摘要：為優(yōu)化土壤有機質含量預測模型運算速度，以50份土壤有機質為例，利用Pearson相關系數(shù)分析法對土壤有機質的特征波段進行提煉篩選。結果表明，土壤樣品的反射光譜與土壤有機質含量在555～662 nm波段范圍內呈較強負相關，顯著特征波段為601 nm；經過不同預處理后的土壤反射光譜與土壤有機質含量呈較強的相關性，顯著特征波段增加，主要體現(xiàn)在601、1 221、1 410、1 665、1 880、2 110、2 200 nm波段附近。對不同土壤含水率的反射光譜與土壤有機質含量之間的Pearson相關曲線進行分析發(fā)現(xiàn)，顯著特征波段主要體現(xiàn)在601、1 450、1 930、2 200 nm波段附近，隨著土壤含水率的增加，土壤有機質的特征波段601 nm的相關性逐漸減弱，土壤水分的特征波段1 450、1 930、2 200 nm的相關性逐漸加強；土壤含水率超過10%，土壤反射光譜與土壤有機質含量呈正相關。研究獲取的土壤有機質特征波段和土壤水分影響波段，為土壤有機質快速檢測模型的建立提供理論支撐。

關鍵詞：土壤有機質；可見-近紅外反射光譜；Pearson相關系數(shù)；土壤水分

doi：10.13304/j.nykjdb.2023.0309

中圖分類號：X836；O657.33 文獻標志碼：A 文章編號：1008?0864（2024）07?0183?06

可見-近紅外光譜作為一種快速無損檢測技術，在土壤有機質（soil organic matter， SOM）檢測分析中廣泛應用[1?2]。通過建立土壤反射光譜與土壤有機質含量的定量分析模型，可實現(xiàn)快速篩查和定量分析。為提高模型的運算速度，土壤有機質特征波段的提煉篩選是一項重要的研究工作[3]，目前仍處于探索階段。Kirshnan等[4]通過建立1 130、1 350、1 398和2 210 nm波段處與土壤有機質含量的多元線性回歸方程，得出相關系數(shù)為0.934；Wu 等[5] 通過一階導數(shù)分析得出，800～1 400、1 600～1 700、2 100～2 200、2 300～2 500 nm波段與土壤水分相關性弱，而與SOM光譜信息相關性強；Wang等[6]通過二維相關同步光譜分析得出，600和1 660 nm附近波段是SOM的特征波段；李陽等[7]分析不同有機質含量土樣的光譜特性得出，SOM在400～842 nm波段范圍與反射率具有較高的相關性，相關系數(shù)最大值出現(xiàn)在588 nm；譚洋等[8]采用標準正態(tài)變量變換-連續(xù)小波變換法分解土壤光譜反射率得出，SOM在450、580和820 nm附近的波段屬于主要特征波段范圍，超過1 400、1 495、2 210、2 420 nm屬于SOM的特征波段；曹永研等[9]分析水分和粒徑對SOM預測模型的影響，并結合化學鍵特性，確定8個特征波長（932、999、1 083、1 191、1 316、1 356、1 583、1 626 nm）所建立的模型具有較好的適用性和預測效果；張笑寒等[10]分析得出，比值指數(shù)、歸一化指數(shù)、重歸一化植被指數(shù)和修正簡單比值指數(shù)4種光譜指數(shù)在離散小波變換各種分解尺度下的SOM敏感波段都集中在短波紅外區(qū)域，主要集中在1 200、1 400、1 600、2 400 nm附近，表明光譜輸入量結合離散小波變化預測SOM含量是可行的；張俊華等[11]采用分數(shù)階微分聯(lián)合優(yōu)化光譜指數(shù)分析低肥力地區(qū)SOM含量的反演效果得出，敏感波段主要集中在1 450～1 750和2 100～2 400 nm，能夠有效消除土壤水分敏感波段1 400 和1 900 nm處的干擾。特征波段提煉篩選能有效地提高SOM含量的可見-近紅外光譜預測模型速率。

本研究以SOM 含量為例，通過皮爾遜（Pearson）相關系數(shù)，研究可見-近紅外光譜范圍內的反射光譜特征、土壤反射光譜與有機質含量的相關性，并研究土壤含水率反射光譜與SOM含量之間的相關性，得出土壤有機質的特征波段和土壤水分影響波段，以期為SOM快速檢測模型的建立提供理論支撐。

1 材料與方法

1.1 試驗材料

研究所用的50份土壤樣品采自山西省中部（34°34'—40°44'N、110°14'—114°33'E），土壤類型為壤土。

1.2 試驗方法

采集的土壤樣品帶回實驗室，在自然條件下經風干、研磨、過2 mm孔篩。然后對土壤樣品進行烘干，烘干條件為106 ℃、6 h。針對每份土壤樣品，配制質量含水率為5%、10%、15%和17%的土壤樣本，烘干土壤樣本設置為空白對照組。

1.3 可見近紅外光譜采集和SOM 含量測定

可見-近紅外光譜采用FieldSpec 3 光譜儀（美國ASD 公司）進行光譜采集，波長范圍350～2 500 nm，去除噪聲較大的邊緣波段350～400 和2 450～2 500 nm，保留信噪比高的400～2 450 nm波段進行數(shù)據(jù)分析。每個樣品采集3次，每次采集3條光譜，進行算術平均后得到各樣品的實際反射光譜數(shù)據(jù)。

SOM 含量測定參照NY/T 1121.6—2006[12]采用重鉻酸鉀法進行。SOM 含量范圍為0.40%～7.92%，平均值為2.22%，標準偏差為1.22%。

1.4 光譜預處理與數(shù)據(jù)分析

為了減少背景噪聲、基線漂移、雜散光等無用信息對原始光譜數(shù)據(jù)的干擾，對土壤反射光譜（reflectance， Ref）進行吸光度轉化（transmission ofabsorbance log （1/T）， Abs）、標準正態(tài)變量變換（standard normal variate transformation， SNV）、基線校正（baseline offset）、一階導數(shù)（first-order derivative，F(xiàn)D）、二階導數(shù)（second-order derivative， SD）等光譜預處理（其中一階導數(shù)和二階導數(shù)采用2次多項式的求導模式，3點平滑數(shù)），進一步分析土壤反射光譜與SOM含量之間的響應關系。光譜數(shù)據(jù)預處理采用Unscrambler 9.7軟件（挪威CAMO公司）。

使用Pearson相關系數(shù)描述不同土壤含水率條件下，土壤反射光譜與SOM含量之間的響應關系，并描述土壤含水率反射光譜與SOM含量之間的響應關系。

數(shù)據(jù)分析和圖表制作采用Matlab R2015a和Excel 2010完成。

2 結果與分析

2.1 土壤的反射光譜與SOM 含量的Pearson 相關系數(shù)

圖1是不同有機質含量的土壤樣品的反射光譜曲線，土壤的原始反射光譜曲線的變化趨勢基本相同，可以發(fā)現(xiàn)隨著SOM含量的增加，土壤的光譜反射率并沒有呈現(xiàn)下降或增加的趨勢，變化趨勢錯綜復雜；由圖2 土壤樣品的反射光譜與SOM 含量之間的Pearson 相關系數(shù)曲線可知，在400～1 015 nm波段范圍內，其Pearson相關系數(shù)為負值，SOM含量與土壤樣品的反射光譜呈現(xiàn)負相關，最大負相關系數(shù)為0.827；在1 016～2 450 nm波段范圍內，其Pearson相關系數(shù)為正值，SOM含量與土壤樣品的反射光譜呈現(xiàn)正相關，相關系數(shù)均小于0.3。在555～662 nm 波段范圍內，Pearson相關系數(shù)絕對值呈現(xiàn)先上升后下降的趨勢，由于400～554 nm波段范圍噪聲干擾大，因此相關系數(shù)最大絕對值出現(xiàn)在601 nm處（0.759），說明該波段范圍能體現(xiàn)有機質的光譜信息，這個結果與二維相關同步光譜得出的SOM特征波段在600 nm處相吻合[6]。

2.2 不同預處理光譜與SOM 含量的Pearson 相關系數(shù)

不同預處理光譜對SOM 含量的響應有所差異。圖3 是不同預處理的土壤樣品反射光譜與SOM含量的Pearson相關系數(shù)曲線，對預處理的土壤反射光譜與SOM 含量之間的Pearson相關性進行分析，可以得到豐富的SOM光譜信息。土壤的反射率與吸光度具有對應關系，經吸光度轉化法預處理過的光譜與SOM含量的Pearson相關系數(shù)曲線與反射光譜得到的曲線（圖2）對稱（圖3A），對稱軸是y=0。經SNV和Baseline offset預處理后，顯著特征波段增加，主要原因是這2種預處理方法消除了顆粒分布不均勻與表面顆粒散射產生的影響，使得掩蓋的部分光譜信息凸顯出來；經導數(shù)預處理的土壤反射光譜與SOM含量相關的光譜信息逐漸凸顯出來，主要原因是導數(shù)處理可以消除基線和基底背景的干擾，提高光譜分辨率和靈敏度，使得土壤反射光譜與SOM含量的相關光譜信息凸顯（圖3B、3C）。

經不同光譜預處理的土壤反射光譜與SOM含量之間的相關性見表1，土壤反射光譜和吸光度光譜與SOM含量的顯著特征波段都是出現(xiàn)在601 nm 處，且相關系數(shù)均高于0.7；而SNV 和Baseline offset預處理的光譜，與SOM含量相關的波段相對增加，主要體現(xiàn)在1 410、1 880、2 110、2 200 nm等波段附近；一階導數(shù)和二階導數(shù)預處理的光譜，與SOM含量在550、647、1 655、1 435、2 192、1 221 nm波段附近出現(xiàn)較高的相關性（相關系數(shù)高于0.87），且550、647、1 655 nm與二維相關同步光譜得出的SOM特征波段600和1 660 nm相吻合[5]。通過光譜預處理，可以得出SOM的特征波段主要出現(xiàn)在601、1 221、1 410、1 665、1 880、2 110、2 200 nm波段附近。

2.3 不同含水率光譜與SOM 含量的Pearson 相關系數(shù)

不同含水率的土壤反射光譜與SOM含量的Pearson相關系數(shù)曲線如圖4，從圖中可以看出有4 處明顯的凹凸點，分別在601、1 450、1 930、2 200 nm波段附近。針對烘干土壤樣品的反射光譜，顯著相關波段601 nm 處出現(xiàn)明顯的低谷峰值，呈負相關；對于5%含水率土壤樣品，沒有出現(xiàn)顯著的特征波段；對于10%、15%、17%含水率土壤樣品，601 nm附近出現(xiàn)低谷峰值且呈現(xiàn)正相關，相關系數(shù)低于0.7，1 450、1 930、2 200 nm附近出現(xiàn)突出的峰值且呈正相關，相關系數(shù)高于0.7，得出隨著土壤含水率的增加，601 nm附近的顯著特征波段相關性逐漸減弱，而1 450、1 930、2 200 nm附近的特征波段相關性逐漸加強。

不同含水率的土壤反射光譜與SOM含量的相關性特征見表2，烘干土壤樣品與SOM的顯著特征波段在555～662 nm（400～554 nm范圍處于噪聲干擾波段），601 nm 處出現(xiàn)最高的負相關系數(shù)，為0.759，而10%、15%、17% 含水率土壤樣品在1 930 nm附近出現(xiàn)最高的相關系數(shù)，得出土壤含水率超過10%，土壤反射光譜與SOM 含量呈正相關。

3 討論

為提高SOM可見近紅外光譜快速檢測速率，提煉篩選土壤有機質特征波段是一項很重要的工作。本研究采用不同光譜預處理結合Pearson相關系數(shù)法，分析土壤反射率光譜與SOM含量的相關性，更加精確地找出SOM的特征波段，主要體現(xiàn)在601、1 221、1 410、1 665、1 880、2 110、2 200nm波段附近。本研究篩選的1 665、2 110、2 200nm這3個波段，在Wu等[5]采用一階導數(shù)光譜預處理方法得出SOM 相關性強的800～1 400、1 600～1 700、2 10 0～2 200、2 300～2 500 nm波段范圍內；601和1 665 nm這2個波段，與Wang等[6]通過二維相關同步光譜分析得出的土壤有機質特征波段一致；1 221和1 410 nm這2個波段，與張笑寒等[10]得出的SOM短波近紅外敏感波段一致；1 880 nm這個波段，與丁海泉等[13]采用多元散射校正優(yōu)選的定標波長1 870 nm 接近。因此，本研究得出的7個特征波段能體現(xiàn)SOM含量的光譜信息。

本研究分析了不同含水率的反射光譜與SOM含量之間的相關性，得出隨著土壤含水率的增加，601 nm附近的顯著特征波段相關性逐漸減弱，而1 450、1 930、2 200 nm附近的顯著特征波段相關性逐漸加強，1 450 nm 波段附近是以羥基（-OH）為主的吸收帶，1 930 nm波段附近是以層間水為主的H2O譜帶[14]，說明隨著土壤含水率的增加，土壤水分掩蓋了SOM的特征波段，土壤水分對SOM 含量的檢測造成干擾[15]。通過Pearson相關性得出的與土壤水分相關的3個波段，與二維同步相關光譜得出的水分特征波段一致[16]；土壤水分的特征波段1 450和2 200 nm，與SOM的特征波段1 410和2 200 nm存在交叉重疊。因此，當土壤含水率超過10 %，建議剔除1 410 和2 200 nm這2個波段，保留601、1 221、1 665、1 880、2 110 nm波段建立SOM含量的預測模型，以減少土壤水分對SOM含量預測模型的影響。

參考文獻

［1］ 劉雪梅.近紅外漫反射光譜檢測土壤有機質和速效N的研究[J].中國農機化學報，2013，34（2）：202-206.

LIU X M. Near infrared diffuse reflectance spectra detection ofsoil organic matter and available N [J]. J. Chin. Agric. Mech.，2013，34（2）：202-206.

［2］ 劉振堯，溫江北，高洪智，等.基于隨機森林方法在土壤有機質近紅外建模中的研究[J].現(xiàn)代農業(yè)裝備，2017（6）：37-41， 54.

LIU Z Y， WEN J B， GAO H Z， et al .. Study of dimensionreducingoptimization for near-infrared modeling on soil usingrandom forest regression with Gini [J]. Mod. Agric. Equip.，2017（6）：37-41，54.

［3］ 冉思，丁建麗，葛翔宇，等.基于稀疏網(wǎng)絡的可見光/近紅外反射光譜土壤有機質含量估算[J].激光與光電子學進展，2020，57（24）：389-397.

RAN S， DING J L， GE X Y， et al .. Estimation method of VISNIRspectroscopy for soil organic matter based on sparsenetworks [J]. Laser Optoelectr. Pro.， 2020，57（24）：389-397.

［4］ KIRSHNAN P， ALEXANDER J D， BUTLER B J， et al ..Reflectance technique for predicting soil organic matter [J/OL].Soil Sci. Soc. Am. J.， 1980， 44（6）， 1282 [2023-03-19]. https：//doi.org/10.2136/sssaj1980.03615995004400060030x.

［5］ WU C Y， JACOBSON A R， LABA M， et al .. Alleviatingmoisture content effects on the visible near-infrared diffusereflectancesensing of soils [J]. Soil Sci.， 2009， 174（8）， 456-465.

［6］ WANG S F， CHENG X， ZHENG D C， et al .. Prediction of thesoil organic matter （SOM） content from moist soil usingsynchronous two-dimensional correlation spectroscopy （2D-COS）analysis [J/OL]. Sensors， 2020， 20（17）： 4822 [2023-03-19].https：//doi.org/10.3390/s20174822.

［7］ 李陽，劉新路，彭杰，等.基于可見光近紅外光譜的南疆荒漠土壤有機質反演研究[J].土壤通報，2018，49（4）：767-772.

LI Y， LIU X L， PENG J， et al .. Inversion of desert soil organicmatter content using visiable-infrared spectrum in southernXinjiang [J]. Chin. J. Soil Sci.， 2018，49（4）：767-772.

［8］ 譚洋，姜琦剛，劉驊欣，等.基于多尺度SNV-CWT特征的黑土有機質、水分、總鐵及pH值估測[J].光譜學與光譜分析，2021，41（11）：3424-3430.

TAN Y， JIANG Q G， LIU H X， et al .. Estimation of organicmatter， moisture， total iron and pH from back soil based onmulti scales SNV-CWT transformation [J]. Spectrosc. SpectralAnal.， 2021，41（11）：3424-3430.

［9］ 曹永研，楊瑋，王懂，等.基于水分和粒度的土壤有機質特征波長提取與預測模型[J]. 農業(yè)機械學報，2022，53（增刊1）：241-248.

CAO Y Y， YANG W， WANG D， et al .. Soil organic mattercharacteristic wavelength extraction and prediction modelbased on moisture and particle size [J]. Trans. Chin. Soc.Agric. Mach.， 2022，53（S1）：241-248.

［10］ 張笑寒，孟祥添，唐海濤，等.優(yōu)化光譜輸入量的土壤有機質隨機森林預測模型[J].農業(yè)工程學報，2023，39（2）：90-99.

ZHANG X H， MENG X T， TANG H T， et al .. Random forestprediction model for the soil organic matter with optimizedspectral inputs [J]. Trans. Chin. Soc. Agric. Eng.， 2023，39（2）：90-99.

［11］ 張俊華，尚天浩，陳睿華，等.基于光譜FOD與優(yōu)化指數(shù)的銀川平原土壤有機質含量反演[J].農業(yè)機械學報，2022，53（11）：379-387.

ZHANG J H， SHANG T H， CHEN R H， et al .. Inversion of soilorganic matter content in Yinchuan plain using field spectralfractional-order derivatives combined with spectraloptimization index [J]. Trans. Chin. Soc. Agric. Mach.， 2022，53（11）：379-387.

［12］ 任意，辛景樹，田有國，等. 土壤檢測 第6部分：土壤有機質的測定：NY/T 1121.6—2006[S]. 北京：中國標準出版社， 2006.

［13］ 丁海泉，盧啟鵬，樸仁官，等.土壤有機質近紅外光譜分析組合波長的優(yōu)選[J].光學精密工程，2007，15（12）：1946-1951.

DING H Q， LU Q P， PIAO R G， et al .. Optimum choice ofcombination wavelengths in near infrared analysis for soilorganic matter [J]. Opt. Precis. Eng.， 2007，15（12）：1946-1951.

［14］ 程航，萬遠，陳奕云，等.部分土壤重金屬可見-近紅外反射光譜特征及機理研究[J]. 光譜學與光譜分析，2018，38（3）：771-778.

CHENG H， WAN Y， CHEN Y Y， et al .. Study on thecharacteristic and mechanism of visible and near infraredreflectance spectra of soil heavy metals [J]. Spectrosc. SpectralAnal.， 2018，38（3）：771-778.

［15］ 曾靜，李光林，周勝靈.水分對近紅外光譜檢測紫色土有機質含量影響的研究[J]. 西南大學學報（自然科學版），2015，37（10）：167-173.

ZENG J， LI G L， ZHOU S L. A research of the effects of soilmoisture on NIR spectroscopic detection of organic mattercontent in purple soil [J]. J. Southwest Univ.， 2015， 37（10）：167-173.

［16］ 宋海燕，程旭.水分對土壤近紅外光譜檢測影響的二維相關光譜解析[J].光譜學與光譜分析，2014，34（5）：1240-1243.

SONG H Y， CHENG X. Analysis of the effect of moisture onsoil spectra detection by using two-dimensional correlationnear infrared spectroscopy [J]. Spectrosc. Spectral Anal.，2014，34（5）：1240-1243.

基金項目：國家重點研發(fā)計劃項目（2021YFD1600602-09）；北京市農林科學院科技創(chuàng)新能力建設專項項目（KJCX20230309，KJCX20230817）。