土壤的光谱特征及其有机质含量预测

土壤的光谱特征及其有机质含量预测

　　利用5 种不同类型土壤样本的光谱特征曲线和有机质含量数据，分析680～2 500 nm 范围内而成的光谱指数与土壤有机质含量的关系，构建适合于这5 种不同类型土壤有机质含量的定量模型。以期为土壤有机质含量的快速监测提供技术依据.

　　1 材料与方法

　　1.1 土样采集与处理

　　5种不同的土壤，每种土壤取10个样本。所有样品为基于梅花法5 点采集的混合样本，经自然风干后，用木棒压磨后粗略去除砂砾及植物残体，然后过20 目筛子混合均匀，供光谱测试和化学分析用。

　　1.2 土壤有机质测定

　　采用重铬酸钾容量法-外加热法分析有机质含量。不同采样地点获取的土壤样品的有机质含量特征，不同地区有机质含量差异较大。从整体样本来看，有机质的标准偏差为10.60，表明整体样本覆盖的土壤类型较广泛、有机质变异较大，有利于分析建模。

　　1.3 光谱测量

　　运用近红外光谱仪测量土壤样品的反射光谱数据，其波长范围为680～2 500 nm，采样间隔为1 nm。光源为仪器配套的功率为5W 的卤素灯。操作环境为实验室进行，采样方式为样品杯顶窗旋转漫反射采样。把适量经过筛处理的土壤样品倒入样品杯中，样品杯盖自然压实，使其底面尽量平整，厚度在样品杯的1/3-1/2之间(约2cm)。每次扫描为24张光谱的平均光谱，共扫描3次。共得150张样品光谱。

　　1.4 土壤光谱的预处理

　　为消除背景噪音的影响，变非线性关系为线性关系，常对原始反射率作倒数、平方根、对数、倒数的对数、一阶导数和二阶导数的变换。比较而言，一阶导数可以迅速确定光谱的拐点及最大、最小反射率的波长位置。光谱经过低阶导数处理以后，对噪声影响的敏感性有所降低，因而在实际应用中较为有效。因此，本文在建立模型前采用Savitzky-Golay 平滑(SG 平滑)[19]及Norris 平滑滤波[20]两种方式对一阶导数光谱进行预处理。

　　1.5 数据分析方法

　　将150个混合样本随机分成两组，一组用于建立回归预测模型(建模样本，共120 个)，另一组用于验证模型的可靠性(检验样本，共30 个)，为了估测和反演土壤有机质含量，分析谱图与土壤有机质含量的关系，以筛选最佳的估测土壤有机质含量的光谱参数。本文首先采用PCA方法选择建模较好的样本，再使用PLS计算矫正模型。

　　土壤有机质估测模型的预测精度采用预测值和实际值的决定系数R2、均方根误差RMSE 和相对分析误差RPD(检验样本标准差SD与预测均方根误差RMSE的比值)来衡量。R2 越大，RMSE 越小说明模型的精度越高。另外，当RPD>2 时表明模型具有极好的预测能力，当1.4

　　2 结果与分析

　　2.1 不同类型土壤光谱变化特征

　　从680～2 500 nm 波段范围的光谱反射率来看，土壤光谱曲线除在1 400、1 900 和2 200 nm 处存在明显的水分吸收峰，整体光谱曲线表现平缓，土壤有机质在光谱曲线上无明显谱峰。光谱的吸收不同土壤类型具有的不同颜色所致，如砂浆黑土颜色较深，吸收多而反射率较低。

　　2.2 土壤有机质模型的检验

　　为了对土壤有机质含量的预测能力，本文利用独立于建模样本外的样品对上述模型进行了测试和检验。结果显示，预测决定系数为0.84，均方根误差RMSE 为3.64，RPD 为2.60。

　　3 讨论

　　土壤反射光谱特性是土壤的基本特征之一，它与土壤的物理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。土壤有机质通过影响土壤理化特性和生物特性来影响土壤肥力，是衡量土壤肥力的重要指标之一。本文利用PLS计算方法建立预测模型，其预测精度是可以满足土壤有机质监测的需要，本实验的样品均经过风干、研磨等处理，当用到田间预测时，土壤有机质参数及其估算模型还需进一步检验和完善。

　　4 结论

　　本文基于5 种不同类型土壤样本，用PLS化学计量学方法建立土壤中有机质的预测模型，通过模型外样本进行验证，得出很好的预测结果。说明近红外光谱技术检测土壤中有机质含量是可行的。