收稿日期：2024-01-03；修回日期：2024-02-20

基金項(xiàng)目：國家自然科學(xué)基金（32201335）資助

作者簡介：王萌韜（1999-），男，漢族，陜西西安人，碩士研究生，主要從事草資源與生態(tài)研究，E-mail：w165403719@163.com；*通信作者Author for correspondence，E-mail：hejing_606@163.com

摘要：磷是植物生長發(fā)育必需的營養(yǎng)元素，研究不同利用方式下草原土壤磷素的含量狀況，是更好地開展草原保護(hù)修復(fù)工作的前提。本文以內(nèi)蒙古輝河國家級(jí)自然保護(hù)區(qū)為研究區(qū)域，野外實(shí)地調(diào)查采集了三種不同利用方式（放牧、圍封、刈割）共18個(gè)樣地的表層（0～30 cm）土壤，室內(nèi)測定了表層土壤的總磷和有效磷含量以及光譜數(shù)據(jù)。分析表明：圍封地和刈割地總磷含量差異不顯著，二者總磷含量均顯著高于放牧地，而圍封地有效磷含量顯著高于放牧地和刈割地。通過偏最小二乘（Partial least-square method，PLSR）、隨機(jī)森林（Randomforest，RF）和BP神經(jīng)網(wǎng)絡(luò)（Back propagation neural netwok，BPNN）三種模型對表層土壤磷含量進(jìn)行高光譜反演表明：PLSR對三種利用方式下土壤磷素的反演穩(wěn)定性最強(qiáng)，對總磷和有效磷反演的R²均大于0.90，RMSE值均小于16.00；RF次之，BP神經(jīng)網(wǎng)絡(luò)僅適用于刈割地的總磷和有效磷反演。研究結(jié)果以期此模型為草原區(qū)土壤磷含量動(dòng)態(tài)監(jiān)測提供基礎(chǔ)支撐。

關(guān)鍵詞：呼倫貝爾草原；利用方式；高光譜；表層土壤；磷素含量

中圖分類號(hào)：S812.8 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-0435（2024）10-3141-10

Hyperspectral Inversion of Phosphorus Content in Surface Soil under Different Utilization Modes in Hulunbuir Grassland

WANG Meng-tao¹， HE Jing^1*， BU He²， LIU Yu¹， DIAO Zhao-yan³， ZHOU Yu-jing¹， SU De-rong¹

（1. Research Center of Grassland Ecology and Resources， Beijing Forestry University， Beijing 100091， China； 2. Forestry and Grassland Bureau of Ewenke Autonomous Banner， Hulunbeier City， Hulunbeier， Inner Mongolia 0211002， China； 3. Chinese Research Academy of Environmental Sciences， Beijing 100012， China）

Abstract：Phosphorus is a necessary nutrient for the normal growth and development of plants. Studying the phosphorus content in grassland soil under different utilization methods is a prerequisite for better grassland protection and restoration. This article took the Huihe National Nature Reserve in Inner Mongolia as the research area. Field investigations were conducted to collect surface soil （0-30 cm） from 18 plots under three different utilization methods （grazing，enclosure，and cutting）. The total phosphorus and available phosphorus content as well as spectral data of the surface soil were measured. The analysis showed that total phosphorus content was not significantly different between enclosure and cutting land，but was significantly higher in enclosure and cutting lands than in grazing land. Available phosphorus content was significantly higher in enclosure than in grazing and cutting lands. The hyperspectral inversion of total and available phosphorus content in surface soil using Partial least-square method（PLSR），Back propagation neural netwok （BPNN），and Randomforest （RF） models showed that the PLSR had high prediction accuracy for soil phosphorus under three different utilization methods，with R² values greater than 0.90 and RMSE values less than 16.00 for total and available phosphorus inversion;RF were in the middle of the pack in terms of predictive effectiveness. The BPNN only had a certain predictive effect for total and available phosphorus in cutting lands. The research results would provide basic support for soil monitoring in grassland areas.

Key words：Hulunbeier grassland;Utilization;Hyperspectral;Surface soil;Phosphorus content

磷是植物生物生長發(fā)育所必需的營養(yǎng)元素，是構(gòu)成生物體的重要組成成分，并且對陸地生態(tài)系統(tǒng)的物質(zhì)循環(huán)、能量流動(dòng)、養(yǎng)分平衡都具有重要的影響作用^［1］。由于受到成土母質(zhì)的影響，我國北方天然草地大都屬于缺磷狀態(tài)。因此，研究草地土壤磷素的變化，對了解草原土壤養(yǎng)分的狀況具有重要意義^［2］。此外，越來越多的研究發(fā)現(xiàn)草原區(qū)土壤磷素的含量會(huì)受到不同利用方式的影響^［3-7］。放牧、圍封和刈割是草原上常見的三種利用方式；不同利用方式會(huì)引起草地生態(tài)系統(tǒng)動(dòng)植物及微生物組分、土壤結(jié)構(gòu)的改變，進(jìn)而影響表層土壤磷素的含量^［8］。放牧地中由于牲畜對草地的采食踐踏以及糞便等排泄物，影響土壤微生物的種類及數(shù)量；刈割通過對地上植被剪除，改變地上植被的豐富度和多樣性，進(jìn)一步影響微生物群落結(jié)構(gòu)；圍封地可以提高地上生物量以及根系分泌物，有利于土壤微生物的生存繁殖^［9］。然而草原區(qū)不同利用方式如何通過不同的土壤結(jié)構(gòu)和微生物組成來影響土壤中的磷組分，目前仍知之甚少^［10］。因此，在研究草原區(qū)土壤磷素含量變化的基礎(chǔ)上進(jìn)一步明晰不同利用方式下土壤磷素含量狀況，對于深刻認(rèn)知草原磷素轉(zhuǎn)化趨勢以及提升草原保護(hù)修復(fù)工作的準(zhǔn)確性及精度具有重要意義。

目前使用比較的廣泛的土壤磷素檢測方法是實(shí)地土壤采集后帶回實(shí)驗(yàn)室分析測定，雖然這種傳統(tǒng)的實(shí)地調(diào)查檢測方法也能夠?qū)崿F(xiàn)對于土壤磷素含量的檢測，并且具有較高的精度，但是考慮到草原區(qū)的面積廣闊，實(shí)地調(diào)查采樣勢必會(huì)存在諸多弊端，會(huì)消耗大量的人力物力，無法實(shí)現(xiàn)大尺度和長期檢測。隨著國內(nèi)外各類高光譜遙感技術(shù)的發(fā)展和進(jìn)步，其宏觀、實(shí)時(shí)、原位、快速等突出優(yōu)勢，以及可同時(shí)記錄地物多個(gè)窄波段的反射率，使得應(yīng)用高光譜技術(shù)監(jiān)測土壤中元素含量的變化成為可能^［11］。目前已經(jīng)有學(xué)者使用高光譜技術(shù)對土壤磷素含量開展監(jiān)測活動(dòng)，并且取得了不錯(cuò)的效果^［12-13］。這對后續(xù)開展高光譜技術(shù)監(jiān)測土壤磷素含量的研究奠定了基礎(chǔ)。

然而，高光譜技術(shù)在草原區(qū)的應(yīng)用相對有限^［14-15］。并且針對不同利用方式下土壤磷素的研究仍依賴于傳統(tǒng)的樣地設(shè)置和實(shí)地采集來進(jìn)行測算和評(píng)估^［16］。因此在光譜技術(shù)的應(yīng)用過程中，有必要引入模型來進(jìn)行廣域尺度的分析和勘察，現(xiàn)有研究發(fā)現(xiàn)光譜數(shù)據(jù)與土壤磷素含量的光譜模型穩(wěn)定性較低，預(yù)測效果時(shí)好時(shí)壞^［17］。例如：郭志新等^［18］對林區(qū)的土壤氮、磷、鉀含量結(jié)合光譜進(jìn)行預(yù)測，建立的偏最小二乘（Partial least-square method，PLSR）模型有著很好的預(yù)測精度。Li等^［19］針對砂壤土和粉質(zhì)壤土的元素含量結(jié)合光譜數(shù)據(jù)建立的數(shù)學(xué)分析模型，發(fā)現(xiàn)PLSR的預(yù)測精度較低，BP神經(jīng)網(wǎng)絡(luò)（Back propagation neural netwok，BPNN）模型對土壤元素有較高的預(yù)測精度。而Tan等^［20］使用了隨機(jī)森林（Randomforest，RF）模型對河邊的土壤元素進(jìn)行了預(yù)測分析，取得了很好的效果，但BPNN的預(yù)測精度較差。

由于計(jì)算原理的差異，不同的模型表現(xiàn)存在差異，有必要構(gòu)建不同的模型來比較反演效應(yīng)，以確定最佳反演模型^［21］。因此，本研究以不同利用方式下土壤表層磷素含量為研究對象，基于BPNN，RF和PLSR模型探討不同利用方式下土壤的高光譜數(shù)據(jù)和土壤總磷及有效磷之間的關(guān)系，篩選適合不同利用方式下草原土壤磷含量的最佳模型，為利用高光譜數(shù)據(jù)估算和檢測草原區(qū)土壤磷素含量提供科學(xué)依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

本研究地點(diǎn)位于內(nèi)蒙古呼倫貝爾市輝河國家級(jí)自然保護(hù)區(qū)內(nèi)，具體位置及采樣點(diǎn)見圖1所示，保護(hù)區(qū)地理坐標(biāo)為北緯48°10′～48°57′，東經(jīng)118°48′～119°45′，總面積為3468.48 km²。保護(hù)區(qū)轄區(qū)范圍大多位于內(nèi)蒙古呼倫貝爾市鄂溫克族自治旗境內(nèi)，氣候?qū)僦袦貛Т箨懶詺夂?，年平均溫度?2.4℃～2.2℃之間，年均降水量為 300～350 mm。當(dāng)?shù)氐耐寥李愋桶ㄓ邪道踱}土、風(fēng)沙土、隱域性草甸沼澤土、鹽化草甸土等，以暗栗鈣土為主。保護(hù)區(qū)內(nèi)的優(yōu)勢植物包括：羊草（Leymus chinensis （Trin.） Tzvel.）、寸草（Carex duriuscula C. A. Mey.）、糙隱子草（Cleistogenes squarrosa （Trin.） Keng）、麻花頭（Klasea centauroides （L.） Cass.）、雜類草等草地植物。

1.2 數(shù)據(jù)獲取

1.2.1 土壤樣品的采集 本研究于2022年7月在輝河國家級(jí)自然保護(hù)區(qū)內(nèi)開展土壤樣品的采集，采樣點(diǎn)涵蓋放牧、圍封、刈割三種不同利用方式的草地，其中放牧樣地?cái)?shù)量為12個(gè)，圍封樣地?cái)?shù)量為2個(gè)，刈割樣地?cái)?shù)量為4個(gè)。根據(jù)GPS信息精準(zhǔn)定位草原樣地信息后，在每個(gè)樣地內(nèi)隨機(jī)選取三個(gè)1 m×1 m的樣方，先對樣方內(nèi)部植物信息進(jìn)行統(tǒng)計(jì)整理，整理完畢后對樣方內(nèi)植物及雜草進(jìn)行齊地面刈割，使用土鉆對刈割后樣地內(nèi)的三個(gè)樣方進(jìn)行土壤采集工作，采樣深度為30 cm，共分為0～10 cm，10～20 cm，20～30 cm三層，將所獲取的土壤分兩份保存，一部分用來測定土壤磷素含量，另一部分用來采集土壤的光譜信息。

1.2.2 土壤磷元素含量的測定 實(shí)驗(yàn)室內(nèi)，將采集的土壤分類整理并晾曬使其自然風(fēng)干，挑出土中雜物后過100目篩，過完篩的土壤分別進(jìn)行全磷和有效磷含量的測定，土壤全磷全磷含量采用堿熔-鉬銻抗分光法進(jìn)行測定^［22］。針對土壤有效磷的含量采用碳酸氫鈉浸提法測定^［23］。

1.2.3 土壤高光譜數(shù)據(jù)的獲取及預(yù)處理 實(shí)驗(yàn)室內(nèi)對土壤光譜信息進(jìn)行測定，在黑暗的環(huán)境中使用ASD Field Spec 3光譜儀采集土壤的光譜數(shù)據(jù)，光譜數(shù)據(jù)采集的范圍包括350～2500 nm，分辨率為1 nm。首先對光譜儀的白板進(jìn)行校正，消除有干擾土壤光譜的物體存在，探頭的布設(shè)與土壤樣品之間保持15 cm的垂直距離。每個(gè)土壤樣品的光譜信息反復(fù)測量10次，并對10條光譜信息進(jìn)行平均值計(jì)算，將平均值作為土壤的原始光譜數(shù)據(jù)。結(jié)合之前學(xué)者的研究結(jié)論，為提升光譜數(shù)據(jù)的信噪比以及后續(xù)模型的反演精度，對原始光譜曲線分別進(jìn)行了SG平滑處理^［24］和一階微分轉(zhuǎn)化^［25］，其中一階微分的公式為：

FDR（λ）=R（λ）-R（λ）Δλ

式中：λ為每個(gè)波段的波長，F(xiàn)DR（λ）為波長處的一階微分光譜值，為波段i到波段i+1的波長值。

1.2.4 數(shù)據(jù)分析及模型評(píng)價(jià) 高光譜數(shù)據(jù)波段多存在冗余狀況，為了提高構(gòu)建模型的精度、減少這一現(xiàn)象所帶來的誤差，對經(jīng)過一階微分變化后的光譜數(shù)據(jù)作為自變量，與表層土壤磷素含量進(jìn)行皮爾遜相關(guān)性分析，并且選出顯著相關(guān)（P<0.05）的波段作為特征波段參與模型的建立和驗(yàn)證，此過程在R語言（4.2.3）中實(shí)現(xiàn)。針對篩選出的特征波段，采用RF、BPNN、PLSR來建立光譜與土壤磷素含量的模型，此過程基于Matlab實(shí)現(xiàn)；將不同利用方式下的土壤磷素含量進(jìn)行拆分，其中三分之二數(shù)據(jù)用于模型的建立，三分之一的數(shù)據(jù)用于模型精度的評(píng)價(jià)。模型精度評(píng)價(jià)指標(biāo)采用決定系數(shù)（Determination Cofficients，R²）和均方根誤差（Root Mean of Squared Error，RMSE）來進(jìn)行模型精度的評(píng)價(jià)和比較。其中對于決定系數(shù)來說，當(dāng)R²≥0.80，視為優(yōu)秀模型，當(dāng)R²≤0.50時(shí)，該模型不能反演出正確的結(jié)果。對于均方根誤差而言，RMSE值越小，則表明模型的預(yù)測精度越高^［26］。此外，對不同利用方式以及不同土層深度的土壤磷素?cái)?shù)據(jù)進(jìn)行均值和標(biāo)準(zhǔn)差的計(jì)算。由于不同利用方式下土地?cái)?shù)量不一致，本研究根據(jù)實(shí)際情況選出具有代表性的圍封樣地2塊、刈割樣地4塊，每塊圍封地內(nèi)隨機(jī)設(shè)置3個(gè)樣方進(jìn)行土壤數(shù)據(jù)采集，分別獲取圍封樣地6個(gè)樣方的土壤數(shù)據(jù)和刈割樣地12個(gè)樣方的土壤數(shù)據(jù)。利用計(jì)算出圍封樣地的均值補(bǔ)充到和刈割樣地同樣數(shù)量的樣方數(shù)據(jù)；根據(jù)當(dāng)?shù)氐乩項(xiàng)l件，在放牧地中選取牧草品質(zhì)更好、具有代表性并且與總樣本量均值較為接近的4塊樣地；即每種樣地下都有四塊土地，12個(gè)樣方來建立參與雙因素方差分析^［27］；不同利用方式和土層深度是方差分析中的兩個(gè)影響因素，最終結(jié)合P值作為土壤磷素含量顯著性差異的評(píng)價(jià)標(biāo)準(zhǔn)。通常P值小于0.05則認(rèn)為具有顯著性差異，而P值大于0.05則表示沒有顯著性差異^［28］。

2 結(jié)果

2.1 不同利用方式下土壤磷元素含量分析

草原區(qū)不同利用方式下表層土壤總磷含量見圖2（a），放牧、圍封、刈割三種利用方式下0～30 cm土層的的均值含量分別是（131.4±42.3） mg·kg^-1，（199.8±45.1） mg·kg^-1，（198.2±51.3） mg·kg^-1；圍封地和刈割地中土壤總磷含量差異不顯著，而放牧地中土壤總磷含量則顯著低于圍封和刈割地（P＜0.05）；不同土層深度中的土壤總磷含量差異不顯著。草原區(qū)不同利用方式下表層土壤有效磷含量見圖2（b）放牧、圍封、刈割三種利用方式下0～30 cm土層的均值含量分別是（11.5±5.2） mg·kg^-1，（14.2±6.5） mg·kg^-1，（3.7±1.1） mg·kg^-1；圍封地的有效磷含量顯著高于放牧地和刈割地（P＜0.05），三種利用方式下土層中有效磷含量表現(xiàn)為0～10 cm土層中有效磷含量顯著大于10～20 cm土層中的有效磷，10～20 cm土層中有效磷含量顯著大于20～30 cm土層中的有效磷含量（P＜0.05）；0～30 cm有效磷含量均值含量具體表現(xiàn)為圍封地＞放牧地＞刈割地。

2.2 土壤磷元素的特征波段提取

為了減少外界環(huán)境對光譜數(shù)據(jù)獲取時(shí)的干擾，提高后續(xù)模型的反演精度，文章將采用原始光譜的一階導(dǎo)數(shù)與土壤有效磷及磷元素含量進(jìn)行相關(guān)性分析，并篩選出光譜與元素含量相關(guān)系數(shù)通過顯著性水平（P＜0.05）檢驗(yàn)的波段，結(jié)果如圖3—5所示。其中刈割地中土壤總磷含量通過顯著性的波段數(shù)量最多，達(dá)到了1113個(gè)波段。圍封地中有效磷通過顯著性波段數(shù)量最少，只有234個(gè)波段。

2.2.1 放牧地土壤磷素與光譜的相關(guān)性分析 如圖3所示，在放牧地中，土壤總磷與光譜的相關(guān)性大多集中于-0.6～0.4之間，土壤有效磷于光譜的相關(guān)性大多集中于-0.5～0.25之間。土壤總磷相關(guān)系數(shù)通過顯著性的波段集中于400～790 nm，土壤有效磷相關(guān)系數(shù)通過顯著性的波段集中于650～720 nm，其他通過顯著性的波段則較為分散。其中，全磷通過顯著性波段的數(shù)量為772個(gè)，有效磷通過顯著性檢驗(yàn)的波段數(shù)量為596個(gè)。

2.2.2 圍封地土壤磷素與光譜的相關(guān)性分析 如圖4所示，在圍封地中，土壤總磷與光譜的相關(guān)系數(shù)大多集中于-0.5～0.5之間，土壤有效磷與光譜的相關(guān)性大多集中于-0.5～0.5之間。土壤總磷含量的相關(guān)系數(shù)通過顯著性的波段集中于500～600 nm，土壤有效磷相關(guān)系數(shù)通過顯著性的波段集中于500～600，800～900 nm。其中總磷通過顯著性波段的數(shù)量為234個(gè)，有效磷通過顯著性檢驗(yàn)的波段數(shù)量為406個(gè)。

2.2.3 刈割地土壤磷素與光譜的相關(guān)性分析 如圖5所示，在刈割地中，土壤總磷與光譜的相關(guān)系數(shù)大多集中于-0.5～0.5之間，而土壤有效磷于光譜的相關(guān)系數(shù)大多集中于-0.4～0.4之間。土壤總磷含量的相關(guān)系數(shù)通過顯著性的波段集中在400～1000 nm，土壤有效磷含量的相關(guān)系數(shù)通過顯著性的波段集中于500～900 nm。其中總磷通過顯著性波段的數(shù)量為1113個(gè)，有效磷通過顯著性檢驗(yàn)的波段數(shù)量為616個(gè)。

2.3 不同模型建模反演分析

2.3.1 隨機(jī)森林回歸模型 RF對于土壤總磷和有效磷含量的預(yù)測狀況見圖6所示。隨機(jī)森林模型對于土壤總磷的預(yù)測中，R²最高與最低分別是刈割地0.94、放牧地0.46，對于有效磷的預(yù)測中R²最高與最低分別是刈割地0.78、放牧地0.36。對于總磷反演中的RMSE值最小的是放牧地33.19，對于有效磷反演中RMSE值最小的是刈割地1.34。綜上所述，隨機(jī)森林模型對于刈割地效果較好，圍封地次之，對于放牧地的預(yù)測精度最差。

2.3.2 BP神經(jīng)網(wǎng)絡(luò)回歸模型 BNPP對于土壤總磷和有效磷含量的預(yù)測狀況見圖7所示。對于土壤總磷，不同利用方式下R²最高和最低的分別是圍封地0.65、放牧地0.31，對于有效磷R(shí)²最高與最低的分別是刈割地0.78、圍封地0.33。對于土壤總磷反演的RMSE值最小的是圍封地37.05，對于土壤有效磷反演的RMSE值最小的是刈割地1.10。綜上所述，BNPP僅對于刈割地中土壤磷素具有一定的預(yù)測效果，對于放牧和圍封地的預(yù)測效果較差。

2.3.3 偏最小二乘回歸模型 PLSR對于土壤總磷和有效磷含量的預(yù)測狀況見圖8所示。偏最小二乘模型對于土壤總磷的預(yù)測中，不同利用方式下R²最高和最低分別是圍封、刈割地的0.96，放牧地0.91，對于土壤有效磷的預(yù)測R²最高與最低分別是刈割地0.98，放牧地0.94；對于土壤總磷反演的RMSE值最小是圍封地0.29，對土壤有效磷反演的最小值是刈割地0.07。綜上所述，PLSR對于三種利用方式下的土壤磷素含量都有較好的預(yù)測精度。

2.4 模型驗(yàn)證精度評(píng)價(jià)

利用R²與RMSE這兩項(xiàng)指標(biāo)對不同利用方式下草原表層土壤總磷和有效磷高光譜模型反演精度進(jìn)行評(píng)價(jià)。發(fā)現(xiàn)：PLSR對于放牧、圍封以及刈割地都有非常好的預(yù)測效果，該模型下土壤總磷反演的R²分別是0.91，0.96，0.96，RMSE的值分別為15.12，0.29，0.84；對于土壤有效磷的反演中，同樣有著較高的精度，其R²分別是0.94，0.95，0.98，RMSE的值分別為5.83，0.13，0.07。此外，RF對于土壤總磷含量反演的R²分別是0.88和0.94，RMSE值分別為49.72和43.41，RMSE值較大，所以其具備一定的預(yù)測效果但是精度有限；而RF對土壤有效磷含量反演的R²分別是0.76和0.66，RMSE值分別是8.32和1.34，預(yù)測效果相對較好。BNPP對于土壤總磷的反演中，圍封和刈割地的R²分別是0.65和0.61，RMSE值分別為37.05和46.23，RMSE值較大，因此模型具備一定的預(yù)測趨勢，但是精度有限；而BNPP對于放牧、圍封地的土壤有效磷含量反演中R²僅僅只有0.37，0.33，預(yù)測效果和適應(yīng)性較其他兩種模型低，但是在刈割地中，R²達(dá)到了0.78，RMSE值也只有1.10，所以其對刈割地中有效磷含量有著不錯(cuò)的預(yù)測效果。通過總體對上述三種模型的比較分析可知，PLSR對于草原土壤磷素的光譜反演效果最佳，其次是RF，BNPP的預(yù)測精度在這三種模型中最差。

3 討論

3.1 不同利用方式下表層土壤磷含量的變化特征

在草原生態(tài)系統(tǒng)中，磷是重要的化學(xué)元素，其分布和儲(chǔ)量對草原生態(tài)系統(tǒng)功能的正常發(fā)揮起著重要的作用^［29］。在本研究中經(jīng)過雙因素方差分析表示：土層深度與土壤磷含量存在一定的聯(lián)系，土壤有效磷含量隨著土層深度的增加會(huì)顯著減小，土層深度與土壤總磷含量差異不顯著，這說明土壤有效磷在土壤表層的含量會(huì)更加豐富，土壤全磷與土層深度沒有顯著性關(guān)系這可能與全磷在草原區(qū)的土壤中縱向流動(dòng)性有關(guān)^［30］。不同利用方式與土壤磷含量的關(guān)系表現(xiàn)為：圍封和刈割地的土壤全磷含量不存在顯著性差異，圍封地有效磷含量則顯著高于放牧和刈割地。李耀等^［31］的研究也發(fā)現(xiàn)了相同的結(jié)論，說明草原區(qū)的土地經(jīng)過圍封之后可以顯著提高土壤有效磷的含量。刈割地中土壤全磷的含量較高，但是刈割地中土壤有效磷的含量處于偏低的狀態(tài)。說明刈割利用對土壤有效磷的含量會(huì)產(chǎn)生較大影響，但是對于全磷的影響則較小。Mao等^［32］在西安植物園內(nèi)實(shí)地調(diào)查研究中發(fā)現(xiàn)刈割處理會(huì)減少土壤內(nèi)有效磷的含量，這可能因?yàn)樵诟畈莸倪^程中破壞植物的地上部分，導(dǎo)致養(yǎng)分在分解土壤時(shí)造成損失。Chen等^［33］在錫林浩特草原區(qū)發(fā)現(xiàn)不同利用方式與總磷含量差異不顯著，與本實(shí)驗(yàn)的研究地點(diǎn)均處于內(nèi)蒙古地區(qū)，可能具有相類似的土壤質(zhì)地以及氣候環(huán)境，總磷在不同的利用方式下未顯示出明顯的差異。放牧地中土壤全磷的含量低于其他兩種利用方式，有效磷的含量也處于較低的狀態(tài)，僅高于刈割地。說明放牧活動(dòng)會(huì)造成土壤磷素含量的降低，戎郁萍等^［34］在河北牧場關(guān)于放牧的研究也得出了近似的結(jié)論。其原因可能包含兩方面：一是由于牲畜的日常采食和排泄物會(huì)影響植被凋落物的數(shù)量、質(zhì)量以及動(dòng)植物的群落結(jié)構(gòu)，進(jìn)而影響土壤對磷元素的吸收；另一方面，牲畜放牧也可能通過影響地球土壤化學(xué)性質(zhì)和微生物群落結(jié)構(gòu)和活動(dòng)來影響有效磷元素的產(chǎn)出^［35］。

3.2 不同模型對草原土壤光譜和磷素含量模型反演的差異

當(dāng)前已有眾多學(xué)者結(jié)合土壤光譜信息進(jìn)行土壤元素含量的模型預(yù)測，本研究中PLSR對于草原區(qū)不同利用方式下表層土壤的磷素含量預(yù)測效果最佳，這與諸多學(xué)者的研究結(jié)論相符。例如：陳鵬飛等^［36］對北京地區(qū)土壤光譜信息以及土壤氮、磷含量結(jié)合PLSR做出預(yù)測，結(jié)果顯示PLSR對土壤的氮、磷元素都具有較好的預(yù)測性能。蔣燁林等^［37］在艾比湖流域?qū)ν寥鲤B(yǎng)分的預(yù)測模型中，PLSR也取得了不錯(cuò)的預(yù)測效果。郭鵬等^［38］在四川省崇州市西河流域采用不同的篩選方法篩選出的特征波段結(jié)合PLSR也取得了很好的效果。多項(xiàng)研究結(jié)論表明PLSR在結(jié)合土壤光譜對大面積土壤元素含量的監(jiān)測活動(dòng)中均有良好的表現(xiàn)，說明本模型適用性較為廣闊，具備較強(qiáng)的實(shí)用性。本研究中BNPP的反演效果不佳，其中原因可能是由于模型的構(gòu)建需要較大的樣本量來支撐^［39］，而本研究中的樣本量不足以支撐其達(dá)到較高的穩(wěn)定性。此外，也可能與研究區(qū)地理位置和土壤質(zhì)地有關(guān)，本研究區(qū)域位于我國東北部，土壤質(zhì)地以暗栗鈣土為主，有研究在土壤質(zhì)地為砂姜黑土的土壤類型當(dāng)中，BNPP取得了不錯(cuò)的效果^［40］。此前，諸多學(xué)者也使用了RF來對于土壤磷素含量結(jié)合光譜數(shù)據(jù)進(jìn)行分析預(yù)測，其中不乏取得較好結(jié)果的研究，比如有學(xué)者在青藏高原等高海拔地區(qū)的研究中發(fā)現(xiàn)，RF模型對于土壤磷素的預(yù)測有較高的精度^［41］，但本研究區(qū)域所處的地理位置海拔較低、年均降水量只有300 mm左右，這也可能是影響RF模型反演精度的原因。除開地理位置的影響因素外，模型設(shè)定時(shí)的復(fù)雜程度以及參與建模的樣本數(shù)量也會(huì)對模型的反演精度造成影響^［42］。上述討論說明三種反演模型與土壤質(zhì)地、氣候因素、地理環(huán)境等變量等因素相關(guān)，那么利用土壤光譜對磷素含量反演模型選擇時(shí)需要特別注意區(qū)域差異；此外，也必須要考慮到模型的復(fù)雜程度，樣本數(shù)量等綜合狀況，可以通過增加機(jī)器學(xué)習(xí)最大層數(shù)并提高訓(xùn)練次數(shù)，以期得到更佳的反演效果。

4 結(jié)論

本研究發(fā)現(xiàn)，呼倫貝爾草原不同利用方式下土壤總磷的含量表現(xiàn)為圍封和刈割地含量差異不顯著，但二者均顯著高于放牧地；土壤有效磷0～30 cm土層的均值含量表現(xiàn)為圍封地＞放牧地＞刈割地。不同模型對于不同利用方式下土壤磷素含量的反演效果存在差異，其中偏最小二乘模型對于三種利用方式下的總磷和有效磷都有著較高的預(yù)測精度，R²值均在0.90以上，RMSE值都低于16.00。其次隨機(jī)森林對于圍封和刈割利用方式下的土壤總磷和有效磷有一定的預(yù)測效果。BP神經(jīng)網(wǎng)絡(luò)僅適用于刈割地的總磷和有效磷反演。因此在呼倫貝爾草原區(qū)開展土壤磷素含量預(yù)測分析時(shí)，本研究優(yōu)先推薦偏最小二乘反演。

參考文獻(xiàn)

［1］烏恩，夏慶梅，高娃. 內(nèi)蒙古天然草地磷素營養(yǎng)問題及其解決途徑［J］. 內(nèi)蒙古草業(yè)，2006（3）：4-7

［2］盧曉霞，張衛(wèi)青，王海茹，等. 放牧強(qiáng)度對內(nèi)蒙古典型草原土壤磷素的影響［J］. 干旱區(qū)資源與環(huán)境，2022，36（5）：153-159

［3］任靈，袁子茹，陳建綱，等. 東祁連山不同利用方式下高寒草甸草原土壤養(yǎng)分特征［J］. 甘肅農(nóng)業(yè)大學(xué)學(xué)報(bào)，2016，51（6）：70-75

［4］洪江濤，吳建波，王小丹. 放牧和圍封對藏北高寒草原紫花針茅群落生物量分配及碳、氮、磷儲(chǔ)量的影響［J］. 草業(yè)科學(xué)，2015，32（11）：1878-1886

［5］李強(qiáng)，宋彥濤，周道瑋，等. 圍封和放牧對退化鹽堿草地土壤碳、氮、磷儲(chǔ)量的影響［J］. 草業(yè)科學(xué)，2014，31（10）：1811-1819

［6］董曉玉，傅華，李旭東，等. 放牧與圍封對黃土高原典型草原植物生物量及其碳氮磷貯量的影響［J］. 草業(yè)學(xué)報(bào)，2010，19（2）：175-182

［7］袁淑雅，賀晶，蘇德榮. 降水格局變化和放牧對草地土壤磷轉(zhuǎn)化影響的研究進(jìn)展［J］. 草地學(xué)報(bào)，2024，32（1）：25-36

［8］秦麗萍，羅天旭，馮兆林，等. 不同利用方式天然草原土壤肥力研究［J］. 安徽農(nóng)業(yè)科學(xué)，2023，51（10）：46-49

［9］王德平，宋倩，劉忠寬，等. 草地利用方式對呼倫貝爾草地微生物群落結(jié)構(gòu)的影響［J］. 草業(yè)科學(xué)，2022，39（3）：421-430

［10］WANG Z R，LI F R，LIU L L，et al. Changes in soil phosphorus fractions under different land uses in desert grasslands in northwestern China［J］. European Journal of Soil Science，2022，73（3）：e13255

［11］李港，孔亞聰，代元帥，等. 基于野外原位光譜的棉田耕層土壤全氮含量監(jiān)測模型研究［J］. 干旱地區(qū)農(nóng)業(yè)研究，2023，41（6）：273-280

［12］金秀，朱先志，李紹穩(wěn)，等. 基于梯度提升樹的土壤速效磷高光譜回歸預(yù)測方法［J］. 激光與光電子學(xué)進(jìn)展，2019，56（13）：141-150

［13］楊愛霞，丁建麗，李艷紅，等. 基于可見-近紅外光譜變量選擇的荒漠土壤全磷含量估測研究［J］.光譜學(xué)與光譜分析，2016，36（3）：691-696

［14］國佳欣，朱青，趙小敏，等. 不同土地利用類型下土壤有機(jī)碳含量的高光譜反演［J］. 應(yīng)用生態(tài)學(xué)報(bào)，2020，31（3）：863-871

［15］劉彥姝，潘勇. 基于SVR算法的林地土壤氮含量高光譜測定［J］. 生態(tài)科學(xué)，2013，32（1）：84-89

［16］烏仁蘇都，蘇亞拉，包翔. 不同草場利用方式下土壤養(yǎng)分性狀變化的對比研究［J］. 內(nèi)蒙古林業(yè)科技，2012，38（2）：33-35

［17］侯廣利，李雪瑩，邱慧敏，等. 土壤磷形態(tài)的反射光譜特征及其光譜建模［J］. 山東科學(xué)，2021，34（1）：82-88

［18］郭志新，梁亮，何見. 一種林地土壤氮磷鉀含量快速測定的新方法［J］. 中國農(nóng)學(xué)通報(bào)，2011，27（2）：61-65

［19］LI X F，F(xiàn)AN P P，LIU Y，et al. Prediction results of different modeling methods in soil nutrient concentrations based on spectral technology［J］. Journal of Applied Spectroscopy，2019，86（4）：765-770

［20］TAN B H，YOU W H，TIAN S H，et al. Soil nitrogen content detection based on near-infrared spectroscopy［J］. Sensors，2022，22（20）：8013

［21］NIE L C，DOU Z G，CUI L J，et al. Hyperspectral inversion of soil carbon and nutrient contents in the yellow river delta wetland［J］. Diversity-Basel，2022，14（10）：862

［22］向曉黎，馬小寧，魏向利，等. 土壤全磷測定方法要點(diǎn)分析［J］. 農(nóng)業(yè)災(zāi)害研究，2015，5（5）：30-31

［23］楊俐蘋，白由路，王磊，等. 基于常規(guī)土壤有效磷（Olsen法）分析的高效測試技術(shù)研究［J］. 中國土壤與肥料，2011（3）：87-91

［24］牛芳鵬，李新國，麥麥提吐爾遜·艾則孜，等. 基于連續(xù)投影算法的博斯騰湖西岸湖濱綠洲土壤有機(jī)碳含量的高光譜估算［J］. 浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版），2021，47（5）：673-682

［25］第五鵬瑤，卞?；郏踝朔?，等. 光譜預(yù)處理方法選擇研究［J］. 光譜學(xué)與光譜分析，2019，39（9）：2800-2806

［26］田麗梅，陳菲，林炎麗等. 近紅外光譜檢測燕麥飼草青貯營養(yǎng)品質(zhì)研究［J］. 草地學(xué)報(bào)，2023，31（12）：3841-3850

［27］ODUOR C O，KARANJA N K，ONWONGA R N，et al. Ehancing soil organic carbon，particulate organic carbon and microbial in semi-arid rangeland using pasture enclosures［J］. BMC Ecology，2018，18（45）：1-9

［28］陳建博，李秀璋，徐成體等. 青海省冬蟲夏草采挖區(qū)與非采挖區(qū)土壤生態(tài)化學(xué)計(jì)量特征［J］. 草地學(xué)報(bào)，2023，31（4）：1134-1142

［29］李香真，陳佐忠. 不同放牧率對草原植物與土壤C、N、P含量的影響［J］. 草地學(xué)報(bào)，1998（2）：90-98

［30］李亞娟，曹廣民，龍瑞軍.青海省海北州不同草地利用方式土壤基本理化性狀研究［J］. 草地學(xué)報(bào)，2012，6（20）：1039-1050

［31］李耀，衛(wèi)智軍，劉紅梅，等. 不同放牧制度對典型草原土壤中全磷和速效磷的影響［J］. 內(nèi)蒙古草業(yè)，2010，22（1）：4-6

［32］MAO Z X，WANG Y C，LI Q，et al. Deep mowing rather than fire restrains grassland Miscanthus growth via affecting soil nutrient loss and microbial community redistribution［J］. Frontiers in Plant Science，2022，13：1105718

［33］CHEN L L，WANG K X，BAOYIN T，et al. Effects of grazing and mowing on vertical distribution of soil nutrients and their stoichiometry （C∶N∶P） in a semi-arid grassland of North China［J］. Catena，2021，206：105507

［34］戎郁萍，韓建國，王培，等. 放牧強(qiáng)度對草地土壤理化性質(zhì)的影響［J］. 中國草地，2001（4）：42-48

［35］YANG X X，DONG Q M，CHU H，et al. Different responses of soil element contents and their stoichiometry （C∶N∶P） to yak grazing and Tibetan sheep grazing in an alpine grassland on the eastern Qinghai-Tibetan Plateau’［J］. Agriculture Ecosystems & Environment，2019，285：106628

［36］陳鵬飛，劉良云，王紀(jì)華，等. 近紅外光譜技術(shù)實(shí)時(shí)測定土壤中總氮及磷含量的初步研究［J］. 光譜學(xué)與光譜分析，2008，28（2）：295-298

［37］蔣燁林，王讓會(huì)，李焱，等. 艾比湖流域不同土地覆蓋類型土壤養(yǎng)分高光譜反演模型研究［J］. 中國生態(tài)農(nóng)業(yè)學(xué)報(bào)，2016，24（11）：1555-1564

［38］郭鵬，趙陽，孫子皓，等. 基于CARS-PLSR算法的土壤有效磷高光譜反演研究［J］. 中國農(nóng)業(yè)信息，2023，35（1）：55-66

［39］左雪燕，崔麗娟，李偉，等. 基于高光譜數(shù)據(jù)的互花米草葉片功能性狀反演［J］. 生態(tài)學(xué)報(bào)，2021，41（15）：6159-6169

［40］齊海軍，李紹穩(wěn)，KARNIELI ARNON，等. 基于PLS-BPNN算法的土壤速效磷高光譜回歸預(yù)測方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（2）：166-172

［41］JIANG C L，ZHAO J Y，LI G R，et al. Integration of Vis-NIR spectroscopy and machine learning techniques to predict eight soil parameters in alpine regions［J］. Agronomy-Basel，2023，13（11）：2816

［42］王薪宇. 基于高光譜數(shù)據(jù)的土壤速氮含量反演模型比較［J］. 測繪與空間地理信息，2023，46（3）：201-204

（責(zé)任編輯 付 宸）