云南山地胶园土壤有机质高光谱估算

doi:10.11924/j.issn.1000-6850.casb2022-0997

中国农学通报 ›› 2023, Vol. 39 ›› Issue (13): 87-94.doi: 10.11924/j.issn.1000-6850.casb2022-0997

• 资源·环境·生态·土壤·气象 • 上一篇下一篇

云南山地胶园土壤有机质高光谱估算

陈桂良(), 刘忠妹(), 许木果, 黎小清, 丁华平, 杨春霞

云南省热带作物科学研究所，云南景洪 666100

收稿日期:2022-11-27 修回日期:2023-03-22 出版日期:2023-05-05 发布日期:2023-04-27
通讯作者: 刘忠妹，女，1988年出生，云南景谷人，助理研究员，本科，研究方向：土壤与植物营养。通信地址：666100 云南省景洪市宣慰大道99号云南省热带作物科学研究所，Tel：0691-2120323，E-mail：718717454@qq.com。
作者简介:
陈桂良，男，1984年出生，江西上栗人，助理研究员，硕士，研究方向：植物营养与3S技术应用。通信地址：666100 云南省景洪市宣慰大道99号云南省热带作物科学研究所，Tel：0691-2120323，E-mail：chen_guiliang@163.com。
基金资助:
云南省应用研究基础计划-青年项目“基于高光谱信息的胶园土壤养分含量估算模型研究”(2019FD006); 省所热带作物科技创新专项资金“热带作物栽培技术服务平台优化与应用”(RF2023-6)

Hyper-spectral Estimation for Soil Organic Matter in Yunnan Mountainous Rubber Plantations

Guiliang CHEN(), Zhongmei LIU(), Muguo XU, Xiaoqing LI, DING Huaping, YANG Chunxia

Yunnan Institute of Tropical Crops, Jinghong, Yunnan 666100

Received:2022-11-27 Revised:2023-03-22 Online:2023-05-05 Published:2023-04-27

摘要/Abstract

摘要：

有机质是反映橡胶园土壤养分状况的重要指标，其含量快速、高精度估算模型的建立，可以更好地指导胶园精细化生产管理。本研究从景洪市东风农场采集到225个橡胶园土壤样品，并获取土壤样品的光谱反射率和有机质含量数据，对光谱反射率进行噪声波段去除和重采样后，应用3种方法[log(1/R)、MSC、SNV]对重采样后的光谱反射率R进行光谱变换处理，然后对光谱反射率R以及3种变换形式光谱数据进行SG平滑或导数变换模式优选，得到最佳的光谱变换模式为log(1/R)结合SG平滑变换，其中，SG平滑变换模式为导数阶数0、SG滤波窗口5、多项式次数2或3。基于最佳光谱变换光谱数据与土壤有机质含量数据，选择CARS、SPA、CARS-SPA等3种方法提取特征波长，并采用MLR、PLSR和SVR 3种方法构建土壤有机质高光谱估算模型。结果显示，CARS-SVR模型估算精度最高，R²、RMSE、RPD分别为0.897、3.990 g/kg、2.947。建立的云南山地胶园土壤有机质含量高光谱最优估算模型，RPD位于2.5~3.0之间，具有很好的估算能力。

关键词: 橡胶园, 土壤有机质, 高光谱, 竞争适应重加权采样, 支持向量回归

Abstract:

Organic matter is an important indicator of soil nutrient status in rubber plantations. The establishment of a fast and highly precise estimation model for organic matter content can better guide the fine production management of rubber plantations. In this study, 225 rubber plantation soil samples were collected from Dongfeng Farm in Jinghong City, and the spectral reflectance and organic matter content data of the soil samples were obtained. After noise band removal and resampling of the spectral reflectance, three methods [log(1/R), MSC and SNV] were applied to perform spectral transformation processing on resampled spectral reflectance R, and then SG smoothing or derivative transformation modes were used to optimize the spectral reflectance R and the spectral data of three transform forms. The best spectral transformation mode was obtained as log(1/R) combined with SG smoothing transformation. The SG smoothing transformation mode had the derivative order, SG filtering window, and polynomial degree of 0, 5, and 2 or 3, respectively. Based on the best spectral transformation data and soil organic matter content data, three methods including CARS, SPA and CARS-SPA were selected to extract characteristic wavelength, and the hyper-spectral estimation model for soil organic matter was constructed by MLR, PLSR and SVR. The results showed that the estimation accuracy of CARS-SVR model was the highest. The R², RMSE and RPD were respectively 0.897, 3.990 g/kg and 2.947. Therefore, the established hyper-spectral optimal estimation model for soil organic matter content in Yunnan mountainous rubber plantations, with RPD between 2.5 and 3.0, has good estimation ability.

Key words: rubber plantation, soil organic matter, hyper-spectral, competitive adaptive reweighted sampling, support vector regression

陈桂良, 刘忠妹, 许木果, 黎小清, 丁华平, 杨春霞. 云南山地胶园土壤有机质高光谱估算[J]. 中国农学通报, 2023, 39(13): 87-94.

Guiliang CHEN, Zhongmei LIU, Muguo XU, Xiaoqing LI, DING Huaping, YANG Chunxia. Hyper-spectral Estimation for Soil Organic Matter in Yunnan Mountainous Rubber Plantations[J]. Chinese Agricultural Science Bulletin, 2023, 39(13): 87-94.

图/表 8

参考文献 39

[1]	李维锐, 赵国祥, 候丹. 云南天然橡胶产业高质量发展对策[J]. 热带农业科技, 2022, 45(3):1-5,14.
[2]	陈桂良, 王家银, 黎小清, 等. 江城橡胶公司橡胶园土壤养分时空变异特征分析[J]. 西南农业学报, 2017, 30(1):134-140.
[3]	黎小清, 余凌翔, 李春丽, 等. 云南东风农场橡胶园土壤养分空间分布特征[J]. 西南农业学报, 2015, 28(1):292-298.
[4]	杨丽萍, 李春丽, 黎小清, 等. 西双版纳东风农场近20年橡胶园养分变化观察[J]. 热带农业科技, 2015, 38(1):1-4.
[5]	杨春霞, 许木果, 刘忠妹, 等. 云南山地胶园土壤肥力空间变化特征[J]. 中国土壤与肥料, 2022(2):17-24.
[6]	董豪, 茶正早, 张翔, 等. 连续多代次种植橡胶树对土壤团聚体及土壤有机碳的影响[J]. 热带作物学报, 2021, 42(12):3664-3670.
[7]	余贵连, 吴敏, 韦家少, 等. 海南山地橡胶园土壤养分流失特性研究[J]. 广东农业科学, 2009(5):83-85.
[8]	李春丽, 严世孝. 西双版纳橡胶园养分变化[J]. 云南热作科技, 2001, 24(1):1-6.
[9]	彭杰, 周清, 张杨珠, 等. 有机质对土壤光谱特性的影响研究[J]. 土壤学报, 2013, 50(3):517-524.
[10]	徐彬彬, 戴昌达. 南疆土壤光谱反射特性与有机质含量的相关分析[J]. 科学通报, 1980(6):282-284.
[11]	KRISHNAN P, ALEXANDER J D, BUTLER B J, et al. Reflectance technique for predicting soil organic matter[J]. Soil science society America journal, 1980, 44(6):1282-1285. doi: 10.2136/sssaj1980.03615995004400060030x URL
[12]	GALVAO L S, VITORELLO I. Role of organic matter in obliterating the effects of iron on spectral reflectance and colour of Brazilian tropical soils[J]. International journal of remote sensing, 1998, 19(10):1969-1979. doi: 10.1080/014311698215090 URL
[13]	沙晋明, 陈鹏程, 陈松林. 土壤有机质光谱响应特性研究[J]. 水土保持研究, 2003(2):21-24+54.
[14]	何挺, 王静, 林宗坚, 等. 土壤有机质光谱特征研究[J]. 武汉大学学报(信息科学版), 2006(11):975-979.
[15]	王淼, 解宪丽, 周睿, 等. 基于可见光-近红外漫反射光谱的红壤有机质预测及其最优波段选择[J]. 土壤学报, 2011, 48(5):1083-1089.
[16]	沈润平, 丁国香, 魏国栓, 等. 基于人工神经网络的土壤有机质含量高光谱反演[J]. 土壤学报, 2009, 46(3):391-397.
[17]	沈强, 张世文, 夏沙沙, 等. 基于支持向量机的土壤有机质高光谱反演[J]. 安徽理工大学学报(自然科学版), 2019, 39(4):39-45.
[18]	史舟, 王乾龙, 彭杰, 等. 中国主要土壤高光谱反射特性分类与有机质光谱预测模型[J]. 中国科学:地球科学, 2014, 44(5):978-988.
[19]	吴才武, 夏建新, 段峥嵘. 土壤有机质测定方法述评与展望[J]. 土壤, 2015, 47(3):453-460.
[20]	聂哲, 李秀芬, 吕家欣, 等. 东北典型黑土区表层土壤有机质含量高光谱反演研究[J]. 土壤通报, 2019, 50(6):1285-1293.
[21]	周倩倩, 丁建丽, 唐梦迎, 等. 干旱区典型绿洲土壤有机质的反演及影响因素研究[J]. 土壤学报, 2018, 55(2):313-324.
[22]	方少文, 杨梅花, 赵小敏, 等. 红壤区土壤有机质光谱特征与定量估算——以江西省吉安县为例[J]. 土壤学报, 2014, 51(5):1003-1010.
[23]	王婷, 刘振华, 彭一平, 等. 华南地区土壤有机质含量高光谱反演[J]. 江苏农业学报, 2020, 36(2):350-357.
[24]	韩兆迎, 朱西存, 刘庆, 等. 黄河三角洲土壤有机质含量的高光谱反演[J]. 植物营养与肥料学报, 2014, 20(6):1545-1552.
[25]	中华人民共和国农业部. 土壤检测第6部分:土壤有机质的测定,NY/T 1121.6—2006[S]. 北京: 中国农业出版社, 2006.
[26]	于雷, 朱亚星, 洪永胜, 等. 高光谱技术结合CARS算法预测土壤水分含量[J]. 农业工程学报, 2016, 32(22):138-145.
[27]	朱亚星, 于雷, 洪永胜, 等. 土壤有机质高光谱特征与波长变量优选方法[J]. 中国农业科学, 2017, 50(22):4325-4337. doi: 10.3864/j.issn.0578-1752.2017.22.009
[28]	陈斌, 孟祥龙, 王豪. 连续投影算法在近红外光谱校正模型优化中的应用[J]. 分析测试学报, 2007(1):66-69.
[29]	吴杰, 李创锴, 陈文骏, 等. 多元线性回归提高激光诱导荧光辅助激光诱导击穿光谱技术的准确度[J]. 光谱学与光谱分析, 2022, 42(3):795-801.
[30]	于雷, 洪永胜, 耿雷, 等. 基于偏最小二乘回归的土壤有机质含量高光谱估算[J]. 农业工程学报, 2015, 31(14):103-109.
[31]	邓念武, 徐晖. 单因变量的偏最小二乘回归模型及其应用[J]. 武汉大学学报(工学版), 2001, 34(2):14-16.
[32]	杨洁, 郑宁, 刘董, 等. 基于遗传算法的SVM带权特征和模型参数优化[J]. 计算机仿真, 2008, 25(9):115-117,158.
[33]	谭琨, 张倩倩, 曹茜, 等. 基于粒子群优化支持向量机的矿区土壤有机质含量高光谱反演[J]. 地球科学(中国地质大学学报), 2015, 40(8):1339-1345.
[34]	中国国家标准化管理委员会. 橡胶树叶片营养诊断技术规程,GB/T 29570—2013[S]. 北京: 中国标准出版社, 2013.
[35]	VISCARRA ROSSEL R A, BEHRENS T. Using data mining to model and interpret soil diffuse reflectance spectra[J]. Geoderma, 2010, 158:46-54. doi: 10.1016/j.geoderma.2009.12.025 URL
[36]	LI H D, LIANG Y Z, XU Q S. Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibration[J]. Analytica chimica acta, 2009, 648(1):77-84. doi: 10.1016/j.aca.2009.06.046 pmid: 19616692
[37]	ARAÚJO M C U, SALDANHA T C B, GALVÃO R K H, et al. The successive projections algorithm for variable selection in spectroscopic multicomponent analysis[J]. Chemometrics and intelligent laboratory systems, 2001,57,65-73.
[38]	CHANG C C, LIN C J. LIBSVM: A library for support vector machines[EB/OL]. https://www.csie.ntu.edu.tw/-cjlin/libsvm/,2019-09-11.
[39]	王涛, 喻彩丽, 姚娜, 等. MLR和PLSR的沙壤土盐分含量光谱检测对比研究[J]. 干旱区地理, 2018, 41(6):1295-1302.

样本类型	样本个数		最小值/(g/kg)	最大值/(g/kg)	平均值/(g/kg)	标准差/(g/kg)	变异系数/%
所有样本	225		7.72	62.12	31.39	11.27	35.90
校正集	150		7.72	60.07	30.31	10.90	35.96
验证集		75	15.17	62.12	33.54	11.76	35.06

样本类型	样本个数		最小值/(g/kg)	最大值/(g/kg)	平均值/(g/kg)	标准差/(g/kg)	变异系数/%
所有样本	225		7.72	62.12	31.39	11.27	35.90
校正集	150		7.72	60.07	30.31	10.90	35.96
验证集		75	15.17	62.12	33.54	11.76	35.06

云南山地胶园土壤有机质高光谱估算

Hyper-spectral Estimation for Soil Organic Matter in Yunnan Mountainous Rubber Plantations

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 39

相关文章 15

编辑推荐

Metrics

本文评价

关于本刊

作者中心

审者中心

在线期刊

联系我们

光谱变换类型	SG平滑或导数变换模式			最佳主成分数	交叉验证均方根误差
光谱变换类型	导数阶数	多项式次数	滤波窗口大小	最佳主成分数	交叉验证均方根误差
R	未平滑	—	—	19	5.122
	0	8或9	23	19	5.051
	1	9	19	16	4.992
	2	8或9	23	17	5.001
log(1/R)	未平滑	—	—	15	4.480
	0	2或3	5	17	4.413
	1	1或2	65	20	4.505
	2	2或3	91	18	4.627
MSC	未平滑	—	—	17	5.063
	0	6	7	17	5.013
	1	1或2	101	20	4.953
	2	2或3	79	20	5.135
SNV	未平滑	—	—	19	5.005
	0	8或9	13	18	4.946
	1	9	25	19	4.909
	2	8或9	25	18	5.314

特征波长提取方法	波长个数	特征波长组合/nm
CARS	38	415、425、430、445、720、790、950、1125、1155、1300、1305、1310、1370、1395、1410、1425、1490、1695、1715、1725、1735、1780、1790、1795、1805、1810、1860、1865、1915、2055、2135、2140、2175、2180、2210、2390、2430、2485
SPA	22	540、580、615、685、845、930、1085、1270、1385、1660、1790、1870、1915、1945、2010、2140、2185、2195、2205、2345、2400、2475
CARS-SPA	17	415、425、445、1155、1310、1370、1735、1790、1865、1915、2055、2135、2180、2210、2390、2430、2485

[1]	马元花, 印彩霞, 王红玉, 刘宇轩, 刘前通, 张泽. 基于高光谱的棉花叶片磷含量估测模型[J]. 中国农学通报, 2023, 39(1): 123-132.
[2]	孙喜军, 邓睿, 吕爽, 高莹, 蔡苗, 缑巧红, 赵娟. 西安市农用地土壤有机质空间变异特征[J]. 中国农学通报, 2022, 38(35): 43-53.
[3]	程国峰, 黄达, 赵冬丽, 王立强, 程志杰. 河南省潮土区土壤肥力现状分析[J]. 中国农学通报, 2022, 38(27): 101-105.
[4]	周翔, 兴旺, 杨军, 孙来军, 王录红, 周婉婷, 王雪倩, 李思琪, 汪曼. 甜菜种子活力的测定——基于近红外高光谱技术[J]. 中国农学通报, 2021, 37(29): 7-12.
[5]	吕小艳, 薛琳, 竞霞, 张超, 徐海清, 朱启法. 基于高光谱分数阶微分的烟叶SPAD值估测[J]. 中国农学通报, 2021, 37(24): 54-59.
[6]	谢洪宝, 于贺, 陈一民, 隋跃宇, 焦晓光. 秸秆深埋对不同氮肥水平土壤蔗糖酶活性的影响[J]. 中国农学通报, 2021, 37(24): 79-83.
[7]	赵占辉, 张丛志, 张佳宝, 吴运金, 张宏敏, 鲁春阳. 基于回归分析的玉米冠层叶绿素含量高光谱反演分析[J]. 中国农学通报, 2021, 37(20): 7-16.
[8]	高承芳, 张晓佩, 李兆龙. 放牧对土壤理化性状及植被多样性的影响[J]. 中国农学通报, 2020, 36(8): 98-104.
[9]	张宝文, 王川, 杨春英, 王来刚. 基于时间序列SVR模型的玉米价格预测研究[J]. 中国农学通报, 2020, 36(31): 115-120.
[10]	许木果, 丁华平, 刘忠妹, 陈桂良, 陈永川, 黎小清. 橡胶园酸性、中性土壤交换性钙、镁测定方法研究[J]. 中国农学通报, 2020, 36(18): 73-79.
[11]	胡丹丹, 王惠明, 吴昌强, 胡秋萍, 宋惠洁, 刘金友, 胡惠文. 硼镁钙土壤调理剂对红壤旱地土壤酸化的阻控效果[J]. 中国农学通报, 2020, 36(11): 82-85.
[12]	翟浩然, 李西灿, 钟浩, 周钰. 耕层土壤含水量间接光谱估测模型[J]. 中国农学通报, 2020, 36(11): 86-91.
[13]	刘佳,邵杰,王利民,杨福刚,杨玲波. 基于高光谱微分指数监测春玉米大斑病的研究[J]. 中国农学通报, 2019, 35(6): 143-150.
[14]	张玉革,王皓然,冯雪,姜勇. 不同使用年限设施土壤DTPA浸提态铜和锌的剖面分异[J]. 中国农学通报, 2019, 35(33): 105-110.
[15]	石雅娇,陈鹏飞. 基于无人机高光谱影像的玉米地上生物量反演[J]. 中国农学通报, 2019, 35(17): 117-123.