葛曉雯，王 夢(mèng)，李耀翔

(東北林業(yè)大學(xué)工程技術(shù)學(xué)院，哈爾濱150040)

土壤化學(xué)組分是反映土壤肥力高低的重要指標(biāo)，探測(cè)土壤化學(xué)組分的含量是了解土壤肥力的重要途徑，因此，土壤化學(xué)組分含量信息的獲取對(duì)于農(nóng)業(yè)和環(huán)境等方面的研究很有意義。目前，土壤化學(xué)組分測(cè)量的常規(guī)方法有:油浴加熱重鉻酸鉀氧化—容量法測(cè)有機(jī)質(zhì)，凱氏蒸餾法測(cè)全氮，氫氧化鈉熔融—鉬銻抗比色法測(cè)全磷，氫氧化鈉擴(kuò)散法測(cè)速效氮，碳酸氫鈉浸提—鉬銻抗比色法測(cè)速效磷，乙酸銨浸提—火焰光度法測(cè)速效鉀。雖然這些檢測(cè)方法較為準(zhǔn)確，但檢測(cè)過(guò)程繁瑣復(fù)雜、耗費(fèi)時(shí)間，普遍要求破壞實(shí)驗(yàn)樣本，并且需要檢測(cè)人員具有較高的專業(yè)知識(shí)和技術(shù)水平，檢測(cè)儀器成本也很高。

近紅外光譜技術(shù)是一種快速、高效、測(cè)試重現(xiàn)性好的分析技術(shù)，它綜合了光譜學(xué)、計(jì)算機(jī)科學(xué)和化學(xué)計(jì)量學(xué)等學(xué)科的特點(diǎn)，是一種快速、無(wú)損、低成本和無(wú)污染的分析方法，它可以對(duì)物質(zhì)的品質(zhì)、種類和成分等進(jìn)行定性和定量分析［1］。近年來(lái)，隨著近紅外光譜技術(shù)在土壤分析領(lǐng)域的不斷推廣和應(yīng)用，采用近紅外光譜技術(shù)獲取土壤組分信息，已成為國(guó)內(nèi)外學(xué)者的研究重點(diǎn)。本文針對(duì)近幾年來(lái)該領(lǐng)域的研究成果進(jìn)行歸納、總結(jié)，探尋在利用近紅外技術(shù)快速預(yù)測(cè)土壤化學(xué)組分含量方面取得的成績(jī)、存在的不足以及可能的發(fā)展趨勢(shì)。

1 近紅外光譜技術(shù)簡(jiǎn)介

1.1 近紅外光譜技術(shù)的工作原理

近紅外光是指波長(zhǎng)為780～2526 nm(波數(shù)為12820～3 959cm－1)的電磁波。近紅外光譜主要由分子振動(dòng)的非諧振性使分子振動(dòng)從基態(tài)向高能級(jí)躍遷時(shí)產(chǎn)生，它記錄了分子中單個(gè)化學(xué)鍵基頻振動(dòng)的倍頻與合頻信息，常受含氫基團(tuán)X－H(X=C、N、O)倍頻與合頻的重疊主導(dǎo)，故在近紅外光譜范圍內(nèi)，測(cè)量的主要是含氫基團(tuán)X－H振動(dòng)的倍頻與合頻的吸收情況［2］。

有機(jī)物質(zhì)由分子構(gòu)成的化學(xué)基團(tuán)組成，不同基團(tuán)(如C=C，N=C，O=C，O=H，N=H)的各種運(yùn)動(dòng)(如伸縮和彎曲等)都有其固定的振動(dòng)頻率。分子被紅外線照射時(shí)，受到激發(fā)產(chǎn)生共振，同時(shí)光的一部分能量被吸收，測(cè)量其吸收光，便能得到表示被測(cè)物質(zhì)的特征的復(fù)雜的近紅外吸收?qǐng)D譜［3］。不同物質(zhì)的不同成分在近紅外區(qū)域有特定的吸收特征，這就為近紅外光譜定量分析奠定了基礎(chǔ)。但有機(jī)物對(duì)近紅外光的吸收具有選擇性，只有與其特征頻率有關(guān)的輻射波(頻率與特征頻率相同或倍頻)才會(huì)被吸收。因此，物質(zhì)的成分組成不同，其特征頻率就不同，產(chǎn)生的近紅外吸收光譜也不同［4］。

1.2 近紅外光譜技術(shù)的測(cè)定過(guò)程

近紅外光譜技術(shù)與其他常規(guī)分析技術(shù)不同，它是一種間接分析技術(shù)，是通過(guò)建立校正模型實(shí)現(xiàn)對(duì)未知樣本的定性或定量分析。其測(cè)定過(guò)程主要分為以下幾個(gè)步驟:一是采集并制備校正集樣本，測(cè)量其近紅外光譜;二是對(duì)校正集樣本的光譜進(jìn)行預(yù)處理，測(cè)定需要的基礎(chǔ)數(shù)據(jù);三是選擇合理的化學(xué)計(jì)量學(xué)方法根據(jù)測(cè)得的基礎(chǔ)數(shù)據(jù)建立校正模型;四是利用驗(yàn)證集樣品對(duì)校正模型進(jìn)行評(píng)價(jià)、校核與調(diào)整;五是模型的更新與傳遞，即采集為止樣本的光譜數(shù)據(jù)，對(duì)其組成性質(zhì)進(jìn)行預(yù)測(cè)。

1.3 近紅外光譜技術(shù)的特點(diǎn)

近紅外光譜分析技術(shù)具有許多優(yōu)點(diǎn)［5－6］:光譜測(cè)量分析的速度快、效率高;是一種綠色、無(wú)損的分析檢測(cè)技術(shù)，而且分析成本低;樣品一般無(wú)需進(jìn)行預(yù)處理，操作便捷;測(cè)試重現(xiàn)性號(hào)，便于實(shí)現(xiàn)在線分析。

但也有其固有的弱點(diǎn)［4］:測(cè)試靈敏度低(組分含量一般要求大于0.1%);建模難度大，且一種模型只能適應(yīng)一定的時(shí)空范圍，需要不斷進(jìn)行更新與維護(hù)，用戶的技術(shù)會(huì)影響模型的使用效果［3］;要用定標(biāo)模型進(jìn)行校正對(duì)比，多數(shù)情況下僅是一種間接分析技術(shù)。

2 基于近紅外光譜技術(shù)測(cè)定土壤化學(xué)組分

2.1 土壤有機(jī)質(zhì)測(cè)定

鄭立華等(2008)［7］利用局部加權(quán)散點(diǎn)圖平滑法濾波處理結(jié)合BP神經(jīng)網(wǎng)絡(luò)建立的基于NIRS的土壤有機(jī)質(zhì)含量分析模型的擬合精度為0.999，預(yù)測(cè)精度達(dá)到0.854。研究表明:基于NIRS的土壤參數(shù)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型具有較高的魯棒性和較強(qiáng)的容錯(cuò)能力。朱登勝等(2008)［8］對(duì)未經(jīng)粉碎、過(guò)篩等處理的土壤，采集了4000～12500 cm－1范圍的近紅外光譜，經(jīng)一階微分預(yù)處理后采用偏最小二乘回歸分析方法建立光譜吸光度與有機(jī)質(zhì)含量之間的定量分析模型，其預(yù)測(cè)相關(guān)系數(shù)r=0.818，預(yù)測(cè)標(biāo)準(zhǔn)偏差 SEP=0.069，預(yù)測(cè)均方根誤差RMSEP=0.085，為田間快速土壤特性光譜測(cè)量奠定了基礎(chǔ)。

張淑娟等(2009)［9］在小尺度采樣的情況下進(jìn)行光譜分析，通過(guò)平滑預(yù)處理后，采用主成分分析和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法建立土壤有機(jī)質(zhì)預(yù)測(cè)模型，其測(cè)量值與預(yù)測(cè)值得相關(guān)性較高，相關(guān)度為0.7962，相對(duì)誤差較小，其平均值為1.88%，表明該方法預(yù)測(cè)土壤有機(jī)質(zhì)含量是可行的。張娟娟等(2009)［10］通過(guò)系統(tǒng)分析我國(guó)中、東部地區(qū)5種不同類型土壤風(fēng)干樣本的有機(jī)質(zhì)含量與近紅外(1000～2500 nm)光譜反射率和一階導(dǎo)數(shù)兩波段構(gòu)成的比值、差值及歸一化指數(shù)之間的關(guān)系，構(gòu)建了適合土壤有機(jī)質(zhì)含量估測(cè)的光譜參數(shù)及定量反演模型。結(jié)果表明:與土壤有機(jī)質(zhì)含量相關(guān)程度最高的光譜參數(shù)，是以近紅外合頻區(qū)1883和2065 nm2波段的反射率經(jīng)多元散射校正和Savitzky－Golay平滑后構(gòu)建而成的差值指數(shù)DI(CR1883，CR2065)，兩者呈極顯著的直線相關(guān)。模型的決定系數(shù)為0.837，均方根誤差為4.06;盡管此模型的預(yù)測(cè)精度略低于偏最小二乘法的全譜建模結(jié)果，但該差值指數(shù)只使用了兩個(gè)波段的反射率，且所建模型比較簡(jiǎn)單，能為便攜式監(jiān)測(cè)儀的研制提供更有效的信息，可作為一種良好的土壤有機(jī)質(zhì)估測(cè)光譜參數(shù)。董一威等(2009)［11］分別對(duì)光譜進(jìn)行無(wú)處理、變量標(biāo)準(zhǔn)化(SNV)、附加散射校正(MSC)、和直接正交信號(hào)校正(DOSC)等預(yù)處理，采用偏最小二乘回歸法建立定標(biāo)模型，結(jié)果顯示經(jīng)DOSC處理后的近紅外定標(biāo)模型效果最佳，相關(guān)系數(shù)r=0.953，RMSEP=0.258%，表明利用NIRS可以快速檢測(cè)我國(guó)主要蘋果栽培區(qū)土壤的有機(jī)質(zhì)含量，為土壤施肥提供指導(dǎo)。

韓瑞珍等(2010)［12］利用PLS和小波－BP神經(jīng)網(wǎng)絡(luò)對(duì)350～2500全波段范圍和剔除水波段的光譜數(shù)據(jù)進(jìn)行分析。兩種建模方法均表明剔除水波段的預(yù)測(cè)效果較好，其中，PLS模型預(yù)測(cè)的相關(guān)系數(shù)R=0.8416，均方根誤差RMSEP=0.2848，相對(duì)分析誤差RPD=1.7768，小波－BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的 R=0.9167，RMSEP=0.2196，RPD=2.3043。結(jié)果表明PLS模型可以對(duì)土壤有機(jī)質(zhì)含量進(jìn)行粗略估測(cè)，而BP神經(jīng)網(wǎng)絡(luò)可實(shí)現(xiàn)較精確的預(yù)測(cè)。鄭立華等(2010)［13］應(yīng)用支持向量機(jī)算法對(duì)實(shí)時(shí)土壤光譜數(shù)據(jù)進(jìn)行處理，獲得了土壤有機(jī)質(zhì)回歸模型，研究表明土壤有機(jī)質(zhì)適合于全譜支持向量回歸?；谠糔IR光譜的SVM回歸模型的標(biāo)定R2為0.9179，驗(yàn)證R2為0.4152;作為對(duì)比，對(duì)經(jīng)k－means聚類分析后的50個(gè)樣本進(jìn)行回歸建模結(jié)果表明，標(biāo)定R2為1，驗(yàn)證R2為0.521。

岑益郎等 (2011)［14］分別獲取了0.169～2 mm和＜0.169 mm兩種不同粒徑的土樣可見/近紅外光譜，并建立各自的主成分 －反向傳播神經(jīng)網(wǎng)絡(luò)(PCA－BPNN)、最小二乘 －支持向量機(jī)(LSSVM)和偏最小二乘法(PLS)的土壤有機(jī)質(zhì)含量模型。結(jié)果表明:對(duì)于0.169～2 mm粒徑的土樣，預(yù)測(cè)相關(guān)系數(shù)r均在0.84以上，且預(yù)測(cè)均方根誤差RMSEP都在0.2以下;對(duì)于＜0.169 mm粒徑的土樣，r不超過(guò)0.71，而RMSEP均在0.23以上;對(duì)于相同粒徑的土壤，PLS模型預(yù)測(cè)效果優(yōu)于另外兩種。陳華舟等(2011)［15］采用近紅外漫反射光譜，對(duì)于單獨(dú)(或聯(lián)合)做多元散射校正(MSC)和SG平滑預(yù)處理以及未做光譜預(yù)處理的5種情形，分別建立土壤有機(jī)質(zhì)NIR光譜分析的偏最小二乘(PLS)模型。最優(yōu)的情形是先后做SG平滑和MSC預(yù)處理，對(duì)應(yīng)的PLS因子數(shù)、預(yù)測(cè)均方根偏差RMSEP、預(yù)測(cè)相關(guān)系數(shù)RP分別是5，0.246%，0.883。大幅度優(yōu)于未做光譜預(yù)處理的模型預(yù)測(cè)效果。

田永超等(2012)［16］對(duì)中、東部地區(qū)5種不同類型土壤風(fēng)干樣本進(jìn)行光譜掃描，經(jīng)多元散射校正、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)及平滑等預(yù)處理后，采用逐步多元回歸(SMLR)、主成分分析(PCR)、偏最小二乘法(PLS)和偏最小二乘法－反向傳播神經(jīng)網(wǎng)絡(luò)(PLS－BPNN)等方法建立土壤有機(jī)質(zhì)的定量估測(cè)模型，系統(tǒng)比較了不同光譜預(yù)處理和建模方法組合條件下模型的預(yù)測(cè)精度。其中，基于多元散射校正+Norris一階導(dǎo)數(shù)濾波平滑光譜建立的PLSBPNN模型效果最優(yōu)，其建模決定系數(shù)和均方根偏差分別為0.97和1.88，模型測(cè)試決定系數(shù)和均方根偏差分別為0.97和1.72。胡林等(2012)［17］在不進(jìn)行土壤樣本預(yù)處理的前提下，利用近紅外光譜直接掃描，測(cè)定土壤有機(jī)質(zhì)含量。結(jié)果表明利用620和1900 nm的波長(zhǎng)組合，可以較好地預(yù)測(cè)土壤有機(jī)質(zhì)含量，定標(biāo)模型的相關(guān)系數(shù)為0.9，極為顯著，模型的預(yù)測(cè)相關(guān)系數(shù)達(dá)到0.95，預(yù)測(cè)效果很好。

Wagner 等 (2001)［23］利用波數(shù)3850 ～10 000cm－1近紅外光譜預(yù)測(cè)土壤有機(jī)質(zhì)的檢驗(yàn)結(jié)果很好，其預(yù)測(cè)相關(guān)系數(shù) R2=0.91。Chodak.等(2002)［24］用NIRS預(yù)測(cè)林地土壤有機(jī)碳效果良好，測(cè)定值和預(yù)測(cè)值直線回歸系數(shù)在0.9～1.1之間，相關(guān)系數(shù)不低于0.9。Marchao等(2008)［25］首先利用122個(gè)土壤樣品建立SOC、TN的NIRS模型，然后利用這個(gè)模型去預(yù)測(cè)其他390個(gè)土壤樣品中的SOC和TN含量，以比較不同土地利用方式和不同耕作方式對(duì)巴西粘性氧化土SOC和TN的影響。

2.2 土壤全氮測(cè)定

鄭立華等(2008)［7］利用局部加權(quán)散點(diǎn)圖平滑法濾波處理結(jié)合BP神經(jīng)網(wǎng)絡(luò)建立的基于NIRS的土壤全氮含量分析模型的擬合精度近似為1，預(yù)測(cè)精度達(dá)到了0.808。研究表明模型具有較高的魯棒性和較強(qiáng)的容錯(cuò)能力。陳鵬飛等(2008)［18］針對(duì)不同土地利用類型，測(cè)定土壤氮養(yǎng)分及其近紅外漫反射光譜，并利用傅里葉變換光譜技術(shù)和偏最小二乘回歸法建立了土壤總氮的校正模型，其交叉決定系數(shù)R2

CV=0.8626，預(yù)測(cè)相關(guān)系數(shù)r=0.9698，預(yù)測(cè)標(biāo)準(zhǔn)誤差RMSEP=0.0095%，RPD=3.78，表明采用適當(dāng)?shù)墓庾V分析方法可實(shí)現(xiàn)用近紅外技術(shù)對(duì)土壤總氮的精確探測(cè)。

袁石林等(2009)［19］以潮化鹽土為研究對(duì)象，獲得其近紅外光譜，利用均值法、卷積濾波法確定最終光譜數(shù)據(jù)，并采用偏最小二乘回歸法(PLS)及最小二乘支持向量機(jī)(LS－SVM)分別建立土壤總氮的預(yù)測(cè)模型。其預(yù)測(cè)相關(guān)系數(shù)分別為0.9454(PLS)和0.9503(LS－SVM)，預(yù)測(cè)標(biāo)準(zhǔn)誤差分別為0.0321(PLS)和0.0378(LS－SVM)。高洪智等(2009)［20］討論了如何利用連續(xù)投影算法提取土壤總氮的近紅外特征波長(zhǎng)，最終結(jié)果表明結(jié)合貢獻(xiàn)值篩選的連續(xù)投影算法能夠有效選取待測(cè)成分的特征波長(zhǎng)。利用此法所建模型的預(yù)測(cè)相關(guān)系數(shù)RP為0.913，預(yù)測(cè)均方根誤差RMSEP為0.011%。

張雪蓮等(2010)［21］針對(duì)不同地區(qū)的表層土壤及表下層土壤建模，結(jié)果表明表層土壤建立的模型效果良好，交叉檢驗(yàn)的均方根誤差均在0.01%以內(nèi)，相關(guān)系數(shù)平均在0.85以上，且模型能很好地定量分析同一采樣范圍內(nèi)表層和表下層的土壤總氮，定量分析的均方根誤差基本在0.01%以內(nèi)，相關(guān)系數(shù)在0.80左右;但是該模型在地區(qū)之間的運(yùn)用具有一定局限性;從各地區(qū)隨機(jī)取出部分?jǐn)?shù)據(jù)作為一個(gè)新的集合建立的綜合模型良好，其交叉檢驗(yàn)的均方根誤差和相關(guān)系數(shù)分別為0.0102%和0.9856，且能很好地預(yù)測(cè)各地區(qū)的土壤總氮。鄭立華等(2010)［13］應(yīng)用支持向量機(jī)算法對(duì)實(shí)時(shí)土壤光譜數(shù)據(jù)進(jìn)行處理，獲得了土壤全氮回歸模型，研究表明土壤全氮適合于全譜支持向量回歸?；谛〔ń翟?NIR光譜的 SVM回歸模型的標(biāo)定 R2為0.9224，驗(yàn)證R2為0.3667;作為對(duì)比，對(duì)經(jīng)kmeans聚類分析后的50個(gè)樣本進(jìn)行回歸建模結(jié)果表明，標(biāo)定R2為0.9150，驗(yàn)證R2為0.4791。

張娟娟等(2012)［22］以中、東部地區(qū)5種主要類型土壤為研究對(duì)象，采集其近紅外光譜，結(jié)合分子振動(dòng)特點(diǎn)選取全譜、合頻、一倍頻、二倍頻和N－H基團(tuán)及其組合的8個(gè)波段，采用多元散射校正多種預(yù)處理方法組合進(jìn)行處理，結(jié)合偏最小二乘法(PLS)對(duì)每個(gè)波譜區(qū)域進(jìn)行定標(biāo)模型。結(jié)果表明:利用4000～5500 cm－1波譜區(qū)域結(jié)合附加散射校正處理過(guò)的原始光譜建立的模型精度表現(xiàn)最好，其內(nèi)部互驗(yàn)證決定系數(shù)達(dá)到0.90，均方根誤差為0.16。經(jīng)不同類型土壤的觀測(cè)資料檢驗(yàn)，模型驗(yàn)證決定系數(shù)為0.91，均方根誤差為0.15，相對(duì)分析誤差RPD為3.40，表明模型具有極好的預(yù)測(cè)能力。

Cheng － Wen Chang 等(2001)［26］及(2002)［27］用NIRS預(yù)測(cè)土壤總氮的檢驗(yàn)相關(guān)。Chodak.等(2002)［24］研究結(jié)果顯示利用NIRS能很好地預(yù)測(cè)土壤有機(jī)層的N含量，測(cè)定值和預(yù)測(cè)值直線相關(guān)系數(shù)＞0.9。

2.3 土壤全磷測(cè)定

陳鵬飛等(2008)［18］針對(duì)不同土地利用類型，測(cè)定土壤磷養(yǎng)分及其近紅外漫反射光譜，并利用傅里葉變換光譜技術(shù)和偏最小二乘回歸法建立了土壤總磷的校正模型，其交叉決定系數(shù)R2CV=0.6685，預(yù)測(cè)相關(guān)系數(shù)r=0.8307，預(yù)測(cè)標(biāo)準(zhǔn)誤差RMSEP=0.0086%，RPD=1.69，表明采用適當(dāng)?shù)墓庾V分析方法可實(shí)現(xiàn)用近紅外技術(shù)對(duì)土壤總磷的粗略估測(cè)。袁石林等(2009)［19］以潮化鹽土為研究對(duì)象，獲得其近紅外光譜，利用均值法、卷積濾波法確定最終光譜數(shù)據(jù)，并采用偏最小二乘回歸法(PLS)及最小二乘支持向量機(jī)(LS－SVM)分別建立土壤總磷的預(yù)測(cè)模型。其預(yù)測(cè)相關(guān)系數(shù)分別為0.9327(PLS)、0.9547(LS－SVM)，預(yù)測(cè)標(biāo)準(zhǔn)誤差分別為0.0089(PLS)、0.0101(LS－SVM)。

2.4 土壤速效氮、速效磷及速效鉀測(cè)定

張淑娟等(2009)［9］在小尺度采樣的情況下進(jìn)行光譜分析，通過(guò)平滑預(yù)處理后，采用主成分分析和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法分別建立土壤速效氮、速效磷及速效鉀預(yù)測(cè)模型，其驗(yàn)證集預(yù)測(cè)值與測(cè)量值的相關(guān)度分別為0.6887(N)、0.8083(P)和0.5801(K)，相對(duì)誤差絕對(duì)平均值分別為2.09%(N)、15.20%(P)和2.32%(K)，表明該方法對(duì)土壤速效氮、速效磷及速效鉀含量的預(yù)測(cè)并不理想，有待進(jìn)一步研究。

3 結(jié)論與展望

3.1 近紅外技術(shù)用于土壤組分預(yù)測(cè)存在的問題

近紅外光譜分析技術(shù)依賴于校正模型的建立，而目前利用近紅外技術(shù)分析土壤化學(xué)組分存在的主要問題是缺乏穩(wěn)定有效的校正模型，以適應(yīng)對(duì)不同類型土壤的分析以及定標(biāo)庫(kù)在不同近紅外光譜儀之間的同質(zhì)傳遞［28］。土壤定標(biāo)庫(kù)的建立不僅要求精通化學(xué)計(jì)量學(xué)知識(shí)，還需花費(fèi)大量時(shí)間和資金進(jìn)行大量的參照分析。因此，土壤定標(biāo)是一個(gè)關(guān)鍵而艱巨的環(huán)節(jié)，要推動(dòng)近紅外技術(shù)在土壤領(lǐng)域的應(yīng)用，需加強(qiáng)對(duì)土壤定標(biāo)的研究［28］。

研究表明，利用近紅外光譜技術(shù)預(yù)測(cè)土壤有機(jī)質(zhì)、全氮含量在多個(gè)國(guó)家及多絕大多數(shù)土壤類型上都是成功的。但對(duì)土壤其他養(yǎng)分及屬性的近紅外預(yù)測(cè)雖也有相關(guān)報(bào)道，但缺乏多地區(qū)多土壤類型的廣泛研究報(bào)道［28］。

目前近紅外光譜技術(shù)在土壤化學(xué)組分預(yù)測(cè)方面的應(yīng)用多集中在組分總量的預(yù)測(cè)分析，但是土壤養(yǎng)分總量往往不能反映作物需要的有效養(yǎng)分量，很難用于指導(dǎo)施肥。而對(duì)土壤速效養(yǎng)分的研究又比較少，而且預(yù)測(cè)效果也不理想，因此有必要加強(qiáng)對(duì)近紅外技術(shù)預(yù)測(cè)土壤速效養(yǎng)分的研究。

土壤樣品的預(yù)處理、建模樣本集的異質(zhì)性、近紅外光譜建模參數(shù)的選取以及參照方法的測(cè)量精度等因素都會(huì)影響近紅外光譜分析的結(jié)果［29－31］，因此，應(yīng)加強(qiáng)對(duì)每種因素影響近紅外分析程度大小的研究。

3.2 近紅外光譜分析技術(shù)的應(yīng)用前景

從土壤科學(xué)領(lǐng)域內(nèi)近幾年應(yīng)用研究的進(jìn)展看，近紅外光譜技術(shù)不僅能夠分析土壤有機(jī)成分，還可分析土壤礦質(zhì)成分、預(yù)測(cè)土壤性質(zhì)(如質(zhì)地、pH值)。因此，近紅外光譜分析作為土壤測(cè)試技術(shù)的巨大潛力是不言而喻的。近紅外光譜儀可存儲(chǔ)掃描土壤樣品的近紅外圖譜，如配以判別分析及分類軟件，近紅外光譜儀可對(duì)土壤識(shí)別分類，這是近紅外光譜分析技術(shù)的發(fā)展方向之一［28］。

土壤定位管理及數(shù)字土壤的發(fā)展需要土壤組分及性質(zhì)的時(shí)空分布信息，而這種分布信息是一個(gè)海量數(shù)據(jù)信息，化學(xué)及其它儀器分析已無(wú)法滿足對(duì)土壤所含海量信息的測(cè)試分析，近紅外光譜分析技術(shù)則具有“實(shí)時(shí)”和大批量分析的優(yōu)勢(shì)。因此，近紅外光譜技術(shù)將成為土壤定位管理和數(shù)字土壤信息中海量數(shù)據(jù)獲取的重要技術(shù)［28］。

此外，近紅外光譜分析技術(shù)可以和高光譜遙感結(jié)合，在衛(wèi)星或飛機(jī)上搭載近紅外遙感器以從宏觀尺度監(jiān)測(cè)土壤成分及性質(zhì)，進(jìn)行土壤普查，為政府提供迅速準(zhǔn)確的土壤信息，為合理配置國(guó)家土地及肥料資源提供科學(xué)指導(dǎo)［28］。

總之，近紅外光譜分析技術(shù)在土壤學(xué)領(lǐng)域以及精準(zhǔn)農(nóng)業(yè)、數(shù)字土壤的研究中具有極大的發(fā)展前景。

［1］岑益朗，宋 韜，何 勇，等.基于可見/近紅外漫發(fā)射光譜的土壤有機(jī)質(zhì)含量估算方法研究［J］.浙江大學(xué)學(xué)報(bào)(農(nóng)業(yè)與生命科學(xué)版)，2011，37(3):300 －306.

［2］高榮強(qiáng)，范世福.現(xiàn)代近紅外光譜分析技術(shù)的原理及應(yīng)用［J］.分析儀器，2002(3):9 －12.

［3］王多加，周向陽(yáng)，金同銘，等.近紅外光譜檢測(cè)技術(shù)在農(nóng)業(yè)和食品分析上的應(yīng)用［J］.光譜學(xué)與光譜分析，2004，24(4):447－450.

［4］李 炎，張?jiān)聦W(xué)，徐香玲，等.近紅反射光譜(NIRS)分析技術(shù)及其在農(nóng)業(yè)上的應(yīng)用［J］.黑龍江農(nóng)業(yè)科學(xué)，2008(1):105－108.

［5］徐廣通，袁洪福，陸婉珍.現(xiàn)代近紅外光譜技術(shù)及應(yīng)用進(jìn)展［J］.光譜學(xué)與光譜分析，2000，20(2):134 －142.

［6］劉愛秋，鄧曉建，王平榮，等.近紅外光譜分析技術(shù)及其在農(nóng)業(yè)領(lǐng)域的應(yīng)用［J］.西南農(nóng)業(yè)學(xué)報(bào)，2003，16(2):98 －102.

［7］鄭立華，李民贊，潘 孌，等.基于近紅外光譜技術(shù)的土壤參數(shù)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)［J］.光譜學(xué)與光譜分析，2008，28(5):1160－1164.

［8］朱登勝，吳 迪，宋海燕，等.應(yīng)用近紅外光譜法測(cè)定土壤的有機(jī)質(zhì)和 pH 值［J］.農(nóng)業(yè)工程學(xué)報(bào)，2008，24(6):196 －199.

［9］張淑娟，王鳳花，張海紅，等.基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的土壤養(yǎng)分近紅外光譜檢測(cè)［J］.山西農(nóng)業(yè)大學(xué)(自然科學(xué)版)，2009，29(6):483 －487.

［10］張娟娟，田永超，朱 艷，等.一種估測(cè)土壤有機(jī)質(zhì)含量的近紅外光譜參數(shù)［J］.應(yīng)用生態(tài)學(xué)報(bào)，2009，20(8):1896 －1904.

［11］董一威，黃金麗，孫寶利，等.我國(guó)蘋果栽培區(qū)土壤參數(shù)的近紅外光譜檢測(cè)［J］.光譜學(xué)與光譜分析，2009，29(8):2075－2078.

［12］韓瑞珍，宋 韜，何 勇.基于可見/近紅外光譜的土壤有機(jī)質(zhì)含量預(yù)測(cè)［J］.中國(guó)科學(xué):信息科學(xué)，2010，40(S1):111 －116.

［13］鄭立華，李民贊，安曉飛，等.基于近紅外光譜和支持向量機(jī)的土壤參數(shù)預(yù)測(cè)［J］.農(nóng)業(yè)工程學(xué)報(bào)，2010，26(S2):81 －87.

［14］岑益郎，宋 韜，何 勇，等.基于可見/近紅外漫反射光譜的土壤有機(jī)質(zhì)含量估算方法研究［J］.浙江大學(xué)學(xué)報(bào)(農(nóng)業(yè)與生命科學(xué)版)，2011，37(3):300 －306.

［15］陳華舟，潘 濤，陳潔梅.多元散射校正與Savitzky－Golay平滑模式的 組合優(yōu)選應(yīng)用于土壤有機(jī)質(zhì)的近紅外光譜分析［J］.計(jì)算機(jī)與應(yīng)用化學(xué)，2011，28(5):518 －522.

［16］田永超，張娟娟，姚 霞，等.基于近紅外光聲光譜的土壤有機(jī)質(zhì)含量定量建模方法［J］.農(nóng)業(yè)工程學(xué)報(bào)，2012，28(1):145－152.

［17］胡 林，丘 耘，周國(guó)民.基于可見/近紅外光譜的土壤有機(jī)質(zhì)快速測(cè)定方法的研究［J］.安徽農(nóng)業(yè)科學(xué)，2012，40(12):7123－7124，7188.

［18］陳鵬飛，劉良云，王紀(jì)華，等.近紅外光譜技術(shù)實(shí)時(shí)測(cè)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.

［19］袁石林，馬天云，宋韜，等.土壤中總氮與總磷含量的近紅外光譜實(shí)時(shí)檢測(cè)方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40(S1):150 －153.

［20］高洪智，盧啟鵬，丁海泉，等.基于連續(xù)投影算法的土壤總氮近紅外特征波長(zhǎng)的選取［J］.光譜學(xué)與光譜分析，2009，29(11):2951－2954.

［21］張雪蓮，李曉娜，武菊英，等.不同類型土壤總氮的近紅外光譜技術(shù)測(cè)定研究［J］.光譜學(xué)與光譜分析，2010，30(4):906－910.

［22］張娟娟，田永超，姚 霞，等.基于近紅外光譜的土壤全氮含量估算模型［J］.農(nóng)業(yè)工程學(xué)報(bào)，2012，28(12):183 －188.

［23］ Wagner B，Gutser R，Schmidhalter U.NIR-Spectroscopy to estimate soil nitrogen supply［J］.Plant Nutrition Developments in Plant and Soil Sciences，2002，92:752 －753.

［24］ Chodak M，Ludwig B，Khanna P，et al.Use of near infrared spectroscopy to determine biological and chemical characteristics of organic layers under spruce and beech stands［J］.Journal of plant Nutrition and Soil Science.2002，165:27 －33.

［25］ Marchao R L，Becquer T，Brunet D，et al.Carbon and nitrogen stocks in a Brazilian clayey Oxisol 132year effects of integrated crop-livestock management system［J］.Soil＆ Tillage Research，2009，103:442 －450.

［26］ Chang C，Laird D A，Mausbach M J，et al.Near-infrared reflectance spectroscopy-principalcomponentsregression analysisofsoil properties［J］.Soil Science Society of America Journal.2001，65:480－490

［27］ Chang C，Laird D A.Near-infrared reflectance spectroscopic analysis of soil C and N［J］.Soil Science，2002，167:110 －116.

［28］何緒生.近紅外反射光譜分析在土壤學(xué)的應(yīng)用和前景［J］.中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào)，2004，6(4):71 －76.

［29］李耀翔，張鴻富.非線性算法在近紅外預(yù)測(cè)木材密度中的應(yīng)用研究［J］.森林工程，2012，28(5):38 －41.

［30］李俊明，邢艷秋.基于近紅外光譜的紫丁香葉片葉綠素含量的估測(cè)研究［J］.森林工程，2013，29(3):39 －41.

［31］申 艷，張曉平，梁愛珍，等.近紅外光譜法在土壤有機(jī)質(zhì)研究中的應(yīng)用［J］.核農(nóng)學(xué)報(bào)，2010，24(1):199 －207.