基于连续投影算法的土壤全氮和碱解氮含量高光谱估测

张恒 梁太波 冯文强 戴华鑫 翟振 藏照阳 江鸿 冯长春 张艳玲

摘  要：基于高光譜数据构建土壤全氮和碱解氮含量估测模型，为准确快速检测植烟土壤全氮和碱解氮含量提供新方法。以会东县和会理市植烟土壤为研究对象，利用高光谱成像获取土壤光谱反射率数据，应用连续投影算法（SPA）和相关分析法（CA）筛选特征波段，并分别采用全波段和特征波段构建偏最小二乘回归（PLSR）、岭回归（RR）和核岭回归（KRR）模型来估测土壤全氮和碱解氮含量。结果表明：（1）原始光谱经4种预处理方法处理后，建立的估测模型精度均有提高；其中经一阶导数（D1）组合标准正态分布（SNV）预处理后，使用全波段建立的全氮和碱解氮含量估测模型精度均较高。（2）SPA筛选出了10个土壤全氮特征波段，13个土壤碱解氮特征波段，分别占全波段数量的2.58%和1.98%。（3）原始光谱经D1-SNV预处理后，用SPA筛选特征波段构建的全氮和碱解氮含量KRR估测模型性能均较好；全氮估测模型验证集决定系数（）为0.87，均方根误差（RMSEV）为0.23，相对分析误差（RPD）为2.77；碱解氮估测模型验证集的为0.91，RMSEV为14.15，RPD为3.39。运用SPA结合KRR构建的模型能较好地估测研究区土壤全氮和碱解氮含量，D1-SNV-SPA-KRR方法可实现该地区全氮和碱解氮含量的准确估测。

关键词：植烟土壤；高光谱数据；全氮；碱解氮；连续投影算法；核岭回归

中图分类号：S572                        文献标识码：A                       文章编号：1007-5119（2023）05-0103-11

Hyperspectral Estimation of Total Nitrogen and Alkali Hydrolysable Nitrogen Contents in Tobacco Growing Soil Based on Successive Projection Algorithm

ZHANG Heng， LIANG Taibo， FENG Wenqiang， DAI Huaxin， ZHAI Zhen， ZANG Zhaoyang，

JIANG Hong， FENG Changchun， ZHANG Yanling

（1. Zhenghou Tobacco Research Institute of CNTC， Zhengzhou 450001， China; 2. Sichuan Institute of Tobacco Science， Chengdu 610041， China）

 The estimation model of soil total nitrogen and alkali hydrolysable nitrogen was constructed based on hyperspectral data， which might contribute a new method for accurate and rapid detection of total nitrogen and alkali hydrolysable nitrogen in tobacco growing soil. Soils were sampled from Huidong and Huili， Sichuan Province， and the soil spectral reflectance data were obtained by hyperspectral imaging technique. The successive projection algorithm （SPA） and correlation analysis （CA） were employed to screen feature band， while partial least square regression （PLSR）， ridge regression （RR） and kernel ridge regression （KRR） models were constructed to estimate the contents of total nitrogen and alkali-hydrolyzed nitrogen in soil by using whole and feature band， respectively. Results showed as the followings. 1） The accuracy of the estimation model was enhanced after the original spectrum was processed by four preprocessing methods. After the first derivative （D1） combined with the standard normal variate （SNV）， the estimation models of total nitrogen and alkali hydrolyzed nitrogen contents established by using whole band exhibited high accuracy. 2） By using SPA， 10 feature bands of soil total nitrogen and 13 feature bands of soil alkali-hydrolyzed nitrogen were screened out， accounting for 2.58% and 1.98% of the total bands， respectively. 3） After the original spectrum was processed by D1-SNV， better performance was found in the KRR estimation model of total nitrogen and alkali hydrolyzed nitrogen content constructed by SPA screening feature bands. The coefficient of determination （）， root mean square error of validation （RMSEV） and residual prediction deviation （RPD） of the validation set of total nitrogen estimation model were 0.87， 0.23 and 2.77 respectively. The ， RMSEV and RPD of the validation set of alkali hydrolysable nitrogen estimation model were 0.91， 14.15 and 3.39 respectively. For tobacco growing soils in the research area， the model constructed by SPA and KRR can estimate the total nitrogen and alkali hydrolyzed nitrogen contents， whereas D1-SNV-SPA-KRR method can achieve accurate estimation on the contents of total nitrogen and alkali hydrolyzed nitrogen.

tobacco growing soil; hyperspectral; total nitrogen; alkali hydrolysable nitrogen; successive projection algorithm; kernel ridge regression

基金项目：中国烟草总公司重点研发项目（11202102037）；四川省烟草公司科技项目（SCYC202103）

作者简介：张  恒（1998-），男，硕士研究生，研究方向：烟田土壤保育与高光谱遥感分析。E-mail：zhanghenglx@126.com

*通信作者。E-mail：冯长春，fcc22@163.com；张艳玲，zhangyanling@ztri.com.cn

收稿日期：2023-06-21                               修回日期：2023-09-19

土壤中全氮和堿解氮含量是衡量土壤肥力的重要指标。总氮是指土壤中各种形态氮素的总和，代表土壤氮素的总储存量和供氮潜力；碱解氮是土壤中易被作物吸收利用的氮素，可反映土壤氮素的供应情况和有效性。对烤烟而言，土壤氮素的过剩和不足均会对烤烟的品质和产量产生不利影响，并存在污染环境的风险。四川凉山州会理市和会东县是我国典型清甜香型烟叶产区，近年来由于长期连作和集约化种植的深入发展，部分植烟土壤出现退化现象，全氮和碱解氮含量均处于偏低水平，一定程度上制约了该地区土壤质量提升和可持续发展。因此，快速、准确地检测植烟土壤中全氮含量和碱解氮素含量，对于评价植烟土壤肥力状况、合理施肥以及有效管理土壤氮素具有重要意义。

传统的土壤全氮和碱解氮含量检测方法主要是化学分析方法，如凯氏定氮法、紫外分光光度法等。使用化学分析方法测定土壤全氮和碱解氮含量不仅耗时费力、成本高，而且在检测过程中需要使用大量的强酸和强碱试剂，存在不安全因素和污染环境的风险。近年来，高光谱技术的迅速发展为土壤理化指标快速检测提供了新方法，高光谱技术因其检测速度快、无污染、无损和精度较高，目前已应用于估测土壤中的氮素含量。如Kawamura等利用高光谱反射率估算土壤全氮含量，发现一阶导数结合偏最小二乘回归构建的全氮含量估测模型精度较高；Xu等基于实验室高光谱成像技术结合多种机器学习算法对土壤中的全氮和速效氮含量进行建模估测，发现支持向量机模型对全氮含量和速效氮含量的估测效果均较好；Zhang等对比分析了多种预处理方法下光谱数据与全氮含量的相关性，发现倒数的二阶导数结合支持向量机建立的土壤全氮含量估测模型精度最高；刘秀英等运用相关分析筛选特征波段结合偏最小二乘回归建立土壤全氮和碱解氮估测模型，结果发现微分预处理建立的土壤全氮含量估测模型效果最好，但建立的碱解氮含量估测模型的精度仍需提高。对比前人研究发现，一方面前人在运用高光谱技术构建土壤全氮含量估测模型方面已有较多研究，而在碱解氮含量高光谱建模估测方面研究较少，且估测碱解氮含量的模型精度尚需提升；另一方面筛选具有代表性的光谱特征波段是构建高光谱估测模型的基础，其中连续投影算法被较多研究者证明可以有效提取特征光谱波段并提高估测模型的精度。但连续投影算法在植烟土壤全氮和碱解氮含量特征波段确定及高光谱建模估测方面鲜见报道。

基于此，本研究以凉山州会理市和会东县山地土壤为研究对象，运用连续投影算法和相关分析法从预处理后的光谱中筛选特征波段，结合偏最小二乘回归、岭回归和核岭回归分别建立植烟土壤全氮和碱解氮含量估测模型，旨在建立适合该地区土壤全氮和碱解氮含量的高光谱定量估测模型，为植烟土壤理化指标准确、快速测定提供方法参考与技术支撑。

1  材料与方法

1.1  研究区概况

会理市和会东县均处于四川省凉山彝族自治州南部（东经101°52′～103°03′、北纬26°12′～27°12′）。会理市平均海拔约2000 m，年均日照2400 h，年均温15.1 ℃，年均降水量1212 mm；会东县年均日照2300 h，年均温16.2 ℃，年均降水量1095 mm。会理市和会东县是凉山彝族自治州烤烟主要种植地区，烟田土壤以红壤土、黄棕壤以及紫色土为主。

1.2  土壤样品采集与处理

土壤样品采自四川省凉山州会东县和会理市的植烟田块，采样数量为会东县60份和会理市44份，共采集104份植烟土壤样品，其土壤类型基本为红壤土和紫色土，采样点分布见图1。

烟叶收获后，采用“S”形取样法，采集烟田耕层（0～20 cm）土壤，四分法保留土样2 kg，带回实验室后去除杂物，在土壤样品风干箱内风干。风干的土样经研磨后过2 mm筛，分成两部分，一部分用于土壤高光谱数据的采集，另一部分用于测定土壤全氮和碱解氮含量。用于采集高光谱数据的土壤样品，采集前在通风条件良好的高光谱成像仪器室内平衡水分72 h，以降低高光谱成像系统在采集数据时土壤水分产生的干扰。

1.3  土壤指标测定与异常数据检测

土壤全氮含量测定采用凯氏定氮法，碱解氮含量测定采用碱解扩散法。采用箱型图判别法筛选土样中全氮和碱解氮含量的异常数据，结果发现全氮和碱解氮含量数据中不存在异常数据。

1.4  室内高光谱图像采集与数据提取

高光谱成像系统核心组件包括双利合谱可见-近红外高光谱相机（GaiaField-V10E-AZ4）、消色差镜头（HSIA-OLE23）、8个50 W卤素灯、电动载物台、计算机和SpecView图像采集软件等。见图2。

光谱数据采集方法：将处理好的土壤样品平放在直径10 cm、深2.0 cm，被黑布包裹的培养皿中，放置于电动载物台上后，通过操作电脑中的SpecView图像采集软件，使电动载物台以1.35 cm/s的速度带动土壤样本进入图像采集箱内，在箱内对土壤样品原始高光譜图像（）进行采集。可见光和近红外光谱数据采集范围分别为390～1030 nm和967～2561 nm，光谱分辨率分别为2.6 nm和5.4 nm，波段采集数量分别为250和288。为了获取更加准确的高光谱图像，对采集的高光谱图像进行黑白板校正。在样品图像采集相同的环境下，采集反射率为99%的标准正白板获取白板标定图像（），采集反射率为0%的内置黑板获取黑板标定图像（），由下列公式对原始高光谱图像进行校正：

=（-）/（-）                 （1）

从校正后高光谱图像（）中提取土壤样本区域，并计算每个样本区域内所有像素点光谱反射率的平均值，以生成一个平均光谱作为此样本的高光谱反射率数据。

1.5  高光谱数据的预处理与特征波段筛选

由于可见光区域和近红外区域的头部和尾部光谱数据均存在噪声，故每个土壤样本只使用可见光区域408～1007 nm和近红外区域1012～2500 nm的光谱数据作为下一步建模的原始高光谱数据，共计504个波段。采用标准正态分布（SNV）、趋势校正（DT）、一阶导数（D1）、最大最小归一化（MMS）及其组合共计4种预处理方法对原始光谱（R）进行预处理，具体包括SNV、DT-MMS、D1-MMS和D1-SNV。

研究中采用相关分析法（CA）和连续投影算法（SPA）对光谱数据进行特征波段提取。CA主要对土壤指标测定值与光谱反射率间的相关程度进行分析，选取通过显著检验的波段作为特征波段。SPA是一种矢量空间共线性最小化的前向变量选择算法。SPA通过将波长投影到其他波长上，比较投影向量大小，以投影向量最大的波长为待选波长，最终基于校正模型选择几个特征波段。其优势在于可以从光谱数据中选择共线性最小的特征波段组合，能有效消除原始光谱矩阵中冗余的信息，提高模型估测的准确性和稳定性。

1.6  样本集划分

为保证建模集和验证集样本中全氮和碱解氮含量分布的均匀性，采用梯度质量法对土壤样本集进行划分。将所有样本分别按照土壤全氮和碱解氮含量高低进行升序排序，然后等间距取出1个样品作为验证集样本，以3∶1的比例将所有土壤样本划分为建模集和验证集。

1.7  建模方法

以偏最小二乘回归（PLSR）、岭回归（RR）、核岭回归（KRR）等3种方法构建全氮和碱解氮含量定量估测模型，其中核岭回归使用rbf作为核函数。使用高光谱数据构建模型时，分别以原始光谱、经4种方法预处理后的光谱全波段和筛选的特征波段为自变量，以土壤全氮和碱解氮含量为因变量，采用系统网格搜索方法对模型参数进行选择，通过十折交叉验证，以建模集均方根误差（RMSET）值最小时确定最佳估测模型。

1.8  模型评估

模型评价指标选用决定系数（）、建模集均方根误差（RMSET）、验证集均方根误差（RMSEV）、和相对分析误差（RPD）。其中均方根误差越小，决定系数越接近1，表明模型的精度越高。RPD值用于评价模型的整体估测性能，当RPD≥2时，表明模型具有较准确的估测能力，当1.4≤RPD<2时，表明模型仅可以对待估测指标进行粗略估测。

模型评估指标具体计算公式参考文献[24]。

1.9  数据分析

高光谱数据提取、光谱数据预处理、特征波段筛选以及估测模型的建立均使用Python 3.9软件；使用Microsoft Excel 2016软件制图。

2  结  果

2.1  植烟土壤全氮和碱解氮含量的统计特征

由表1可知，植烟土壤总样本中全氮含量变化范围为0.40～2.81 g/kg，碱解氮含量变化范围为24.77～216.16 mg/kg。全氮和碱解氮含量建模集和验证集的描述统计特征相近，与总样本各统计特征基本在同一水平，且验证集样本中全氮和碱解氮含量的大小分布范围，均在建模集样本全氮和碱解氮含量大小分布范围之内，表明验证集样本在建模集中具有较好的梯度分布。其中全氮和碱解氮总样本、建模集样本和验证集样本的变异系数均高于40%，属于中等变异水平，离散程度较大。

2.2  不同全氮和堿解氮含量土壤的高光谱反射率特征

图3为不同全氮和碱解氮含量土壤的原始光谱曲线图。从中可见，不同全氮和不同碱解氮含量土壤的高光谱平均反射率曲线存在明显差异，但光谱反射率随波长变化的趋势相似。在400～780 nm可见光范围内光谱反射率迅速上升，在800～1000 nm范围内光谱反射率曲线呈平缓波动变化，在1000～2500 nm近红外范围内光谱反射率呈剧烈波动变化，其中在1000、1400、1900和2200 nm处均存在明显的光谱吸收特征。此外，在1350～2500 nm范围内，不同全氮含量和不同碱解氮含量的土壤光谱反射率出现明显差异，且全氮和碱解氮含量越高，对应的土壤光谱反射率越大，正是由于这种差异的存在为后续模型的建立提供了基础。

2.3  基于全波段的土壤全氮和碱解氮含量估测模型构建与验证

原始光谱经4种方法预处理后，利用PLSR、RR和KRR对植烟土壤全氮和碱解氮含量进行建模估测，建模和验证效果见表2。从中可知，使用不同光谱预处理方法和建模方法建立的土壤全氮和碱解氮含量估测模型精度差异明显；与使用原始光谱建模相比，经4种方法预处理后，在相同建模方法下建立的全氮和碱解氮含量估测模型精度均有不同程度提升。

对全氮而言，原始光谱经4种方法预处理后，使用3种建模方法建立的全氮含量估测模型效果均较好，模型的RPD值均大于2.0，说明这些模型均可对土壤全氮含量进行高精度估测；其中原始光谱经D1-SNV预处理后使用RR建模方法建立的土壤全氮含量估测模型效果明显优于其他模型，模型（D1-SNV-RR）建模集和验证集的分别为0.90和0.94，验证集RMSEV和RPD值分别为0.15和4.00，表明此模型的估测精度最高且误差最小。对碱解氮而言，除运用原始光谱建立的碱解氮含量PLSR估测模型外，其余碱解氮含量模型的估测效果均较好，模型验证集的RPD值均大于2.0。其中原始光谱经D1-SNV预处理后使用KRR建模方法建立的碱解氮含量模型精度明显优于其他模型，模型（D1-SNV-KRR）建模集和验证集的分别为0.98和0.92，验证集RMSEV和RPD值分别为13.37和3.59，验证集的RMSEV最小且RPD值最大。整体看，原始光谱经D1-SNV方法预处理后，使用3种建模方法建立的全氮和碱解氮含量估测模型精度均较高，故在后续运用特征波段建模分析中选择D1-SNV预处理方法对原始光谱进行预处理。

2.4  基于CA和SPA筛选土壤全氮和碱解氮含量的特征波段

2.4.1  相关分析法筛选特征波段  由图4可知，原始光谱经D1-SNV方法预处理后，光谱反射率与全氮和碱解氮含量的相关关系均发生了较大变化。对土壤全氮含量与呈极显著相关的波段数量有11个；经D1-SNV处理后，在近红外区域部分波段下与全氮含量的相关系数明显增大，与全氮含量呈极显著相关的波段数量有101个。碱解氮含量与呈极显著相关的波段数量有274个；经D1-SNV处理后，与碱解氮含量呈极显著相关的波段数量有155个，较原始光谱数量有所下降，但在1700～2000 nm处与碱解氮含量的相关系数显著增大。

2.4.2  基于SPA筛选特征波段  由图5可知，利用SPA算法对D1-SNV预处理后的光谱数据进行特征波段筛选时，不管是全氮还是碱解氮，随着筛选变量数的增加RMSE整体呈下降趋势。对全氮而言，当变量数为13时，RMSE趋于稳定状态，此时通过SPA计算得到13个特征波段，仅占光谱全波段数据的2.58%，这些特征波段分别是474、755、859、946、1359、1387、1403、1703、1981、2091、2196、2241和2495 nm。同理，对碱解氮而言，当变量数为10时，RMSE趋于稳定状态，此时SPA运算得到10个特征波段，分别是546、652、928、946、1403、1731、1814、1931、2047和2495 nm，占光谱全波段数据的1.98%。

2.5  土壤全氮含量估测模型的构建及验证

由表3可知，基于D1-SNV预处理方法，无论使用光谱全波段还是使用CA和SPA筛选的特征波段，3种建模方法建立的估测模型验证集RPD均大于2.0，可以准确地估测土壤全氮含量。使用相同建模方法建模时，运用光谱全波段建立的全氮含量估测模型精度均最高，均高于使用CA和SPA筛选特征波段建模。使用全波段建模情况下，土壤全氮含量估测模型精度排序为RR>PLSR>KRR，采用RR模型估测效果较好（RPD=4.00）；无论是使用CA还是SPA筛选特征波段，全氮含量估测模型精度排序均为KRR>RR>PLSR，其中SPA-KRR估测模型的入选变量最少且精度较高，是估测全氮含量的最优模型，模型建模集和验证集的分别为0.89和0.87，RMSET和RMSEV分别为0.20和0.23，RPD为2.77。

由图6可知，使用全波段构建的PLSR、RR和KRR估测模型验证集全氮含量实测值与估测值大多较均匀分布在1∶1线附近；使用SPA算法筛选特征波段构建的模型较CA筛选特征波段构建的模型数据点更靠近1∶1线。

2.6  土壤碱解氮含量估测模型的构建及验证

由表4可知，基于D1-SNV预处理方法，无论使用光谱全波段还是使用CA和SPA筛选的特征波段，3种建模方法建立的估测模型验证集RPD均大于2.0，可以准确地估测土壤碱解氮含量。使用PLSR和RR方法建模时，运用SPA筛选特征波段建立的碱解氮含量估测模型精度均最高；使用KRR方法建模时，运用全波段建立碱解氮含量估测模型精度最高。综合比较下，无论使用全波段还是SPA筛选特征波段，土壤碱解氮含量估测模型精度排序均为KRR>RR>PLSR；经过CA筛选特征波段后，碱解氮含量估测模型精度排序为RR>PLSR>KRR。其中SPA-KRR估测模型相较于其他模型入选变量最少且精度较高，因此D1-SNV-SPA-KRR模型是碱解氮含量的最优估测模型，模型建模集和验证集的分别为0.81和0.91，RMSET和RMSEV分别为20.55和14.15，RPD为3.39。

由图7可知，使用SPA算法筛选特征波段构建的估测模型验证集碱解氮含量实测值与估测值较均匀地分布在1∶1线附近；使用CA筛选特征波段构建的估测模型验证集实测值与估测值数据点与1∶1线的偏离程度较大。

3  讨  论

3.1  光谱预处理方法对土壤全氮和碱解氮含量建模的影响

建模前对原始光谱进行适当的预处理，可明显降低土壤类型、测量环境不统一和测量仪器自身对采集光谱数据产生的干扰，增强光谱反射率与土壤理化指标间的相关关系，从而提高模型的估测精度。研究发现在相同建模方法下，原始光谱经4种方法预处理后建立的土壤全氮和碱解氮含量估测模型精度均有不同程度提升；这与殷彩云等研究结果相似，其研究表明对原始光谱进行预处理可明显增强估测模型的精度。此外，研究中通过对比不同模型发现使用光谱全波段建模时，土壤全氮和碱解氮含量的最优估测模型均使用了D1-SNV预处理方法。这可能是由于一阶导数（D1）可对重叠光谱进行拆分，扣除了背景漂移，增大了光谱曲线中有效信息特征；而标准正态分布（SNV）有效降低了因土壤颗粒大小不同产生的散射影响；将两者结合起来使用有效消除了光谱数据中的干扰，突出了有效的光谱信息，从而明显提高了估测模型的精度和稳定性。

3.2  基于CA和SPA的土壤全氮和碱解氮含量估测模型对比

对全氮而言，本研究运用CA和SPA分别筛选出了101和13个特征波段，占全波段数据的20.04%和2.58%；对碱解氮而言，运用CA和SPA分别筛选出了155和10个特征波段，占全波段数据的30.75%和1.98%。SPA筛选出的特征波段较CA筛选出的特征波段更少，且相同建模方法下用SPA构建的全氮和碱解氮含量估测模型精度均高于使用CA筛选特征波段建立的模型，这与韩建等和牛芳棚等研究结果基本一致。原因可能是由于CA在篩选特征波段过程中主要检验单个光谱波段，未考虑光谱波段间组合的协同效应。而SPA不仅可以有效降低光谱波段间的共线性影响，剔除光谱数据中的冗余信息，还能考虑到筛选出波段间的协同效应。

本研究基于D1-SNV预处理方法，在2种特征波段筛选方法下运用3种建模方法分别建立土壤全氮和碱解氮含量估测模型，发现使用相同建模方法建模时，运用光谱全波段建立的全氮含量估测模型精度均最高，均高于CA和SPA筛选特征波段建模。原因可能是运用CA和SPA筛选出用于建模的特征波段数量较少，与光谱全波段相比损失了大部分重要光谱信息，导致使用特征波段构建的土壤全氮含量估测模型精度低于使用全波段建模。此外，研究中发现无论全氮还是碱解氮，基于D1-SNV预处理方法使用SPA筛选特征波段构建的KRR估测模型不仅入选变量最少且精度较高，是估测全氮和碱解氮含量的最优模型。其中估测全氮含量的D1-SNV-SPA-KRR模型验证集、RMSEV和RPD分别为0.87、0.23和2.77；与彭远新等、JIA等以及孙小香等建立的土壤全氮含量最优模型相比精度更高。研究中估测碱解氮含量的D1-SNV-SPA-KRR模型验证集的为0.91，RMSEV为14.15，RPD为3.39；与刘秀英等建立的土壤碱解氮含量最优估测模型相比估测效果更好。

研究中建立的估测模型可以对会理市和会东县植烟土壤全氮和碱解氮含量进行高精度估测，但是否对于其他区域植烟土壤具有普适性，还需要采集更多具有代表性的植烟土壤样品对模型进行验证。本研究全氮和碱解氮含量估测模型精度较高的原因可能有以下两个方面：一方面是研究区域尺度较小，所取土壤类型基本为红壤土和紫色土，土样的内部组成和理化性质较为相似，在一定程度上降低了土壤类型差异对光谱数据采集的影响；另一方面因为高光谱成像系统可以扫描区域内所有像素点的光谱数据，比基于点获取的高光谱数据能更加准确全面地反映土样的光谱反射率特征。

4  结  论

1）在1350～2500 nm范围内，不同全氮含量和不同碱解氮含量的土壤光谱反射率存在明显差异，且同一波段下光谱反射率随全氮和碱解氮含量的增加而增大。

2）使用全波段建模时，原始光谱经4种预处理方法处理后，建立的土壤全氮和碱解氮含量估测 模型精度显著提高；其中原始光谱经D1-SNV预处理后，建立的全氮和碱解氮含量估测模型精度均较高。基于D1-SNV预处理方法，使用特征波段建模时，SPA的降维效果优于CA，且相同建模方法下用SPA构建的全氮和碱解氮含量估测模型精度均高于使用CA建立的模型。

3）综合比较下，光谱经D1-SNV预处理后，用SPA筛选特征波段构建的全氮和碱解氮含量KRR估测模型精度均较高。运用高光谱成像技术能够实现植烟土壤全氮和碱解氮含量的快速高精度估测。本研究可为植烟土壤信息快速获取提供方法参考。

参考文献

[1]BRUNING B， LIU H J， BRIEN C， et al. The development of hyperspectral distribution maps to predict the content and distribution of nitrogen and water in wheat （Triticum aestivum）[J]. Frontiers in Plant Science， 2019， 10： 1380.

[2]CHEN Z Y， REN S J， QIN R M， et al. Rapid detection of different types of soil nitrogen using near-infrared hyperspectral imaging[J]. Molecules， 2022， 27（6）： 2017.

[3]劉国顺. 烟草栽培学[M]. 北京：中国农业出版社，2003.

LIU G S. Tobacco cultivation[M]. Beijing： China Agricultural Machinery Press， 2003.

[4]彭畅，朱平，牛红红，等. 农田氮磷流失与农业非点源污染及其防治[J]. 土壤通报，2010，41（2）：508-512.

PENG C ， ZHU P ， NIU H H， et al. Nitrogen and phosphorus loss of farmland agriculral non-point source pollution and its prevention[J]. Chinese Journal of Soil Science， 2010， 41（2）： 508-512.

[5]肖钰. 四川植烟土壤特征分析及健康评价[D]. 北京：中国农业科学院，2021.

XIAO Y. Characteristics and health evaluation of tobacco planting soil in Sichuan Province[D]. Beijing： Chinese Academy of Agricultural Sciences， 2021.

[6]吕小娜，庞夙，李廷轩，等. 四川省凉山州新植烟区土壤养分状况分析及综合评价[J]. 土壤通报，2013，44（3）：691-697.

LYU X N， PANG S， LI T X， et al. Analysis and comprehensive evaluation of soil fertility status for tobacco-planted areas in Liangshan， Sichuan Province[J]. Chinese Journal of Soil Science， 2013， 44（3）： 691-697.

[7]HE Y， LIU X D， LV Y Y， et al. Quantitative analysis of nutrient elements in soil using single and double-pulse laser-induced breakdown spectroscopy[J]. Sensors， 2018， 18（5）： 1526.

[8]BREMNER J M. Determination of nitrogen in soil by the Kjeldahl method[J]. The Journal of Agricultural Science， 1960， 55： 11-33.

[9]BOSCH OJEDA C， SANCHEZ ROJAS F. Recent applications in derivative ultraviolet/visible absorption spectrophotometry： 2009-2011[J]. Microchemical Journal， 2013， 106： 1-16.

[10]LIN L X， GAO L P， XUE F C， et al. Hyperspectral analysis of total nitrogen in soil using a synchronized decoloring fuzzy measured value method[J]. Soil and Tillage Research， 2020， 202： 104658.

[11]LI H Y， JIA S Y， LE Z C. Quantitative analysis of soil total nitrogen using hyperspectral imaging technology with extreme learning machine[J]. Sensors， 2019， 19（20）： 4355.

[12]KAWAMURA K， TSUJIMOTO Y， RABENARIVO M， et al. Vis-NIR Spectroscopy and PLS regression with waveband selection for estimating the total C and N of paddy soils in Madagascar[J]. Remote Sensing， 2017， 9（10）： 1081.

[13]XU S Y， WANG M Y， SHI X Z， et al. Integrating hyperspectral imaging with machine learning techniques for the high-resolution mapping of soil nitrogen fractions in soil profiles[J]. Science of The Total Environment， 2021， 754： 142135.

[14]ZHANG S， LU X， ZHANG Y Z， et al. Estimation of soil organic matter， total nitrogen and total carbon in sustainable coastal wetlands[J]. Sustainability， 2019， 11（3）： 667.

[15]刘秀英，王力，常庆瑞，等. 基于相关分析和偏最小二乘回归的黄绵土土壤全氮和碱解氮含量的高光谱预测[J]. 应用生态学报，2015，26（7）：2107-2114.

LIU X Y， WANG L， CHANG Q R， et al. Prediction of total nitrogen and alkali hydrolysable nitrogen content in loess using hyperspectral data based on correlation analysis and partial least squares regression[J]. Chinese Journal of Applied Ecology， 2015， 26（7）： 2107-2114.

[16]王涛，喻彩丽，张楠楠，等. 基于去包络线和连续投影算法的枣园土壤电导率光谱检测研究[J]. 干旱地区农业研究，2019，37（5）：193-199.

WANG T， YU C L， ZHANG N N， et al. Spectral detection of electrical conductivity in jujube orchard soil based on continuum- removal and SPA[J]. Agricultural Research in the Arid Areas 2019， 37（5）： 193-199.

[17]WANG S J， CHEN Y H， WANG M G， et al. SPA-based methods for the quantitative estimation of the soil salt content in saline-alkali land from field spectroscopy data： a case study from the Yellow River irrigation regions[J]. Remote Sensing， 2019， 11（8）： 967.

[18]鲍士旦. 土壤农化分析（第三版）[M]. 北京：中国农业出版社，1999.

BAO S D. Soil agrochemical analysis （third edition） [M]. Beijing： China Agricultural Machinery Press， 1999.

[19]沈从旺. 土壤pH值和全钾含量高光谱反演及影响因素研究[D]. 重庆：西南大学，2020.

SHEN C W. Study on hyperspectral inversion of soil pH and total potassium content and influencing factors[D]. Chongqing： Southwest University， 2020.

[20]牛芳鹏，李新国，麦麦提吐尔逊·艾则孜，等. 基于连续投影算法的博斯腾湖西岸湖滨绿洲土壤有机碳含量的高光谱估算[J]. 浙江大学学报（农业与生命科学版），2021，47（5）：673-682.

NIU F P， LI X G， MAMATTURSUN·E， et al. Hyperspectral estimation of soil organic carbon content in the west lakeside oasis of Bosten Lake based on successive projection algorithm[J]. Journal of Zhejiang University （Agric. & Life Sci.）， 2021， 47（5）： 673-682.

[21]PANG L， WANG J H， MEN S， et al. Hyperspectral imaging coupled with multivariate methods for seed vitality estimation and forecast for Quercus variabilis[J]. Spectrochimica Acta （Part A）： Molecular and Biomolecular Spectroscopy， 2021， 245： 118888.

[22]張东辉，赵英俊，秦凯. 一种新的光谱参量预测黑土养分含量模型[J]. 光谱学与光谱分析，2018，38（9）：2932-2936.

ZHANG D H， ZHAO Y J， QIN K. A new model for predicting black soil nutrient content by spectral parameters[J]. Spectroscopy and Spectral Analysis， 2018， 38（9）： 2932-2936.

[23]陆龙妹，张平，卢宏亮，等. 淮北平原土壤高光谱特征及有机质含量预测[J]. 土壤，2019，51（2）：374-380.

LU L M， ZHANG P， LU H L， et al. Hyperspectral characteristics of soils in Huaibei plain and estimation of SOM content[J]. Soils， 2019， 51（2）： 374-380.

[24]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）：44-51.

WANG Y D， ZHAO M Q， LIU P F， 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）： 44-51.

[25]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 D D， HUANG S M， ZHANG S Q， et al. Comparative analysis of various hyperspectral prediction models of fluvo-aquic soil organic matter[J]. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（21）： 192-200.

[26]SHEN L Z， GAO M F， YAN J W， et al. Hyperspectral estimation of soil organic matter content using dfferent spectral preprocessing techniques and PLSR method[J]. Remote Sensing， 2020， 12（7）： 1206.

[27]殷彩云，白子金，罗德芳，等. 基于高光谱数据的土壤全氮含量估测模型对比研究[J]. 中国土壤与肥料，2022（1）：9-15.

YIN C Y， BAI Z J， LUO D F， et al. Comparative study on estimation models of soil total nitrogen content based on hyperspectral data[J]. Soil and Fertilizer Sciences in China， 2022（1）： 9-15.

[28]CHU Y W， TANG S S， MA S X， et al. Accuracy and stability improvement for meat species identification using multiplicative scatter correction and laser-induced breakdown spectroscopy[J]. Optics Express， 2018， 26（8）： 10119.

[29]韩建，李雨昭，曹志民，等. SPA-PLS的高含水原油近红外光谱含水率分析[J]. 光谱学与光谱分析，2019，39（11）：3452-3458.

HAN J， LI Y Z， CAO Z M， et al. Water content prediction for high water-cut crude oil based on SPA-PLS using near infrared spectroscopy[J]. Spectroscopy and Spectral Analysis， 2019， 39（11）： 3452-3458.

[30]于雷，洪永勝，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 L， HONG Y S， GENG L， et al. Hyperspectral estimation of soil organic matter content based on partial least squares regression[J]. Transactions of the Chinese Society of Agricultural Engineering， 2015， 31（14）： 103-109.

[31]彭远新，蒙永辉，徐夕博，等. 基于随机森林算法的潍北平原土壤全氮高光谱估算[J]. 安全与环境学报，2020，20（5）：1975-1983.

PENG X Y， MENG Y H， XU X B， et al. Estimation for the total nitrogen content rate in the soil of Weibei Plain based on the random forest algorithm and hyper-spectral[J]. Journal of Safety and Environment， 2020， 20（5）： 1975-1983.

[32]JIA S Y， LI H Y， WANG Y J， et al. Hyperspectral imaging analysis for the classification of soil types and the determination of soil total nitrogen[J]. Sensors， 2017， 17（10）： 2252.

[33]孙小香，赵小敏，谢文. 基于高光谱的山地红壤全氮含量估测模型对比研究[J]. 江苏农业科学，2018，46（15）：287-291.

SUI X X， ZHAO X M， XIE W， et al. Comparative study on estimation models of total nitrogen content in mountain red soil based on Hyperspectral data[J]. Jiangsu Agricultural Sciences， 2018， 46（15）： 287-291.