土壤有机质(SOM)对维持土壤物理、化学和生物学属性具有重要意义，是土壤肥力的重要指标^[1-2]。传统的土壤化学分析方法测定SOM存在耗时长、效率低、成本高、操作复杂等问题，不适于大批量样品的快速检测。20世纪末，卫星和无人机遥感技术在土壤资源调查与监测方面发挥了重要作用^[3-5]，但存在精度低、受植被覆盖影响大、不能获取土壤剖面信息等不足。因此，发展简单、快速、精度高、成本低的SOM快速获取方法具有重要意义。由于长期高强度农业利用和全球气候变化，我国黑土地耕地出现“变薄”“变瘦”“变硬”等问题，黑土质量下降明显，制约了粮食产能的稳定提升，然而针对黑土SOM含量快速获取技术鲜有报道。

土壤颜色是土壤物质组成的集中体现，譬如，SOM和氧化锰显黑色，石英、碳酸盐显白色，赤铁矿(Fe₂O₃)显红色，而针铁矿(α-FeOOH)显黄色，因此，根据土壤颜色可主观判断土壤矿物、SOM含量、风化程度等基础信息^[6]。孟塞尔比色卡被广泛应用于土壤颜色判读中，但不适合于颜色特征信息的精确描述^[7]。

随着现代光谱技术的发展，土壤各种光谱信息被用于表征SOM含量^[8-9]，如近红外光谱、中红外光谱、组合漫反射光谱^[10]、紫外光谱、荧光光谱^[11-12]等。近年来一些研究尝试使用多光谱和高光谱影像数据，提高SOM含量预测模型的准确度、精确度、敏感度和特异性^[13-15]。然而，复杂的数据采集过程、专业化的处理技术，以及昂贵的设备成本限制了其在实际农业生产中的应用。

高分辨率数码相机可以准确获取土壤颜色^[16]，近年来，很多学者研究利用数字图像技术解译土壤固相组成信息。譬如，数码相片的红色指数与游离氧化铁和细颗粒含量显著相关^[16]，而SOM能够吸收可见光波而掩盖其他物质对土壤的显色，导致高SOM含量土壤呈现黑色，这为利用数字图像获取SOM含量提供了科学依据^[17-18]。但是，目前缺少以我国东北黑土为研究对象，遴选最佳SOM含量预测模型的过程与方法研究。

基于此，本研究以我国东北包括辽宁、吉林、黑龙江和内蒙古黑土区土壤为研究对象，利用数码相机获取土壤样品的高分辨率数字图像，并通过图像处理提取颜色特征参数，将这些参数进行数值变换，分析其与SOM含量相关的特征参数，以厘清逐步多元回归模型(SMRM)和神经网络模型(NNM)估算SOM含量的优劣，明确最佳数值处理方法及模型适用性，为快速定量获取我国东北黑土SOM含量提供依据。

1 材料与方法 1.1 研究区概况

我国黑土资源集中在东北的松嫩、三江、辽河和大兴安岭山前平原，区域地形多为山麓平原和山前洪积阶地，地势平缓辽阔。地理位置为东亚中纬度地区(118°53′E ~ 135°5′E，38°43′N ~ 53°33′N)，属于温带大陆性季风气候，四季分明，冬季严寒，夏季炎热，年均温–2 ~ 8 ℃，年降水量400 ~ 700 mm。土壤类型主要包括黑土、黑钙土、暗棕壤、棕壤、草甸土和白浆土等。

1.2 土壤样品采集与处理

本研究选取来自我国黑土区的农田土壤样品作为研究对象，范围包括嫩江、建三江、科左中旗、梨树、铁岭和凤城6个示范区的116个县市，共采集了649个0 ~ 20 cm深度的土壤样品，采样同时记录样点的经纬度位置。采样区农田SOM含量和具体采样位点如图 1所示。采集的土壤样品经风干磨细后，过20目和100目筛，分别供拍照和高温外热重铬酸钾氧化法测定SOM含量^[19]。

1.3 土壤表面颜色获取

本研究使用2 410万像素的D7100数码相机(尼康，日本，镜头18 ~ 55 mm)，对土壤样品进行图像采集，具体操作如下：相机安装在三脚架上，镜头朝下对准土壤样品，镜头距离样品表面约14 cm。为消除外界环境对土壤颗粒RGB值的影响，用黑布罩住样品架，同时相机镜头前安装一个环形灯(LX-1334B，维希特科技，中国)，光照强度为1 450 lx。相机参数设置为光圈f/7.1，最大光圈4.9，ISO100，曝光补偿1M档，焦距42 mm，曝光时间1/20 s。

在拍摄过程中，由于相机内部凸透镜对光具有聚集作用，感光器接收到中央部位的光辐射能量最强，沿四周递减，导致拍摄的图像在中间部位亮度较高，逐渐向边缘变暗。为了解决这个问题，试验中打印纯红、纯绿和纯蓝的三原色照片作为背景，数字图像获取时先拍摄有三原色照片的空白A4纸(图 2A)，再拍摄土壤样品(图 2B)。使用Image Pro Plus 7.2(Media Cybernetics，美国)进行图像处理。为使拍摄物体表面亮度均匀，以三原色和A4纸白色为对照先进行背景校正，得到扣除背景后的样品图像(图 2C)；再根据校正后的图像框选800×800像素的兴趣面(AOI))；最后通过Image Pro Plus 7.2进行AOI区域的RGB颜色参数获取(图 2D)。

1.4 颜色模型数据的选取

常用的颜色模型有RGB、HSV以及CIE-L*a^*b^*等模型，本文选取RGB模型进行研究。RGB模型是根据人类视觉三基色即红光(R)、绿光(G)、蓝光(B)理论所建立起来的。这种基于光的表示方式与人眼对光的感知方式相符，因此能够比较准确地表示人眼所能感知的绝大部分颜色。RGB颜色模型是电子设备最常用的颜色表示方式之一，从显示器、电视、摄像头到打印机和扫描仪，几乎所有的数字设备都支持RGB颜色空间，这种广泛的支持确保了在不同设备上呈现一致的颜色。RGB模型各颜色分量总共有256个等级的灰度值，取值范围分别为0 ~ 255，能够非常方便地处理RGB颜色空间数据(图 2D)，也便于图像处理算法的实现和优化。

1.5 模型建立与检验

利用SPSS 26.0从649个原始采样数据中随机选择70% 作为建模数据集，30% 作为验证数据集，建立SMRM和NNM模型。采用决定系数(R²)、均方根误差(RMSE)和显著性水平P来检验SOM含量预测模型的拟合程度和预测精度。重复开展10次建模和验证运算，每次建模和验证数据集均通过SPSS随机选取，得到10组R²和RMSE，采用单因素方差分析(one-way ANOVA)和Duncan多重比较法得到这10组R²和RMSE的差异显著性。一般R²越大，模型越稳定，可靠性越高；RMSE值越小，预测结果越准确；P > 0.05、P < 0.05、P < 0.01和P < 0.001分别表示模型实测值与预测值之间无统计学相关性、有相关性、有显著相关性和有极显著相关性。

2 结果与讨论 2.1 RGB颜色分量与SOM含量的相关性

试验测定的黑土SOM含量范围为2.70 ~ 89.80 g/kg，均值为35.30 g/kg，根据我国耕地质量等级标准GB/T 33469—2016^[20]，该SOM含量涵盖了东北地区耕地从一到十所有等级，表明本研究采样点可以代表东北黑土整体状况。一般认为变异系数(CV) < 10%、10% ~ 100% 和 > 100% 分别代表弱、中和高度变异性^[21]。本研究中，SOM含量的CV为51.65%，为中度变异，囊括了黑土、黑钙土、暗棕壤等多种土壤类型，因此本研究样点SOM含量数据可作为模型训练和验证样本集。

如表 1所示，SOM含量与R、G、B颜色分量原始值呈现显著的负相关关系，相关系数(r)分别达到–0.67、–0.65、–0.50(P < 0.01)，即R颜色分量原始值与SOM含量相关性最强；并且，随着SOM含量增加，R、G、B颜色分量原始值降低，这与其他人的报道一致^[22-23]。这是因为SOM含量与土壤反射率呈负相关关系^[24]，一般土壤颜色越深，SOM含量越高，反射率越低。

为了进一步分析SOM含量与颜色分量的关系，以便更好地建立预测模型，很多学者以RGB颜色分量经各种数值变换之后作为新变量，研究其与SOM含量的相关性。本研究将R、G、B颜色分量原始值进行对数、开平方、倒数和平方数值变换，结果表明，变换值与SOM含量相关性均有不同程度的变化(表 1)。除倒数变换外，其他变换值均与SOM含量呈负相关关系，相关系数绝对值($\left| r \right|$)在0.45 ~ 0.67。具体而言，各颜色分量数值变换前后与SOM含量的$\left| r \right|$，依次为对数、开平方 > 原始 > 倒数、平方，与SOM含量也呈显著相关关系(表 1，P < 0.01)。Gregory等^[25]发现对数颜色分量变换值与SOM含量的相关性最好，Wu等^[26]研究发现颜色分量倒数变换值与SOM含量相关性最好，可见适宜的颜色分量数值变换有助于提高预测模型的精度。

2.2 SMRM模型对SOM含量的预测与检验

以R、G、B颜色分量原始值作为自变量，SOM含量实测值作为因变量，建立SMRM模型，获得的模型拟合程度和预测精度见表 2，其中训练集和验证集的决定系数R²分别达到0.47和0.49，RMSE均为1.39%，实测值和预测值之间极显著相关(P < 0.001)。

本研究进一步将数值变换后的R、G、B颜色分量作自变量，以SOM含量实测值作因变量，建立新的SMRM模型。结果表明，以对数和开平方变换值为自变量的SMRM模型训练集和验证集的拟合程度和预测精度更高，R²达到0.49和0.50，RMSE在1.28% ~ 1.32%，预测值与实测值之间存在极显著相关关系(P < 0.001)；原始值为自变量的预测效果其次，倒数和平方变换的效果最差，这与上述各颜色分量各形式数值和SOM含量的相关性结果一致(表 1)。Gregory等^[25]研究发现，R、G、B颜色分量原始值经对数变换后，其建立的SMRM模型R²最高；Wu等^[26]研究发现，由R和G颜色分量倒数值构建的模型预测精度较高，与颜色分量变换值与SOM含量的相关性表现一致。

2.3 NNM模型对SOM含量的预测与检验

本研究通过NNM模型中多层感知器(MLP)和径向基函数(RBF)算法，利用R、G、B颜色分量原始值预测SOM含量。结果表明，MLP算法模型中训练集和验证集得到的预测值与实测值之间的R²分别为0.49和0.49，RMSE分别为1.31% 和1.28%；RBF算法模型中训练集和验证集得到的预测值与实测值之间的R²分别为0.49和0.44，RMSE分别为1.29% 和1.39%(表 2)。两种算法模型验证集的R_v²和RMSE_v有统计学差异(P < 0.05)，MLP算法模型得到的R_v²大于RBF算法模型，而RMSE_v小于RBF算法模型，表明利用MLP算法模型预测SOM含量的效果更好。这与Aitkenhead等^[27]借助NNM模型成功利用R、G、B颜色分量预测SOM含量结果一致。

同时，表 2结果表明，基于对数和开平方变换值的SMRM模型和MLP算法模型的拟合效果和预测精度优于其他SMRM模型和RBF算法模型，得到的训练集和验证集R²较高，RMSE较低，同时实测值与预测值之间存在极显著相关关系(P < 0.001)；但上述3种模型(基于对数和开平方变换值的SMRM模型与MLP算法模型)预测效果之间无统计学差异(P > 0.05)，因此这3个模型均可用于预测黑土SOM含量。

Sonn等^[23]研究韩国忠清南道旱地土壤R、G、B颜色分量与总碳含量的SMRM模型，训练集和验证集的R²分别达到0.54和0.59，RMSE分别为0.71% 和0.44%；Yang等^[18]利用数字图像技术构建的我国亚热带地区(70个样点)SOM含量预测模型R²为0.68 ~ 0.77，RMSE为0.53% ~ 0.71%；Viscarra Rossel等^[28]预测法国布列塔尼的土壤有机碳R²为0.88，RMSE为0.56%。相比较可见，本研究得到的预测模型R²(0.43 ~ 0.50)略低，而RMSE(1.28% ~ 1.39%)略高，这可能是因为：①本研究区土壤类型和样品数量较多。Guerrero等^[29]发现小样本模型比大样本模型R²更高，RMSE更小，因为小样本模型更容易整合靶点在峰值过程中的特征。②土壤变异性增加可能会导致模型预测效果变差^[30]。Levin等^[16]研究发现弱变异性(CV=0.54%)的半干旱地区砂质土壤，红度指数与SOM含量的R²高达0.81。本研究中SOM含量属中度变异程度(CV=51.65%)，意味着SOM分布较广且相对不均匀，空间异质性相对较强，因此R²相对较低。③黑土成土因素和成土过程复杂。土壤颜色不仅与土壤中SOM的积累和分解有关，还与土壤母质发育程度、土壤次生矿物组成，以及土壤氧化还原状况等外界因素有关^[31]。同时，在数字图像制作和处理过程中，硬件条件、外界环境和主观因素等都可能会影响颜色分量稳定性，进而影响颜色分量与SOM含量之间的相关性。因此，探索其他颜色空间分布、细分土壤类型和颗粒大小、通过各种处理消弭其他颜色干扰以提高数字图像技术反演SOM含量的预测效果和精度，是未来努力的方向。

3 结论

黑土R、G、B颜色分量原始值与SOM含量极显著负相关，R颜色分量相关性最强(r= –0.67)；R、G、B颜色分量原始值经数值变换后与SOM含量之间相关性发生变化，其中对数和开平方变换值与SOM含量相关性更高；基于R、G、B颜色分量对数和开平方变换值建立的SMRM模型可以更好地预测SOM含量，R²和RMSE分别为0.49 ~ 0.50和1.28% ~ 1.32%；基于RGB颜色分量原始值的MLP算法模型预测结果也较理想，训练集和验证集的R²均为0.49，RMSE分别为1.31% 和1.28%。

致谢: 本次黑土地综合科考得到了来自中国科学院南京土壤研究所黄标、赵玉国、赵永存、刘峰、王昌昆、高磊、马利霞、谢恩泽、高张、董岳等，中国科学院东北地理与农业生态研究所隋跃宇、陈一民等，黑龙江省黑土保护利用研究院张久明、匡恩俊等，沈阳农业大学汪景宽、贾树海、裴久渤等的大力协助，在此一并表示衷心感谢。