利用光谱反射率估算土壤理化性质

娄卫东， 林宝刚， 周洪奎， 华水金， 唐旭， 胡昊*

(浙江省农业科学院 a数字农业研究所，b作物与核技术利用研究所，c环境资源与土壤肥料研究所，浙江 杭州 310021)

土壤理化性质是土壤肥力优劣和耕作适宜性的重要参考指标[1-2]，当前针对土壤理化性质的检测多为实验室化学分析方法，这种方法需要采集土壤样品，送往实验室进行化学分析，经过一定时间的检测才能得到相关结果[3]，费时费力，不能快速地对土壤理化性质进行测算，进而影响土壤肥力和耕作适应性的快速评价和决策，很可能会影响农田作物的及时种植以及作物产量与品质[4-5]。

近年来，近红外光谱已应用于作物生长状态诊断、农产品品质分析、作物环境胁迫监测等领域[6-8]。土壤是作物生长的容器，其理化性质对作物的生长发育非常重要。有学者研究表明，通过近红外光谱可以估算土壤的理化性质。孙宇乐等[9]使用光谱结合SAR数据估算了农田表土氮磷含量，结果表明，反射率一阶导数的神经网络模型对土壤氮、磷量预测效果最佳，模型预测R2分别为0.749、0.759。唐永生等[10]利用近红外光谱结合卷积神经网络估算了土壤pH值，其模型对训练集的均方误差为0.097，对测试集的拟合优度为0.90。沈强等[11]通过光谱方法估算了土壤重金属浓度，表明光谱一阶微分是Cr和Zn估算模型的最佳光谱参数。有学者发现近红外光谱反射率与土壤阳离子交换量CEC(cation exchange capacity)、土壤含水量存在较为显著的相关关系[12-14]。有机质含量(OMC)作为土壤理化性质的一种指标[15]，被广泛用于表征土壤肥力，一般认为土壤OMC高，土壤较为肥沃，反之亦然。也有学者通过近红外光谱估算了土壤OMC，取得了较为理想的结果[16-19]。

目前通过近红外光谱对土壤理化性质进行估算仍存在一些问题，如估算建模使用的光谱特征多为反射率一阶微分、反射率倒数对数、反射率倒数对数一阶微分等光谱反射率变换或使用差值指数、比值指数、归一化指数光谱植被指数等[20-22]，这些参数固然提高了模型的可选择性，但也可能提高了实际操作的复杂性；另外，多采用神经网络、CARS算法、蝙蝠算法(BA)等方法构建模型[23-26]。这些模型构建方法相对比较复杂，可能需要较多的数理统计专业知识，实际应用操作可能存在较大困难。因此，本文提出了一种新型的从近红外光谱曲线自身变化趋势构建土壤理化性质估算的方法。

1 材料与方法

本研究采集了140个土壤样品，去除杂物后风干、研磨并通过1 mm土壤筛，在直径为60 mm、高20 mm的玻璃皿内填充约50 g土壤样品，使用AvaSpec-2048光谱仪(Avantes Inc.，荷兰)内置光源模式垂直采集土壤光谱反射率，光谱仪探头高度为0.1 m，样品测定前使用白板和黑背景校正。光谱仪的波长覆盖范围为172～1 160 nm，光谱分辨率为0.5 nm。每个样品重复测量3次，使用光谱仪自带程序计算反射率数据，并导入Excel 2010供分析使用。土壤光谱测定流程及所测定的土壤光谱曲线见图1。

图1 土壤光谱测定流程及土壤光谱曲线

土壤有机质含量(OMC，g·kg-1)的测定采用重铬酸钾-硫酸法(GB 9834—88)，土壤有效磷(AP，mg·kg-1)的测定采用碳酸氢钠浸提-钼锑抗分光光度法(GB 7858—87)，土壤有效钾(AK，mg·kg-1)的测定采用火焰原子吸收分光光度法(NY/T 889—2004)，土壤pH的测定采用电位法(HJ 962—2018)，土壤阳离子交换量测定(CEC，cmol·L-1)采用三氯化六氨合钴浸提-分光光度法(HJ 889—2017)，土壤全氮含量(TN，g·kg-1)测定采用半微量开氏法(GB 7173—87)。

使用SPSS 17.0进行Pearson相关性分析和双尾检验，以确定光谱参数与土壤物理和化学特征之间是否存在显著关系。回归模型在SPSS中用曲线估计工具建立。统计图使用Sigma Plot 12.0绘制。

2 结果与分析

2.1 土壤样本理化参数

试验采集的土壤样本理化性质见图2。OMC为14.49～41.08 g·kg-1，CEC为5.07～19.03 cmol·L-1，土壤AP、AK分别为2.38～183.25 mg·kg-1、27～745 mg·kg-1。总体上看，土壤样本AK和CEC变化范围较大，OMC、TN和pH变化较小。

图2 土壤理化性质数值统计

2.2 光谱反射率曲线拟合及参数相关性分析

仪器测定的光谱在曲线两端处噪声很大，且数值接近甚至大于标准白板反射率数值(100%)，因此，选择400～1 000 nm光谱数据以消除光谱噪声，并且从波形上看，该范围内的土壤光谱反射率曲线呈线性变化趋势(图3)，反射率随着波长的增加而增加，其变化线性趋势比较明显。

因此，假设400～1 000 nm波长的土壤反射率变化趋势可以用公式来描述，并且线性回归模型参数与该土壤样本理化性质具有很强的相关关系。

y=a×x+b。

式中，y为土壤反射率(%)，x为波长，a，b为常数。命名a参数名为Slope，命名b参数名为Intercept。

图3 示例土壤光谱曲线及Slope、Intercept与土壤理化指标相关系数

以某土壤样本在400～1 000 nm的光谱曲线为例，用公式1回归拟合了光谱反射率曲线，可以得到Slope为0.029 9，Intercept为2.183 3，模型方程为y=0.029 9x+2.183 3，决定系数为0.975 0，表明该模型较优，可以很好地描述土壤光谱反射率的线性趋势。

分析了Slope、Intercept与土壤样本理化性质OMC、AK、AP、CEC、TN、pH的相关关系(图3)，可见Slope与土壤OMC的相关系数最高，为-0.808，达到极显著相关；Slope与土壤TN的相关系数次之，为0.637，也达到极显著相关水平；Slope与土壤CEC的相关系数为-0.192，达到显著水平；Slope与AP、AK、pH的相关系数较小，没有达到显著水平。Intercept与TN的相关系数为0.348，达到极显著相关水平；Intercept与OMC、pH相关性达到显著水平，Intercept与AP、AK、CEC的相关性没有达到显著水平。

2.3 土壤有机质含量估算模型建立及验证

选取土壤OMC作为土壤理化性质的代表性参数，研究基于土壤光谱曲线Slope的OMC估算情况。选取70个土壤样本，测定了其光谱曲线及OMC数据，用公式1拟合回归土壤光谱曲线，得到70个Slope数据。绘制了Slope数据与相应的土壤OMC的散点图(图4)。

图4 Slope与OMC的关系及OMC估算模型的验证

从图4中A可以看出，Slope与土壤OMC存在良好的线性关系，采用线性回归模型拟合Slope与OMC的关系。可以得到OMC的估算模型。

OMC=-329.9x+41.755，R2=0.814 9。

选取另外70个土壤样本数据用于验证已构建的OMC估算模型。验证结果见图4中B，基于Slope的土壤OMC估算值与实际测量值差距很小。OMC估算值与测量值的关系为：OMC估算值=0.899 1×OMC测量值+3.310 7，其决定系数R2为0.909 6，验证模型精度较高。

3 讨论

国内外研究表明，通过近红外光谱可以对土壤理化特征进行快速估算反演[27]，有学者研究表明通过近红外光谱可估算OMC、pH、CEC、氮含量、含水量等土壤理化性质[12,28-29]。本研究表明，通过土壤光谱可以估算土壤OMC，但估算土壤pH、CEC、氮含量效果不理想，这可能与本研究采用的土壤光谱线性变化趋势(Slope)有关，采用其他参数如光谱指数及其转化组合形式可能会影响光谱与土壤理化性质的相关性。

此外，本研究是在实验室进行，光谱反射率采集是通过光谱仪内置光源进行，同时土壤样本是风干后且经过土壤筛处理，尽管OMC估算与验证模型均精度较高，但研究结果推广应用中可能会受到野外因素的影响，如土壤表面植被、土壤水分含量、土壤孔隙度等因素都会影响土壤光谱反射率[30]。因此，土壤理化性质光谱估算的田间应用可能需要进一步研究。

实际农业生产中，光谱指数的计算与复杂的建模方法可能会阻碍土壤理化性质光谱快速估算的应用，毕竟较多农业从业人员不一定具有较高的数理统计知识，因此，本研究提出的一种基于土壤光谱线性变化趋势的OMC模型可能具有较大的应用价值。本估算模型建模简单，容易研发便携式设备或传感器，在应用场景验证优化的基础上，具有较大应用市场。

4 小结

通过近红外光谱可以快速估算土壤理化性质。本研究表明，在波长400～1 000 nm土壤近红外光谱反射率的线性变化趋势Slope与土壤OMC的相关系数为-0.808，达到极显著相关水平，构建了基于Slope的OMC估算模型为OMC=-329.9x+41.755，决定系数R2为0.814 9；用独立数据对以上估算模型进行验证，结果表明，基于Slope的土壤OMC估算值与实际测量值差距很小，验证模型精度较高。基于土壤光谱Slope的OMC估算模型具有较大市场应用前景。