基于微分变换定量反演土壤有机质及全氮含量

高颖 王延仓 顾晓鹤 周新武 马样 宣孝义

摘要：以河北省安平县32个地块的土壤参数及其高光谱数据为数据源，利用预处理后光谱数据（反射率）及其倒数、对数、开平方根、光谱吸收峰深度、开方根等8种基本变换及其一阶微分、二阶微分处理共计24种光谱变换方法处理分析土壤光谱数据，结合相关性分析算法提取光谱敏感波段，并利用偏最小二乘算法分别构建土壤有机质、全氮含量的预测模型。研究结果表明：与基本变换相比，在基本变换的基础上进行微分变换后的光谱信息对土壤养分含量的预测能力明显提升;经微分处理后的光谱信息与未处理的土壤光谱信息对土壤有机质含量的预测能力由强到弱依次为基本变换结合一阶微分变换>基本变换结合二阶微分变换>基本变换，对土壤全氮含量的预测能力由强到弱依次为基本变换结合二阶微分变换>基本变换结合一阶微分变换>基本变换;此外，在24种变换中，以倒数的一阶微分变换构建的有机质含量的预测能力预测模型最佳，其确定系数为0.803，以开平方根的一阶微分变换构建的全氮含量预测模型的预测能力最佳，其确定系数为0.831。这表明采用微分光谱技术可以更有效地进行土壤有机质及全氮含量的实时监测。

关键词：土壤有机质;全氮;微分变换;高光谱遥感;定量分析

中图分类号： S127;S153.6  文献标志码： A  文章编号：1002-1302（2020）24-0220-06

作为信息与知识相结合的现代化农耕技术，精准农业是当下全球农业科学研究的热门课题，能够更好地为农业发展服务。作为精准农业的关键核心技术之一，精准施肥是以作物产量为目标，将作物的生长规律与时间、空间变化相结合的一种定时、定量的施肥技术[1]。因此，如何最大程度地实现对耕层土壤养分含量的实时监测，具有重要的科学价值。高光谱遥感具有极高的光谱分辨率、信息丰富等特点，凭借其优势被广泛地用于耕层土壤养分含量的监测。故而，当下如何将高光谱遥感更有效地用于耕层土壤养分含量的预测已经逐步成为精准农业的重要课题[2-8]。

有机质是耕层土壤的重要构成要素，其在改进土壤的物理特性方面起重要作用，进而能促进农作物生长[9-10]。氮是一种土壤微量成分，也是农作物所需的营养物质之一，其含量直接影响农作物的生长[11-12]。因此，开展耕层土壤有机质及全氮含量实时监测技术的研究具有重要的现实意义[9-14]。目前，科研工作者利用高光谱技术在耕层土壤有机质及全氮含量监测领域进行了大量的科研工作，并获得了一定的进展：基于土壤光谱信息建立的预测模型可有效实现相关土壤理化参数的快速估测[15]，且将光谱信息进行合理的变换处理能够明显提升其对土壤养分的敏感性，可凸显光谱内的有效信息[13];此外，采用连续小波变换的方法进行土壤养分含量估测方面的研究也已获得一定的成效[16-17]。相关领域虽已开展大量的研究，但利用微分光谱技术在监测土壤养分含量领域探究其预测能力的研究相对较少。

不同地域土壤由于受环境变化的影响，其类型存在很大差异，且成分复杂。因此，快速、有效地进行土壤养分含量的实时监测具有较大难度。微分光谱可直接分离光谱内的高频信息，因方法简单、迅速、精准，多年来在土壤养分含量监测领域得到了普遍的应用。因此，为全面了解微分光谱技术在土壤养分含量方面的预测能力及可行性，本研究利用预处理后的便携式地物光谱仪（ASD）提取的反射率（B）及其倒数、对数、倒数的对数、光谱吸收峰深度、开平方根、比值、指数等8种变换及其一阶微分、二阶微分处理共24种光谱变换方法处理分析土壤光谱数据，结合相关性分析算法提取光谱敏感波段，并利用偏最小二乘算法分别构建有机质、全氮含量的预测模型，并探讨微分变换对土壤有机质、全氮含量的预测能力。

1 材料与方法

1.1 土样采集与处理

试验区位于河北省安平县，该区域地貌平缓。农作物栽培模式为冬小麦-夏玉米，是典型的北方耕种模式。土壤采样时间为作物扬花期（2014年5月7日），土壤样点均匀分布于研究区内，土壤采集共计32份，采样深度为0～20 cm（耕层）。样本采集后，在实验室自然风干，经过研磨、过筛等处理后，进行土壤有机质、全氮含量测定;土壤有机质含量采用重铬酸钾滴定法测定，土壤全氮含量采用开氏法测定[16-17]（表1）。

1.2 光谱处理

受地理空间、仪表精度差异等要素影响，致使光谱数据内留存一定噪声。试验表明，噪声信息的留存导致光谱边缘有用信息受损，因此删除了噪声较大的波段。本研究依据试验数据的实际情况，剔除了1 300～1 450、1 801～2 000 nm的噪声波段。另外，通过对不同濾波处理效果的比较，最后选择对光谱数据进行低通滤波处理，消除光谱中的“毛刺”噪声，使光谱信息更接近于真实信息[18]。

1.3 微分光谱分析

微分光谱即导数光谱法，在数学变换的基础上进行微分运算，可将光谱信息内的复杂成分不经分离直接分析。但随着阶数的增加，分辨率逐步增强，灵敏度会有所降低，故目前大多的研究以一阶微分、二阶微分的光谱应用居多。为了剔除数据中隐含的噪声信息，使数据更接近真实值，并在此基础上探究微分光谱技术对耕层土壤养分含量的预测能力，本研究对光谱数据进行了基本变换。故而在前人的基础[16]上，本研究提出预处理ASD提取的反射率及其倒数、对数、倒数的对数、光谱吸收峰深度、开平方根、比值、指数等8种基本变换及其一阶微分、二阶微分处理共计24种光谱变换方法。

1.4 模型精度验证

依据偏最小二乘算法，将经变换处理后的土壤光谱数据用于土壤有机质、全氮含量预测模型的构建。本研究对土样进行随机分组：用于构建有机质及全氮含量预测模型的建模组，共计22个土样;用于验证模型预测精度与稳定性的验证组共计10个土样。其中，模型的预测精度与稳定性采用确定系数（R2）与均方根误差（RMSE）共同评价[17]。确定系数（R2），用来评判估测值与样本真实值的预测精度。R2越接近1，说明估测值越接近真实值，相关计算公式如下：

2 结果与分析

2.1 相关性分析

由图1可知，有效光谱信息主要集中于基本变换结合微分变换区域，而在其他区域信息较少，其原因是其他区域的有效光谱信息被隐藏所致。因此，基本变换结合微分变换能够更加深入地挖掘其内的隐含有益信息。此外，土壤有机质含量与指数变换形式及其对应一阶、二阶微分处理后的土壤光谱信息间的相关系数普遍低于其与原始光谱信息间的相关系数，故这类变换为无效变换，不再展开分析。另外，基本变换区域相关系数经其对应的微分处理后均得到明显提升，这表明微分光谱技术可深度挖掘土壤中的有效信息。其中，以倒数形式的一阶微分、倒数的对数形式的一阶微分、开方根形式的一阶微分、比值运算形式及其一阶微分等方法处理后的土壤光谱与有机质含量的相关系数较高，相关性较强，光谱敏感波段主要集中于850 nm的区域附近，相关性最佳变换形式为比值运算形式的一阶微分变换，其相关性较强，R值为0.729。

由图2可知，有效光谱信息主要集中于基本变

换结合微分变换区域，其原因为其他区域有效信息被隐藏。因此，基本变换结合微分变换能够更加深入地挖掘其隐含的有效信息。此外，土壤全氮含量与指数变换形式及其一阶、二阶微分处理后土壤光谱间的相关系数与原始光谱间的相关系数偏低，故此类变换为无效变换，不再展开分析。另外，基本变换区域相关系数经其对应的微分处理后均得到明显提高，土壤光谱信息与土壤全氮含量间的相关性总体提升，这表明微分光谱技术可深度挖掘土壤内有效信息。其中，以深度变换形式的一阶微分、比值运算形式的一阶微分等方法处理后的土壤光谱与土壤全氮含量的相关性较高，其敏感波段主要集中于480 nm的区域附近，相关性最佳变换形式为吸收峰深度形式的一阶微分变换，其R值为0.727。

2.2 有机质含量建模

在基本变换的基础上，光谱信息经微分处理后，采用偏最小二乘算法构建有机质含量的预测模型，筛选出较好的模型。如表2所示，经微分变换处理的光谱所构建的模型预测精度均较高，其模型精度整体在经一阶微分处理后得到最高体现。从模型角度分析可知，经倒数的一阶微分变换后光谱所构建的模型最优，其建模精度R2与RMSE分别为0.803、2.248，验证精度R2与RMSE分别为0.865、2.663。从整体分析可知，光谱信息经微分变换结合基本变换处理后，对土壤有机质的敏感性得到了明显提升。其中，对各模型确定系数进行统计并将其与原始模型确定系数作比较，光谱信息经一阶微分结合基本变换处理后所构建的预测模型的最佳估测精度比基本变换处理后所构建的预测模型的最佳估测精度提升80%;光谱信息经二阶微分结合基本变换处理后所构建的预测模型的最佳估测精度比基本变换处理后所构建的预测模型的最佳估测精度提升44%。这表明微分光谱技术在土壤有机质含量预测方面的能力从强到弱依次为光谱信息基本变换的一阶微分运算>光谱信息基本变换的二阶微分运算>光谱信息的基本变换，这是因为微分变换与基本变换结合后更能凸显土壤光谱中的微弱信息。

2.3 全氮含量建模

在基本变换的基础上，光谱信息经微分处理后，利用偏最小二乘算法构建全氮含量的预测模型，筛选出较好的模型。如表3所示，经微分变换处理的光谱所构建的模型预测精度均较高，整体来看，其模型精度在经二阶微分处理后得到了最高体现。从模型角度分析可知，经开方根的一阶微分变换后光谱所构建的模型最优，其建模精度R2与RMSE分别为0.831、0.106，验证精度R2与RMSE分别为0.502、0.122。从整体分析可知，光谱信息经微分变换结合基本变换处理后，对全氮含量的敏感性明显得到了提升。其对各模型确定系数进行统计并将其与原始模型的确定系数相比，光谱信息经一阶微分结合基本变换处理后所构建的预测模型最佳估测精度比基本变换后构建的预测模型的最佳估测精度提升58%;光谱信息经二阶微分结合基本变换处理后所构建的预测模型的最佳估测精度比基本变换后构建的预测模型的最佳估测精度提升77%。因此，微分光谱技术在全氮含量估测方面的能力从强到弱依次为光谱信息基本变换的二阶微分运算>光谱信息基本变换的一阶微分运算>光谱信息的基本变换，这是因为二阶微分变换与基本变换结合后更能凸显土壤光谱中的微弱信息。

2.4 模型分析

微分光谱技术可有效地深入挖掘高光谱内的有效信息，推进在土壤养分含量监测方面的研究进程，提升土壤养分含量的预测精度。由图3可知，土壤有机质、全氮含量的实测值与估测值在回归線附近均匀分布，这表明本研究构建的土壤养分含量预测模型拟合程度较高，可有效实现对土壤养分含量的监测。

3 讨论

本研究在前人研究的基础上，提出指数变换、开平方根变换、对数变换等基本变换，探究了在各种基本变换的基础上，经一阶微分、二阶微分处理后光谱数据与土壤养分含量的敏感性变化规律。结果表明，与基本变换相比，微分处理与基本变换结合后，光谱数据与土壤养分参量间的敏感性明显上升。其中，在基本变换的基础上，微分光谱技术针对有机质含量估测的能力从强到弱依次为土壤光谱基本变换的一阶微分运算>土壤光谱基本变换的二阶微分运算>土壤光谱的基本变换，微分光谱针对全氮含量估测的能力从强到弱依次为土壤光谱基本变换的二阶微分变换>土壤光谱基本变换的一阶微分变换>土壤光谱的基本变换。本研究成果可推进高光谱技术针对如何更有效、快速且准确地实现大面积耕层土壤养分含量监测方面的发展。受试验条件与土壤环境复杂性的影响，本研究仍存在一定的不足之处，须从以下几方面作改进：（1）建模过程中对于特征波段的选取具有一定的人为主观性，如何更准确地提取特征波段、提高模型精准度，仍须开展深入研究。（2）土壤光谱数据仍存在一定的局限性，自然界不可控因素较多，受环境因素影响，不同试验区土壤养分的反演模型存在差异，仍须进行大量的试验与分析。

4 结论

本研究对安平县32个地块扬花期室内土壤光谱反射率数据进行处理和分析，在基本变换方法的基础上分析经微分光谱技术处理后的光谱反射率对有机质及全氮含量的预测模型精度的影响。

利用光谱变换方法构建有机质含量估测模型，其最佳预测模型所对应光谱变换形式为反射率倒数的一阶微分变换形式，其建模R2=0.803，均方根误差RMSE=2.248，其验证R2=0.865，均方根误差RMSE=2.663。

利用光谱变换方法构建全氮含量估测模型，其最佳预测模型所对应光谱变换形式为反射率开方根的一阶微分变换，其建模R2=0.831，均方根误差RMSE=106，其驗证 R2=0.502，均方根误差 RMSE=0.122。

与未变换处理的光谱相比，经基本变换结合微分光谱技术处理后的土壤光谱对土壤有机质、全氮含量的预测能力明显增强。与基本变换相比，微分变换对土壤有机质、全氮含量的预测能力明显提升。

微分光谱技术能够更有效地发现土壤光谱内的有用信息，提升对土壤有机质含量的预测能力。光谱信息经一阶微分结合基本变换处理后所构建的预测模型的最佳预测精度比基本变换处理后构建的预测模型最佳预测精度提升80%;光谱信息经二阶微分结合基本变换处理后所构建的预测模型的最佳预测精度比基本变换处理后构建的预测模型最佳预测精度提升44%。微分光谱技术在有机质含量监测方面的预测能力从强到弱依次为光谱信息基本变换的一阶微分运算>光谱信息基本变换的二阶微分运算>光谱信息的基本变换。

（5）微分光谱技术能够更有效地发现土壤光谱内的有用信息，提升对土壤全氮含量的预测能力。与基本变换建立的模型相比，光谱信息经一阶微分结合基本变换处理后所构建的预测模型的最佳预测精度比基本变换处理后构建的预测模型最佳预测精度提升58%;光谱信息经二阶微分结合基本变换处理后所构建的预测模型的最佳预测精度比基本变换处理后构建的预测模型最佳预测精度提升77%。微分光谱技术在全氮含量监测方面的预测能力：光谱信息基本变换的二阶微分运算>光谱信息基本变换的一阶微分运算>光谱信息的基本变换。

参考文献：

[1]陈桂芬，马 丽，陈 航. 精准施肥技术的研究现状与发展趋势[J]. 吉林农业大学学报，2013，35（3）：253-259.

[2]程 彬. 松辽平原黑土有机质及相关元素遥感定量反演研究[D].长春：吉林大学，2007.

[3]高永光，胡振琪. 高光谱遥感技术在土壤调查中的应用[J]. 矿业研究与开发，2006，26（1）：44-46.

[4]吴良超，刘 晓，高佩玲. 高光谱遥感在土壤研究中的应用[J]. 安徽农业科学，2013，41（2）：581-582，598.

[5]丁海泉，卢启鹏. 近红外光谱技术在土壤养分分析中的研究进展及应用前景[J]. 光谱学与光谱分析，2012，32（1）：88-91.

[6]王 璐，蔺启忠，贾 东，等. 多光谱数据定量反演土壤营养元素含量可行性分析[J]. 环境科学，2007，28（8）：1822-1828.

[7]周 清. 土壤有机质含量高光谱预测模型及其差异性研究[D]. 杭州：浙江大学，2004.

[8]刘焕军，吴炳方，赵春江，等. 光谱分辨率对黑土有机质预测模型的影响[J]. 光谱学与光谱分析，2012，32（3）：739-742.

[9]王延仓，顾晓鹤，朱金山，等. 利用反射光谱及模拟多光谱数据定量反演北方潮土有机质含量[J]. 光谱学与光谱分析，2014，34（1）：201-206.

[10]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（11）：975-979.

[11]徐永明，蔺启忠，黄秀华，等. 利用可见光/近红外反射光谱估算土壤总氮含量的实验研究[J]. 地理与地理信息科学，2005，21（1）：19-22.

[12]武 婕，李玉环，李增兵，等. 南四湖区农田土壤有机质和微量元素空间分布特征及影响因素[J]. 生态学报，2014，34（6）：1596-1605.

[13]牛 铮，路 鹏. 基于高光谱遥感土壤属性信息的量化反演研究[D]. 北京：中国科学院遥感应用研究所，2008.

[14]郑曼迪，熊黑钢，乔娟峰，等. 基于综合光谱指数的不同程度人类干扰下土壤有机质含量预测[J]. 江苏农业学报，2018，34（5）：1048-1056.

[15]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.

[16]王延仓，张 兰，王 欢，等. 连续小波变换定量反演土壤有机质含量[J]. 光谱学与光谱分析，2018，38（11）：3521-3527.

[17]王延仓，杨贵军，朱金山，等. 基于小波变换与偏最小二乘耦合模型估测北方潮土有机质含量[J]. 光谱学与光谱分析，2014，34（7）：1922-1926.

[18]徐永明，蔺启忠，王 璐，等. 基于高分辨率反射光谱的土壤营养元素估算模型[J]. 土壤学报，2006，43（5）：709-716.彭 震，胡 蓉，张若宇，等. 采摘头输棉通道流场仿真与分析[J]. 江苏农业科学，2020，48（24）：226-231.