1、引言

土壤营养元素的含量是提高农作物产量和农产品品质的重要因素。对土壤营养元素进行准确测量是实施精细农业的基础。传统的土壤营养元素的测定方法为化学法，化学法测量结果精度高，但需要消耗大量的时间和人力，难以满足土壤营养元素实时监控的要求。高光谱技术光谱分辨率高、光谱通道数多，能够更加真实、全面地反映物体的固有光谱特性及其差异，从而能够提高土壤营养元素的预测精度。高光谱技术已广泛应用于土壤营养元素的预测与反演。

目前，几乎所有实验室条件下的土壤营养元素的高光谱反演都要首先对土壤样本进行磨碎和过筛处理，而直接采集和利用原始土壤高光谱数据进行建模的较少；其次几乎所有的光谱数据的预处理方法都以平均 光谱曲线（Ａ）及其数学变换为主，而结合光谱成像技术的特点，提取并使用特征统计参数（标准差Ｓ、方 差Ｖ）进行建模的极少。

本文以山西典型褐土土壤为研究对象，所有土壤样品经风干后，未经研磨过筛处理，直接装入样品杯进行测量。并采用高光谱成像技术获取近红 外高光谱图像，并提取平均光谱曲线（Ａ）、标准差曲线（Ｓ）和方差曲线（Ｖ）等统计参数。然后分别采用以平均光谱曲线（Ａ）、平均光谱曲线的一阶导数 （Ｆ）、Ａ与Ｆ的乘积（Ａ＊Ｆ）、Ａ与Ｆ的商（Ａ／Ｆ）为基础的２０种光谱预处理方法，结合ＰＬＳ方法进行建模，并对验证集进行验证。本文旨在构建一种结 合高光谱成像技术特点的，针对未经研磨和过筛处理的褐土土壤总氮含量的定量预测模型，并为土壤其他营养元素的快速预测提供参考。

2、材料与方法

2.1 土壤样本

试验用土壤样本共149个，采集自某农业大学试验田，土壤类型均为褐土土壤，采集深度为0~20ｃｍ，为农田耕层土壤。土壤样本经自然风干处理，手动捏碎较大的土壤颗粒并剔除较大的非土壤杂质（例如农作物根茎叶等残留）后，采用四分法取样，一式两份：其中一份直接用于实验室条件下土壤高光谱图像的采集；另外一份用于实验室采用半微量开氏法测定土壤总氮含量。在PLS建模时需要将土壤样本分类建模集和验证集两类。通常的做法是随机抽取总样本的80％到90％作为建模集，剩下的部分作为验证集。

因此，本文随机选取约80％（119个）的土壤样本作为建模集，用于土壤总氮含量预测模型的建模；剩余20％（30个）作为验证集，用于预测模型的验证。根据实验室化学法测定结果，土壤总氮含量的特征统计见表１。

表１土壤总氮含量的特征统计

建模集、验证集与所有土壤样本的总氮含量的范围、均值、校准差和差异系数均较为接近，即建模集和验证集均能较好反映土壤样本的统计特性。

2.2 数据提取

高光谱成像技术能够同时获取土壤样本的光谱信息和图像信息。高光谱图像上的每一个像素点，都有一条光谱范围为950~1650ｎｍ，共148个波段的漫反射光谱曲线与之相对应。本文采用软件提取高光谱图像上土壤样本范围内所有像素点的漫反射光谱曲线。对每个波段所有像素点的光谱反射率进行统计，获取其算术平均值、标准差和方差。将所有波段的统计参数连接起来，即可获得对应土壤样本的平均光谱曲线（Ａ）、标准差曲线（Ｓ）和方差曲线（Ｖ）。

2.3 数据预处理

平均光谱曲线（Ａ）及平均光谱曲线的一阶导数曲线（Ｆ）能够反映土壤总氮对光谱反射率的影 响；而标准差曲线（Ｓ）和方差曲线（Ｖ）能够一定程 度反映土壤样本的表面特性。因此本文选取平均光谱曲线（Ａ）、平均光谱曲线的一阶导数曲线（Ｆ）、标准差曲线（Ｓ）和方差曲线（Ｖ）等４种曲线作为基本预处理方法，然后选取其中的一种或多种基本预处理方法的组合对光谱数据进行预处理。详细的预处理方法见表２。

表２光谱数据预处理方法汇总

2.4 建模与评价

偏最小二乘（PLS）方法是结合多元线性回归和主成分分析的化学计量学方法，是近红外光谱预测反演土壤营养元素最常用、最有效的建模方法之一。本文选取主因子个数的方法为：调整主因子个数，使模型对建模集的验证结果为决定系数（Ｒ^２）不小于0.9；且最大主因子个数不超过２０个。该PLS主因子数的选取方法可以使所建模型对建模集的验证效果基本相同，因此，模型的好坏只需要对比分析不同模型对验证集的验证效果即可。 

本文采用建模集决定系数（Ｒ_ｃ^２）、验证集决定系数（Ｒｐ^２）、建模集均方根 误差（RMSE_ｃ）、验证集均方根误差（ＲＭＳＥ_ｐ）、建模集相对分析误差 （ＲＰＤ_ｃ）、验证集相对分析误差（ＲＰＤ_ｐ）等指数来对模型进行评价。其中：决定系数（Ｒ^２）越大越好，但不能超过１，越接近１表明模型的预测能力越强。均方根误差（ＲＭＳＥ）越小越好。相对分析误差（ＲＰＤ）越大越好。当ＲＰＤ≥２．０时，表明模型较好，可用于土壤总氮含量的定量预测；当ＲＰＤ在1.0~2.0之间时，表明模型预测效果较差；当ＰＲＤ≤１．０时，表明模型预测效果极差，无法用于定量分析。

3、结果与分析

3.1 不同总氮含量的光谱响应特征

按实验室化学法实测总氮含量对所有土壤样本进行分类，分别统计总氮含量低于７００ｍｇ·ｋｇ^－１，７００～８００ｍｇ·ｋｇ^－１，８００～９００ ｍｇ·ｋｇ^－１，９００～ １０００ｍｇ·ｋｇ^－１及１１００ｍｇ·ｋｇ^－１以上的光谱反射率，计算每类土壤样品的平均光谱曲线；并对平均光谱曲线求导，获取每类平均光谱曲线的一阶导数曲线。其结果如图１、图２所示。

图１ 不同总氮含量的平均光谱曲线

图２ 不同总氮含量的平均光谱曲线的一阶导数

由图1可知，土壤的平均光谱反射率随波长的增加逐渐增大；在1400ｎｍ附近有显著的水吸收特征，这可能与自然风干后的土壤样本内仍有少量水分残留有关。当 总氮含量低于1000ｍｇ·ｋｇ^－１时，平均光谱反射率随总氮含量的增加而增加；当总氮含量高于1000ｍｇ·ｋｇ^－１时，光谱反射率随总氮含量的增加急剧减小；且光谱波长越短，反射率减小的越多。平均光谱曲线随总氮含量先增加后减小的特点，可能导致两个总氮含量差异极大的土壤样本的平均光谱曲线非常接近，从而影响预测模型的预测准确性。由图２可知，一阶导数曲线随着总氮含量的增加逐渐增加。总氮含量在７００ｍｇ·ｋｇ^－１以下的一阶导数曲线比在７００～８００ｍｇ·ｋｇ^－１之间的一阶导数曲线略有增加，在图２中显示为基本完全重合。当总氮含量高于1000ｍｇ·ｋｇ^－１时，一阶导数曲线随总氮含量的增加出现显著的增加。由于一阶导数曲线随总氮含量的增加单调增加，因此使用一阶导数进行建模，可能能够获得更好的预测效果。

未完待续。。。。。。。。

推荐：

无人机高光谱成像系统iSpecHyper-VM100

一款基于小型多旋翼无人机高光谱成像系统，该系统由高光谱成像相机、稳定云台、机载控制与数据采集模块、机载供电模块等部分组成。无人机机载高光谱成像系统通过独特的内置式或外部扫描和稳定控制，有效地解决了在微型无人机搭载推扫式高光谱照相机时，由于振动引起的图像质量较差的问题，并具备较高的光谱分辨率和良好的成像性能。