土壤有机质检测

v 产品研发背景介绍：土壤有机质是泛指土壤中来源于生命的物质。土壤有机质是土壤固相部分的重要组成成分，是植物营养的主要来源之一，能促进植物的生长发育，改善土壤的物理性质，促进微生物和土壤生物的活动，促进土壤中营养元素的分解，提高土壤的保肥性和缓冲性的作用。检测土壤有机质含量是衡量土壤肥力重要指标的主要工作之一，也是对了解土壤肥力状况，进行培肥、改土具有一定的指导意义。v 参考国标：v 应用范围：适用于检测有机质含量低于15%的土壤样品消解预处理或各种食品、制药、农业等样品的消解处理。 v 操作原理：在加热条件下，用过量的重铬酸钾-硫酸溶液氧化土壤有机碳，多余的重铬酸钾用硫酸亚铁标准溶液滴定，由消耗的重铬酸钾量按氧化校正系数计算出有机碳量，再乘以常数1.724，即为土壤有机质含量。 v 主要仪器设备：土壤有机质消解器自动调零滴定管温度计（300℃）v 操作步骤：精密称取样品0.05-0.5g（精确到0.0001 g），放入硬质玻璃管中，准确加入10.00 mL 重铬酸钾-硫酸溶液（0.4mol/L），摇匀。将玻璃管插入已升温至175℃的加热腔体里，等试管中的溶液沸腾时开始计时，5min±0.5min后取出，冷却片刻，将试管内的消煮液和土壤残渣无损地转入滴定杯中，用水冲洗试管，洗液并入滴定杯中，使杯内溶液总体积在50-60mL。用硫酸亚铁溶液滴定至终点。每批分析需做两个空白试验，此次空白试验未用其他代替物，其他步骤与土样测试相同。 产品主要特点优点：全程智能化消解技术消解温度与消解时间均可人工设定，自动运行，实时监测，消解结束自动停止加热，自动报警；全新设计隔热防腐技术加热腔体采用新型隔热技术，杜绝隔热材料外露，加热过程腔体散热迅速，升温小，整机表面做防腐处理，经久耐用；消解试管整体迁移技术可整体移动24支消解管，消解结束可迅速整体移出加热腔，快速降温，大幅提升工作效率；加热腔PID控温技术整体采用24块铝合金加热腔模组设计，环绕式加热，整体升温迅速，孔间温差小，消解效果一致性好；大容量消解管设计100ml大容量消解管，采用耐高温耐酸碱腐蚀材料，消解过程无需额外增加回流设计；智能式人机对话操控模式操控端采用5寸彩色液晶触摸屏，60度人性化仰角设计，可实时监控整个消解过程。 技术规格：1、主机尺寸：355mm×338mm×228mm2、额定功率: 2300W

中国农业发生于新石器时代。中国农业的生产结构包括种植业、林业、畜牧业、渔业和副业；但数千年来一直以种植业为主。东北地区的黑土地，是宝贵的农业资源。黑土地的土壤富含有机质，深黑色的沃土，沉甸甸的感觉让人感受到这片土地的肥沃。在现代农业生产中，科技的应用在这片沃土上也发挥着至关重要的作用，科研团队利用机载高光谱对黑土地的土壤有机质做了相关研究。使用无人机高光谱图像和小型校准数据集对田间土壤有机质进行高分辨率测绘快速获取田间尺度土壤有机质（SOM）的高分辨率空间分布对于精准农业至关重要。无人机成像高光谱技术以其高空间分辨率和时效性，可以填补地面监测和遥感的研究空白。本研究旨在测试在中国东北典型低地势黑土地区使用无人机高光谱数据（400–1000 nm）和小型校准样本集进行1 m分辨率SOM绘图的可行性。该实验在大约20公顷的土地上进行。为了进行校准，使用 100 × 100 m 网格采样策略收集了 20 个样品，同时随机收集了 20 个样品进行独立验证。无人机捕获空间分辨率为0.05×0.05 m的高光谱图像。然后对每 1 × 1 m 内提取的光谱进行平均以代表该网格的光谱。在应用各种光谱预处理（包括吸光度转换、多重散射校正、Savitzky-Golay 平滑滤波和一阶微分）后，SOM 光谱相关系数的绝对最大值从 0.41 增加到 0.58。最佳随机森林（RF）模型的重要性分析表明，SOM 的特征波段位于 450-600 和 750-900 nm 区域。当使用RF模型时，无人机高光谱数据（UAV-RF）能够成功预测SOM，R 为0.53，RMSE为1.48 g kg&minus 1。然后将预测精度与使用相同数量校准样本的普通克里金法（OK）和基于近端传感的射频模型（PS-RF）获得的预测精度进行比较。然而，由于采样密度较低，OK 方法无法预测 SOM 精度（RMSE = 2.17 g kg&minus 1；R2 = 0.02）。半协方差函数无法有效描述SOM的空间变异性。当采样密度增加到50×50 m时，OK成功预测了SOM，RMSE = 1.37 g kg&minus 1，R2 = 0.59，其结果与UAV-RF的结果相当。PS-RF的预测精度与UAV-RF基本一致，RMSE值分别为1.41 g kg&minus 1和1.48 g kg&minus 1，R2值分别为0.57和0.53，表明基于UAV的SOM预测是可行的。此外，与PS平台相比，无人机高光谱技术可以同时提供数十甚至数百个连续波段的光谱信息和空间信息。该研究为进一步研究和开发无人机高光谱技术进行少量样本精细尺度SOM测绘提供了参考。研究区土壤样本分布研究区域位于中国吉林省梨树县，面积20公顷。该地区属季风气候，年平均降水量553.5毫米，平均气温6.5℃。此外，它的特点是地势平坦，平均海拔160 m。由于这些特征，该地区成为北半球三大富含有机质的黑土地之一，主要农作物是大豆。Resonon-Pika-L 机载高光谱成像仪本研究采用Resonon公司的Resonon-Pika-L高光谱成像仪由高光谱成像光谱仪、六旋翼无人机、GPS和计算机组成。于2020年6月15日获取了覆盖整个研究区、像素大小为0.05×0.05 m的高光谱图像。高光谱图像提取的光谱范围为400~1000 nm，光谱分辨率为2.1 nm。经过 (a) 吸光度转换、(b) 乘性散射校正、(c) Savitzky–Golay 后土壤有机质 (SOM) 与土壤光谱特征的相关系数（窗口大小为 5，拟合次数为 2） ）和（d）一阶导数方法。根据Pearson相关系数的绝对值评价预处理方法的性能，以选择最佳的预处理方法组合。如所示，基于吸光度转换的MSC后，最小相关系数值发生变化（450-500 nm处为-0.4-0.6），总体相关系数在600-700 nm处增加，相关系数绝对值最大 在 700–800 nm 处增加，相关系数发生变化（800–900 nm 处为 -0.35–0.3 至 -0.5–0.3）。使用无人机高光谱 (UAV-RF) 预测土壤有机质 (SOM) 的 RF 模型的重要性分析 (a) 和图 (b)本研究比较了使用无人机高光谱数据、观测到的土壤数据和 RF 模型进行田间尺度 SOM 预测的 OK 技术。研究结果如下01 吸光度转换、MSC、SG 和 FD 技术对SOM的预测效果良好。经过这些预处理后，光谱和 SOM 之间的绝对最大相关系数从 0.41 增加到 0.58。02 SOM的特征波段位于450-600 nm和750-900 nm，这可能是由于O-H、C-H和N-H特征官能团的振动频率造成的。03 采用100 m × 100m网格采样设计，UAV-RF模型预测SOM的R2为0.53，RMSE为1.48 g kg&minus 1，而采用相同采样策略的OK方法未能预测SOM（RMSE = 2.17g kg&minus 1；R2 = 0.02)。预测精度较差是因为样本密度低从而削弱了半协方差函数描述SOM空间变异性的能力。只有当采样密度增加时，才能使用 OK 成功预测 SOM，其结果与UAV-RF相当。04 基于PS-RF的SOM预测结果与基于UAV-RF的预测结果基本一致，RMSE值为1.41 g kg&minus 1和1.48 g kg&minus 1，R2值为0.57和0.53。这些研究结果为未来研究和发展无人机高光谱技术在减少样本量的情况下进行SOM预测提供了参考。

摘要土壤有机质（SOM）在全球碳循环中起着非常重要的作用，而高光谱遥感已被证明是一种快速估算SOM含量的有前景方法。然而，由于忽略了土壤物理性质的光谱响应，SOM预测模型的准确性和时空可迁移性较差。本研究旨在通过减少土壤物理性质对光谱的耦合作用来提高SOM预测模型的时空可迁移性。基于卫星高光谱图像和土壤物理变量，包括土壤湿度（SM）、土壤表面粗糙度（均方根高度，RMSH）和土壤容重（SBW），建立了基于信息解混方法的土壤光谱校正模型。选取中国东北的两个重要粮食产区作为研究区域，以验证光谱校正模型和SOM含量预测模型的性能和可迁移性。结果表明，基于四阶多项式和XG-Boost算法的土壤光谱校正具有优异的准确性和泛化能力，几乎所有波段的残余预测偏差（RPD）均超过1.4。基于XG-Boost校正光谱的SOM预测精度最 高，决定系数（R2）为0.76，均方根误差（RMSE）为5.74 g/kg，RPD为1.68。迁移后模型的预测精度、R2值、RMSE和RPD分别为0.72、6.71 g/kg和1.53。与模型直接迁移预测相比，采用基于四阶多项式和XG-Boost的土壤光谱校正模型，SOM预测结果的RMSE分别降低了57.90%和60.27%。 这种性能比较凸显了在区域尺度 SOM 预测中考虑土壤物理特性的优势。Figure 1. Framework of the proposed SOM estimation model.研究区域试验点1位于中国东北黑龙江省黑土耕地保护区，如图2所示，面积为1095 km2。该地区属温带大陆性季风气候，年降水量为450–650 mm，降水主要集中在6–9月，占全年降水量的80%。研究区地势南高北低，西高东低，大部分地区为堆积平原。该研究区是全球仅有的四个黑土区之一，耕层深厚，土壤肥沃，含腐殖质的土层厚度为25–80 cm，适合种植玉米、大豆等作物。图 2. 研究区域概览。（a）研究区域的地理位置；（b、c）分别为站点 1 和站点 2 的土壤采样点；（d、e）“裸土期”的土壤表面。试验点2 位于中国吉林省黑土耕地保护区，如图 2 所示，面积为 713 km2。站点地势平坦，海拔在 189 至 237 m 之间。该区域为东部湿润山区与西部半干旱平原区的过渡地带。研究区属温带大陆性半湿润季风气候，年平均气温 4.6 ℃，年降水量 600—700 mm。该区域河流水系丰富，农业水资源相对丰富，地表土壤空间异质性强。该区域土壤主要为黑土，腐殖质层厚度为 0.6—1.0 m。试验点2的土壤类型、地表特征等环境因素与试验点1有明显差异，可以验证本研究中SOM含量预测模型的时空可迁移性。2022 年 10 月 29 日至 30 日，共从试验点 1 采集了 104 个表层土壤样品（图 2b）。2023 年 4 月 14 日至 15 日，从试验点 2 采集了 40 个表层土壤样品（图 2c），用于测试模型的时空可迁移性。图3. 样区内土壤样品采集与参数测量示意图。(a)象限采样示意图；(b)土壤表面点云数据测量。研究过程样品运回实验室后，通过称重、烘干等方法获得每个象限9个子样本的SM和SBW，并计算子样本的平均值。然后，将9个子样本混合成复合样本，在实验室内使用（ASD FieldSpec 4地物光谱仪）进行光谱测量（取十次测量的平均值）和使用重铬酸钾加热法测定SOM含量。为保证每个样品的SBW相同，将土壤样品装入一次性培养皿中进行光谱测量。对每个测量点的土壤表面点云数据进行拼接、裁剪和滤波。利用处理后的点云数据建立三维相对坐标系（图3b），提取所有点云数据的Z坐标，计算该象限的RMSH。资源一号02D（ZY1-02D）高光谱图像数据来自中国科学院空天信息创新研究院，图像生成时间与土壤采样时间同步，所有图像的云量均小于1%。本研究选取450~1290nm、1408~1828nm和1963~2460nm波段作为光谱波段。为了验证ZY1-02D高光谱图像的可靠性，将土壤像素光谱与土壤地面光谱进行了比较（图4）。尽管土壤像素光谱的形状与土壤地面光谱相似，但在可见光-近红外（VNIR）波段范围内存在一些噪声和平滑度较低的情况。此外，土壤像素的光谱反射率略低于实验室测量的反射率。计算了像素反射率与地面反射率之间的斯皮尔曼相关系数（SCCs）和皮尔逊相关系数（PCCs）。结果表明，大多数波长范围内的PCCs低于0.5，而在480至680nm和2000至2500nm波长范围内的SCCs基本大于0.5，表明可能存在非线性关系。为了揭示影响像素光谱的因素，比较了不同物理属性梯度下土壤反射率的差异。随着SM的增加，土壤光谱反射率显著下降，尤其是在500至1300nm和1450至1700nm波长范围内（图5）。随着SBW的增加，土壤光谱反射率的下降幅度相对较小。RMSH对土壤光谱的影响最为显著，反射率随着RMSH的增加显著下降。综上所述，SM、SBW和RMSH对光谱的耦合效应是导致两组光谱数据偏差的重要原因，严重限制了成像光谱仪对土壤“纯光谱”的获取。因此，有必要在像素光谱数据中分离土壤的物理和化学信息，以提高高光谱遥感对土壤有机质（SOM）预测的准确性。图4. 成像光谱、实验室光谱及其相关系数。图5. 不同物理性质土壤的光谱特征。图6. 基于多参数估计模型的土壤物理参数与土壤像素光谱拟合的R² 值。图 7. 使用试验点 1 数据建立的 XG-Boost 模型，基于 (a) 原始像素光谱、(b) 地面光谱、(c) 四阶多项式校正光谱和 (d) XG-Boost 校正光谱和站点 2 数据测量和预测的 SOM 含量的散点图。结果本研究利用卫星和地面高光谱数据以及土壤物理参数数据，分别基于四阶多项式和XG-Boost构建了两种土壤光谱校正模型，以缓解土壤物理性质对像素光谱的耦合效应。通过使用来自两个试验点的数据，评估了土壤光谱校正模型的性能及其对SOM预测模型精度和时空可迁移性的影响。主要结论如下：土壤像素光谱反射率与土壤地面光谱反射率呈非线性关系。表面物理性质的差异是导致这两种光谱数据类型偏差的主要因素。RMSH对土壤像素光谱的影响最为显著，其次是SM和SBW。四阶多项式和XG-Boost模型具有良好的土壤光谱校正精度。基于XG-Boost的土壤光谱校正模型精度更高，时空可转移性更强，因为它考虑了所有特征，持续调整树的权重，防止结果陷入局部最优。土壤光谱校正显著缓解了土壤物理性质对土壤像素光谱的耦合效应，有效提高了SOM预测模型的准确性，更重要的是，大大增强了基于像素光谱的SOM预测模型的时空可转移性。未来，通过充分考虑更多土壤特性，可以获得更准确的SOM预测结果。本研究为预测其他区域的土壤性质参数提供了一种新的研究范式。