基于高光譜特征指數的土壤有機質含量建模*

趙明松，謝 毅，陸龍妹，李德成，王世航

（1. 安徽理工大學空間信息與測繪工程學院，安徽淮南 232001；2. 土壤與農業可持續發展國家重點實驗室（中國科學院南京土壤研究所），南京 210008；3. 礦山采動災害空天地協同監測與預警安徽省教育廳重點實驗室，安徽淮南 232001；4. 礦區環境與災害協同監測煤炭行業工程研究中心，安徽淮南 232001）

連續的土壤高光譜曲線包含較多的波段和豐富的光譜信息，能夠綜合反映多種土壤屬性信息，能夠用于高效精確地土壤屬性預測建模[1-5]。傳統的土壤有機質（Soil Organic Matter，SOM）含量測試方法較繁瑣且成本高，利用高光譜技術可以滿足大量樣本的SOM 含量快速精確測定的需求[6-8]。國內外學者利用可見-近紅外反射高光譜（350～2 500 nm）技術在土壤屬性的建模預測方面開展了較多的研究。

由于成土環境的差異，不同地理區域和類型的土壤高光譜特征存在差異，已有研究分別結合土壤類型、區域等建立了多種SOM 含量光譜預測模型[5，8-11]。史舟等[5]分析了中國主要土壤類型的高光譜反射特性，并提出了采用土壤光譜分類方法結合偏最小二乘回歸方法建立SOM 的光譜分類-局部預測模型。張娟娟等[8]研究了我國中、東部地區5 種土壤類型的光譜特征，并利用特征光譜參數和神經網絡建立SOM 的預測模型。趙小敏和楊梅花[10]分析江西省4種主要土壤亞類的高光譜特征，并嘗試利用光譜特征進行土壤分類。鄔登巍和張甘霖[12]討論了母質和土地利用類型對SOM 光譜反演模型精度的影響以及模型的異地適用性。

不同的光譜變換處理[13-17]、建模和驗證樣本集的劃分[18]會影響SOM 預測模型的精度。光譜變換處理通過增強土壤在某些波段的吸收或反射特征，從而提高土壤屬性光譜建模的精度等，研究表明使用光譜預處理后模型精度優于原始光譜數據模型[13]，根據不同波段范圍采用不同光譜變換處理，能夠提高模型的穩定性和預測能力等[15]。于雷等[14]認為采用連續統去除變換結合偏最小二乘回歸模型是江漢平原SOM 含量的最優預測模型。王一丁等[17]對比了3種光譜變換處理后建立的潮褐土的SOM預測模型的精度。基于不同建模方法的SOM 光譜建模研究較多，其中偏最小二乘回歸模型總體精度較高，應用較廣[6，19-22]。Shi 等[2]提出了一種基于空間約束的局部偏最小二乘回歸模型，并利用中國土壤光譜庫精確預測了SOM 含量。Viscarra Rossel 和Behrens[19]利用偏最小二乘回歸、多元自適應回歸樣條等7 種算法預測了SOM 和黏粒含量等，對比評估了模型精度以及結果的可解釋性。紀文君等[20]利用多種數據挖掘技術建立了浙江省水稻土SOM 預測模型，并與偏最小二乘回歸模型進行了對比。上述研究多是利用全譜段的光譜數據進行土壤屬性的預測建模。土壤高光譜曲線包含波段較多，且波段間有不同程度的相關性，存在一定的信息冗余。

提取土壤光譜特征指數，一定程度上可以減少土壤屬性光譜建模輸入變量，提高建模效率，是土壤屬性光譜建模的另一種思路。構建或計算光譜特征指數的方法有很多，如兩兩波段組合的代數運算（如比值、差值等）、弓曲差等計算相對較簡單、方便。此外，還有基于光譜吸收特征的計算稍微較復雜，如吸收谷深度，吸收帶寬、面積等。張娟娟等[8]利用光譜反射率通過波段間代數運算提取了比值指數（Ratio Index，RI）、差值指數（Difference Index，DI）和歸一化差值指數（Normalized Difference Index，NDI），選出與有機質相關系數最高的特征指數建立SOM 估測模型，表明利用光譜特征指數預測SOM含量精度較高。賀軍亮等[23]通過計算有機質診斷指數建立了SOM 線性回歸預測模型，預測結果較好。盧艷麗等[24]利用1 280 nm處反射峰高度較好地預測了東北地區主要土壤類型有機質含量。彭杰等[25]利用吸收峰總面積、最大吸收深度、面積歸一化最大吸收深度等光譜特征，建立了新疆地區土壤鹽分含量的光譜預測模型。

蘇中平原系江蘇省長江和蘇北灌溉總渠之間的廣闊平原，屬江淮平原的一部分，主要包括泰州、揚州、南通和淮安等大部分市縣。該區地處北亞熱帶，水熱條件充裕、土壤肥沃，是江蘇省主要的糧食生產基地之一。本研究以蘇中平原的典型土壤為研究對象，進行可見光-近紅外高光譜采集和有機質測定，分析土壤光譜特征，計算弓曲差、光譜特征指數等建立SOM 預測模型并進行分析，為快速有效測定蘇中平原SOM 含量提供技術支持。

1 材料與方法

1.1 研究區概況

研究區位于江蘇省中部平原（119°53′37″～120°14′4″ E，32°20′17″～32°44′50″ N），主要包括姜堰市和興化市南部（圖1），面積約為1 350 km2。研究區屬暖溫帶北亞熱帶季風氣候，年平均氣溫14.5 ℃，降水量991.7 mm，海拔5～10 m。成土母質主要為瀉湖相沉積物和長江沖積物，分布在研究區北部和南部，主要土壤類型為水稻土和潮土。研究區土地利用以水田為主，占總面積的81.25%（2009 年），輪作制度主要為稻-油（麥）輪作。

1.2 土壤樣品采集與測試

土壤樣品采集于2009 年11 月，共采集表層（0～20 cm）土壤樣品178 個，其中水稻土111 個，潮土67 個。在田塊的中心以10～20 m 為半徑（S 形）取8～12 個土壤樣品，然后將采集的土壤樣品混合在一起并用四分法留下1 kg，同時記錄田塊中心的坐標信息。

樣品在室內經自然風干后用木棒碾磨，剔除砂礫及植物殘體，然后過10 目和60 目篩，前者用于光譜測試，后者用于有機質測試。采用重鉻酸鉀（K2Cr2O7）氧化滴定法測定有機質含量。

運用ASD FieldSpec 3 地物高光譜儀測量土壤樣品的反射光譜數據，其波長范圍為350～2 500 nm，重采樣間隔為1 nm，輸出波段數為2 151。操作過程在黑暗環境的實驗室進行，光源使用儀器配套的兩個1 000 W 的鹵素燈，光纖探頭視場角為5°，光源照射方向與垂直方向夾角30°，探頭到土樣表面距離30 cm，取適量過10 目篩的土壤樣品倒入盛樣皿中，用玻璃稍稍壓實，刮平整。每個樣品旋轉4次，每個角度掃描10 次，共40 次，取平均值作為樣本光譜。詳細的土壤光譜測試條件描述具體參見文獻[8]。

1.3 土壤光譜特征指數構建

本研究主要采用以下光譜特征指數。

（1）弓曲差（C）。通過選取光譜曲線中550、600 和650 nm 處的光譜反射率計算，C值與SOM含量存在負相關，同時在550～650 nm 范圍光譜曲線表現出平直狀態[26]。公式如下[26-27]：

（2）土壤光譜指數。構建的土壤光譜指數有：DI、RI 和NDI 等[11]。

式中，R500、R600和R650代表500 nm、600 nm 和650 nm波段上的光譜反射率；Ri和Rj分別代表i和j波段的土壤光譜反射率。

1.4 建模與精度評價

為了保證一定的建模樣本數量得到穩定的預測模型，本研究使用Kennard-Stone（KS）方法劃分建模集和預測集，該方法普遍用于光譜數據的分析中，詳細計算過程參見文獻[18]。按照建模與驗證樣本的3∶1 數量關系，利用該方法選取133 個建模樣本和45 個驗證樣本。

采用交叉驗證和獨立驗證的方式評價預測精度，選取決定系數（Determination Coefficients，R2）、均方根誤差（Root Mean of Squared Error，RMSE）和相對分析誤差（Relative Percent Deviation，RPD）作為評價指標。R2的值越接近于1，RMSE 越小，說明模型的穩定性和精度較高。當RPD < 1.4 時模型的估算能力差；當1.4≤RPD < 2 時模型估測精度有所提高，能對樣本進行粗略估測；當RPD≥2 時表明模型具有很好的預測能力[28]。計算公式如下：

式中，yi和表示樣本i的實測值和預測值，表示平均值，n為樣本數，SD 為預測樣本的標準差。

1.5 數據處理與分析

本研究對原始光譜反射率進行光譜倒數對數變換（Inverse-log Reflectance，Log（1/R））和去包絡線變換（Continuum Removal，CR），識別土壤屬性與光譜反射率的敏感關系。倒數對數變換主要目的是擴大可見光區的光譜差異，避免背景噪音的干擾；去包絡線變換可以有效提取土壤的光譜吸收特征，更加直觀地觀察土壤的光譜特征[25，29]。

基于原始和變換后的土壤光譜曲線，本研究首先綜合分析不同SOM 含量梯度和不同土壤類型的光譜特征、以及SOM 含量與高光譜信息的相關性。其次，計算弓曲差、DI、RI 和NDI 等特征指數及其與SOM 的相關系數。最后利用篩選后的光譜特征指數，基于多元線性回歸進行SOM 含量建模，并進行精度對比分析。

Log（1/R）變換在The Unscrambler 9.7 軟件中完成，CR 變換在ENVI 4.8 中進行。KS 方法，DI、RI 和NDI 的計算以及相關系數等勢圖，在MATLAB R2012a 軟件中完成。數據統計分析及繪圖分別在SPSS 22.0 和OriginPro 9.0 中完成。多元回歸建模及驗證在The Unscrambler 9.7 軟件中進行。

2 結果與討論

2.1 土壤光譜曲線特征

研究區SOM 含量總體較高且變化范圍較大，平 均 值 為 28.54±7.80 g·kg-1， 介 于 11.85 ～58.22 g·kg-1；變異系數為27.33%，屬于中等強度變異。其中水稻土的SOM 含量平均為32.13±7.21 g·kg-1，潮土的SOM 含量平均為22.60±4.34 g·kg-1。水稻土的 SOM 含量變異較潮土稍大，其變異系數為22.44%，潮土為19.20%。

按照SOM 含量< 20 g·kg-1、20～30 g·kg-1、30～40 g·kg-1和> 40 g·kg-1區間，計算各區間內的土壤光譜反射率的平均值，得到研究區SOM 所有區間對應平均光譜反射率曲線（圖2）。隨著波長的增加，在可見光波段土壤光譜反射率值迅速增大，光譜曲線呈現較陡的狀態；在近紅外波段內土壤光譜反射率較高，但是反射率增加較平緩（圖2a）。在1 400 nm、1 900 nm 和2 200 nm 處可以看出光譜反射率值出現不同幅度的升降。在原始光譜曲線中出現吸收特征并不明顯，經去包絡線處理后的光譜吸收特征明顯增強，吸收谷深度加深（圖2b），除了1 400 nm、1 900 nm 和2 200 nm 附近吸收谷更加突出外，在480 nm、660 nm、900 nm 附近也出現了較明顯的吸收特征。在560～660 nm 總體上隨著SOM 含量的增加吸收谷深度加深，吸收谷的面積增大；在480 nm、900 nm 和1 650～1 850 nm 處趨勢相反，總體上隨著SOM 含量增加，吸收谷變淺。可見通過CR 變換后，土壤光譜曲線的吸收特征更加突出，不同SOM 含量光譜曲線的差異得到增強。在近紅外波段，主要受到NH，CH 和CO 等基團的分子振動的倍頻與合頻吸收影響[30]。1 400 nm 附近的吸收谷主要是受到土壤表面吸附水、黏土礦物O-H 晶格結構水等吸收引起，2 200 nm 附近主要存在Al-OH 黏土礦物（高嶺石）的吸收帶[5，19]。蒙脫石類礦物在1 900 nm 和2 300 cm 附近有較強的吸收帶。

圖3 為SOM 含量與不同光譜變換反射率的相關系數曲線。SOM 與原始光譜在全波段范圍上均呈極顯著負相關（P< 0.01），與Log（1/R）光譜呈極顯著正相關（P< 0.01），相關系數絕對值均在0.4以上。在400～900 nm 波段相關性遠高于其他波段，相關系數絕對值均在0.6 以上，最高接近0.7（圖3a、b）。SOM 與CR 光譜，在可見光390～750 nm、近紅外800～900 nm、短波紅外1 450～1 700 nm 和2 200～2 400 nm 處，呈現不同程度的正或負相關，相關程度總體上小于原始光譜和Log（1/R）光譜（圖3c）。研究區SOM 含量反演的敏感波段主要位于為400～900 nm，1 450～1 700 nm 和2 200～2 400 nm處，這與眾多研究結果基本一致[8，11，15，20]。徐彬彬等[31]比較了去除有機質前后的土壤光譜反射曲線的差異，發現對有機質響應最大的區域主要在600～800 nm。以上分析結果表明，采用原始和Log（1/R）光譜進行研究區SOM 含量反演時，敏感波段主要位于可見光和近紅外波段范圍；若選用CR 光譜數據，敏感波段范圍選擇較廣，可見光、近紅外和短波紅外波段范圍均有覆蓋。

分別選取水稻土和潮土中SOM 含量最小值、25%分位數、中位數、75%分位數和最大值所對應的光譜曲線進行光譜特征分析（圖4）。兩種土壤類型的原始光譜曲線總體趨勢基本一致，光譜曲線在可見光范圍內快速上升，在近紅外波段范圍內上升緩慢且較為平穩。總體上，隨著SOM 含量的增加，兩種土壤的光譜曲線逐漸變低平，光譜反射率值減小，反映出二者間的負相關性。潮土在可見光范圍光譜曲線的斜率較大，水稻土的光譜斜率相對較小。腐殖質是土壤有機質的主體，腐殖質中胡敏酸的反射能力較弱，富里酸在黃紅光部分反射率開始增強，徐彬彬等[31]研究表明不同地帶的土壤盡管其有機質含量相同，但由于胡敏酸和富里酸的比值不同，也會使土壤有不同的光譜反射特性。這可能也是兩種土壤類型光譜特征差異的一個主要原因。

2.2 基于弓曲差的SOM 建模

圖5 為研究區原始光譜在600 nm 波段的弓曲差與SOM 關系。隨著SOM 含量的增加，在550～650 nm 范圍內原始光譜曲線逐漸趨于平直狀態，弓曲差值逐漸變小。SOM 與原始光譜的弓曲差呈極顯著負相關，相關系數為-0.66（n= 178，P< 0.01）（圖6）。這與徐彬彬和戴昌達[26]、Zheng 等[27]的研究結果一致。計算Log（1/R）光譜和CR 光譜在600 nm波段的弓曲差，二者分別與SOM 呈極顯著相關，相關系數分別為0.61 和-0.33（n= 178，P< 0.01）。

利用三種光譜數據的弓曲差建立研究區SOM含量的線性回歸模型，結果見表1。基于原始光譜和Log（1/R）光譜的弓曲差的回歸模型稍好，建模集的R2分別為0.45 和0.38，驗證集的R2分別為0.37和0.36；兩個模型RPD 分別為1.28 和1.26，模型的預測能力較差。基于CR 光譜的弓曲差的建模結果最差，其建模集和預測集的R2均不足0.1，RPD僅為1.06，模型預測效果較差。以上結果表明，單獨利用弓曲差建立的SOM 回歸模型，估測能力有限，最高僅能解釋SOM 變異的37%。

Zheng 等[27]研究發現江蘇濱海鹽土SOM 含量與弓曲差呈極顯著負相關，相關系數為-0.74（n=142，P< 0.01），利用4 種模型預測了SOM 含量，模型的R2介于 0.38～0.51，RMSE 介于 4.12～4.62 g·kg-1。高志海等[32]利用600 nm 和800 nm 波段的兩個弓曲差預測了甘肅省荒漠地區SOM 含量，600 nm 弓曲的模型精度較高，驗證集的R2為0.84，RMSE 為4.57 g·kg-1（n=53）。高志海等[32]認為可能由于SOM 含量增加光譜逐漸趨于飽和的原因，當SOM 含量較低時，預測值均高于實測值，而SOM含量較高時，預測值基本接近實測值。本研究利用弓曲差建立的SOM 預測模型的精度（除CR 光譜）與Zheng 等[27]研究相似，驗證集的R2為0.37 和0.38，RMSE 為4.89 g·kg-1和4.95 g·kg-1。上述分析表明，利用原始和Log（1/R）光譜在600 nm 波段的弓曲差的SOM 預測模型解釋能力有限。

2.3 基于土壤光譜指數的SOM 建模

圖7 為研究區SOM 含量與光譜指數的相關系數等勢圖，不同數值表示兩個波段組合計算的DI、RI 或NDI 與SOM 的相關系數絕對值。相關系數等勢圖清晰地展示出，相關系數較高的特征指數構成波段的分布范圍。

表1 基于弓曲差的SOM 線性回歸建模結果Table 1 Modeling via SOM linear regression based on DOA

在原始光譜數據中，SOM 含量與DI 相關性較高的波段組合主要分布在400～800 nm 和2 180～2 220 nm 處，相關系數絕對值均在0.6 以上（圖7a）。相關性最高的 3 個波段組合為 2 215 nm 和2 202 nm、2 219 nm 和2 198 nm、2 217 nm 和2 199 nm 波段，相關系數分別為0.73、0.73 和0.72。SOM 含量與RI 和NDI 的高相關性的波段組合范圍一致且較寬，在1 000～2 400 nm 之間，最大的3個相關系數值相同，均為0.68、0.68 和0.67，構成RI 和NDI 的波段組合也相同，分別為2 202 nm 和2 215 nm、2 203 nm 和2 214 nm、2 203 nm 和2 215 nm（圖7b、圖7c）。

在Log（1/R）光譜的相關性等勢圖中（圖7d ～圖7f），SOM 含量與DI 的相關性較高的波段組合主要分布在1 100～2 400 nm 處，相關系數絕對值均在0.5 以上。相關性最高的3 個波段組合為2 202 nm和2 215 nm、2 203 nm 和2 214 nm、2 203 nm 和2 215 nm，相關系數分別為0.68、0.68 和0.67。RI和NDI 的相關系數等勢圖分布相似，相關性較高的波段組合范圍分布較窄，在2 180～2 220 nm 處。相關性最高的3 個波段組合均為2 215 nm 和2 202 nm、2 219 nm 和2 198 nm、2 199 nm 和2 217 nm，相關系數分別為0.73、0.72 和0.71。在CR 光譜的相關性等勢圖中，相關性較高的波段組合范圍較窄，且分布較散，DI、RI 和NDI 與SOM 的相關性等勢圖分布一致（圖7g～圖7i）。3 種光譜指數與SOM 的相關性最高的波段組合均為2 223 nm 和2 182 nm、2 223 nm 和2 183 nm、2 171 nm 和1 877 nm，相關系數分別為0.71、0.70 和0.70。

圖3a 顯示，原始光譜在2 198 nm、2 199 nm、2 202 nm、2 203 nm、2 214 nm、2 215 nm、2 217 nm和 2 219 nm 處反射率與 SOM 的相關系數介于-0.44～-0.43 之間，經計算DI、RI、NDI 后與SOM的相關性顯著提高，相關系數絕對值在0.67 以上。Log（1/R）光譜在2 202 nm、2 203 nm、2 214 nm和2 215 nm 處經計算DI、RI、NDI 后與SOM 的相關性顯著提高；CR 光譜在1 877 nm、2 171 nm、2 182 nm、2 183 nm 和2 223 nm 處計算的光譜指數與SOM 的相關性也顯著提高。這表明不同波段的光譜反射率經過適當的特征指數計算后，增強了光譜數據與SOM 的相關性，一定程度上提高了建模預測的精度。

在3 種光譜指數中，分別選擇與SOM 相關性最高的前3 個指數，進行研究區SOM 多元線性回歸建模及驗證，結果見表2。在原始光譜中，由于RI和NDI 的波段組合及與SOM 的相關系數均相同，其建模結果也相同；在Log（1/R）光譜中，選擇的RI 和NDI 的波段組合也相同，其建模結果相同。基于原始、Log（1/R）和CR 光譜指數模型中，除了原始光譜的RI 和NDI、Log（1/R）光譜的DI 預測模型精度較低外，其余的SOM 預測模型精度均相對較高，建模集的R2均在0.53 以上，RMSE 在5.5 g·kg-1以下，驗證集的R2均在0.65 以上，RMSE 較低均不超過4 g·kg-1。基于CR 光譜指數的SOM 預測模型的建模集和驗證集的R2較接近，表明該模型的泛化能力較高。總體上，基于3 種光譜數據和3 種光譜指數建立的9 個SOM 預測模型中，RPD 范圍介于1.4～2，表明建立的回歸模型能夠粗略估算研究區的SOM 含量。9 個預測模型中，基于原始光譜的DI 回歸模型的預測能力最優，其RPD 為1.98；CR光譜中基于DI 的SOM 回歸模型的RPD 雖然稍低，但模型具有較高的泛化能力。

表3 為3 種光譜數據的DI、RI、NDI 分別結合弓曲差C，進行SOM 的回歸建模結果。結果表明，由于利用了較多的光譜特征指數，研究區的SOM 建模精度總體有不同程度的提升，建模集的R2和RMSE 分別介于0.56～0.64 和4.98～5.50 g·kg-1，驗證集的R2和 RMSE 介于 0.67～0.73 和 3.21～3.51 g·kg-1，較表2 的建模精度有較大提升。9 種SOM模型的RPD 均在1.78 以上，其預測能力較表2 的SOM 模型有不同程度的提升。基于CR 光譜指數和弓曲差的SOM 預測模型的泛化能力較高。

在表2 和表3 的建模結果中，分別選擇R、Log（1/R）和CR 的光譜數據中最優的SOM 預測模型，繪制獨立驗證結果圖（圖8）。可以看出，回歸模型的預測值與實測值之間均存在不同程度的偏離，在SOM 含量低于20 g·kg-1處，樣本存在一定程度的高估現象；SOM 含量在20 g·kg-1以上實測值和預測值明顯較接近，這與高志海等[32]研究結果一致。總體上，基于Log（1/R）光譜的RI 結合弓曲差的SOM預測模型在所有模型中相對最優，其預測值和實測值較均勻且集中分布在1∶1 線附近（圖8e）。

表2 基于光譜指數的SOM 建模結果Table 2 SOM modeling based on spectral indices

張娟娟等[8]研究認為光譜指數構成形式以DI 最好，其次為RI 和NDI。本文的結果顯示對于原始和CR 光譜，DI 的建模效果較好；而對于Log（1/R）光譜，RI 和NDI 的建模效果較好，與張娟娟等[8]結論有一定程度上的相似。賀軍亮等[23]采用DI 的計算思路，利用507～516 nm 反射率均值對450～750 nm反射率均值進行比值處理后獲得有機質診斷指數，建立SOM 含量的預測模型精度較高，R2在0.65 以上，但是其樣本較少（建模和驗證樣本分別為19 個和8 個）需要進一步研究。盧艷麗等[24]利用570～590 nm 波段的一階導數光譜和1 280 nm 處反射峰高度較好地預測東北地區主要土壤類型有機質含量，但是其建模和驗證的R2差別較大，訓練集和驗證集的R2分別為0.41～0.47 和0.72～0.75。沈掌泉等[33]認為光譜數據經過波段算術組合處理后，能降低模型建立過程中產生過配的風險，使模型能包括更多的成分和信息，其研究表明通過RI 或NDI處理后的光譜數據可以提高SOM 預測的精度。本研究利用光譜特征指數建立的SOM 預測模型建模和驗證的R2均在0.6 以上且差異較小，能夠解釋研究區SOM 變異的65%以上，精度較高模型相對穩定。

表3 基于光譜指數和弓曲差的SOM 建模結果Table 3 The results of modeling SOM using spectral index and deviation of arch

本研究依據SOM 與光譜指數相關性排序進行篩選建模，選擇的光譜組合均在短波紅外2 200 nm波段附近，但實際上研究區的SOM 含量與其他譜段范圍內計算的光譜指數的相關性也較高。如原始光譜數據，在400～800 nm 波段范圍計算的DI 與SOM相關系數絕對值均在0.6 以上（圖7a）。在可見光、近紅外和短波紅外波段范圍，土壤的光譜會反映不同的土壤組分信息，因此在后期的研究中嘗試在不同波段范圍內分別按照土壤屬性與光譜指數的相關性等級，選取光譜指數進行預測建模。此外，本研究選取的光譜特征形式單一，在后期的研究中需嘗試進一步構建或計算多種光譜特征指數，比較不同類型的光譜特征指數的建模效果。

3 結 論

（1）江蘇省中部平原，不同SOM 含量和不同土壤類型的光譜曲線特征在全波段范圍內變化趨勢基本一致。去除包絡線處理后，土壤光譜曲線特征差異明顯，在480 nm、660 nm、900 nm 和1 800 nm 附近出現了明顯吸收谷。SOM 與原始光譜呈極顯著負相關，與Log（1/R）光譜呈極顯著正相關，且在400～900 nm 波段相關性較強。SOM 與CR 光譜，在可見光390～750 nm、近紅外800～900 nm、短波紅外1 450～1 700 nm 和2 200～2 400 nm 處，呈現不同程度的正或負相關。（2）原始光譜和Log（1/R）光譜在600 nm 波段的弓曲差與SOM 含量呈極顯著相關，能夠解釋研究區36%的SOM 變異，模型的RPD 分別為1.28 和1.26，模型預測效果差。（3）原始光譜、Log（1/R）光譜和CR 光譜等不同波段的反射率經過DI、RI 和NDI 特征指數計算后，增強了光譜數據與SOM 的相關性，一定程度上能提高建模預測的精度。選擇不同光譜數據的DI、RI 和NDI 等指數建立的SOM 模型能夠解釋53%～69%的SOM 變異。將DI、RI 和NDI 等指數分別結合弓曲差，建立的SOM 預測模型效果最優，能夠解釋研究區67%～73%的SOM變異。其中Log（1/R）光譜的RI 和NDI 結合弓曲差的SOM 預測模型精度最高。