高光譜技術(shù)在土壤成分檢測中的應(yīng)用研究進(jìn)展
土壤是農(nóng)業(yè)生產(chǎn)的基礎(chǔ)，為植物提供必要的養(yǎng)分和生存環(huán)境。優(yōu)質(zhì)土壤既可以為農(nóng)作物提供足夠的水分與養(yǎng)分，又能保證農(nóng)作物正常生長發(fā)育，提高農(nóng)產(chǎn)品的產(chǎn)量與品質(zhì)。不同的土壤指標(biāo)采用的測定方法不同，如檢測有機(jī)質(zhì)的重鉻酸鉀容重法、檢測硝態(tài)氮的分光光度法、檢測全磷的鉬銻抗比色法、檢測全鉀的火焰光度計(jì)法及檢測 pH 值的電位法等。
傳統(tǒng)獲取土壤信息的方法具有檢出限低、準(zhǔn)確度高的優(yōu)點(diǎn)，但測試周期長、分析成本高，并且需要復(fù)雜的樣品前處理，不適用于大范圍的土壤元素含量測定。
近年來，高光譜技術(shù)因其快速、無污染、探測范圍廣的特點(diǎn)，現(xiàn)已廣泛應(yīng)用于土壤特征參數(shù)的研究中，常作為土壤元素含量大面積精準(zhǔn)反演的有效方法，并逐步應(yīng)用于農(nóng)業(yè)、食品和制藥等領(lǐng)域。
本研究綜述高光譜成像的原理及其系統(tǒng)裝置，并對高光譜數(shù)據(jù)處理與分析方法展開討論，總結(jié)高光譜成像技術(shù)在土壤成分檢測中的評估及其應(yīng)用，對高光譜成像技術(shù)在土壤成分檢測中的應(yīng)用前景提出展望。
1 高光譜技術(shù)
1.1 高光譜成像技術(shù)原理
高光譜成像技術(shù)將二維成像技術(shù)與光譜分析技術(shù)相融合，不僅能夠全面捕捉樣本的物理形態(tài)與幾何結(jié)構(gòu)特征，還可以通過光譜分析深入揭示樣本的化學(xué)成分信息。因此，在連續(xù)的波長范圍內(nèi)，高光譜成像技術(shù)能夠生成一系列高分辨率的圖像數(shù)據(jù)，這些數(shù)據(jù)不僅具有高度的空間分辨率，還蘊(yùn)含豐富的光譜信息。
如圖1所示，高光譜成像技術(shù)產(chǎn)生的圖像數(shù)據(jù)構(gòu)成一個(gè)三維立方體圖像，其中，x、y軸表示空間位置，λ軸表示波長位置。因此，高光譜圖像中的每一個(gè)像素單元均蘊(yùn)含獨(dú)特的光譜特征信息，能詳細(xì)地映射各像素點(diǎn)特有的屬性與狀態(tài)。高光譜圖像采集的掃描路徑分為點(diǎn)、線、面3種掃描方式，其中線掃描能夠快速獲取大量的圖像數(shù)據(jù)，應(yīng)用廣。
圖 1 高光譜圖像數(shù)據(jù)立體圖
1.2 高光譜成像系統(tǒng)裝置
如圖2所示，高光譜成像系統(tǒng)主要由光譜儀、CCD相機(jī)、照明光源、運(yùn)動(dòng)控制平臺及帶有相關(guān)控制軟件的計(jì)算機(jī)等組成。高光譜成像系統(tǒng)的主要部件是光譜儀和相機(jī)，不同的光譜儀波長范圍不同，相機(jī)的光譜范圍要與光譜儀相匹配；光源作為有效探測目標(biāo)物理結(jié)構(gòu)和化學(xué)成分的光學(xué)探針，要求穩(wěn)定和均勻；暗箱能防止其他光源干擾。
圖 2 高光譜成像系統(tǒng)
2 數(shù)據(jù)處理與分析方法
2.1 數(shù)據(jù)校正方法
由于采集的圖像有暗電流的干擾，在不同波段，檢測樣本的形狀和大小差異及背景光源強(qiáng)度分布不均勻等都會(huì)產(chǎn)生干擾。因此，需對高光譜圖像進(jìn)行黑白校正，從而提高圖像質(zhì)量。高光譜圖像的校正方法如下
式中 R—校正后高光譜圖像
I—采集樣本高光譜圖像
B—暗電流高光譜圖像
W——白板高光譜圖像
2.2 預(yù)處理方法
采集的光譜數(shù)據(jù)除了含有必要的關(guān)鍵信息外，還存在著許多干擾信息，如噪聲和人工干擾等。因此，有必要對獲取的光譜數(shù)據(jù)進(jìn)行預(yù)處理，去除干擾信息，從而提高光譜數(shù)據(jù)的質(zhì)量和可靠性。常用的預(yù)處理方法包括導(dǎo)數(shù)變換、均值中心化、多元散射校正（MSC）和標(biāo)準(zhǔn)正態(tài)變換（SNV）等。
2.3 特征波長篩選方法
采集的光譜數(shù)據(jù)普遍存在光譜信息冗余和特征吸收峰不明顯等問題。因此有必要從光譜數(shù)據(jù)中選擇與被測指標(biāo)相關(guān)的波長，降低數(shù)據(jù)維度，提高模型的效率和準(zhǔn)確性。常用的提取特征波長的方法包括平滑（Smooth）、無信息變量消除法（UVE）、遺傳算法（GA）和連續(xù)投影算法（SPA）等。
2.4 模型構(gòu)建方法
根據(jù)圖像中包含的信息，使用各種圖像處理技術(shù)可以采集圖像的有效信息并提取相關(guān)特征參數(shù)。利用不同的建模方法對采集的高光譜圖像進(jìn)行建模和分析，得出檢測土壤成分的最佳模型。常用的建模方法有隨機(jī)森林（RF）、偏最小二乘回歸（PLSR）、主成分分析（PCA）、支持向量機(jī)（SVM）和人工神經(jīng)網(wǎng)絡(luò)（ANN）等。
2.5 模型性能評價(jià)方法
模型預(yù)測誤差可能會(huì)因數(shù)據(jù)的不同而出現(xiàn)顯著的差異，所以需要重復(fù)地選擇不同的數(shù)據(jù)進(jìn)行驗(yàn)證，即交叉驗(yàn)證法。常用的交叉驗(yàn)證方法有蒙特卡洛交叉驗(yàn)證和 K 折交叉驗(yàn)證等。性能的評價(jià)指標(biāo)有訓(xùn)練集決定系數(shù)、預(yù)測集決定系數(shù)、訓(xùn)練集均方根誤差、預(yù)測集均方根誤差和相對偏差百分比。一般來說，訓(xùn)練集決定系數(shù)和預(yù)測集決定系數(shù)越接近 1、訓(xùn)練集均方根誤差和預(yù)測集均方根誤差越相近且越小，相對偏差百分比>2 的模型要好。
3 高光譜技術(shù)在土壤成分檢測中的應(yīng)用
3.1 水分檢測
土壤含水量（SMC）作為土壤水分狀況的核心指標(biāo)，對植物生長、養(yǎng)分循環(huán)及土壤生態(tài)功能具有關(guān)鍵作用。其精確檢測不僅為農(nóng)業(yè)灌溉管理、作物水分需求調(diào)控提供科學(xué)依據(jù)，還影響土壤侵蝕防治、水資源優(yōu)化配置及生態(tài)環(huán)境保護(hù)策略的制定。
研究顯示，SMC與光譜之間存在顯著的相關(guān)性。國內(nèi)外科研人員已經(jīng)能夠利用高光譜成像技術(shù)對SMC進(jìn)行準(zhǔn)確且實(shí)時(shí)地監(jiān)測，為SMC的有效管理提供了堅(jiān)實(shí)的技術(shù)基礎(chǔ)。張智韜等采用偏最小二乘回歸法、逐步回歸法和嶺回歸法，構(gòu)建不同光譜反射率因素的反演SMC模型，結(jié)果表明，逐步回歸模型能夠準(zhǔn)確反演SMC。尚天浩等創(chuàng)新性地結(jié)合逐步回歸方法與灰色關(guān)聯(lián)度分析選擇敏感波段，建立多元線性回歸（MLR）、PLSR和SVM不同模型進(jìn)行比較，得出SVM 模型效果最好。劉英等采用了 4 種變換方法對原始光譜進(jìn)行變換，并構(gòu)建了 PLSR 和最小二乘支持向量機(jī)（LSSVM）預(yù)測模型，結(jié)果表明，一階變換的PLSR 和 LSSVM 模型預(yù)測精度較好。唐子竣等分別采用RF、反向神經(jīng)網(wǎng)絡(luò) （BPNN）和極限學(xué)習(xí)機(jī)（ELM）構(gòu)建不同土層深度SMC的估算模型，結(jié)果表明，深度0～20cm土層的模型精度最高，R2 =0.909。張海濤等通過室內(nèi)模擬不同SMC環(huán)境并測定光譜反射率，建立的SPA-MLR模型預(yù)測結(jié)果好，Rc2=0.930、Rp2=0.927。楊錫震等采用連續(xù)小波變換增強(qiáng)光譜對葉片不同生化生理指標(biāo)的響應(yīng)，并構(gòu)建PLSR模型，結(jié)果表明，通過植物葉片的葉綠素與光譜特征進(jìn)行SMC監(jiān)測適用性更強(qiáng)。
3.2 有機(jī)質(zhì)檢測
土壤有機(jī)質(zhì)（SOM）不僅為植物提供豐富的養(yǎng)分，促進(jìn)作物生長，還增強(qiáng)土壤保水保肥能力，優(yōu)化土壤結(jié)構(gòu)，提升土壤通氣性和微生物活性。有機(jī)質(zhì)檢測有助于科學(xué)評估土壤肥力，指導(dǎo)合理施肥與土壤管理。
丁啟東等以寧夏回族自治區(qū)引黃灌區(qū)中低產(chǎn)田土壤為對象，發(fā)現(xiàn)SOM的敏感波段主要在 460～850、1530～1910和2060～2310nm。鐘亮等基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）框架，探索不同網(wǎng)絡(luò)結(jié)構(gòu)對SOM含量建模性能的影響，結(jié)果表明，CNN 模型能夠簡化光譜數(shù)據(jù)的預(yù)處理流程。蔡海輝等采用全波段和CARS、SPA和POS 3種數(shù)據(jù)降維算法與PLSR、BPNN和CNN 3種建模方法結(jié)合構(gòu)建12種棗園SOM含量的反演模型，結(jié)果表明，CARS-BPNN模型為最優(yōu)。張永亮等利用高光譜數(shù)據(jù)結(jié)合空間插值等方法，對山區(qū)耕地SOM含量進(jìn)行空間分布特征的估算。周偉等分別采用PLSR、SVM和RF構(gòu)建不同土層深度SOM含量估算模型，結(jié)果表明，RF模型預(yù)測效果最佳，R2=0.9237。ZHANG H W 等結(jié)合士壤的圖像紋理特征和高光譜數(shù)據(jù)，構(gòu)建SVR和PLSR的SOM含量預(yù)測模型。
3.3 氮磷鉀檢測
土壤中氮（N）、磷（P）和鉀（K）作為3大基本營養(yǎng)元素，對植物生長至關(guān)重要。施肥不足影響作物生長，而施肥過量則會(huì)引發(fā)土壤富營養(yǎng)化等一系列環(huán)境問題。土壤中不同元素在光譜波段上敏感度不同，如土壤中N和P元素在近紅外區(qū)域較為敏感，而K元素在可見光區(qū)域比較敏感。
利用高光譜技術(shù)結(jié)合特定算法能夠較好地預(yù)測N、P、K的含量，并實(shí)現(xiàn)預(yù)測信息的可視化。王莉雯等研究發(fā)現(xiàn)，采用高光譜構(gòu)建的全磷（TP）、全氮（TN）反演模型效果比多光譜的估算精度更接近于實(shí)測光譜。喬璐等研究發(fā)現(xiàn)，TN、TP和全鉀（TK）的最佳吸收波段，并且模型的TN、TK預(yù)測精度較高，TK預(yù)測結(jié)果相對較低。陶培峰等對比不同光譜變換和建模方法，發(fā)現(xiàn)PLSR和BP神經(jīng)網(wǎng)絡(luò)建立的模型能較好地預(yù)測TN、TP和全硫（TS）的含量。陳曉娜利用 MLR、 PLSR、 SVM 和 ANN 建立3種土質(zhì)的TN、有效磷和速效鉀預(yù)測模型，結(jié)果表明，壤土TN、有效磷和速效鉀的最佳預(yù)測模型分別是 MLR、ANN和PLSR。聶磊超等分析不同粒徑濕地土壤的高光譜特征，研究表明，選擇合適的粒徑大小能夠提升反演模型精度。郭鵬等采用SPA和CARS算法篩選特征波長，建立PLSR模型并比較其精度，結(jié)果表明，CARSPLSR算法可以快速準(zhǔn)確地反演土壤有效磷含量。
3.4 土壤鹽分檢測
土壤鹽分過多或過少均對土壤生態(tài)系統(tǒng)構(gòu)成不利影響。鹽分過多會(huì)導(dǎo)致植物吸水困難、營養(yǎng)失衡，影響生長；鹽分過少則可能影響土壤保水能力及肥力，影響作物生長和產(chǎn)量。
肖志云等提出RF-PLSR、PLSR-RF 對土壤鹽分含量預(yù)測的反演模型，結(jié)果表明，PLSR和RF模型的結(jié)合比PLAR、RF單獨(dú)建模預(yù)測精度明顯改善，R2=0.852、 Rp2=0.941。李志等對比不同光譜變換和光譜指數(shù)，建立土壤鹽分含量的最佳估算模型，R2=0.77。孫亞楠等以河套灌區(qū)的耕地和鹽荒地土壤為研究對象，對比分析了耕地和鹽荒地的土壤鹽分光譜差異，建立土壤鹽分含量估測模型并取得好的結(jié)果，R2=0.92。張智韜等針對內(nèi)蒙古自治區(qū)河套灌區(qū)域，根據(jù)土壤水鹽交互作用建立水鹽交互模型，結(jié)果表明，水鹽交互模型能明顯地改善土壤光譜的模擬效果，模擬相關(guān)系數(shù)提升到 0.29～0.59。張俊華等利用高光譜技術(shù)，預(yù)測鹽漬化土壤不同土層中鹽分離子（SO42–、Cl?、K+等）含量，并建立了不同土層土壤鹽分的預(yù)測模型。
4 存在問題及發(fā)展趨勢
4.1 存在問題
（1）土壤光譜的采集工作尚未形成統(tǒng)一的標(biāo)準(zhǔn)化測試流程。土壤樣本處理方式的多樣性（干燥、研磨、篩分等），以及環(huán)境條件的不同（溫度、光照強(qiáng)度等），導(dǎo)致同一試驗(yàn)的光譜數(shù)據(jù)存在較大差異，限制同一研究和不同研究之間光譜數(shù)據(jù)的共享與比較，進(jìn)而影響土壤光譜學(xué)研究的深入與廣度。
（2）數(shù)據(jù)量大且冗余信息多、數(shù)據(jù)處理技術(shù)復(fù)雜。高光譜技術(shù)產(chǎn)生的數(shù)據(jù)量大，夾雜著許多的冗余信息，需要使用各種算法進(jìn)行預(yù)處理（導(dǎo)數(shù)變換、MSC、SNV等）、提取特征波長（Smooth、 UVE、SPA等）及建模方法（PLSR、SVM、PCA等）等。各算法的復(fù)雜程度高、耗時(shí)長，難以實(shí)現(xiàn)大規(guī)模實(shí)時(shí)檢測。
（3）光譜模型普遍存在普適性差的問題。目前，大多數(shù)的研究主要針對特定的土壤理化性質(zhì)或區(qū)域的土壤樣本建立模型，雖然對特定的土壤理化性質(zhì)或區(qū)域的研究能取得好的結(jié)果。但是，土壤成分的復(fù)雜性及地域的差異性，使模型在應(yīng)用于其他的參數(shù)或不同區(qū)域的土壤時(shí)，預(yù)測性能會(huì)大幅下降。
（4）高昂的技術(shù)與設(shè)備成本的阻礙。高光譜技術(shù)的應(yīng)用要求操作人員熟練掌握光學(xué)及計(jì)算機(jī)科學(xué)等領(lǐng)域的專業(yè)知識，限制其廣泛推廣與應(yīng)用。此外，包括高端硬件設(shè)備與軟件系統(tǒng)在內(nèi)的高昂成本，進(jìn)一步制約高光譜技術(shù)在多個(gè)領(lǐng)域的深入應(yīng)用。
4.2 發(fā)展趨勢
（1）實(shí)現(xiàn)土壤光譜分析過程標(biāo)準(zhǔn)化。土壤光譜分析過程的標(biāo)準(zhǔn)化包括相同的土壤樣品預(yù)處理步驟和測試條件，以獲得共享性高的土壤光譜數(shù)據(jù)。
（2）光譜數(shù)據(jù)處理方法的創(chuàng)新。每種算法都有各自的特點(diǎn)。多種算法的融合使用可以發(fā)揮各自的優(yōu)勢，實(shí)現(xiàn)互補(bǔ)，進(jìn)而有效提升模型的預(yù)測性能。
（3）土壤光譜數(shù)據(jù)庫的日漸完備。按照區(qū)域差異及不同的土壤類型建立專門的土壤光譜數(shù)據(jù)庫并逐步完善，以便實(shí)現(xiàn)光譜數(shù)據(jù)的實(shí)時(shí)共享，從而提高數(shù)據(jù)處理與分析的效率。
（4）設(shè)備的價(jià)格呈現(xiàn)降低趨勢。隨著計(jì)算機(jī)和傳感器技術(shù)的發(fā)展，設(shè)備的制造成本逐漸下降，市場價(jià)格也呈現(xiàn)下降的趨勢，加速了高光譜技術(shù)在各個(gè)領(lǐng)域的廣泛應(yīng)用與普及。
5 結(jié)束語
高光譜技術(shù)具有圖像分辨率高、檢測速度快、無污染等優(yōu)點(diǎn)，能夠深入剖析土壤中的多維信息。針對高光譜技術(shù)數(shù)據(jù)量大、信息冗余多、數(shù)據(jù)處理復(fù)雜和光譜模型普適性差等問題，可以使土壤光譜分析過程標(biāo)準(zhǔn)化、建立并完善土壤光譜數(shù)據(jù)庫、不斷優(yōu)化數(shù)據(jù)處理算法等，來提升模型的泛化能力，提高反演模型的預(yù)測精度。總之，高光譜技術(shù)在土壤成分含量檢測中得到了廣泛地應(yīng)用，為精準(zhǔn)農(nóng)業(yè)和土壤資源管理奠定了堅(jiān)實(shí)的科技基石。
來源：高成麗 ，何青海 ，李曉麗 ，等 ．高光譜技術(shù)在土壤成分檢測中的應(yīng)用研究進(jìn)展[ J]．農(nóng)業(yè)工程，2025，15（4）：117-122．轉(zhuǎn)在的目的在于傳遞更多的知識，如有侵權(quán)行為，請聯(lián)系我們，我們會(huì)立即刪除。
