高光譜技術(shù)在土壤成分檢測中的應用研究進展
土壤是農(nóng)業(yè)生產(chǎn)的基礎，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)。不同的土壤指標采用的測定方法不同，如檢測有機質(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、準確度高的優(yōu)點，但測試周期長、分析成本高，并且需要復雜的樣品前處理，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，現(xiàn)已廣泛應用于土壤特征參數(shù)的研究中，常作為土壤元素含量大面積精準反演的有效方法，并逐步應用于農(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用，對高光譜成像技術(shù)在土壤成分檢測中的應用前景提出展望。
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像素單元均蘊含獨特的光譜特征信息，能詳細地映射各像素點特有的屬性與狀態(tài)。高光譜圖像采集的掃描路徑分為點、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、照明光源、運動控制平臺及帶有相關(guān)控制軟件的計算機等組成。高光譜成像系統(tǒng)的主要部件是光譜儀和相機，不同的光譜儀波長范圍不同，相機的光譜范圍要與光譜儀相匹配；光源作為有效探測目標物理結(jié)構(gòu)和化學成分的光學探針，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度分布不均勻等都會產(chǎn)生干擾。因此，需對高光譜圖像進行黑白校正，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)進行預處理，去除干擾信息，從而提高光譜數(shù)據(jù)的質(zhì)量和可靠性。常用的預處理方法包括導數(shù)變換、均值中心化、多元散射校正（MSC）和標準正態(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)中選擇與被測指標相關(guān)的波長，降低數(shù)據(jù)維度，提高模型的效率和準確性。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森林（RF）、偏最小二乘回歸（PLSR）、主成分分析（PCA）、支持向量機（SVM）和人工神經(jīng)網(wǎng)絡（ANN）等。
2.5 模型性能評價方法
模型預測誤差可能會因數(shù)據(jù)的不同而出現(xiàn)顯著的差異，所以需要重復地選擇不同的數(shù)據(jù)進行驗證，即交叉驗證法。常用的交叉驗證方法有蒙特卡洛交叉驗證和 K 折交叉驗證等。性能的評價指標有訓練集決定系數(shù)、預測集決定系數(shù)、訓練集均方根誤差、預測集均方根誤差和相對偏差百分比。一般來說，訓練集決定系數(shù)和預測集決定系數(shù)越接近 1、訓練集均方根誤差和預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，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進行準確且實時地監(jiān)測，為SMC的有效管理提供了堅實的技術(shù)基礎。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行變換，并構(gòu)建了 PLSR 和最小二乘支持向量機（LSSVM）預測模型，結(jié)果表明，一階變換的PLSR 和 LSSVM 模型預測精度較好。唐子竣等分別采用RF、反向神經(jīng)網(wǎng)絡 （BPNN）和極限學習機（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)小波變換增強光譜對葉片不同生化生理指標的響應，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行SMC監(jiān)測適用性更強。
3.2 有機質(zhì)檢測
土壤有機質(zhì)（SOM）不僅為植物提供豐富的養(yǎng)分，促進作物生長，還增強土壤保水保肥能力，優(yōu)化土壤結(jié)構(gòu)，提升土壤通氣性和微生物活性。有機質(zhì)檢測有助于科學評估土壤肥力，指導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（CNN）框架，探索不同網(wǎng)絡結(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測N、P、K的含量，并實現(xiàn)預測信息的可視化。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預測精度較高，TK預測結(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)絡建立的模型能較好地預測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、有效磷和速效鉀預測模型，結(jié)果表明，壤土TN、有效磷和速效鉀的最佳預測模型分別是 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。鹽分過多會導致植物吸水困難、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單獨建模預測精度明顯改善，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)一的標準化測試流程。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、光照強度等），導致同一試驗的光譜數(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，進而影響土壤光譜學研究的深入與廣度。
（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行預處理（導數(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。各算法的復雜程度高、耗時長，難以實現(xiàn)大規(guī)模實時檢測。
（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，土壤成分的復雜性及地域的差異性，使模型在應用于其他的參數(shù)或不同區(qū)域的土壤時，預測性能會大幅下降。
（4）高昂的技術(shù)與設備成本的阻礙。高光譜技術(shù)的應用要求操作人員熟練掌握光學及計算機科學等領(lǐng)域的專業(yè)知識，限制其廣泛推廣與應用。此外，包括高端硬件設備與軟件系統(tǒng)在內(nèi)的高昂成本，進一步制約高光譜技術(shù)在多個領(lǐng)域的深入應用。
4.2 發(fā)展趨勢
（1）實現(xiàn)土壤光譜分析過程標準化。土壤光譜分析過程的標準化包括相同的土壤樣品預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。多種算法的融合使用可以發(fā)揮各自的優(yōu)勢，實現(xiàn)互補，進而有效提升模型的預測性能。
（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，以便實現(xiàn)光譜數(shù)據(jù)的實時共享，從而提高數(shù)據(jù)處理與分析的效率。
（4）設備的價格呈現(xiàn)降低趨勢。隨著計算機和傳感器技術(shù)的發(fā)展，設備的制造成本逐漸下降，市場價格也呈現(xiàn)下降的趨勢，加速了高光譜技術(shù)在各個領(lǐng)域的廣泛應用與普及。
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，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準化、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，提高反演模型的預測精度?？傊?，高光譜技術(shù)在土壤成分含量檢測中得到了廣泛地應用，為精準農(nóng)業(yè)和土壤資源管理奠定了堅實的科技基石。
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用研究進展[ 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，我們會立即刪除。
