2 NIRS在土壤成分检测中的应用

土壤学领域内的绝大部分研究对象是固体.对光具有散射和漫反射作用，适合用漫反射的近红外光谱

进行分析。

2.1 有机质

土壤有机质主要来源于土壤微生物和植物残体。其中腐殖酸是土壤有机质的主体，按其在酸碱溶液中的溶解性可分为胡敏酸(HA)、富里酸(FA)和胡敏素(HM)。土壤有机质具有有机物中的多种官能团(羧基、酚羟基、醇羟基、醚基、胺基)，因此土壤有机质在近红外区具有可辨别的指纹特征。徐彬彬指出，胡敏酸的反射能力比较低，整个波段几乎为一条直线.呈黑色，而富里酸则在黄光部分开始强反射，呈棕色[引。水热条件不同，土壤腐殖酸中的胡敏酸和富里酸比值不同;所属地域不同，土壤的光谱特征也不同。周淑平等利用NIRS分析技术建立了定量检测土壤中有机质含量的数学模型，指出有机质的决定系数(尺 )为85.70%，均方差为3.190，近红外预测值与实测值的平均相对误差为7.05%[m]，这表明NIRS在测定土壤有机质方面具有实用性。综上可知。利用NIRS测定土壤有机质或有机碳含量是可行的，不过要注意定标样品和样品的粒度、土壤类型等因素的影响。

2.2 总氮及碱解氮

选用土壤全氮和碱解氮的含量来评价土壤氮素的供应情况，能够快速、简便的实现变量施肥，对精准农业的发展具有一定的指导意义。一些学者研究发现，利用NIRS技术可以快速、低成本的预测土壤中全氮和碱解氮的含量。Cheng等用NIRS预测土壤总氮的研究表明，NIRS能够很好的预测土壤总氮量，检验结果的相关系数 >0.85，预测的根据是NIRS对土壤氮的一个独立光谱响应，而不是已有的有机质和总氮的密切相关关系。

但NIRS的预测结果受土壤类型的影响。于飞键等应用NIRS测定土壤中的全氮和碱解氮，结果表明交互检验确定的碱解氮、总氮最佳预测所需的波段个数分别为4和5。光谱预测值和化学分析值之间的相关决定系数对2 mm风干土碱解氮为92.39%、全氮为88%，而对0.15 mm土壤全氮为89.86%。李伟等利用偏最小二乘法(PLS)和人工神经网络方法(ANN)建立土壤碱解氮含量预测的近红外光谱分析模型，校正模型的决定系数分别为0.952 0和0.956 3，相对误差分别为3.42%和2.67%E ].这也佐证了NIRS预测土壤碱解氮含量的可行性。NIRS预测生物态氮和活性氮量是否可行主要取决于所要求的准确度。总体看来，NIRS预测土壤全氮和碱解氮是可行的，但它们之间相关性的高低受准确度和供试样品处理措施影响。