快速准确监测农田土壤全氮含量, 可显著提高土壤肥力诊断与评价工作的效率。 传统测定土壤全氮的方法存在耗时费力、 成本高、 环境污染等缺点, 而基于光谱学原理的土壤全氮定量方法克服了传统测量的劣势。 中红外(MIR)光谱相较于可见光-近红外(VNIR)光谱而言, 具有更多的波段数和信息量, 如何利用中红外光谱监测土壤全氮含量是具有重要应用前景的研究课题。 为了探索中红外光谱对土壤全氮监测的可行性, 以新疆南疆地区采集的246个农田土样为研究对象, 以室内测定的全氮含量和中红外光谱反射率数据为数据源, 分析了不同全氮含量土样的中红外光谱特征差异, 以主成分分析法(PCA)和连续投影算法(SPA)对光谱数据进行降维, 然后采用偏最小二乘回归(PLSR)、 支持向量机(SVM)、 随机森林(RF)和反向传播神经网络(BPNN)四种建模方法分别构建基于全波段和降维数据的土壤全氮含量定量反演模型。 研究结果表明: (1)土壤在中红外波段光谱反射率随全氮含量的增加而增加, 在3 620, 2 520, 1 620和1 420 cm^-1附近存在明显的吸收谷; 将中红外光谱数据进行最大值归一化处理后, 可明显提高土壤光谱反射率与全氮含量的相关性。 (2)对比两种数据降维方法, PCA和SPA分别使模型变量数减少了99.8%和97.5%, 但以PCA提取的8个主成分为自变量建立的模型预测精度总体要高于SPA对应的模型, 因此以PCA提取的主成分建模更适于土壤全氮模型的构建。 (3)在建模集中, PLSR和SVM模型以全波段建模精度最高, 但建模变量数多, 建模效率较低, 而RF和BPNN模型分别以PCA和SPA降维后的数据建立的模型在保持精度相当的前提下, 可显著提高建模效率; 在预测集中, 基于PCA降维数据的BPNN模型预测能力最高, R²和RMSE分别为0.78和0.12 g·kg^-1, RPD和RPIQ值分别为2.33和3.54, 模型具备较好的预测能力。 研究结果可为农田土壤全氮含量快速估测提供一定的参考价值。

田间原位可见-近红外光谱(VIS-NIR)能够有效的提高土壤属性的检测效率, 但由于原位土壤中水分因素的影响, 土壤属性的预测精度很难达到预期。 如何有效去除土壤中的水分对土壤其他属性光谱预测的影响, 是利用田间原位光谱高精度预测土壤属性所面临的难题, 也是土壤光谱技术由室内转向田间的突破口。 该问题的有效解决, 可减除土壤样品的采集与室内预处理等过程, 实现土壤属性的田间原位光谱测定。 以新疆南部地区阿拉尔垦区十二团棉田为研究区, 采用网格采样法共采集了116个0~20 cm深度的表层土壤样品, 剔除1个异常值样品, 得到115个有用样品, 利用SR-3500型便携式地物光谱仪采集了231个样点的田间原位光谱数据, 土样经风干、 研磨和过筛等处理后测定其室内光谱和有机质含量。 利用Kennard-Stone算法将115个土样分为69个转换子集及46个预测集, 采用外部参数正交化法(EPO)、 光谱直接转换法(DS)及光谱间接转换法(PDS)三种去除水分算法结合原位光谱反射率(R)、 反射率一阶微分(R')、 反射率对数(LOG(R))以及反射率倒数(1/R)四种数学变换方式, 运用随机森林(RF)模型进行不同组合模型的构建及精度评价。 结果表明: (1)土壤有机质含量越高, 土壤光谱反射率越低。 土壤田间原位光谱反射率低于土壤室内光谱反射率; (2)室内光谱反射率与土壤有机质含量之间的相关性大于田间原位光谱, 室内光谱经一阶微分变换后与土壤有机质含量之间的相关性显著提升。 (3)土壤室内光谱反射率模型预测精度(R²=0.86, RPD=2.08, RMSE=1.55 g·kg^-1, MAPE= 0.14)高于田间原位光谱反射率模型(R²=0.71, RPD=1.49, RMSE=2.17 g·kg^-1, MAPE=0.20)。 在去除水分算法模型中, 以EPO一阶微分模型去除水分效果最好, 决定系数R²由0.71提高到0.83, RPD由1.49提高到2.04, RMSE由2.17 g·kg^-1降低至1.58 g·kg^-1, MAPE由0.20降低至0.14。 本研究实现了去除土壤水分因素的影响, 提高了田间原位光谱预测土壤有机质的精度, 为南疆棉田大尺度土壤有机质的预测及土壤肥力的评价提供了重要的参考。