劉秀英 石兆勇 常慶瑞 劉晨洲 黃 明 古 星

（1 河南科技大學(xué)農(nóng)學(xué)院，河南洛陽 471023）

（2 西北農(nóng)林科技大學(xué)資源環(huán)境學(xué)院，陜西楊凌 712100）

土壤是農(nóng)業(yè)生產(chǎn)的重要載體，而鉀是土壤中含量最高的營養(yǎng)元素，也是植物生長必需的營養(yǎng)元素之一［1］，因此快速、準(zhǔn)確地獲取農(nóng)田土壤鉀含量，可以及時了解土壤肥力變化，進而為精準(zhǔn)農(nóng)業(yè)的變量施肥提供參考。傳統(tǒng)土壤鉀含量的測定采用實驗室化學(xué)測定法，化學(xué)測定法相對準(zhǔn)確，但是過程繁瑣，需要耗費大量的人力、物力和財力，并且往往具有滯后性。而光譜分析技術(shù)是將光譜測量技術(shù)與化學(xué)計量學(xué)方法有機結(jié)合，建立校正模型，快速預(yù)測未知樣品組成或性質(zhì)的一種分析技術(shù)，現(xiàn)已成為一種無損、快速檢測土壤養(yǎng)分含量的新方法。由于野外測量的土壤光譜受多種復(fù)雜因素的影響，往往難以表征土壤的真實光譜信息，利用其直接預(yù)測土壤養(yǎng)分含量，往往存在精準(zhǔn)度較低的問題。而室內(nèi)控制條件下可獲得穩(wěn)定的土壤光譜信息，進行土壤養(yǎng)分含量反演可得到可靠的結(jié)果。相對傳統(tǒng)化學(xué)方法，室內(nèi)光譜分析技術(shù)具有省時、省力、無污染的優(yōu)點，當(dāng)精度較高、穩(wěn)定性較好時可替代某些化學(xué)方法，并且可同時預(yù)測多種土壤養(yǎng)分含量。

已有研究表明，原生礦物對土壤光譜具有一定的影響［2］，而鉀元素主要以礦物態(tài)形式存在于土壤中［3］，因此利用光譜分析技術(shù)反演土壤鉀含量，理論上具有一定的可行性。近 年來，國內(nèi)外已有學(xué)者嘗試?yán)霉庾V分析技術(shù)對土壤鉀含量進行定量分析。Confalonieri等［4］利用近紅外反射光譜法測定了不同土壤中的總有機碳、全氮、可交換鉀和有效磷含量，結(jié)果表明近紅外光譜法可以準(zhǔn)確地測定土壤中全氮和有機碳含量，而可交換鉀和速效磷的預(yù)測效果很不理想。Malley等［5］在對鉀的預(yù)測時發(fā)現(xiàn)，校正樣本的相關(guān)系數(shù)比較高，但是對于預(yù)測樣本的預(yù)測精度卻不是很高，使得模型的重復(fù)性比較差。Viscarra Rossel等［6］利用不同波長光譜結(jié)合偏最小二乘回歸法，同時估算多種土壤屬性，結(jié)果表明近紅外光譜對于交換性鉀可以獲得更高的精度，調(diào)整R2為0.47，預(yù)測均方根誤差（RMSE）為1.84，但是精度遠(yuǎn)低于有機碳、pH等土壤屬性。Debaene等［7］采用可見/近紅外光譜方法對土壤速效鉀、速效磷、Mg、SOC等多種屬性進行預(yù)測，結(jié)果表明土壤速效鉀和速效磷的預(yù)測效果不理想。徐永明等［8］的研究表明土壤鉀含量通過可見/近紅外光譜估算精度較低，相對誤差較大。胡芳等［9］對土壤光譜進行倒數(shù)對數(shù)、一階微分及提取波段深度的基礎(chǔ)上，運用偏最小二乘回歸(PLSR)方法建立了土壤鉀含量的預(yù)測模型，結(jié)果表明波段深度是估算土壤鉀含量最好的光譜指標(biāo)。胡國田等［10］利用直接正交信號校正（DOSC）方法進行土壤光譜預(yù)處理，結(jié)合PLSR方法建立了美國密蘇里州8種類型土壤的鉀含量監(jiān)測模型，結(jié)果表明經(jīng)過直接正交信號校正的模型預(yù)測精度顯著提高，但是土壤鉀的總體精度不高，只能進行粗略估算，模型需要改善。有的學(xué)者對土壤鉀含量進行光譜預(yù)測時獲得了較高的精度［11-13］。上述研究表明光譜分析技術(shù)能夠成功地預(yù)測土壤全氮、有機碳、pH等屬性，而土壤鉀含量的測定雖然具有一定的可行性和準(zhǔn)確性，但是由于鉀在近紅外沒有特定的吸收波段，其含量的光譜預(yù)測可能歸因于鉀與光譜活躍成分（例如：有機質(zhì)、碳酸鹽、黏土礦物、水分等）局部存在相關(guān)關(guān)系，而且不同類型土壤中鉀的含量及組成差異較大，因而其預(yù)測效果隨土壤類型、顆粒大小、測量條件、土壤性質(zhì)等變化，很不穩(wěn)定，有必要進行進一步的研究。

陜西渭北旱塬區(qū)位于陜北丘陵溝壑區(qū)的南部，關(guān)中平原的北部，黃土高原中部，海拔600～1 300 m，屬于地勢較平坦的部分。該區(qū)域是陜西省農(nóng)業(yè)生產(chǎn)的主要基地，也是我國重要的農(nóng)業(yè)生態(tài)區(qū)［14］，黃綿土是該區(qū)域的主要土壤類型之一［15］，快速、準(zhǔn)確地估測該區(qū)域黃綿土鉀含量十分重要。因此，本文以渭 北旱塬試驗區(qū)黃綿土為研究對象，通過包絡(luò)線消除法提取土壤光譜波段深度，在相關(guān)分析的基礎(chǔ)上，結(jié)合多元線性回歸（M L R）和偏最小二乘回歸（PLSR）方法建立黃綿土全鉀（Total p otassium，TK）和速效鉀（Readily available potassium，AK）含量的估算模型，并用獨立樣本進行驗證，以期實現(xiàn)該區(qū)域黃綿土鉀含量的快速、無損估算，為精準(zhǔn)農(nóng)業(yè)變量施肥提供參考。

1　材料與方法

1.1　研究區(qū)概況

土壤樣品均采自陜西省乾縣（108o07′E，34o38′N），該縣地處陜北黃土高原南緣與關(guān)中平原過渡地帶，屬于典型的渭北旱塬農(nóng)業(yè)區(qū)，是陜西省重要的糧食和水果生產(chǎn)基地。該地區(qū)土地利用方式比較單一，主要種植小麥和玉米，經(jīng)濟作物以蘋果為主。該區(qū)域?qū)儆谂瘻貛О敫珊荡箨懶约撅L(fēng)氣候，年平均氣溫和降水分別為12.7 ℃和525 mm，水資源極其缺乏，農(nóng)業(yè)生產(chǎn)用水主要靠自然降雨，全年降雨分布不均，多集中在6—9月。黃綿土是該區(qū)域主要土壤類型之一，研究區(qū)位置及采樣點分布詳見圖1。

1.2　土壤樣品采集與分析

在小麥、玉米、棉花等作物種植前或收獲后采集3塊試驗地的試驗小區(qū)及大田耕層（0～20 cm）土壤作為分析樣品，采樣點之間的距離約為25～40 m，共采集120個土壤樣品。剔除土壤中的侵入體后進行自然風(fēng)干。研磨后過1 mm孔篩，采用四分法取樣，一式兩份，一份用于土壤光譜反射率的測定，另一份用于土壤全鉀和速效鉀含量的測定。土壤全鉀及速效鉀含量均采用火焰光度計測定。具體檢測方法參見《土壤農(nóng)化分析》［16］。

1.3　土壤光譜的測定

土壤光譜采用美國Spectra Vista公司于2013年全新推出的高性能地物光譜儀（SVC H R-1024i便攜式光譜儀）測定。光源為功率50W鹵素?zé)?，入射角?15°，與土樣表面距離約 30 cm；探頭視場角為8°，垂直放置于目標(biāo)物正上方，距離約15 cm［17］。土樣置于直徑15 cm的容器中，裝滿后將土壤表面刮平。為降低土樣各向異性的影響，測量時同一方向轉(zhuǎn)動盛樣皿3次，每次約90度，每個方向采集3條樣本線，一個樣本共采集12條，去除異常線后求算術(shù)平均，得到該土樣的光譜反射率。測量過程中及時進行標(biāo)準(zhǔn)白板校正。

圖1　研究區(qū)及采樣點分布圖Fig. 1 Research field and distribution of sampling sites

1.4　數(shù)據(jù)預(yù)處理及模型建立

為了消除不同探測元件造成的誤差，使用SVC HR-1024i地物光譜儀自帶的軟件進行重疊數(shù)據(jù)剔除及不同探測器的匹配算法、文件合并；剔除兩端信噪比較低的區(qū)域，保留400～2 400 nm波段范圍的光譜反射率數(shù)據(jù)進行研究；然后將高光譜數(shù)據(jù)以10 nm間隔重采樣（已有研究表明10 nm間隔不會損失重要信息），以降低數(shù)據(jù)維數(shù)。在Unscrambler 9.7軟件（Camo Inc., Oslo, Norway）中采用移動均值平滑（Segment size為9），進行光譜曲線低通濾波處理，去除包含在光譜數(shù)據(jù)中的噪聲。由于土壤中的營養(yǎng)元素對光譜具有吸收作用，因此本研究選擇常用的波段吸收特征參數(shù) 波段深度（Band depth, BD）進行研究。已有研究表明，對光譜曲線作一階微分變換，可以對重疊混合光譜進行分解，便于識別，并擴大樣本之間的光譜特征差異，去除與波長無關(guān)的漂移，本研究對土壤光譜反射率（So il spectral reflectance, SSR）及波段深度進行了一階微分處理（DSSR和DBD）。

120個樣本數(shù)據(jù)根據(jù)全鉀及速效鉀含量按照升序進行排列，等間隔抽取2個組成建模集，余下的作為驗證集，從而得到80個樣本的建模集，40個樣本的驗證集。在相關(guān)分析的基礎(chǔ)上（應(yīng)用Excel軟件進行相關(guān)分析），選取相關(guān)系數(shù)最大的10個波段對應(yīng)的光譜變量作為自變量，采用多元線性回歸建立土壤鉀含量的估算模型；以全波段及極顯著相關(guān)波段（p＞0.01）對應(yīng)的光譜變量作為自變量，采用PLSR方法建立土壤鉀含量的估算模型；并采用獨立樣本進行驗證。

模型的校正精度通過校正模型的決定系數(shù)（Coeffi cients of determination，R2c）、均方根誤差（Root mean square error，RMSEc）、交叉驗證模型的決定系數(shù)（Determination coefficients of cross-validation model，R2cv）來評價；預(yù)測精度根據(jù)預(yù)測模型決定系數(shù)（Determination coefficients of prediction model，R2pre） 、 均 方 根 誤 差（Root m ean square error of prediction, RMSEpre）及剩余預(yù)測誤差（Residu al predictive deviation，RPDpre）進行評價。R2c、R2cv、R2pre越大，RMSEc、RMSEpre越小，表明模型的校正及預(yù)測精度越高。RPD值可以解釋模型的預(yù)測能力，其評價標(biāo)準(zhǔn)沿用Chang和Laird［18］提出的閾值劃分方法，即RPD≥2.0，說明模型是穩(wěn)定和準(zhǔn)確的，具有較好的預(yù)測能力；1.4≤RPD＜2.0說明模型可進行粗略預(yù)測，并可以改進；RPD＜1.4說明模型的預(yù)測能力很差。本研究均應(yīng)用Unscrambler 9.7軟件建立MLR及PLSR模型。

2　結(jié) 果

2.1　土壤鉀含量的統(tǒng)計特征

土壤樣品的全鉀和速效鉀的全集、校正集和驗證集的統(tǒng)計參數(shù)見表1。從表1可知，土壤全鉀的變異較小，校正集、驗證集和全集的變異系數(shù)在13.44%～13.51%之間；而土壤速效鉀的變異則大于全鉀，在21.51%～21.78%之間。土壤全鉀和速效鉀的校正和驗證集的標(biāo)準(zhǔn)差、均值和變異系數(shù)與全集均比較接近，說明驗證和校正集具有代表性。

表1　土壤鉀含量的統(tǒng)計描述Table 1　Descriptive statistics of soil potassium content

2.2　土壤光譜波段深度特征

光譜波段吸收深度（BD）是應(yīng)用非常普遍的吸收特征參數(shù)之一，已經(jīng)被廣泛且成功地應(yīng)用于植被及土壤屬性的可見/近紅外光譜估算［9，19-20］。采用ENVI軟件進行包絡(luò)線消除，然后計算波段的吸收深度，得到土壤光譜波段吸收深度曲線（見圖2）。由圖2可知，在420 、1 420、1 920、2 210、2 350 nm處有幾個明顯的波段深度峰值，不同樣本間這些位置的波段深度差異明顯。已有研究表明利用波段深度進行土壤鉀含量估算時效果較好［9］，因此本文在包絡(luò)線去除的基礎(chǔ)上，提取波段深度，并進行一階微分變換，結(jié)合多元線性回歸（MLR）及偏最小二乘回歸（PLSR）方法建立土壤鉀含量估算模型。

2.3　基于MLR的土壤鉀含量估算模型

圖2　土壤光譜波段吸收深度曲線Fig. 2 Absorption depth curve of soil spectral bands

應(yīng)用可見/近紅外光譜技術(shù)時，可以通過相關(guān)分析獲取土壤屬性的敏感波段，建立敏感波段與土壤屬性之間的線性關(guān)系，從而實現(xiàn)土壤屬性的快速檢測［21］。對土壤光譜反射率（SSR）、光譜反射率一階微分（DSSR）、波段深度（BD）及其波段深度一階微分（DBD）與土壤全鉀及速效鉀含量進行相關(guān)分析。通過相關(guān)分析可知，4個光譜變量中一階微分光譜與土壤全鉀和速效鉀的相關(guān)系數(shù)最大，說明兩者之間的相關(guān)性最強；同一光譜變量與土壤全鉀的相關(guān)系數(shù)高于速效鉀，說明土壤全鉀含量與光譜變量之間的相關(guān)性高于速效鉀。采用多元線性回歸（MLR）方法建立土壤鉀含量估算模型時，自變量的選擇依據(jù)建立的模型相對比較簡單，并且模型的預(yù)測精度相對較高為原則。經(jīng)過多次試驗，本文選擇相關(guān)性最高的前10個光譜變量作為自變量，建立土壤全鉀和速效鉀的多元線性回歸模型，結(jié)果見表2。從表2可知，與土壤全鉀和速效鉀含量相關(guān)性較高的前10個波段主要位于近紅外區(qū)；估算土壤全鉀含量的前10個微分波段分布范圍較廣，包括可見光和近紅外區(qū)。分析校正模型各項參數(shù)可知，以DSSR為自變量建立的多元線性土壤全鉀含量估算模型效果優(yōu)于其他模型，R2c最大，為0.773，RMSEc最小，為0.087；而DBD建立的模型效果最差。而土壤速效鉀同樣以DSSR為自變量建立的多元線性回歸模型擬合效果最好，R2c為0.646，RMSEc為22.77，分別為最大和最??；而擬合效果最差的為BD建立的模型，R2c僅為0.560。比較土壤全鉀和速效鉀建立的模型，土壤全鉀的多元線性回歸模型的校正R2c介于0.606～0.766之間，而速效鉀的多元線性回歸模型的校正R2c介于0.560～0.646之間，說明土壤全鉀模型校正效果整體優(yōu)于速效鉀模型。

表2　基于特征光譜的土壤鉀含量多元線性回歸模型Table 2　The multiple linear regression model for soil potassium content based on characteristic spectra

2.4　基于PLSR的土壤鉀 含量估算模型

偏最小二乘回歸（PLSR）集主成分分析和多元回歸分析于一體，能夠利用所有有效的數(shù)據(jù)構(gòu)建模型，提取出反映數(shù)據(jù)變異的最大信息，具有良好的預(yù)測功能［22］，已經(jīng)被廣泛應(yīng)用于植被及土壤屬性的光譜估算［23-25］。為了充分利用所有有效波段光譜信息，本文采用偏最小二乘回歸方法建立全波段和極顯著性相關(guān)波段的土壤全鉀及速效鉀含量的估算模型，結(jié)果見圖3、圖4和表3 。由圖3可知，全波段不同的光譜變換采用PLSR建立土壤全鉀含量估算模型時存在一些回歸系數(shù)較大的相同或相近的波段，包括450、680、960、1 410、1 920、2 370 nm及其附近波段。由圖4可知，全波段不同的光譜變換采用PLSR建立土壤速效鉀含量估算模型時同樣存在一些回歸系數(shù)較大的相同或相近的波段，包括580、1 410、1 920、2 370 nm及其附近波段。這些波段與MLR建模時選擇的波段（見表2）部分重疊。這些相同的回歸系數(shù)較大的波段是進行土壤全鉀和速效鉀含量估算時被考慮到的通用性較好的光譜吸收波段。分析表3可知，當(dāng)以全波段和極顯著相關(guān)波段作為輸入變量時，不同形式光譜建模選擇的主成分?jǐn)?shù)可能相同，也可能不同；但是建立的估算模型的R2c及RMSEc差異均較小，說明建模效果比較相近。例如：以波段深度BD作為輸入變量，全波段數(shù)目為200個，建模時選擇的主成分為7個；而以達到0.01極顯著相關(guān)波段為輸入變量時，波段數(shù)目為139個，建模選擇的主成分同樣為7個，兩者建立的模型的R2c僅相差0.003，而RMSEc僅相差0.001。進一步證明采用PLSR建立校正模型時，在精度許可的條件下，可以預(yù)先進行相關(guān)分析，選擇達到顯著或極顯著相關(guān)的變量作為輸入變量進行建模，以便簡化建模過程，減小計算量。

圖3　全鉀含量PLSR建模獲得的整個波段范圍內(nèi)回歸系數(shù)的分布Fig. 3 Distribution of regression coefficients over the entire range of wavelengths obtained through partial least squares regression(PLSR) modeling for TK

2.5　土壤鉀含量估算模型的驗證

采用獨立樣本對MLR及PLSR模型進行驗證，以便檢驗?zāi)Ｐ偷念A(yù)測效果，結(jié)果見表4。從表4可知，MLR模型相對比較簡單，計算量相對較小，但是模型的預(yù)測效果較PLSR模型差很多。基于4類光譜變量建立的土壤全鉀含量MLR模型經(jīng)檢驗可知，以DSSR為自變量建立的模型預(yù)測效果最好，R2pre為0.793，RPDpre為2.206，均為最大的，而RMSEpre最小，為0.081。與校正模型各項參數(shù)比較可知，3項參數(shù)相差均較小，說明模型比較穩(wěn)定。從而說明以DSSR為自變量建立的MLR模型能夠進行土壤全鉀含量準(zhǔn)確估算。其次為SSR建立的多元線性回歸模型效果次之，能進行土壤全鉀含量的粗略估算；其他光譜變量建立的模型驗證效果較差，不能進行土壤全鉀含量估算。而以4類光譜變量建立的土壤速效鉀含量MLR模型的預(yù)測效果不是很好，R2pre介于0.494～0.548之間，RPDpre介于1.405～1.488之間，僅能進行速效鉀含量粗略估算。

圖4　速效鉀含量PLSR建模獲得的整個波段范圍內(nèi)回歸系數(shù)的分布Fig. 4 Distribution of regression coefficients over the entire range of wavelengths obtained through partial least squares regression(PLSR) modeling for AK

表3　基于光譜的土壤鉀含量PLSR估算模型Table 3　PLSR model for prediction of soil potassium contents based on soil spectra

表4　土壤鉀含量估算模型的驗證結(jié)果Table 4　Validation of the models for prediction of soil potassium contents

3　討 論

包絡(luò)線消除法具有壓抑背景光譜，擴大弱吸收特征信息的優(yōu)勢［20］。通過包絡(luò)線消除法得到土壤光譜波段吸收深度曲線圖，從圖2可知，在420、1 420、1 920、2 210、2 350 nm處有明顯的特征吸收峰。而PLSR方法建立土壤全鉀和速效鉀含量估算模型時全波段范圍內(nèi)存在一些通用性較強的光譜吸收波段，分別為450、680、960、1 410、1 920、2 370 nm及其附近波段和580、1 410、1 920、2 370 nm及其附近波段（見圖3、圖4）。這些波段與MLR建模時選擇的波段（見表2）部分重疊。查閱相關(guān)文獻可知，420 nm及其附近波段的吸收特征可能是由單個的或成對的鐵離子電子 躍遷到一種更高的能量狀態(tài)引起的［26］。 近紅外區(qū)的960 nm及其附近波段的吸收峰可能與第三泛音區(qū)的水分吸收波段有關(guān)，1 420和1 920 nm及其附近波段的吸收特征可能是由自由水的O-H鍵的彎曲和拉伸引起的，2 210 nm及其附近波段的吸收特征可能是由黏土礦物中的Al-OH 晶格結(jié)構(gòu)引起的［6，27］。2 350 nm及其附近的吸收特征可能歸因于有機質(zhì)組成的差異［28］。以上土壤光譜吸收特征表明黃綿土中存在光譜活躍成分（例如：有機質(zhì)、碳酸鹽、黏土礦物、水分等）。由于土壤鉀在可見/近紅外光譜沒有直接光譜響應(yīng)，所以本研究黃綿土鉀含量的光譜預(yù)測可能歸因于土壤中鉀與這些光譜活躍成分之間局部存在共同變化。通過相關(guān)分析可知，土壤全鉀和速效鉀與光譜變量之間的相關(guān)性不同，且與土壤全鉀的相關(guān)性普遍大于速效鉀，這與其他研究者的結(jié)論類似［29］。分析其原因可能是土壤全鉀的組成和含量與速效鉀不同，從而造成兩者與光譜反射率之間的相關(guān)性差異較大。依據(jù)相關(guān)分析及PLSR建模的回歸系數(shù)可知，580、1 410、1 920、2 240、2 370 nm是進行土壤速效鉀含量估算時通用性較好的波段。這與葉英聰?shù)龋?9］和陳紅艷［30］的研究結(jié)論“速效鉀的敏感波段為602、1 058、1 638、2 214 nm或者1 323、1 730、2 258、2 375 nm”比較一致。以土壤全鉀和速效鉀含量的前10個高相關(guān)性波段光譜為自變量，采用多元線性回歸建立估算模型，僅DSSR為自變量建立的土壤全鉀含量模型估算效果較好，能進行土壤全鉀含量準(zhǔn)確估算，其余模型估算效果相對較差。

PLSR是一種全波段建模的標(biāo)準(zhǔn)方法，被廣泛用于土壤和植被的參數(shù)反演。本文以PLSR方法建立的土壤鉀含量估算模型預(yù)測效果優(yōu)于多元線性回歸模型。當(dāng)以極顯著相關(guān)波段作為輸入變量時，建立的土壤鉀含量PLSR模型的精度較高，模型較穩(wěn)定，預(yù)測效果與全波段光譜建立的模型接近，因此在建立土壤或植被屬性的PLSR估算模型時，可先進行相關(guān)分析，然后選擇相關(guān)性較高的波段光譜結(jié)合PLSR構(gòu)建估算模型，這與前期的研究結(jié)論一致［31］。以4類光譜為自變量，土壤全鉀含量為因變量建立的PLSR估算模型，精度均較高，均能對土壤全鉀含量進行精確估算，這與胡芳等［9］的研究結(jié)論“全波段光譜結(jié)合PLSR能夠快速、有效估算土壤鉀含量”一致。尤其以BD為自變量建立的土壤全鉀含量PLSR模型預(yù)測精度高于SSR及其DSSR，說明BD在進行土壤全鉀含量估算時有其獨特的優(yōu)勢。本研究通過比較分析可知，DBD結(jié)合PLSR方法建立的土壤全鉀含量估算模型預(yù)測精度更高，優(yōu)于BD建立的PLSR全鉀含量估算模型，這一結(jié)論有待進一步驗證。而利用相同指標(biāo)建立土壤速效鉀含量的PLSR估算模型，精度遠(yuǎn)低于全鉀含量。雖然以DSSR為自變量建立的PLSR模型，是進行土壤速效鉀含量估算的最好模型，但是其驗證RPD僅為1.619和1.572，僅能對土壤速效鉀含量進行粗略估算，這與Viscarra Rossel等［6］和Debaene等［7］的研究結(jié)論類似。由于土壤鉀與光譜活躍成分之間的局部共同變化會隨土壤樣品的不同而不斷變化［32-33］，因而黃綿土中鉀含量的預(yù)測具體取決于哪些光譜活躍成分、全鉀與速效鉀的高光譜預(yù)測結(jié)果存在較大差異的原因均有待進一步深入研究。偏最小二乘回歸方法雖然是一種較好的線性建模方法，但是土壤光譜與鉀含量之間可能存在非線性關(guān)系，因而還需進一步采用非線性建模方法探討它們之間的關(guān)系。

4　結(jié) 論

黃綿土全鉀含量與速效鉀含量估算時通用性較好的波段存在一定的差異。除以土壤光譜反射率一階微分（DSSR）為自變量建立的多元線性回歸模型能進行土壤全鉀含量準(zhǔn)確估算外，其余多元線性回歸模型均不能進行土壤全鉀和速效鉀含量準(zhǔn)確估算。通過比較可知，土壤全鉀及速效鉀含量的PLSR估算模型的預(yù)測精度普遍高于MLR模型。4類光譜變量結(jié)合PLSR方法建立的模型均能進行土壤全鉀含量準(zhǔn)確估算；其中，DBD結(jié)合PLSR方法建立的模型校正及驗證精度均最高，是進行土壤全鉀含量估算的最優(yōu)模型，而BD結(jié)合PLSR方法建立的模型，估算效果次之。然而4類光譜變量建立的MLR及PLSR模型的校正及驗證精度均較低，僅部分模型能對土壤速效鉀含量進行粗略估算；其中，DSSR結(jié)合PLSR方法建立的模型預(yù)測精度最高，是估算土壤速效鉀含量的最優(yōu)模型。

［ 1 ］ 叢日環(huán)，李小坤，魯劍巍. 土壤鉀素轉(zhuǎn)化的影響因素及其研究進展. 華中農(nóng)業(yè)大學(xué)學(xué)報，2007，26（6）：907—913 Cong R H，Li X K，Lu J W. Advances in research on influence factors of soil potassium transformation（In Chinese）. Journal of Huazhong Agricultural University，2007，26（6）：907—913

［ 2 ］ Lagacherie P，Baret F，F(xiàn)eret J，et al. Estimation of soil clay and calcium carbonate using laboratory，field and airborne hyper—spectral measurements. Remote Sensing of Environment，2008，112（3）：825—835

［ 3 ］ 王璐，藺啟忠，賈東，等. 基于反射光譜預(yù)測土壤重金屬元素含量的研究. 遙感學(xué)報，2007，11（6）：906—913 Wang L，Lin Q Z，Jia D，et al. Study on the prediction of soil heavy metal elements content based on reflectance spectra（In Chinese）. Journal of Remote Sensing，2007，11（6）：906—913

［ 4 ］ Confalonieri M，F(xiàn)ornasier F，Ursino A，et al. The potential of neat infrared reflectance spectroscopy as a tool for the chemical characterization of agricultural soils. Journal of Near Infrared Spectroscope，2001，9（1）：1385—1388

［ 5 ］ Malley D F，Yesmin L，Eilers R G. Rapid analysis of hog manure and manure—amended soils using near—infrared spectroscopy. Soil Science Society of America Journal，2002，66（5）：1677—1686

［ 6 ］ Viscarra Rossel R A，Walvoort D J J，McBratney A B，et al. Visible，near infrared，mid infrared or combined diffuse reflectance spectroscopy for simultaneous assessment of various soil properties.Geoderma，2006，131（1/2）：59—75

［ 7 ］ Debaene G，Nied?wiecki J，Pecio A，et al. Effect of the number of calibration samples on the prediction of several soil properties at the farm—scale. Geoderma，2014，214/215（2）：114—125

［ 8 ］ 徐永明，藺啟忠，王璐，等. 基于高分辨率反射光譜的土壤營養(yǎng)元素估算模型. 土壤學(xué)報，2006，43（5）：709—716 Xu Y M，Lin Q Z，Wang L，et al. Model for estimating soil nutrient elements based on high resolution reflectance spectra（In Chinese）. Acta Pedologia Sinica，2006，43（5）：709—716

［9］ 胡芳，藺啟忠，王欽軍，等. 土壤鉀含量高光譜定量反演研究. 國土資源遙感，2012，24（4）：160—165 Hu F，Lin Q Z，Wang Q J，et al. Quantitative inversion of soil potassium content by using hyperspectral reflectance（In Chinese）. Remote Sensing for Land & Resources，2012，24（4）：160—165

［10］ 胡國田，何東健，Kenneth A S. 基于直接正交信號擬合的土壤磷和鉀VNIR測定研究. 農(nóng)業(yè)機械學(xué)報，2015，46（7）：139—145 Hu G T，He D J，Kenneth A S. Soil phosphorus and potassium estimation using visible—near infrared reflectance spectroscopy with direct orthogonal signal correction（In Chinese）. Transactions of the Chinese Society for Agricultural Machinery，2015，46（7）：139—145

［11］ 李偉，張書慧，張倩，等. 近紅外光譜法快速測定土壤堿解氮、速效磷和速效鉀含量. 農(nóng)業(yè)工程學(xué)報，2007，23（1）：55—59 Li W，Zhang S H，Zhang Q，et al. Rapid prediction of available N，P and K content in soil using near—infrared reflectance spectroscopy（In Chinese）.Transactions of the Chinese Society of Agricultural Engineering，2007，23（1）：55—59

［12］ 陳紅艷，趙庚星，李希燦，等. 小波分析用于土壤速效鉀含量高光譜估測研究. 中國農(nóng)業(yè)科學(xué)，2012，45（7）：1425—1431 Chen H Y，Zhao G X，Li X C，et al. Application of wavelet analysis for estimation of soil available potassium content with hyperspectral reflectance（In Chinese）. Scientia Agricultura Sinica，2012，45（7）：1425—1431

［13］ 吳茜，楊宇虹，徐照麗，等. 應(yīng)用局部神經(jīng)網(wǎng)絡(luò)和可見/近紅外光譜法估測土壤有效氮磷鉀. 光譜學(xué)與光譜分析，2014，34（8）：2102—2105 Wu Q，Yang Y H，Xu Z L，et al. Applying local neural network and visible/near—infrared spectroscopy to estimating available nitrogen，phosphorus and potassium in soil（In Chinese）. Spectroscopy and Spectral Analysis，2014，34（8）：2102—2105

［14］ 杜威，王紫泉，和文祥，等. 豆科綠肥對渭北旱塬土壤養(yǎng)分及生態(tài)化學(xué)計量學(xué)特征影響. 土壤學(xué)報，2017，54（4）：999—1008 Du W，Wang Z Q，He W X，et al. Effects of leguminous green manure on soil nutrients and their ecological stoichiometry characteristics in Weibei Rainfed Highland（In Chinese）. Acta Pedologica Sinica，2017，54（4）:999—1008

［15］ 安凱春，石俊玲. 渭北旱塬區(qū)農(nóng)業(yè)可持續(xù)發(fā)展的途徑.現(xiàn)代種業(yè)，2005（6）：12—13，8 An K C，Shi J L. Way of the sustainable development of agriculture in Weibei Highland area（In Chinese）.Moderm Seed Industry，2005（6）：12—13，8

［16］ 鮑士旦. 土壤農(nóng)化分析. 第3版. 北京：中國農(nóng)業(yè)出版社，1999 Bao S D. Soil agrochemistry analysis（In Chinese）.3rd ed. Beijing：China Agriculture Press，1999

［17］ 彭小婷，高文秀，王俊杰. 基于包絡(luò)線去除和偏最小二乘的土壤參數(shù)光譜反演. 武漢大學(xué)學(xué)報（信息科學(xué)版），2014，39（7）：862—866 Peng X T，Gao W X，Wang J J. Inversion of soil parameters from hyperspectra based on continuum removal and partial least squares regression（In Chinese）. Geomatics and Information Science of Wuhan University，2014，39（7）：862—866

［18］ Chang C W，Laird D A. Near—infrared reflectance spectroscopic analysis of soil C and N. Soil Science，2002，167（2）：110—116

［19］ 劉秀英，王力，宋榮杰，等. 黃綿土風(fēng)干過程中土壤含水率的光譜預(yù)測. 農(nóng)業(yè)機械學(xué)報，2015，46（4）：266—272 Liu X Y，Wang L，Song R J，et al. Prediction of soil moisture content in air—drying loess using spectral data（In Chinese）. Transactions of the Chinese Society for Agricultural Machinery，2015，46（4）：266—272

［20］ 張雪紅，劉紹民，何蓓蓓. 基于包絡(luò)線消除法的油菜氮素營養(yǎng)高光譜評價. 農(nóng)業(yè)工程學(xué)報，2008，24（10）：151—155 Zhang X H，Liu S M，He B B. Hyperspectral evaluation of rape nitrogen nutrition using continuum—removed method（In Chinese）. Transactions of the Chinese Society of Agricultural Engineering，2008，24（10）：151—155

［21］ 宋韜，鮑一丹，何勇．利用光譜數(shù)據(jù)快速檢測土壤含水量的方法研究. 光譜學(xué)與光譜分析，2009，29（3）：675—677 Song T，Bao Y D，He Y. Research on the method for rapid detection of soil moisture content using spectral data （ In Chinese） . Spectroscopy and Spectral Analysis，2009，29（3）：675—677

［22］ 唐啟義，馮明光. DPS數(shù)據(jù)處理系統(tǒng). 北京：科學(xué)出版社，2007 Tang Q Y，F(xiàn)eng M G. DPS data processing system（In Chinese）. Beijing：Science Press，2007

［23］ Hu X Y. Application of visible/near—infrared spectra in modeling of soil total phosphorus. Pedosphere，2013，23（4）：417—421

［24］ Yang H，Kuang B，Mouazen A M. Quantitative analysis of soil nitrogen and carbon at a farm scale using visible and near infrared spectroscopy coupled with wavelength reduction. European Journal of Soil Science，2011，63（3）：410—420

［25］ Fu Y Y，Yang G J，Wang J H，et al. Winter wheat biomass estimation based on spectral indices，band depth analysis and partial least squares regression using hyperspectral measurements. Computers and Electronics in Agriculture，2014，100（2）：51—59

［26］ Sherman D M，Waite T D. Electronic spectra of Fe3+oxides and oxyhydroxides in the near infrared to ultraviolet. American Mineralogist，1985，70（11/12）：1262—1269

［27］ Ben—Dor E. Quantitative remote sensing of soil properties. Advances in Agronomy，2002，75：173—243

［28］ Ben—Dor E，Inbar Y，Chen Y. The reflectance spectra of organic matter in the visible near—infrared and short wave infrared region（400—2500 nm）during a controlled decomposition process. Remote Sensing of Environment ，1997，61（1）：1—15

［29］ 葉英聰，張麗君，謝文，等. 南方丘陵稻田土壤全鉀和速效鉀高光譜特征與反演模型研究. 廣東農(nóng)業(yè)科學(xué)，2015，42（7）：37—42 Ye Y C，Zhang L J，Xie W，et al. Prediction on total potassium and available potassium content of hilly paddy soil in Southern China based on hyper—spectral characteristics（In Chinese）. Guangdong Agricultural Sciences，2015，42（7）：37—42

［30］ 陳紅艷. 土壤主要養(yǎng)分含量的高光譜估測研究．山東泰安：山東農(nóng)業(yè)大學(xué)，2012 Chen H Y. Hyperspectral estimation of major soil nutrient content（In Chinese）. Taian，Shandong：Shandong Agricultural University，2012

［31］ 劉秀英，王力，常慶瑞，等. 基于相關(guān)分析和偏最小二乘回歸的黃綿土土壤全氮和堿解氮含量的高光譜預(yù)測. 應(yīng)用生態(tài)學(xué)報，2015，26（7）：2107—2114 Liu X Y，Wang L，Chang Q R ，et al. Prediction of total nitrogen and alkali hydrolysable nitrogen content in loess using hyperspectral data based on correlation analysis and partial least squares regression（In Chinese）. Chinese Journal of Applied Ecology，2015，26（7）：2107—2114

［32］ Mouazen A M，Kuang B，Baerdemaeker J De，et al. Comparison among principal component，partial least squares and back propagationneural network analyses for accuracy of measurement of selected soil properties with visible and near infrared spectroscopy.Geoderma，2010，158（1/2）：23—31

［33］ 賈生堯，楊祥龍，李光，等. 近紅外光譜技術(shù)結(jié)合遞歸偏最小二乘算法對土壤速效磷與速效鉀含量測定研究. 光譜學(xué)與光譜分析，2015，35（9）：2516—2520 Jia S Y，Yang X L，Li G，et al. Quantitatively determination of available phosphorus and available potassium in soil by near infrared spectroscopy combining with recursive partial least squares（In Chinese）. Spectroscopy and Spectral Analysis，2015，35（9）：2516—2520