土壤高光谱在采集过程中难以避免噪声干扰, 造成高光谱数据信噪比较低, 影响土壤有机质含量估测精度。 尝试探究小波能量特征方法, 降低高光谱噪声, 提升土壤有机质含量高光谱估测模型性能。 选取湖北省潜江市运粮湖管理区为试验区, 于2016年9月采集80份深度为0~20 cm的水稻土样本; 土壤样本经风干、 碾磨、 过筛等一系列处理后, 在实验室内采集样本光谱, 并通过重铬酸钾-外加热法测定土壤有机质含量; 利用浓度梯度法, 将总体样本集(80个样本)划分为建模集(54个样本)和验证集(26个样本); 以mexh为小波基函数进行连续小波变换(continuous wavelet transformation), 将土壤高光谱转换为10个分解尺度的小波系数(wavelet coefficients); 逐尺度计算小波系数的均方根作为小波能量特征(energy features), 将10个尺度的小波能量特征组成小波能量特征向量(energy features vector); 逐尺度逐波长计算小波系数与有机质含量的相关系数, 将达到极显著水平(p<0.01)的小波系数作为敏感小波系数(sensitive wavelet coefficients); 利用主成分分析法(principal component analysis)分别计算土壤高光谱和小波能量特征向量的各主成分载荷, 通过比较两者第一主成分贡献率的高低和两者前三个主成分得分的空间离散程度, 判断小波能量特征转换前后建模自变量的主成分信息变化趋势; 基于小波能量特征向量和敏感小波系数分别建立多元线性回归和偏最小二乘回归土壤有机质含量估测模型。 结果表明, 土壤有机质含量越高, 全波段反射率越低, 但不同土样的光谱反射率曲线特征相似, 近红外部分的反射率(780~2 400 nm)高于可见光部分(400~780 nm); 敏感小波系数对应的波长为494, 508, 672, 752, 1 838和2 302 nm; 土壤高光谱与小波能量特征向量的第一主成分贡献率分别为96.28%和99.13%, 小波能量特征向量的前三个主成分散点较土壤高光谱的主成分散点在空间上更为聚集, 表明小波能量特征方法有效减少了噪声影响; 比较全部土壤有机质含量估测模型, 以小波能量特征向量为自变量的多元线性回归模型具有最佳估测精度, 其验证集决定系数(R2)、 相对估测误差(RPD)和均方根误差(RMSE)分别为0.77, 1.82和0.82。 因此, 小波能量特征方法既能够提高数据的信噪比, 提升土壤有机质含量的估测精度, 又实现了土壤高光谱数据降维, 降低了模型复杂度, 可用于土壤有机质含量快速测定和土壤肥力动态监测等研究。

土壤有机质是农田肥力评估的重要指标, 要实现快速获取大面积土壤有机质的含量需要建立高效、 稳健的预测模型。 光谱技术能够快速诊断土壤有机质, 以水稻土为例, 从校正样本选择方法的对比, 研究了可见-近红外、 中红外和可见-近红外-中红外三种不同波段光谱对土壤有机质的预测能力。 可见-近红外和中红外区域的光谱反射率转换成吸收率后通过Savitzky-Golay平滑法去噪, 通过三种校正样本选择方法建立相应的偏最小二乘回归预测模型。 通过Rank-KS法建立的三种波段的有机质预测模型均优于Rank法和KS法, 中红外波段光谱的模型预测能力强于可见-近红外和可见-近红外-中红外波段的预测模型, 基于Rank-KS法建立的中红外波段有机质预测模型取得了最好的预测效果, RMSEP仅为3.25 g·kg-1, RPD达到4.24, 依据VIP得分筛选出可见-近红外和中红外波段的水稻土有机质重要建模波段。 因此, 中红外光谱建模技术能够对水稻土有机质进行快速定量分析, Rank-KS法可提高模型的预测能力, 为今后农田肥力评价和科学施肥提供技术支持。

为研究水稻土的光谱特征及其对不同土壤组分的响应规律, 研究采集江西省发育于红粘土(RC)和红砂岩(RS)的两个水稻土时间序列为研究对象。 以水稻土时间序列为研究对象的优势在于, 样本有相同的土地管理背景, 母质和种稻时间成为土壤发育过程中的两个主导差异因素, 进而能够对土壤有机质(SOM)和母质特征在光谱上的响应特征进行研究。 使用Cary 5000分光光度计采集样品在350～2 500 nm波段的漫反射光谱信息, 并从土壤层次、 成土时间和成土母质三个方面, 论述了在VNIR波段水稻土中的主要有机质和无机矿物组成的光谱响应特征和规律。 实验结果表明: 对于单一母质的时间序列土壤样品而言, SOM增加是人为水耕条件下土壤演变的重要趋势之一, 用PC_1 Score表征的整体反射率与SOM含量间可建立精度较高的模型(R2RC=0.91, R2RS=0.79), 且在SOM含量低值区也能保证较高精度; 1 400, 1 900和2 200 nm三个波段处的吸收强度主要与母质中的矿物有关, 在土壤剖面中下层土壤受人为作用较弱、 土层吸收强度较大, 且相同母质的土壤光谱, 在这三个波段有相同的吸收峰强度比值, 可作为判断母质同质的依据; 母质成分的差异会显著影响土壤光谱的波形以及吸收强度, 在建模中充分考虑母质因素将使模型更具解释性。

高光谱遥感技术是土壤养分预测的有效手段之一。 以三峡库区王家沟小流域为研究区, 在对土壤样本的理化性质和实验室反射光谱数据分析和测量的基础上, 用偏最小二乘回归方法建立了紫色土土壤全氮和全磷含量的预测模型, 并用33个水稻土土壤样本对紫色土土壤养分预测模型进行了验证。 结果显示, 紫色土土壤全氮预测模型得到的土壤样本预测值和实测值之间的总相关系数达到了0.672, 而紫色土土壤全磷预测模型得到的相关系数只有0.498; 用紫色土土壤养分预测模型对水稻土土壤养分进行预测得到的相关系数分别为0.550和0.124。 因此, 用高光谱来预测紫色土土壤全氮含量具有一定的可行性, 但高光谱对于紫色土全磷含量的预测效果相对较差; 土壤养分预测模型在不同类型土壤之间并不具有很好的通用性。

可见/近红外高光谱技术与建模方法是当前土壤近地传感器研究领域的重要方向, 可应用于土壤养分信息的快速获取和农田作物的精确施肥管理。 以浙江省水稻土为研究对象, 利用以非线性模型为核心的数据挖掘技术, 包括随机森林、 支持向量机、 人工神经网络等方法分别建立了不同建模集和验证集的原始光谱与有机质含量的估测模型。 结果表明: 研究比较的1∶1, 3∶1和全部样本建模并全部验证的三种样本模式划分对建模的结果有一定的影响。 相较于目前常用的偏最小二乘回归(PLSR)建模方法而言, 非线性模型RF和SVM也取得了较好的建模精度, 三种模式下其RDP值均大于1.4。 特别是采用SVM建模方法所得模型具有很好的预测能力, 模式二下其RDP值达到2.16。 同时引入ANN方法改进建立的PLSR-ANN方法显著提高了PLSR的模型预测能力。