趙明松，謝 毅，陸龍妹，李德成，王世航

（1. 安徽理工大學(xué)空間信息與測(cè)繪工程學(xué)院，安徽淮南 232001；2. 土壤與農(nóng)業(yè)可持續(xù)發(fā)展國(guó)家重點(diǎn)實(shí)驗(yàn)室（中國(guó)科學(xué)院南京土壤研究所），南京 210008；3. 礦山采動(dòng)災(zāi)害空天地協(xié)同監(jiān)測(cè)與預(yù)警安徽省教育廳重點(diǎn)實(shí)驗(yàn)室，安徽淮南 232001；4. 礦區(qū)環(huán)境與災(zāi)害協(xié)同監(jiān)測(cè)煤炭行業(yè)工程研究中心，安徽淮南 232001）

連續(xù)的土壤高光譜曲線包含較多的波段和豐富的光譜信息，能夠綜合反映多種土壤屬性信息，能夠用于高效精確地土壤屬性預(yù)測(cè)建模[1-5]。傳統(tǒng)的土壤有機(jī)質(zhì)（Soil Organic Matter，SOM）含量測(cè)試方法較繁瑣且成本高，利用高光譜技術(shù)可以滿足大量樣本的SOM 含量快速精確測(cè)定的需求[6-8]。國(guó)內(nèi)外學(xué)者利用可見-近紅外反射高光譜（350～2 500 nm）技術(shù)在土壤屬性的建模預(yù)測(cè)方面開展了較多的研究。

由于成土環(huán)境的差異，不同地理區(qū)域和類型的土壤高光譜特征存在差異，已有研究分別結(jié)合土壤類型、區(qū)域等建立了多種SOM 含量光譜預(yù)測(cè)模型[5，8-11]。史舟等[5]分析了中國(guó)主要土壤類型的高光譜反射特性，并提出了采用土壤光譜分類方法結(jié)合偏最小二乘回歸方法建立SOM 的光譜分類-局部預(yù)測(cè)模型。張娟娟等[8]研究了我國(guó)中、東部地區(qū)5 種土壤類型的光譜特征，并利用特征光譜參數(shù)和神經(jīng)網(wǎng)絡(luò)建立SOM 的預(yù)測(cè)模型。趙小敏和楊梅花[10]分析江西省4種主要土壤亞類的高光譜特征，并嘗試?yán)霉庾V特征進(jìn)行土壤分類。鄔登巍和張甘霖[12]討論了母質(zhì)和土地利用類型對(duì)SOM 光譜反演模型精度的影響以及模型的異地適用性。

不同的光譜變換處理[13-17]、建模和驗(yàn)證樣本集的劃分[18]會(huì)影響SOM 預(yù)測(cè)模型的精度。光譜變換處理通過(guò)增強(qiáng)土壤在某些波段的吸收或反射特征，從而提高土壤屬性光譜建模的精度等，研究表明使用光譜預(yù)處理后模型精度優(yōu)于原始光譜數(shù)據(jù)模型[13]，根據(jù)不同波段范圍采用不同光譜變換處理，能夠提高模型的穩(wěn)定性和預(yù)測(cè)能力等[15]。于雷等[14]認(rèn)為采用連續(xù)統(tǒng)去除變換結(jié)合偏最小二乘回歸模型是江漢平原SOM 含量的最優(yōu)預(yù)測(cè)模型。王一丁等[17]對(duì)比了3種光譜變換處理后建立的潮褐土的SOM預(yù)測(cè)模型的精度?；诓煌７椒ǖ腟OM 光譜建模研究較多，其中偏最小二乘回歸模型總體精度較高，應(yīng)用較廣[6，19-22]。Shi 等[2]提出了一種基于空間約束的局部偏最小二乘回歸模型，并利用中國(guó)土壤光譜庫(kù)精確預(yù)測(cè)了SOM 含量。Viscarra Rossel 和Behrens[19]利用偏最小二乘回歸、多元自適應(yīng)回歸樣條等7 種算法預(yù)測(cè)了SOM 和黏粒含量等，對(duì)比評(píng)估了模型精度以及結(jié)果的可解釋性。紀(jì)文君等[20]利用多種數(shù)據(jù)挖掘技術(shù)建立了浙江省水稻土SOM 預(yù)測(cè)模型，并與偏最小二乘回歸模型進(jìn)行了對(duì)比。上述研究多是利用全譜段的光譜數(shù)據(jù)進(jìn)行土壤屬性的預(yù)測(cè)建模。土壤高光譜曲線包含波段較多，且波段間有不同程度的相關(guān)性，存在一定的信息冗余。

提取土壤光譜特征指數(shù)，一定程度上可以減少土壤屬性光譜建模輸入變量，提高建模效率，是土壤屬性光譜建模的另一種思路。構(gòu)建或計(jì)算光譜特征指數(shù)的方法有很多，如兩兩波段組合的代數(shù)運(yùn)算（如比值、差值等）、弓曲差等計(jì)算相對(duì)較簡(jiǎn)單、方便。此外，還有基于光譜吸收特征的計(jì)算稍微較復(fù)雜，如吸收谷深度，吸收帶寬、面積等。張娟娟等[8]利用光譜反射率通過(guò)波段間代數(shù)運(yùn)算提取了比值指數(shù)（Ratio Index，RI）、差值指數(shù)（Difference Index，DI）和歸一化差值指數(shù)（Normalized Difference Index，NDI），選出與有機(jī)質(zhì)相關(guān)系數(shù)最高的特征指數(shù)建立SOM 估測(cè)模型，表明利用光譜特征指數(shù)預(yù)測(cè)SOM含量精度較高。賀軍亮等[23]通過(guò)計(jì)算有機(jī)質(zhì)診斷指數(shù)建立了SOM 線性回歸預(yù)測(cè)模型，預(yù)測(cè)結(jié)果較好。盧艷麗等[24]利用1 280 nm處反射峰高度較好地預(yù)測(cè)了東北地區(qū)主要土壤類型有機(jī)質(zhì)含量。彭杰等[25]利用吸收峰總面積、最大吸收深度、面積歸一化最大吸收深度等光譜特征，建立了新疆地區(qū)土壤鹽分含量的光譜預(yù)測(cè)模型。

蘇中平原系江蘇省長(zhǎng)江和蘇北灌溉總渠之間的廣闊平原，屬江淮平原的一部分，主要包括泰州、揚(yáng)州、南通和淮安等大部分市縣。該區(qū)地處北亞熱帶，水熱條件充裕、土壤肥沃，是江蘇省主要的糧食生產(chǎn)基地之一。本研究以蘇中平原的典型土壤為研究對(duì)象，進(jìn)行可見光-近紅外高光譜采集和有機(jī)質(zhì)測(cè)定，分析土壤光譜特征，計(jì)算弓曲差、光譜特征指數(shù)等建立SOM 預(yù)測(cè)模型并進(jìn)行分析，為快速有效測(cè)定蘇中平原SOM 含量提供技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于江蘇省中部平原（119°53′37″～120°14′4″ E，32°20′17″～32°44′50″ N），主要包括姜堰市和興化市南部（圖1），面積約為1 350 km2。研究區(qū)屬暖溫帶北亞熱帶季風(fēng)氣候，年平均氣溫14.5 ℃，降水量991.7 mm，海拔5～10 m。成土母質(zhì)主要為瀉湖相沉積物和長(zhǎng)江沖積物，分布在研究區(qū)北部和南部，主要土壤類型為水稻土和潮土。研究區(qū)土地利用以水田為主，占總面積的81.25%（2009 年），輪作制度主要為稻-油（麥）輪作。

1.2 土壤樣品采集與測(cè)試

土壤樣品采集于2009 年11 月，共采集表層（0～20 cm）土壤樣品178 個(gè)，其中水稻土111 個(gè)，潮土67 個(gè)。在田塊的中心以10～20 m 為半徑（S 形）取8～12 個(gè)土壤樣品，然后將采集的土壤樣品混合在一起并用四分法留下1 kg，同時(shí)記錄田塊中心的坐標(biāo)信息。

樣品在室內(nèi)經(jīng)自然風(fēng)干后用木棒碾磨，剔除砂礫及植物殘?bào)w，然后過(guò)10 目和60 目篩，前者用于光譜測(cè)試，后者用于有機(jī)質(zhì)測(cè)試。采用重鉻酸鉀（K2Cr2O7）氧化滴定法測(cè)定有機(jī)質(zhì)含量。

運(yùn)用ASD FieldSpec 3 地物高光譜儀測(cè)量土壤樣品的反射光譜數(shù)據(jù)，其波長(zhǎng)范圍為350～2 500 nm，重采樣間隔為1 nm，輸出波段數(shù)為2 151。操作過(guò)程在黑暗環(huán)境的實(shí)驗(yàn)室進(jìn)行，光源使用儀器配套的兩個(gè)1 000 W 的鹵素?zé)?，光纖探頭視場(chǎng)角為5°，光源照射方向與垂直方向夾角30°，探頭到土樣表面距離30 cm，取適量過(guò)10 目篩的土壤樣品倒入盛樣皿中，用玻璃稍稍壓實(shí)，刮平整。每個(gè)樣品旋轉(zhuǎn)4次，每個(gè)角度掃描10 次，共40 次，取平均值作為樣本光譜。詳細(xì)的土壤光譜測(cè)試條件描述具體參見文獻(xiàn)[8]。

1.3 土壤光譜特征指數(shù)構(gòu)建

本研究主要采用以下光譜特征指數(shù)。

（1）弓曲差（C）。通過(guò)選取光譜曲線中550、600 和650 nm 處的光譜反射率計(jì)算，C值與SOM含量存在負(fù)相關(guān)，同時(shí)在550～650 nm 范圍光譜曲線表現(xiàn)出平直狀態(tài)[26]。公式如下[26-27]：

（2）土壤光譜指數(shù)。構(gòu)建的土壤光譜指數(shù)有：DI、RI 和NDI 等[11]。

式中，R500、R600和R650代表500 nm、600 nm 和650 nm波段上的光譜反射率；Ri和Rj分別代表i和j波段的土壤光譜反射率。

1.4 建模與精度評(píng)價(jià)

為了保證一定的建模樣本數(shù)量得到穩(wěn)定的預(yù)測(cè)模型，本研究使用Kennard-Stone（KS）方法劃分建模集和預(yù)測(cè)集，該方法普遍用于光譜數(shù)據(jù)的分析中，詳細(xì)計(jì)算過(guò)程參見文獻(xiàn)[18]。按照建模與驗(yàn)證樣本的3∶1 數(shù)量關(guān)系，利用該方法選取133 個(gè)建模樣本和45 個(gè)驗(yàn)證樣本。

采用交叉驗(yàn)證和獨(dú)立驗(yàn)證的方式評(píng)價(jià)預(yù)測(cè)精度，選取決定系數(shù)（Determination Coefficients，R2）、均方根誤差（Root Mean of Squared Error，RMSE）和相對(duì)分析誤差（Relative Percent Deviation，RPD）作為評(píng)價(jià)指標(biāo)。R2的值越接近于1，RMSE 越小，說(shuō)明模型的穩(wěn)定性和精度較高。當(dāng)RPD < 1.4 時(shí)模型的估算能力差；當(dāng)1.4≤RPD < 2 時(shí)模型估測(cè)精度有所提高，能對(duì)樣本進(jìn)行粗略估測(cè)；當(dāng)RPD≥2 時(shí)表明模型具有很好的預(yù)測(cè)能力[28]。計(jì)算公式如下：

式中，yi和表示樣本i的實(shí)測(cè)值和預(yù)測(cè)值，表示平均值，n為樣本數(shù)，SD 為預(yù)測(cè)樣本的標(biāo)準(zhǔn)差。

1.5 數(shù)據(jù)處理與分析

本研究對(duì)原始光譜反射率進(jìn)行光譜倒數(shù)對(duì)數(shù)變換（Inverse-log Reflectance，Log（1/R））和去包絡(luò)線變換（Continuum Removal，CR），識(shí)別土壤屬性與光譜反射率的敏感關(guān)系。倒數(shù)對(duì)數(shù)變換主要目的是擴(kuò)大可見光區(qū)的光譜差異，避免背景噪音的干擾；去包絡(luò)線變換可以有效提取土壤的光譜吸收特征，更加直觀地觀察土壤的光譜特征[25，29]。

基于原始和變換后的土壤光譜曲線，本研究首先綜合分析不同SOM 含量梯度和不同土壤類型的光譜特征、以及SOM 含量與高光譜信息的相關(guān)性。其次，計(jì)算弓曲差、DI、RI 和NDI 等特征指數(shù)及其與SOM 的相關(guān)系數(shù)。最后利用篩選后的光譜特征指數(shù)，基于多元線性回歸進(jìn)行SOM 含量建模，并進(jìn)行精度對(duì)比分析。

Log（1/R）變換在The Unscrambler 9.7 軟件中完成，CR 變換在ENVI 4.8 中進(jìn)行。KS 方法，DI、RI 和NDI 的計(jì)算以及相關(guān)系數(shù)等勢(shì)圖，在MATLAB R2012a 軟件中完成。數(shù)據(jù)統(tǒng)計(jì)分析及繪圖分別在SPSS 22.0 和OriginPro 9.0 中完成。多元回歸建模及驗(yàn)證在The Unscrambler 9.7 軟件中進(jìn)行。

2 結(jié)果與討論

2.1 土壤光譜曲線特征

研究區(qū)SOM 含量總體較高且變化范圍較大，平 均 值 為 28.54±7.80 g·kg-1， 介 于 11.85 ～58.22 g·kg-1；變異系數(shù)為27.33%，屬于中等強(qiáng)度變異。其中水稻土的SOM 含量平均為32.13±7.21 g·kg-1，潮土的SOM 含量平均為22.60±4.34 g·kg-1。水稻土的 SOM 含量變異較潮土稍大，其變異系數(shù)為22.44%，潮土為19.20%。

按照SOM 含量< 20 g·kg-1、20～30 g·kg-1、30～40 g·kg-1和> 40 g·kg-1區(qū)間，計(jì)算各區(qū)間內(nèi)的土壤光譜反射率的平均值，得到研究區(qū)SOM 所有區(qū)間對(duì)應(yīng)平均光譜反射率曲線（圖2）。隨著波長(zhǎng)的增加，在可見光波段土壤光譜反射率值迅速增大，光譜曲線呈現(xiàn)較陡的狀態(tài)；在近紅外波段內(nèi)土壤光譜反射率較高，但是反射率增加較平緩（圖2a）。在1 400 nm、1 900 nm 和2 200 nm 處可以看出光譜反射率值出現(xiàn)不同幅度的升降。在原始光譜曲線中出現(xiàn)吸收特征并不明顯，經(jīng)去包絡(luò)線處理后的光譜吸收特征明顯增強(qiáng)，吸收谷深度加深（圖2b），除了1 400 nm、1 900 nm 和2 200 nm 附近吸收谷更加突出外，在480 nm、660 nm、900 nm 附近也出現(xiàn)了較明顯的吸收特征。在560～660 nm 總體上隨著SOM 含量的增加吸收谷深度加深，吸收谷的面積增大；在480 nm、900 nm 和1 650～1 850 nm 處趨勢(shì)相反，總體上隨著SOM 含量增加，吸收谷變淺?？梢娡ㄟ^(guò)CR 變換后，土壤光譜曲線的吸收特征更加突出，不同SOM 含量光譜曲線的差異得到增強(qiáng)。在近紅外波段，主要受到NH，CH 和CO 等基團(tuán)的分子振動(dòng)的倍頻與合頻吸收影響[30]。1 400 nm 附近的吸收谷主要是受到土壤表面吸附水、黏土礦物O-H 晶格結(jié)構(gòu)水等吸收引起，2 200 nm 附近主要存在Al-OH 黏土礦物（高嶺石）的吸收帶[5，19]。蒙脫石類礦物在1 900 nm 和2 300 cm 附近有較強(qiáng)的吸收帶。

圖3 為SOM 含量與不同光譜變換反射率的相關(guān)系數(shù)曲線。SOM 與原始光譜在全波段范圍上均呈極顯著負(fù)相關(guān)（P< 0.01），與Log（1/R）光譜呈極顯著正相關(guān)（P< 0.01），相關(guān)系數(shù)絕對(duì)值均在0.4以上。在400～900 nm 波段相關(guān)性遠(yuǎn)高于其他波段，相關(guān)系數(shù)絕對(duì)值均在0.6 以上，最高接近0.7（圖3a、b）。SOM 與CR 光譜，在可見光390～750 nm、近紅外800～900 nm、短波紅外1 450～1 700 nm 和2 200～2 400 nm 處，呈現(xiàn)不同程度的正或負(fù)相關(guān)，相關(guān)程度總體上小于原始光譜和Log（1/R）光譜（圖3c）。研究區(qū)SOM 含量反演的敏感波段主要位于為400～900 nm，1 450～1 700 nm 和2 200～2 400 nm處，這與眾多研究結(jié)果基本一致[8，11，15，20]。徐彬彬等[31]比較了去除有機(jī)質(zhì)前后的土壤光譜反射曲線的差異，發(fā)現(xiàn)對(duì)有機(jī)質(zhì)響應(yīng)最大的區(qū)域主要在600～800 nm。以上分析結(jié)果表明，采用原始和Log（1/R）光譜進(jìn)行研究區(qū)SOM 含量反演時(shí)，敏感波段主要位于可見光和近紅外波段范圍；若選用CR 光譜數(shù)據(jù)，敏感波段范圍選擇較廣，可見光、近紅外和短波紅外波段范圍均有覆蓋。

分別選取水稻土和潮土中SOM 含量最小值、25%分位數(shù)、中位數(shù)、75%分位數(shù)和最大值所對(duì)應(yīng)的光譜曲線進(jìn)行光譜特征分析（圖4）。兩種土壤類型的原始光譜曲線總體趨勢(shì)基本一致，光譜曲線在可見光范圍內(nèi)快速上升，在近紅外波段范圍內(nèi)上升緩慢且較為平穩(wěn)?？傮w上，隨著SOM 含量的增加，兩種土壤的光譜曲線逐漸變低平，光譜反射率值減小，反映出二者間的負(fù)相關(guān)性。潮土在可見光范圍光譜曲線的斜率較大，水稻土的光譜斜率相對(duì)較小。腐殖質(zhì)是土壤有機(jī)質(zhì)的主體，腐殖質(zhì)中胡敏酸的反射能力較弱，富里酸在黃紅光部分反射率開始增強(qiáng)，徐彬彬等[31]研究表明不同地帶的土壤盡管其有機(jī)質(zhì)含量相同，但由于胡敏酸和富里酸的比值不同，也會(huì)使土壤有不同的光譜反射特性。這可能也是兩種土壤類型光譜特征差異的一個(gè)主要原因。

2.2 基于弓曲差的SOM 建模

圖5 為研究區(qū)原始光譜在600 nm 波段的弓曲差與SOM 關(guān)系。隨著SOM 含量的增加，在550～650 nm 范圍內(nèi)原始光譜曲線逐漸趨于平直狀態(tài)，弓曲差值逐漸變小。SOM 與原始光譜的弓曲差呈極顯著負(fù)相關(guān)，相關(guān)系數(shù)為-0.66（n= 178，P< 0.01）（圖6）。這與徐彬彬和戴昌達(dá)[26]、Zheng 等[27]的研究結(jié)果一致。計(jì)算Log（1/R）光譜和CR 光譜在600 nm波段的弓曲差，二者分別與SOM 呈極顯著相關(guān)，相關(guān)系數(shù)分別為0.61 和-0.33（n= 178，P< 0.01）。

利用三種光譜數(shù)據(jù)的弓曲差建立研究區(qū)SOM含量的線性回歸模型，結(jié)果見表1?；谠脊庾V和Log（1/R）光譜的弓曲差的回歸模型稍好，建模集的R2分別為0.45 和0.38，驗(yàn)證集的R2分別為0.37和0.36；兩個(gè)模型RPD 分別為1.28 和1.26，模型的預(yù)測(cè)能力較差。基于CR 光譜的弓曲差的建模結(jié)果最差，其建模集和預(yù)測(cè)集的R2均不足0.1，RPD僅為1.06，模型預(yù)測(cè)效果較差。以上結(jié)果表明，單獨(dú)利用弓曲差建立的SOM 回歸模型，估測(cè)能力有限，最高僅能解釋SOM 變異的37%。

Zheng 等[27]研究發(fā)現(xiàn)江蘇濱海鹽土SOM 含量與弓曲差呈極顯著負(fù)相關(guān)，相關(guān)系數(shù)為-0.74（n=142，P< 0.01），利用4 種模型預(yù)測(cè)了SOM 含量，模型的R2介于 0.38～0.51，RMSE 介于 4.12～4.62 g·kg-1。高志海等[32]利用600 nm 和800 nm 波段的兩個(gè)弓曲差預(yù)測(cè)了甘肅省荒漠地區(qū)SOM 含量，600 nm 弓曲的模型精度較高，驗(yàn)證集的R2為0.84，RMSE 為4.57 g·kg-1（n=53）。高志海等[32]認(rèn)為可能由于SOM 含量增加光譜逐漸趨于飽和的原因，當(dāng)SOM 含量較低時(shí)，預(yù)測(cè)值均高于實(shí)測(cè)值，而SOM含量較高時(shí)，預(yù)測(cè)值基本接近實(shí)測(cè)值。本研究利用弓曲差建立的SOM 預(yù)測(cè)模型的精度（除CR 光譜）與Zheng 等[27]研究相似，驗(yàn)證集的R2為0.37 和0.38，RMSE 為4.89 g·kg-1和4.95 g·kg-1。上述分析表明，利用原始和Log（1/R）光譜在600 nm 波段的弓曲差的SOM 預(yù)測(cè)模型解釋能力有限。

2.3 基于土壤光譜指數(shù)的SOM 建模

圖7 為研究區(qū)SOM 含量與光譜指數(shù)的相關(guān)系數(shù)等勢(shì)圖，不同數(shù)值表示兩個(gè)波段組合計(jì)算的DI、RI 或NDI 與SOM 的相關(guān)系數(shù)絕對(duì)值。相關(guān)系數(shù)等勢(shì)圖清晰地展示出，相關(guān)系數(shù)較高的特征指數(shù)構(gòu)成波段的分布范圍。

表1 基于弓曲差的SOM 線性回歸建模結(jié)果Table 1 Modeling via SOM linear regression based on DOA

在原始光譜數(shù)據(jù)中，SOM 含量與DI 相關(guān)性較高的波段組合主要分布在400～800 nm 和2 180～2 220 nm 處，相關(guān)系數(shù)絕對(duì)值均在0.6 以上（圖7a）。相關(guān)性最高的 3 個(gè)波段組合為 2 215 nm 和2 202 nm、2 219 nm 和2 198 nm、2 217 nm 和2 199 nm 波段，相關(guān)系數(shù)分別為0.73、0.73 和0.72。SOM 含量與RI 和NDI 的高相關(guān)性的波段組合范圍一致且較寬，在1 000～2 400 nm 之間，最大的3個(gè)相關(guān)系數(shù)值相同，均為0.68、0.68 和0.67，構(gòu)成RI 和NDI 的波段組合也相同，分別為2 202 nm 和2 215 nm、2 203 nm 和2 214 nm、2 203 nm 和2 215 nm（圖7b、圖7c）。

在Log（1/R）光譜的相關(guān)性等勢(shì)圖中（圖7d ～圖7f），SOM 含量與DI 的相關(guān)性較高的波段組合主要分布在1 100～2 400 nm 處，相關(guān)系數(shù)絕對(duì)值均在0.5 以上。相關(guān)性最高的3 個(gè)波段組合為2 202 nm和2 215 nm、2 203 nm 和2 214 nm、2 203 nm 和2 215 nm，相關(guān)系數(shù)分別為0.68、0.68 和0.67。RI和NDI 的相關(guān)系數(shù)等勢(shì)圖分布相似，相關(guān)性較高的波段組合范圍分布較窄，在2 180～2 220 nm 處。相關(guān)性最高的3 個(gè)波段組合均為2 215 nm 和2 202 nm、2 219 nm 和2 198 nm、2 199 nm 和2 217 nm，相關(guān)系數(shù)分別為0.73、0.72 和0.71。在CR 光譜的相關(guān)性等勢(shì)圖中，相關(guān)性較高的波段組合范圍較窄，且分布較散，DI、RI 和NDI 與SOM 的相關(guān)性等勢(shì)圖分布一致（圖7g～圖7i）。3 種光譜指數(shù)與SOM 的相關(guān)性最高的波段組合均為2 223 nm 和2 182 nm、2 223 nm 和2 183 nm、2 171 nm 和1 877 nm，相關(guān)系數(shù)分別為0.71、0.70 和0.70。

圖3a 顯示，原始光譜在2 198 nm、2 199 nm、2 202 nm、2 203 nm、2 214 nm、2 215 nm、2 217 nm和 2 219 nm 處反射率與 SOM 的相關(guān)系數(shù)介于-0.44～-0.43 之間，經(jīng)計(jì)算DI、RI、NDI 后與SOM的相關(guān)性顯著提高，相關(guān)系數(shù)絕對(duì)值在0.67 以上。Log（1/R）光譜在2 202 nm、2 203 nm、2 214 nm和2 215 nm 處經(jīng)計(jì)算DI、RI、NDI 后與SOM 的相關(guān)性顯著提高；CR 光譜在1 877 nm、2 171 nm、2 182 nm、2 183 nm 和2 223 nm 處計(jì)算的光譜指數(shù)與SOM 的相關(guān)性也顯著提高。這表明不同波段的光譜反射率經(jīng)過(guò)適當(dāng)?shù)奶卣髦笖?shù)計(jì)算后，增強(qiáng)了光譜數(shù)據(jù)與SOM 的相關(guān)性，一定程度上提高了建模預(yù)測(cè)的精度。

在3 種光譜指數(shù)中，分別選擇與SOM 相關(guān)性最高的前3 個(gè)指數(shù)，進(jìn)行研究區(qū)SOM 多元線性回歸建模及驗(yàn)證，結(jié)果見表2。在原始光譜中，由于RI和NDI 的波段組合及與SOM 的相關(guān)系數(shù)均相同，其建模結(jié)果也相同；在Log（1/R）光譜中，選擇的RI 和NDI 的波段組合也相同，其建模結(jié)果相同?；谠?、Log（1/R）和CR 光譜指數(shù)模型中，除了原始光譜的RI 和NDI、Log（1/R）光譜的DI 預(yù)測(cè)模型精度較低外，其余的SOM 預(yù)測(cè)模型精度均相對(duì)較高，建模集的R2均在0.53 以上，RMSE 在5.5 g·kg-1以下，驗(yàn)證集的R2均在0.65 以上，RMSE 較低均不超過(guò)4 g·kg-1?；贑R 光譜指數(shù)的SOM 預(yù)測(cè)模型的建模集和驗(yàn)證集的R2較接近，表明該模型的泛化能力較高?？傮w上，基于3 種光譜數(shù)據(jù)和3 種光譜指數(shù)建立的9 個(gè)SOM 預(yù)測(cè)模型中，RPD 范圍介于1.4～2，表明建立的回歸模型能夠粗略估算研究區(qū)的SOM 含量。9 個(gè)預(yù)測(cè)模型中，基于原始光譜的DI 回歸模型的預(yù)測(cè)能力最優(yōu)，其RPD 為1.98；CR光譜中基于DI 的SOM 回歸模型的RPD 雖然稍低，但模型具有較高的泛化能力。

表3 為3 種光譜數(shù)據(jù)的DI、RI、NDI 分別結(jié)合弓曲差C，進(jìn)行SOM 的回歸建模結(jié)果。結(jié)果表明，由于利用了較多的光譜特征指數(shù)，研究區(qū)的SOM 建模精度總體有不同程度的提升，建模集的R2和RMSE 分別介于0.56～0.64 和4.98～5.50 g·kg-1，驗(yàn)證集的R2和 RMSE 介于 0.67～0.73 和 3.21～3.51 g·kg-1，較表2 的建模精度有較大提升。9 種SOM模型的RPD 均在1.78 以上，其預(yù)測(cè)能力較表2 的SOM 模型有不同程度的提升。基于CR 光譜指數(shù)和弓曲差的SOM 預(yù)測(cè)模型的泛化能力較高。

在表2 和表3 的建模結(jié)果中，分別選擇R、Log（1/R）和CR 的光譜數(shù)據(jù)中最優(yōu)的SOM 預(yù)測(cè)模型，繪制獨(dú)立驗(yàn)證結(jié)果圖（圖8）?？梢钥闯?，回歸模型的預(yù)測(cè)值與實(shí)測(cè)值之間均存在不同程度的偏離，在SOM 含量低于20 g·kg-1處，樣本存在一定程度的高估現(xiàn)象；SOM 含量在20 g·kg-1以上實(shí)測(cè)值和預(yù)測(cè)值明顯較接近，這與高志海等[32]研究結(jié)果一致?？傮w上，基于Log（1/R）光譜的RI 結(jié)合弓曲差的SOM預(yù)測(cè)模型在所有模型中相對(duì)最優(yōu)，其預(yù)測(cè)值和實(shí)測(cè)值較均勻且集中分布在1∶1 線附近（圖8e）。

表2 基于光譜指數(shù)的SOM 建模結(jié)果Table 2 SOM modeling based on spectral indices

張娟娟等[8]研究認(rèn)為光譜指數(shù)構(gòu)成形式以DI 最好，其次為RI 和NDI。本文的結(jié)果顯示對(duì)于原始和CR 光譜，DI 的建模效果較好；而對(duì)于Log（1/R）光譜，RI 和NDI 的建模效果較好，與張娟娟等[8]結(jié)論有一定程度上的相似。賀軍亮等[23]采用DI 的計(jì)算思路，利用507～516 nm 反射率均值對(duì)450～750 nm反射率均值進(jìn)行比值處理后獲得有機(jī)質(zhì)診斷指數(shù)，建立SOM 含量的預(yù)測(cè)模型精度較高，R2在0.65 以上，但是其樣本較少（建模和驗(yàn)證樣本分別為19 個(gè)和8 個(gè)）需要進(jìn)一步研究。盧艷麗等[24]利用570～590 nm 波段的一階導(dǎo)數(shù)光譜和1 280 nm 處反射峰高度較好地預(yù)測(cè)東北地區(qū)主要土壤類型有機(jī)質(zhì)含量，但是其建模和驗(yàn)證的R2差別較大，訓(xùn)練集和驗(yàn)證集的R2分別為0.41～0.47 和0.72～0.75。沈掌泉等[33]認(rèn)為光譜數(shù)據(jù)經(jīng)過(guò)波段算術(shù)組合處理后，能降低模型建立過(guò)程中產(chǎn)生過(guò)配的風(fēng)險(xiǎn)，使模型能包括更多的成分和信息，其研究表明通過(guò)RI 或NDI處理后的光譜數(shù)據(jù)可以提高SOM 預(yù)測(cè)的精度。本研究利用光譜特征指數(shù)建立的SOM 預(yù)測(cè)模型建模和驗(yàn)證的R2均在0.6 以上且差異較小，能夠解釋研究區(qū)SOM 變異的65%以上，精度較高模型相對(duì)穩(wěn)定。

表3 基于光譜指數(shù)和弓曲差的SOM 建模結(jié)果Table 3 The results of modeling SOM using spectral index and deviation of arch

本研究依據(jù)SOM 與光譜指數(shù)相關(guān)性排序進(jìn)行篩選建模，選擇的光譜組合均在短波紅外2 200 nm波段附近，但實(shí)際上研究區(qū)的SOM 含量與其他譜段范圍內(nèi)計(jì)算的光譜指數(shù)的相關(guān)性也較高。如原始光譜數(shù)據(jù)，在400～800 nm 波段范圍計(jì)算的DI 與SOM相關(guān)系數(shù)絕對(duì)值均在0.6 以上（圖7a）。在可見光、近紅外和短波紅外波段范圍，土壤的光譜會(huì)反映不同的土壤組分信息，因此在后期的研究中嘗試在不同波段范圍內(nèi)分別按照土壤屬性與光譜指數(shù)的相關(guān)性等級(jí)，選取光譜指數(shù)進(jìn)行預(yù)測(cè)建模。此外，本研究選取的光譜特征形式單一，在后期的研究中需嘗試進(jìn)一步構(gòu)建或計(jì)算多種光譜特征指數(shù)，比較不同類型的光譜特征指數(shù)的建模效果。

3 結(jié) 論

（1）江蘇省中部平原，不同SOM 含量和不同土壤類型的光譜曲線特征在全波段范圍內(nèi)變化趨勢(shì)基本一致。去除包絡(luò)線處理后，土壤光譜曲線特征差異明顯，在480 nm、660 nm、900 nm 和1 800 nm 附近出現(xiàn)了明顯吸收谷。SOM 與原始光譜呈極顯著負(fù)相關(guān)，與Log（1/R）光譜呈極顯著正相關(guān)，且在400～900 nm 波段相關(guān)性較強(qiáng)。SOM 與CR 光譜，在可見光390～750 nm、近紅外800～900 nm、短波紅外1 450～1 700 nm 和2 200～2 400 nm 處，呈現(xiàn)不同程度的正或負(fù)相關(guān)。（2）原始光譜和Log（1/R）光譜在600 nm 波段的弓曲差與SOM 含量呈極顯著相關(guān)，能夠解釋研究區(qū)36%的SOM 變異，模型的RPD 分別為1.28 和1.26，模型預(yù)測(cè)效果差。（3）原始光譜、Log（1/R）光譜和CR 光譜等不同波段的反射率經(jīng)過(guò)DI、RI 和NDI 特征指數(shù)計(jì)算后，增強(qiáng)了光譜數(shù)據(jù)與SOM 的相關(guān)性，一定程度上能提高建模預(yù)測(cè)的精度。選擇不同光譜數(shù)據(jù)的DI、RI 和NDI 等指數(shù)建立的SOM 模型能夠解釋53%～69%的SOM 變異。將DI、RI 和NDI 等指數(shù)分別結(jié)合弓曲差，建立的SOM 預(yù)測(cè)模型效果最優(yōu)，能夠解釋研究區(qū)67%～73%的SOM變異。其中Log（1/R）光譜的RI 和NDI 結(jié)合弓曲差的SOM 預(yù)測(cè)模型精度最高。