出版日期: 2017-01-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20176038
2017 | Volumn21 | Number 1

技术方法

面向土壤分类的高光谱反射特征参数模型

刘焕军¹ , 张小康¹ , 张新乐¹ , 武洪峰² , 金慧凝¹ , 于胜男¹ , 邱政超¹

1. 东北农业大学资源与环境学院, 哈尔滨 150030

2. 黑龙江省农垦科学院科技情报研究所, 哈尔滨 150038

收稿日期: 2016-02-23; 修改日期: 2016-09-12; 优先数字出版日期: 2017-01-25

基金项目: 国家自然科学基金项目（编号：41501357）、黑龙江省普通高等学校新世纪优秀人才培养计划和黑龙江省博士后启动基金（编号：LBH-Q13026）

第一作者简介: 刘焕军(1981-), 男, 副教授, 研究方向为农业遥感。Email:huanjunliu@yeah.net

通讯作者简介: 张新乐(1980-), 女, 副教授, 研究方向为生态遥感。E-mail:zhangxinle@gmail.com

中图分类号: TP70;S15

文献标识码: A

摘要

提出了一种无损、快速、成本低的土壤分类方法，选取松嫩平原4种典型土壤（黑土、黑钙土、风砂土和草甸土）耕层（0-20 cm）土样的实验室反射光谱数据作为研究对象，采用重采样、包络线消除法处理光谱数据，提取反映反射光谱特征的光谱特征参数，利用K均值聚类（K-means clustering）和决策树（decision tree）分别进行聚类分析和分类模型构建，实现土壤的快速分类。结果表明，利用表层土壤反射光谱特征参数构建的决策树分类模型可以对研究区土壤进行分类。研究成果有望加快土壤制图，为土壤理化性质的时空变化研究提供技术支持。

关键词

土壤分类 , 光谱特征参数 , K均值聚类 , 决策树 , 松嫩平原

Hyperspectral reflectance characteristics paramter extraction for soil classification model

LIU Huanjun¹ , ZHANG Xiaokang¹ , ZHANG Xinle¹ , WU Hongfeng² , JIN Huining¹ , YU Shengnan¹ , QIU Zhengchao¹

1.College of Resources and Environment, Northeast Agricultural University, Harbin 150030, China

2.Institute of Science and Technology Information, Heilongjiang Academy of Land Reclamation Sciences, Harbin 150038, China

Abstract

Soil taxonomy plays a significant role in soil remote sensing. Soil spectral reflectance is the comprehensive representation of soil's physical and chemical parameters. The study of soil spectral reflectance features is the physical basis for soil remote sensing, and it provides new ideas and methods for soil classification. To quickly classify soil based on topsoil reflectance spectral characteristics and provide an effective method, the room spectral reflectance in the visible and near-infrared region (400-2500 nm) of 148 soil samples, including black, chernozem, blown, and meadow soils, were collected from Songnen plain, which is located in Heilongjiang province. Given that the high-frequency noise of reflectance spectrum is relatively strong in the range of 400 nm to 430 nm and 2450 nm to 2500 nm, we chose the visible and near-infrared region of 430 nm to 2450 nm. The spectral reflectance of soil samples were measured using ASDFieldSpec 3 in the laboratory. Resampling and continuum removal techniques were used to process spectral data and extract the spectral characteristic parameters (i.e., the absorption positions of the spectral curve, the vale's area, the slope of the spectral curve, the distance between adjacent absorption positions, the depth of the vale, and the width of the vale), respectively. When the K-means clustering results based on spectral reflectance were compared with the K-means clustering results based on the spectral characteristic parameters, the spectral characteristic parameters were found to be more suitable for soil classification. Finally, the spectral characteristic parameters were used to constructsoil classification model that is based on the decision tree. The classification accuracy of black, chernozem, blown, and meadow soilsare 97.22%, 94.2%, 85.29% and 55.56%, respectively.These results were obtained by using the decision tree model. The most effective spectral characteristic parameters include the second absorption positions of the spectral curve, the first vale's area, the first two vales' area, and the slope of the spectral curve at 500 nm to 600 nm and 1340 nm to 1360 nm. Meadow soilis often distributed in the lower area, and the spectral curve of the topsoil of meadow soil is similar to its adjacent soil, which is regarded asa trend toward its adjacent soil. The spectral characteristic parameters that were extracted could be used to study the soil classification, and the decision tree model that is based on the spectral characteristic parameters of topsoil reflectance has achieved excellent results. This paper provides a convenient, rapid, and nondestructive approach for soil classification, which helps in soil mapping.

Key words

soil taxonomy , spectral characteristic parameters , K-means clustering , decision tree , Songnen plain

1 引言

土壤分类是土壤科学水平的标志，是土壤调查制图的基础，是因地制宜推广农业技术的依据之一，也是国内外土壤信息交流的媒介(徐咏文等，2005)。土壤光谱反射特性是土壤理化特征和内在结构的光谱行为的综合，其研究也为土壤本身属性的研究提供了一个新的途径和指标(何挺等，2006)，已有大量研究利用土壤反射光谱数据测定土壤有机质、水分、氧化铁、质地、重金属等(Hummel等，2001；Dalal和Henry，1986；何挺等，2006；曾庆猛等，2009；Kemper和Sommer，2002)。土壤反射光谱特性的研究为土壤分类提供了新的思路和方法。

最初，基于土壤反射光谱特性的土壤分类研究主要是定性方面的，根据光谱曲线的形状特征与土壤理化性质的关系，分出几类土壤反射光谱曲线。如Stoner和Baumgardner (1982)根据美国和巴西的485个土壤样本的反射光谱特征，结合土壤性质，将土壤反射光谱曲线分为5类：(1)有机质控制类型，该类土壤富含有机质；(2)最小改变型，该类土壤低有机质、铁含量中等；(3)铁影响型，该类土壤有机质含量低、铁含量中等；(4)有机质影响型，该类土壤富含有机质，为中粗结构；(5)铁控制型，该类土壤富含铁、为细粒结构。戴昌达(1981)根据中国23种主要土壤类型的100个土壤样本的土壤反射曲线特征与斜率变化情况，把中国主要土壤的反射光谱曲线划分为4类：平直型(富含有机质)、缓斜型(水稻土)、陡坎型(红、黄壤)和波浪型(干旱地区土壤)。

近年来，基于土壤反射光谱特性的土壤分类已由最初的定性土壤分类，发展到如今的定量土壤分类。利用土壤反射光谱特性进行定量土壤分类的关键是分类指标的提取和分类方法的选择。分类指标选取方法主要可分为两类：一是选取特征波段(王人潮等，1986；黄应丰和刘腾辉，1995；李丹等，2015)，二是对土壤光谱数据提取主成分(史舟等，2014；Vasques等，2014；Oliveira等，2013；王遵义等，2010；马海姣和崔晨风，2014)。如黄应丰和刘腾辉(1995)提取420-460、480-500 nm、500-540 nm、560-600 nm、630-690 nm、760-820 nm、820-920 nm、1080-1200 nm、150-1740 nm、2050-2300 nm 10个特征波段作为分类指标；Lu等(2015)对光谱反射率在可见-近红外光谱波段(420-2300 nm)进行主成分分析，并提取了两个主成分作为分类指标。然而，把特征波段作为分类指标时，往往需要选择较多的特征波段来提高分类的精度，这样必然会造成指标冗余，而且每个研究的测试条件、光源、仪器、数据处理方法等都不同，不同研究之间没有可比性。一些学者采用主成分降维的方式来减少指标冗余现象，但是在达到降维目的的同时，转换后的主成分缺乏实际意义，不像原始指标的含义那么清楚、确切。

在分类方法选择方面主要有支持向量机(Bu等，2014；Kovačević等，2010；李丹等，2015)和神经网络(刘焕军等，2008；王遵义等，2010；马海姣和崔晨风，2014)等方法，如Kovačević等(2010)利用支持向量机进行土壤分类研究；刘焕军等(2008)运用神经网络模型研究土壤分类。支持向量机在土壤类型样本数量较小情况下分类性能较好(Kovačević等，2010)，但解决大样本(汪海燕等，2014)和多分类问题(宋召青和陈垚，2015)时还需进一步研究；神经网络具有很强的非线性拟合能力，可映射任意复杂的非线性关系，但是神经网络具有不稳定性的存在，即多次分类结果存在差异性(张金会等，2012)。

利用实验室土壤反射光谱特性研究土壤分类是卫星遥感在室外研究土壤分类的基础。一些研究表明，利用不同土层的土样进行土壤分类精度较高，如Vasques等人(2014)利用不同深度的土壤光谱特征进行土壤分类研究，结果显示分类精度有所提高。然而，卫星遥感只能获取土壤表层的光谱信息，不能穿透土层获取深层土的光谱信息，利用不同土层反射光谱特性进行土壤分类的方法难以大面积应用。因此，利用表层土壤光谱特征研究土壤分类较为合理。

本研究以松嫩平原4种典型土壤(黑土、黑钙土、风砂土和草甸土)耕层土样的实验室可见光-近红外反射光谱(400-2500 nm)为研究对象，采用重采样、包络线消除法处理光谱数据，提取反映反射光谱特征的光谱特征参数，采用K均值聚类法和决策树进行土壤分类研究，旨在为土壤分类提供无损、准确、简便快速的方法。

2 材料与方法

2.1 研究区概况

选择松嫩平原的黑龙江省部分作为研究区。松嫩平原位于大、小兴安岭与长白山脉及松辽分水岭之间，地势较为平坦，土质肥沃，耕地面积广阔，是重要的商品粮基地。该区属温带大陆性半湿润、半干旱季风气候，雨热同季，冬季寒冷干燥，夏季温暖多雨。主要土壤类型从东北到西南，依次为暗棕壤、黑土、黑钙土、风砂土等，草甸土位于地势较低地带，穿插于其他土类之间(图 1)。黑土土层深厚，结构良好，富含有机质和腐殖质，自然肥力高。黑钙土具有深厚腐殖质层，含有碳酸钙淋溶淀积层。相反，风砂土有机质含量较低，土壤颗粒较粗，持水能力差，不利于农作物生长。由于耕地粗放利用，该区土壤侵蚀严重，降水将地势较高的土壤冲积到地势较低的草甸土表面，导致表层草甸土性质较为复杂。图 1和图 2分别是松嫩平原主要土壤分布图(全国第二次土壤普查结果)和松嫩平原30 m空间分辨率的DEM图。

图 1 松嫩平原土壤图及采样点分布

Fig. 1 Soil map of Songnen plain and the distribution sampling point

图 2 松嫩平原DEM

Fig. 2 DEM of Songnen plain

2.2 土壤样品采集与处理

根据松嫩平原土壤条件，确定土壤研究类型为黑土、黑钙土、风砂土和草甸土。2014年9月，在杜尔伯特蒙古自治县、北安市等13个市县境内采集0-20 cm耕层土样(图 1)，共148个(表 1)，室内将土样研磨、风干、过2 mm筛，然后对这些样本进行反射光谱测试。

表 1 待研究土壤类型的样本数
Table 1 Samples of the studied soil types

下载CSV

土类	黑土	黑钙土	风砂土	草甸土	合计
样本个数	35	74	29	10	148

2.3 实验室反射光谱测试

对选取的风干土样进行光谱测试。光谱测试采用美国分析光谱仪器公司ASD (analytical spectral devices)生产的FiledSpec^®3便携式光谱仪(波谱范围为350-2500 nm；350-1000 nm之间光谱采样间隔为1.4 nm，光谱分辨率3 nm；1000-2500 nm之间采样间隔为2 nm，光谱分辨率10 nm；光谱仪最后将数据重采样为1 nm)。光谱测量在一个能控制光照条件的暗室内进行。土壤样本分别放置于直径12 cm、深1.8 cm的盛样皿内，用直尺将土样表面刮平。光源是功率为1000 W的卤素灯，距土壤样品表面100 cm，天顶角30°，提供到土壤样本几乎平行的光线，用于减小土壤粗糙度造成阴影的影响。采用8°视场角的传感器探头置于离土壤样本表面15 cm的垂直上方。测试之前先去除辐射强度中暗电流的影响，然后以白板进行标定。每个土样采集10条光谱曲线，算术平均后得到该土样的实际反射光谱数据。

2.4 光谱数据处理

研究发现，反射率波谱在400-430 nm和2450-2500 nm范围内噪声较为强烈，为了减少高频噪声的干扰，本文选取光谱反射率波谱范围为430-2450 nm。高光谱反射率数据一方面可以提供更多信息，但另一方面又会造成数据的冗余。因此，本文对光谱数据以10 nm为间隔，利用高斯模型进行光谱重采样，此过程在遥感软件ENVI 5.1环境下，利用Spectral Library Resampling功能对光谱数据进行重采样。由于土壤反射光谱曲线相似，不利于光谱特征的提取，因此，采取包络线消除法对反射光谱曲线进行进一步处理，这样可以有效突出反射光谱曲线的吸收和反射特征，并将反射率归一化到0-1之间，光谱的吸收特征也归一化到一致的光谱背景上(图 3)。此过程在遥感软件ENVI5.1环境下，建立土壤光谱数据库，利用Continuum Removed功能对土壤光谱数据进行去包络线处理。

图 3 土壤反射光谱曲线与去包络线

Fig. 3 Soil reflecting spectral curves and continuum removal

2.5 土壤反射光谱特征参数

图 4为包络线去除后的反射光谱曲线，可提取一些光谱特征参数，主要包括：5个吸收谷(V₁、V₂、V₃、V₄、V₅)，吸收谷两端的最大值为吸收谷边界；每个吸收谷的最低点为对应的吸收位置(L)；相邻两个吸收位置的距离(D)；波段间斜率(S)；吸收谷深度(DP)；吸收谷的面积(A)；吸收谷1/2处的宽度为吸收谷宽度(W)。根据上述光谱特征参数，提取分类指标：V₁ 430-600 nm、V₂ 600-800 nm、V₃ 1360-1600 nm、V₄ 1850-2140 nm、V₅ 2160-2300 nm，这5个吸收谷的面积(A₁-A₅)；吸收谷的吸收位置(L₁-L₅)及对应的吸收谷深度(DP₁-DP₅)；430-510 nm、500-600 nm、1280-1340 nm、1340-1360 nm、1420-1470 nm、1470-1600 nm，这6个波段去包络线的斜率(S₁-S₆)。吸收谷的面积公式：

图 4 土壤光谱特征参数

Fig. 4 Spectral characteristic parameters of soil

$ {A_k} = \sum\limits_n^N {(1 - {C_n})} \times 10 $

(1)

$ N = ({b_r} - {b_l})/10 $

(2)

式中，A_k为第k个吸收谷的面积，C_n为第n个波长对应的去包络线值，N为吸收谷左右边界的中间的波长个数，b_r为吸收谷的右边界，b_l为吸收谷的左边界。

波段间斜率公式：

$ {S_h} = \frac{{{C_r} - {C_l}}}{{(W{H_r} - W{H_l})/1000}} $

(3)

式中，S_h为第h个波段的斜率，C_l和C_r分别为左右波段的去包络线值，WH_l和WH_r分别为左右波段的波长。

2.6 K均值聚类

K均值聚类采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。为了消除不同指标量级对聚类结果的影响，对所选择的每个指标进行标准化。本文利用SPSS19.0对标准化后的分类指标进行K均值聚类。标准化公式为：

$ {Z_j}(i) = \frac{{{X_j}(i) - \min [{X_j}(i)]}}{{\max [{X_j}(i)] - \min [{X_j}(i)]}} $

(4)

式中，Z_j(i)为第j个指标、第i个样本的标准化结果，X_j(i)为第j个指标、第i个样本值，max[X_j(i)]和min[X_j(i)]分别为第j个指标的最大值和最小值。

2.7 决策树

决策树分类是通过一系列规则参数对数据分层逐次进行比较归纳的分类方法。它由一个根节点、多个分支节点和一系列终端节点组成(图 5)。样本分类指标由根节点进入决策树，在每个分支节点对样本分类指标值与指标阈值进行比较，进而选择不同的路径，逐步得出其所属类别。

图 5 表层土壤分类的决策树流程图

Fig. 5 Flow chart of the decision tree for the surface soil classification

3 结果与讨论

3.1 松嫩平原典型土壤反射光谱特征

对松嫩平原4种典型土壤(黑土、黑钙土、风砂土和草甸土)的光谱反射率进行重采样、包络线去除处理。如图 3所示，在去包络线之前(图 3下部)，土类之间的反射光谱曲线无明显差异，仅可以看出4种土的反射率风砂土 > 黑土 > 草甸土 > 黑钙土，小于1200 nm，黑土下凹，风砂土上凸。但去包络线之后(图 3上部)，光谱的吸收特征得到明显增强，而且还表现出一些原始光谱没有的吸收特征，尤其是在波段430-800 nm之间。

由于研究区内土壤母质、气候因素的差异较大，导致即使是同一种土壤类型其反射率曲线也存在差异，因此，本文针对4种土类分别选取1-4种去包络线曲线(Ⅰ，Ⅱ，Ⅲ，Ⅳ)(图 6-图 9)，由图 6可知，黑土反射光谱曲线V₁和V₂去包络线值较低，V₁的深度小于V₂的深度，V₂随着有机质含量的增加，吸收深度增加；波段530-590 nm之间反射光谱曲线较为平缓，斜率较小；在波段500-600 nm之间的斜率较小，多为负值；黑土的L₂多位于610 nm处。由图 7可知，与黑土相比，黑钙土反射光谱曲线的V₁和V₂去包络线值较高，且V₁的深度大于V₂的深度；与黑土不同，黑钙土在530-590nm之间，去包络线值呈先增加再减小的趋势，起伏较大；黑钙土的L₂多位于650 nm处，有少量位于640 nm处；在波段500-600 nm之间斜率较大，多为正值。由图 8可知，风砂土反射光谱曲线V₁成“V”字型，且开口较窄；波段500-600 nm的斜率大于其他土类，均为正值；风砂土的V₂很小，这与风砂土有机质含量和土粒机械组成有关；一些风砂土和黑钙土在波段1340-1360 nm处斜率较大。草甸土反射光谱曲线比较复杂，研究发现，表层草甸土的反射光谱曲线与其相邻土类反射光谱曲线相似，如图 9中Ⅰ的草甸土土样的反射光谱曲线与黑钙土的反射光谱曲线相似，故称其特性为“向邻性”。结合松嫩平原主要土壤分布图(图 1)、松嫩平原DEM (图 2)发现，草甸土主要分布在江河沿岸低洼地，在长期的气候、地形因素和顺坡垄的耕作方式影响下，表层草甸土拥有了与其相邻且地势较高的土壤类型的特征，这进一步解释了表层草甸土的“向邻性”。

图 6 黑土去包络线土样

Fig. 6 Continuum removal black soil sample

图 7 黑钙土去包络线土样

Fig. 7 Continuum removal Chernozem sample

图 8 风砂土去包络线土样

Fig. 8 Continuum removal blown soil sample

图 9 草甸土去包络线土样

Fig. 9 Continuum removal meadow soil sample

3.2 分类指标提取

结合2.5和3.1的描述，分析如下：指标过多不仅会增加提取的难度，还会造成信息冗余，因此，减少指标个数是必要的。前两个吸收谷(V₁和V₂)主要是由土壤有机质、铁及土壤机械组成引起的，后3个吸收谷(V₃、V₄和V₅)是土壤水分引起的(刘焕军等，2008)，松嫩平原这4种典型土壤的有机质、铁、及土壤机械组成不同，导致V₁和V₂差异较大。本文选用土样为风干土，后3个吸收谷差异较小；V₁对应的吸收位置变化较大，不利于区分土类，然而V₂对应的吸收位置，黑土和黑钙土更为稳定；曲线斜率受DP和W的影响。综合考虑不同类型土壤反射光谱特性差异、指标提取的复杂度和指标分类结果的精度，最终确定分类指标：第1个吸收谷的面积和前两个吸收谷的面积，分别记为A₁、A₁+A₂；土类第2个吸收谷位置，记为L₂；500-600、1340-1360 nm，这两个波段去包络线的斜率，记为S₃、S₅。同时，选取500 nm、550 nm、600 nm、650 nm和1350 nm共5个波段的反射率作为K均值聚类的输入变量。

3.3 土壤分类

3.3.1 K均值聚类

在选择聚类个数时，考虑到土类个数和指标个数，经过多次验证，发现4类为最佳。聚类结果如表 2、表 3所示。

表 2 基于光谱特征参数K均值聚类结果
Table 2 The results of k-means clustering based on spectral characteristic parameters

下载CSV

组名	土类
组名	黑土	黑钙土	风砂土	草甸土
1	0	0	7	1
2	0	74	16	8
3	17	0	0	1
4	18	0	6	0

表 3 基于光谱反射率K均值聚类结果
Table 3 The results of k-means clustering based on spectral reflectance

下载CSV

组名	土类
组名	黑土	黑钙土	风砂土	草甸土
1	24	15	6	2
2	0	20	21	1
3	0	0	1	0
4	11	39	1	7

由于利用K均值聚类得出的是聚类结果的好坏，而不能表示分类的精度，故表 2仅表示每组中含有土类的样本个数。从表 2中可知，黑土聚类结果较好，主要分布在第3组(17个)和第4组(18个)，分析发现，第3组土样的前两个吸收谷的面积均小于第4组土样的前两个吸收谷的面积，第4组土样的有机质含量均大于第3组土样的有机质含量；黑钙土聚类结果最好，均分布在第2组，但第2组中掺杂了较多的风砂土和草甸土，其中，风砂土第2个吸收谷的最小值多位于650 nm处；风砂土聚类结果较差，1、2、4组均有风砂土，但主要分布在第2组；草甸土聚类结果较好，主要分布在第2组；第1组中的风砂土和草甸土第2个吸收谷最小值均位于680 nm处。

从表 3中可知，聚类结果较为混乱，土样多集中在1、2、4组，3组仅有一个风砂土。对比表 2和表 3，基于光谱特征参数的K均值聚类结果明显优于基于光谱反射率的聚类结果，反映出提取的光谱特征参数更适用于土壤分类。

3.3.2 决策树分类

本文对不同类型土壤反射光谱特性深入分析，明确各类土壤反射光谱特性的关键光谱特征参数，结合基于光谱特征参数的K均值聚类结果(表 2)，进而明确分类指标的组合与阈值。经过反复测试，确定最终指标组合与阈值结果：L₂=610 & 17.16 < A₁ < 27.1；0.63 < S₃ < 0.785 & 0.46 < S₅ < 0.52 & 14.71 < (A₁+A₂) < 15.35；4.07 < A₁ < 6.7 & 0.005 < S₃ < 0.43(其中，每个指标组合之间是并列关系，而不是同时满足)。决策树模型流程图见图 5。分类结果见表 4。

表 4 决策树土壤分类混淆矩阵
Table 4 Confusion matrix of soil classification of decision tree

下载CSV

土类(真实值)	分类结果(预测值)				生产者精度/%
土类(真实值)	黑土	黑钙土	风砂土	草甸土	生产者精度/%
黑土	35	0	0	0	100
黑钙土	0	65	5	4	87.84
风砂土	0	0	29	0	100
草甸土	1	4	0	5	50
用户精度/%	97.22	94.2	85.29	55.56
总体精度/%	90.54

由表 4可知，决策树模型分类精度较高，黑土、黑钙土、风砂土和草甸土生产者精度依次为100%、87.87%、100%和50%，用户精度依次为97.22%、94.2%、85.29%和55.56%，总体精度为90.54%，Kappa系数为0.9034。黑土分类精度最高，主要是由于黑土L₂较为稳定决定的。黑钙土分类精度较高，风砂土分类精度较低，是由于黑钙土中一些土样的反射光谱曲线和风砂土极为相似导致的。草甸土分类精度最低，主要是由于表层草甸土反射光谱曲线较为复杂引起的。

4 讨论

在黑土分类结果中分入了1个草甸土，其反射光谱曲线和黑土反射光谱曲线极为相似(图 9Ⅲ)，该采样点两侧为黑土，这再次证明了表层草甸土的“向邻性”。在风砂土分类结果中，分入5个黑钙土，研究发现，这5个土样位于杜尔伯特蒙古自治县境内，且与风砂土相邻，反射光谱曲线也表现为风砂土的特征，考虑到本次研究所用土壤图为全国第二次土壤普查结果，可能是由于土壤图的比例尺较小、绘制误差，造成这几个样点所在区域土壤类型标识错误。在黑钙土分类结果中分入4个草甸土，其中2个草甸土与黑钙土相邻，这是由于表层草甸土具有“向邻性”造成的，另外2个草甸土均位于杜尔伯特蒙古自治县境内，其反射光谱曲线与部分黑钙土反射光谱曲线相似，认为是由于分类指标选取引起的。草甸土分类结果较为混乱，这与草甸土聚类结果相吻合，主要是由于土壤侵蚀造成表层草甸土反射光谱曲线较为复杂，分类指标难以提取引起的。但由于草甸土一般分布在地势较低且平坦的地区，加入地形信息，有望提高草甸土的分类精度。此外，土壤母质会以多种途径直接或间接地影响土壤光谱反射特性，如土壤颜色、氧化铁和黏粒含量，以及主要黏土矿物等(徐彬彬和季耿善，1987)。黑土、黑钙土、风砂土和草甸土的成土母质各不相同，造成它们的反射光谱曲线存在差异。因此，在今后的研究中将进一步分析不同成土母质对土壤反射光谱特征的影响。

5 结论

本文以松嫩平原4种土壤(黑土、黑钙土、风砂土和草甸土)的室内光谱反射率为研究对象，利用光谱重采样技术和包络线去除法处理光谱数据，提取反射光谱特征参数作为分类指标，进行K均值聚类分析和决策树分类模型构建，得出以下结论：

(1)第2个吸收谷位置、第一个吸收谷的面积、前两个吸收谷的面积、波段500-600 nm和1340-1360 nm处的去包络线斜率，这些光谱特征参数可用于基于表层土壤反射光谱特征的土壤分类研究。

(2)表层草甸土的反射光谱曲线与其相邻的土壤类型的反射光谱曲线相似，称草甸土这种特性为“向邻性”。

(3)黑土和黑钙土聚类结果较好。决策树分类模型精度最高，黑土、黑钙土、风砂土和草甸土的分类精度分别为97.22%、94.2%、85.29%和55.56%，除草甸土外，其他3种土类分类结果较好。基于表层土壤光谱特性的决策树模型可用于土壤分类。

今后的研究将转向基于田间土壤高光谱反射率的土壤分类，以及高光谱影像的土壤制图。

参考文献(References)

Bu Y D, Chen F Q and Pan J C. 2014. Stellar spectral subclasses classification based on Isomap and SVM. New Astronomy, 28:35-43[DOI:10.1016/j.newast.2013.09.007]

Dai C D. 1981. Preliminary study on classification and data processing of spectral reflectance characteristics of main soils in China//Remote Sensing Anthology. Beijing:Science Press:315-323 (戴昌达. 1981.中国主要土壤光谱反射特性分类与数据处理的初步研究//国家遥感中心.遥感文选.北京:科学出版社:315-323)

Dalal R C, Henry R J.1986.Simultaneous determination of moisture, organic carbon, and total nitrogen by near infrared reflectance spectrophotometry. Soil Science Society of America Journal, 50 (1): 120–123 [DOI: 10.2136/sssaj1986.03615995005000010023x]

He T, Wang J, Cheng Y, Lin Z J.2006.Study on spectral features of soil Fe₂O₃. Geography and Geo-Information Science, 22 (2): 30–34 ( 何挺, 王静, 程烨, 林宗坚. 2006. 土壤氧化铁光谱特征研究. 地理与地理信息科学, 22 (2): 30–34) [DOI: 10.3969/j.issn.1672-0504.2006.02.008]

Huang Y F, Liu T H.1995.Spectral characteristics of main types of soils in southern China and soil classification. Acta Pedologica Sinica, 32 (1): 58–68 ( 黄应丰, 刘腾辉. 1995. 华南主要土壤类型的光谱特性与土壤分类. 土壤学报, 32 (1): 58–68 )

Hummel J W, Sudduth K A, Hollinger S E.2001.Soil moisture and organic matter prediction of surface and subsurface soils using an NIR soil sensor. Computers and Electronics in Agriculture, 32 (2): 149–165 [DOI: 10.1016/S0168-1699(01)00163-6]

Kemper T, Sommer S.2002.Estimate of heavy metal contamination in soils after a mining accident using reflectance spectroscopy. Environmental Science and Technology, 36 (12): 2742–2747 [DOI: 10.1021/es015747j]

Kovačević M, Bajat B, Gajić B.2010.Soil type classification and estimation of soil properties using support vector machines. Geoderma, 154 (3/4): 340–347 [DOI: 10.1016/j.geoderma.2009.11.005]

Li D, Peng Z P, Han L S, Wang C Y, Liu W, Huang S Y, Chen S S.2015.Rapid soil classification of paddy field in Guangdong province based on visible and near infrared reflectance spectra. Tropical Geography, 35 (1): 29–34 ( 李丹, 彭智平, 韩留生, 王重洋, 刘尉, 黄思宇, 陈水森. 2015. 基于土壤反射光谱特性的广东省稻田土壤快速分类. 热带地理, 35 (1): 29–34 )

Liu H J, Zhang B, Zhang Y Z, Song K S, Wang Z M, Li F, Hu M G.2008.Soil taxonomy on the basis of reflectance spectral characteristics. Spectroscopy and Spectral Analysis, 28 (3): 624–628 ( 刘焕军, 张柏, 张渊智, 宋开山, 王宗明, 李方, 胡茂桂. 2008. 基于反射光谱特性的土壤分类研究. 光谱学与光谱分析, 28 (3): 624–628) [DOI: 10.3964/j.issn.1000-0593.2008.03.035]

Lu Y L, Bai Y L, Yang L P, Wang L, Wang Y L, Ni L, Zhou L P.2015.Hyper-spectral characteristics and classification of farmland soil in northeast of China. Journal of Integrative Agriculture, 14 (12): 2521–2528 [DOI: 10.1016/S2095-3119(15)61232-1]

Ma H J, Cui C F.2014.Identification of soil types based on visible-near infrared spectroscopy and neural networks. Jiangsu Agriculture Sciences, 42 (4): 284–286 ( 马海姣, 崔晨风. 2014. 基于可见-近红外光谱和神经网络的土壤类型鉴别. 江苏农业科学, 42 (4): 284–286) [DOI: 10.3969/j.issn.1002-1302.2014.04.107]

Oliveira J F, Brossard M, Vendrame P R S, Mayi Ⅲ S, Corazza E J, Marchão R L, de Fátima Guimarães M.2013.Soil discrimination using diffuse reflectance Vis-NIR spectroscopy in a local toposequence. Comptes Rendus Geoscience, 345 (11/12): 446–453 [DOI: 10.1016/j.crte.2013.12.001]

Shi Z, Wang Q L, Peng J, Ji W J, Liu H J, Li X, Viscarra Rossel R A.2014.Development of a national VNIR soil-spectral library for soil classification and prediction of organic matter concentrations. Science China:Earth Sciences, 57 (7): 1671-1680 ( 史舟, 王乾龙, 彭杰, 纪文君, 刘焕军, 李曦, ViscarraRossel R A. 2014. 中国主要土壤高光谱反射特性分类与有机质光谱预测模型. 中国科学:地球科学, 57 (7): 1671-1680) [DOI: 10.1007/s11430-013-4808-x]

Song Z Q, Chen Y.2015.An overview of multi-class algorithm based on support vector machine. Journal of Naval Aeronautical and Astronautical University, 30 (5): 442–446 ( 宋召青, 陈垚. 2015. 基于支持向量机的多类分类算法综述. 海军航空工程学院学报, 30 (5): 442–446) [DOI: 10.7682/j.issn.1673-1522.2015.05.009]

Stoner E R, Baumgardner M F.1982.Characteristic variations in reflectance of surface soils. Soil Science Society of America Journal, 45 (6): 1161–4465 [DOI: 10.2136/sssaj1981.03615995004500060031x]

Vasques G M, Demattê J A M, Viscarra Rossel R A, Ramírez-López L, Terra F S.2014.Soil classification using visible/near-infrared diffuse reflectance spectra from multiple depths. Geoderma, 223-225 : 73–78 [DOI: 10.1016/j.geoderma.2014.01.019]

Wang H Y, Li J H, Yang F L.2014.Overview of support vector machine analysis and algorithm. Application Research of Computers, 31 (5): 1281–1286 ( 汪海燕, 黎建辉, 杨风雷. 2014. 支持向量机理论及算法研究综述. 计算机应用研究, 31 (5): 1281–1286) [DOI: 10.3969/j.issn.1001-3695.2014.05.001]

Wang R C, Su H P, Wang S F.1986.Studies on spectral reflectance of typical soils and its fuzzy category in soil classification in Zhejiang province. Acta Agriculture Universitatis Zhejiang, 12 (4): 108–115 ( 王人潮, 苏海萍, 王深法. 1986. 浙江省主要土壤光谱反射特性及其模糊分类在土壤分类中的应用研究. 浙江农业大学学报, 12 (4): 108–115 )

Wang Z Y, Jin C H, Liu F, Wang Y Y, Bao Y D.2010.Rapid discrimination of soil variety based on spectroscopic techniques. Journal of Zhejiang University (Agriculture and Life Sciences), 36 (3): 282–286 [DOI: 10.3785/j.issn.1008-9209.2010.03.007] ( 王遵义, 金春华, 刘飞, 王艳艳, 鲍一丹. 2010. 基于光谱技术的土壤快速分类方法研究. 浙江大学学报(农业与生命科学版), 36 (3): 282–286) [DOI: 10.3785/j.issn.1008-9209.2010.03.007]

Xu B B, Ji G S.1987.Research and application of spectral reflectance characteristics of soil. Advances in Soil Science, 15 (1): 1–9 ( 徐彬彬, 季耿善. 1987. 土壤光谱反射特性研究及其应用. 土壤学进展, 15 (1): 1–9 )

Xu Y W, Duan P, Luo Z H.2005.Analysis of the occurrence and Current situation of soil classification in China. Journal of Anhui Agricultural Sciences, 33 (10): 2003–2004 ( 徐咏文, 段萍, 罗志华. 2005. 浅析中国土壤分类的发生与现状. 安徽农业科学, 33 (10): 2003–2004) [DOI: 10.3969/j.issn.0517-6611.2005.10.117]

Zeng Q M, Sun Y R, Yan H B.2009.Nir spectral analysis for soil textural classification. Spectroscopy and Spectral Analysis, 29 (7): 1759–1763 ( 曾庆猛, 孙宇瑞, 严红兵. 2009. 土壤质地分类的近红外光谱分析方法研究. 光谱学与光谱分析, 29 (7): 1759–1763) [DOI: 10.3964/j.issn.1000-0593(2009)07-1759-05]

Zhang J H, He Z J, Tian X.2012.The comparative study of classification based on support vector machines and neural networks. Mechanical Engineer (8): 31–32 ( 张金会, 何政军, 田希. 2012. 基于支持向量机和神经网络对分类问题的比较研究. 机械工程师 (8): 31–32) [DOI: 10.3969/j.issn.1002-2333.2012.08.013]