森林土壤碳庫是全球土壤碳庫的重要組成部分，也是森林生態系統中的最大碳庫，約占全球土壤碳儲量的 73 %，森林土壤碳庫的微小變化都會對大氣 CO2濃度及全球變化產生巨大影響。森林土壤碳分為有機碳和無機碳，其中以有機碳為主，且有機碳含量是表征土壤有機質的重要方式。尋求快速測定土壤有機碳含量的方法在森林土壤理化性質、森林可持續利用及森林生態系統的相關研究中至關重要。近紅外光譜技術 \\( NIRS\\) 便是一種速度快、無損傷、低成本的預測技術。其波長范圍介于 350 ～2 500 nm 之間，近紅外光主要吸收含氫基團 X-H \\( X = C、N、O\\) 振動的倍頻和合頻，這些基團反映大多數有機物的組成和結構信息。
由于森林土壤中包括礦物質、有機質和微生物等，它們的構成含豐富的氫基團，而含氫基團是關乎土壤有機碳的重要信息，因此，近紅外光譜可作為獲取信息的一種有效的載體。近年來，在農業、林業、中藥、煙草、食品等行業中都有廣泛的應用并已成為一種快速的例行分析方法。由于近紅外光譜技術分析優勢明顯，其應用領域開始不斷拓寬，用于土壤成分分析日益趨增，其中包括土壤有機質、含水率、全氮和 pH 值等，如 Hum-mel等利用近紅外光譜技術來預測土壤水分和土壤有機質含量，指出 NIRS 對土壤水分的預測要比對土壤有機質的預測容易。Lee等應用 NIRS 技術預測土壤中的營養成分磷、鉀、鈣、鎂元素和有機質的含量與 pH 值，相關系數為 0. 24 ～ 0. 88。
Cécillon L等研究應用 NIRS 技術對土壤土壤有機質含量、土壤營養供給、生物活性進行了評估和監測，研究結果表明，它們的預測值和實測值的相關系數都在 0. 90 以上。RA Viscarra Rossel等研究表明，應用 NIRS 技術與主成分分析法可以快速有效地預測土壤成分信息，客觀地實現土壤歸類。
X . M. Yang等應用 NIRS 技術對顆粒有機物土和砂粒粒組土的有機碳的預測，近紅外要優于中紅外。Kuang Boyan等應用 NIRS 技術估測不同類型的土壤中有機碳和全氮的含量，預處理后的預測模型精度較高。
根據國內外對土壤組分的研究情況，應用近紅外光譜技術與傳統 PLS 和 PCR 線性建模方法結合建模較多，非線性方法建模較少。而線性方法常適用于變量少且具有很大線性關系的組分建模，對于多變量建模的穩定性和預測效果一般。然而應用近紅外光譜結合 BP 神經網絡非線性方法可以快速、無損、精準地測定森林土壤有機碳含量，為野外實時、大面積、快速地測定森林土壤碳含量提供技術支持。本項研究采集小興安嶺帶嶺的 120 個土壤樣本，收集其近紅外光譜數據，并測定其土樣的有機碳含量，利用 BP 神經網絡非線性方法，對土壤有機碳含量進行預測，為東北林區施行有效的撫育管理提供技術和理論依據。
1 研究方法
1. 1 土壤樣品的采集與制備
土壤樣品取自小興安嶺帶嶺林業局東方紅林場，該林場位于東經 128° 57' ～ 129° 37'，北緯46°50' ～ 46°59'，海拔 650 m。該區夏季溫暖多雨，冬季嚴寒多雪，屬溫帶季風性氣候，年均氣溫 1. 5℃ ，年平均降水量 670 mm ，無霜期約 114 天。
樹種主要以落葉松 \\( Pinus gmelinii\\) 為主，平均年齡 19 年，平均胸徑 14 cm，平均樹高 11 m，郁閉度為 0. 9; 林區土壤為暗棕壤。
研究樣地以東方紅林場林區小班為單位，從中隨機選取 10 個小班，每個小班分別設置對照和撫育 2 塊樣地，共有 20 塊，每塊樣地規格為 50 m ×20 m，每塊樣地沿對角線布置 3 個取土樣方，每個樣方分為上下兩層取土樣。上層為 0 ～10 cm 土層，下層為 10 ～20 cm 土層，每層取 1 個土壤樣本。為滿足近紅外光譜建模樣品要求，樣品參數含量范圍盡可大且分布均勻，20 塊樣地最終選取 120 個土壤樣本。
按國家標準-重鉻酸鉀外加熱法測定了 120 個土壤樣品的有機碳含量，測定結果見表 1?！颈?】
1. 2 土壤光譜測量儀器及方法
土壤樣品帶回實驗室進行風干處理后，使用木棒壓磨、去除肉眼可見的砂礫和植物殘體，研磨過40 目土壤篩，以減少固體漫反射的影響。儀器為美國 ASD 公司制造 LabSpec Pro FR/A114260 近紅外光譜儀，配有內置光源 \\( 它的色溫為 3 000 K\\) 、光纖探頭和旋轉樣品杯，光譜儀的光譜測量范圍為28 571 ～ 4 000 cm－ 1\\( 350 ～2 500 nm\\) ，輸出的波段為 2 151 個，分辨率為 2 cm－ 1\\( 波數單位\\) ，每條土壤近紅外光譜取 30 次掃描的平均值，每 10 個樣品進行一次背景校正。
1. 3 BP 神經網絡預測模型
BP 網 絡訓練采用 Levengerg-Marquardt \\( L-M\\)優化，以樣本輸出和期望輸出誤差極小為訓練目的，學習的實質為權值的修正直至誤差趨于零。L-M 優化算法屬于非線性的最小二乘法，具備高斯牛頓法和梯度下降法優點，于兩種方法中平滑和調和，此算法具備較高的穩定性和收斂速度，彌補傳統 BP算法的缺點。經過反復的實驗，最終確定隱含層的神經元的個數為 10 個，BP 神經網絡的預測模型如圖 1?！緢D1】
左側的第一個方形表示輸入層，8 為輸入層的節點數; 中間的方形表示隱含層，10 為隱含層的節點數; 最右邊的方形表示輸出層，1 為輸出層的節點數。隱含層神經元方框中 “∫ ”符號表示該層傳遞函數即 logsig，輸出層神經元方框中的 “/”符號表示該層的傳遞函數即 purelin。此程序由MATLAB 調試完成。
1. 4 主成分數目
本項研究若選取全波段 350 ～2 500 nm 進行建模，光譜數據波長點將高達 2 151 個，構成樣本的數據矩陣為 120 ×2 151，數據量大且冗余。主成分分析是將原來眾多具有一定相關性的自變量，通過線性組合的方式重新組合成一組較少的線性無關的綜合指標來代表原來的指標，新變量能反映原變量的絕大部分信息，通過這種方式達到降維的目的。此法結合 BP 神經網絡用于光譜數據建模，可以確保光譜數據準確、網絡結構簡化、模型訓練時間縮短。
1. 5 模型評價
評價化學計量學建立的模型性能的基本指標有相關系數 \\( R\\) 和均方根誤差 \\( RMSE\\) ，評價應用建立的模型預測樣品時的基本指標有相關系數\\( R\\) 、均方根誤差 \\( RMSE\\) 、驗證標準差 \\( SEC\\)和預測標準差 \\( SEP\\) 等。相關系數 \\( R\\) 取值越接近 1，模型擬合性越好: 【公式】
均方根誤差越小，模型的擬合效果越好，預測精度越高: RMSE =【1】
驗證標準差 SEC 越小，模型擬合的效果越好:【2】
預測標準差 SEP 越小，模型的預測精度越高:【3】
式中 n 為建模樣本數，L 為主成分數，m 為預測樣品數，y 為實測值，yi為預測值，珋y 為實測值的平均值，Bias 為系統偏差。
2 結果與分析
2. 1 原始土壤樣品的近紅外光譜
120 條不同有機碳含量值的土壤樣品的近紅外光譜見圖 2。從光譜圖的整體來看，3 條光譜的變化趨勢基本一致，最顯著的特征是近紅外光譜均在1 414 nm、1 918 nm、2 207 nm 附近出現較強的吸收峰，光譜的吸光度隨著有機碳含量的增大而增大，說明土壤近紅外光譜的吸光度對土壤有機碳含量有一定的響應。究其原因是由于 1 414 nm 波長吸收峰與亞甲基 CH2、C-H 組合頻和烴類或脂肪類有關; 1 918 nm 波長吸收峰與水分子 O-H 有關;2 207 nm 波長對應芳基 C-H、CONH2、β-折疊結構中與肽主鏈呈直角的 N-H 和 C = O，這3 種特征波長點能很好地反映樣品的基團信息。不同基團的吸收峰和吸收強度不同，由于土壤樣品的有機碳含量不同，致使各個土壤樣品的基團含量不同，最終使光譜特征發生相應的變化?！緢D2】
本項研究所測定的 120 個土樣的土壤近紅外光譜均在1 414 nm、1 918 nm、2 207 nm 附近出現較強的吸收峰，這與申艷、Cozzolino 和 Moron得到的土壤近紅外光譜圖相似，僅峰值出現的位置稍有差異。吸收峰對應基團響應與 Cozzolino 和 Moron 研究相似，但是對應基團所指示的化學結構稍有不同，他們認為1 400 nm 處的吸收峰通常與 O-H 鍵及脂肪C-H 鍵有關，1 900 nm 處的吸收峰通常與氨基化合物中的 N-H 和 O-H 鍵有關，而 2 200 nm 處的吸收峰通常是由羒基化合物的 O-H 鍵、氨基化合物的N-H 鍵、胺基中的 N-H 鍵以及脂肪鏈中的 C-H 鍵振動引起的。
2. 2 主成分分析法壓縮提取土壤近紅外光譜數據
運用主成分分析法對取自小興安嶺帶嶺林業局東方紅林場 120 個土壤樣本的原始數據降維，結果見表 2。由表 2 可知，前 8 個主成分的累計貢獻率達到98 % 以上，可以有效代表原始光譜數據的主要信息。該光譜數據前 8 個主成分的累積貢獻率達到98. 59 % ，所以選擇前 8 個主成分就可以有效代表全波段光譜數據。通過主成分分析壓縮提取的 8 個新變量互不影響，最終 BP 神經網絡的輸入層矩陣由 120 ×2 151 轉變為 120 ×8，極大降低預測模型的輸入層的維數?！颈?】
2. 3 基于 BP 神經網絡的土壤有機碳含量的預測結果
采用原始光譜數據壓縮提取的前 8 個主成分作為神經網絡的輸入層，建立單隱層的網絡模型，實現從輸入到輸出的非線性映射?！緢D3】
圖 3 為 BP 神經網絡驗證集的回歸模型圖，橫坐標為化學方法測定的土壤有機碳含量的實測值，縱坐標為 BP 神經網絡模型預測的土壤有機碳含量的預測值。驗證集為樣本總數的 15 %，用于 BP神經網絡模型的驗證和權值、閾值的修正?；貧w系數為 0. 780 02，均方根誤差為 0. 500 2。圖 4 為 BP神經網絡預測集的回歸模型圖，土壤有機碳含量的實測值與預測值的相關系數為 0. 849 41，均方根誤差為 0. 453 8?！緢D4】
本項研究結果與 Chodak 和 Reeves的研究結果相近 \\( R ＞ 0. 9\\) ，但是 Reeves 等和 Islam等建立的土壤有機碳模型的相關系數僅為 0. 80和 0. 68。模型結果的差異與很多因素有關，如土壤樣品的顆粒度情況、光譜預處理方法和建模方法的應用等，也與研究的土壤類型有關。孫建英等研究得出黑土有機質含量與近紅外光譜特性相關性很差，這可能是因為其采集的黑土有機質含量變幅較小，降低了吸收光譜對有機質含量的敏感度，也可能是有機質含量與其近紅外光譜不具有較好的線性關系。徐彬彬等研究認為，土壤有機質對光譜特性的影響主要在可見光和近紅外波段，這一結論肯定了近紅外光譜技術研究測定森林土壤有機碳的可行性。劉煥軍等對典型黑土可見光/近紅外波段光譜研究發現，620 ～810 nm 是黑土有機質的主要光譜響應區域，在對光譜不進行任何預處理的情況下建立的黑土有機質高光譜模型相關系數為 0. 83，驗證樣本模型預測值與實測值之間的相關系數為 0. 82，這與本項研究建立的近紅外光譜模型結果十分相近。
研究結果表明，通過 BP 神經網絡建立的模型對土壤有機碳含量預測效果顯著，模型的預測值和實驗室化學方法測定的實測值具有很高的相關性，達到了預測土壤有機碳含量的精度要求。
3 結語
本項研究應用近紅外光譜技術對土壤近紅外光譜進行分析，光譜在 1 414 nm、1 918 nm、2 207nm 附近出現較強的吸收峰，并很好地反映土壤的構成情況。采用 Savitzky-Golay 平滑、求一階導數和 MSC 多元散射方法對光譜信息進行校正處理，去除噪聲、顆粒度和波峰過尖等的影響。應用主成分分析法壓縮提取光譜數據前 8 個主成分，克服近紅外光譜全波段的光譜數據信息量過多、計算量太大的缺點，使其既充分代表原始光譜數據又能減少BP 神經網絡的輸入層維數。同時充分利用 BP 神經網絡的非線性擬合特點，保證了可以快速、有效、精準地預測土壤的有機碳含量。驗證集的相關系數為 0. 780 02，均方根誤差為 0. 500 2; 預測集的相關系數為 0. 849 41，均方根誤差為 0. 453 8。
研究結果表明，近紅外光譜技術與 BP 神經網絡非線性方法結合可以作為森林土壤有機碳含量檢測的新技術，既發揮近紅外光譜技術的快速、無損和低成本的特點，又發揮 BP 神經網絡非線性擬合處理海量數據的優勢，同時為野外實時、大面積、快速地測定森林土壤有機碳含量提供技術支持，為施行有效的林區撫育管理提供技術和理論依據。
參考文獻:
［1］周國模，劉恩斌，佘光輝． 森林土壤碳庫研究方法進展［J］． 浙江林學院學報，2006，23\\( 2\\) : 207-216．
［2］陸婉珍，袁洪福． 現代近紅外光譜分析技術［M］． 北京: 中國石化出版社，2007．
［3］高榮強，范世福． 現代近紅外光譜分析技術的原理及應用［J］． 分析儀器，2002，3\\( 9\\) : 12．
［4］劉 旭，陳華才，劉太昂，等． PCA-SVR 聯用算法在近紅外光譜分析煙草成分中的應用［J］． 光譜學與光譜分析，2007，27\\( 12\\) : 2460-2463．
［5］王多加，周向陽，金同銘，等． 近紅外光譜檢測技術在農業和食品分析上的應用［J］． 光譜學與光譜分析，2004，24\\( 4\\) : 447-450．
