土壤水与有机质对高光谱的作用及交互作用规律

尚璇，李西灿，徐邮邮，刘莎莎

（山东农业大学信息科学与工程学院，山东泰安 271018）

土壤水与有机质对高光谱的作用及交互作用规律

尚璇，李西灿，徐邮邮，刘莎莎

（山东农业大学信息科学与工程学院，山东泰安 271018）

【目的】定量揭示土壤水分与有机质对高光谱的作用规律，为提高土壤水分、有机质的光谱估测精度提供基础。【方法】以山东省泰安市岱岳区90个棕壤土样为研究对象，进行室外光谱采集、室内土壤水分和有机质测定，运用Savitzky-Golay filter对光谱曲线进行平滑去噪预处理。根据含水量、有机质含量的高低将土壤样本分为9组，运用比较法对9组原始光谱数据进行分析，初步探究土壤水、有机质对光谱的作用规律。然后采用相关分析法，分析水、有机质与土壤原始光谱反射率（raw spectral reflectance，R）、光谱一阶微分变换（first order differential reflectance，D（R））以及分组光谱的相关性。在假定其他影响因素基本相同的条件下，利用有交互作用的双因素方差分析法，定量分析水、有机质对土壤光谱反射率、光谱一阶微分的作用程度及其交互作用。根据土壤水与有机质的交互作用规律，按相关系数较大而交互作用小的原则选取特征因子，采取偏最小二乘回归模型建立土壤有机质含量的高光谱估测模型，分析依据两者交互作用规律选取的因子对提高光谱估测模型精度的有效性。【结果】在田间持水量范围内，水对土壤光谱反射率影响起主要作用；水与有机质对土壤光谱客观存在交互作用，当土壤含水量小于10%时，600—1 800 nm的原始光谱能较好反映有机质的作用，而当土壤含水量大于 15%时，有机质的作用几乎被水的作用所掩盖。水、有机质对土壤原始光谱的作用及其交互作用分别在 360—1 800，410—1 800，509—1 800 nm达到显著水平，且三者均在1 951—2 450 nm达到显著水平（α=0.05）；对土壤光谱的作用程度由大到小依次为：水、有机质、交互作用；在425—1 800 nm水对土壤光谱的作用大约是有机质的5—8倍，在1 950—2 300 nm为8—12倍；在350—2 500 nm有机质对土壤光谱的作用大约是水与有机质交互作用的2倍。光谱经一阶微分变换之后，在450—530、600—790、1 019—1 027、2 000—2 020以及2 045—2 075 nm土壤水的作用增强，而在其他波段处减弱；土壤有机质的作用在471—824、851—949、967—1 140、1 172—1 340、1 379—1 428、1 450—1 770、1 953—2 122、2 174—2 199以及2 271—2 342 nm处得到增强，而在其他波段处减弱。水与有机质的交互作用也在不同波段处有所变化，但相对于土壤水与有机质的作用变化幅度而言是相对减弱的。基于土壤水与有机质的交互作用规律选取的特征因子，所建立的土壤有机质高光谱估测模型精度有所提高，其中16个检验样本的决定系数R2由不考虑交互作用的0.6764提高到0.7934。【结论】研究表明，在反演土壤含水量时，可以不考虑有机质对光谱的影响；而在反演有机质含量时，必须要剔除水对反射率的影响，还要考虑水与有机质对光谱的交互作用。考虑水与有机质对土壤光谱的交互作用，可有效提高土壤有机质的光谱估测精度。

高光谱；有机质；含水量；方差分析；交互作用

0 引言

【研究意义】有机质与含水量是土壤的重要组成部分，是表征土壤肥力的重要指标。常规实验室测定方法费时且成本较高，无法满足大区域、快速有效监测的需求，而波段多、信息丰富的高光谱技术为解决这一问题提供了一种新途径。【前人研究进展】借助高光谱技术定量研究土壤有机质和含水量始于 20世纪60年代。众多学者对土壤有机质、含水量与反射光谱之间的关系[1-5]、土壤反射光谱特性[6-8]、光谱数据变换方法[9-10]、有机质与含水量敏感波段[11-14]和定量反演建模方法[15-24]等进行了深入研究，取得了显著成果。前人研究表明，不仅土壤水和土壤有机质的含量变化能够导致光谱的差异[25]，土壤母质、质地、含铁量、耕作方式等因素同样会影响到土壤反射光谱[26]。光谱测量不可避免地存在不确定性[27]。这种不确定性主要表现在数据误差出现的随机性、数据大小划分上的模糊性、数据内涵上的灰色性，且其影响水与有机质的光谱估测精度。【本研究切入点】影响土壤光谱特性的因素众多，且其交互作用复杂，在进行光谱分析时无法考虑所有因素。目前大部分研究都针对单因素进行探讨，这在研究土壤成分变化不大或是人工制备的土样时具有一定的可行性，而在研究区跨度较大、研究区土壤成分差别较大时，实用性会大大降低，因此研究主要因素、次要因素对土壤光谱的作用及其交互作用规律是非常必要的。【拟解决的关键问题】在成土母质、土壤类型等因素基本相同的条件下，水分是影响土壤反射光谱的主要因素，对土壤有机质光谱估测影响较大。因此，本文基于实验数据，按照水、有机质含量将样品分成若干组，利用光谱分析、相关性分析和有交互作用的方差分析方法探究分组间的性质差异，寻找土壤水、有机质对光谱反射率的作用及其交互作用规律，为建立高精度的土壤水、有机质光谱估测模型提供基础。

1 材料与方法

1.1 土样采集

土样采集工作于2014年3月在泰安市岱岳区周边进行。泰安市岱岳区位于山东省中部、泰山脚下，北纬35°52′—36°28′、东经116°50′—117°29′，地势北高南低，东高西低，地貌类型多样，山地、丘陵、平原各占三分之一。设置采样区20个，覆盖了林地、草地、麦田、果园等，主要土壤类型为棕壤。棕壤又名棕色森林土，是在湿润暖温带落叶阔叶林下形成的土壤，其主要特征是呈微酸性反应，成土母质多为酸性母岩风化物。土样采集时随机取样，使用取土铲垂直于地面入土取样，采样深度约20 cm，同步使用GPS仪定位，共采集土样90个。

1.2 数据获取

将每个土样分为两份，一份用于实验室化验，一份用于光谱采集。

土样含水量使用质量法测定，有机质含量采用重铬酸钾-外加热法测定，数据统计特征如表1所示。

表1 样本含水量及有机质含量特征统计Table 1 The statistical features of soil indicators

光谱测量时，选择晴朗无风的天气，利用 ASD FieldSpec Pro地物光谱仪进行室外光谱采集，其波长范围为350—2 500 nm，光谱采样间隔为1.4 nm（250—1 000 nm）和2 nm （1 000—2 500 nm），重采样间隔1 nm，输出波段数2 151。光谱采集时，探头视场角设置为5°，与土样距离15 cm，每个土样采集10次，取其平均值作为该土样反射率。光谱反射曲线如图1所示。因1 800—1 950 nm的光谱曲线存在严重噪声，予以剔除。

图1 原始光谱反射曲线Fig. 1 Raw spectral reflection curve

1.3 光谱去噪

由于光谱仪在不同波段对能量响应的差异，光谱曲线存在大量噪声，光谱曲线平滑程度较差。先利用ASD FieldSpec Pro地物光谱仪自带的ViewSpecPro软件进行光谱去除跳跃处理，然后采用9点加权移动平均法[28]继续去除噪声，增加信噪比。

1.4 研究方法

本研究是根据野外采集的棕壤数据分析的。棕壤的田间持水量较高，达到25%—30%。而本文采集的数据水分含量最大为19.90%，小于田间持水量，所以在分组时不用考虑田间持水量的影响。根据实验数据，按照含水量高、中、低分为3组，在组内按有机质含量高、中、低再分为3组，为了便于方差分析，应尽可能的保证各组的样本数量大致相同，从而形成了不同含水量和不同有机质含量的9组数据。分组涵盖了含水量以及有机质含量从高到低排列的所有样本，如表2所示。

通过对比不同水、有机质含量样本间的光谱差异以及相关性分析，初步探究土壤水、有机质对光谱作用规律，然后在假定其他影响因素基本相同的条件下，利用有交互作用的双因素方差分析法，定量分析二者对土壤光谱反射率的作用程度及其交互作用。

表2 样本分组统计Table 2 Sample grouping and statistics

考虑水与有机质对土壤光谱的交互作用，按相关系数较大且交互作用较小的原则，选择特征因子，利用多元线性回归方法建立土壤有机质光谱估测模型，并检验模型的有效性。

2 结果

2.1 组分光谱特性分析

土壤反射光谱特性是对土壤有机质、土壤类型、土壤质地和土壤湿度等因素的综合响应。取90个样本反射率的平均值，其光谱曲线如图2所示。

图 2 平均反射率光谱曲线Fig. 2 The average spectral reflection curve

从图2可见，光谱从400—800 nm反射特性增加较快，800—1 350 nm增速放缓，在2 100 nm之后逐渐下降。因690—930 nm波段是铁氧化物的主要吸收区[29]，所以800 nm附近的小吸收谷是铁的氧化物吸收造成的，1 380和1 900 nm（1 800—1 950 nm被剔除）处有强烈的水吸收谷，这与土壤中所含的OH-有关。受采集条件以及仪器指标限制，1 800—1 950 nm与2 400 nm之后的波段出现了严重的噪声。这与已有研究结果相符。

为对比分析土壤水与有机质对光谱的作用规律，根据表2的分组，将9个组的平均光谱同时呈现在同一图中（图3）。由图3可见，9条光谱曲线明显分为3大类，9条光谱曲线基本按照含水量越高光谱反射率越低的规律分布，尤其是在600—1 800 nm、2 100—2 300 nm含水量对反射光谱均有较好的响应，呈现乘幂函数关系，如在1 300 nm处，2R=0.9711。相对土壤水含量，土壤有机质对反射光谱的作用总体上较微弱，光谱曲线因有机质的变化而导致的反射率差异十分有限，仅当土壤含水量低于10%时，在600—1 800 nm、2 100—2 300 nm范围内土壤有机质的作用才较为明显；而当土壤含水量高于10%时，又体现出土壤水与有机质的相互影响，如当含水量约为13%时，有机质含量2.02%的土壤反射率高于1.41%的土壤反射率。当土壤含水量大于15%时，有机质的作用几乎被水的作用所掩盖。限于篇幅，更细致的分组光谱特性分析不再赘述。

2.2 相关性分析

根据表2分组情况，计算不同有机质含量水平下水与光谱反射率的相关系数，以及不同含水量水平下有机质与光谱反射率的相关系数，结果如图 4—5所示。

图4为原始光谱及其一阶微分（Δλ=10 nm）变换与含水量的相关性曲线。对于原始光谱，当有机质含量为1.11%—1.69%时，含水量与光谱反射率相关性较高，380 nm之后的相关性皆大于0.6，在800—1 380 nm以及1 500—1 800 nm相关性大于0.8；当有机质含量达到1.72%—2.29%时，相关性有所下降；升高到2.31%—3.39%时，有机质对光谱的影响开始显现，570 nm之前相关性由 0.6一直下降至 0，其他波段相关性在0.4左右，但在900 nm与1 100 nm两处水吸收峰，相关性明显高于附近波段，1 380 nm附近的水强吸收峰，相关性达到了0.6以上。

图 3 不同有机质（SOM）、含水量（W）土壤反射光谱曲线Fig. 3 The soil reflectance curves of different organic matter (SOM) and water content (W)

图 4 原始光谱R及一阶微分光谱R′与含水量相关性曲线Fig. 4 The original spectra R and the first derivative spectra R′ correlation curves of water content

从图4可见，总体上在600—1 800 nm、2 100—2 300 nm范围内，土壤含水量与光谱反射率的相关性随有机质含量的升高而逐渐降低。有机质含量的增加，减弱了土壤水对光谱的作用效应[30]。

对于一阶微分变换光谱与含水量相关系数曲线，总体上也呈现随有机质含量的升高，相关性降低的规律。相较原始光谱而言，经一阶微分变换之后的相关性在某些波段处得到增大，在1 400 nm附近水的吸收峰处，有机质含量不同时，水的相关系数曲线大致重合且相关性较高，达到0.6，说明在此波段处，水几乎完全掩盖了有机质对光谱的作用。

图5 原始光谱R及一阶微分光谱R′与有机质相关性曲线Fig. 5 The original spectra R and the first derivative spectra R′ correlation curves of organic matter

图5为原始光谱及其一阶微分变换与有机质的相关性曲线。对于原始光谱，当含水量低于11.42%时，光谱在500 nm之前受仪器指标限制，与有机质的相关性在-0.15—-0.30之间；500—750 nm相关性持续增加，750—1 300 nm稳定在-0.45左右；在1 400 nm附近的水吸收敏感波段，相关系数骤降，最小相关系数仅有-0.26；1 500—1 800 nm处的相关性有所增加，但仍比1 300 nm之前的小；在1 950 nm之后近红外区的相关性和之前可见光部分相比较弱，数值上总体小于0.30，且相关性呈现出先增强后减弱的趋势。相关系数在全部波段上都呈现负值，符合光谱反射率与有机质含量呈现负相关的规律。

当含水量升高到11.60%—14.97%时，由于水对有机质光谱的影响加剧，总体上相关性呈现下降趋势。但曲线的整体走势与含水量低于 11.42%的曲线相类似，波长350—500 nm相关系数小于-0.10；500 nm之后相关性开始增加，相关系数最高出现在1 135 nm，为-0.235；1 300—1 800 nm的规律与之前类似；1 950 nm处相关性已经非常微弱，相关系数在0附近。

当含水量达到15.07%—19.90%时，水几乎完全掩盖了有机质对光谱的作用，相关系数曲线走势与之前2组的光谱完全不同。350—750 nm及1 950 nm之后的位置出现正相关，这不但与有机质和光谱反射率的作用规律相悖，也不同于水和光谱反射率的作用规律；其他波段的相关性在都在0附近。

对比图4和图5，从含水量、有机质与原始光谱的相关性可见，土壤水对光谱的作用大于有机质，含水量和有机质对原始光谱的交互作用是客观存在的。总体上在600—1 800 nm、2 100—2 300 nm范围内，随着含水量的增大，有机质与原始光谱的相关性减小，反之亦然。这与图3中的分组光谱特性分析结果相符。

从图5可见，一阶微分变换光谱与含水量相关系数曲线，大致也呈现出随有机质含量的升高，含水量与反射率的相关性降低的规律。相较原始光谱而言，经一阶微分变换之后的相关性在某些波段处得到增大，在某些波段处却减小。

2.3 方差分析

方差分析是数理统计中具有广泛应用的基本方法之一，它的的实质是在多个正态总体等方差的假设下，检验各总体均值是否相等的假设检验问题[31]。将土壤含水量与有机质含量作为两个因素，利用双因素方差分析法，探讨当两者状态变化时是否会导致光谱反射率指标的变化，从而探讨它们对光谱反射率的影响。

由于不同水平的样本数量难以控制，本文采用不等次数重复试验双因素方差分析方法[32]对每个波段的反射率值进行方差分析。试验因素A表示含水量，因素B表示有机质含量，因素各水平如表3所示。F统计量曲线结果如图6所示。

图6中，F(W)表示水对土壤光谱的F统计量，F(SOM)表示有机质对土壤光谱的F统计量，F(WO)表示水与有机质的交互作用对土壤光谱的 F统计量。图6通过F统计量表示了土壤水、有机质及其交互作用对土壤光谱反射率的影响程度，且由大到小依次为：水、有机质、交互作用。3条F统计量的曲线形状基本相似，但F统计量值随波长的变化速率不同。350—500 nm作用较弱；500—1 350 nm作用程度随波长的增大逐步增强，其中在 900 nm与1 100 nm两个水吸收峰处，作用程度有所加剧；受空气中水分影响，在1 380nm波段附近的水作用最为强烈；而在1 380—1 450 nm作用程度下降剧烈，1 450—1 800 nm作用程度再次逐步升高；2 200 nm附近也出现了一个峰值，但作用程度相对变小。

表 3 因素水平表Table 3 Factor level

图 6 水、有机质及其交互作用的F统计量曲线Fig. 6 F statistic curves of water, organic matter and their interaction

为了定量表达水、有机质在各个波段的相对影响程度，分别对水与有机质、有机质与交互作用的F统计量进行了比值处理，而水与交互作用两者差距较大，不再进行直接比较。结果如图7所示。

从图7可见，在425—1 800 nm处，水对土壤光谱的作用大约是有机质的5—8倍，在1 380 nm处是有机质作用的5倍，而在1 950 nm—2 300 nm 处，水对土壤光谱的作用大约是有机质的8—12 倍。所以有机质对水的光谱响应影响不大，在反演含水量信息时可以忽略其影响。但在反演有机质时，必须剔除水对光谱的影响。

图7 F统计量比值曲线Fig. 7 F statistic ratio curve

有机质对反射率的作用是交互作用的2倍左右，在波段950、1 140以及1 380 nm处均略有增加，都出现在水吸收峰的位置，在这些波段处，水对光谱反射率的影响较大。所以在反演有机质时，不但要剔除水对反射率的影响，而且需要考虑水与有机质的交互作用对反射率的影响。

将原始光谱数据作一阶微分变换后，再次进行方差分析，结果如图8所示。

图 8 一阶微分变换前后F统计量对比曲线Fig. 8 The comparison curves of F statistics before and after the first order differential transformation

图8中，W(R′)、SOM(R′)、WO(R′)分别表示原始光谱数据一阶微分变换后水、有机质、水与有机质交互作用的F统计量。通过方差分析，在显著性水平时，土壤水、有机质、交互作用以及残差的自由度分别为 2、2、4、801，F统计量临界值分别为由原始光谱数据所求取的土壤水、有机质及其交互作用的F统计量得知：土壤水分在所有波段的作用均是显著的；有机质除在350—409 nm波段内作用不显著之外，在其余波段的作用均是显著的；两者的交互作用除了在350—508 nm波段内作用是不显著的，其余波段作用均显著。原始光谱数据经一阶微分变换之后再次求取三者的F统计量可知：土壤水分在绝大多数波段的作用仍是显著的，除在450—530、600—790、1 019—1 027、2 000—2 020、2 045—2 075nm增强外，其他波段相较对原始光谱作用均有所减弱；有机质在除471—824、851—949、967—1 140、1 172—1 340、1 379—1 428、1 450—1 770、1 953—2 122、2 174—2 199、2 271—2 342 nm波段内作用是显著的，其余波段作用均不显著；而两者的交互作用得到减弱，除了在473—544、572—921、940—953、961—994、1 005—1 101、1 170—1 293、1 464—1 680、1 961—2 025、2 039—2 121、2 272—2 289 nm波段内作用是显著的，其余波段作用均不显著。这在图8中均得到很直观的体现。

经过试验，光谱的其他函数的微分变换与原始光谱一阶微分变换有类似规律，鉴于篇幅，此处不再详述。

原始光谱数据一阶微分变换前后，与水的相关性变化如图9所示。

图 9 水与土壤光谱的相关性曲线Fig. 9 The correlation curve of water and soil spectra

从图9可见，土壤光谱经过一阶微分变换后，在460—540、600—790 nm可见光区域，水的相关性明显增强，这与方差分析结果是相吻合的，可以认为一阶微分有效减弱了噪声及空气中水分的影响。

在800—1 800、2 100—2 500 nm范围内，整体上水的相关性减弱，尤其是在水的强吸收峰 1 380、1 750、2 194 nm处两侧一定波长范围内，水的相关性几乎为零。但以水的强吸收峰为中心的一定波长范围内，相关系数由负相关变为正相关。在其他波段，一阶微分变换前后均为负相关。

从图8—9可见，在910、1 025、1 228nm的小的水吸收峰处，一阶微分有限地减弱了土壤水分的作用，且由于受室外测量光谱时土壤水分瞬间蒸发产生的噪声影响，所以仍呈现负相关，且相关性有所减弱。

2.4 有机质光谱估测精度分析

已有研究表明，土壤水分的高光谱估测可得到较为满意的结果，所以，本文主要建立有机质的光谱估测模型，验证依据水分及有机质的交互作用规律所选取的特征因子对提高有机质估测模型精度的有效性。根据相关分析剔除 3个异常样本，87个样本中 71个用于建模、16个用于预测检验。

对土壤光谱反射率数据进行不同形式的变换，在未考虑土壤水与有机质的交互作用时，按极大相关性原则选取特征因子，分别为建立PLSR模型估测土壤有机质，检验样本的决定系数为0.6764。有机质含量实测值与预测值的对比结果如图10所示。

考虑土壤水与有机质的交互作用时，按有机质的作用较大、水的作用相对较小且两者的交互作用较小的原则选取特征因子，分别为并以此为基础建立PLSR模型，得到检验样本的决定系数为 0.7934。有机质含量实测值与预测值的对比结果如图 11所示。

从图10和图11可见，考虑水与有机质对土壤光谱的交互作用，可有效提高土壤有机质的光谱估测精度。

图 10 未考虑土壤水与有机质交互作用时土壤有机质含量实测值与预测值散点图Fig. 10 Scatter plot between measured and predicted soil organic matters without considering the interaction

图 11 考虑土壤水与有机质交互作用时土壤有机质含量实测值与预测值散点图Fig. 11 Scatter plot between measured and predicted soil organic matters considering the interaction

3 讨论

研究结果表明，在田间持水量范围内，水、有机质含量与光谱反射率均呈现显著的负相关关系，其含量的增加均使土壤光谱反射率减小，这与前人的研究成果一致[33-36]，并且两者之中水对土壤反射率的影响起主要作用，1 380 nm与2 200 nm两处水吸收峰尤为明显。

经由分组相关性分析发现，当土壤含水量低于10%时，原始光谱能较好反映有机质的作用，但当土壤含水量大于15%时，有机质的作用几乎被水的作用所掩盖，此时原始光谱不宜用于有机质估测。

在成土母质、土壤类型等影响因素基本相同的条件下，水与有机质对土壤原始光谱的交互作用是客观存在的，并且对土壤光谱的作用程度从大到小依次为：水、有机质、交互作用，其中土壤含水量对土壤反射光谱起着主要作用，土壤有机质起次要作用。

经由方差分析发现，土壤原始光谱数据的一阶微分在某些波段不仅可有效减弱土壤水分、空气中水分等背景噪声对光谱的影响，同时也在可见光、近红外的某些波段，增强了水、有机质的作用而减弱了二者的交互作用。这是本次研究的新发现，可为选取有机质光谱反演因子提供有效指导。通过选取水作用及交互作用较弱，而有机质作用相对较强的波段作为估测因子，可有效提高土壤有机质含量的估测精度。

当在室外测量光谱时，土壤样本会产生水分瞬间蒸发，改变局部的空气湿度；虽然一阶微分在强吸收峰1 380、1 750、2 194 nm处两侧一定波长范围内几乎完全消除了土壤中水分的作用，但此时空气中水分产生的噪声不会完全消除，且呈现出土壤含水量越高，水分瞬间蒸发产生的噪声越强烈的规律。因此，在以水强吸收峰为中心一定波长范围内的相关系数由负相关变为正相关。又因为水强吸收峰中心处对噪声响应最敏感，所以1 380、1 750、2 194 nm处的正相关性为最大。在410—760 nm波段，因为土壤水分起主导作用，空气中水分产生的噪声相对较小，经一阶微分作用后有效减弱了空气中水分的作用，所以使土壤水分的作用相对增强，即负相关性得到增大。

本文研究结果为土壤光谱重采样、光谱特征选择以及研究土壤水、有机质光谱估测的新模型提供基础。但是由于试验条件限制，本研究仅是基于棕壤的初步研究结果，而基于不同土壤类型以及更多代表性样本的分析有待进一步的探讨。如何充分利用水与有机质对光谱的交互作用规律，采用新的光谱变换方法和建模方法进一步提高土壤有机质光谱估测精度[37]，还有待深入研究。

4 结论

本文基于山东省泰安市90个土样样本，在假设成土母质、土壤类型等因素基本相同的条件下，利用组分光谱分析、相关性分析和方差分析3种方法探究土壤水、有机质的光谱作用规律，通过对比水、有机质及交互作用对土壤光谱的作用程度，发现在反演含水量时可以不考虑有机质的作用及水与有机质的交互作用；而在反演有机质时，不仅要剔除水的作用，还需要考虑水与有机质对光谱的交互作用。试验结果表明，依据两者的交互作用规律并应用偏最小二乘回归分析方法可有效提高土壤有机质含量光谱估测模型的精度。

[1] WANG C K, PAN X Z, WANG M, LIU Y, LI Y L, XIE X L, ZHOU R, SHI R J. Prediction of soil organic matter content under moist conditions using Vis-NIR diffuse reflectance spectroscopy. Soil Science, 2013, 178(4): 189- 193.

[2] MINASNY B, MCBRATNEY A B, BELLON-MAUREL V, ROGER J M, GOBRECHT A, FERRAND L, JOALLAND S. Removing the effect of soil moisture from NIR diffuse reflectance spectra for the prediction of soil organic carbon, Geoderma, 2011, 167-168: 118 -124.

[3] LIU W D, BARET F, GU X F, TONG Q X, ZHENG L F, ZHANG B. Relating soil surface moisture to reflectance. Remote Sensing of Environment, 2002, 81(2): 238-246.

[4] MOUAZEN A M, DE BAERDEMAEKER J, RAMON H. Effect of wavelength range on the measurement accuracy of some selected soil properties using visual-near infrared spectroscopy. Journal of Near Infrared Spectros, 2006, 14(3): 189-199.

[5] TEKIN Y, TUMSAVAS Z, MOUAZEN A M. Effect of moisture content on prediction of organic carbon and pH using visible and near-infrared spectroscopy. Soil Science Society of America Journal, 2012, 76(1): 188-198.

[6] 朱永豪, 邓仁达, 卢亚非, 陈铭臻. 不同湿度条件下黄棕壤光谱反射率的变化特征及其遥感意义. 土壤学报, 1984, 21(2): 194-201.

ZHU Y H, DENG R D, LU Y F, CHEN M Z. Varying characteristics of spectral reflectivity in different humidities of yellow-brown earth and its significance in remote sensing. Acta Pedologica Sinica, 1984, 21(2): 194-201. (in Chinese)

[7] STENBERG B. Effects of soil sample pretreatments and standardised rewetting as interacted with sand classes on Vis-NIR predictions of clay and soil organic carbon. Geoderma, 2010, 158(1/2): 15-22.

[8] CECILE G, PHILIPPE L, GUILLAUME C. Regional predictions of eight common soil properties and their spatial structures from hyperspectral Vis-NIR data. Geoderma, 2012, 189-190: 176-185.

[9] KRISHNAN P, ALEXANDER J D, BUTLER B J, HUMMEL J W. Reflectance technique for predicting soil organic matter. Soil ScienceSociety of America Journal, 1980, 44(6): 1282-1285.

[10] CLOUTIS E A. Review Article Hyperspectral geological remote sensing: Evaluation of analytical techniques. Remote Sensing, 1996, 17(12): 2215-2242.

[11] 王昌佐, 王纪华, 王锦地, 赵春江, 刘良云, 王鹏新, 景娟娟. 裸土表层含水量高光谱遥感的最佳波段选择. 遥感信息, 2003(4): 33-36.

WANG C Z, WANG J H, WANG J D, ZHAO C J, LIU L Y, WANG P X, JING J J. The choice of best detecting band for hyperspectral remote sensing on surface water content of bare soil. Remote Sensing Information, 2003(4): 33-36. (in Chinese)

[12] GALVAL L S, VITORELLO Í. Variability of laboratory measured soil lines of soils from southeastern Brazil. Remote Sensing of Environment, 1998, 63(2): 166-181.

[13] 沙晋明, 陈鹏程, 陈松林. 土壤有机质光谱响应特性研究. 水土保持研究, 2003, 10(2): 21-24.

SHA J M, CHEN P C, CHEN S L. Characteristics analysis of soil spectrum response resulted from organic material. Research of Soil and Water Conservation, 2003, 10(2): 21-24. (in Chinese)

[14] NOCITA M, STEVENS A, NOON C, WESEMAEL B V. Prediction of soil organic carbon for different levels of soil moisture using Vis-NIR spectroscopy. Geoderma, 2013, 199: 37-42.

[15] YANG H, KUANG B, MOUAZEN A. Quantitative analysis of soil nitrogen and carbon at a farm scale using visible and near infrared spectroscopy coupled with wavelength reduction. European Journal of Soil Science, 2012, 63(3): 410-420.

[16] 陈红艳, 赵庚星, 张晓辉, 王瑞燕, 孙莉, 陈敬春. 去除水分影响提高土壤有机质含量高光谱估测精度. 农业工程学报, 2014, 30(8): 91-100.

CHEN H Y, ZHAO G X, ZHANG X H, WANG R Y, SUN L, CHEN J C. Improving estimation precision of soil organic matter content by removing effect of soil moisture from hyperspectra. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(8): 91-100. (in Chinese)

[17] CONFORTI M, BUTTAFUOCO G, LEONE A P, AUCELLI P P C, ROBUSTELLI G, SCARCIGLIA F. Studying the relationship between water-induced soil erosion and soil organic matter using Vis-NIR spectroscopy and geomorphological analysis: A case study in southern Italy. Catena, 2013, 110(2): 44-58.

[18] LIU F, ROSSITER D G, SONG X D, ZHANG G L, YANG R M, ZHAO Y G, LI D C, JU B. A similarity-based method for three-dimensional prediction of soil organic matter concentration. Geoderma, 2015, 263(1): 254-263.

[19] LIU S L, AN N N, YANG J J, DONG S K, WANG C, YIN Y J. Prediction of soil organic matter variability associated with different land use types in mountainous landscape in southwestern Yunnan province, China. Catena,, 2015, 133(10): 137-144.

[20] NAVEEN J P A, ABD-ELRAHMAN A H, LEWIS D B, HEWITT N A. Modeling soil parameters using hyperspectral image reflectance in subtropical coastal wetlands. International Journal of Applied Earth Observation and Geoinformation, 2014, 33(11): 47-56.

[21] LI X C, YU T, WANG X. The soil organic matter content grey relationship inversion pattern based on hyper-spectral technique. Grey Systems: Theory and Application, 2011, 1(3): 261-267.

[22] 李希灿, 王静, 王芳, 杜嘉津. 基于模糊识别的土壤性质指标光谱反演. 辽宁工程技术大学学报(自然科学版), 2010, 29(2): 324-327.

LI X C, WANG J, WANG F, DU J J. Spectral retrieved deduction of soil properties index based on fuzzy recognition theory. Journal of Liaoning Technical University(Natural Science), 2010, 29(2): 324-327. (in Chinese)

[23] LI X C, WANG J, BAI L. The pattern of multiple objects and multiple stages grey relationship for land ecological security assessment. The Journal of Grey System, 2008, 20(4): 351-358.

[24] 袁征, 李希灿, 于涛. 高光谱土壤有机质估测模型对比研究. 测绘科学, 2014, 39(5): 160-164.

YUAN Z, LI X C, YU T. Contrast research on soil organic matter estimation model using hyper-spectral data. Science of Surveying and Mapping, 2014, 39(5): 160-164. (in Chinese)

[25] 汤娜, 张新乐, 刘焕军, 杨振华, 胡言亮, 于晓静. 土壤有机质与水分反射光谱响应特征综合作用模拟. 土壤通报, 2013, 44(1): 72-76.

TANG N, ZHANG X L, LIU H J, YANG Z H, HU Y L, YU X J. Synthesis simulation of correlation characteristics between organic matter and moisture reflectance spectra. Chinese Journal of Soil Science, 2013, 44(1): 72-76. (in Chinese)

[26] 刘焕军, 宇万太, 张新乐, 马强, 周桦, 姜子绍. 黑土反射光谱特征影响因素分析. 光谱学与光谱分析, 2009, 29(11): 3019-3022.

LIU H J, YU W T, ZHANG X L, MA Q, ZHOU H, JIANG Z S. Study on the main influencing factors of black soil spectral characteristics. Spectroscopy and Spectral Analysis, 2009, 29(11): 3019-3022. (in Chinese)

[27] 于涛, 李希灿, 王晓, 尚晓东. 高光谱技术应用情况研讨. 测绘科学, 2012, 37(2):115-118.

YU T, LI X C, WANG X, SHANG X D. Application advances and outlooks of hyperspectral technique. Science of Surveying and Mapping, 2012, 37(2): 115-118. (in Chinese)

[28] 王力宾. 数列修匀的加权算术平均数—中位数混合移动平均法.昆明理工大学学报, 2001, 26(5): 50-55.

WANG L B. A new graduated method: The mixed moving average method of weighted-arithmetic-mean and median. Journal of Kunming University of Science and Technology, 2001, 26(5): 50-55. (in Chinese)

[29] 刘庆生, 王志刚, 荆林海. 岩石实验室光谱对应分析. 遥感学报, 1999, 3(2): 151-156.

LIU Q S, WANG Z G, JING L H. Correspondence analysis of laboratory spectra of rock. Journal of Remote Sensing, 1999, 3(2): 151-156. (in Chinese)

[30] BAUMGARDNER M F, KRISTOF S, JOHANNSEN C J, ZACHARY A. Effects of organic matter on the multispectral properties of soils. Proceedings of the Indiana Academy of Science, 1969, 79: 413-422.

[31] 韩之俊, 章渭基. 质量工程学. 北京: 科学出版社, 1991: 44-50.

HAN Z J, ZHANG W J. Quality Engineering. Beijing: Science Press, 1991: 44-50. (in Chinese)

[32] 俞纯权. 不等次数重复试验双因素方差分析的应用. 统计教育, 1996(3): 42-43.

YU C Q. The application of double factor variance analysis of repeated trials with unequal frequency. Statistical Thinktank, 1996(3): 42-43. (in Chinese)

[33] 刘焕军, 赵春江, 王纪华, 黄文江, 张新乐. 黑土典型区土壤有机质遥感反演. 农业工程学报, 2011, 27(8):211-215.

LIU H J, ZHAO C J, WANG J H, HUANG W J, ZHANG X L. Soil organic matter predicting with remote sensing image in typical black soil area of Northeast China. Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(8): 211-215. (in Chinese)

[34] LIU D S, WANG Z S. A modeling study of potential evapotranspiration and the estimation of Chinese soil moisture regimes. Pedosphere, 1994, 4(3): 193-200.

[35] STONER E R, BAUMGARDNER M F. Characteristic variations in reflectance of surface soils. Soil Science Society of America Journal, 1981, 45(6): 1161-1165.

[36] MULLER E, DECAMPS H. Modeling soil moisture-reflectance. Remote Sensing of Environment, 2001, 76(2): 173-180.

[37] LI M L, LI X C, TIAN Y, WU B, ZHANG S. Grey relation estimating pattern of soil organic matter with residual modification based on hyper-spectral data. The Journal of Grey System, 2016, 28(4): 27-39.

（责任编辑 杨鑫浩）

The Role and Interaction of Soil Water and Organic Matter on Hyper-Spectral Reflectance

SHANG Xuan, LI XiCan, XU YouYou, LIU ShaSha
(College of Information Science and Engineering, Shangdong Agricultural University, Taian 271018, Shangdong)

hyper-spectrum; soil organic matter; water content; variance analysis; interaction

2016-09-13；接受日期：2016-12-21

国家自然科学基金（41271235）、山东省自然科学基金（ZR2016MD03）

联系方式：尚璇，E-mail：646320669@qq.com。通信作者李西灿，E-mail：lxc@sdau.edu.cn

Abstract:【Objective】The objective of this study is to reveal the rule of soil moisture and organic matter on the high spectrum quantitatively and to provide a basis for improving the accuracy of spectral estimation of soil moisture and organic matter.【Method】Ninety brown soil samples collected from the Tai'an city, Shandong province were used as research materials, and their outdoor spectrum, soil moisture and organic matter were obtained. At the same time, smoothing denoising pretreatment of the spectral curves were carried out by Savitzky-Golay filter. Soil samples were divided into 9 groups according to water and organic matter contents. By using comparative method, 9 groups of original spectral data were analyzed, and the effect of soil water and organic matter on the spectrum was discussed. Then, correlation analysis was used to analyze the correlation between water, organic matter and raw spectral reflectance (R), first order differential reflectance (D (R)) and grouping spectra. Under the basic assumption that other factors were identical, two factor variance interaction analysis was used to analyze the degree of water, organic matter and their interaction to the soil spectral reflectance and spectral derivative quantitatively. According to the law of interaction between soil water and organic matter, characteristic factor was selected on the basis of the principle that the correlation coefficient is relatively large and the interaction is small. Finally, partial least squares regression model was established to predict the soil organic matter content of hyperspectra, and the effectiveness of the model which established with the factors selected according to the interaction was analyzed.【Result】 The results showed that water had the main effect on the reflectance of soil spectral reflectance in the range of field capacity, and the interaction between water and organic matter was exist objectively. When the soil moisture content was less than 10%, the original spectra of 600-1 800 nm could better reflect the effect of organic matter. And when the soil moisture content was more than 15%, the role of organic matter was almost covered by the action of water. The role and interaction of soil water and organic matter reached significant level in 360-1 800 nm, 410-1 800nm and 509-1 800 nm, And all of them reached significant level in 1 951-2 450 nm (α=0.05). The effect on soil spectrum from large to small was water, organic matter and interaction. The effect of water on soil spectrum was about 5 to 8 times in 425-1 800 nm and 8 to 12 times in 1 950-2 300 nm than that of organic matter. The effect of organic matter on soil spectrum was about 2 times as much as interaction in 350-2 500 nm. After the first-order differential transformation, the effect of soil water at 450-530 nm, 600-790 nm, 1 019-1 027 nm, 2 000-2 020 nm and 2 045-2 075 nm was enhanced, but weakened in other bands. The effect of soil organic matter was enhanced at 471-824 nm, 851-949 nm, 967-1 140nm, 1 172-1 340nm, 1 379-1 428 nm, 1 450-1 770 nm, 1 953-2 122 nm, 2 174-2 199 nm, and 2 271-2 342 nm, and weakened at other bands. The interaction between water and organic matter also changed at different wavelengths, but change was relatively weakened than that of the soil water and organic matter. Based on the characteristics selected by the interaction between soil water and organic matter, the accuracy of the hyperspectral model of soil organic matter was improved. The determination coefficient R2of the 16 test samples increased from 0.6764 (without considering the interaction) to 0.7934.【Conclusion】The researches showed that the effect of organic matter on the spectral reflectance may not be considered in the inversion of soil water content. In the inversion of organic matter content, not only the influence of water on the reflectance should be eliminated, but the interaction between water and organic matter on the spectrum should be considered. The accuracy of spectral estimation of soil organic matter can be effectively improved when considering the interaction of water and organic matter on soil spectrum.