張世文，楊 斌，馮志軍，徐云飛，程 琦，黃亞婕

（1.安徽理工大學(xué)地球與環(huán)境學(xué)院，安徽 淮南 232001；2.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；3.生態(tài)環(huán)境部環(huán)境發(fā)展中心，北京 100029）

0 引 言

土壤復(fù)墾工程作為緩解我國(guó)人地矛盾的主要方式之一，為國(guó)家提供大量土地利用后備資源［1］。 然而復(fù)墾土壤與自然土壤結(jié)構(gòu)不同，復(fù)墾土壤改變了土壤原有的水、肥、氣、熱等特性，且復(fù)墾土壤會(huì)隨著耕作年限的增長(zhǎng)不斷熟化，土壤含水率、有機(jī)質(zhì)含量、堿解氮含量等土壤成分逐年增加［2］。 與自然土壤相比，復(fù)墾土壤擾動(dòng)性較強(qiáng)，其理化性質(zhì)具有無序、易變、非均質(zhì)等特征［3］。 復(fù)墾土壤屬性檢測(cè)可為礦區(qū)復(fù)墾方法選擇、治理效果評(píng)價(jià)及區(qū)域分區(qū)管理等方面提供指導(dǎo)。 傳統(tǒng)實(shí)驗(yàn)室檢測(cè)方法費(fèi)時(shí)費(fèi)力，通常不能滿足田間管理實(shí)用性、實(shí)時(shí)性的需要。光譜定量分析是一種利用輻射能量與土壤組成之間的內(nèi)在關(guān)聯(lián)來定量化描述土壤理化屬性的技術(shù)［4］。近年來，高光譜遙感以其無損、快速、成本低等特點(diǎn)，可以實(shí)現(xiàn)土壤理化性質(zhì)的快速監(jiān)測(cè)，在土壤屬性測(cè)定中潛力巨大，已成為當(dāng)前的研究熱點(diǎn)［5］。

目前，針對(duì)野外原位測(cè)量vis-NIR 高光譜技術(shù)主要為“in situ”靜態(tài)野外原位測(cè)量和“on-the-go”動(dòng)態(tài)實(shí)時(shí)測(cè)量技術(shù)。 這些方法在獲取光譜數(shù)據(jù)過程中受諸如土壤含水率、室外溫度及光照條件等因素的影響，而土壤含水率是影響光譜特征的主要因素之一［6］。 土壤水分對(duì)光譜反射率的影響是非線性的：當(dāng)土壤含水率小于凋萎系數(shù)時(shí)， 孔隙水附著在土壤顆粒上，導(dǎo)致土壤散射增加，在此含水率范圍內(nèi)光譜反射率隨著土壤含水率的增加而降低；當(dāng)土壤含水率介于凋萎系數(shù)與田間持水量時(shí)，水分包裹在土壤顆粒表面形成水膜，導(dǎo)致波段吸收增加，在此含水率范圍內(nèi)光譜反射率會(huì)隨著土壤含水率的增加而降低；當(dāng)土壤含水率大于田間持水量時(shí)，水分代替土壤孔隙中的空氣并發(fā)生鏡面反射現(xiàn)象，從而增加土壤反射率大小，在此范圍內(nèi)土壤光譜反射率會(huì)隨著土壤含水率的增加而增加［7］。 JI 等［8］通過對(duì)比風(fēng)干前后的光譜數(shù)據(jù)發(fā)現(xiàn)隨著土壤含水率的增加，波長(zhǎng)1 450、1 940 nm 附近的水分吸收谷的吸收面積和深度逐漸增加；ZOU 等［9］通過對(duì)比風(fēng)干前后的土壤光譜發(fā)現(xiàn)干土在可見光波段范圍內(nèi)增長(zhǎng)迅速，其光譜具有較高的收斂分布；XIA 等［10］認(rèn)為由于土壤水分對(duì)光譜反射率的影響較大，可能會(huì)造成其他物質(zhì)的光譜特性被掩蓋；洪永勝等［11］通過獲取不同含水率梯度土壤光譜，發(fā)現(xiàn)干土與濕土之間的光譜相關(guān)性隨著含水率的增大而不斷減??；MORGAN 等［12］通過對(duì)風(fēng)干土壤樣本再濕潤(rùn)發(fā)現(xiàn)受土壤水分的影響，土壤有機(jī)碳、無機(jī)碳的預(yù)測(cè)能力下降；ROUDIER 等［13］發(fā)現(xiàn)當(dāng)土壤含水率超過10%時(shí)，vis-NIR 預(yù)測(cè)土壤屬性的能力下降。 目前的研究大都基于自然土壤下，而煤礦復(fù)墾重構(gòu)土壤因其土體構(gòu)型差異較大，水分含量對(duì)煤礦復(fù)墾土壤高光譜的研究較少。

在前人研究的基礎(chǔ)上，筆者以安徽省淮北市某煤礦復(fù)墾區(qū)土壤為研究對(duì)象，測(cè)定風(fēng)干前后的土壤光譜數(shù)據(jù)，分析不同含水率下光譜特征，結(jié)合配對(duì)樣本t檢驗(yàn)方法研究不同含水率下的水分影響波段，分別采用直接標(biāo)準(zhǔn)化算法和輻射傳輸理論去除土壤水分影響并結(jié)合土壤吸光度分析水分去除效果，以土壤全氮為例，探討土壤水分對(duì)vis-NIR 預(yù)測(cè)土壤屬性的能力的影響。 研究結(jié)果以期為煤礦復(fù)墾土壤屬性原位快速監(jiān)測(cè)提供理論依據(jù)與技術(shù)支撐。

1 數(shù)據(jù)與方法

1.1 土樣采集與制備

土壤樣本選自安徽省淮北市某復(fù)墾煤礦，位于淮北平原中部，是典型的平原高潛水位地區(qū)。 由于長(zhǎng)期地下開采導(dǎo)致地表塌陷、裂縫造成土體結(jié)構(gòu)破壞、土壤養(yǎng)分流失，于2019 年采用客土回填方式完成復(fù)墾，覆土厚度約為1 m，土壤類型為砂姜黑土。 共布設(shè)采樣點(diǎn)62 個(gè)（圖1），利用GPS 精確定位，采集表層（至地表0～20 cm）土壤，剔除入侵體及雜物后，將每個(gè)測(cè)點(diǎn)5 個(gè)土樣混和成一個(gè)組合樣本作為采樣點(diǎn)處的土壤樣本。 研究區(qū)土壤含水率平均值為17.86%，有機(jī)質(zhì)與全氮含量平均值分別為12.73 g／kg 與0.68 g／kg。由于人為工程擾動(dòng)和土源質(zhì)量限制，復(fù)墾土壤顆粒組成、容重及有機(jī)質(zhì)含量等理化性質(zhì)與自然土壤不同。復(fù)墾土壤質(zhì)地較粗，黏粒含量較低；由于施工過程中的壓實(shí)作用，復(fù)墾土壤的容重普遍高于自然土壤；復(fù)墾土壤其含水率及有機(jī)質(zhì)、全氮等含量偏低。

圖1 研究區(qū)概況Fig.1 Studyarea and soil sampling sites

表1 土壤屬性描述性統(tǒng)計(jì)Table 1 Descriptive statistics of soil properties

1.2 光譜數(shù)據(jù)采集與處理

1.2.1 光譜數(shù)據(jù)采集

利用美國(guó)ASD FieldSpec 4 便攜式地物光譜儀（波譜范圍為350 ～2 500 nm）獲取土壤光譜反射率數(shù)據(jù)。 為降低光照強(qiáng)度、入射角度對(duì)光譜數(shù)據(jù)獲取的干擾，實(shí)驗(yàn)于無光暗室中進(jìn)行，并保證光纖鏡頭與均勻鋪滿培養(yǎng)皿的樣品垂直。 測(cè)量前，將儀器預(yù)熱半小時(shí)，避免輻射照度在光譜連接處出現(xiàn)臺(tái)階跳躍；測(cè)量時(shí)，每采集10 個(gè)土壤樣品進(jìn)行1 次白板校正。 每個(gè)樣本獲取20 條光譜數(shù)據(jù)，剔除噪聲較大的曲線及光譜兩端噪聲較大的波段（350 ～399 nm、2 451～2 500 nm），取平均值作為實(shí)際獲取的土壤光譜數(shù)據(jù)。 潮濕土壤光譜數(shù)據(jù)獲取完成后，將土壤風(fēng)干、研磨后過尼龍百目篩，并使用與獲取潮濕土壤光譜數(shù)據(jù)相同的實(shí)驗(yàn)條件獲取風(fēng)干土壤光譜數(shù)據(jù)［14］。

1.2.2 光譜預(yù)處理

1）平滑去噪。 由于試驗(yàn)環(huán)境及儀器在不同波段對(duì)能量響應(yīng)上的差異等偶然因素影響，導(dǎo)致獲取的光譜數(shù)據(jù)存在一些噪聲，通過不同的數(shù)據(jù)預(yù)處理方法可以有效地降低噪聲。 筆者采用S-G 卷積平滑方法對(duì)光譜曲線進(jìn)行平滑去噪，其原理是利用多項(xiàng)式對(duì)光譜移動(dòng)窗口內(nèi)的數(shù)據(jù)進(jìn)行因式分解，并且運(yùn)用最小二乘法進(jìn)行線性擬合，將得到的結(jié)果作為原始光譜。

2）光譜變換。 由于所得光譜數(shù)據(jù)存在誤差，致使光譜數(shù)據(jù)與研究對(duì)象之間的相關(guān)性較低，通過不同的光譜變換可以有效的去除背景的影響，分離重疊峰。 本文采用一階微分變換、連續(xù)統(tǒng)去除變換及吸光度變化，其計(jì)算公式如下：

式中，R（λi） 和R（λi-1） 分別為波長(zhǎng)λi和λi-1處的光譜反射率；i為波長(zhǎng)；R′（λi） 為波長(zhǎng)λi處的一階微分光譜；Δλ為波長(zhǎng)λi-1到λi的間隔；R（λci） 為波長(zhǎng)λi連續(xù)統(tǒng)去除變換后的值，Rstart為起點(diǎn)波段的反射率值；λstart為起點(diǎn)波段的波長(zhǎng)值；K為起點(diǎn)波段到終點(diǎn)波段的直線斜率；A（λi） 為波長(zhǎng)λi處的吸光度。

3）中心化處理。 中心化處理的目的是讓遠(yuǎn)離均值的光譜數(shù)據(jù)和接近均值的光譜數(shù)據(jù)具有相同的比重，通過引入中心化矩陣C：

式中：E為n階單位矩陣，n為樣本個(gè)數(shù)；λ為所有元素均為1 的（1×n）列向量。 將所求得的中心化矩陣C與光譜矩陣相成即得到中心化光譜矩陣。

1.3 水分影響校正

在水分影響校正之前，將樣本分為建模集（50個(gè)）用于標(biāo)定輻射傳輸模型和DS 算法，驗(yàn)證集（12個(gè)）用做獨(dú)立驗(yàn)證。

1.3.1 輻射傳輸模型

NOLET 等［15］提出的比爾-朗伯定律構(gòu)建出指數(shù)模型表征土壤水分對(duì)光譜反射率的影響。

其中，RWet為濕潤(rùn)土壤表面反射率；RDry為風(fēng)干土壤表面反射率；c（λ） 為純水的吸收系數(shù)，表征土壤含水率與土壤光譜反射率之間的系數(shù)，cm-1；d為光程長(zhǎng)度，cm。 由于這個(gè)理論模型不能表征土壤含水率與光譜反射率之間的關(guān)系，本研究將式（4）改寫為如下形式：

式中，α（λ） 為土壤水分含量改變引起土壤光譜反射率改變的速率—衰減系數(shù)（Attenuation constant，AC），無量綱；SMC （Soil Moisture Content）為土壤含水率，%。 將式（6）表達(dá)成衰減系數(shù)的函數(shù)為

綜上，RWet、RDry以及SMC 均可通過采樣獲取，結(jié)合式（7）即可計(jì)算出α（λ） 。 則去除水分影響的光譜RAC可以表示為

1.3.2 直接標(biāo)準(zhǔn)化算法

直接標(biāo)準(zhǔn)化（Direct Standardization，DS）算法是一種常用的高光譜模型傳遞模型，最初用于不同光譜儀器之間的校正，現(xiàn)多用于不同樣本和環(huán)境條件下（如粒徑大小、表面粗糙度、溫度等）的光譜校正［16-17］。 通過建立風(fēng)干前后光譜之間的轉(zhuǎn)換矩陣，建立校正模型：

式中，SDry-a和SWet-a分別為風(fēng)干土壤光譜矩陣和濕潤(rùn)土壤光譜矩陣在每個(gè)波段平均值組成的列向量。

為便于區(qū)分土壤光譜類型，未進(jìn)行水分剔除的土壤光譜記為SoilWet；經(jīng)過輻射傳輸模型校正的土壤光譜記為SoilAC；經(jīng)過DS 算法校正的土壤光譜記為SoilDS；風(fēng)干后的土壤光譜記為SoilDry。

1.4 特征波段的選取

土壤高光譜數(shù)據(jù)量大，相鄰波段數(shù)據(jù)冗余且存在大量的無用信息，通過不同的特征波段篩選可以有效地降低光譜數(shù)據(jù)間的高度共線問題，提高預(yù)測(cè)模型的精度。 本研究采用皮爾森相關(guān)系數(shù)（Pearson Correlation Coefficient，PCC）、連續(xù)投影算法（Succes?sive Projections Algorithm， SPA）及其組合算法PCC-SPA 進(jìn)行特征波段篩選。 PCC 是一個(gè)線性相關(guān)的系數(shù)，用于反映2 個(gè)變量之間的相關(guān)程度。 結(jié)果取值區(qū)間為［-1， +1］，其中，-1 表示完全負(fù)相關(guān)；+1表示完全正相關(guān)；0 表示不線性相關(guān)，其絕對(duì)值的大小表示兩變量之間相關(guān)性的強(qiáng)弱［18］。 SPA 是一種正向選擇的方法，基于RMSE 最小化原則，選擇共線性和冗余度最低的變量為最佳變量。 通過不斷循環(huán)計(jì)算一個(gè)波長(zhǎng)在其余波長(zhǎng)上的投影，篩選出具有代表性的少數(shù)特征波段，最大程度消除波段中的冗余信息［19］。

1.5 模型建立與精度驗(yàn)證

BP 神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Networks，BPNN）是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)。 通過不斷地將誤差分布到每一層“神經(jīng)元”中，直到神經(jīng)網(wǎng)絡(luò)的誤差達(dá)到一個(gè)可接受的范圍，從而實(shí)現(xiàn)因變量的回歸。 解決了以感知器為基礎(chǔ)的網(wǎng)絡(luò)算法存在的不足和問題，具有較強(qiáng)的運(yùn)算能力能夠處理較為復(fù)雜的非線性問題［20］。

模型精度評(píng)價(jià)的指標(biāo)選取決定系數(shù)（R2）、相對(duì)分析誤差（RPD）和均方根誤差（RMSE）衡量。 其中R2和RPD 用于評(píng)價(jià)建立模型的穩(wěn)定性，其值越大表明建立的模型越穩(wěn)定；RMSE 用于估算模型中預(yù)測(cè)值與真實(shí)值的偏差，數(shù)值越小表明模型的預(yù)測(cè)能力越好［21］。

2 結(jié)果與分析

2.1 土壤水分對(duì)光譜的影響分析

2.1.1 不同水分條件下的復(fù)墾土壤光譜反射特征

綜合考慮本研究數(shù)據(jù)，結(jié)合前人的研究，將62個(gè)土壤樣本按含水率大小分為5 個(gè)區(qū)間，分別記為W1～W5，再對(duì)每類土壤光譜反射率做均值處理，得到不同水分條件下的土壤光譜反射率，如圖2 所示。圖2 中陰影部分表示不同水分條件下的顯著性差異波段。 圖2a 為不同水分條件下的平均反射率及標(biāo)準(zhǔn)偏差，以張娟娟［22］、張潁帝［23］等自然土壤光譜曲線為參照光譜，風(fēng)干后復(fù)墾土壤反射率整體偏高，這可能是由于復(fù)墾土壤容重較大，土壤顆粒間隙較小，導(dǎo)致光譜反射率整體偏高，自然土壤中腐殖質(zhì)含量較高，其呈黑色增加了對(duì)光譜的吸收作用［24］，因此導(dǎo)致土壤反射率差異較大。 兩種土壤光譜在可見光波段內(nèi)存在明顯差異：自然土壤在波長(zhǎng)500、700 nm附近其光譜反射率增長(zhǎng)率降低但復(fù)墾土壤在波長(zhǎng)600、800 nm 附近增長(zhǎng)速度明顯減弱。 這可能是由于復(fù)墾后的土壤粉、砂含量較高，致使吸收特征出現(xiàn)向右偏移現(xiàn)象［25］。 兩種土壤光譜曲線在近紅外波段內(nèi)無明顯差異，均在波段2 100～2 450 nm 內(nèi)光譜反射率呈現(xiàn)單調(diào)遞減趨勢(shì)。 受土壤水分影響，濕土光譜反射率較低。 這是由于當(dāng)入射光射入或反射到土壤顆粒表面時(shí)，附著于土壤顆粒表面的水分產(chǎn)生了吸收作用。 不同水分條件下各土壤光譜曲線近似平行，吸收峰位置大致相同，但不同水分條件下各吸收峰深度不同。 與自然土壤相比，未風(fēng)干的復(fù)墾土壤其光譜曲線更為平緩，在可見光-近紅外的增長(zhǎng)緩慢，但在波段為2 100～2 450 nm 兩種土壤光譜曲線遞減速度一致。

由于原始光譜數(shù)據(jù)不能很好地顯示光譜的吸收特征，常常采用連續(xù)統(tǒng)去除變換突出光譜曲線吸收和反射特征。 圖2b 為不同水分條件下連續(xù)統(tǒng)去除的平均反射率，由圖2b 可以看出，不同水分條件下的光譜吸收差異主要集中于波長(zhǎng)1 450 nm 和1 950 nm 附近，與風(fēng)干后的土壤光譜相比，濕土光譜的吸收峰更寬、更深，吸收效果更明顯。 對(duì)風(fēng)干前后土壤光譜的連續(xù)統(tǒng)去除變換光譜進(jìn)行配對(duì)樣本t檢驗(yàn)，結(jié)果如圖2b 陰影部分所示。 圖2b 中陰影部分為不同含水率區(qū)間在a＝0.05 顯著水平下光譜之間存在顯著差異的波段。 在不同水分條件下兩種光譜之間最明顯的區(qū)別在于近紅外波段內(nèi)的兩個(gè)主要水吸收波段，其中1 950 nm 的差異波段較為穩(wěn)定，對(duì)水分的擾動(dòng)更為敏感。 在波長(zhǎng)1 000 nm 和2 200 nm 附近的部分波段也存在明顯差異，波長(zhǎng)1 000 nm附近的差異可能是由于土壤中的羥基引起的，波長(zhǎng)2 200 nm 附近的差異則可能是受氫氧化鋁黏土礦物吸收帶的影響，這與JI 等［26］的研究結(jié)果相似。

圖2 不同水分條件下的土壤光譜反射特征Fig.2 Characteristics of soil spectral reflectance under different moisture conditions

2.1.2 土壤含水率對(duì)復(fù)墾土壤光譜吸收特征影響分析

為更好分析土壤水分對(duì)光譜吸收特征的影響，提取原始光譜1 450 nm 與1 950 nm 處吸收峰的8種吸收特征參數(shù)： 吸收波段波長(zhǎng)位置P、深度H、寬度W、斜率K、對(duì)稱度S、總面積A、左半邊面積A1、右半邊面積A2。 圖3 為兩水分吸收峰同一特征參數(shù)散點(diǎn)圖，其分布情況在一定程度上體現(xiàn)了參數(shù)之間的相關(guān)性強(qiáng)弱，顏色深淺代表含水率的大小。 不同水分條件下：P1450主要分布在1 410～1 460 nm，且隨著含水率的升高逐漸“右移”，P1950主要分布在1 920～1 935 nm，其分布服從正態(tài)分布，與含水率相關(guān)性較低；H1450與H1950相關(guān)性較強(qiáng)，當(dāng)含水率相近時(shí)兩者比值大小相似；吸收波段寬度與土壤含水率相關(guān)性較低，但當(dāng)W1450超過300 nm 時(shí)，W1950的大小隨著含水率的增大而減小；K1450與含水率及W1950負(fù)相關(guān)，當(dāng)K1450為正值時(shí)1 950 nm 處吸收谷兩端較為平緩，當(dāng)K1450為負(fù)值時(shí)1 950 nm 處吸收谷兩端反射率大小相差較大；S1450與S1950分布較為分散，兩者之間相關(guān)性較低，在不同水分條件下分布無序；A、A1、A2兩兩間相關(guān)性較強(qiáng)，1 450 nm 處的吸收面積明顯小于1 950 nm，當(dāng)含水率較低時(shí)A11450與A11950變化較大，當(dāng)含水率較高時(shí)A11450與A11950大小變化不明顯。兩水分吸收谷同以吸收參數(shù)間擬合效果最好的是H，其次是K、A、A2，R2均超過0.7；擬合效果最差的是S，R2僅為0.223。

圖3 土壤含水率與光譜吸收特征參數(shù)擬合Fig.3 Fitting of soil moisture content and characteristic parameters of spectral absorption

2.2 土壤水分影響剔除

傳輸樣本的個(gè)數(shù)直接決定了剔除效果的好壞，圖4 為不同傳輸樣本個(gè)數(shù)下，剔除水分影響后與干土光譜曲線的平均相關(guān)性曲線圖。 由圖4 可知，當(dāng)傳輸樣本為5 個(gè)時(shí)，剔除過程中丟失了部分光譜信息，兩種算法剔除后的結(jié)果較差。 隨著傳輸樣本的增加，剔除水分影響后的光譜曲線與干土的相關(guān)性逐漸增強(qiáng)，當(dāng)傳輸樣本大于20 時(shí)，相關(guān)性超過0.9，表明剔除水分影響后的光譜曲線可以很好地描述干土的光譜特性；當(dāng)傳輸樣本大于35 時(shí)，隨著樣本的增加，相關(guān)性提升不明顯。

圖4 不同傳輸樣本個(gè)數(shù)對(duì)剔除效果的影響Fig.4 The influence of different number of transmitted samples on the elimination effect

吸光度指通過土壤前的入射光強(qiáng)度與土壤后的透射光強(qiáng)度比值的對(duì)數(shù)，是土壤學(xué)中常用的參數(shù)之一，用來衡量光被吸收程度的一個(gè)物理量［27］。 不同水分及水分剔除后的土壤平均吸光度如圖5 所示。由圖5a 可知，不同含水率條件下的土壤吸光度近似平行，隨著含水率的增加，土壤吸光度先升高后降低。 風(fēng)干前后的土壤在可見光波段均有較強(qiáng)的吸收，通常認(rèn)為光譜在可見光的吸收是由有機(jī)質(zhì)和Fe2+、Fe3+、Cu2+等金屬離子游離和跳躍引起的。 風(fēng)干前后的光譜吸光度由于土壤水分的影響導(dǎo)致在數(shù)值上有較大的差異，光譜經(jīng)過剔除水分影響算法校正后，差異性明顯降低，說明兩種算法均能很好地剔除水分對(duì)光譜的影響。 圖5 中B 和C 區(qū)間為2 種算法在水分影響較大波段（1 350～1 500 nm、1 850～2 000 nm）的平均吸光度，由圖5 可知輻射傳輸模型校正后的平均吸光度與干土的平均吸光度近乎重合，說明衰減系數(shù)能夠很好地描述土壤水分對(duì)光譜的影響，輻射傳輸模型的剔除效果更理想。

圖5 不同水分條件下的土壤平均吸光度Fig.5 Soil average absorbance under different moisture conditions

2.3 水分影響剔除下的復(fù)墾土壤屬性（以全氮為例）高光譜反演

2.3.1 特征波段篩選

分別采用PCC、SPA、PCC-SPA 作為特征波段的篩選方法，其中PCC 以相關(guān)性較強(qiáng)的波段（｜PCC ｜≥0.25 且在顯著水平a＝0.05 水平上顯著）作為特征波段。 表2 為不同波段篩選的結(jié)果，由表2 可知，SPA 算法篩選出的特征波段均位于450、850、1 350、1 480、1 900 及2 200 nm 附近。 450 nm 附近的特征波段與盧艷麗等［28］認(rèn)為的土壤全氮敏感區(qū)間一致；850、1 350 及1 480 nm 與宋雪等［29］認(rèn)為的土壤全氮特征波段一致；1 900 nm 與2 200 nm附近的特征波段與王海江等［25］的土壤全氮相關(guān)系數(shù)峰值相近。復(fù)墾土壤全氮的特征波段均與自然土壤的特征波段區(qū)間大致相同，僅部分近紅外特征波段位于自然土壤的相關(guān)系數(shù)峰值附近。 此外，SPA 算法可以大大地降低土壤高光譜變量維度和計(jì)算復(fù)雜程度，挑選出的特征波段低于原波段的3%，極大地簡(jiǎn)化了建立模型參數(shù)。 與SPA 相比，PCC-SPA 篩選出的波段個(gè)數(shù)更少，且大都具有更低的最小RMSECV。 這可能是由于SPA 算法篩選出的特征波段中存在部分與土壤全氮不相關(guān)的冗余信息，從而降低了SPA 相應(yīng)的模型預(yù)測(cè)精度。 PCC-SPA 篩選前的波段均為與土壤全氮相關(guān)性較高的波段，篩選后的結(jié)果在保留了原波段信息的基礎(chǔ)上，降低了PCC 篩選結(jié)果的共線性，提高了模型的預(yù)測(cè)精度。

表2 基于SPA 下的不同光譜數(shù)據(jù)的特征波段、運(yùn)行次數(shù)及最小RMSECVTable 2 Characteristic bands， number of sampling runs and minimal RMSECV under SPA

2.3.2 反演模型建立

依據(jù)上述分析，以特征波段為自變量，土壤全氮含量為因變量，采用BP 神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型，結(jié)果見表3。 由表3 可知，不同土壤光譜數(shù)據(jù)建立的土壤全氮預(yù)測(cè)模型精度差異較大，這是由于SoilWet預(yù)測(cè)時(shí)省去風(fēng)干、研磨及過篩一系列預(yù)處理，受土壤水分等影響增加了光譜信息特征提取難度，但總體趨勢(shì)一致，即SoilDry＞SoilAC＞SoilWet。 SoilWet建立的模型R2不超過0.72，只能估測(cè)土壤全氮含量的高低；SoilDry建立的模型R2最高超過0.86，能夠準(zhǔn)確預(yù)測(cè)土壤中全氮含量。 經(jīng)過輻射傳輸模型進(jìn)行水分影響算法剔除后模型預(yù)測(cè)能力顯著提升，建立的預(yù)測(cè)模型R2最高超過0.83，與SoilDry相差不超10%，說明利用輻射傳輸模型可以有效剔除土壤水分對(duì)光譜的影響，提高土壤全氮預(yù)測(cè)能力。

表3 土壤全氮含量估測(cè)模型的預(yù)測(cè)結(jié)果Table 3 The prediction results of soil total nitrogen content estimation model

通過對(duì)比不同波段篩選方法的結(jié)果，PCC 篩選出的特征波段數(shù)量較多、冗余度較大，其建立的預(yù)測(cè)模型精度最低；SPA 算法在篩選過程中極大地降低了變量之間的共線性，但是不可避免地引入無關(guān)變量，較PCC 建立模型的預(yù)測(cè)精度有所提升，但模型R2提升不超過10%，提升效果不明顯；將兩種算法耦合得到的PCC-SPA 算法建立的模型精度顯著提升，R2提升超33%，可以有效地避免無關(guān)變量的同時(shí)極大地減少變量間的冗余度，在優(yōu)化模型參數(shù)的同時(shí)提高模型的穩(wěn)健性。

3 討 論

土壤養(yǎng)分作為評(píng)定復(fù)墾土壤質(zhì)量的重要指標(biāo)之一，其傳統(tǒng)檢測(cè)方式成本高、效率低、無法大面積獲取，而高光譜以其快速，無損檢測(cè)已廣泛應(yīng)用到土壤屬性預(yù)測(cè)中。 然而受土壤水分的影響，土壤野外原位測(cè)量的預(yù)測(cè)精度通常不能滿足需要，基于此本文以淮北市某復(fù)墾區(qū)為研究對(duì)象，采用統(tǒng)計(jì)學(xué)方法分析不同含水率的影響波段，并利用DS 算法及輻射傳輸模型成功剔除水分對(duì)土壤光譜的影響，結(jié)合PCC、SPA 算法，分析不同水分條件下土壤全氮特征波段，建立了BP 神經(jīng)網(wǎng)絡(luò)回歸模型，獲得了較好的反演效果，為復(fù)墾土壤原位檢測(cè)提供技術(shù)支持與理論支撐。

文中根據(jù)土壤含水率大小將樣本分為5 個(gè)含水率梯度并求得不同土壤含水率下的土壤平均光譜反射率，隨著土壤含水率的增加，土壤反射率逐漸降低，將不同含水率區(qū)間土壤樣本分別進(jìn)行了配對(duì)樣本t檢驗(yàn)，得到了不同含水率下的影響波段。 在不同的含水率條件下，水分對(duì)光譜的影響波段不盡相同，但在波長(zhǎng)1 000、1 450、1 950 nm 和2 200 nm 附近都存在明顯差異波段，這與JI 等［26］的研究結(jié)果相似。 通過對(duì)比不同含水率下的顯著差異性波段可以看出W1、W5在可見光部分差別較大。 當(dāng)土壤含水率較低時(shí)，由于有機(jī)質(zhì)中存在大量的親水膠體腐植酸，其孔隙較多，當(dāng)有機(jī)質(zhì)孔隙中的水分對(duì)光譜響應(yīng)時(shí)，在一定程度上增加有機(jī)質(zhì)的光譜響應(yīng)，從而造成在可見光波段的差異；當(dāng)土壤含水率較高時(shí)，土壤水分會(huì)完全掩蓋土壤有機(jī)質(zhì)、全氮及鐵氧化物等光譜特征，從而造成在可見光波段的差異，這與王淼等［30］、尚璇等［31］的研究結(jié)果相似。 因此，去除土壤水分對(duì)光譜的影響就顯得尤為必要。

對(duì)比復(fù)墾土壤風(fēng)干前后模型預(yù)測(cè)能力，土壤水分對(duì)復(fù)墾土壤的預(yù)測(cè)精度影響較大。 復(fù)墾土壤風(fēng)干前后預(yù)測(cè)精度相差0.25，比BUDIMAN 等［32］自然土壤的研究結(jié)果高20%，說明土壤水分對(duì)復(fù)墾土壤屬性預(yù)測(cè)影響更大，這可能是由于復(fù)墾土壤粉、砂含量較高。 MARKUS 等［33］認(rèn)為較粗質(zhì)地的土壤比較細(xì)質(zhì)地的土壤受土壤水分的影響更大。 復(fù)墾土壤水分影響剔除后，模型預(yù)測(cè)精度平均提升超0.14，比BU?DIMAN 等［32］自然土壤的結(jié)果高29%。 復(fù)墾土壤剔除效果明顯高于自然土壤也說明土壤水分對(duì)復(fù)墾土壤影響更大。 自然土壤篩選出的全氮特征波段主要位于400～1 400 nm，本研究篩選出的特征波段部分位于2 000 nm 附近，這可能是由于復(fù)墾土壤在可見光波段的光譜信息不足以表征全部土壤全氮光譜信息。

近年來，隨著高光譜遙感的發(fā)展，實(shí)驗(yàn)室光譜已取得了較高的預(yù)測(cè)精度，對(duì)于某些土壤成分，預(yù)測(cè)模型的R2超過0.95［34］，但由于野外環(huán)境較為復(fù)雜，原位監(jiān)測(cè)精度較低，如何降低野外環(huán)境之間的差異性就顯得尤為必要。 在本研究中，利用風(fēng)干前后的土壤光譜數(shù)據(jù)，基于輻射傳輸理論與DS 算法去除土壤水分影響，并以土壤全氮為例建立土壤屬性預(yù)測(cè)模型，所建立的模型具有較高的穩(wěn)定性與預(yù)測(cè)能力，該思路可為今后研究提供理論基礎(chǔ)與技術(shù)參考。 然而，本研究還存在不足之處：土壤的光譜性質(zhì)不僅僅受到土壤水分的影響，土壤粒徑大小，表面粗糙度等都會(huì)對(duì)土壤光譜特征產(chǎn)生影響。 因此，在接下來的研究中將考慮更多的影響因素，提高復(fù)墾土壤原位監(jiān)測(cè)的預(yù)測(cè)精度。

4 結(jié) 論

1）與自然土壤相比，復(fù)墾土壤光譜反射率偏高，且在可見光波段存在明顯差異，部分吸收特征存在“右移”現(xiàn)象，在近紅外波段光譜兩種土壤光譜差異較小，光譜曲線近似平行。

2）通過配對(duì)樣本t檢驗(yàn)得到不同水分條件下的影響波段，不同水分條件下的影響波段不同但在1 000、1 450、1 950 和2 200 nm 附近存在顯著性差異波段，當(dāng)含水率較低或過高時(shí)還會(huì)引起可見光波段的光譜差異。

3）利用輻射傳輸模型和DS 算法可以有效地去除土壤水分對(duì)光譜的影響，剔除無用水分光譜信息。由于考慮到不同含水率對(duì)土壤光譜的影響不同，輻射傳輸模型的校正效果更接近于風(fēng)干后的土壤光譜，在波長(zhǎng)1 450 nm 和1 950 nm 附近的水分吸收谷都有更好的校正效果。

4）通過將篩選出的特征變量為輸入量，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型，建立土壤全氮預(yù)測(cè)模型。 受土壤水分影響SoilWet建立模型的R2最高為0.718，土壤風(fēng)干后SoilDry建立模型的R2提高至0.863，采用輻射傳輸模型對(duì)濕土土壤光譜矯正后建立模型的R2提高至0.837，模型精度提升超15%，說明利用輻射傳輸模型剔除濕土光譜中土壤水分影響，實(shí)現(xiàn)煤礦復(fù)墾土壤屬性預(yù)測(cè)是可行的。