Effect of moisture content on spectral characteristics and attribute estimation of reclaimed soil
土壤复垦工程作为缓解我国人地矛盾的主要方式之一，为国家提供大量土地利用后备资源［1］。 然而复垦土壤与自然土壤结构不同，复垦土壤改变了土壤原有的水、肥、气、热等特性，且复垦土壤会随着耕作年限的增长不断熟化，土壤含水率、有机质含量、碱解氮含量等土壤成分逐年增加［2］。 与自然土壤相比，复垦土壤扰动性较强，其理化性质具有无序、易变、非均质等特征［3］。 复垦土壤属性检测可为矿区复垦方法选择、治理效果评价及区域分区管理等方面提供指导。 传统实验室检测方法费时费力，通常不能满足田间管理实用性、实时性的需要。光谱定量分析是一种利用辐射能量与土壤组成之间的内在关联来定量化描述土壤理化属性的技术［4］。近年来，高光谱遥感以其无损、快速、成本低等特点，可以实现土壤理化性质的快速监测，在土壤属性测定中潜力巨大，已成为当前的研究热点［5］。
目前，针对野外原位测量vis-NIR 高光谱技术主要为“in situ”静态野外原位测量和“on-the-go”动态实时测量技术。 这些方法在获取光谱数据过程中受诸如土壤含水率、室外温度及光照条件等因素的影响，而土壤含水率是影响光谱特征的主要因素之一［6］。 土壤水分对光谱反射率的影响是非线性的：当土壤含水率小于凋萎系数时， 孔隙水附着在土壤颗粒上，导致土壤散射增加，在此含水率范围内光谱反射率随着土壤含水率的增加而降低；当土壤含水率介于凋萎系数与田间持水量时，水分包裹在土壤颗粒表面形成水膜，导致波段吸收增加，在此含水率范围内光谱反射率会随着土壤含水率的增加而降低；当土壤含水率大于田间持水量时，水分代替土壤孔隙中的空气并发生镜面反射现象，从而增加土壤反射率大小，在此范围内土壤光谱反射率会随着土壤含水率的增加而增加［7］。 JI 等［8］通过对比风干前后的光谱数据发现随着土壤含水率的增加，波长1 450、1 940 nm 附近的水分吸收谷的吸收面积和深度逐渐增加；ZOU 等［9］通过对比风干前后的土壤光谱发现干土在可见光波段范围内增长迅速，其光谱具有较高的收敛分布；XIA 等［10］认为由于土壤水分对光谱反射率的影响较大，可能会造成其他物质的光谱特性被掩盖；洪永胜等［11］通过获取不同含水率梯度土壤光谱，发现干土与湿土之间的光谱相关性随着含水率的增大而不断减小；MORGAN 等［12］通过对风干土壤样本再湿润发现受土壤水分的影响，土壤有机碳、无机碳的预测能力下降；ROUDIER 等［13］发现当土壤含水率超过10%时，vis-NIR 预测土壤属性的能力下降。 目前的研究大都基于自然土壤下，而煤矿复垦重构土壤因其土体构型差异较大，水分含量对煤矿复垦土壤高光谱的研究较少。
在前人研究的基础上，笔者以安徽省淮北市某煤矿复垦区土壤为研究对象，测定风干前后的土壤光谱数据，分析不同含水率下光谱特征，结合配对样本t 检验方法研究不同含水率下的水分影响波段，分别采用直接标准化算法和辐射传输理论去除土壤水分影响并结合土壤吸光度分析水分去除效果，以土壤全氮为例，探讨土壤水分对vis-NIR 预测土壤属性的能力的影响。 研究结果以期为煤矿复垦土壤属性原位快速监测提供理论依据与技术支撑。
土壤样本选自安徽省淮北市某复垦煤矿，位于淮北平原中部，是典型的平原高潜水位地区。 由于长期地下开采导致地表塌陷、裂缝造成土体结构破坏、土壤养分流失，于2019 年采用客土回填方式完成复垦，覆土厚度约为1 m，土壤类型为砂姜黑土。 共布设采样点62 个（图1），利用GPS 精确定位，采集表层（至地表0～20 cm）土壤，剔除入侵体及杂物后，将每个测点5 个土样混和成一个组合样本作为采样点处的土壤样本。 研究区土壤含水率平均值为17.86%，有机质与全氮含量平均值分别为12.73 g／kg 与0.68 g／kg。由于人为工程扰动和土源质量限制，复垦土壤颗粒组成、容重及有机质含量等理化性质与自然土壤不同。复垦土壤质地较粗，黏粒含量较低；由于施工过程中的压实作用，复垦土壤的容重普遍高于自然土壤；复垦土壤其含水率及有机质、全氮等含量偏低。
图1 研究区概况
Fig.1 Studyarea and soil sampling sites
表1 土壤属性描述性统计
Table 1 Descriptive statistics of soil properties
土壤类型含水率／%密度／% 有机质含量／（g·kg-1）全氮含量／（g·kg-1）黏粒质量分数／%粉粒质量分数／%砂粒质量分数／%复垦土壤17.861.7212.730.6825.3244.8929.79非复垦土壤（农田）19.751.6018.680.8235.9143.7320.36
1.2.1 光谱数据采集
利用美国ASD FieldSpec 4 便携式地物光谱仪（波谱范围为350 ～2 500 nm）获取土壤光谱反射率数据。 为降低光照强度、入射角度对光谱数据获取的干扰，实验于无光暗室中进行，并保证光纤镜头与均匀铺满培养皿的样品垂直。 测量前，将仪器预热半小时，避免辐射照度在光谱连接处出现台阶跳跃；测量时，每采集10 个土壤样品进行1 次白板校正。 每个样本获取20 条光谱数据，剔除噪声较大的曲线及光谱两端噪声较大的波段（350 ～399 nm、2 451～2 500 nm），取平均值作为实际获取的土壤光谱数据。 潮湿土壤光谱数据获取完成后，将土壤风干、研磨后过尼龙百目筛，并使用与获取潮湿土壤光谱数据相同的实验条件获取风干土壤光谱数据［14］。
1.2.2 光谱预处理
1）平滑去噪。 由于试验环境及仪器在不同波段对能量响应上的差异等偶然因素影响，导致获取的光谱数据存在一些噪声，通过不同的数据预处理方法可以有效地降低噪声。 笔者采用S-G 卷积平滑方法对光谱曲线进行平滑去噪，其原理是利用多项式对光谱移动窗口内的数据进行因式分解，并且运用最小二乘法进行线性拟合，将得到的结果作为原始光谱。
2）光谱变换。 由于所得光谱数据存在误差，致使光谱数据与研究对象之间的相关性较低，通过不同的光谱变换可以有效的去除背景的影响，分离重叠峰。 本文采用一阶微分变换、连续统去除变换及吸光度变化，其计算公式如下：
式中，R（λi） 和R（λi-1） 分别为波长λi 和λi-1 处的光谱反射率；i 为波长； R′（λi） 为波长λi 处的一阶微分光谱；Δλ 为波长λi-1 到λi 的间隔；R（λci） 为波长λi 连续统去除变换后的值，Rstart 为起点波段的反射率值；λstart 为起点波段的波长值；K 为起点波段到终点波段的直线斜率； A（λi） 为波长λi 处的吸光度。
3）中心化处理。 中心化处理的目的是让远离均值的光谱数据和接近均值的光谱数据具有相同的比重，通过引入中心化矩阵C：
式中：E 为n 阶单位矩阵，n 为样本个数； λ 为所有元素均为1 的（1×n）列向量。 将所求得的中心化矩阵C 与光谱矩阵相成即得到中心化光谱矩阵。
在水分影响校正之前，将样本分为建模集（50个）用于标定辐射传输模型和DS 算法，验证集（12个）用做独立验证。
1.3.1 辐射传输模型
NOLET 等［15］提出的比尔-朗伯定律构建出指数模型表征土壤水分对光谱反射率的影响。
其中，RWet 为湿润土壤表面反射率；RDry 为风干土壤表面反射率；c（λ） 为纯水的吸收系数，表征土壤含水率与土壤光谱反射率之间的系数，cm-1；d 为光程长度，cm。 由于这个理论模型不能表征土壤含水率与光谱反射率之间的关系，本研究将式（4）改写为如下形式：
式中，α（λ） 为土壤水分含量改变引起土壤光谱反射率改变的速率—衰减系数（Attenuation constant，AC），无量纲；SMC （Soil Moisture Content）为土壤含水率，%。 将式（6）表达成衰减系数的函数为
综上，RWet 、RDry 以及SMC 均可通过采样获取，结合式（7）即可计算出α（λ） 。 则去除水分影响的光谱RAC 可以表示为
1.3.2 直接标准化算法
直接标准化（Direct Standardization，DS）算法是一种常用的高光谱模型传递模型，最初用于不同光谱仪器之间的校正，现多用于不同样本和环境条件下（如粒径大小、表面粗糙度、温度等）的光谱校正［16-17］。 通过建立风干前后光谱之间的转换矩阵，建立校正模型：
式中，SDry-a 和SWet-a 分别为风干土壤光谱矩阵和湿润土壤光谱矩阵在每个波段平均值组成的列向量。
为便于区分土壤光谱类型，未进行水分剔除的土壤光谱记为SoilWet；经过辐射传输模型校正的土壤光谱记为SoilAC；经过DS 算法校正的土壤光谱记为SoilDS；风干后的土壤光谱记为SoilDry。
土壤高光谱数据量大，相邻波段数据冗余且存在大量的无用信息，通过不同的特征波段筛选可以有效地降低光谱数据间的高度共线问题，提高预测模型的精度。 本研究采用皮尔森相关系数（Pearson Correlation Coefficient，PCC）、连续投影算法（Succes⁃sive Projections Algorithm， SPA）及其组合算法PCC-SPA 进行特征波段筛选。 PCC 是一个线性相关的系数，用于反映2 个变量之间的相关程度。 结果取值区间为［-1， +1］，其中，-1 表示完全负相关；+1表示完全正相关；0 表示不线性相关，其绝对值的大小表示两变量之间相关性的强弱［18］。 SPA 是一种正向选择的方法，基于RMSE 最小化原则，选择共线性和冗余度最低的变量为最佳变量。 通过不断循环计算一个波长在其余波长上的投影，筛选出具有代表性的少数特征波段，最大程度消除波段中的冗余信息［19］。
BP 神经网络（Back Propagation Neural Networks，BPNN）是一种按照误差逆向传播算法训练的多层前馈神经网络。 通过不断地将误差分布到每一层“神经元”中，直到神经网络的误差达到一个可接受的范围，从而实现因变量的回归。 解决了以感知器为基础的网络算法存在的不足和问题，具有较强的运算能力能够处理较为复杂的非线性问题［20］。
模型精度评价的指标选取决定系数（R2）、相对分析误差（RPD）和均方根误差（RMSE）衡量。 其中R2和RPD 用于评价建立模型的稳定性，其值越大表明建立的模型越稳定；RMSE 用于估算模型中预测值与真实值的偏差，数值越小表明模型的预测能力越好［21］。
2.1.1 不同水分条件下的复垦土壤光谱反射特征
综合考虑本研究数据，结合前人的研究，将62个土壤样本按含水率大小分为5 个区间，分别记为W1 ～W5，再对每类土壤光谱反射率做均值处理，得到不同水分条件下的土壤光谱反射率，如图2 所示。图2 中阴影部分表示不同水分条件下的显著性差异波段。 图2a 为不同水分条件下的平均反射率及标准偏差，以张娟娟［22］、张颍帝［23］等自然土壤光谱曲线为参照光谱，风干后复垦土壤反射率整体偏高，这可能是由于复垦土壤容重较大，土壤颗粒间隙较小，导致光谱反射率整体偏高，自然土壤中腐殖质含量较高，其呈黑色增加了对光谱的吸收作用［24］，因此导致土壤反射率差异较大。 两种土壤光谱在可见光波段内存在明显差异：自然土壤在波长500、700 nm附近其光谱反射率增长率降低但复垦土壤在波长600、800 nm 附近增长速度明显减弱。 这可能是由于复垦后的土壤粉、砂含量较高，致使吸收特征出现向右偏移现象［25］。 两种土壤光谱曲线在近红外波段内无明显差异，均在波段2 100～2 450 nm 内光谱反射率呈现单调递减趋势。 受土壤水分影响，湿土光谱反射率较低。 这是由于当入射光射入或反射到土壤颗粒表面时，附着于土壤颗粒表面的水分产生了吸收作用。 不同水分条件下各土壤光谱曲线近似平行，吸收峰位置大致相同，但不同水分条件下各吸收峰深度不同。 与自然土壤相比，未风干的复垦土壤其光谱曲线更为平缓，在可见光-近红外的增长缓慢，但在波段为2 100～2 450 nm 两种土壤光谱曲线递减速度一致。
由于原始光谱数据不能很好地显示光谱的吸收特征，常常采用连续统去除变换突出光谱曲线吸收和反射特征。 图2b 为不同水分条件下连续统去除的平均反射率，由图2b 可以看出，不同水分条件下的光谱吸收差异主要集中于波长1 450 nm 和1 950 nm 附近，与风干后的土壤光谱相比，湿土光谱的吸收峰更宽、更深，吸收效果更明显。 对风干前后土壤光谱的连续统去除变换光谱进行配对样本t 检验，结果如图2b 阴影部分所示。 图2b 中阴影部分为不同含水率区间在a ＝0.05 显著水平下光谱之间存在显著差异的波段。 在不同水分条件下两种光谱之间最明显的区别在于近红外波段内的两个主要水吸收波段，其中1 950 nm 的差异波段较为稳定，对水分的扰动更为敏感。 在波长1 000 nm 和2 200 nm 附近的部分波段也存在明显差异，波长1 000 nm附近的差异可能是由于土壤中的羟基引起的，波长2 200 nm 附近的差异则可能是受氢氧化铝黏土矿物吸收带的影响，这与JI 等［26］的研究结果相似。
图2 不同水分条件下的土壤光谱反射特征
Fig.2 Characteristics of soil spectral reflectance under different moisture conditions
2.1.2 土壤含水率对复垦土壤光谱吸收特征影响分析
为更好分析土壤水分对光谱吸收特征的影响，提取原始光谱1 450 nm 与1 950 nm 处吸收峰的8种吸收特征参数： 吸收波段波长位置P、深度H、宽度W、斜率K 、对称度S、总面积A、左半边面积A1、右半边面积A2。 图3 为两水分吸收峰同一特征参数散点图，其分布情况在一定程度上体现了参数之间的相关性强弱，颜色深浅代表含水率的大小。 不同水分条件下：P1450主要分布在1 410～1 460 nm，且随着含水率的升高逐渐“右移”，P1950 主要分布在1 920～1 935 nm，其分布服从正态分布，与含水率相关性较低；H1450与H1950相关性较强，当含水率相近时两者比值大小相似；吸收波段宽度与土壤含水率相关性较低，但当W1450超过300 nm 时，W1950的大小随着含水率的增大而减小；K1450与含水率及W1950负相关，当K1450为正值时1 950 nm 处吸收谷两端较为平缓，当K1450为负值时1 950 nm 处吸收谷两端反射率大小相差较大； S1450与S1950分布较为分散，两者之间相关性较低，在不同水分条件下分布无序；A、A1、A2两两间相关性较强，1 450 nm 处的吸收面积明显小于1 950 nm，当含水率较低时A11450与A11950变化较大，当含水率较高时A11450与A11950大小变化不明显。两水分吸收谷同以吸收参数间拟合效果最好的是H，其次是K、A、A2，R2均超过0.7；拟合效果最差的是S，R2仅为0.223。
图3 土壤含水率与光谱吸收特征参数拟合
Fig.3 Fitting of soil moisture content and characteristic parameters of spectral absorption
传输样本的个数直接决定了剔除效果的好坏，图4 为不同传输样本个数下，剔除水分影响后与干土光谱曲线的平均相关性曲线图。 由图4 可知，当传输样本为5 个时，剔除过程中丢失了部分光谱信息，两种算法剔除后的结果较差。 随着传输样本的增加，剔除水分影响后的光谱曲线与干土的相关性逐渐增强，当传输样本大于20 时，相关性超过0.9，表明剔除水分影响后的光谱曲线可以很好地描述干土的光谱特性；当传输样本大于35 时，随着样本的增加，相关性提升不明显。
图4 不同传输样本个数对剔除效果的影响
Fig.4 The influence of different number of transmitted samples on the elimination effect
吸光度指通过土壤前的入射光强度与土壤后的透射光强度比值的对数，是土壤学中常用的参数之一，用来衡量光被吸收程度的一个物理量［27］。 不同水分及水分剔除后的土壤平均吸光度如图5 所示。由图5a 可知，不同含水率条件下的土壤吸光度近似平行，随着含水率的增加，土壤吸光度先升高后降低。 风干前后的土壤在可见光波段均有较强的吸收，通常认为光谱在可见光的吸收是由有机质和Fe2+、Fe3+、Cu2+等金属离子游离和跳跃引起的。 风干前后的光谱吸光度由于土壤水分的影响导致在数值上有较大的差异，光谱经过剔除水分影响算法校正后，差异性明显降低，说明两种算法均能很好地剔除水分对光谱的影响。 图5 中B 和C 区间为2 种算法在水分影响较大波段（1 350～1 500 nm、1 850～2 000 nm）的平均吸光度，由图5 可知辐射传输模型校正后的平均吸光度与干土的平均吸光度近乎重合，说明衰减系数能够很好地描述土壤水分对光谱的影响，辐射传输模型的剔除效果更理想。
图5 不同水分条件下的土壤平均吸光度
Fig.5 Soil average absorbance under different moisture conditions
2.3.1 特征波段筛选
分别采用PCC、SPA、PCC-SPA 作为特征波段的筛选方法，其中PCC 以相关性较强的波段（｜PCC ｜≥0.25 且在显著水平a ＝0.05 水平上显著）作为特征波段。 表2 为不同波段筛选的结果，由表2 可知，SPA 算法筛选出的特征波段均位于450、850、1 350、1 480、1 900 及2 200 nm 附近。 450 nm 附近的特征波段与卢艳丽等［28］认为的土壤全氮敏感区间一致；850、1 350 及1 480 nm 与宋雪等［29］认为的土壤全氮特征波段一致；1 900 nm 与2 200 nm附近的特征波段与王海江等［25］的土壤全氮相关系数峰值相近。复垦土壤全氮的特征波段均与自然土壤的特征波段区间大致相同，仅部分近红外特征波段位于自然土壤的相关系数峰值附近。 此外，SPA 算法可以大大地降低土壤高光谱变量维度和计算复杂程度，挑选出的特征波段低于原波段的3%，极大地简化了建立模型参数。 与SPA 相比，PCC-SPA 筛选出的波段个数更少，且大都具有更低的最小RMSECV。 这可能是由于SPA 算法筛选出的特征波段中存在部分与土壤全氮不相关的冗余信息，从而降低了SPA 相应的模型预测精度。 PCC-SPA 筛选前的波段均为与土壤全氮相关性较高的波段，筛选后的结果在保留了原波段信息的基础上，降低了PCC 筛选结果的共线性，提高了模型的预测精度。
表2 基于SPA 下的不同光谱数据的特征波段、运行次数及最小RMSECV
Table 2 Characteristic bands， number of sampling runs and minimal RMSECV under SPA
算法土壤光谱 运行次数 最小RMSECV特征波段／nm SoilWet290.095403、421、455、478、737、854、920、1 279、1 474、1 724、1 798、1 810、2 260、2 310、2 405 SPA SoilAC210.107851、1 011、2 181、1 771、2 021、2 195、2 329、2 417、2 444 SoilDry220.068433、677、690、705、766、919、1 014、1 113、1 418、1 547、1 609、1 638、1 647、1 706、2 291、2 308、2 419 SoilWet60.066405、553、725、1 240、1 772、1 825 PCC-SPA SoilAC130.065454、469、750、841、1 824、2 069、2 174 SoilDry130.077519、866、962、1 228、1 440、1 707、1 917
2.3.2 反演模型建立
依据上述分析，以特征波段为自变量，土壤全氮含量为因变量，采用BP 神经网络建立预测模型，结果见表3。 由表3 可知，不同土壤光谱数据建立的土壤全氮预测模型精度差异较大，这是由于SoilWet预测时省去风干、研磨及过筛一系列预处理，受土壤水分等影响增加了光谱信息特征提取难度，但总体趋势一致，即SoilDry ＞SoilAC＞SoilWet。 SoilWet建立的模型R2不超过0.72，只能估测土壤全氮含量的高低；SoilDry建立的模型R2 最高超过0.86，能够准确预测土壤中全氮含量。 经过辐射传输模型进行水分影响算法剔除后模型预测能力显著提升，建立的预测模型R2最高超过0.83，与SoilDry相差不超10%，说明利用辐射传输模型可以有效剔除土壤水分对光谱的影响，提高土壤全氮预测能力。
表3 土壤全氮含量估测模型的预测结果
Table 3 The prediction results of soil total nitrogen content estimation model
土壤光谱算法R2RMSERPD变量数PCC0.5400.1591.540695 SoilWet SPA0.5940.1491.64015 PCC-SPA0.7180.1241.9666 SoilAC PCC0.7140.1261.953537 SPA0.7260.1231.9949 PCC-SPA0.8370.0942.5937 PCC0.7850.1092.253709 SoilDry SPA0.7800.1102.22617 PCC-SPA0.8630.0862.8277
通过对比不同波段筛选方法的结果，PCC 筛选出的特征波段数量较多、冗余度较大，其建立的预测模型精度最低；SPA 算法在筛选过程中极大地降低了变量之间的共线性，但是不可避免地引入无关变量，较PCC 建立模型的预测精度有所提升，但模型R2提升不超过10%，提升效果不明显；将两种算法耦合得到的PCC-SPA 算法建立的模型精度显著提升，R2 提升超33%，可以有效地避免无关变量的同时极大地减少变量间的冗余度，在优化模型参数的同时提高模型的稳健性。
土壤养分作为评定复垦土壤质量的重要指标之一，其传统检测方式成本高、效率低、无法大面积获取，而高光谱以其快速，无损检测已广泛应用到土壤属性预测中。 然而受土壤水分的影响，土壤野外原位测量的预测精度通常不能满足需要，基于此本文以淮北市某复垦区为研究对象，采用统计学方法分析不同含水率的影响波段，并利用DS 算法及辐射传输模型成功剔除水分对土壤光谱的影响，结合PCC、SPA 算法，分析不同水分条件下土壤全氮特征波段，建立了BP 神经网络回归模型，获得了较好的反演效果，为复垦土壤原位检测提供技术支持与理论支撑。
文中根据土壤含水率大小将样本分为5 个含水率梯度并求得不同土壤含水率下的土壤平均光谱反射率，随着土壤含水率的增加，土壤反射率逐渐降低，将不同含水率区间土壤样本分别进行了配对样本t 检验，得到了不同含水率下的影响波段。 在不同的含水率条件下，水分对光谱的影响波段不尽相同，但在波长1 000、1 450、1 950 nm 和2 200 nm 附近都存在明显差异波段，这与JI 等［26］的研究结果相似。 通过对比不同含水率下的显著差异性波段可以看出W1、W5在可见光部分差别较大。 当土壤含水率较低时，由于有机质中存在大量的亲水胶体腐植酸，其孔隙较多，当有机质孔隙中的水分对光谱响应时，在一定程度上增加有机质的光谱响应，从而造成在可见光波段的差异；当土壤含水率较高时，土壤水分会完全掩盖土壤有机质、全氮及铁氧化物等光谱特征，从而造成在可见光波段的差异，这与王淼等［30］、尚璇等［31］的研究结果相似。 因此，去除土壤水分对光谱的影响就显得尤为必要。
对比复垦土壤风干前后模型预测能力，土壤水分对复垦土壤的预测精度影响较大。 复垦土壤风干前后预测精度相差0.25，比BUDIMAN 等［32］自然土壤的研究结果高20%，说明土壤水分对复垦土壤属性预测影响更大，这可能是由于复垦土壤粉、砂含量较高。 MARKUS 等［33］认为较粗质地的土壤比较细质地的土壤受土壤水分的影响更大。 复垦土壤水分影响剔除后，模型预测精度平均提升超0.14，比BU⁃DIMAN 等［32］自然土壤的结果高29%。 复垦土壤剔除效果明显高于自然土壤也说明土壤水分对复垦土壤影响更大。 自然土壤筛选出的全氮特征波段主要位于400～1 400 nm，本研究筛选出的特征波段部分位于2 000 nm 附近，这可能是由于复垦土壤在可见光波段的光谱信息不足以表征全部土壤全氮光谱信息。
近年来，随着高光谱遥感的发展，实验室光谱已取得了较高的预测精度，对于某些土壤成分，预测模型的R2超过0.95［34］，但由于野外环境较为复杂，原位监测精度较低，如何降低野外环境之间的差异性就显得尤为必要。 在本研究中，利用风干前后的土壤光谱数据，基于辐射传输理论与DS 算法去除土壤水分影响，并以土壤全氮为例建立土壤属性预测模型，所建立的模型具有较高的稳定性与预测能力，该思路可为今后研究提供理论基础与技术参考。 然而，本研究还存在不足之处：土壤的光谱性质不仅仅受到土壤水分的影响，土壤粒径大小，表面粗糙度等都会对土壤光谱特征产生影响。 因此，在接下来的研究中将考虑更多的影响因素，提高复垦土壤原位监测的预测精度。
1）与自然土壤相比，复垦土壤光谱反射率偏高，且在可见光波段存在明显差异，部分吸收特征存在“右移”现象，在近红外波段光谱两种土壤光谱差异较小，光谱曲线近似平行。
2）通过配对样本t 检验得到不同水分条件下的影响波段，不同水分条件下的影响波段不同但在1 000、1 450、1 950 和2 200 nm 附近存在显著性差异波段，当含水率较低或过高时还会引起可见光波段的光谱差异。
3）利用辐射传输模型和DS 算法可以有效地去除土壤水分对光谱的影响，剔除无用水分光谱信息。由于考虑到不同含水率对土壤光谱的影响不同，辐射传输模型的校正效果更接近于风干后的土壤光谱，在波长1 450 nm 和1 950 nm 附近的水分吸收谷都有更好的校正效果。
4）通过将筛选出的特征变量为输入量，运用BP神经网络模型，建立土壤全氮预测模型。 受土壤水分影响SoilWet建立模型的R2最高为0.718，土壤风干后SoilDry建立模型的R2提高至0.863，采用辐射传输模型对湿土土壤光谱矫正后建立模型的R2提高至0.837，模型精度提升超15%，说明利用辐射传输模型剔除湿土光谱中土壤水分影响，实现煤矿复垦土壤属性预测是可行的。
［1］ 朱奕豪，陈为峰，宋希亮，等.黄河三角洲废弃盐田复垦土壤质量动态演变分析［J］.应用基础与工程科学学报，2021，29（3）：545-561.ZHU Yihao， CHEN Weifeng， SONG Xiliang， et al. Reclaimed soil quality dynamic evolution of abandoned salt field in the yellow river delta ［J］. Journal of Basic Science and Engineering，2021，29（3）：545-561.
［2］ 张小玲，于亚军.不同复垦年限煤矸山土壤微生物功能菌变化及其影响因素［J］.水土保持研究，2018，25（4）：116-119，128.ZHANG Xiaoling，YU Yajun. Soil Functional microbes and the in⁃fluence factors on coal waste pile in different reclamation years［J］. Research of Soil and Water Conservation，2018，25（4）：116-119，128.
［3］ 胡青青，沈 强，陈 飞，等.重构土壤垂直剖面重金属Cd 赋存形态及影响因素［J］.环境科学，2020，41（6）：2878-2888.HU Qingqing， SHEN Qiang， CHEN Fei， et al. Reconstructed soil vertical profile heavy metal cd occurrence and itsinfluencing factors［J］. Environmental Science，2020，41（6）：2878-2888.
［4］ 彭远新，蒙永辉，徐夕博，等.基于随机森林算法的潍北平原土壤全氮高光谱估算［J］.安全与环境学报，2020，20（5）：1975-1983.PENG Yongxin， MENG Yonghui， XU Xibo， et al. Estimation for the total nitrogen content rate in the soil of Weibei Plain based on the random forest algorithm and hyper-spectral［J］. Journal of Safety and Environment，2020，20（5）：1975-1983.
［5］ 杨曦光，于 颖.基于试验反射光谱数据的土壤含水率遥感反演［J］.农业工程学报，2017，33（22）：195-199.YANG Xiguang， YU Ying， Remote sensing inversion of soil mois⁃ture based on laboratory reflectance spectral data［J］. Transactions of the Chinese Society of Agricultural Engineering，2017，33（22）：195-199.
［6］ CHEN Songchao， XU Dongyu， LI Shuo， et al. Monitoring soil or⁃ganic carbon in alpine soils using in situ vis-NIR spectroscopy and a multilayer perceptron［J］. Land Degradation ＆ Development，2020，31（8），1026-1038
［7］ 李 硕，李春莲，陈颂超，等.基于野外可见近红外光谱和水分影响校正算法的土壤剖面有机碳预测［J］.光谱学与光谱分析，2021，41（4）：1234-1239.LI Shuo， LI Chunlian， CHEN Songchao， et al. Removing the effects of water from visible-near infrared spectra in soil profiles for the estimation of organic carbon［J］. Spectroscopy and Spectral A⁃nalysis， 2021，41（4）：1234-1239.
［8］ JI Wenjun， LI Shuo， CHEN Songchao，et al. Prediction of soil at⁃tributes using the Chinese soil spectral library and standardized spectra recorded at field conditions［J］. Soil ＆ Tillage Research，2016，155：492-500.
［9］ ZOU Bin， JIANG Xiaolu， FENG Huihui， et al. Multisource spec⁃tral-integrated estimation of cadmium concentrations in soil using a direct standardization and Spiking algorithm［J］. Science of the To⁃tal Environment，2020，701：134890.
［10］ XIA Ke， XIA Shasha， SHEN Qiang， et al. Moisture spectral characteristics and hyperspectral inversion of fly ash-filled re⁃constructed soil ［J］. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy，2021，253： 119590.
［11］ 洪永胜，于 雷，朱亚星，等.利用OSC 算法消除土壤含水量变化对Vis-NIR 光谱估算有机质的影响［J］.中国农业科学，2017，50（19）：3766-3777.HONG Yongsheng， YU Lei， ZHU Yaxing， et al. Using orthogonal signal correction algorithm removing the effects of soil moisture on hyperspectral reflectance to estimate soil organic matter［J］. Scientia Agricultura Sinica，2017，50（19）：3766-3777.
［12］ MORGANC L S， WAISER T H， BROWN D J.， et al. Simulated in situ characterization of soil organic and inorganic carbon with visible near-infrared diffuse reflectance spectroscopy［J］. Geo⁃derma，2009，151（3）： 249-256.
［13］ ROUDIER P，HEDLEY C B，LOBSEY C R，et al. Evaluation of two methods to eliminate the effect of water from soil vis-NIR spectra for predictions of organic carbon［J］. Geoderma，2017，296： 98-107.
［14］ 沈 强，张世文，葛 畅，等.矿业废弃地重构土壤重金属含量高光谱反演［J］.光谱学与光谱分析，2019，39（4）：1214-1220.SHEN Qiang， ZHANG Shiwen， GE Chang， et al. Hyperspectral inversion of heavy metal content in soils reconstituted by mining wasteland ［ J］. Spectroscopy and Spectral Analysis， 2019，39（4）：1214-1220.
［15］ NOLETC， POORTINGA A， ROOSJEN P， et al. Measuring and modeling the effect of surface moisture on the spectral reflectance of coastal beach sand.［J］. PLoS ONE， 2014， 9（11）：e112151.
［16］ JI W，ROSSEL R A V， SHI Z. Accounting for the effects of water and the environment on proximally sensed vis- NIR soil spectra and their calibrations［J］. European Journal of Soil Science，2015，66（3）.555-565.
［17］ ROUDIERP，HEDLEY C B，LOBSEY C R，et al. Leroux. Evalu⁃ation of two methods to eliminate the effect of water from soil vis-NIR spectra for predictions of organic carbon［J］. Geoderma，2017，296：98-107.
［18］ BHADRAS， SAGAN V， MAIMAITIJIANG M， et al. Quantifying leaf chlorophyll concentration of sorghum from hyperspectral data using derivative calculus and machine learning［J］. Remote Sens⁃ing，2020，12（13）：2082.
［19］ ZHANG Tingting，FAN Shuxiang，XIANG Yingying，et al. Nondestructive analysis of germination percentage， germination energy and simple vigour index on wheat seeds during storage by vis／NIR and SWIR hyperspectral imaging.［J］. Spectrochimica acta. PART A， Molecular and biomolecular spectroscopy，2020，239： 1386-1425.
［20］ MENG Xiangtian， BAO Yilin， LIU Jianggui， et al. Regional soil organic carbon prediction model based on a discrete wavelet anal⁃ysis of hyperspectral satellite data［J］. International Journal of Applied Earth Observations and Geoinformation， 2019，89：102111.
［21］ 宋 强，夏 可，杨 斌，等.旱作区典型土类穿透阻力分布特征及耕层厚度确定［J］.水土保持学报，2021，35（3）：369-377.SONG Qiang， XIA Ke，YANG Bin， et al. Distribution character⁃istic of penetration resistance and determination of plough layer thickness of typical soils in dry farming area［J］. Journal of Soil and Water Conservation，2021，35（3）：369-377.
［22］ 张娟娟，席 磊，杨向阳，等.砂姜黑土有机质含量高光谱估测模型构建［J］.农业工程学报，2020，36（17）：135-141.ZHANG Juanjuan，XI Lei，YANG Xiangyang，et al. Construction of hyperspectral estimation model for organic matter content in⁃Shajiang black soil［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（17）：135-141.
［23］ 张颖帝，张佳宝，李晓鹏.基于高光谱的砂姜黑土含水率反演研究［J］.土壤，2017，49（3）：630-634.ZHANG Yingdi， ZHANG Jiabao， LI Xiaopeng. Inversion of soil moisture of shajiang black soil by hyper-spectra［J］. Soils，2017，49（3）：630-634.
［24］ 郄 欣，齐雁冰，刘姣姣，等.基于室内高光谱数据的多种类型土壤有机质估算模型比较［J］.干旱地区农业研究，2021，39（4）：109-116，124.QIE Xin， QI Yanbing， LIU Jiaojiao， et al. Comparison of multiple estimation models of soil organic matter based on labora⁃tory hyperspectral reflectance in Shaanxi Province ［ J ］.Agricultural Research in the Arid Areas，2021，39（4）：109-116，124.
［25］ 王海江，刘 凡，YUNGER JOHN A，等.不同粒径处理的土壤全氮含量高光谱特征拟合模型［J］.农业机械学报，2019，50（2）：195-204.WANG Haijiang， LIU Fan， YUNGER JOHN A， et al. Fitting model of soil total nitrogen content in different soil particle sizes using hyperspectral analysis ［J］. Transactions of the Chinese So⁃ciety for Agricultural Machinery，2019，50（2）：195-204.
［26］ JI W J， SHI Z， HUANG J Y， et al. In situ measurement of some soil properties in paddy soil using visible and near-infrared spec⁃troscopy［J］. PLOS ONE，2014，9（8）：e105708.
［27］ GHANBARIH，JACQUES O，ADAÏMÉ M É， GregoryEaves I， et al. Remote sensing of lake sediment core particle size using hy⁃perspectral image analysis ［ J］. Remote Sensing， 2020， 12（23）： 3850.
［28］ 卢艳丽，白由路，王 磊，等.黑土土壤中全氮含量的高光谱预测分析［J］.农业工程学报，2010，26（1）：256-261.LU Yanli， BAI Youlu， WANG Lei， et al. Determination for total nitrogen content in black soil using hyperspectral data［J］. Trans⁃actions of the CSAE， 2010， 26（1）： 256-261.
［29］ 宋 雪，张 民，周洪印，等.基于土壤优化光谱参数估测太湖地区土壤全氮含量［J］.农业资源与环境学报，2020，37（1）：43-50.SONG Xue， ZHANG Min， ZHOU Hongyin， et al. Estimation of soil total nitrogen content in the Taihu Lake region based on soil regulatory spectral parameters［J］. Journal of Agricultural Re⁃sources and Environment，2020，37（1）：43-50.
［30］ 王 淼，潘贤章，解宪丽， 等.土壤含水率对反射光谱法预测红壤土壤有机质的影响研究［J］.土壤，2012，44（4）：645-651.WANG Miao， PAN Xianzhang， XIE Xianli，et al. Effects of soil moisture on determining red soil organic matter using vis-nir dif⁃fuse reflectance spectroscopy［J］. Soils，2012，44（4）：645-651.
［31］ 尚 璇，李西灿，徐邮邮，等.土壤水与有机质对高光谱的作用及交互作用规律［J］.中国农业科学，2017，50（8）：1465-1475.SHANG Xuan， LI Xican， XU Youyou， et al. The role and inter⁃action of soil water and organic matter on hyper—spectral reflec⁃tance［J］. Scientia Agricultura Sinica，2017，50（8）：1465-1475.
［32］ MINASNY B，MCBRATNEY A B，VERONIQUE B M，et al. Re⁃moving the effect of soil moisture from NIR diffuse reflectance spectra for the prediction of soil organic carbon［J］. Geoderma，2011，167：118-124.
［33］ KOCH M，SCHODLOK M C，GUGGENBERGER G，et al.Effects of water tension and surface roughness on soil hyperspectral reflec⁃tance［J］. Geoderma，2021，385： 114888.
［34］ WANG Jingzhe， DING Jianli， ABULIMITI Aerzuna，et al. Quan⁃titative estimation of soil salinity by means of different modeling methods and visible-near infrared（VIS-NIR） spectroscopy，Ebinur LAKE Wetland，NORTHWEST China.［J］. Peer J，2018，6（5）：e4703.