基于光谱形状特征的土壤有机质预测方法

本发明属于土壤有机质光谱预测领域，具体涉及一种估算土壤有机质的方法。

土壤有机质(SOM)是重要的理化参数，SOM是土壤安全和肥力评价的重要指标。在精准农业和土地可持续利用方面需要快速准确的SOM估算。人们使用光谱技术去了解不同地物的理化性质差异，具体的光谱差异主要体现在不同光谱波长的反射和吸收特征。研究表明，SOM在可见光近红外区域有强烈的吸收特征，可用于快速准确的估算SOM含量。随着SOM含量的增加，光谱反射率降低，因此，SOM与光谱反射率具有较好的负相关。为了提高SOM与光谱反射率的相关性，微分、对数、倒数等数学变换方法被应用于SOM预测。其中微分变换是最常用的光谱变换方法，不仅可以提高与SOM的相关性，还可以消除植被的影响。在当前的研究中，分数阶微分被应用于SOM预测，弥补了整数阶微分在SOM预测中光谱信息不能完全捕捉的情况。但对于土壤光谱SOM预测，一般使用很多波长的反射率或数学变换值作为预测变量，增加了运算强度。

光谱特征参数可以表征光谱曲线的形状特征，一般基于光谱去包络线曲线提取光谱特征参数，主要包括吸收面积、吸收位置、吸收深度和对称度等。光谱特征参数多用于土壤光谱分类研究，不同土壤类型在可见光的光谱特征差异较大，因此，使用光谱特征参数进行土壤分类，可以得到高分类精度。光谱特征参数用于SOM预测的研究很少，但在可见光随着SOM含量增加，当反射率下降时，光谱曲线的形状也发生变化。为了研究光谱特征参数在SOM预测中的潜力，提出了一种基于光谱曲线形状特征的SOM预测方法。开发一种快速、准确且预测变量少的SOM预测方法是必要的，可以极大的提高预测效率。在使用光谱特征参数预测的同时，局部建模方法也被应用来提高模型的预测能力。

本发明的目的是为了解决当前SOM预测使用的预测变量过多导致运算复杂的技术问题，提供了一种基于光谱形状特征的土壤有机质预测方法。

基于光谱形状特征的土壤有机质预测方法如下：

一、土壤样本采集与处理：

在中国东北采集中国东北耕地表层土壤样本，对土壤样本进行风干、研磨和过筛处理，使用重铬酸钾加热法，通过1.724的转化系数得到SOM含量；

所述重铬酸钾加热法的操作步骤如下：

1.1、用减量法称取0.1000g-0.5000g风干土样，精确到0.0001g，通过0.149mm的筛孔将风干土样置于硬质试管中，加入0.1g硫酸银，加入5.00mL浓度为0.8000mol/L的重铬酸钾标准溶液，再用注射器注入5mL硫酸，旋转摇匀；

1.2、先将油浴锅加热至185℃-190℃，将盛有土样的硬质试管插入油浴锅内的铁丝笼架中加热，控制油浴锅内温度为170℃-180℃，并使溶液保持沸腾5min，然后取出铁丝笼架，待硬质试管稍冷后，用干净纸擦净试管外部的油液；

1.3、如煮沸后的溶液呈绿，表示重铬酸钾标准溶液用量不足，应再称土样重做；如煮沸后的溶液呈橙黄或黄绿，则冷却后将试管内的混合物吸入250mL锥形瓶中，瓶内体积控制在60mL-80mL，加入3滴-4滴邻菲啰啉指示剂，用0.2mol/L硫酸亚铁铵标准溶液滴定至溶液由橙黄经蓝绿到棕红为终点；如用N-苯基指示剂，则变过程由棕红经紫到蓝绿为终点；

1.4、分析每批土样时，做2-3个空白试验，空白试验不加土样，但加入0.1g-0.5g石英砂，其他操作步骤与土样分析完全相同。

二、土壤样本光谱测试：

在暗室内使用ASD地物光谱仪进行光谱测试，光谱范围为350-2500nm，土壤样本放入器皿中将表面刮平，采用一个50W的卤素灯作为光源照射土壤样本表面，使用ASD地物光谱仪的探头对土壤光谱进行采集，每次采集10条光谱曲线，计算均值作为一个土壤样点的光谱反射率曲线；

三、土壤光谱处理：

对光谱反射率曲线进行九点平滑、10nm重采样和包络线去除处理，通过去包络线曲线确定在可见光两个吸收谷的吸收位置，基于两个吸收位置，在光谱反射率曲线上提取光谱特征参数长度L和面积A；

所述九点平滑的公式如下：

R′i＝0.04Ri-4+0·08Ri-3+0.12Ri-2+0.16Ri-1+0.2Ri+0.16Ri+1+0.12Ri+2+0.08Ri+3+0.04Ri+4

R′i表示平滑后某一波长的反射率，R表示实测反射率，i表示波长；

所述特征参数长度L公式为：

n＝180°-arctan(α)

长度L公式中其中λ表示波长，λa表示波长是a，R表示反射率，β表示半径，π＝3.14；

所述特征参数面积A公式为：

Ac＝Aabc-A▲abc

A▲abc＝[(P2-P1)×(Rc-Ra)]×0.5

其中λ表示波长，λa表示波长是a，d表示重采样间隔，R表示反射率，P表示吸收位置，n和α分别代表夹角(见说明书附图2)，β表示半径，π＝3.14；

四、土壤样本聚类：使用k-mean聚类分别对中国东北耕地表层土壤样本进行聚类，并确定最优聚类数；

五、SOM预测模型构建：

预测模型使用随机森林模型，将光谱特征参数长度L和面积A作为预测变量，在软件R中构建随机森林模型，估算SOM含量，即得预测的土壤有机质。

步骤一中采集耕地表层0.5-20cm的土壤样本。

步骤二中使用ASD地物光谱仪进行光谱测试，光谱范围为350-2500nm。

步骤五中构建随机森林模型使用RandomForest包，当树的数量设置为500，最优分裂节点设置为预测变量的三分之一时，模型的袋外误差是稳定的。

步骤五SOM预测模型构建后，SOM预测精度使用决定系数和均方根误差评估，RMSE计算公式如下：

(此公式中的ypi和yoi是ypi和yoi)

其中yp是SOC预测值，yo是SOC实测值，m是土壤样本数。

本发明构建的模型具有较高的预测精度，基于形状特征的光谱特征参数在SOM预测中具有很大的潜力。

图1是本发明实验一中土壤采样点分布图；

图2是本发明实验一中光谱特征参数提取示意图，图中(a)是长度示意图，(b)是面积示意图；

图3是本发明实验一中农安县训练结果；

图4是本发明实验一中农安县验证结果；

图5是本发明实验一中三江平原训练结果；

图6是本发明实验一中三江平原验证结果。

本发明技术方案不局限于以下所列举具体实施方式，还包括各具体实施方式间的任意组合。