覃 荣，石媛媛，唐 健，覃祚玉，潘 波，赵隽宇★

（1.广西国有高峰林场，广西 南宁530028；2.广西壮族自治区林业科学研究院·广西林用新型肥料研发中心，广西 南宁530002）

在森林生态系统中，土壤是植物生长发育的基础，为植物提供必要的生存环境、营养物质。同时，土壤又是十分复杂的物质，其中有机-无机物互作，动物、植物和微生物共生，固相、液相和气相共存。因此土壤所含的信息量巨大[1]，高效、精准地获取森林土壤的信息数据，对森林资源的培育、保护与利用具有重要意义[2-3]。目前获取土壤信息的方法主要通过实验室分析[4-6]。基于实验室分析方法获取的土壤信息虽然较为精确，但测定成本高昂，分析时效性较差，获取的土壤信息点位数量有限[7]。随着林业信息化的快速发展，人们对分析的时效性和成本提出了更高的要求，传统的实验手段难以实现实时、动态化地获取森林土壤信息的需求[8-9]。可见-近红外光谱（Visiblenear-infrared spectroscopy，VIRS）分析技术的迅猛发展为低成本、高效地获取森林土壤信息提供了一种新的解决方式[10]。

VIRS 技术是一种具有快速、准确且重现性良好等特点的现代分析技术。VIRS 技术检测的优点很多，一方面是不需要对样品进行化学手段的前处理，不会产生因为化学废液处理不当而导致的环境污染风险；另一方面是使用较为简单，操作步骤少，对检测人员的素质要求不高，使用成本较低[11]。同时，由于其集合了光谱学、遥感学、化学计量学、统计学等学科的特点，呈现出多学科交叉与融合，在医疗[12]、农业[13-14]、分析化学等领域都得到了广泛的应用，并取得了显著的成效。

本文收集、整理了近年来国内外学者就可见-近红外光谱技术在森林土壤学研究中的相关研究进展进行综述，介绍了VIRS技术检测的基本流程（包括前处理方法）以及光谱数据处理与分析方法。针对可见-近红外光谱技术在林业遥感、土壤数字制图、环境监测等方面的意义和未来发展方向展开讨论，以促进可见-近红外光谱技术在森林土壤研究领域中的应用。以现代化科学研究方法提高研究深度与效率，提升林业科技水平，促进林业高质量、可持续发展。

1 可见-近红外光谱概述

可见-近红外光谱的检测原理是根据分子内部原子间的相对振动和分子转动等信息（如C-C、C-O、C-H、N-H 等官能团）对光谱波段的基频和倍频吸收获取样品光谱数据[15-16]，通过建立光谱数据与检测指标的回归模型，实现对样品组分的定量分析。这种分析方法具有检测时间短、成本低、信息量大、样品无损且适用范围广（气体、液态、固态、粉末均可以直接测定）等特点[17-18]。由于物质的光学特性是其内部特定元素或分子所特有的，可以作为指纹进行识别，实现样品的定性分析[15]。可见-近红外光谱吸收谱图包含可见光区域（350~780 nm），近红外光谱区域（780~2 500 nm），由于可见光区域受样品颜色、材质等因素影响较多，因此样品信息主要通过近红外光谱区域获取。森林土壤中主要监测指标如有机质、氮、磷、钾、有效铁、铜等有效元素含量信息均包含在可见-近红外光谱区域，通过对光谱图的解析，可以有效获取这些信息。

森林土壤的可见-近红外光谱分析主要包括以下几个步骤：1）土壤样品采集；2）土壤样品前处理与制备；3）土壤样品常规化学测定以及光谱数据采集；4）可见-近红外光谱谱图解析、数学变换、特征波段提取，以提高分辨率，降低信息冗余量；5）建立特征波段反演模型，通过线性、非线性建模手段建立光谱数据与土壤信息之间的预测模型。

图1 可见- 近红外光谱区域划分Fig.1 Visible - NIR spectral region division

1.1 样品采集与制备

土壤样品采集是土壤分析工作的重要环节，涉及到采样点的选择、采样方法、采样时间、采样数量，需根据研究内容与目的确定，通常采用剖面法采集土壤样品[19]。土壤样品制备是光谱分析工作的重要环节，直接影响分析结果的正确与否，根据不同的研究目的以及红外光谱设备不同而改变。土壤样品前处理多采取自然风干，研磨后过孔径0.149 mm 土筛，风干后能显著排除土壤水分对光谱数据采集的影响，土筛孔径越小土壤表面越均匀，测定结果较为准确[20]。

1.2 实验室分析与光谱采集

土壤化学性质测定均采用常规分析方法，如有机质采用重铬酸钾外加热法测定；全氮、碱解氮采用凯氏定氮法测定；全钾采用火焰光度计法测定；有效金属元素等采用M3 溶液浸提后，原子吸收仪测定[4]。

可见-近红外光谱测定实验需要在暗室内进行，光谱仪器选择以及基本参数设定：波段范围应介于可见-近红外波段（350~2 500 nm），分辨率≥1 nm，探头视场角约为15°，光源采用仪器配套的50 W 卤素灯，光源入射角一般设置为45°。土壤样本装入直径7 cm、深约1.5 cm 的样品杯，抹平并压实，探头距土壤表面5cm，采用仪器控制器扣除空气背景值后测定土壤光谱数据。为保证光谱数据的准确性，每个土壤样本均采集10 次光谱数据，取算术平均值为最终土壤光谱数据。

1.3 光谱数据预处理

原始的光谱数据常用特定的表达式来描述：反射强度（所有沿光谱范围的反射，不考虑特征和峰）；吸收特征（吸收在曲线上，呈凹陷）；反射峰（正、窄反射率为峰值）；形状（格式或特定行为）[21-22]。由于土壤理化状态很复杂，各个参数间相互干扰，需要对原始光谱数据进行预处理，减少冗余信息，提高信噪比。根据土壤性质、研究目的选择不同的数学变换方式。平滑(Smoothing)主要是用于消除光谱仪包含的随机误差，提高信噪比；导数(Derivative)是光谱分析中常用的基线校正和光谱分辨的预处理方法；标准正态变换(Standard normal variate，SNV)主要是用来消除固体颗粒大小、表面散射以及光程变化对近红外漫反射光谱的影响；多元散射校正 (Multiplicative scatter correction，MSC)的目的和SNV 基本相同，在固体漫反射和浆状物透射中应用较广；小波变换(Wavelet transform algorithm，WTA) 在时域和频域同时具有良好的局部化性质；以及近年来国际上提出的一种连续波段优选方法—移动窗口(Moving window partial least square，MWPLS)等[16,23]。

1.4 反演模型的建立

由于土壤信息复杂，同时光谱数据量大，导致信息冗余，光谱分析技术涉及到大量运算，其复杂程度较高，因此选择高效、稳定的数学模型是光谱技术推广应用的基础[24]。目前常用的方法主要有多元线性回归（Multiple Linear Regression）、偏最小二乘法（Partial Least-Square,PLS）、主成分回归（Principle Component Regression,PCR）等线性回归模型，以及近年来发展较为迅猛的非线性回归模型，如随机森林法（Random Forest）、支持向量机（Support Vector Machine, SVM）、人工神经网络（Artificial Neural Network，ANN）等。

2 可见-近红外光谱技术在土壤成分检测中的应用

2.1 土壤水分

土壤水分是作物生长的必要要素之一，是土壤肥力的物质基础；由于不同的自然环境条件，土壤的含水量可能有很大的不同，利用可见-近红外光谱技术可以实现森林水分的实时、大范围的监控[25]。自1970年代起，Bower 等[26]研究发现了土壤水分与光谱特征之间的相关性并建立估测模型，由此使该技术正式进入应用阶段。宋韬等[27]利用美国ASD 可见-近红外光谱仪测定了52 份不同含水量土壤光谱，采用相关性分析筛选敏感波段并建立一元回归模型，模型的预测相关系数R2为0.9665，预测均方根误差RMSEP=0.0121。水虽然是简单的无机物，但是纯水中的-O-H官能团对光谱特征有显著影响，主要通过掩盖其吸收特征或降低反射率强度来影响土壤中其他成分的光谱行为[28]。Xiguang Yang 等[29]为减少环境变量对森林土壤水分响应光谱的影响，研究了一种基于实验室光谱数据反演土壤水分含量的方法，发现土壤水分响应波段主要集中在1 400~1 900 nm，土壤水分估计的平均精度范围为90%~92%。由于森林土壤水分的影响因素较于农田土壤更为复杂，目前有关森林土壤水分反演的研究相对较少，亟待开展深入研究。

2.2 土壤有机质

土壤有机质是土壤固相物质的重要组成部分，其含量的高低显著影响着土壤容重、养分释放、微生物及土壤酶活性等土壤性质的变化，同时也对土壤形成、水土保持以及森林可持续经营有着重要意义[30]。自1980 年代开始，国内外学者在土壤有机质含量高光谱技术快速测定方面已做了大量的研究，并取得了较好的成效。Conforti 等[31]研究表明，土壤有机质的含量与可见-近红外光谱反射率呈现显著负相关的关系。黄梦曦等[32]以南酸枣落叶阔叶林和石栎-青冈常绿阔叶林土壤为研究对象，建立了土壤有机碳的可见-近红外光谱反演模型，拟合模型R2达到0.9 以上。苏玉珍等[33]通过对山西关帝山森林土壤有机质的可见及近红外光谱分析，表明利用PLS 建立定标模型效果最优。尹正宇等[34]利用SAS 分析模块将三库分离数据与光谱反射率数据进行多元逐步回归分析，筛选了森林土壤有机碳的敏感波段并建立了估测模型。近些年研究表明，土壤有机质含量与光谱响应之间往往存在非线性关系，诸如支持向量机（SVM）、随机森林（RF）、人工神经网络（ANN）等人工智能（AI）算法因其对非线性问题具有较强的解释能力而备受关注[35]。Patrick Filippi 等[36]通过随机森林模型实现了对新南威尔士州西南部拉克兰河河谷下游的半干旱灌溉棉花种植区中层土壤（0.3~0.5 m）SOC 含量建模。Wang等[37]采用增强回归树模型对受到雨水侵蚀后的土壤沉积物中SOC 含量实现优化预测。随着AI 算法的不断迭代与更新，构建土壤有机质含量与光谱响应数据之间的非线性模型将会逐渐替代传统线性模型。

2.3 土壤养分指标

土壤养分是指存在于土壤中的植物必需的营养元素，养分含量的供应能力会显著影响植株的生长状况。因此，土壤养分的实时监控与管理显得尤为重要[38]。在各养分元素中，植物对氮、磷、钾3 种元素的需求量较大，同时在土壤中的含量也较高，因此相关研究较为充分。徐永明、鲍一丹、高洪智、袁石林等[39-42]分别用主成分分析、BP 神经网络、PLSR 等方法对土壤中的氮含量进行了预测，对特征波长的筛选方面进行了深入研究，并取得了良好的效果。王文俊等[43]以山西典型褐土土壤为研究对象，选取了144 个土壤样品，分别采用平均光谱曲线（R）、一阶导数（FD）、R 与FD 共同建模、R 与FD 乘积建模以及R 与FD 的商等5 种光谱数据预处理方法，建立PLSR 反演模型，验证效果良好，具备一定的推广应用潜力。

土壤矿质元素同样也是反映森林土壤养分供给能力的重要指标。由于森林土壤具有高度的空间变异性，导致矿质元素的含量差异较大，全面了解土壤矿质组成信息对森林保护与可持续经营均有着重要意义。但由于各矿质元素的丰缺水平、光谱的敏感性不尽相同，目前针对土壤矿质元素的可见-近红外光谱快速反演还处于研究探索阶段。吴倩等[44]以陕西省黄土高原区土壤样品为研究对象，采用常规数学变换辅以连续投影算法进行土壤碳酸钙含量的高光谱波段筛选，采用随机森林回归建立了估算模型，结果表明基于二阶微分与连续投影算法的随机森林估算模型精度最高，验证集R2为0.82。谢文等[45]以偏最小二乘回归（PLSR）和径向基函数（RBF）神经网络相结合的组合模型建立了庐山森林土壤有效铁的反演模型，认为组合模型能较大限度地利用各种预测样本信息，能有效减少单个预测模型中随机因素的影响，增强预测稳定性，提高模型的预测能力。

2.4 土壤重金属监测

重金属污染是森林土壤中频发的环境问题[46]。土壤重金属含量的增加不仅会影响植被生长、微生物群落结构，同时也会对人体健康产生直接威胁。由于植物对重金属的累积、自净，以及物理迁移等因素的影响，重金属元素在自然环境中并不能稳定地存在[47]。因此，实时、高效、大范围的检测显得尤为重要。江振蓝等以福州市土壤中Cd、Cu、Pb、Cr、Zn、Ni 等6 种重金属元素为对象，构建了土壤重金属预测的GWR 高光谱模型，并评价了该模型的局限性以及适用性。阿依努尔·麦提努日[48]对新疆吐鲁番盆地葡萄园土壤Pb 元素开展了光谱数据建模工作，发现土壤Pb 的光谱响应特征主要集中在1 783 nm、1 086 nm、721 nm、494 nm 等范围内。由于土壤重金属的光谱响应特征相对较弱，目前有关土壤重金属元素与可见-近红外光谱的敏感波段的筛选研究还在持续开展[49]，同时重金属的监测不仅要检测含量，还必须分析各种形态的含量，因此，土壤重金属的检测还有待进一步研究。

3 展望

众多的研究表明，可见-近红外光谱技术在森林土壤成分检测中具有快速、高效、无污染、无损等诸多优点，在土壤环境监测、林地养分管理、土壤数字制图等方面具有巨大的优势和发展潜力。随着光谱仪器、搭载平台的不断迭代更新，光谱技术在森林土壤中的应用场景将会更为广泛。本文就以下两个方面作出展望。

3.1 构建土壤光谱库

由于不同区域的立地条件、植被类型以及人为因素的影响，森林土壤具有高度的空间变异性。目前土壤养分反演模型的研究成果仅针对区域性、小范围的，在大尺度范围上推广应用较为困难[50]。建立大尺度（区域到全球尺度）土壤光谱库可能是提高光谱技术效率的理想方法，但这种方法仍面临一些挑战[51]。首先，大规模的光谱库需要足够的数量和具有代表性的土壤样本。当前全球土壤光谱库收集主要集中在欧洲、澳大利亚和美国等发达地区国家，而其他地区的土壤样本（如南美洲和亚洲）是不充分的。因此，除了针对光谱敏感波段筛选、反演模型优化等方面的研究，还应建立各区域、不同类型的土壤光谱数据库，通过大量的土壤样品减少模型的误差，同时将土壤样品采集、前处理以及光谱数据测定等一系列工作标准化，以促进可见-近红外光谱技术的推广应用[52-53]。

3.2 土壤数字制图

传统的土壤调查是一项艰苦而昂贵的工作，往往费时费力。随着卫星遥感、土壤近地传感、大数据挖掘和建模技术的发展，为大尺度土壤数据库的构建以及土壤养分数字制图提供了新的数据获取手段。以航空、航天遥感为基础，结合多光谱无人机以及车载、手持的便携式光谱分析仪器[54-55]，能够高效、准确、实时地获取土壤信息。利用多源遥感数据结合GIS 系统，能够有效解决传统制图技术对于土壤属性预测制图的不足，也为农业、林业的实际生产提供先进、高效的技术支持，从根本上改变我国粗放型农业、林业现状，基于海量、客观数据的分析结果提高管理决策的科学性和准确性，并最终实现由科学的分析手段指导农业、林业生产。