利用高光谱和GF-1模拟多光谱进行土壤有机质预测和制图研究

利用土壤有机质(SOM)高光谱数据和模拟GF-1多光谱影像的波段响应函数生成的宽波段多光谱模拟数据,对比高光谱预处理和构建土壤植被指数,探索模拟GF-1光谱预测SOM的潜力。研究表明,SOM的一阶微分高光谱和模拟GF-1光谱数据构建的土壤指数与SOM的相关性最好。PLSR建模分析表明采用一阶微分高光谱数据可以很好的对SOM进行预,而且模型稳健(R2=0.962,RPD=4.87);模拟GF-1光谱也可以较好的进行SOM的预测,但是模型的稳定性相对较差R2=0.557,RPD=1.43。同时,SOM制图的空间分布表明,采用一阶微分光谱数据和模拟GF-1数据预测得到的SOM含量与实测的SOM表现出相似的空间分布特征。这为采用多光谱数据进行大尺度、大范围的SOM预测提供了基础。     

星载高分五号高光谱耕地主要土壤类型土壤有机质含量 估测——以黑龙江省建三江农垦区为例

为了评价国产星载高分五号(GF-5)高光谱影像估测土壤有机质(SOM)含量的潜力,以及不同土壤类型对SOM含量光谱估测精度的影响,本研究以黑龙江省建三江农垦区为研究对象,获取了覆盖研究区域的GF-5高光谱影像和188个土壤样本。对提取的样点GF-5光谱反射率数据进行了反射率倒数、对数、一阶微分等9种光谱数学变换,并采用相关系数法确定了SOM含量的光谱敏感波段。采用偏最小二乘回归(PLSR)线性统计建模方法,对研究区域全部土壤类型以及草甸土、沼泽土、黑土等主要土壤类型,分别构建了光谱全波段和敏感波段的SOM含量估测模型,并进行了精度评价。结果表明,基于GF-5光谱数据的研究区域全部土壤类型的SOM含量估测精度不理想,最优模型精度决定系数(R2)为0.265,均方根误差(RMSE)为4.647%,相对分析误差(RPD)为1.135;不同类型土壤在SOM含量光谱估测精度差异较大,草甸土和沼泽土的SOM含量估测精度不高,但黑土的SOM含量估测精度较高,其中全波段光谱反射率对数一阶微分(LnR)′的SOM含量估测精度最高,R~2=0.729,RMSE=1.065%,RPD=1.850,SOM含量估测模型可用。按照不同土壤类型构建SOM含量估测模型可以进一步挖掘GF-5高光谱遥感估测SOM含量的潜力。     

含水率对土壤有机质含量高光谱估算的影响

土壤含水率对有机质(soil organic matter,SOM)含量高光谱估算精度有很大的影响。为了探讨SOM高光谱估算中土壤含水率的影响,该文对烘干土、风干土和质量含水率为5%~40%(按5%递增)的土壤样本进行了室内高光谱测量,对光谱数据进行了反射率、反射率一阶导数和反射率倒数对数3种光谱数据变换,运用偏最小二乘回归法(partial least squares regression,PLSR)建立了相应的SOM估算模型。结果表明,风干土的SOM高光谱估算精度较好;当含水率水平小于25%时,SOM估算模型精度受含水率的影响较大,光谱数据进行反射率倒数对数变换后的模型精度最高;当含水率水平大于等于25%时,水分对土壤光谱反射率的影响要大于SOM,不适宜利用土壤光谱数据进行SOM含量高光谱估算。该研究可为大田环境不同含水率情况下光谱估算SOM提供参考。     

化肥减量和有机替代对潮土微生物群落分子生态网络的影响

采用细菌16S rRNA基因高变区和真菌ITS区的Illumina MiSeq高通量测序技术结合分子生态网络方法,分别测定了5种施肥处理（常量化肥,NPK;化肥减量,NPKR;化肥减量配施秸秆,NPKRS;化肥减量配施有机肥,NPKRO;化肥减量配施有机肥和秸秆,NPKROS）土壤中细菌和真菌的群落组成,构建可视化分子生态网络,并针对土壤有机质（soil organic matter,SOM）进行相关性网络分析,探究化肥减量和有机替代下土壤微生物群落分子生态网络及有机质相关性网络的变化特征。结果表明,化肥减量和有机替代显著提高了土壤SOM含量。与NPK处理相比,在细菌分子生态网络中,化肥减量和有机替代处理均增加了网络节点数和边数,降低了平均路径长度;在真菌分子生态网络中,NPKR处理提高了网络节点数和边数;有机替代处理增加了平均路径长度,降低了平均聚类系数;化肥减量和有机替代处理下与土壤SOM含量显著正相关的细菌菌群占比增加,真菌菌群占比降低。综上所述,化肥减量和有机替代能提高细菌分子生态网络规模和物种间传递物质、能量和信息的效率。化肥减量能提高真菌分子生态网络规模和群落互作,有机替代...     

黑土典型区土壤有机质遥感反演

土壤有机质（SOM）含量时空变异规律研究对于土壤肥力评价、土壤碳库估算、土壤资源利用与保护具有重要意义,而地貌、成土母质、土壤类型等差异、高光谱卫星影像较少等因素制约了区域尺度的SOM含量遥感反演方法研究的开展。该文以黑龙江省黑土带典型区为例,采集区域土壤样本,获取Landsat TM遥感影像,基于有机质含量与土壤反射率的定量关系,建立区域SOM遥感预测模型。结果表明：黑土区SOM含量高,一般大于2%,决定了有机质对土壤反射光谱特性的主要作用,而且该区SOM空间变异性显著,且耕作方式、气候等因素决定了裸土时间长,因而该区适于SOM含量遥感反演;有机质与TM各波段反射率均显著相关,最大相关系数在第3波段（0.63～0.69 μm）,为-0.710,其次为4波段（0.76～0.90 μm）,与实验室基于高光谱反射率数据分析的结果一致;基于TM影像2、3、4波段的SOM指数模型最优,预测精度高、稳定性好,可以用于揭示黑土典型区SOM含量的空间分布特征。该研究将为改进土壤理化参数遥感反演、土地质量评价、土壤碳库估算等工作方法提供理论与技术支持。     

基于热分析技术的土壤有机质含量和稳定性分析

土壤有机质(soil organic matter,SOM)含量及其稳定性是评价土壤质量的重要指标。传统的化学氧化技术测定SOM时可能氧化不完全,费时费力,容易污染实验室环境;干烧法(例如,元素分析法)分析成本高,而且化学氧化法和干烧法都难以提供SOM稳定性的信息。该文探讨应用热分析技术测定SOM含量及热稳定性的可行性。土壤样品采自位于湖南省宁乡县的稻田施肥长期定位试验,采用湿筛法将耕层土壤样品分为2、0.25~2、0.05~0.25以及≤0.05 mm 4个粒级团聚体,利用热重分析(thermogravimetry,TG)和差示扫描量热分析(differential scanning calorimetry,DSC)技术测定土体及团聚体中SOM含量和稳定性。结果表明:1)土壤中存在2类热稳定性不同的SOM:一类为热易分解型,分解温度为200~350℃;另一类为热稳定性型,分解温度为350~550℃;2)热分析技术测定的土体和团聚体中SOM质量分数范围为4%~8%,而元素分析仪得到的SOM质量分数范围约为3%~6%,热分析法结果比元素分析法的结果平均高估2.10百分点,但二者存在显著线性相关(r=0.88,P=0)。因此,可以利用该系数(2.10%)将热分析技术测定的SOM含量校正为元素分析法测定的结果;3)SOM的热稳定性可以用热易分解SOM占总SOM的比例(Exo1/Exot)和SOM分解一半时的温度(TG-T50)来表征,Exo1/Exot和TGT50呈良好的负相关(r=-0.95,P=0),但Exo1/Exot对SOM的热稳定性更加敏感,因此用Exo1/Exot表征SOM的热稳定性可能更为合理;4)Exo1/Exot与碳水化合物、烷烃类、芳香族的傅立叶转换红外线光谱吸光度以及土壤基础呼吸和微生物代谢熵q CO2呈显著正相关,说明SOM的热稳定性与化学稳定性、生物稳定性存在良好的一致性;5)长期有机肥和化肥配施显著提高了土体及各粒级团聚体的SOM含量,秸秆还田也具有较好的效果,但单施化肥无明显效果;0.25~2 mm粒级的团聚体是贮藏SOM的优势粒级,其次为2和≤0.05 mm的团聚体;6)对于同一粒级团聚体或土体,与单施化肥和不施肥相比,有机肥配施化肥和秸秆还田下的SOM热稳定性有降低趋势;尽管SOM热稳定性在各粒级团聚体和土体中存在一定差异,但是各施肥处理中没有一致规律。利用热分析技术测定SOM含量和热稳定性具有可行性,可以应用于研究农田管理措施对SOM含量和稳定性的影响和综合评价土壤质量。     

基于相似光谱匹配预测土壤有机质和阳离子交换量

土壤可见光-近红外波段光谱(350~2 500 nm)包含了大量的土壤属性信息,相同类型的土壤具有相似的光谱曲线特征,但相似光谱曲线是否具有相似的属性含量?探讨此问题可为土壤光谱库的应用提供依据,从而最终服务于快速获取土壤信息技术体系的构建。该研究以安徽宣城为研究区,根据母质、地形特征和土地利用等信息,采集91个典型土壤剖面,共含400个土壤发生层样品,测定了有机质(soil organic matter,SOM)和阳离子交换量(cation exchange capacity,CEC)含量,同时采用VARIAN公司的Cary 5000分光光度计测定了土壤光谱,并将光谱数据变换为反射率(R)、反射率一阶导数(FDR)和吸收度(Log(1/R))3种形式。该文采用光谱角(spectral angle mapper,SAM)、偏最小二乘回归(partial least square regression,PLSR)和SAM-PLSR(spectral angle mapper-partial least square regression,SAM-PLSR)3种方法预测土壤SOM和CEC。SAM方法是通过对测试集104个光谱曲线与参考集的296个光谱曲线进行相似性计算,并以此实现土壤SOM和CEC含量的预测。SAM-PLSR方法以SAM算法下的匹配结果作为建模样本建立PLSR模型和进行预测分析。结果表明,具有相似光谱曲线的土壤具有相似的SOM和CEC含量,SAM算法下相似光谱匹配可直接预测SOM(R2=0.78,RPD=2.17)和CEC(R2=0.82,RPD=2.41)。PLSR方法可很好地预测SOM(R2=0.87,RPD=2.77)和CEC(R2=0.87,RPD=2.59);相较之下,SAM-PLSR方法不仅可以更加准确预测SOM(R2=0.89,RPD=3.00)和CEC(R2=0.91,RPD=3.06),而且大大减少了建模样本的数量。该研究使可见光-近红外光谱可更加高效地用于土壤属性分析,并为土壤光谱数据库的建设及应用提供技术参考。     

湘西植烟土壤有机质和全氮时空变异特征研究

为揭示湖南省湘西州烟区土壤有机质(SOM)和全氮(TN)的时空变异特征和为合理施用有机肥和氮肥提供科学依据,采用经典统计学、地统计学和GIS等方法,对湘西州2000年和2015年植烟土壤SOM和TN时空变异特征进行了研究。结果表明:2015年SOM和TN平均含量较2000年分别增加了5.03g/kg和0.31g/kg,增幅分别达21.39%和21.99%,SOM和TN含量的最小值变小,变异系数、最大值和极差变大,Moran’sI指数标准化Z值下降,块金效应增加;SOM和TN含量"低""适宜"等级面积分别下降了3.42%、37.73%和2.04%、44.43%,"高""极高"等级面积分别增加了32.21%、8.94%和35.67%、10.80%。表明湘西植烟土壤SOM和TN含量和变异同时增加,SOM和TN空间自相关性减弱,随机变异性增强。植烟土壤SOM与TN含量表现出极显著的正线性相关,SOM的矿化释放是TN的一个主要来源。     

江苏省土壤有机质含量时空变异特征及驱动力研究

土壤有机质(SOM)含量是估算土壤碳储量、评价土壤肥力的重要指标,研究SOM时空演变对评估区域土壤固碳潜力,实现土壤可持续利用具有重要意义。以江苏省为例,利用全国第二次土壤普查资料和2006年采样数据,基于地统计学方法和GIS技术,对比研究了1980-2006年全省范围内表层(0~20 cm)SOM含量的时空变异特征及其驱动因子。结果表明:1980年和2006年江苏省SOM平均含量分别为16.55±8.50 g kg-1和18.31±8.32 g kg-1,变异系数分别为51.36%和45.44%。两个时期SOM的变异函数均符合指数模型,块金系数由51.85%增加为56.52%,变程由71.55 km减少至37.83 km,SOM含量的空间自相关性减弱,自相关距离减小。1980-2006年,SOM含量空间分布呈现出北增南减,沿江平原增,宁镇丘陵减,滨海平原基本持平的空间格局,增加幅度由北向南逐渐减小。SOM含量的初始值影响其空间格局的演变,总体上呈现初始SOM含量的高值降低、低值增加的趋势。肥料的大量使用在提高粮食产量的同时也增加了作物残茬和根系的生物量;秸秆还田的大力推行,使得大量的有机物质进入土壤,促进了SOM的累积。不同的土地利用变化对SOM含量变化的作用不同,土地利用方式转变成水田、旱地和林地促进了SOM的增加,而转变成荒地后导致SOM含量下降。     

基于SOM和NDVI的黑土区精准管理分区对比

根据土壤养分的空间异质性对耕地进行分区是实施变量施肥管理的关键环节,施肥的变量管理将减轻黑土区农业面源污染和土壤退化问题。该文以典型黑土区黑龙江省海伦市某合作社地块为研究对象,利用SPOT-6遥感影像提取归一化植被指数(normalized differential vegetation index, NDVI)、插值计算土壤有机质(soil organic matter,SOM),结合数字高程模型(digital elevation model,DEM),应用面向对象的分割方法,对研究地块进行分区,并应用莫兰(Morans)指数对分区结果进行评价,以期对比研究基于SOM空间插值与遥感信息的分区精度。结果表明:结合4期NDVI空间信息分区的精度最高;结合SOM、DEM、NDVI空间信息进行分区的精度次之;结合地形与SOM空间信息分区精度较低;仅根据SOM空间插值进行分区的精度最低。研究结果可为黑土区农田精准管理分区输入量的选择与多尺度分区提供思路,为实施田间精准追肥提供科学依据。     

基于神经网络优化算法的云南土壤有机质含量数字制图——以景洪市为例

  目的  利用自然成土作用变量,预测并制作栅格化的土壤有机质分布图,对发展热带数字化精细农业具有重要意义。  方法  使用2006年云南省景洪市测土配方样点数据,应用BP神经网络（BPNN）、基于强分类器算法的BP神经网络模型（BPNN-Ada）、基于粒子群算法优化的BP神经网络（PSO-BPNN）、基于遗传算法优化的BP神经网络（GA-BPNN）和多元线性回归（MLR）对土壤有机质的含量预测并进行空间化制图。  结果  ① 土壤样点X、Y坐标值能够有效提高算法精度且充分表现环境因子与土壤有机质空间分布上的协同关系。② 4种神经网络算法预测结果土壤有机质空间分布基本类似,均呈现南高北低的趋势。③ 研究区域内4种神经网络模型的在建模集拟合程度从高至低依此次为:BPNN-Ada > GA-BPNN > PSO-BPNN > BPNN,在建模集中PSO-BPNN和GA-BPNN与BPNN拟合精度一致,BPNN-Ada的拟合精度R2最高为0.98。在验证集的预测能力由高至低依次为:BPNN-Ada > GA-BPNN > PSO-BPNN > BPNN。BPNN-Ada有着最高的预测精度和算法稳定性:RMSE = 4.47、MAE = 3.3、MRE = 0.05、R2 = 0.976。  结论  在景洪地区进行土壤有机质神经网络建模时加入地理坐标能够有效提高模型精度,且基于学习规则的神经网络优化算法效果要优于优化初始权重和阈值的神经网络算法及传统的BPNN算法。     

黑土区田块尺度土壤有机质含量遥感反演模型

为了对田块尺度土壤有机质进行空间反演并提高模型精度和稳定性,该文以黑龙江省黑土带41.3 hm~2田块为例,获取2016年5月中下旬两期(受限于拍摄周期和天气原因而选择不同卫星影像,2016年5月17日Landsat 8影像和5月25日Sentinel-2A影像)裸土时期遥感影像和4 m分辨率DEM数据;分析单期影像与土壤有机质(soil organic matter,SOM)的关系,两期影像所包含的土壤含水量变化信息与地形因素对SOM预测模型精度的影响,建立基于BP神经网络的SOM遥感反演模型。结果表明:该田块内SOM含量差异较大;利用单期影像预测SOM时,基于红波段和785~899 nm波段建立的预测模型精度(建模均方根误差RMSE 1.033,检验RMSE 1.079)和稳定性(建模决定系数R2 0.677,检验R20.644)较高;两期影像时,基于红波段和1 570~1 650 nm波段建立的预测模型精度(建模RMSE 0.855,检验RMSE 0.898)和稳定性(建模R2 0.792,检验R2 0.797)显著提高;在两期影像模型基础上,加入地形因子作为输入量,模型精度(建模RMSE 0.492,检验RMSE 0.499)和稳定性(建模R2 0.917,检验R2 0.928)进一步提高。研究成果可为土壤碳库估算和农田精准施肥提供理论与技术支持。     

淮北平原土壤高光谱特征及有机质含量预测

以安徽省淮北平原的蒙城县为研究区,采集131个表层土壤(0～20 cm)样品。采用Cary 5000分光光度计测定土壤光谱反射率,分析该地区典型土壤类型的光谱特征,利用偏最小二乘回归方法建立土壤有机质光谱预测模型。首先比较不同光谱变换对土壤有机质含量光谱预测建模的影响;其次根据光谱相似性对土壤样品进行分类,比较不同土壤类型和不同光谱分类的有机质光谱预测精度。结果表明:①不同土壤有机质含量和不同土壤类型光谱曲线在整体波段范围内趋势基本一致;有机质含量与光谱反射率呈显著负相关;有机质含量越低,曲线特征差异明显,可能是受其他因素的影响;②土壤光谱反射率经倒数的对数处理后,有机质光谱建模的决定系数和相对分析误差均有所提高,均方根误差降低,模型预测效果较优;③按照光谱相似性分类后建立的有机质光谱预测模型,比按土壤类型建立的光谱预测模型精度明显提高。     

秸秆带状覆盖下培土对马铃薯产量与水分利用效率的影响

气候变化效应评估、土壤固碳潜力和肥力管理等,迫切需要详尽的土壤有机质（soil organic matter, SOM）空间分布信息。该文以江苏省第二次土壤普查的1 519个典型土壤剖面的表层（0～20 cm）SOM含量为例,选择1 217个样本为建模集,302个为验证集,选取年均温度、年均降雨、物理性黏粒和土壤pH值等因子进行SOM的地理加权回归（geographically weighted regression, GWR）建模。从建模集中分别随机抽取100%（1 217个）、80%（973个）、60%（730个）、40%（486个）,20%（243个）的样点,对比不同样点数量下GWR和传统全局回归模型的精度差异,并选择最优模型进行SOM空间预测制图。结果表明：1）江苏省SOM含量在不同空间尺度上存在极显著的空间自相关性。不同样点数量的建模集的全局自相关性和局部空间自相关聚类图结果相似。全局Moran''s I值介于0.25～0.61（P<0.001）。SOM含量空间分布以空间聚集特征为主,"高-高"聚集区主要分布在苏中和苏南地区,"低-低"聚集区主要分布在苏北地区。2）GWR建模结果均优于传统的传统全局回归建模,其残差在不同的空间尺度上均不存在空间自相关性。不同建模集的GWR的R2adj较全局建模均提高0.15～0.20,其AIC和RSS均比全局模型有大幅降低,为56.08～360.19和17.40～76.67。不同建模样本数量的GWR模型对SOM的解释能力差异较小。3）建模样点数量（除建模样本n=243）对GWR预测制图结果的精度影响不大,RMSE介于5.56～5.75 g/kg之间,MAE介于3.87～4.05 g/kg之间,R2介于0.52～0.48之间,均优于全部建模样点的普通克里格插值验证结果。该研究可为样点数较少的省级尺度地区SOM空间建模与制图提供借鉴。     

基于人工神经网络的土壤有机质含量高光谱反演

研究了土壤有机质含量与土壤高光谱之间的关系,在对原始光谱进行了预处理分析后,运用多元线性逐步回归法(MLSR)和人工神经网络法(ANN)建立了土壤有机质含量的反演模型,并对模型进行了验证。结果表明:人工神经网络所建立的反演模型普遍优于回归模型,网络集成模型优于单个BP网络模型,网络集成是提高反演模型准确性与稳定性的有效途径。网络集成模型为最优模型,总均方根误差为1.31,可以用于土壤有机质含量的快速测算。     

基于多光谱遥感图像的青海湖流域土壤有机质估算初探

土壤有机质是土壤固相部分的重要组成成分,也是陆地表层重要的碳库,其含量的快速、准确测定关乎农牧业生产活动安排与地表过程研究中关键参数的获取效率。为了探寻适合青藏高原高寒地区土壤有机质遥感反演的响应波段及遥感模型,实现区域像元尺度上的土壤表层有机质估算,本文利用Landsat8-OLI多光谱遥感数据与实地采样数据对青海湖流域表层(0～20 cm)土壤进行了有机质含量反演研究。结果表明:Landsat8-OLI影像的第5、6和7波段是青海湖流域土壤有机质含量的特征波段,基于这3个波段构建的土壤有机质遥感反演三元回归模型(R~2=0.704,P0.001),经实测点验证(RMSE=8.66)与相关文献研究结果验证(RMSE=8.85),精度高、稳定性强、预测趋势平稳。本研究不仅为高寒地区土壤有机质含量快速测定提供了一定的技术支持,也为高寒地区的碳库计算、土壤肥力评价、土壤碳循环、农作物估产、草地退化监测等提供了参考。     

艾比湖流域土壤有机质垂直空间变异特征

利用沿土壤深度方向的垂直滞后空间相关系数和经验正交函数分解方法研究了新疆艾比湖流域土壤有机质含量的垂直空间分布结构。结果表明:垂直滞后空间相关系数和经验正交函数分解方法能够有效分析空间区域土壤有机质垂直分布的相关性和空间异质性;垂直滞后空间正相关或负相关的集聚区域指示了相似或相反的有机质垂直分布模式,并且土壤有机质含量相关性随土层深度间隔增大而衰减;流域不同区域土壤有机质沿土层深度的垂直分布呈现分异特征,流域东部和西部地区有机质含量随土层深度增加而升高,但中部区域有机质含量随土层加深而降低,而且土壤有机质含量沿垂直方向递增或递减的速率在流域内亦表现出空间异质性。     

引入时相信息的耕地土壤有机质遥感反演模型

土壤有机质(soil organic matter,SOM)是土壤质量评价的重要指标。监测SOM含量及其空间分布对土壤利用与保护、土壤有机碳库估算等具有重要意义。该文以松嫩平原典型区为研究区,采集4种主要土壤类型样本共147个,获取裸土期多时相MODIS地表反射率8 d合成产品,以单期、多期影像所构建光谱指数作为输入量,构建包含含水量变化与有机质含量信息的多光谱指数,建立SOM线性回归遥感反演模型,揭示SOM空间分布规律。结果表明:由于土壤含水量空间差异随时间变化,基于单期影像构建的模型主要输入量发生规律性改变,其中年积日137 d裸土条件最好,反演模型最优;比值光谱指数R61与SOM显著相关,而和含水量相关性极小,适于作为反演模型输入量;基于多期影像构建的模型引入时相信息后,精度与稳定性较单期影像模型显著提高,其中基于年积日137、105 d两期影像光谱指数所建立的多元线性模型最优;松嫩平原SOM呈现由东北向西南递减趋势。     

有机质对土壤光谱特性的影响研究

为了探明土壤有机质的光谱特征及其影响作用,从而为有机质土壤铁氧化物的定量反演提供理论依据。利用去有机质前后土壤的光谱数据,研究了有机质对土壤反射率、土壤线参数、土壤铁氧化物定量反演的影响。研究结果表明,去除有机质后,能明显提高土壤反射率,变化最明显的为可见光橙黄光波段,即570～630 nm。相关性分析也显示橙黄光波段反射率的相对变化量或差值与有机质去除量之间的相关系数要比其他波段高,相关系数最大值在600 nm。因此,建议采用570～630 nm的光谱数据进行有机质的反演;土壤线斜率在去有机质后明显降低,截距显著增大,二者变化量与有机质去除量呈极显著相关关系,可用土壤线参数预测有机质含量。有机质对铁氧化物的反演具有明显影响,特别是有机质大于20 g kg-1的土壤,在进行反演时应考虑有机质对反演精度的影响,需采取有效地技术手段消减其影响作用,才能达到较好的效果。     

基于连续统去除法的南疆水稻土有机质含量预测

监测土壤有机质含量状况,可为土壤肥力诊断及土壤资源的合理开发利用提供科学依据。本研究通过对南疆191个水稻土样品的反射率数据进行连续统去除处理后,构建了有机质连续统去除光谱指数并提取了850~1 380、1 380~1 550、1 730~2 150、2 150~2 380 nm 4个波段的吸收特征参数,据此建立了多种定量反演模型。结果表明:经连续统去除后,有机质的吸收特征得到了有效放大,不同有机质含量的连续统去除曲线在850~1 380 nm,其有机质含量与连续统去除值呈正相关,与吸收面积呈负相关,而在1 730~2 150 nm波段则呈现相反的规律。反射率连续统去除值与有机质含量的相关性要优于反射率与之的相关性,而反射率一阶微分与连续统去除一阶微分与有机质的相关性差异不明显。不同有机质光谱指数模型之间的建模参数与预测能力差异不大,但均只具备初略估测有机质的能力。吸收特征参数模型中,仅有850~1 380 nm波段的面积归一化最大吸收深度(NMAD850~1380nm)所建模型具有较好的定量预测能力。以反射率、反射率连续统去除、反射率一阶微分、反射率连续统去除一阶微分所建的PLSR模型均具有较好的预测能力,相对分析误差均大于2.00。所有模型中,连续统去除一阶微分(CR′)模型的决定系数与相对分析误差最高,分别为0.91、2.58,均方根误差最低,其值为5.62,具有最好的预测能力。