灰漠土土壤全氮含量的高光谱特征分析及估测

刘凡，马玲，杨光，陈建华，马雪莲，王海江

(石河子大学农业资源与环境系，新疆石河子 832000)

灰漠土土壤全氮含量的高光谱特征分析及估测

刘凡，马玲，杨光，陈建华，马雪莲，王海江

(石河子大学农业资源与环境系，新疆石河子 832000)

【目的】研究传统土壤全氮含量测定方法，解决复杂、耗时、耗力等问题。【方法】以新疆干旱区灰漠土为研究对象，运用经典统计学和光谱学相结合的方法，研究灰漠土土壤全氮含量的光谱反射特性，通过对原始光谱的数据变换和相关性分析，构建了土壤全氮含量的高光谱估测模型，并对模型进行对比和验证。【结果】土壤中全氮含量不同光谱反射特性趋势相近，土壤的光谱反射率在780、1 800和2 140 nm波长附近出现波峰，在1 910 nm附近有明显的波谷，土壤全氮含量与原始光谱反射率相关性较差。通过一阶微分处理后的光谱数据与全氮含量的相关性显著优于原始光谱和二阶微分处理，最大相关系数为0.819，达到极显著相关；利用一阶微分变换从中提取特征波段667和1 414 nm，建立土壤全氮含量的估测模型：Y=2 698.048X667-1 062.149X1414-0.015，R2为0.75，对估测模型进行验证发现，R2为0.80，当全氮含量过大或过小时，模型估测偏差相对较大，总体预测精度较高。【结论】高光谱分析技术对土壤全氮含量的预测具有一定的意义，利用估测模型可以快速鉴定土壤全氮含量。

灰漠土；土壤全氮含量；光谱反射特性；高光谱估测模型

0 引 言

【研究意义】土壤全氮含量是表征土壤肥力的重要指标，是制约农作物生长的重要因素之一，对维系地球生态系统具有重要作用[1]。传统的土壤养分分析采用实验室化学分析方法，这种方法虽然测量精确，但是由于耗时耗力，当需要用土壤分析结果直接指导施肥或田间管理时，无论从实时性来看还是从实用性来看，这套标准方法都显得不能满足要求[2]。【前人研究进展】高光谱分析是一种快速信息采集技术，获取数据量大，能够多指标同时测定，检测过程无损、无污染。近年来光谱测定技术已在各个领域广泛应用，并取得了良好的效果[3]。许多研究采用可见近红外光谱分析技术对土壤总氮、有机质、有机碳、含水率、粘土含量、pH和其他微量元素进行了建模分析，并得到了非常高的评价结果。Kuang等[4]利用近红外光谱技术展开土壤有机碳和总氮含量检测研究，建立预测模型，其中有机碳模型的RPD值在2.66～3.39，总氮模型RPD的值在2.85～3.45。Vohland等[5]在对有机碳的光谱特征进行分析时，在去除极端值后，其模型得到极大改善，其R2=0.80，RPD=1.98。Ge等[6]采用可见近红外光谱分析技术对土壤有机碳、含水率和粘土含量进行了建模分析，并得到了非常高的评价结果。Debaene等[7]采用可见近红外光谱(400～2 200 nm)对农场土壤有机碳含量、粘土、pH值和其它一些微量元素如镁、速效磷和速效钾含量进行了定量分析，均得到较满意结果。Shi等[8-9]使用可见近红外光谱技术分别对醋中总酸和土壤中重金属进行建模分析，其中总酸的模型决定系数可达0.919，在重金属方面也给出有地进行大面积有效估计的方法。Ramirez等[10-11]利用可见近红外技术对土壤养分含量进行反演测定，通过建立不同土壤特性的波谱数据库，构建了土壤有机碳、总氮含量和钙的光谱预测方程。在国内，李颉等[12]应用近红外光谱技术，分析了北京典型耕作土壤中养分含量、pH值与光谱特征值间的相关关系，采用偏最小二乘回归方法建立土壤属性的预测模型，对比养分含量预测值和实测值，以不同指标评价模型精度，取得了良好估测精度。田永超等[13]应用近红外光谱对土壤有机质含量进行了估测，采用多元校正和一阶导数变换作为最优建模光谱，不同建模方法比较结果显示PLS-BP人工神经网络方法预测模型精度最高，其中选择MSC-NGFD预处理方法建模的交叉决定系数为0.97，检验的预测均方根偏差为1.72，预测相对偏差为6.29。【本研究切入点】发展土壤全氮快速测定方法，前人已经进行了较多的光谱预测研究，但在新疆灰漠土全氮含量的光谱预测方面，还缺乏敏感波段的选择及建立基于敏感波段土壤全氮预测模型。研究土壤养分的光谱特性，获取土壤养分的特征波段，建立土壤养分快速估模型，对土壤养分的快速获取以及指导农业生产具有重要意义。【拟解决的关键问题】研究分析土壤全氮含量的光谱特性，通过不同光谱数据变换方法，筛选出表征土壤全氮的特征波长，构建基于高光谱技术的土壤全氮含量的定量关系模型。

1 材料与方法

1.1 材 料

新疆北疆莫索湾灌区位于准噶尔盆地，冲积扇缘的边缘，地理坐标为E86°42′，N44°26′，面积为450.3 km2，平均海拔为291～370 m，属于干旱半干旱大陆性气候，日照充足，降水稀少，常年靠冰川融化补给降水量，研究区的主要植被有芦苇、盐蒿和碱蓬等，土壤类型为灌耕灰漠土。

1.2 方 法

1.2.1 样品的采集及制备

收集研究区土壤类型图和地形地貌图，对整个研究区进行土壤样品采集，采集时间为2015年的秋季。采集的土样在实验室进行风干、去杂、过2 mm筛，研磨测得全氮含量、盐分和土壤质地，为了确保所选取的土壤样品分布广、值域宽，依据采集的土壤样品盐分含量、质地和位置相近数值进行了筛选，共计筛选出土壤样品39个。表1

表1 土壤全氮含量

Table 1 Descriptive statistics of soil total nitrogen content

样本Sample样本数量Number最小值(g/kg)Minimum最大值(g/kg)Maximum平均值(g/kg)Mean标准偏差Standdeviation总样本Totalsample39015122066030建模样本Modelingsample29015118065030验证样本Validationsample10023122069032

1.2.2 理化性质测定

全氮测定采用半微量开氏法，测定方法依据《土壤农化分析》。此法的主要原理是在加速剂的参与下，用浓硫酸消煮时，各种含氮有机物，经过复杂的高温分解反应，转化为氨与硫酸结合形成硫酸铵。碱化后蒸馏出来的氨用硼酸吸收，以标准酸溶液滴定，求出土壤全氮含量[1]。

盐分测定采用电导率法，原理是土壤的水溶液具有导电作用，在一定浓度范围内，土壤的水溶液与电导率成正比，土壤浸出液的电导率可以用电导仪测定，根据电导率的大小可以得出土壤含盐量的高低[1]。

质地测定采用比重计法，根据司笃克斯定律，土壤颗粒在介质中的沉降速度与颗粒半径的平方成正比，与介质粘滞系数成反比，在同一介质中，土粒运动一定时间后，用比重计测得悬浮在比重计所处深度的土粒含量，计算其百分含量，定出土壤质地名称[14]。

1.2.3 光谱测定

取土壤样品放置于半径5 cm、深1.5 cm(认为是光学上无限厚)的透明盛样皿内，土壤装填容重约 1.4 g/cm3，每个样品分别倒入盛样皿，轻轻混合均匀，使表面平整，颗粒大小基本相同，分别测定土壤全氮含量的光谱曲线。土壤全氮含量的光谱曲线测定方法是暗室中使用ASD Pro FR 2500便携式光谱仪，光谱范围在350～2 500 nm，将视场角25°的探头放置于距土壤样品10 cm的垂直上方，用200 w的卤素灯距土壤样品45 cm，天顶角15°模拟太阳光，用30 cm×30 cm的白色参考版获取绝对反射率，每个样品按90°旋转4次，每次采集20条光谱曲线[15]。

2 结果与分析

2.1 原始土壤光谱特性

将选出的39个土样分为四组，每组分别为10、10、10、9个土样，获得不同全氮含量土壤在350～2 500 nm波长的光谱反射率曲线，结果表明，在350～800 nm波段整体反射率较低，曲线总体上呈上升趋势。在此波段随着波长的增加，光谱反射率增加，坡度较陡，斜率变化大，未有突出的波峰和波谷；在800～1 800 nm波段反射率呈平稳增加趋势；到达1 800 nm波段附近出现曲线的第一个波峰，光谱反射值为0.35～0.44；紧接着光谱反射率下降，在1 910 nm波长附近，出现曲线的波谷，光谱反射率大致为0.30～0.38；随后随波长增加，光谱反射率出现第二次急剧上升，到达2 138 nm波长附近，出现第二次高峰，光谱反射率为0.34～0.50不等；随后在波长增加过程中反射率下降。图1

注：(a)全氮含量为0.15～0.40 g/kg；(b)全氮含量为0.42～0.64 g/kg；(c)全氮含量为0.67～0.91 g/kg；(d)全氮含量为0.93～1.22 g/kg

Note: (a)Total nitrogen content was 0.15-0.40 g/kg; (b) Total nitrogen content was 0.42-0.64 g/kg; (c)Total nitrogen content was 0.67-0.91 g/kg; (d) Total nitrogen content was 0.93-1.22 g/kg

图1 不同全氮含量土壤光谱特性

Fig.1 Spectral characteristics of soil with different total nitrogen content

当全氮含量在0.15～0.40 g/kg时，反射率最大为全氮含量在0.40 g/kg，波长在2 140 nm，反射率为0.43；当全氮含量在0.42～0.64 g/kg，最大反射率为全氮含量0.61 g/kg，在波长为2 131 nm，反射率为0.50；当全氮含量在0.67～0.91 g/kg，其光谱反射率最大值也为0.50，对应全氮含量为0.69 g/kg，波长为2 133 nm；当全氮含量在0.93～1.22 g/kg，其光谱反射率的最大值为0.45，全氮含量为1.04和1.08 g/kg，最大反射率波长为1 710 nm。可以看出，全氮含量高时的光谱反射率并不一定高，土壤全氮含量与原始光谱反射率没有很好的变化规律。

2.2 光谱数据处理与特征波段的获取

赖宁[16]在利用高光谱数据对土壤含盐量研究时提出，原始光谱数据的预测建模较差，通过对土壤光谱反射率进行一阶微分和二阶微分变换，土壤盐分和光谱反射率的相关性和敏感性得到增强。印影[17]在黑土有机质含量的高光谱估测中得到结论，在对光谱数据进行多元回归建模时，光谱反射率一阶微分及连续统去除一阶微分的建模效果较好，因变量为有机质含量的对数形式时，模型的预测精度有了明显提高。因此，研究对土壤原始光谱反射率进行一阶微分、二阶微分变换，并分别分析变换后数值与土壤全氮含量的相关性，提取全氮含量的光谱敏感波段，研究表明，原始光谱反射率与土壤全氮含量之间存在一定的相关性，但相关性较低。两者的相关系数在2 490 nm处达到最大负相关，相关系数为-0.33；在1 089 nm处达到最大的正相关，相关系数为0.21。经过一阶微分处理后，数据的相关性有了不同程度的提高，在626～896 nm、1 412～1 417 nm波长处相关性达到了0.7以上，在677 nm处，全氮含量与光谱反射率存在最大正相关，相关系数可达0.82，而在1 414 nm处，全氮含量与光谱反射率有最大负相关，相关系数为-0.74，经检验均达到极显著相关。经过二阶微分处理的数据相关性较原始光谱数据有了一定提高，二阶微分处理的最大正相关性出现在波长为1 423 nm处，最大值为0.55；最大负相关性在540 nm波长处，相关系数为-0.60。图2

土壤光谱一阶微分处理的相关性明显高于原始光谱和二阶微分处理，筛选出波长667和1 414 nm作为土壤全氮含量反演的特征波段。

2.3 建模与检验

将选取的39个土样分为两组，其中29个建模数据，10个作为模型检验，利用筛选出的光谱特征波段667和1 414 nm，建立光谱反射率与全氮含量的数据模型。研究表明，在各个波长建立模型，其中线性模型效果最好，当波长为667 nm，线性模型的R2值为0.63，波长为1 414 nm时，线性模型R2值为0.54，与667和1 414 nm各种模型R2值相比，结合667和1 414 nm波长的二元回归方法得到的R2值明显提高，可以达到为0.75。在此情况下得到回归方程为

Y=2 698.048X667-1 062.149X1 414-0.015.

其中，Y为全氮含量，X667为在667nm波长时光谱反射率的一阶微分，X1 414为在1 414 nm波长时光谱反射率的一阶微分。相关系数为0.87。表2

图2 土壤全氮含量与光谱反射率相关性

Fig.2 Correlation between soil total nitrogen content and spectral reflectance

表2 不同建模方法相关性(R2)比较

Table 2 Determination coefficients of different modeling methods

波长Wavelength线性函数Linearfunction(R2)指数函数Exponentialfunction(R2)对数函数Logarithmicfunction(R2)幂函数Powerfunction(R2)667nm0630600610601414nm054—048—667+1414nm075———

将检验数据代入预测模型方程，分别得到对应全氮含量的预测值，并进行比较，结果表明，对比预测值和实测值，可知当全氮含量过大或过小时，预测值的误差相对较大，在全氮含量为0.23 g/kg时，误差为0.25 g/kg，全氮含量为1.22 g/kg时，误差为0.35 g/kg，但是当全氮含量在0.32～1.04 g/kg时，预测值的相对误差比较小，模型的预测结果较好，其R2值可达0.80，即模型具有一定适用性，在一定程度上可以预测土壤全氮含量。图3

图3 预测模型验证

Fig.3 Validation of prediction models

3 讨 论

张娟娟等[18]在土壤的全氮含量光谱特性分析中，提出土壤全氮含量的最敏感波段为近红外872和1 482 nm两个波段；吴明珠等[19]利用高光谱遥感技术对土壤全氮进行高光谱测定，认为亚热带红壤全氮的敏感光谱波段为可见光634～688 nm和红外872、873和1 414 nm 。彭杰等[20]在对土壤全氮进行预测时表明所有预测模型中，以895、1 079、1 138、1 149、2 163、2 183、2 336和2 337 nm波段反射率的一阶微分，建立的多元逐步回归模型为最佳模型。研究针对新疆灰漠土壤全氮含量进行高光谱特征提取和预测表明，筛选的特征波长(667和1 414 nm)与上述研究所得结果相近，一阶微分处理后与土壤全氮含量具有较好的相关性[18]。

土壤的基本特征之一是反射光谱特性，它与土壤的理化性质有着密切的关系。不同类型的土壤，由于理化性质不同，其光谱特征也不同[21]。研究中在对预测模型验证时发现，当土壤中全氮含量过高时，其预测误差也增大，这或许是由于土壤中全氮含量高，有机质含量也较高[22]，而土壤有机质是土壤养分有效性以及土壤生物多样性的重要因素，有机质含量高时对土壤反射光谱的吸收较强[23]，从而增大了高光谱估测全氮含量的误差[24]。土壤光谱反射特性是土壤中多种属性的综合表现，当土壤全氮含量较低时，光谱反射特性或许更多的是对土壤类型[18]、粒径组成[25]、盐分含量[26]、阳离子交换量[27]等信息的响应，从而大大降低了光谱反射数值与土壤全氮含量的相关性，这与Vohland等的研究结果相似，当去除研究样本中最大和最小数值后，利用光谱特征预测土壤有机碳含量的精度有较大提高。

4 结 论

4.1 土壤全氮含量的光谱反射率在780、1 800和2 140 nm波长左右出现波峰，在1 910 nm左右有明显的波谷。当全氮含量为0.61和0.69 g/kg，光谱反射率最大为0.50，当全氮含量最大为1.22 g/kg时，光谱反射率为0.36，全氮含量与原始光谱反射率相关性较差。

4.2 对不同全氮含量土壤光谱反射率进行数据变换，比较原始光谱反射率、一阶微分和二阶微分变换后的相关关系发现：原始光谱反射率与全氮含量最大相关系数为-0.33，二阶微分最大相关系数为-0.605，而一阶微分变换数据达到极显著相关，其相关性系数为0.82。

4.3 筛选出光谱特征波段667和1 414 nm，构建土壤全氮含量的高光谱预测模型为：Y=2 698.048X667-1 062.149X1 414-0.015，R2值为0.75，检验R2值为0.80，模型估测全氮含量精度较高。

References)

[1] 鲍士旦,江荣风,徐国华,等. 土壤农化分析[M].北京:中国农业出版社,2013.

BAO Shi-dan, JIANG Rong-fen, XU Guo-hua, et al. (2013).Agrochemicalsoilanalysis[M]. Beijing: China Agriculture Press.(in Chinese)

[2]李民赞,郑立华,安晓飞,等. 土壤成分与特性参数光谱快速检测方法及传感技术[J]. 农业机械学报,2013,(3):73-87.

LI Ming-zhan, ZHENG Li-hua, AN Xiao-fei, et al. (2013). Fast measurement and advanced sensors of soil parameters with NIR spectroscopy [J].TransactionsoftheChineseSocietyofAgriculturalMachinery, (3):73-87. (in Chinese)

[3]王凤花,张淑娟. 精细农业田间信息采集关键技术的研究进展[J]. 农业机械学报,2008,(5):112-121.

WANG Feng-hua, ZHANG Shu-juan. (2008). Research progress of the farming information collections key technologies on precision agriculture [J].TransactionsoftheChineseSocietyofAgriculturalMachinery, (5):112-121.(in Chinese)

[4] Kuang, B., & Mouazen, A. M. (2013). Non-biased prediction of soil organic carbon and total nitrogen with vis-nir spectroscopy, as affected by soil moisture content and texture.BiosystemsEngineering, 114(3):249-258.

[5] Farago, A. A., Biro, J., Henk, T., & Boda, M. (2011). Comparing different multivariate calibration methods for the determination of soil organic carbon pools with visible to near infrared spectroscopy.Geoderma,166(1):198-205.

[6] Ge, Y., Morgan, C. L. S., & Ackerson, J. P. (2014). Visnir spectra of dried ground soils predict properties of soils scanned moist and intact.Geoderma, s 221-222(2):61-69.

[7] Debaene, G., Niedwiecki, J., Pecio, A., & urek, A. (2014). Effect of the number of calibration samples on the prediction of several soil properties at the farm-scale.Geoderma, s 214-215(2):114-125.

[8] Jiyong, S., Xiaobo, Z., Xiaowei, H., Jiewen, Z., Yanxiao, L., & Limin, H., et al. (2013). Rapid detecting total acid content and classifying different types of vinegar based on near infrared spectroscopy and least-squares support vector machine.FoodChemistry, 138(1):192-199.

[9] Shi, T., Chen, Y., Liu, Y., & Wu, G. (2014). Visible and near-infrared reflectance spectroscopy-an alternative for monitoring soil contamination by heavy metals.JournalofHazardousMaterials, 265(2):166-176.

[10] Ramirez-Lopez, L., Behrens, T., Schmidt, K., Stevens, A., Demattê, J. A. M., & Scholten, T. (2012). The spectrum-based learner: a new local approach for modeling soil vis-nir spectra of complex datasets.Geoderma, 195-196(1):268-279.

[11] Ramirez-Lopez, L., Schmidt, K., Behrens, T., Wesemael, B. V., Demattê, J. A. M., & Scholten, T. (2014). Sampling optimal calibration sets in soil infrared spectroscopy.Geoderma, s 226-227(4):140-150.

[12]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,(2):176-179.

LI Jie, ZHANG Xiao-chao, YUAN Yan-wei, et al. (2012). Analysis of soil nutrient content based on near infrared reflectance spectroscopy in Beijing region [J].JournalofCSAE, (2):176-179.(in Chinese)

[13]田永超,张娟娟,姚霞,等.基于近红外光声光谱的土壤有机质含量定量建模方法[J].农业工程学报,2012, (1):145-152.

TIAN Yong-chao, ZHANG Juan-juan, YAO xia, et al. (2012). Quantitative modeling method of soil organic matter content based on near-infrared photoacoustic spectroscopy [J].JournalofCSAE, (1):145-152. (in Chinese)

[14]陈丽琼. 比重计法测定土壤颗粒组成的研究[J]. 环境科学导刊,2010,(4):97-99.

CHEN Li-qiong. (2010).Research on structure of soil particle by hydrometer method [J].EnvironmentalScienceSurvey, (4):97-99. (in Chinese)

[15]彭杰,王家强,向红英,等. 土壤含盐量与电导率的高光谱反演精度对比研究[J]. 光谱学与光谱分析,2014,(2):510-514.

PENG Jie,WANG Jia-qiang, XIANG Hong-ying, et al. (2014). Comparative study on hypersprctral inversion accuracy of soil salt content and electrical conductivity [J].SpectroscopyandSpectralAnalysis, (2):510-514.(in Chinese)

[16]赖宁. 基于高光谱数据的开都河流域下游绿洲盐渍化土壤表层含盐量估算模型对比研究[D].新疆师范大学,2013:25-29.

LAI Ning. (2013).Comparisonofsaltcontentestimationmodelsofsurfacesalinizedsoilbasedonhyper-spectraldatainthelowerreachesofKaiduRiverBasin[D]. Master Dissertation. Xinjiang Normal University, Urumqi: 25-29. (in Chinese)

[17]印影. 黑土有机质含量的高光谱估测模型研究[D].长春：吉林大学硕士论文,2015:21-33.

YIN Ying. (2015).StudyonHyper-SpectralModelsforPredictingBlackSoilOrganicMatterContent[D]. Master Dissertaion. Jilin University, Changchun: 21-33. (in Chinese)

[18]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,(5):881-890.

ZHANG Juan-juan, TIAN Yong-chao, YAO Xia, et al. (2011). Estimating soil total nitrogen content based on hyperspectral analysis technology[J].JournalofNaturalResources, (5):881-890. (in Chinese)

[19]吴明珠,李小梅,沙晋明. 亚热带红壤全氮的高光谱响应和反演特征研究[J]. 光谱学与光谱分析,2013,(11):3 111-3 115.

WU Ming-zhu, LI Xiao-mei, SHA Jin-ming. (2013). Spectral inversion models for red soil total nitrogen content in subtropical region[J].SpectroscopyandSpectralAnalysis, (11):3,111-3,115. (in Chinese)

[20]彭杰,向红英,周清,等. 不同类型土壤全氮含量的高光谱预测研究[J]. 中国农学通报,2013,(9):105-111.

PENG Jie, XIANG Hong-ying, ZHOU Qing, et al. (2013). Prediction on total nitrogen content in different type soils based on hyperspectrum[J].ChineseAgriculturalScienceBulletin, (9):105-111.(in Chinese)

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

XU Bin-bin. (2000). Study on the reflection spectrum of soil profile [J].Soil, (6):281-287.(in Chinese)

[22]李东,王子芳,郑杰炳,等. 紫色丘陵区不同土地利用方式下土壤有机质和全量氮磷钾含量状况[J]. 土壤通报, 2009, 40(2):310-314.

LI Dong, WANG Zi-fan, ZHENG Jie-bing, et al. (2009). Contents of soil organic matter, nitrogen, phosphorus and potassium under different land-use patterns in purple hill area [J].SoilBulletin, 40 (2):310-314. (in Chinese)

[23] 祁亚琴,吕新,邵玉林,等. 基于高光谱数据的土壤有机质含量预测研究[J]. 新疆农业科学, 2014, 51(7):1 300-1 305.

QI Ya-qin, LÜ Xin, SHAO Yu-lin, ,et al. (2014). Study on soil organic matter content estimated model by hyperspectral remote sensing data [J].XinjiangAgriculturalSciences, 51(7):1,300-1,305. (in Chinese)

[24]张娟娟,田永超,朱艳,等. 不同类型土壤的光谱特征及其有机质含量预测[J].中国农业科学, 2009, 42(9):3 154-3 163.

ZHANG Juan-juan, TIAN Yong-chao, ZHU Yan, et al. (2009). Spectral characteristics and estimation of organic matter contents of different soil types [J].ScientiaAgriculturaSinica, 42 (9):3,154-3,163.(in Chinese)

[25] 马创,申广荣,王紫君,等. 不同粒径土壤的光谱特征差异分析[J]. 土壤通报, 2015, 46(2): 292-298.

MA Chuang, SHEN Guang-rong, WANG Zi-jun, et al. (2015). Analysis of Spectral Characteristics for Different Soil Particle Sizes [J].SoilBulletin, 46 (2):292-298.(in Chinese)

[26] 彭杰,刘焕军,史舟,等. 盐渍化土壤光谱特征的区域异质性及盐分反演[J]. 农业工程学报, 2014,30(17):167-174.

PENG Jie,LIU Huang-jun, SHI Zhou, et al. (2014). Regional heterogeneity of hyperspectral characteristics of salt-affected soil and salinity inversion[J].JournalofCSAE,30 (17):167-174. (in Chinese)

[27] 魏昌龙,赵玉国,李德成,等. 基于相似光谱匹配预测土壤有机质和阳离子交换量[J]. 农业工程学报, 2014, 30(1):81-88.

WEI Chang-long, ZHAO Yu-guo, LI De-cheng, et al. (2014). Prediction of soil organic matter and cation exchange capacity based on spectral similarity measuring [J].JournalofCSAE, 30(1):81-88. (in Chinese)

Fund project:gray desert soil; total nitrogen content; hyperspectral inversion

Hyperspectral Characteristic Analysis and Estimation of Total Nitrogen Content in Grey Desert Soil

LIU Fan, MA Ling, YANG Guang,CHEN Jian-hua, MA Xue-lian,WANG Hai-jiang

(DepartmentofResourcesandEnvironmentalScience,ShiheziUniversity,ShiheziXinjiang832000,China)

【Objective】 To solve the traditional soil total nitrogen determination methods such as complexity, time-consuming, energy consumption and other issues.【Method】Gray desert soil in Xinjiang was taken as our research object to study the spectral reflection characteristics of different soil total nitrogen and by using classical statistical and spectroscopy method, the remote sensing inversion models of soil total nitrogen were established and validated in the study area.【Result】The results indicated that the content of total nitrogen in soil was similar to those of different spectral reflectance. The spectral reflectance of the soil appeared near 780, 1,800 and 2,140 nm wavelength. There was obvious absorption valley in the vicinity of 1,910 nm and the correlation between the total nitrogen content in soil and the original spectral reflectance was poor. The determination coefficients of first-order differential processing to original spectral reflectance were higher than original spectral reflectance and second order differential, the maximumR2was 0.819, reaching a very significant correlation; By using the first order differential transform to extract the characteristic bands 667 and 1,414 nm, the estimation model of soil total nitrogen content was established, they were:Y=2,698.048X667-1,062.149X1414-0.015. TheR2was 0.75; The estimation model validation found that theR2was 0.80. When the total nitrogen content was too large or too small, the model estimation error was relatively large, and the overall prediction accuracy was quite high. The results has provided a theoretical basis to improve hyperspectral remote sensing monitoring accuracy of soil nitrogen.【Conclusion】High spectral analysis technique has certain significance for prediction of soil total nitrogen content and rapid identification of soil total nitrogen content by using the estimation model can be achieved.

gray desert soil; total nitrogen content; hyperspectral inversion

2016-10-13

国际科技合作项目(2015DFA11660)；国家大学生创新创业训练计划项目(201610759002)；石河子大学校级项目(RCZX201522，SRP2016012)

刘凡(1996-)，男，山西人，本科，研究方向为土壤养分光谱预测，(E-mail)2680982212@qq.com

王海江(1980-)，男，河南人，副教授，博士，研究方向为绿洲农业水土资源高效利用，(E-mail)whj-219@163.com

10.6048/j.issn.1001-4330.2017.01.018

S158.2

A

1001-4330(2017)01-0140-08