基于高光谱数据的土壤有机质含量研究

研究方法：

1. 数据收集：利用高光谱相机或传感器获取土壤的高光谱数据。这些数据涵盖了土壤在可见光到近红外波段的反射或吸收特性。

2. 光谱预处理：对收集到的高光谱数据进行预处理，包括噪声去除、光谱平滑、基线校正等，以提高数据质量。

3. 特征提取：通过分析土壤光谱曲线的形状、吸收峰、反射峰等特征，提取与土壤有机质含量相关的敏感波段或特征波长。

4. 建模与验证：利用化学计量学方法或机器学习算法，建立土壤有机质含量与提取的光谱特征之间的定量模型。这个模型可以根据土壤的光谱数据预测其有机质含量。对模型进行训练和验证，评估模型的预测精度和稳定性。

【本研究切入点】研究有关土壤特征参量的光谱指数是为了减弱背景、大气散射对室外采集高光谱数据的影响和提高不同吸收特征的灵敏度，对土壤光谱数据进行敏感波段选择所获得较好的诊断指数与土壤有机质、含水量、全氮、全磷、全钾含量进行相关分析，建立快速估算土壤特征参量的数学模型。尽管国内外对于土壤的物理化学参数的估算研究己有很多，然而这些研究多是针对当地类似的土壤质地的土壤特性进行研究的，当这些模型应用于别的地区时，则产生很大的误差。目前，基于高光谱遥感技术在新疆及兵团农区的有关土壤理化参数的反演研究少有报道。【拟解决的关键问题】研究利用土壤光谱估算土壤有机质及主要养分含量，为探索适合新疆特色的精准农业管理模式下农田土壤养分分区管理、推荐施肥技术研究提供参考，对进一步推动在“3S”技术支持下的新疆及兵团精准农业的实施，具有十分重要的意义。

1 材料与方法

1.1 材料

土壤有机质含量的光谱分析与建模试验于2012～2013年在新疆农垦科学院试验地(N45°20',E86°40')进行，面积为1hm²,平均海拔450.8m,年平均气温在6.5～7.2℃,年降水量为125.0～207.7 mm,无霜期为168～171d,≥0℃的活动积温为4023～4118℃,≥10℃的活动积温为3570～3729℃。试验地供试土壤为灰色壤土，pH值8.46～8.72,有机质含量13.8～21.6g/kg、碱解氮66～144mg/kg,有效

磷14.2～36.6 mg/kg,速效钾110～218 mg/kg,试验地前茬为棉花。

1.2 方法

1.2.1 土壤光谱测试

研究采用美国ASD公司Field Spec Pro VNIR2500型光谱辐射仪测定目标地物反射光谱，光谱范围350～2500nm,光谱分辨率在350～1000nm区间为3nm,1000～2500 nm区间为10 nm,波长精度为1nm;测定速度固定扫描时间为0.1s。光谱测定方法：选择晴朗无云之日，于上午11:30～14:00测定新疆农垦科学院五个试验区100个样本点。土壤光谱测试点选择GPS定位取样所对应的样本点测试。野外光谱测试时设定视场角为25°,探测器头部垂直向下距被测土壤表面约100 cm,每个处理测定10～15条曲线(取其平均值作为该测试点的光谱反射值),光谱曲线扫描设定时间0.2s。测量前、后都立即进行白板校正。

1.2.2 土壤室内测定

土壤理化指标的测定采用《土壤农业化学分析方法》[7]、《土壤农化分析》[1测定和提取分析土壤化学指标信息，具体方法略{l7-18]。

1.2.3 高光谱分析技术

1.2.3.1 基于光谱特征位置变量的分析技术

基于光谱特征位置变量的分析技术是根据波长变化量或相应的参数变量(自变量)与生物物理和生物化学参量(因变量)的关系来估计因变量的，一般是通过高光谱数据进行某种变换(如求导、求对数等)来寻找光谱的特征位置，也可直接通过高光谱数据来寻找这些特征位置。

1.2.3.2 高光谱参数及提取

为了探究目标物吸收反射光谱的特征，便于对目标物进行光谱匹配和混合光谱分解，以解释目标物光谱特征的物理学、生物化学、土壤学和植物生理学的机理，进而求得目标物的生物物理和生物化学参数，常常需要提取目标物光谱的一些参数，以这些参数来鉴别目标物的各组分及模拟、反演它的生物物理、化学参数；常见的高光谱参数有各类高光谱指数、各类高光谱数据变换形式(如对数变换、微分变换)构建的光谱参数、光谱吸收指数等[19]。

2结果与分析

2.1 土壤有机质的高光谱遥感估算模型的建立

研究选取归一化光谱指数与不同有机质含量土壤试验样本(n=25)在红光范围的反射率组合NDI

[495,485]值，以NDI为自变量，有机质含量为因变量建立了线性和非线性的6种预测模型，用归一化光谱指数NDI预测土壤有机质含量的6种估计模型中，一元三次函数模型的复相关系数(R²=0.7132)最高，其次是一元二次函数和简单线性函数模型的复相关系数(R²=0.6166、R²=6056)也较高，幂函数模型的复相关系数(R²=0.5638)最低。研究说明，通过采用不同的数学模型方程，选取有较高的R值的回归模型，可以较好估计土壤有机质含量。通过研究认为，用归一化光谱指数NDI预测土壤有机质含量是可行的，有机质含量与归一化光谱指数NDI成较好的一元三次函数关系：

2.2 基于NDI预测土壤有机质含量拟合模型的检验

用归一化光谱指数NDI建立的6种预测土壤有机质的模型中对于验证样本(n=25)的估算具有不同的效果。六者相比，以幂函数、指数函数和对数函数建立的模型方程预测结果偏低；以一元三次函数建立的估算模型方程预测效果最好，其预测值与实测值的复相关系数最高为0.7132,且均方根差RMSE较其他模型最小为1.1795,说明此方程的估计精度高，通过此方程可以较精确的估算出土壤有机质含量。表1

3 讨论

通过归一化光谱指数NDI建立了估算土壤有机质含量的高光谱遥感监测模型，并对所建立的各类模型进行了精度检验和评价。

基于NDI预测土壤有机质含量的估算模型中，均达到a<0.01的极显著水平；并以一元三次函数模型(Ysow=-4E+07X³+2E+06X²-21338Xx+110.44,R²=0.7132)为最优，指数函数的模型次之。

4 结论

系统地研究不同类型土壤特性与其光谱反射率之间的关系，有利于土壤类型识别；建立快速获取和诊断土壤特征参量的遥感估算模型，为实施精准农业管理中精准监测环节的迫切需求提供技术手段；最终实现土壤水分、养分含量空间分布状况的快速、准确获取，为探索适合新疆特色的精准农业管理模式的农田土壤养分分区管理研究提供参考。

新疆是中国最适宜实施遥感技术和精准农业的地区，生态气候条件独特、规模化种植、机械化水平高的有利条件，为高光谱遥感技术在农业中的应用提供了一个良好的平台。近年来，新疆及兵团精准农业取得了长足的进展，已在农业生产中逐步建立了精准技术体系，并取得了巨大的经济效益。但是，精准监测技术至今仍是新疆及兵团精准农业中的薄弱环节。因此，发展支持"精准农业"的高光谱分辨率遥感技术快速获取土壤信息的研究，无疑将在精准监测中有关土壤信息的提取方面发挥积极作用。

需要注意的是，基于高光谱数据的土壤有机质含量研究仍面临一些挑战，如光谱数据的变异性、土壤表面的非均质性等。因此，在实际应用中，需要结合地面实况数据和其他辅助信息，进一步提高模型的预测能力和可靠性。