土壤有机质可见-近红外反射光谱特性研究

摘要：为优化土壤有机质含量预测模型运算速度，以50份土壤有机质为例，利用Pearson相关系数分析法对土壤有机质的特征波段进行提炼筛选。结果表明，土壤样品的反射光谱与土壤有机质含量在555～662 nm波段范围内呈较强负相关，显著特征波段为601 nm；经过不同预处理后的土壤反射光谱与土壤有机质含量呈较强的相关性，显著特征波段增加，主要体现在601、1 221、1 410、1 665、1 880、2 110、2 200 nm波段附近。对不同土壤含水率的反射光谱与土壤有机质含量之间的Pearson相关曲线进行分析发现，显著特征波段主要体现在601、1 450、1 930、2 200 nm波段附近，随着土壤含水率的增加，土壤有机质的特征波段601 nm的相关性逐渐减弱，土壤水分的特征波段1 450、1 930、2 200 nm的相关性逐渐加强；土壤含水率超过10%，土壤反射光谱与土壤有机质含量呈正相关。研究获取的土壤有机质特征波段和土壤水分影响波段，为土壤有机质快速检测模型的建立提供理论支撑。

关键词：土壤有机质；可见-近红外反射光谱；Pearson相关系数；土壤水分

doi：10.13304/j.nykjdb.2023.0309

中图分类号：X836；O657.33 文献标志码：A 文章编号：1008‑0864（2024）07‑0183‑06

可见-近红外光谱作为一种快速无损检测技术，在土壤有机质（soil organic matter， SOM）检测分析中广泛应用[1‑2]。通过建立土壤反射光谱与土壤有机质含量的定量分析模型，可实现快速筛查和定量分析。为提高模型的运算速度，土壤有机质特征波段的提炼筛选是一项重要的研究工作[3]，目前仍处于探索阶段。Kirshnan等[4]通过建立1 130、1 350、1 398和2 210 nm波段处与土壤有机质含量的多元线性回归方程，得出相关系数为0.934；Wu 等[5] 通过一阶导数分析得出，800～1 400、1 600～1 700、2 100～2 200、2 300～2 500 nm波段与土壤水分相关性弱，而与SOM光谱信息相关性强；Wang等[6]通过二维相关同步光谱分析得出，600和1 660 nm附近波段是SOM的特征波段；李阳等[7]分析不同有机质含量土样的光谱特性得出，SOM在400～842 nm波段范围与反射率具有较高的相关性，相关系数最大值出现在588 nm；谭洋等[8]采用标准正态变量变换-连续小波变换法分解土壤光谱反射率得出，SOM在450、580和820 nm附近的波段属于主要特征波段范围，超过1 400、1 495、2 210、2 420 nm属于SOM的特征波段；曹永研等[9]分析水分和粒径对SOM预测模型的影响，并结合化学键特性，确定8个特征波长（932、999、1 083、1 191、1 316、1 356、1 583、1 626 nm）所建立的模型具有较好的适用性和预测效果；张笑寒等[10]分析得出，比值指数、归一化指数、重归一化植被指数和修正简单比值指数4种光谱指数在离散小波变换各种分解尺度下的SOM敏感波段都集中在短波红外区域，主要集中在1 200、1 400、1 600、2 400 nm附近，表明光谱输入量结合离散小波变化预测SOM含量是可行的；张俊华等[11]采用分数阶微分联合优化光谱指数分析低肥力地区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，能够有效消除土壤水分敏感波段1 400 和1 900 nm处的干扰。特征波段提炼筛选能有效地提高SOM含量的可见-近红外光谱预测模型速率。

本研究以SOM 含量为例，通过皮尔逊（Pearson）相关系数，研究可见-近红外光谱范围内的反射光谱特征、土壤反射光谱与有机质含量的相关性，并研究土壤含水率反射光谱与SOM含量之间的相关性，得出土壤有机质的特征波段和土壤水分影响波段，以期为SOM快速检测模型的建立提供理论支撑。

1 材料与方法

1.1 试验材料

研究所用的50份土壤样品采自山西省中部（34°34'—40°44'N、110°14'—114°33'E），土壤类型为壤土。

1.2 试验方法

采集的土壤样品带回实验室，在自然条件下经风干、研磨、过2 mm孔筛。然后对土壤样品进行烘干，烘干条件为106 ℃、6 h。针对每份土壤样品，配制质量含水率为5%、10%、15%和17%的土壤样本，烘干土壤样本设置为空白对照组。

1.3 可见近红外光谱采集和SOM 含量测定

可见-近红外光谱采用FieldSpec 3 光谱仪（美国ASD 公司）进行光谱采集，波长范围350～2 500 nm，去除噪声较大的边缘波段350～400 和2 450～2 500 nm，保留信噪比高的400～2 450 nm波段进行数据分析。每个样品采集3次，每次采集3条光谱，进行算术平均后得到各样品的实际反射光谱数据。

SOM 含量测定参照NY/T 1121.6—2006[12]采用重铬酸钾法进行。SOM 含量范围为0.40%～7.92%，平均值为2.22%，标准偏差为1.22%。

1.4 光谱预处理与数据分析

为了减少背景噪声、基线漂移、杂散光等无用信息对原始光谱数据的干扰，对土壤反射光谱（reflectance， Ref）进行吸光度转化（transmission ofabsorbance log （1/T）， Abs）、标准正态变量变换（standard normal variate transformation， SNV）、基线校正（baseline offset）、一阶导数（first-order derivative，FD）、二阶导数（second-order derivative， SD）等光谱预处理（其中一阶导数和二阶导数采用2次多项式的求导模式，3点平滑数），进一步分析土壤反射光谱与SOM含量之间的响应关系。光谱数据预处理采用Unscrambler 9.7软件（挪威CAMO公司）。

使用Pearson相关系数描述不同土壤含水率条件下，土壤反射光谱与SOM含量之间的响应关系，并描述土壤含水率反射光谱与SOM含量之间的响应关系。

数据分析和图表制作采用Matlab R2015a和Excel 2010完成。

2 结果与分析

2.1 土壤的反射光谱与SOM 含量的Pearson 相关系数

图1是不同有机质含量的土壤样品的反射光谱曲线，土壤的原始反射光谱曲线的变化趋势基本相同，可以发现随着SOM含量的增加，土壤的光谱反射率并没有呈现下降或增加的趋势，变化趋势错综复杂；由图2 土壤样品的反射光谱与SOM 含量之间的Pearson 相关系数曲线可知，在400～1 015 nm波段范围内，其Pearson相关系数为负值，SOM含量与土壤样品的反射光谱呈现负相关，最大负相关系数为0.827；在1 016～2 450 nm波段范围内，其Pearson相关系数为正值，SOM含量与土壤样品的反射光谱呈现正相关，相关系数均小于0.3。在555～662 nm 波段范围内，Pearson相关系数绝对值呈现先上升后下降的趋势，由于400～554 nm波段范围噪声干扰大，因此相关系数最大绝对值出现在601 nm处（0.759），说明该波段范围能体现有机质的光谱信息，这个结果与二维相关同步光谱得出的SOM特征波段在600 nm处相吻合[6]。

2.2 不同预处理光谱与SOM 含量的Pearson 相关系数

不同预处理光谱对SOM 含量的响应有所差异。图3 是不同预处理的土壤样品反射光谱与SOM含量的Pearson相关系数曲线，对预处理的土壤反射光谱与SOM 含量之间的Pearson相关性进行分析，可以得到丰富的SOM光谱信息。土壤的反射率与吸光度具有对应关系，经吸光度转化法预处理过的光谱与SOM含量的Pearson相关系数曲线与反射光谱得到的曲线（图2）对称（图3A），对称轴是y=0。经SNV和Baseline offset预处理后，显著特征波段增加，主要原因是这2种预处理方法消除了颗粒分布不均匀与表面颗粒散射产生的影响，使得掩盖的部分光谱信息凸显出来；经导数预处理的土壤反射光谱与SOM含量相关的光谱信息逐渐凸显出来，主要原因是导数处理可以消除基线和基底背景的干扰，提高光谱分辨率和灵敏度，使得土壤反射光谱与SOM含量的相关光谱信息凸显（图3B、3C）。

经不同光谱预处理的土壤反射光谱与SOM含量之间的相关性见表1，土壤反射光谱和吸光度光谱与SOM含量的显著特征波段都是出现在601 nm 处，且相关系数均高于0.7；而SNV 和Baseline offset预处理的光谱，与SOM含量相关的波段相对增加，主要体现在1 410、1 880、2 110、2 200 nm等波段附近；一阶导数和二阶导数预处理的光谱，与SOM含量在550、647、1 655、1 435、2 192、1 221 nm波段附近出现较高的相关性（相关系数高于0.87），且550、647、1 655 nm与二维相关同步光谱得出的SOM特征波段600和1 660 nm相吻合[5]。通过光谱预处理，可以得出SOM的特征波段主要出现在601、1 221、1 410、1 665、1 880、2 110、2 200 nm波段附近。

2.3 不同含水率光谱与SOM 含量的Pearson 相关系数

不同含水率的土壤反射光谱与SOM含量的Pearson相关系数曲线如图4，从图中可以看出有4 处明显的凹凸点，分别在601、1 450、1 930、2 200 nm波段附近。针对烘干土壤样品的反射光谱，显著相关波段601 nm 处出现明显的低谷峰值，呈负相关；对于5%含水率土壤样品，没有出现显著的特征波段；对于10%、15%、17%含水率土壤样品，601 nm附近出现低谷峰值且呈现正相关，相关系数低于0.7，1 450、1 930、2 200 nm附近出现突出的峰值且呈正相关，相关系数高于0.7，得出随着土壤含水率的增加，601 nm附近的显著特征波段相关性逐渐减弱，而1 450、1 930、2 200 nm附近的特征波段相关性逐渐加强。

不同含水率的土壤反射光谱与SOM含量的相关性特征见表2，烘干土壤样品与SOM的显著特征波段在555～662 nm（400～554 nm范围处于噪声干扰波段），601 nm 处出现最高的负相关系数，为0.759，而10%、15%、17% 含水率土壤样品在1 930 nm附近出现最高的相关系数，得出土壤含水率超过10%，土壤反射光谱与SOM 含量呈正相关。

3 讨论

为提高SOM可见近红外光谱快速检测速率，提炼筛选土壤有机质特征波段是一项很重要的工作。本研究采用不同光谱预处理结合Pearson相关系数法，分析土壤反射率光谱与SOM含量的相关性，更加精确地找出SOM的特征波段，主要体现在601、1 221、1 410、1 665、1 880、2 110、2 200nm波段附近。本研究筛选的1 665、2 110、2 200nm这3个波段，在Wu等[5]采用一阶导数光谱预处理方法得出SOM 相关性强的800～1 400、1 600～1 700、2 10 0～2 200、2 300～2 500 nm波段范围内；601和1 665 nm这2个波段，与Wang等[6]通过二维相关同步光谱分析得出的土壤有机质特征波段一致；1 221和1 410 nm这2个波段，与张笑寒等[10]得出的SOM短波近红外敏感波段一致；1 880 nm这个波段，与丁海泉等[13]采用多元散射校正优选的定标波长1 870 nm 接近。因此，本研究得出的7个特征波段能体现SOM含量的光谱信息。

本研究分析了不同含水率的反射光谱与SOM含量之间的相关性，得出随着土壤含水率的增加，601 nm附近的显著特征波段相关性逐渐减弱，而1 450、1 930、2 200 nm附近的显著特征波段相关性逐渐加强，1 450 nm 波段附近是以羟基（-OH）为主的吸收带，1 930 nm波段附近是以层间水为主的H2O谱带[14]，说明随着土壤含水率的增加，土壤水分掩盖了SOM的特征波段，土壤水分对SOM 含量的检测造成干扰[15]。通过Pearson相关性得出的与土壤水分相关的3个波段，与二维同步相关光谱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，与SOM的特征波段1 410和2 200 nm存在交叉重叠。因此，当土壤含水率超过10 %，建议剔除1 410 和2 200 nm这2个波段，保留601、1 221、1 665、1 880、2 110 nm波段建立SOM含量的预测模型，以减少土壤水分对SOM含量预测模型的影响。

参考文献

［1］ 刘雪梅.近红外漫反射光谱检测土壤有机质和速效N的研究[J].中国农机化学报，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］ 刘振尧，温江北，高洪智，等.基于随机森林方法在土壤有机质近红外建模中的研究[J].现代农业装备，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，丁建丽，葛翔宇，等.基于稀疏网络的可见光/近红外反射光谱土壤有机质含量估算[J].激光与光电子学进展，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］ 李阳，刘新路，彭杰，等.基于可见光近红外光谱的南疆荒漠土壤有机质反演研究[J].土壤通报，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］ 谭洋，姜琦刚，刘骅欣，等.基于多尺度SNV-CWT特征的黑土有机质、水分、总铁及pH值估测[J].光谱学与光谱分析，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，杨玮，王懂，等.基于水分和粒度的土壤有机质特征波长提取与预测模型[J]. 农业机械学报，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］ 张笑寒，孟祥添，唐海涛，等.优化光谱输入量的土壤有机质随机森林预测模型[J].农业工程学报，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］ 张俊华，尚天浩，陈睿华，等.基于光谱FOD与优化指数的银川平原土壤有机质含量反演[J].农业机械学报，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，辛景树，田有国，等. 土壤检测 第6部分：土壤有机质的测定：NY/T 1121.6—2006[S]. 北京：中国标准出版社， 2006.

［13］ 丁海泉，卢启鹏，朴仁官，等.土壤有机质近红外光谱分析组合波长的优选[J].光学精密工程，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，万远，陈奕云，等.部分土壤重金属可见-近红外反射光谱特征及机理研究[J]. 光谱学与光谱分析，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］ 曾静，李光林，周胜灵.水分对近红外光谱检测紫色土有机质含量影响的研究[J]. 西南大学学报（自然科学版），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.水分对土壤近红外光谱检测影响的二维相关光谱解析[J].光谱学与光谱分析，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.

基金项目：国家重点研发计划项目（2021YFD1600602-09）；北京市农林科学院科技创新能力建设专项项目（KJCX20230309，KJCX20230817）。