利用OSC算法消除土壤含水量變化對Vis-NIR光譜估算有機質的影響

洪永勝，于雷，朱亞星，李思締，郭力，劉家勝，聶艷，周勇

?

利用OSC算法消除土壤含水量變化對Vis-NIR光譜估算有機質的影響

洪永勝，于雷，朱亞星，李思締，郭力，劉家勝，聶艷，周勇

（華中師范大學城市與環境科學學院/華中師范大學地理過程分析與模擬湖北省重點實驗室，武漢430079）

【】快速、準確地監測土壤有機質對于精準農業的發展具有重要意義?？梢姽?近紅外（visible and near-infrared，Vis-NIR）光譜技術在土壤屬性估算、數字化土壤制圖等方面應用較為廣泛，然而，在田間進行光譜測量，易受土壤含水量（soil moisture，SM）、溫度、土壤表面狀況等因素的影響，導致光譜信息中包含大量干擾信息，其中，SM變化是影響光譜觀測結果最為顯著的因素之一。此研究的目的是探討OSC算法消除其影響，提升Vis-NIR光譜定量估算土壤有機質（soil organic matter，SOM）的精度?！尽恳越瓭h平原公安縣和潛江市為研究區域，采集217份耕層（0—20 cm）土壤樣本，進行風干、研磨、過篩等處理，采用重鉻酸鉀-外加熱法測定SOM；將總體樣本劃分為3個互不重疊的樣本集：建模集S0（122個樣本）、訓練集S1（60個樣本）、驗證集S2（35個樣本）；設計SM梯度試驗（梯度間隔為4%），在實驗室內獲取S1和S2樣本集的9個梯度SM（0%—32%）的土壤光譜數據；分析SM對土壤Vis-NIR光譜反射率的影響，采用外部參數正交化算法（external parameter orthogonalization，EPO）、正交信號校正算法（orthogonal signal correction，OSC）消除SM對土壤光譜的干擾；利用主成分分析（principal component analysis，PCA）的前兩個主成分得分和光譜相關系數兩種方法檢驗消除SM干擾前、后的效果；基于偏最小二乘回歸（partial least squares regression，PLSR）方法建立EPO和OSC處理前、后的SOM估算模型，利用決定系數（coefficient of determination，2）、均方根誤差（root mean square error，）和RPD（the ratio of prediction to deviation）3個指標比較PLSR、EPO-PLSR、OSC-PLSR模型的性能?！尽客寥繴is-NIR光譜受SM的影響十分明顯，隨著SM的增加，土壤光譜反射率呈非線性降低趨勢。OSC處理前的濕土光譜數據主成分得分散點相對分散，與干土光譜數據主成分得分空間的位置不重疊，不同SM梯度之間的光譜相關系數變化較大；OSC處理后的濕土光譜數據主成分得分空間的位置基本與干土光譜數據相重合，各樣本光譜數據之間相似性很高，不同SM梯度之間的光譜相關系數變化較小。9個SM梯度的EPO-PLSR模型的驗證平均2pre、RPD分別為0.69、1.7。9個SM梯度的OSC-PLSR模型的驗證平均2pre、RPD分別為0.72、1.89，校正后的OSC-PLSR模型受SM的較小，有效提升SOM估算模型的精度和魯棒性?！尽縊SC能夠消除SM變化對土壤Vis-NIR光譜的影響，可為將來田間原位實時監測SOM信息提供一定的理論支撐。

Vis-NIR光譜；土壤有機質；土壤含水量；正交信號校正；偏最小二乘回歸；江漢平原

0 引言

【研究意義】土壤有機質（soil organic matter，SOM）的高低是衡量土壤肥力的重要指標，快速、準確地監測SOM對于土壤資源調查、精準農業、土壤數字化制圖具有重要意義[1-2]。近年來，土壤近地傳感（proximal soil sensing，PSS）憑借方便快捷、無破壞、信息量大等優點，被廣泛應用于估算土壤肥力關鍵參數，成為國際土壤科學研究的熱點[3-5]，學者們針對不同的土壤類型，在穩定的觀測條件下，建立了較為完善的Vis-NIR光譜估算土壤屬性的理論體系[6-7]。然而，在田間無論是采用靜態原位觀測還是實時動態觀測，土壤含水量（soil moisture，SM）、溫度、土壤表面粗糙度等因素均會對土壤Vis-NIR光譜采集產生影響。其中，SM變化對Vis-NIR光譜觀測結果造成嚴重干擾，甚至會掩蓋SOM的光譜吸收特征，導致直接利用田間土壤Vis-NIR光譜數據估算SOM的精度較低[8-9]。因此，非常有必要消除SM變化對Vis-NIR光譜的影響以提高SOM估算精度?！厩叭搜芯窟M展】學者們通過SM梯度試驗揭示了土壤Vis-NIR光譜對SM變化的響應規律，基于光譜分類、光譜轉換、參數正交化等數學算法定量消除SM變化過程中土壤Vis-NIR光譜造成的影響，從而較好地提高了田間土壤屬性的估測精度。WU等[10]發現800—1 400 nm、1 600—1 700 nm、2 100—2 200 nm、2 300—2 500 nm波段的一階微分光譜數據受SM變化影響較弱，選擇這四個波段區域的波段建立估算模型，有利于提升土壤屬性的預測精度，然而，SM梯度試驗表明，SM在全波段區域對土壤Vis-NIR光譜造成影響，而且隨著SM的增加，光譜反射率的降低是非線性的。NOCITA[11]、王超等[12]利用1 800 nm和2 119 nm處的光譜反射率計算歸一化土壤濕度指數（normalized soil moisture index，NSMI）表征光譜對不同SM的響應程度，根據NSMI將濕土樣本進行光譜分類，逐類單獨建模，較好地實現了土壤屬性的預測，但這種方法未能有效消除SM變化對土壤光譜的影響。JI[13]、陳奕云等[14]運用光譜轉換算法中的直接標準化法（direct standardization，DS）對濕土光譜進行校正，校正后的光譜數據可以用來預測土壤屬性，該算法為全波段進行校正，在光譜曲線較為相似時，易導致過度校正的問題。Minasny等[15]采用EPO定量化消除SM對Vis-NIR光譜的影響，用處理后的Vis-NIR光譜數據建立了更高精度的土壤有機碳的估算模型；陳紅艷等[16]采用奇異值分解（singular value decomposition，SVD）提取土壤水分對應的光譜信息，構建消除土壤水分因素的修正系數，實現對濕土光譜的校正。近年來，研究者對EPO算法消除SM的研究呈上升趨勢。EPO算法是建立在土壤水分與待估土壤屬性之間相互獨立的前提下，即僅基于受SM變化影響的光譜數據進行校正處理，通過簡化分析條件，實現SM變化對土壤光譜影響的消除，這忽視了因變量（待估土壤屬性的濃度矩陣）與自變量（受SM影響的光譜矩陣）的相互影響，難以模擬土壤水分、待估土壤屬性、土壤光譜三個要素的相互作用關系[15]?；诰仃囌焕碚摰恼恍盘栃Ｕ╫rthogonal signal correction，OSC）算法對光譜矩陣和濃度矩陣進行正交處理，在此基礎上再濾除光譜矩陣中因SM變化引起的噪聲偏移，保留與SOM矩陣有關的信息，可以有效地提高估算模型的預測精度[17-18]?！颈狙芯壳腥朦c】本研究采集江漢平原公安縣和潛江市的土壤樣本，在室內設計SM梯度試驗，模擬SM、SOM和土壤Vis-NIR光譜的互作用過程，獲取9個SM梯度（0%—36%）的Vis-NIR光譜數據，定量表達SM變化對土壤Vis-NIR光譜數據的影響，嘗試將EPO、OSC應用于校正不同SM梯度的光譜數據，對比二者校正后的模型精度?！緮M解決的關鍵問題】本研究開發OSC的權重轉換矩陣和載荷轉換矩陣，定向消除光譜中受水分影響的信息，建立具有更高魯棒性的SOM光譜估算模型，為今后田間實時動態監測土壤養分信息提供理論支撐。

1 材料與方法

1.1 土樣采集、制備與樣本集劃分

2010—2015年，以江漢平原的公安縣和潛江市為采樣區域，分多次采集深度為0—20 cm的土壤樣品共234份，其中，2010年、2011年、2012年在公安縣分別采集土樣23份、16份、22份，2015年在潛江市采集土樣173份。每次采樣后，及時處理土樣，清除土樣中小礫石、表層枯枝落葉、動物殘體等外來侵入物，將土樣帶回實驗室進行風干、研磨、過2 mm篩等處理后，將土樣分為兩份，一份裝入玻璃廣口瓶中封存，用于測定Vis-NIR光譜數據；另一份繼續過60目篩后采用重鉻酸鉀容量法-外加熱法測定SOM含量[19]。所有批次的樣本用于建立樣品庫。

建模集（S0）：從樣品庫中，隨機選取122份作為S0。這些樣本采集自江漢平原的公安縣和潛江市，土壤類型主要為潮土。

訓練集（S1）和驗證集（S2）：從樣品庫中，選取采集自潛江市竹根灘鎮的潮土樣本95份，其土壤母質為石灰質近代河流沖積物，土壤表層質地以砂質壤土為主；按照SOM的大小，升序排列，間隔2個或3個樣本挑選出60份土樣作為S1，剩余35份土樣作為S2。

1.2 土壤含水量試驗設計

本文采用土壤質量含水量作為SM，設計9個SM梯度（0%、4%、8%、12%、16%、20%、24%、28%、32%）對S1和S2的土樣進行9個SM梯度的光譜觀測試驗，研究SM變化對土壤Vis-NIR光譜的影響。每份土樣稱取150 g烘干土（SM為0%），放置于直徑7.5 cm、深度5 cm規格的圓柱形黑盒中，進行光譜測量，得到干土光譜數據（干土樣本）；以每個土樣增加4%的SM為標準，用噴霧器均勻噴灑6 g水，而后迅速密封以防水分蒸發；靜置8 h使水分在土壤中擴散均勻，測量濕土光譜數據，立即重新稱重以計算實際SM（質量含水量）；重復加水步驟，直至完成試驗。盡管土壤樣本內部不同深度的土壤水分存在較小差異，但這種微小變異不會對光譜數據的測量造成明顯的影響，因此忽略不計。濕土特指SM梯度為0%以外的8個SM梯度樣本。

1.3 光譜數據采集及預處理

土壤Vis-NIR光譜反射率采用ASD Field Spec3地物光譜儀測定，該儀器由美國Analytical Spectral Devices公司生產，波譜范圍為350—2 500 nm，采樣間隔為1.4 nm（350—1 000 nm）和2 nm（1 000—2 500 nm）。光譜測量在暗室內進行，光源為能夠提供平行光線的50 W鹵素燈，入射角度（）為30°，到土樣表面中心點的距離（）為50 cm；采用5°視場角光纖探頭，垂直于土樣表面且垂足位于土樣表面中心點，到土樣表面距離（）為15 cm[20]。測試之前，先對儀器進行標準白板校正，每個土樣測量4個方向（轉動3次，每次90°），每個方向上保存5條光譜曲線，共20條，作算術平均后得到土樣實際的反射光譜數據。

S0共獲取122條光譜數據（122個樣本），S1共獲取540條光譜數據（60個樣本，9個SM梯度），S2共獲取315條光譜數據（35個樣本，9個SM梯度）。

利用ViewSpec Pro軟件導出原始土壤光譜數據；剔除土壤光譜數據中在噪聲較大、信噪比低的邊緣波段（350—399 nm，2 400—2 500 nm），保留400— 2 400 nm的光譜數據；對光譜數據進行10 nm重采樣平均，降低冗余度；選用Savitzky-Golay 11點濾波平滑法（多項式階數為2）對重采樣數據進行平滑去噪[21]，得到分析和建模的光譜數據。

1.4 EPO、OSC消除SM對Vis-NIR光譜數據影響

EPO在去除外部環境參數方面效果顯著，為消除SM的影響提供了新途徑。EPO算法首先確定受SM影響的光譜區域，再將所有的光譜投影到與受SM影響相正交的空間上，從而實現SM影響因素的去除。EPO具體運算過程可參見文獻[22-23]。鑒于篇幅，本文僅將EPO-PLSR模型結果與OSC-PLSR模型結果進行對比。

OSC由WoldS提出，其基本思想是將光譜矩陣與因變量矩陣（濃度矩陣）進行正交計算，濾除光譜矩陣中因外部參數（SM）變化而引起的差異信息，保留光譜中與因變量有關的有用信息，能有效消除光譜中的與因變量無關的外部噪聲，可以保證校正模型的穩健性。因此，該方法能夠定量表達SOM-SM-土壤光譜數據三者之間的關系，經OSC處理后，可以獲取不含SM噪聲且與SOM密切相關的光譜數據。在實際應用OSC時，需要調節正交模型的因子（components，），即決定有多少個主成分參與信號的濾波，使處理后的光譜數據建模精度穩定在較高水平。OSC具體運算過程可參見文獻[17-18]。

然后正交于土壤有機質（，經過均值中心化處理），結果記為，即：

利用*計算S1的載荷矩陣，即：

并進行歸一化處理，結果記為，即：

計算新的得分矩陣t，即：

t=S1（6）

重復計算上述步驟（1）—（6）直到*趨于穩定為止。*描述了光譜矩陣S1與有機質矩陣的正交信息。選擇一定的因子數目，利用*建立PLSR，模型的回歸系數計算如下：

重新計算得分**，即：

計算S1的載荷矩陣，即：

再利用上述計算得到的載荷，計算新的光譜（S2*），即：

1.5 光譜數據主成分分析與光譜相關系數

本文采用主成分分析（principal component analysis，PCA）對光譜數據進行降維，保留方差大、包含信息量多的組分，舍棄信息量少的組分。經PCA變換后的各組分之間相互正交、互不相關，消除光譜波長變量之間的多重共線性，用較低的變量維度、更多地表達光譜數據的向量特征。PCA的計算采用非線性迭代偏最小二乘算法（nonlinear iterative partial least squares，NIPALS），計算步驟簡單，運算速度快[24]。

本文利用光譜相關系數作為OSC處理前后光譜向量之間相似性的定量判斷標準，判斷的基本準則為“相關系數值越接近1，相似性越高”[25]。光譜相關系數測度的計算公式如下：

1.6 構建SM消除模型

EPO：首先，利用S1開發EPO轉換矩陣，將其應用于處理S0、S2中各個樣本的光譜數據，構建S0的轉換樣本集S0*和S2的轉換樣本集S2*；然后，利用S0建立PLSR模型（S0的122個樣本的光譜數據為自變量，SOM數據為因變量），利用S0*建立EPO-PLSR模型（S0*的122個樣本的光譜數據為自變量，SOM數據為因變量）；最后，將S2的35個樣本的315條光譜數據和S2*的35個樣本的315條光譜數據分別輸入PLSR模型和EPO-PLSR模型預測SOM。

OSC：首先，利用S1開發OSC的權重矩陣、載荷矩陣，將其應用于處理S0、S2中各個樣本的光譜數據，構建S0的轉換樣本集S0*和S2的轉換樣本集S2*；然后，利用S0*建立OSC-PLSR模型（S0*的122個樣本的光譜數據為自變量，SOM數據為因變量）；最后，將S2*的35個樣本的315條光譜數據輸入OSC-PLSR模型預測SOM。

對比PLSR模型與EPO-PLSR、OSC-PLSR模型的預測精度，檢驗SM的消除效果；對比EPO-PLSR模型與OSC-PLSR模型的預測精度，優選出最佳的估算模型。

1.7 估算模型的建立與驗證

本文重點是研究OSC算法消除SM對土壤Vis-NIR光譜影響，選擇EPO算法作為對照，實證土壤Vis-NIR光譜通過OSC算法處理后能夠有效提升SOM含量的估算精度，但是，限于文章篇幅，在建立估算模型時僅選用了目前較為成熟的線性PLSR方法進行建模、預測。PLSR是一種多變量統計分析方法，同時考慮了分解自變量光譜矩陣和目標因變量SOM矩陣的影響，將數據壓縮與回歸擬合相結合，使建立的模型具有更好的穩健性，并能有效地解決自變量之間的多重共線性。本文中所有PLSR模型均采用Leave-one-out交叉驗證法來確定回歸模型中最佳因子數，防止過擬合的發生。

模型精度檢驗選取建模決定系數2cal、交叉驗證決定系數2cv、預測決定系數2pre、交叉驗證均方根誤差cv、預測均方根誤差pre、RPD值、1﹕1線等7個參數衡量。2cal、2cv、2pre越接近于1，說明模型的穩定性越好、擬合程度越高。cv、pre越小模型估算預測能力越好。RPD是預測樣本標準差與預測均方根誤差pre的比值，判斷模型的預測能力，RPD＜1.4時，模型無法對樣品進行預測，模型不可用；1.4≤RPD＜2時，認為模型效果一般，可以用來對樣品進行粗略評估，模型可用；RPD≥2時，模型具有極好的預測能力，模型較好[26]。1﹕1線用于檢驗實測值、預測值所構成的散點偏離=線的程度。

本文中的數據處理、PLSR建模在Matlab R2012a（The Mathworks Inc.，USA）軟件環境下完成，圖形繪制在Matlab R2012a和Origin 2016軟件進行。

2 結果

2.1 SOM統計分析

對3個樣本集（S0，S1和S2）的SOM進行描述性統計分析（表1），S0樣本的SOM變化范圍為9.17—27.92 g·kg-1，S1為9.56—26.55 g·kg-1，S2為9.86—21.85 g·kg-1；與S1、S2相比，S0的標準差和變異系數較大，適合作為模型的建模集。

2.2 OSC-PLSR模型參數確定

OSC-PLSR模型中有兩個參數需要確定：OSC濾波因子個數和PLSR最佳因子數。采用S1開發OSC的權重矩陣、載荷矩陣，以模型中的2cv值最大、cv值最小作為確定最佳參數組合的標準。PLSR因子數優化取值范圍為1—20，當因子數≥13，2cv和cv的變化趨于穩定，說明后續PLSR因子對模型貢獻率較小，因此取13；濾波因子個數（）的優化取值范圍為1—5，當=4時，在5個濾波因子中，可以獲得最大的2cv值（0.74）和最小的cv值（1.58 g·kg-1）（圖1）。因此，確定OSC的=4，PLSR的=13。

表1 3個樣本集（S0，S1和S2）的SOM描述性統計分析

圖1 不同OSC濾波因子（c）與PLSR因子數（k）估算S1土壤有機質的R2cv（A）、RMSEcv（B）

2.3 OSC處理前、后對不同SM梯度的土壤光譜反射率的影響

在全波段（400—2 400 nm）區域范圍內，雖然S2樣本集不同SM梯度的平均光譜反射率曲線形態特征較為相似，但是，隨著SM增加，土壤光譜反射率呈現非線性降低的趨勢，當SM＜16%時，SM變化對土壤光譜反射率變化的影響相對較大，當SM≥16%時，SM變化對土壤光譜反射率變化的影響逐漸減弱，土壤光譜反射率降低速率趨緩；可見光（400—800 nm）波段范圍內光譜反射率差異較小，近紅外（800—2 400 nm）波段范圍內土壤光譜反射率隨SM的絕對變化量明顯大于可見光波段，表明SM對土壤近紅外波段光譜反射率的影響作用強于可見光波段。不同SM梯度的濕土平均光譜反射率在1 450 nm和1 940 nm附近存在劇烈的反射率變化，隨著SM的增加，1 450 nm和1 940 nm附近的水分吸收谷的吸收深度、吸收面積不斷變大（圖2-A）。

然而，經OSC處理后的S2*樣本集各SM梯度的平均光譜反射率曲線的變化較為一致（圖2-B），呈現出明顯的相似性，光譜曲線之間的差異微小，有效地降低了SM對光譜反射率的影響，將受SM影響顯著的1 450 nm和1 940 nm的差異幾乎消除。

2.4 基于PCA得分與光譜相關系數對比OSC消除SM變化影響的效果

對OSC處理前的S2樣本集和OSC處理后的S2*樣本集的光譜數據分別進行均值中心化（mean centre），再利用PCA方法計算樣本的第一和第二主成分得分作為橫坐標和縱坐標，在二維空間的坐標系中以樣本點的形式表征濕土光譜數據的差異（圖3）。OSC處理前，S2的樣本點相對分散，濕土樣本點與干土樣本點的距離較遠，反映了干土、濕土樣本之間光譜數據相似性很差；不同SM梯度的濕土樣本點分布范圍的重疊程度極低，表明同一土樣在不同SM梯度采集的土壤Vis-NIR光譜數據具有明顯的差異性（圖3-A）。OSC處理后，S2*的樣本點分布范圍的重合程度極高，反映出干土和濕土樣本的光譜數據已經具有很高的相似性，表明OSC可以有效地消除因SM變化引起的光譜差異（圖3-B）。

DG為干土。下同 DG represent dry ground. The same as below

圖3 OSC處理前（A）、后（B）的S2樣本集第一、二個主成分得分圖

計算S2樣本集和S2*樣本集不同SM梯度兩兩之間的光譜相關系數（圖4）。OSC處理前，S2樣本之間的光譜相關系數變化較大（0.63—1），干土與各SM梯度濕土之間的光譜相關系數隨著SM的增大而不斷減小，以干土與32%之間的相關系數最低（0.63）最為明顯，表明不同SM梯度之間的樣本光譜數據的相似性較差（圖4-A）。OSC處理后，S2*樣本之間的光譜相關系數變化較?。?.95—1），干土與濕土樣本之間光譜數據相似性很高，進一步表明OSC可以消除SM變化對光譜反射率的影響（圖4-B）。

圖4 OSC處理前（A）、后（B）的S2樣本集不同SM梯度的光譜相關系數

2.5 PLSR、EPO-PLSR、OSC-PLSR模型的建立

PLSR、EPO-PLSR、OSC-PLSR模型的2cal均較好（表2）。PLSR模型的2cv為0.57，S2的驗證平均2pre、RPD分別為0.34、1.18，驗證集9個梯度的2pre、pre、RPD的標準差變化較大，說明模型在不同SM梯度下的穩定性差，無法實現SOM在不同SM梯度的有效估算。

EPO-PLSR模型的2cv為0.65（表2），S2*的驗證平均2pre、RPD分別為0.69、1.80，平均RPD＞1.4，模型效果一般，可以用來對SOM進行粗略評估；相比PLSR模型（未進行SM消除），平均RPD提升了0.62。但驗證集9個梯度的2pre、pre、RPD的標準差變化較大，模型在不同SM梯度下的穩定性較差。

表2 OSC前、后的干土模型（S0建模）驗證S2的土壤有機質預測結果

平均值、標準差為不同SM梯度計算所得 The mean value and standard deviation are calculated among different SM levels

經OSC處理后（表2），OSC-PLSR模型的2cv為0.66，S2*的驗證平均2pre、RPD分別0.72、1.89，模型精度一般。相比OSC處理前，平均pre降低了0.98，模型從不可用級別提高到可用級別；不同SM梯度之間的2pre、pre、RPD的標準差均小于0.1，模型在不同SM梯度下的性能穩定、預測能力較好，表明OSC-PLSR模型能有效降低SM變化對光譜的影響，實現SOM在未知SM情況下的粗略估算。

在5%顯著性水平，計算得到95%預測區間，對OSC-PLSR模型在不同SM梯度下的實測值和預測值進行精度檢驗（圖5）。S2*樣本集中不同SM梯度的濕土光譜數據輸入OSC-PLSR模型，獲得的SOM預測精度均較好，總體上，隨著SM的增加，模型驗證精度略有降低，但2pre均大于0.7，不同SM梯度的SOM最佳擬合線與1﹕1線偏離較小，模型解釋能力均較好。

圖5 OSC-PLSR模型的S2*樣本集土壤有機質實測值與預測值散點圖

3 討論

由于C-H、O-H、C=O基團的合頻和倍頻振動吸收而引起的直接光譜響應，為采用光譜技術定量估算SOM提供了可能[27-28]。然而，由于受土壤水分的強烈干擾，利用在田間未知SM狀況下觀測的Vis-NIR光譜數據所建立的SOM估算模型的精度低于在實驗室內觀測的烘干土樣的Vis-NIR光譜數據建立的估算模型精度；反之，在室內可控條件下，由于難以模擬田間隨機條件，構建的估算模型又難以應用于田間SOM預測。因此，本文設計了SM梯度試驗，一方面采用同一土壤類型的樣本，經過磨碎、過篩等步驟，消除了土壤顆粒組成、土壤質地等因素不同而產生的影響，實現條件控制；另一方面通過室內設計多梯度SM實驗，模擬外部環境參數變化對土壤Vis-NIR光譜的影響，揭示土壤Vis-NIR光譜的對SM變化的響應規律，為定量消除SM變化對土壤Vis-NIR光譜的影響提供基礎數據。

本文利用S0樣本集及其經OSC處理后的S0*樣本集分別建立PLSR模型和OSC-PLSR模型，分別利用S2和S2*的光譜數據對兩個估算模型進行驗證。結果顯示，PLSR模型的不同SM梯度的濕土的驗證效果均較差，表明SM變化嚴重影響光譜觀測，亦是導致SOM預測精度下降重要因素；OSC-PLSR模型用任意SM梯度驗證均得到較好的效果，這表明OSC有效降低了因SM變化引起的光譜曲線的偏移差異，使濕土與干土樣本之間的光譜曲線更為相似，使得在干土條件下建立的SOM光譜反演模型可以運用于不同SM梯度的SOM的光譜預測[29]。9個SM梯度的驗證平均RPD為1.89，說明校正后的OSC-PLSR模型受SM影響微弱，可以對未知SM的土樣的SOM進行粗略估算。Barboza等[30]研究采用分段直接標準化（PDS）和OSC兩種方法對飲料中的酒精含量在4個溫度梯度下模型進行溫度校正，發現OSC要略優于PDS算法。本文引入OSC，用于消除SM變化對土壤Vis-NIR光譜影響的研究中，取得了較為理想的效果。但采用OSC時需要注意調節正交模型的因子個數，確定最佳因子數，這是OSC-PLSR模型保持較高精度的關鍵[31]。

目前，許多不同尺度土壤光譜數據庫（soil spectra library，SSL）已經建立，如VISCARRA ROSSEL等[32]描述的全球尺度SSL、史舟等[33]描述的國家尺度SSL、ZENG等[34]描述的區域尺度SSL、于雷[35]描述的局部尺度SSL。在這些SSL中，土壤樣本經過風干、磨碎、過篩等室內處理工作，獲取了豐富的先驗知識信息（土壤烘干光譜數據、土壤理化性質數據、土樣空間分布數據等），可以建立精度較高的多元校正模型。但是，直接將田間觀測的光譜數據輸入基于室內穩定環境下建立的光譜估算模型，會導致預測精度較低[36]。本研究采用干土樣本建模、濕土樣本驗證的研究思路，為將來充分利用已有的大樣本土壤光譜數據庫提供理論參考，避免重復采樣、分析與建模，節省人力、物力、財力等資源，可有效降低建模成本。今后，可將OSC-PLSR模型應用于田間未知SM狀況下Vis-NIR光譜技術動態監測SOM工作中。

相比EPO-PLSR模型，OSC-PLSR模型精度的平均2pre提升了0.03，平均RPD提升了0.09，二者的模型精度相當。這可能是由于在本研究中，S1、S2樣本集的SOM變幅范圍均較小，變異系數分別為17.46%、17.54%，樣品多樣性較窄。此外，本試驗的樣本加濕方式采用的是土樣表層正向梯度噴灑加水，水分多集中于土壤表層，會導致SM在垂直方向難以分布均勻，尤其是在低SM梯度下，進而可能會影響SM消減的模型效果。Liu等[37]采用底部盛水的樣本加濕方式（容器底部含有小孔），該方法可以允許土樣充分的吸收SM，在樣本內部產生更均勻的SM分布。在后續的研究中，需要對SM梯度試驗設計進一步優化。

4 結論

4.1 隨著土壤含水量（SM）的增加，土壤光譜反射率呈非線性降低趨勢，SM變化對紅外波段反射率的影響強于可見光波段，在1 450 nm和1 940 nm附近受SM變化影響最為明顯。

4.2 OSC處理前，不同SM梯度下的光譜數據PCA得分樣本點相對分散，干土樣本與濕土樣本之間的光譜相關系數相對較小，說明SM變化嚴重影響土壤Vis-NIR光譜觀測結果；OSC處理后，干土與濕土的PCA得分樣本點分布范圍的重合程度極高，樣本之間的光譜相關系數接近1，表明OSC有效地消除了SM變化對光譜數據的影響，使干土和濕土樣本的光譜數據具有很高的相似性。

4.3 OSC中正交因子參數的確定對模型精度有一定的影響，在實際應用中需要注意優化調節。本研究中，取4即可。

4.4 OSC-PLSR模型在9個SM梯度驗證，得到的平均2pre、RPD分別為0.72、1.89，不同SM梯度之間的2pre、pre、RPD的標準差均小于0.1，校正后的OSC-PLSR模型受SM影響的較小，模型性能穩定，可以較好地估測SOM。這為田間未知SM狀況下快速監測土壤肥力信息提供了理論參考。

[1] LUCE M S, ZIADI N, ZEBARTH B J, GRANT C A, TREMBLAY G F, GREGORICH E G. Rapid determination of soil organic matter quality indicators using visible near infrared reflectance spectroscopy., 2014, 232-234: 449-458.

[2] KODAIRA M, SHIBUSAWA S. Using a mobile real-time soil visible-near infrared sensor for high resolution soil property mapping., 2013, 199: 64-79.

[3] SHI Z, JI W, VISCARRA ROSSEL R A, CHEN S, ZHOU Y. Prediction of soil organic matter using a spatially constrained local partial least squares regression and the Chinese vis-NIR spectral library., 2015, 66(4): 679-687.

[4] DAS B S, SARATHJITH M C, SANTRA P, SAHOO R N, SRIVASTAVA R, ROUTRAY A, RAY S S. Hyperspectral remote sensing: Opportunities, status and challenges for rapid soil assessment in India., 2015, 108(5): 860-868.

[5] 南鋒, 朱洪芬, 畢如田. 黃土高原煤礦區復墾農田土壤有機質含量的高光譜預測. 中國農業科學, 2016, 49(11): 2126-2135.

NAN F, ZHU H F, BI R T. Hyperspectral prediction of soil organic matter content in the reclamation cropland of coal mining areas in the Loess Plateau., 2016, 49(11): 2126-2135. (in Chinese)

[6] LIU Y L, JIANG Q H, FEI T, WANG J J, SHI T Z, GUO K, LI X R, CHEN Y Y. Transferability of a visible and near-infrared model for soil organic matter estimation in riparian landscapes., 2014, 6(5): 4305-4322.

[7] VOHLAND M, BESOLD J, HILL J, FRUND H C. Comparing different multivariate calibration methods for the determination of soil organic carbon pools with visible to near infrared spectroscopy., 2011, 166(1): 198-205.

[8] MOUAZEN A M, DE BAERDEMAEKER J, RAMON H. Effect of wavelength range on the measurement accuracy of some selected soil constituents using visual-near infrared spectroscopy., 2006, 14(3): 189-199.

[9] JI W J, LI S, CHEN S C, SHI Z, VISCARRA ROSSEL R A, MOUAZEN A M. Prediction of soil attributes using the Chinese soil spectral library and standardized spectra recorded at field conditions., 2016, 155: 492-500.

[10] WU C Y, JACOBSON A R, LABA M, BAVEYE P C. Alleviating moisture content effects on the visible near-infrared diffuse- reflectance sensing of soils., 2009, 174(8): 456-465.

[11] NOCITA M, STEVENS A, NOON C, WESEMAEL B V. Prediction of soil organic carbon for different levels of soil moisture using Vis-NIR spectroscopy., 2013, 199: 37-42.

[12] 王超, 馮美臣, 楊武德, 肖璐潔, 李廣信, 趙佳佳, 任鵬. 一種降低土壤水分對土壤有機質光譜監測精度的新方法. 光譜學與光譜分析, 2015, 35(12): 3495-3499.

WANG C, FENG M C, YANG W D, XIAO L J, LI G X, ZHAO J J, REN P. A new method to decline the SWC effect on the accuracy for monitoring SOM with hyperspectral technology., 2015, 35(12): 3495-3499. (in Chinese)

[13] JI W, VISCARRA ROSSEL R A, SHI Z. Accounting for the effects of water and the environment on proximally sensed vis-NIR soil spectra and their calibrations., 2015, 66(3): 555-565.

[14] 陳奕云, 漆錕, 劉耀林, 何建華, 姜慶虎. 顧及土壤濕度的土壤有機質高光譜預測模型傳遞研究. 光譜學與光譜分析，2015, 35(6): 1705-1708.

CHEN Y Y, QI K, LIU Y L, HE J H, JIANG Q H. Transferability of hyperspectral model for estimating soil organic matter concerned with soil moisture., 2015, 35(6): 1705-1708. (in Chinese)

[15] MINASNY B, MCBRATNEY A B, BELLON-MAUREL V, ROGER J M, GOBRECHT A, FERRAND L, JOALLAND S. Removing the effect of soil moisture from NIR diffuse reflectance spectra for the prediction of soilorganic carbon., 2011, 167-168: 118-124.

[16] 陳紅艷, 趙庚星, 張曉輝, 王瑞燕, 孫莉, 陳敬春. 去除水分影響提高土壤有機質含量高光譜估測精度. 農業工程學報，2014, 30(8): 91-100.

CHEN H Y, ZHAO G X, ZHANG X H, WANG R Y, SUN L, CHEN J C. Improving estimation precision of soil organic matter content by removing effect of soil moisture from hyperspectra., 2014, 30(8): 91-100.(in Chinese )

[17] WOLD S, ANTTI H, LINDGREN F, ?HMAN J. Orthogonal signal correction of near-infrared spectra., 1998, 44(1): 175-185.

[18] SJ?BLOM J, SVENSSON O, JOSEFSON M, KULLBERG H, WOLD S. An evaluation of orthogonal signal correction applied to calibration transfer of near infrared spectra., 1998, 44: 229-244.

[19] 鮑士旦. 土壤農化分析. 3 版. 北京: 中國農業出版社, 2013: 30-34.

BAO S D.. Beijing: China Agriculture Press, 2013: 30-34. (in Chinese)

[20] 洪永勝, 于雷, 耿雷, 張薇, 聶艷, 周勇. 應用DS算法消除室內幾何測試條件對土壤高光譜數據波動性的影響. 華中師范大學學報(自然科學版). 2016, 50(2): 303-308.

HONG Y S, YU L, GENG L, ZHANG W, NIE Y, ZHOU Y. Using direct standardization algorithm to eliminate the effect of laboratory geometric parameters on soil hyperspectral data fluctuate characteristic., 2016, 50(2): 303-308. (in Chinese)

[21] SAVITZKY A, GOLAY M J E. Smoothing and differentiation of data by simplified least squares procedures., 1964, 36(8): 1627-1639.

[22] ROGER J M, CHAUCHARD F, BELLON-MAUREL V. EPO-PLS external parameter orthogonalisation of PLS application to temperature- independent measurement of sugar content of intact fruits., 2003, 66(2): 191-204.

[23] GE Y, MORGAN C L S, ACKERSON J P. VisNIR spectra of dried ground soils predict properties of soils scanned moist and intact., 2014, 221-222: 61-69.

[24] 褚小立. 化學計量學方法與分子光譜分析技術. 北京: 化學工業出版社, 2011.

CHU X L.. Beijing: Chemical Industry Press, 2011. (in Chinese)

[25] KRUSE F A, LEFKOFF A B, BOARDMAN J W, HEIDEBRECHT K B, SHAPIRO A T, BARLOON P J, GOETZ A F H. The spectral image processing system (SIPS)-interactive visualization and analysis of imaging spectrometer data., 1993, 44(2/3): 145-163.

[26] 于雷, 洪永勝, 周勇, 朱強, 徐良, 李冀云, 聶艷. 高光譜估算土壤有機質含量的波長變量篩選方法. 農業工程學報, 2016, 32(13): 95-102.

YU L, HONG Y S, ZHOU Y, ZHU Q, XU L, LI J Y, NIE Y. Wavelength variable selection methods for estimation of soil organic matter content using hyperspectral technique., 2016, 32(13): 95-102. (in Chinese)

[27] 劉亞秋, 陳紅艷, 王瑞燕, 常春艷, 陳哲. 基于可見/近紅外光譜的黃河口區土壤鹽分及其主要離子的定量分析. 中國農業科學, 2016, 49(10): 1925-1935.

LIU Y Q, CHEN H Y, WANG R Y, CHANG C Y, CHEN Z. Quantitative analysis of soil salt and its main ions based on visible/near infrared spectroscopy in Estuary Area of Yellow River., 2016, 49(10): 1925-1935. (in Chinese)

[28] WANG C K, PAN X Z. Improving the prediction of soil organic matter using visible and near infrared spectroscopy of moist samples., 2016, 24(3): 231-241.

[29] LIU Y L, JIANG Q H, SHI T Z, FEI T, WANG J J, LIU G L, CHEN Y Y. Prediction of total nitrogen in cropland soil at different levels of soil moisture with Vis/NIR spectroscopy., 2014, 64(3): 267-281.

[30] BARBOZA F D, POPPI R J. Determination of alcohol content in beverages using short-wave near-infrared spectroscopy and temperature correction by transfer calibration procedures., 2003, 377(4): 695-701.

[31] FU Q B, WANG J M, LIN G N, SUO H, ZHAO C. Short-wave near-infrared spectrometer for alcohol determination and temperature correction., 2012(1): 728128.

[32] VISCARRA ROSSEL R A, BEHRENS T, BEN-DOR E, BROWN D J, DEMATTê J A M, SHEPHERD K D, SHI Z, STENBERG B, STEVENS A, ADAMCHUK V, AICHI H, BARTHêS B G, BARTHOLOMEUS H M, BAYER A D, BERNOUX M, BOTTCHER K, BRODSKY′ L, DU C W, CHAPPELL A, FOUAD Y, GENOT V, GOMEZ C, GRUNWALD S, GUBLER A, GUERRERO C, HEDLEYC B, KNADEL M, MORRAS H J M, NOCITA M, RAMIREZLOPEZ L, ROUDIER P, RUFASTO CAMPOS E M, SANBORN P, SELLITTO V M, SUDDUTH K A, RAWLINS B G, WALTER C, WINOWIECKI L A, HONG S Y, JI W. A global spectral library to characterize the world’s soil., 2016, 155: 198-230.

[33] 史舟, 王乾龍, 彭杰, 紀文君, 劉煥軍, 李曦, ROSSEL R A V. 中國主要土壤高光譜反射特性分類與有機質光譜預測模型. 中國科學: 地球科學, 2014, 44(5): 978-988.

SHI Z, WANG Q L, PENG J, JI W J, LIU H J, LI X, ROSSEL R A V. Development of a national VNIR soil-spectral library for soil classification and prediction of organic matter concentrations.:, 2014, 44(5): 978-988. (in Chinese)

[34] ZENG R, ZHAO Y G, LI D C, WU D W, WEI C L, ZHANG G L. Selection of “local” models for prediction of soil organic matter using a regional soil Vis-NIR spectral library., 2016, 181(1): 13-19.

[35] 于雷, 洪永勝, 周勇, 朱強. 連續小波變換高光譜數據的土壤有機質含量反演模型構建. 光譜學與光譜分析, 2016, 36(5): 1428-1433.

YU L, HONG Y S, ZHOU Y, ZHU Q. Inversion of soil organic matter content using hyperspectral data based on continuous wavelet transformation., 2016, 36(5): 1428-1433. (in Chinese)

[36] JI W, VISCARRA ROSSEL R A, SHI Z. Improved estimates of organic carbon using proximally sensed vis-NIR spectra corrected by piecewise direct standardization., 2015, 66(4): 670-678.

[37] LIU Y, PAN X Z, WANG C K, LI Y L, SHI R J. Predicting soil salinity with Vis-NIR spectra after removing the effects of soil moisture using external parameter orthogonalization., 2015, 10(10): e0140688.

（責任編輯 楊鑫浩）

Using Orthogonal Signal Correction Algorithm Removing the Effects of Soil Moisture on Hyperspectral Reflectance to Estimate Soil Organic Matter

HONG YongSheng, YU Lei, ZHU YaXing, LI SiDi, GUO Li, LIU JiaSheng, NIE Yan, ZHOU Yong

(College of Urban & Environmental Science, Central China Normal University/Key Laboratory for Geographical Process Analysis & Simulation, Hubei Province, Central China Normal University, Wuhan 430079)

【】Rapid and accurate quantitative analysis of soil organic matter is essential for sustainable development of precision agriculture. Visible and near-infrared (Vis-NIR) reflectance spectroscopy has been widely used for soil properties estimation and digital soil mapping. However, it is less exact in monitoring soil organic matter (SOM) in the field when compared to laboratory-based spectroscopic measurement mainly due to some factors, such as soil moisture, temperature, and soil surface texture. Among these three factors, soil moisture (SM) has the most pronounced effects on spectral reflectance. Therefore, it is urgently significant that a method for removing SM effects from spectral reflectance and improving the accuracy of quantitative prediction of SOM should be proposed. 【】 A total of 217 soil samples used in this study were collected at 0-20 cm depth from Gong'an County and Qianjiang City in Jianghan Plain. These soil samples were air-dried, ground, and sieved (less than 2 mm) in the laboratory, and the SOM of each soil sample was analyzed based on potassium dichromate external heating method. These 217 samples were further divided into three non-overlapping data-sets: the model calibration set (S0), this set consisted of 122 samples to develop multivariate models for SOM; The orthogonal signal correction (OSC) development set (S1), this set consisted of 60 samples for OSC development; The validation set (S2), this set consisted of 35 samples for independent OSC validation. Then, sample rewetting (S1andS2set) was carried out: each soil sample was weighed 150 g oven-dried soil in a cylindrical black box, and then they were rewetted by 4% SM increment for each level in the laboratory. Total 9 treatments were obtained, corresponding to the following SM levels i.e. 0%, 4%, 8%, 12%, 16%, 20%, 24%, 28%, and 32%. Soil hyperspectral reflectance was measured in the laboratory with an ASD Fieldspec-Pro spectroradiometer for the three data-sets (S0, S1andS2, including the rewetting samples). Savitzky-Golay smoothing with a window size of 11 nm and polynomial order of 2 (SG) were applied to the three data-sets, then external parameter orthogonalization (EPO) and orthogonal signal correction (OSC) were conducted to remove the SM effects on reflectance spectra. In the next, the effect of SM on the reflectance spectra was analyzed, and the scores of the first two principal components from the principal component analysis (PCA) corrected by OSC method and spectral correlation coefficient were used to compare the performance in removing the effects of SM. Finally, the S0data-sets were calibrated using the partial least squares regression (PLSR), and the S2data-sets were then examined as external validation sets. Using the coefficient of determination (2), root mean squared error () and the ratio of prediction to deviation (RPD) between the predicted and measured SOM to compare the performance of PLSR, EPO-PLSR and OSC-PLSR models, high2, RPD and lowwere indicators of the optimal model in the removal of SM effects.【】SM had an obvious influence on soil spectra reflectance, and the reflectance values across the entire wavelength domain decreased as the SM increased, making it more challenging to identify useful features of SOM by spectra, it dramatically degraded the prediction accuracy of SOM. No overlap before OSC was observed between the wet and dry ground spectra because the wet spectra grouped in an independent space from the dry ground spectra, and the range of the spectral correlation coefficients between different SM levels was large. However, after OSC, the wet spectra had nearly identical positions in the feature space to the corresponding dry ground spectra, which showed the spectral similarity between the two groups of spectra, and the range of the spectral correlation coefficients between different SM levels was small. The validation mean values of2pre, RPD for the nine SM levels of EPO-PLSR model were 0.72 and 1.89, respectively. OSC method could effectively remove the effects of SM on SOM estimation, OSC-PLSR model obtained a better performance than the PLSR, EPO-PLSR model, the validation mean values of2pre, RPD for the nine SM levels were 0.72 and 1.89, respectively. 【】 OSC-PLSR method was recommended for a better quantitative prediction of SOM from the soil samples under different SM levels. In the future, this approach may facilitate the proximally sensed field spectra for rapidly measuring SOM for this study area.

Vis-NIR spectra; soil organic matter (SOM); soil moisture (SM); orthogonal signal correction (OSC); partial least squares regression (PLSR); Jianghan Plain

10.3864/j.issn.0578-1752.2017.19.013

2016-10-12；接受日期：2017-06-19

國家自然科學基金（41401232）、中央高?；究蒲袠I務費專項資金（CCNU15A05006）、華中師范大學研究生教育創新資助項目（2016CXZZ15）

洪永勝，E-mail：hongyongsheng@mails.ccnu.edu.cn。通信作者于雷，E-mail：yulei@mail.ccnu.edu.cn