趙小敏 楊梅花，2

（1 江西農(nóng)業(yè)大學(xué)江西省鄱陽湖流域農(nóng)業(yè)資源與生態(tài)重點實驗室，南昌 330045）

（2 南昌師范高等專科學(xué)校，南昌 330103）

土壤可見-近紅外反射光譜是土壤理化特性光譜行為的綜合。土壤中許多成分在可見-近紅外光譜范圍內(nèi)具有反射與吸收特征，可以根據(jù)它們來識別土壤中的成分，許多學(xué)者通過分析光譜曲線形狀特征、斜率變化以及吸收波段出現(xiàn)與否分析光譜特征，劃分土壤反射光譜曲線基本類型。早在20世紀(jì)70年代Condit［1］分析了美國 160 種土壤波段范圍為320～1 000 nm的光譜曲線，根據(jù)曲線的斜率變化將土壤分為三類。Stoner和 Baumgardner［2］分析了來自美國和巴西485 個土壤的反射光譜（520～2 320 nm），提出了有機質(zhì)控制型、最小改變型、鐵影響型、有機質(zhì)影響型和鐵控制型五類土壤反射光譜曲線類型。Brown 等［3］從全球收集大量的土壤樣品，應(yīng)用可見-紅外漫反射光譜，建立預(yù)測模型估算土壤黏粒、有機碳、無機碳、Fe、陽離子交換量（CEC）、氨態(tài)氮等土壤性狀。Rossel和Webster［4］利用可見光紅外光譜（350～2 500 nm）測定了13 654個澳大利亞土壤樣品的反射率，得出可見-近紅外光譜可做為識別土壤層次和土綱的技術(shù)。Vasques等［5］根據(jù)巴西的土壤分類，應(yīng)用可見-紅外（400～2 500 nm）光譜對巴西東南部的土綱、亞綱及各亞綱的質(zhì)地進行分類取得了較好的效果。Sorianodisla等［6］應(yīng)用可見-紅外光譜預(yù)測土壤物理、化學(xué)和生物學(xué)特性，認(rèn)為易于預(yù)測的特性有土壤水分、質(zhì)地、土壤碳含量、陽離子交換量、鈣和鎂含量、全氮、pH、微生物數(shù)量與活性等，并認(rèn)為中紅外光譜優(yōu)于近紅外光譜。Kuang和Mouazen［7］對匈牙利、德國和丹麥土壤，進行了土壤全氮、總碳和有機碳的光譜預(yù)測模型和驗證模型的研究。早在20世紀(jì)90年代，中國就開展了一些區(qū)域范圍內(nèi)土壤反射光譜特性的研究，如吳豪翔和王人潮［8］研究了我國南方山地丘陵的磚紅壤、紅壤、黃壤、水稻土和紫色土等的光譜特征，王深法等［9］研究了浙江省石灰土光譜特征及其自動分類技術(shù)，黃應(yīng)豐和劉騰輝［10］研究了華南磚紅壤、水稻土、紅壤和黃壤的光譜特征與土壤分類。早期的研究獲得的土壤光譜信息有限，不能很好地支持土壤光譜響應(yīng)機理和光譜分類等方面的系統(tǒng)研究。隨著高光譜技術(shù)的發(fā)展，獲得的土壤光譜信息越來越豐富，對土壤特性光譜特征及其土壤分類的研究更加深入。劉煥軍等［11］在吉林農(nóng)安縣探索利用表層土壤反射光譜特性進行土壤分類的可行性研究。夏學(xué)齊等［12］在江蘇研究了土壤陽離子交換量、有機質(zhì)含量、pH、鐵氧化物類型、鐵鋁硅等常量元素含量等重要土壤生態(tài)地球化學(xué)參數(shù)的光譜反應(yīng)。彭杰等［13-14］應(yīng)用土壤高光譜特性對土壤有機質(zhì)含量、氧化鐵含量等的光譜估算模型進行了研究。史舟等［15］基于中國西藏、新疆、黑龍江、海南等地采集的16種土類的1 581個土壤樣品進行土壤光譜分類，并建立基于分類的中國不同類型土壤的有機質(zhì)光譜預(yù)測模型。以上研究說明土壤可見-近紅外反射光譜能夠充分反映土壤理化特性，但在上述研究中，對土壤類型的研究只到土類一級，沒有細分到亞類。紅壤是江西分布最廣、面積最大的土壤之一，為中國乃至世界上最重要的土壤資源，研究紅壤地區(qū)不同土壤亞類乃至不同土屬的光譜特征對其理化性質(zhì)的快速估算和土壤分類等有重要意義。

本研究從江西省紅壤地區(qū)有代表性地域的縣（吉安縣、余江縣、興國縣和灣里區(qū)）采集了7種亞類的443個土壤樣品，獲取其室內(nèi)可見-近紅外（Vis-NIR）高光譜反射率（350～2 500 nm）。從反射光譜曲線位置、吸收峰特征和曲線的斜率等分析不同亞類土壤、亞類內(nèi)不同土屬的光譜特征，并探討利用光譜特征對土壤進行分類的可能性。

1 材料與方法

1.1 樣品采集

樣品采集的區(qū)域位于江西省的吉安縣、余江縣、興國縣以及南昌市的灣里區(qū)，余江縣的土壤類型為典型的低丘紅砂巖發(fā)育的土壤，吉安縣為丘陵盆地區(qū)土壤，興國縣為典型低山丘陵花崗巖發(fā)育的土壤，灣里區(qū)土壤主要是由低山區(qū)黑云母花崗巖和花崗片麻巖風(fēng)化而來。根據(jù)典型性和代表性原則，隨機采取443個樣品，土壤亞類分別為紅壤土類中的紅壤亞類、黃紅壤亞類、紅壤性土亞類和棕紅壤亞類，水稻土土類包括潛育型水稻土亞類、潴育型水稻土亞類和淹育型水稻土亞類（表1）。土樣清除植物殘留物和石塊后，于室內(nèi)自然風(fēng)干，經(jīng)研磨后統(tǒng)一過1 mm篩，四分法分成兩份，一份用于實驗室測定，另一份用于室內(nèi)光譜測量。

1.2 樣品分析

土壤有機質(zhì)采用重鉻酸鉀容量—外加熱法測定；土壤陽離子交換量采用乙酸銨交換法測定；全氮采用凱式定氮法測定；速效鉀采用乙酸銨浸提—火焰光度法測定；有效磷采用鉬銻抗比色法測定；pH采用電位法測定［16-17］。

土壤樣品光譜數(shù)據(jù)的采集使用美國ASD儀器公司的FieldSpec Pro FR 型光譜儀，儀器參數(shù)設(shè)置如下：其波長范圍為350～2 500 nm，采樣間隔為1.4 nm（350～1 000 nm）和2 nm（1 000～2 500 nm），重采樣間隔為1 nm，輸出波段數(shù)為2 150 nm，具體測量見文獻［18］。

土壤樣品放在直徑10 cm，深1.5 cm，內(nèi)部涂黑的盛樣器皿內(nèi)，土樣表面刮平。每個測量點測量10條光譜，30條光譜取平均值后作為該土壤采樣點的室內(nèi)光譜。

1.3 光譜數(shù)據(jù)預(yù)處理

先對反射光譜去掉噪聲較大的邊緣波段350～400 nm和2 400～2 500 nm。為了消除一些不確定性的噪聲和減少數(shù)據(jù)矩陣，對400～2 400 nm的波段每10 nm進行平均，最終得到了201個波段值進行后續(xù)分析。

表1 供試土壤樣品基本情況Table 1 Genetic types and number of the soil samples

為了更明顯地看出特征吸收峰，對光譜進行連續(xù)統(tǒng)去除，可以有效地突出光譜曲線吸收和反射特征，并將其歸一到一致的光譜背景上，有利于與其他光譜曲線進行特征數(shù)值比較，從而提取出特征波段進行分類識別［19］。用1減去連續(xù)統(tǒng)去除后的反射光譜即為特征吸收光譜（見圖1）。特征吸收峰和橫坐標(biāo)所包圍的圖形為吸收面積。

圖1 光譜曲線特征提取Fig. 1 Extraction of spectral curve characteristic

導(dǎo)數(shù)光譜法也是展示光譜吸收特征的一種方法，原始光譜的二階導(dǎo)數(shù)對重疊光譜的較窄或者較微弱的吸收波段的分辨有明顯的增強作用［20］。對原始光譜的二階導(dǎo)數(shù)主要是運用于對光譜可見光區(qū)域范圍，以找出不同土壤亞類和不同土屬的差異性。

1.4 土壤光譜特征變量提取

對光譜特征表現(xiàn)、反射率的強度、曲線變化的斜率和特征吸收谷的強度等進行光譜特征變量提取，初選出24個光譜特征變量，作為預(yù)選特征參數(shù)，再運用逐步判別分析方法從24個反射率值中選擇最具代表性的19個光譜變量用于光譜聚類分析，其中特征吸收峰和三個弓曲差分別反映氧化鐵、有機質(zhì)和黏土礦物等的含量；四個波段范圍的均值和三個曲線的比值反映曲線位置。聚類分析采用SAS軟件的Fastclus，聚類之前所有變量均標(biāo)準(zhǔn)化，聚類的類別按照采樣的土壤亞類給定7類，每種亞類內(nèi)按土屬再進行聚類。

2 結(jié) 果

2.1 不同紅壤亞類光譜特征

基于全部土壤特征變量對土壤光譜進行聚類，對聚類的同一類土壤光譜求均值得到光譜分類后的四個紅壤亞類的光譜曲線（圖2）。從圖2可以看出，不同紅壤亞類的光譜曲線有類似的趨勢。在可見光-短波近紅外光譜范圍曲線較為陡峭，在近紅外光譜區(qū)域有幾個波折，1 400 nm、1 910 nm和2 200 nm有強烈的吸收峰，980 nm左右有明顯的吸收峰。由于成土環(huán)境、黏土礦物和成土母質(zhì)等特性差異導(dǎo)致不同紅壤亞類光譜曲線差異明顯，整體來看，紅壤性土亞類光譜反射率整體最高，黃紅壤亞類反射率最低，棕紅壤亞類反射率較低。紅壤各亞類光譜曲線在900 nm左右均有吸收峰，在1 400 nm、1 900 nm和2 200 nm均有強的吸收峰，但不同紅壤亞類的吸收峰有差異，紅壤性土亞類的光譜曲線在1 400 nm、1 900 nm和2 200 nm為強烈的V形吸收峰，而其他亞類的吸收峰較寬較淺。這是由于土壤發(fā)育程度的不同，其黏土礦物、有機質(zhì)含量和水分含量等的差異導(dǎo)致光譜曲線差異明顯。在可見光-短波近紅外光譜區(qū)域，紅壤性土亞類反射曲線急劇上升，而黃紅壤亞類在600 nm左右有較淺的有機質(zhì)吸收峰。

圖2 不同紅壤亞類土壤光譜反射率Fig. 2 Spectral reflectance of red soil relative to sub-group

圖3 紅壤部分黏土礦物反射系數(shù)曲線Fig. 3 Reflectance curve of clay minerals in red soil，such as montmorillonite，kaolinite，vermiculite，illite，quartz，hematite and goethite

圖3a和圖3b分別是紅壤中不同黏土礦物和鐵氧化物的光譜曲線。從圖2和圖3可知紅壤性土亞類的黏土礦物以高嶺石為主，含有一定量的赤鐵礦，而紅壤亞類的黏土礦物除了以高嶺石為主還含有少量蛭石。黃紅壤的光譜曲線位置較紅壤低，在900 nm左右有較明顯的氧化鐵吸收峰，吸收峰強度較紅壤強，在400 nm～800 nm波段范圍內(nèi)有明顯的有機質(zhì)吸收峰，在水分吸收波段1 400 nm和1 900 nm有較強吸收峰，但較紅壤弱，其黏土礦物與紅壤類似。棕紅壤光譜曲線整體較平，根據(jù)圖3可以看出棕紅壤的黏土礦物以高嶺石、伊利石為主，含有一定量石英。

圖4是對紅壤不同亞類的特征吸收光譜的提取方法，圖4a為連續(xù)統(tǒng)去除后的特征提取，圖4b為二階導(dǎo)數(shù)處理。圖4a顯示黃紅壤亞類吸收光譜位置最高，紅壤亞類位置較高，棕紅壤亞類和紅壤性土亞類幾乎與x軸重疊。研究顯示620～640 nm為紅壤地區(qū)土壤有機質(zhì)的吸收區(qū)域，因此從圖4a可以看出，黃紅壤亞類的有機質(zhì)含量最高。Kosmas等［20］的研究表明，可見光范圍的二階導(dǎo)數(shù)處理能判別出土壤中的針鐵礦和赤鐵礦的含量，二階導(dǎo)數(shù)處理的420～447 nm范圍的波段能夠定量估算土壤中針鐵礦的含量。從圖4b可以看出，447 nm和420 nm處反射率的二階導(dǎo)數(shù)之間的距離大小為：黃紅壤亞類＞棕紅壤亞類＞紅壤亞類＞紅壤性土亞類，說明黃紅壤亞類中含有大量的針鐵礦，棕紅壤亞類中含有一定量的針鐵礦，而紅壤和紅壤性土亞類針鐵礦的含量較少。

圖4 不同紅壤亞類土壤特征吸收光譜Fig. 4 Characteristic absorption of spectral reflectance of red soil sub-group

2.2 不同水稻土亞類光譜特征

潛育型水稻土亞類和潴育型水稻土亞類的光譜反射曲線位置較低（圖5a），但在可見光-短波近紅外光譜區(qū)域，潛育型水稻土反射率較潴育型水稻土低，在950 nm左右潛育型水稻土有明顯的氧化鐵吸收峰，潴育土壤光譜曲線較為平滑。淹育性水稻土反射率最高，三種水稻土亞類光譜反射曲線位置為：淹育性水稻土＞潴育型水稻土＞潛育型水稻土，根據(jù)曲線反射率的位置高低可以用于識別不同的水稻土亞類。

江西紅壤地區(qū)水稻土在一年中浸水的時間較長，有利于有機質(zhì)的積累，但不同亞類在相同的管理下有機質(zhì)的積累速度差異較大。從光譜曲線（圖5）可以看出在可見光-短波近紅外波段范圍內(nèi)，潛育型水稻土光譜反射曲線位置最低，在680 nm左右有微弱的有機質(zhì)吸收，說明潛育型水稻土亞類有機質(zhì)含量較高。潴育型水稻土亞類光譜反射率較低，是因為其分布的地理位置較為平坦、排灌便利、土壤培肥熟化水平較高。淹育性水稻土亞類光譜反射率高于潴育型水稻土和潛育型水稻土，在1 000 nm以后光譜反射率高于0.55，而潴育型和潛育型曲線整體均在0.55以下，說明其有機質(zhì)含量和土壤肥力均較低。

為了進一步分析紅壤地區(qū)水稻土的光譜特征，對紅砂巖母質(zhì)發(fā)育的水稻土亞類的平均光譜進行光譜特征分析（圖5b），從中可以看出不同亞類水稻土的光譜曲線位置與圖5a類似，淹育性水稻土光譜反射率最高，潛育型水稻土在可見-近紅外反射率最低、而在近紅外（1 500 nm以外）其反射率高于潴育型水稻土。圖6a顯示不同土壤亞類總體特征吸收面積為潛育型水稻土亞類＞潴育型水稻土亞類＞淹育型水稻土亞類＞紅壤亞類。

圖5 不同水稻土亞類和紅壤亞類土壤光譜反射率Fig. 5 Spectral reflectance of paddy soil and red soil sub-group

由于土壤受不同水分作用以及淹水時間長短的影響，光譜曲線不僅表現(xiàn)在有機質(zhì)的差異上，而且反映在氧化鐵的氧化還原程度上。水稻土中還原淋溶、氧化淀積交替過程造成不同亞類水稻土耕層土壤氧化鐵含量差異明顯。圖6b顯示不同水稻土亞類在422～445 nm光譜區(qū)域二階導(dǎo)數(shù)之間距離的大小，根據(jù)二階導(dǎo)數(shù)距離的大小可以判定針鐵礦的含量，紅壤地區(qū)水稻土針鐵礦為土壤晶體氧化鐵［21］，淹育型水稻土亞類在422～445 nm光譜差值最大，表明其含晶體氧化鐵最多。潴育型水稻土氧化條件較好，因此較多的氧化鐵結(jié)晶成為晶質(zhì)鐵［22］，表現(xiàn)在422～445 nm光譜區(qū)域的二階導(dǎo)數(shù)差值較大，而潛育性水稻土因長期浸水，部分氧化鐵處于還原狀態(tài)，晶體鐵相對較少，表現(xiàn)在422～445 nm波段之間的二階導(dǎo)數(shù)差值較小。圖6b顯示紅壤亞類在422 nm和445 nm這兩個波段的二階導(dǎo)數(shù)差值最小，可推斷出紅壤亞類的針鐵礦含量最少，這與圖4的結(jié)果一致，因此422～445nm波段范圍的二階導(dǎo)數(shù)是一項衡量晶體氧化鐵含量的綜合指標(biāo)，因而其對水稻土發(fā)生學(xué)研究具有一定的研究意義。

圖6 不同水稻土亞類和紅壤亞類特征吸收光譜曲線Fig. 6 Characteristic absorption of spectral reflectance of paddy soil and red soil sub-group

根據(jù)圖3的黏土礦物的光譜曲線可以推斷出紅壤地區(qū)紅砂巖發(fā)育而來的水稻土與紅壤亞類的黏土礦物類似，以高嶺石和伊利石為主，含有一定量的蛭石、蒙脫石和石英，與其起源土壤一致。

2.3 潴育型水稻土不同土屬的光譜特征

土壤光譜是土壤物理和化學(xué)行為的光譜綜合，從土壤反射光譜能識別土壤主導(dǎo)形成過程和一些附加的成土過程，但成土母質(zhì)、水文條件和土地利用方式的差異，土壤反射光譜具有特定的光譜特征，因此，還應(yīng)該從土屬來分析江西紅壤地區(qū)不同水稻土的光譜特征。圖7為紅壤地區(qū)分布面積較大的潴育型水稻土的四種土屬的平均光譜反射率。顯示潴育型麻沙泥田光譜反射率最低，在540 nm左右、950 nm左右和650 nm左右分別為有微弱的氧化鐵和有機質(zhì)吸收峰，潴育型麻沙泥田的成土母質(zhì)為酸性結(jié)晶巖類，其土壤養(yǎng)分含量和氧化鐵含量均較高，因此光譜反射曲線位置整體較低。在1 900 nm和2 200 nm有強烈的吸收、在1 400 nm有較強吸收，根據(jù)圖4可推斷出這類土屬的黏土礦物以高齡石為主，含有少量的伊利石和蒙脫石。

潴育型黃泥田是由第四紀(jì)紅色黏土發(fā)育而來，光譜反射率較低，在540 nm、950 nm、650 nm、1 400 nm、1 900 nm和2 200 nm左右的吸收峰較麻沙泥田稍弱，土壤養(yǎng)分含量較高，黏土礦物以伊利石和高嶺石為主，含有少量的蛭石。

潴育型紅泥田和潴育型潮沙泥田光譜曲線位置較高，在1 400 nm有較強的吸收峰，2 200nm有最強吸收峰，這兩種土屬的黏土礦物均是以高齡石為主，含有少量的蒙脫石、蛭石和伊利石。潴育型紅沙泥田由紅砂巖形成紅泥紅壤水耕熟化而來，土壤光譜反射率最高，根據(jù)圖4可推斷出該土屬石英含量較高，在400～1 400 nm曲線比較平滑，未出現(xiàn)吸收峰，這類土屬土壤有機質(zhì)含量和氧化鐵含量均較低，土壤含沙較多，黏粒含量低。潴育型潮沙泥田光譜反射曲線位置較高，因其是由河流沉積物發(fā)育而形成的土壤水耕熟化形成，土壤含沙量較高，由于地勢平坦，土壤肥力較高。土壤光譜曲線在650 nm和950 nm左右有微弱的氧化鐵和有機質(zhì)吸收峰。

圖7 不同潴育型水稻土土屬的光譜平均反射率Fig. 7 Mean reflectance of waterlogged paddy soil relative to soil genus

2.4 基于土壤光譜特征的土壤分類精度

在土壤發(fā)生分類和土壤理化屬性的研究中，光譜特征顯示了它的綜合特點，因此研究了應(yīng)用光譜反射特性用于土壤分類。紅壤地區(qū)不同亞類或不同土屬的光譜特征分類結(jié)果見表3。應(yīng)用光譜特征對試驗土壤亞類的判定結(jié)果效果較好，精確率為86.23%，發(fā)生的誤判主要是在紅壤亞類與淹育型水稻土之間。對土屬的判定效果較低，精確率僅有66.37%。在土壤亞類的判定中，黃紅壤和潴育型水稻土的效果最好，226個樣品中僅有7個樣品判斷錯誤。棕紅壤的判定效果較差，判斷的準(zhǔn)確率僅有44.44%。在土屬的判定中，麻沙泥紅壤土屬的判定最差，112個土屬有64個判斷錯誤，僅有48個土屬判斷正確，準(zhǔn)確率僅有42.86%。但應(yīng)注意的是，土屬的判斷錯誤主要是存在于相同亞類不同土屬之間，以及紅壤亞類和棕紅壤亞類之間，是由于這些土壤類型在理化特性上有許多相似之處。

3 討 論

對土壤進行快速分類，一直是土壤分類及土壤遙感分類等領(lǐng)域?qū)W者關(guān)注的主要科學(xué)問題之一。本文對江西省紅壤地區(qū)主要土壤不同亞類或不同土屬的土壤光譜特征進行分析，選取19個有代表性的土壤光譜特征參數(shù)，嘗試從光譜的角度對紅壤地區(qū)的主要土壤類型進行類型劃分做了一些探討。

江西紅壤地區(qū)紅壤土類與水稻土土類之間的光譜特征差異明顯，主要原因是土壤水分、土壤質(zhì)地和結(jié)構(gòu)、土壤中不同物質(zhì)組分等的差異造成。由于土壤顏色、土壤黏土礦物組成、土壤結(jié)構(gòu)和土壤氧化鐵含量等各不相同，紅壤土類中不同亞類之間的光譜反射特征差異也明顯。

江西紅壤地區(qū)水稻土不同亞類之間由于水耕熟化差異性和淹水時間的長短不一，表現(xiàn)在光譜特征上的差異也較為明顯。淹育型水稻土光譜反射曲線位置最高，在可見光—近紅外區(qū)域反射率較大，吸收峰不如另外兩個水稻土亞類明顯。潴育型水稻土光譜曲線位于潛育型和淹育型之間，潛育型水稻土光譜反射曲線位置最低。620 nm～740 nm的特征吸收面積潴育型水稻土最大、潛育型水稻土其次、淹育型水稻土最低。研究表明620 nm～740 nm的特征吸收面積與有機質(zhì)含量成正相關(guān)［23-24］。水分條件的不同是造成不同亞類水稻土有機質(zhì)含量差異的原因之一。潛育型水稻土由于長期浸漬，有利于有機質(zhì)積累，有機質(zhì)含量最高，潴育型水稻土由于能灌能排，土壤通透性良好加之耕作管理施肥水平高有機質(zhì)可以獲得補充，因此該土壤的有機質(zhì)含量也較高。此外，土壤腐殖質(zhì)組成中胡敏酸和胡敏酸/富啡酸值隨著土壤水分含量的增加而增大，有機質(zhì)對土壤光譜的主要貢獻為胡敏酸［25］，這可能是不同亞類土壤光譜差異的另一原因。420 nm和447 nm處光譜反射率的二階導(dǎo)數(shù)差值淹育型水稻土最高、潛育型水稻土最低，但均顯著高于紅壤亞類。水稻土因水分作用氧化條件差及有機質(zhì)累積，三價鐵離子被有機酸絡(luò)合，不利于水化鐵的脫水作用進而利于針鐵礦的形成［26］，使得水稻土中針鐵礦含量高于紅壤。相比潴育型水稻土和淹育型水稻土，還原性較強的潛育型水稻土其晶質(zhì)鐵含量低。但由于采集的不同亞類的水稻土僅為紅壤地區(qū)，土壤樣品的成土母質(zhì)相對具有代表性，但運用到其他土壤類型時仍然需要驗證。

選取的19個特征變量對主要土壤類型進行判別，結(jié)果顯示土壤亞類劃分的準(zhǔn)確率為86.23%，因此利用土壤光譜特征可作為江西紅壤地區(qū)主要土壤亞類劃分和土壤屬性研究的重要定量參考指標(biāo)。而土屬之間劃分的準(zhǔn)確率僅為66.37%，說明依靠土壤光譜特性用于現(xiàn)行土壤發(fā)生分類中土屬類型之間的判別還需要進一步研究，但說明了利用光譜特征用于土壤系統(tǒng)分類中基層分類的可能性。

研究表明應(yīng)用光譜特征進行土壤亞類的分類準(zhǔn)確率較高，因此選取的光譜特征參數(shù)可作為江西省典型紅壤地區(qū)主要土壤亞類分類及其土壤屬性研究的定量指標(biāo)。對土壤亞類分類出現(xiàn)誤判的土壤而言，究其原因多數(shù)是在現(xiàn)行土壤分類中土壤性質(zhì)存在過渡特征或僅僅是發(fā)育程度深淺的土壤亞類之間，主要集中在紅壤亞類和棕紅壤亞類之間以及與淹育型水稻土亞類之間，因為紅壤亞類與棕紅壤亞類是過渡性的，因此光譜差異較??；淹育型水稻土屬于水耕熟化時間短、水稻土發(fā)育程度不深、還保留有其發(fā)育前土壤類型大量特性的土壤，而江西紅

壤地區(qū)的淹育型水稻土多是由紅壤亞類經(jīng)開墾水耕熟化發(fā)育而來，因此二者之間許多特性存在相似性，應(yīng)用光譜特征進行區(qū)分時會有一些誤判。

利用光譜特征參數(shù)對土屬進行分類時結(jié)果準(zhǔn)確率較低，主要原因是《中國土壤分類系統(tǒng)（1992）》的土屬劃分，主要從成土母質(zhì)、巖性、區(qū)域水文條件和土地利用等地方性因素來劃分，這些難以用光譜特征進行區(qū)分；而在光譜特征差異較大并可反演的土壤性狀（如土壤水分、土壤質(zhì)地、土壤結(jié)構(gòu)、土壤有機質(zhì)含量、土壤鐵錳含量、土壤黏土礦物組成等），在土屬之間有許多是相似的，難以應(yīng)用光譜特征一一準(zhǔn)確地區(qū)分不同土屬的差異。土屬之間應(yīng)用土壤光譜特征進行分類準(zhǔn)確率較低，也說明現(xiàn)行土壤分類系統(tǒng)基層分類過于定性，應(yīng)推動定量化的土壤系統(tǒng)分類發(fā)展和應(yīng)用，同時應(yīng)研究應(yīng)用光譜特征進行土壤系統(tǒng)分類中基層分類的可能性。此外，本次研究的樣品采集的是表層土壤，由于表層土壤存在部分屬性不穩(wěn)定，因此還應(yīng)該結(jié)合心土層的土壤光譜特征并結(jié)合土壤礦物成分預(yù)測模型對紅壤地區(qū)土壤光譜特征進一步研究。

4 結(jié) 論

紅壤地區(qū)土壤不同亞類光譜反射率差異明顯，620 nm～740 nm的特征吸收面積黃紅壤＞紅壤＞棕紅壤＞紅壤性土，420 nm和447 nm的二階導(dǎo)數(shù)差值黃紅壤＞棕紅壤＞紅壤＞紅壤性土。不同亞類水稻土由于淹水時間的不同，其光譜特征差異較為明顯，光譜反射率表現(xiàn)為淹育型水稻土＞潴育型水稻土＞潛育型水稻土，620 nm～740 nm的特征吸收面積潛育型水稻土＞潴育型水稻土＞淹育型水稻土，420 nm和447 nm的反射率二階導(dǎo)數(shù)差值為淹育型水稻土＞潴育型水稻土＞潛育型水稻土，但均高于紅壤。選取的特征變量對土壤進行亞類分類的準(zhǔn)確率為86.23%，分類的準(zhǔn)確度較高，而土屬的準(zhǔn)確率僅為66.37%?？梢姟t外土壤光譜特征可以作為江西紅壤地區(qū)主要土壤亞類劃分的定量參考指標(biāo)。

［1］ Condit H R. Application of characteristic vector analysis to the spectral energy distribution of daylight and the spectral reflectance of American soils. Applied Optics，1972，11（1）：74—86

［2］ Stoner E R，Baumgardner M F. Characteristic variations in reflectance of surface soils. Soil Science Society of America Journal，1981，45（6）：1161—1165

［3］ Brown D J，Shepherd K D，Walsh M G，et al. Global soil characterization with VNIR diffuse reflectance spectroscopy. Geoderma，2006，132（3）：273—290

［4］ Rossel R A V，Webster R. Discrimination of Australian soil horizons and classes from their visible-near infrared spectra. European Journal of Soil Science，2011，62（4）：637—647

［5］ Vasques G M，Dematte J A M，Rossel R A V，et al.Soil classification using visible/near-infrared diffuse reflectance spectra from multiple depths. Geoderma，2014，223：73—78

［6］ Sorianodisla J M，Janik L J，Rossel R A V，et al. The performance of visible，near-，and midinfrared reflectance spectroscopy for prediction of soil physical，chemical，and biological properties. Applied Spectroscopy Reviews，2013，49（2）：139—186

［7］ Kuang B，Mouazen A M. Calibration of visible and near infrared spectroscopy for soil analysis at the field scale on three european farms. European Journal of Soil Science，2011，62（4）：629—636

［8］ 吳豪翔，王人潮. 土壤光譜特征及其定量分析在土壤分類上的應(yīng)用研究. 土壤學(xué)報，1991，28（2）：177—185 Wu H X，Wang R C. Soil spectral characteristics and its quantitative analysis in soil classification（In Chinese）. Acta Pedologica Sinica，1991，28（2）：177—185

［9］ 王深法，蔣亨顯，王人潮. 浙江省石灰土光譜特征及其自動識別分類技術(shù)研究. 土壤學(xué)報，1994，31（3）：312—321 Wang S F，Jiang H X，Wang R C. Spectral characteristics of limestone soil in Zhejiang Province and their automatic classification（In Chinese）. Acta Pedologica Sinica，1994，31（3）：312—321

［10］ 黃應(yīng)豐，劉騰輝. 華南主要土壤類型的光譜特性與土壤分類. 土壤學(xué)報，1995，32（1）：58—68 Huang Y F，Liu T H. Spectral characteristics of main types of soils in Southern China and soil classification（In Chinese）. Acta Pedologica Sinica，1995，32（1）：58—68

［11］ 劉煥軍，張柏，張淵智，等. 基于反射光譜特性的土壤分類研究. 光譜學(xué)與光譜分析，2008，28（3）：624—628 Liu H J，Zhang B，Zhang Y Z，et al. Soil taxonomy on the basis of reflectance spectral characteristics（In Chinese）. Spectroscopy and Spectral Analysis，2008，28（3）：624—628

［12］ 夏學(xué)齊，季峻峰，陳駿，等. 土壤理化參數(shù)的反射光譜分析. 地學(xué)前緣，2009，16（4）：354—362 Xia X Q，Ji J F，Chen J，et al. Analysis of soil physical and chemical properties by reflectance spectroscopy（In Chinese）. Earth Science Frontiers，2009，16（4）：354—361

［13］ 彭杰，向紅英，周清，等. 土壤氧化鐵的高光譜響應(yīng)研究. 光譜學(xué)與光譜分析，2013，33（2）：502—506 Peng J，Xiang H Y，Zhou Q，et al. Influence of soil iron oxide on VNIR diffuse reflectance spectroscopy（In Chinese），Spectroscopy and Spectral Analysis，2013，33（2）：502—506

［14］ 彭杰，周清，張楊珠，等. 有機質(zhì)對土壤光譜特性的影響研究. 土壤學(xué)報，2013，50（3）：517—524 Peng J，Zhou Q，Zhang Y Z，et al. Effect of soil organic matter on spectral characteristics of soil（In Chinese）. Acta Pedologica Sinica，2013，50（3）：517—524

［15］ 史舟，王乾龍，彭杰，等. 中國主要土壤高光譜反射特性分類與有機質(zhì)光譜預(yù)測模型. 中國科學(xué)（地球科學(xué)），2014，44（5）：978—988 Shi Z，Wang Q L，Peng J，et al. Development of a national VNIR soil-spectral library for soil classification and prediction of organic matter concentrations（In Chinese）. Science China（Earth Sciences），2014，44（5）：978—988

［16］ 張甘霖，龔子同. 土壤調(diào)查實驗室分析方法. 北京:科學(xué)出版社，2012 Zhang G L，Gong Z T. Soil survey laboratory methods（In Chinese）. Beijing：Science Press，2012

［17］ 中國科學(xué)院南京土壤研究所. 土壤理化分析. 上海:上?？茖W(xué)技術(shù)出版社，1978 Institute of Soil Science，Chinese Academy of Sciences. Soil physical and chemical analysis（In Chinese）. Shanghai：Shanghai Science and Technology Press，1978

［18］ 紀(jì)文君，史舟，周清，等. 幾種不同類型土壤的 VISNIR 光譜特性及有機質(zhì)響應(yīng)波段. 紅外與毫米波學(xué)報，2012，31（3）：277—282 Ji W J，Shi Z，Zhou Q，et al. VIS-NIR reflectance spectroscopy of the organic matter in several types of soils（In Chinese）. Journal of Infrared Millimeter Waves，2012，31（3）：277—282

［19］ Bayer A，Bachmann M，Müller A，et al. A comparison of feature-based MLR and PLS Regression techniques for the prediction of three soil constituents in a degraded South African ecosystem. Applied and Environmental Soil Science，2012（3）：495—506

［20］ Kosmas C S，Curi N，Bryant R B，et al. Characterization of iron oxide minerals by second-derivative visible spectroscopy. Soil Science Society of America Journal，1984，48（2）：401—405

［21］ 章明奎. 紅壤性水稻土晶態(tài)氧化鐵及其起源. 浙江大學(xué)學(xué)報（農(nóng)業(yè)與生命科學(xué)版），1997，23（5）：589—594 Zhang M K. Occurrence and origin of crystalline iron oxides in paddy soils derived from red earth（In Chinese）. Journal of Zhejiang University（Agricultural and Life Sciences），1997，23（5）：589—594

［22］ 吳金獎，邢世和，林景亮. 福建紅壤性水稻土發(fā)生和分類的研究. 土壤學(xué)報，1989，26（4）：371—378 Wu J J，Xing S H，Lin J L. Study on the genesis and classification of paddy soils derived from red soil in Fujian Province（In Chinese）. Acta Pedologica Sinica，1989，26（4）：371—378

［23］ Summers D M，Lewis M D，Ostendorf B，et al. Visible near-infrared reflectance spectroscopy as a predictive indicator of soil properties. Ecological Indicators，2011，11（1）：123—131

［24］ 方少文，楊梅花，趙小敏，等. 紅壤區(qū)土壤有機質(zhì)光譜特征與定量估算——以江西省吉安縣為例. 土壤學(xué)報，2014，51（5）：1003—1010 Fang S W，Yang M H，Zhao X M，et al. Spectral characteristics and quantitative estimation of SOM in red soil typical of Ji’an County，Jiangxi Province（In Chinese）. Acta Pedologica Sinica，2014，51（5）：1003—1010

［25］ Henderson T L，Baumgardner M F，F(xiàn)ranzmeier D P，et al. High dimensional reflectance analysis of soil organic matter. Soil Science Society of America Journal，1992，56（3）：865—872

［26］ 吳金獎，邢世和，林景亮. 應(yīng)用穆斯堡爾譜和X射線法研究紅壤性水稻土的氧化鐵礦物. 土壤學(xué)報，1989，26（1）：23—30 Wu J J，Xin S H，Lin J L. Study on iron oxide minealogy of paddy soils derived from red earth by using Mossbauer spectroscopy and X-ray diffraction（In Chinese）. Acta Pedologica Sinica，1989，26（1）：23—30