杨 莎 ，王 超 ，杨武德 ，冯美臣 ，刘婷婷 ，乔星星 ，李广信 ，张 煊 ，徐 菁，张 月

（1.山西农业大学农学院，山西太谷030801；2.沁水县综合检验检测中心，山西沁水048200；3.山西省农业科学院作物科学研究所，山西太原030031）

土壤有机质（SOM）是表征土壤质量的重要参考指标，且其与作物生长紧密相关。如何准确地获取SOM信息是改变土壤的生产力水平、调控农田肥力和作物生长的关键。SOM质量指标的传统测定方法成本高、操作复杂，难以满足现代农业快速发展的需求[1]。目前，低成本、快速、无害的光谱技术被应用于农业、化工和食品等领域[2-4]，也可用于分析土壤有机质含量及性质方面[5]。

目前，已有诸多研究者利用近红外光谱监测SOM指标的研究方法取得了良好成果。ZORNOZA等[6]对土壤多个属性进行光谱监测，结果证实，SOM与光谱之间的相关性最好。GALVA等[7]研究证明了SOM引起光谱在550～700 nm处的吸收。由此表明，土壤高光谱包含着丰富的信息，被广泛应用于估测土壤的理化性质[8]，采用高光谱监测SOM是可行的。在已有研究中，研究者通过采用不同光谱变换结合建模方法建立预测模型，但缺乏对多种预处理结合建模的了解。

本研究以晋南农田土壤为对象，通过对光谱数据进行变换，分析SOM含量与土壤光谱的相关性，以确定敏感光谱波长；并采用多种预处理方法相结合建立多元逐步回归模型，以期实现SOM含量的光谱监测。

1 材料和方法

1.1 材料

试验在晋南麦区共采集0～20 cm土层土样169个，用密封袋将其带回实验室，阴干后过2 mm筛，备用。

1.2 方法

1.2.1 光谱数据处理 为解决因土壤表面吸收、散射引起的信号强度的线性或非线性变换及信号噪声问题，去除350～399、2 401～2 500 nm这2个光谱区域，对原波段光谱反射率（R）进行一阶微分（1st）、多元散射校正（MSC）、标准正态变换（SNV）、多元散射校正与一阶微分相结合（MSC＋1st）以及标准正态变换与一阶微分相结合（SNV＋1st）变换。

1.2.2 光谱波长选择 为简化模型、提高精度，利用对SOM含量与光谱反射率的不同变换形式进行相关性分析，并根据相关系数最大且需通过P＝0.01显著性检验的标准来确定敏感波长。

1.2.3 估测模型的建立 采用多元逐步回归（MLR）建立SOM高光谱线性估测模型，其中，自变量为所有筛选出的敏感波长，因变量为SOM含量。1.2.4 模型评价参数 模型的检验采用决定系数（R2），均方根误差（RMSE）与相对分析误差（RPD），模型的R2越大、RMSE越小和RPD越高，表明模型估算效果好和模型稳健度越高[9]。

1.3 测定项目及方法

使用美国ASD光谱仪测定各土壤样本的高光谱数据；采用重铬酸钾容量法-外加热法测定SOM含量[10]。

1.4 数据分析

应用The Unscramble X 10.4软件分析数据，使用Origin 9进行作图。

2 结果与分析

2.1 SOM含量的描述性统计分析

将169个土壤样本随机分为建模集（110个）和验证集（59个）。各数据集SOM的描述性统计分析如表1所示。

表1 样本集SOM含量的描述性统计分析

由表1可知，SOM样本集最大值为15.471 g/kg，最小值为0.411 g/kg，表明取样点的SOM含量相差较大。总样本集的变异系数为47.86%；建模样本集和验证样本集的变异系数分别为48.08%和47.38%，属于中等变异，表明SOM含量较离散。

2.2 SOM与土壤光谱的响应分析

为探究SOM与土壤高光谱的响应特性，研究了不同SOM水平下的原始光谱，结果如图1所示。由图1可知，不同SOM含量下的土壤样本光谱反射率不同，但其反射率曲线整体变化趋势相似，且光谱反射率随SOM含量的升高而降低，表明土壤光谱与SOM含量密切相关，且二者呈负相关。

2.3 SOM与土壤光谱的相关性及光谱特征提取分析

将原始光谱进行 1st、SNV、MSC、SNV＋1st与MSC＋1st处理，并分析原始光谱和预处理光谱与SOM含量的相关性，结果图2所示。从图2可以看出，R与SOM含量的最大相关系数为-0.590，筛选出的敏感波长为 598、597、599、595、600 nm；R 经1st变换后与SOM含量的最大相关系数分别为0.630、-0.627、-0.626、-0.625 和 -0.623，筛选出的敏感波长分别为 837、567、547、563、556 nm；SNV变换后与SOM含量的最大相关系数分别为-0.651、-0.650、-0.650、-0.650和 -0.650，筛选出的敏感波长分别为678、672、674、673、669 nm；MSC变换后与SOM含量的最大相关系数分别为-0.647、-0.647、-0.647、-0.646和-0.646，筛选出的敏感波长分别为678、677、674、673、672 nm；SNV＋1st变换后与 SOM含量最大相关系数分别为-0.684、-0.648、-0.648、-0.643和-0.642，筛选出的敏感波长分别为580、567、571、560、535 nm；MSC＋1st变换后与 SOM含量的最大相关系数分别为-0.684、-0.650、-0.649、-0.645和-0.645，筛选出的敏感波长分别为580、567、571、535、560 nm。可以看出，R 与 SOM含量的相关系数最低，但经不同预处理后，部分波长反射率与SOM含量的相关性均有所提高，其中，与SOM含量相关性最高的预处理为MSC＋1st变换，其次为SNV＋1st变换，最低的为1st变换。

2.4 SOM光谱监测

根据图2中各项处理选择的波长进行MLR建模，模型表现如表2所示。

表2 土壤SOM含量估测模型

由表2可知，1st预处理后建立的校正模型R2为0.60，RMSE为1.86，RPD为1.61，各项参数值均较好，但其验证模型的RPD为1.38，小于1.40，故该模型不可用；SNV与MSC预处理后构建的验证模型R2分别为0.76与0.74，RMSE均为2.07，RPD均为1.47，模型比较稳定，但其校正模型的RPD都为1.38，小于1.40，故该模型不可靠；SNV＋1st与MSC＋1st变换后构建的校正模型R2分别为0.56与0.58，RPD分别为1.46与1.57，均高于SNV与MSC模型参数。在验证模型中，SNV＋1st模型的R2最大，为0.78；MSC＋1st模型的 RMSE 最低，为 2.00，而 RPD最大，为1.52。故这2种模型各项参数值均较好，模型稳定可靠，预测精度比较高。但是无论在校正模型还是验证模型中，MSC＋1st的RPD均高于SNV＋1st，故选定MSC＋1st为最佳预处理方式。

3 结论与讨论

3.1 SOM的光谱特性分析

徐明星等[11]研究表明，光谱反射率与SOM呈负相关。沈强等[12]从不同SOM含量的反射率曲线相似性得出，SOM含量并不是光谱反射率存在差异的主要原因。经分析可知，SOM含量与光谱反射率成反比，且光谱曲线还受土壤颜色、盐分、含水量、氧化铁、氧化锰含量的影响[13]。有研究表明，根据敏感波长建立的预测模型精度更高，对未知SOM含量的土样解释性一般更好[14]。本研究发现，R经1st、SNV＋1st、MSC＋1st变换后的敏感波长均含有567 nm，经SNV＋1st、MSC＋1s 变换后都含有 580、567、571、560、535 nm波长，经SNV，MSC变换后的特征波长含有672、673、674、678 nm，这些波长对光谱预测SOM含量的响应最明显，与SOM含量具有紧密的关系。此外，韩春兰等[15]证实了光谱区域445～605 nm能够敏感响应SOM。石朴杰等[16]确定了SOM的敏感区域（545～585 nm）。此外，也有研究证实，590～770 nm的波长可以用于表征SOM[2]。以上所有特征波长均属于可见光部分（380～780 nm），表明可见光部分的波长对SOM含量响应较敏感。

3.2 光谱预处理对SOM光谱监测的影响

与原始光谱相比，光谱预处理后可提高其与SOM含量的相关性，其中，经1st变换后的波长837 nm与SOM含量的相关系数可达0.630，这可能是因为微分变换使曲线的倾斜效应和基线偏移减少，增强了光谱变换和压缩的影响，最终使得相关系数得以提高[17]。MSC变换可以消除大小不一的样品颗粒对光谱曲线的影响[18]，故R经MSC变换后的波长678 nm与SOM的相关系数高达-0.647；SNV处理能有效降低土样表面散射、增强光谱吸收信息[19]，因此R经SNV变换后的波长678 nm与SOM的相关系数高达-0.651；因MSC＋1st变换后580 nm处的波长相关系数提高到了-0.684，在本研究与S0M的相关性分析中达到最大，可得R经不同组合预处理后也可明显提高与SOM的相关性。另外，王永敏等[2]研究提出，通过对R进行数据变换可以有效提高土壤光谱反射率与其SOM的相关性，但不合适的变换亦可使其相关性下降。本研究表明，R的所有波长反射率与SOM的相关系数均通过了显著性检验（P＜0.01），而在 1st、SNV、MSC、SNV＋1st与MSC＋1st相关系数中，均有大量波长与SOM含量的相关系数未通过显著性检验，故波长经不合适变换后与SOM的相关性下降。

本研究表明，R经SNV＋1st与MSC＋1st预处理后，特征波长相同、相关系数图形相似，表明SNV＋1st与MSC＋1st对于预测光谱模型具有相似的效果，且MSC＋1st与SOM相关性高于SNV＋1st。MSC＋1st模型较SNV＋1st模型精度更高，可能是由于R经不同预处理后筛选出的与SOM相关性更高的特征波长更适合构建预测模型。在MLR模型中，MSC＋1st模型精度最高。表明多种预处理方法结合与单一预处理方法相比，构建的模型精度更高，预测效果更好。原因是由于单一预处理方法无法全面地排除干扰因素，而多种预处理方法相结合构建模型，能显著消除无关因素，提高敏感波长与SOM的相关性[20]。

综合以上可知，SOM含量与光谱反射率密切相关，且成反比，最佳特征波长为 580、567、571、560、535、672、673、674、678 nm，其中，MSC＋1st为最佳预处理方式。MSC＋1st耦合MLR构建的验证模型R2为 0.74，RMSE 为 2.00，RPD为 1.52，模型精度最佳，预测效果最好。研究结果可为未来大样本SOM含量估算提供一定的理论依据。