基于成像光谱技术的原状土壤剖面光学特性与氮素估算制图研究

Imaging spectroscopy is a rapid, labor-saving, environmentally friendly and economic technique so as to be applied in fast acquisition of information about soil nitrogen. When measuring information in soil profiles, conventional spectroscopy technique which is based on optical fiber has to be used to measure and predict soil data point-by-point and hence it’s difficult to get continuous and detailed soil profile data. This project is focused on the study of paddy soil that is a representative soil in Zhejiang Province. After acquiring hyper-spectral data of soil information in situ using vis-NIR imaging spectroscopy technique, three-dimensional soil information will be analyzed from hyper-spectral data and environmental factors will be removed from field spectra. Then, with Chinese Soil Spectral Library and advanced data mining methods, we will get predictive model of soil nitrogen based on vis-NIR spectra. Afterwards, vertical distribution of soil nitrogen in soil profile will be mapped in pixel-level. The research results can provide a promising approach for soil nitrogen investigation on characterization of vertical distribution using imaging spectroscopy and also benefit and improve the up-to-date monitoring and precise fertilization about soil nitrogen in distribution areas of paddy soil, Middle-Lower Yangtze plains.

基于高光谱技术为快速获取土壤氮素信息提供了一条省时、省力、无污染并且测试成本低的有效途径。而对于剖面土样，传统的光纤光谱技术只能采用离散的逐点测量和预测反演方法，难以连续完整的获取剖面信息。本项目以浙江省典型的水稻土为研究对象，通过可见近红外成像光谱技术采集野外原状土壤剖面的高光谱影像，在解析图谱数据中复杂的三维土壤信息及降低干扰因素对光谱影响的基础上，建立基于中国土壤光谱数据库和数据挖掘技术的土壤氮素高光谱预测模型，并反演像元级氮素含量在土壤剖面上的分布特征，为推进成像光谱技术在土壤氮素垂直分布特征方面的研究提供理论依据和技术支持。研究结果将为长江中下游水稻土分布区域土壤氮素的及时监测和精准施肥提供数据支持和方法参考。

为了增进我们对土壤在陆地生态系统中的了解，迫切需要评估和监测土壤属性的新方法。且该法应能量化土壤在深度上及广度上的信息。作为一种可供选择的方法，可见近红外（vis-NIR）漫反射光谱是满足上述需求的技术。但是，野外测量环境与室内测量环境不同，前者的光谱测量会受到环境因素的干扰影响，增加了从野外光谱中提取土壤属性有效信息的难度。此外，由于土壤数据缺乏且受限于采样技术的局限，土层的纵向异质性大多被忽略。成像光谱技术提供了相关的技术支持。首先，为了对土壤剖面进行分类，我们提出了一个基于vis-NIR光谱的“多目标混合支持向量分类”（MOM–SVC）方法。结果表明，在土壤调查中该法能对土壤类别进行快速诊断，有助于更新土壤数据库。其次，我们比较了四种不同的方法去除土壤水分对从剖面土壤vis-NIR光谱的影响，包括直接标准化法（DS），分段标准化法（PDS），外部参数正交化法（EPO）和普通最小二乘权重法（GLSW）。结果表明，水分对土壤光谱的影响非常显着，在建模前应对田间光谱进行水分去除的校正。但这些方法没有一种是方法的表现是压倒性的，去水效果和土壤类型，土地利用类型以及和模型的算法都有关系。此外，我们因此评估了深度学习方法多层感知器（MLP）的性能，该方法用于使用vis-NIR进行SOC的现场测量。结果表明，MLP具有良好的现场SOC预测性能。我们的结果也为使用MLP进行快速超参数优化提供了参考，以用于未来的土壤光谱建模。节省的成本与伴随的预测误差带来的信息损失孰轻孰重？通过对四种光谱仪进行土样的测量并建模获得精度，计算每天可测量的最大样本数量以及成本，基于以上指标综合得到相对于常规实验室理化分析方法的成本效率。结果表明，使用vis-NIR光谱仪测量小于0.5 mm土样虽能获得精度改善，但考虑到其相应的成本提升，2 mm 的成本效率更佳。本研究不仅取得了重要的科学进展，而且具有显著的科学意义和应用价值。