果好于显著性波段，这可能是因为土壤成分组成复杂，高光谱显著性波段相对于全波段而言，由于仅反映了光谱的部分信息且容易造成一些重要光谱信息的丢失，因而导致模型R2偏小，RMSEC和RMSEP相对偏大。

土壤光谱反射特性是土壤质地、有机质、氮素及铁氧化物含量等各种理化性状属性相互作用的综合响应，不同地区土壤的成土母质和成土条件具有区域独特性[28]。而我国烟草种植区域广泛，土壤类型复杂多样化，其中覆盖红壤、紫色土、水稻土、砂质壤土、褐土等众多类型，特别是南北方土壤差异很大，如南方土壤中常含有较高的有色金属氧化物等，这往往会降低甚至掩盖了土壤成分的光谱特征响应，对分析的准确度带来一定的影响。研究表明，690～930 nm波段范围是铁氧化矿物和有机质等对光谱吸收的复合区域[29]，从而会导致光谱波形出现差异。Galvao等[30]对土壤去有机质后进行研究，认为可见光范围内氧化铁与有机质存在干扰，其中以700 nm附近最为明显。因此，本文建立的豫中烟区潮褐土光谱反演模型是否对其他生态区域和类型的植烟土壤具有普适性，还有待采集更多具有代表性的土壤样本进行分析和完善。

4 结论

本文在室内条件下分析了豫中烟区潮褐土有机质和全氮的高光谱反射特性，选取400～2400 nm波段的高光谱数据经Savitzky-Golay平滑滤波和中心化处理的基础上结合偏最小二乘回归（partial least square regression, PLSR）方法建立了有机质和全氮含量的高光谱反演模型。高光谱分析技术结合OSC-PLSR对豫中烟区潮褐土有机质和全氮含量进行高精度预测是可行的。

[1] 高祥照，胡克林，郭焱，等．土壤养分与作物产量的空间变异特征与精确施肥[J]．中国农业科学，2002，35(6)：660-666.Gao xiangzhao, Hu Kelin, Guo Yan, et al. Spatial variabiIity of soil nutrients and crop yield and site-specific fertilizer management[J]. Scientia Agricultura Sinica, 2002, 35(6):660-666. (in Chinese)

[2] 薛利红，卢萍，杨林章，等．利用水稻冠层光谱特征诊断土壤氮素营养状况[J]．植物生态学报，2006，30(4)：675-681.Xue Lihong, Lu Ping, Yang Linzhang, et al. Estimation of soil nitrogen status with canopy reflectance spectra in rice[J]. Journal of Plant Ecology, 2006, 30(4): 675-681. (in Chinese)

[3] 朱登胜，吴迪，宋海燕，等．应用近红外光谱法测定土壤的有机质和PH值[J]．农业工程学报，2008，24(6)：196-199.Zhu Dengsheng, Wu Di, Song Haiyan, et al. Determination of organic matter contents and pH values of soil using near infrared spectroscopy[J]. Transactions of the CSAE, 2008,24(6): 196-199. (in Chinese)

[4] 卢艳丽，白由路，王磊，等. 黑土土壤中全氮含量的高光谱预测分析[J]．农业工程学报，2010，26(1)：256-260.Lu Yanli, Bai Youlu, Wang Lei, et al. Determination for total nitrogen contents in black soil using hyperspectral data[J]. Transactions of the CSAE, 2010, 26(1): 256-260. (in Chinese)

[5] 王静，刘湘南，黄方，等. 基于ANN技术和高光谱遥感的盐渍土盐分预测[J]．农业工程学报，2009，25(12)：161-166.Wang Jing, Liu Xiangnan, Huang Fang, et al. Salinity forecasting of saline soil based on ANN and hyperspectral remote sensing[J]. Transactions of the CSAE, 2009, 25(12):161-166. (in Chinese)

[6] 刘娅，潘贤章，王昌昆，等. 基于可见-近红外光谱的滨海盐土土壤盐分预测方法[J]. 土壤学报，2012，49(4)：824-829.Liu Ya, Pan Xianzhang, Wang Changkun, et al. Prediction of coastal saline soil salinity based on VIS-NIR reflectance spectroscopy[J]. Acta Pedologica Sinica, 2012, 49(4): 824-829. (in Chinese)

[7] 刘洋，丁潇，刘焕军，等. 黑土土壤水分反射光谱特征定量分析与预测[J]. 土壤学报，2014，51(5)：1021-1026.Liu Yang, Ding Xiao, Liu Huanjun, et al. Quantitative analysis of reflectance spectrum of black soil as affected by soil moisture for prediction of soil moisture in black soil[J]. Acta Pedologica Sinica, 2014, 51(5): 1021-1026. (in Chinese)

[8] 司海青，姚艳敏，王德营，等. 含水率对土壤有机质含量高光谱估算的影响[J]. 农业工程学报，2015，31(9)：114-120.Si Haiqing, Yao Yanmin, Wang Deying, et al. Hyperspectral prediction of soil organic matter contents under different soil moisture contents[J]. Transactions of the CSAE, 2015,31(9): 114-120. (in Chinese)

[9] 刘磊，沈润平，丁国香. 基于高光谱的土壤有机质含量估算研究[J]. 光谱学与光谱分析2011，31(3)：762-766.Liu Lei, Shen Runping, Ding Guoxiang, et al. Studies on the estimation of soil organic matter content based on hyper-spectrum[J]. Spectroscopy and Spectral Analysis,2011, 31(3): 726-766. (in Chinese)

[10] 张瑶，李民赞，郑立华，等. 基于近红外光谱分析的土壤分层氮素含量预测[J]. 农业工程学报，2015，31(9)：121-125.Zhang Yao, Li Minzan, Zheng Lihua, et al. Prediction of soil total nitrogen content in different layers based on near infrared spectral analysis[J]. Transactions of the CSAE,2015, 31(9): 121-125. (in Chinese)

[11] 王维，沈润平，吉曹翔. 基于高光谱的土壤重金属铜的反演研究[J]. 遥感技术与应用，2011，26(3)：348-354.Wang Wei, Shen Runping, Ji Caoxiang, et al. Study on heavy metal Cu based on hyperspectral remote sensing[J].Remote Sensing Technology and Application, 2011, 26(3):348-354. (in Chinese)

[12] Krishnan P, Alexander J D, Butler B J, et al. Reflectance technique for predicting soil organic matter[J]. Soil Society of American Journal, 1980, 44(6): 1280-1285.

[13] Hummel J W, Sudduth K A, Hollinger S E. Soil moisture and organic matter prediction of surface and subsurface soils using an NIR soil sensor[J]. Computer and Electronics in Agriculture, 2001, 32:149-165．

[14] 彭玉魁，张建新，何绪生，等. 土壤水分、有机质和总氮含量的近红外光谱分析研究[J]．土壤学报．1998，35(4)：553-559．Peng Yukui, Zhang Jianxin, He Xusheng, et al. Analysis of soil moisture, organic matter and total nitrogen content in loess in China with near infrared spectroscopy[J]. Acta Pedologica Sinica, 1998, 35(4): 553-559. (in Chinese)

[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.Li Jie, Zhang Xiaochao, Yuan Yanwei, et al. Analysis of soil nutrient content based on near infrared reflectance spectroscopy in Beijing region[J]. Transactions of the CSAE, 2012, 28(2): 176-179. (in Chinese)

[16] 张娟娟，田永超，姚霞，等. 同时估测土壤全氮、有机质和速效氮含量的光谱指数研究[J]．土壤学报，2012，49(1)：50-57.Zhang Juanjuan, Tian Yongchao, Yao Xia, et al. The spectral index for estimating soil OM, TN and AN content simultaneously using near-infrared spectroscopy[J]. Acta Pedologica Sinica, 2012, 49(1): 50-57. (in Chinese)

[17] 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)：881-889.Zhang Juanjuan, Tian Yongchao, Yao Xia, et al. Estimating soil total nitrogen content based on hyperspectral analysis technology[J]. Journal of Natural Resources, 2011, 26(5):881-889. (in Chinese)

[18] 于雷，洪永胜，耿雷，等. 基于偏最小二乘回归的土壤有机质含量高光谱估算[J]. 农业工程学报，2015，31(14)：103-109.Yu Lei, Hong Yongsheng, Geng Lei, et al. Hyperspectral estimation of soil organic matter content based on partial least squares regression[J]. Transactions of the CSAE, 2015,31(14): 103-109. (in Chinese)

[19] 鲍士旦. 土壤农化分析（第三版）[M]. 北京：中国农业出版社，1999：30-48.Bao Shidan. Soil analysis in agricultural chemistry[M].Third Edition. Beijing: China Agriculture Press, 1999: 30-48. (in Chinese)

[20] Nocita M, kooistra L, Bachmann M, et al. Predictions of soil surface and topsoil organic carbon content through the use of laboratory and field spectroscopy in the Albany thicket biome of Eastern Cape province of South Africa.Geoderma, 2011,167-168: 295-302.

[21] 何挺，王静，林宗坚，等. 土壤有机质光谱特征研究[J].武汉大学学报（信息科学版），2006，31(1)：975-979.He Ting, Wang Jing, Lin Zongjian, et al. Spectral features of soil organic matter[J]. Geomatics and Information Science of Wuhan University, 2006, 31(1): 975-979. (in Chinese)

[22] 王惠文，吴载斌，孟洁. 偏最小二乘回归的线性与非线性方法[M]. 北京：国防工业出版社，2006：2-4.Wang Huiwen, Wu Zaibin, Meng Jie. Partial least-squares regression-linear and nonlinear methods[M]. Beijing:National Defense Industry Press, 2006: 2-4. (in Chinese)

[23] 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.Guo Doudou, Huang Shaomin, Zhang Shuiqing, et al.Comparative analysis of various hyperspectral prediction models of fluvo-aquic soil organic matter[J]. Transactions of the CSAE, 2014, 30(21): 192-200. (in Chinese)

[24] 王淼，解宪丽，周睿，等. 基于可见光-近红外漫反射光谱的红壤有机质预测及其最优波段选择[J]. 土壤学报，2011，48(5)：1083-1089.Wang Miao, Xie Xianli, Zhou Rui, et al. Determination of soil organic matter in red soils using VIS-NIR diffuse reflectance spectroscopy and selection of optimal spectral bands[J]. Acta Pedologica Sinica, 2011, 48(5): 1083-1089.(in Chinese)

[25] 侯艳军，塔西甫拉提·特依拜，买买提·沙吾提，等. 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)：113-119.Hou Yanjun, Tashpolat Tiyip, Mamat Sawut, et al.Estimation model of desert soil organic matter content using hyperspectral data[J]. Transactions of the CSAE, 2014,30(16): 113-119. (in Chinese)

[26] Chang C, David laird A. Near-infrared reflectance spectroscopic analysis of soil C and N[J]. Soil Science,2002, 167:110-116.

[27] 宋宁，徐晓轩，王斌，等. 基于正交信号校正和iPLS的烃源岩红外漫反射光谱定量分析[J]. 光谱学与光谱分析，2009，29(2)：378-381.Song Ning, Xu Xiaoxuan, Wang Bin, et al. Quantities analysis of the infrared diffuse reflection spectrum of hydrocarbon source rocks by OSC-iPLS[J]. Spectroscopy and Spectral Analysis, 2009, 29(2): 378-381. (in Chinese)

[28] Sudduth K A, Hummel J W. Soil organic matter, CEC and moisture sensing with a portable NIR spoctrophotometer[J].Trans ASAE, 1993, 36(6): 1571-1582.

[29] 刘庆生，王志刚，荆林海. 岩石实验室光谱对应分析[J].遥感学报，1999，3(2)：151-156.Liu Qingsheng, Wang Zhigang, Jin Linhai, et al.Correspondence analysis of laboratory spectra of rock[J].Journal of Remote Sensing, 2009, 29(2): 378-381. (in Chinese)

[30] Galvao L S, Vitorello. Role of organic matter in obliterating the effects of iron on spectral reflectance and color of Brazilian tropical soils[J]. International Journal of Remote Sensing, 1998, 19(10):1969-1979.

Prediction of organic matter and total nitrogen contents in tobacco-growing soil based on hyper-spectral analysis

WANG Yiding1, ZHAO Mingqin1, LIU Pengfei1, JIN Jianghua2, HUANG Yuanjiong3, YUE Heng1
1 National Tobacco Cultivation Physiology and Biochemistry Research Center, Henan Agricultural University, Zhengzhou 450002, China;2 China Tobacco Jilin Industrial Co., Ltd. Yanji 133000, Jilin, China;3 Henan Provincial Tobacco Monopoly Administrations, Zhengzhou 450002, China

In order to determine organic matter and total nitrogen contents in tobacco-growing soil rapidly and precisely, hyper-spectral data(400～2400 nm) of 120 cinnamon soil samples collected from tobacco growing areas in central Henan province were measured and studied under laboratory conditions. Hyper-spectral quantitative inversion models of soil organic matter and total nitrogen contents were built and compared by using partial least square regression (PLSR) method with three different mathematical transformation forms and five spectral preprocessing methods after Savizky-Golay smooth filtering pretreatment. Results showed that the regression coefficients of modeling were improved after the first-derivative (FDR) or inverse-log processing of reflectance spectra. Orthogonal signal correction (OSC)was superior to other spectral preprocessing methods while OSC-PLSR models with FDR and log (1/R) transformation performed best in the prediction of soil organic matter and total nitrogen contents. Correlation coefficients (R2) of the prediction model were 0.948 and 0.919,root mean square error of prediction (RMSEP) was 1.316 g·kg-1and 0.091 g·kg-1, and residual prediction deviation (RPD) 4.26 and 4.07,respectively. It is feasible to predict organic matter and total nitrogen contents with high precision in tobacco-growing soil based on hyperspectral analysis technology combined with OSC-PLSR method.

tobacco-growing soil; hyper-spectra; organic matter; total nitrogen; partial least square regression (PLSR)

王一丁，赵铭钦，刘鹏飞，等. 基于高光谱分析的植烟土壤有机质和全氮含量预测研究[J]. 中国烟草学报，2016,22（3）

吉林烟草工业有限责任公司重点科技攻关项目（JY2013001）

王一丁（1990—），硕士研究生，研究方向为烟草生理生化及高光谱遥感分析，Email: betrix@163.com

赵铭钦（1964—），教授，主要从事烟草化学与香精香料、烟草品质评价与特色烟叶开发研究，Email: zhaomingqin@126.com

2015-09-11

:WANG Yiding, ZHAO Mingqin, LIU Pengfei, et al. Prediction of organic matter and total nitrogen contents in tobacco-growing soil based on hyper-spectral analysis[J]. Acta Tabacaria Sinica, 2016, 22(3)