基于植被光譜信息的龜裂堿土堿化程度預測研究

劉歡　賈科利　張俊華

摘要：以寧夏平羅縣龜裂堿土為研究對象，以實測植被光譜和土壤pH值為基礎數據源，通過對原始光譜數據進行小波閾值去噪，和對數、一階微分、多元散射校正、歸一化等8種變換，篩選土壤堿化程度最佳光譜變換方式和敏感波段，用一階傅里葉和三次多項式進行回歸分析、比較，來構建更加精確的龜裂堿土信息預測模型。研究表明：植被光譜反射率一階微分變換在波段861 nm處為最佳敏感波段，相關系數為0.86；多項式擬合比傅里葉擬合效果好；以最佳光譜指標和土壤pH值為變量，構建的pH含量三次多項式預測模型精度最高，在0.01顯著性水平上通過檢驗，該模型可為干旱區半干旱地區土壤堿化程度遙感定量反演提供依據。

關鍵詞：鹽漬化；龜裂堿土；光譜信息

中圖分類號：S153

文獻標識碼：A文章編號：16749944（2017）20000105

1引言

土壤鹽堿化是土壤資源惡化的主要內容之一，通常出現在降雨少的干旱地區，這種地區水分蒸發量大、地勢較低、地下潛水位偏高且可溶性鹽分含量多。鹽堿化是阻礙農業經濟和世界生態環境可持續發展的重大難題，也是我國面臨的主要生態問題[1]。我國的鹽堿化土壤主要分布于西北干旱半干旱地帶[2]，鹽分多，作物難以生長，產生了很多荒地，受鹽堿損害比較嚴重[3]。土壤鹽堿化是造成我國許多耕地荒廢最主要原因之一，導致農業產量下降和綠地面積減少，土壤生態更加惡化，鹽堿化程度正在加深，其中每年重度堿化土壤以1.4%的比率增加 [4]，使得土壤資源更加緊張，嚴重阻礙了當地的生態經濟和社會經濟的發展[5]，而干旱區鹽漬土預測研究也一直是土壤學科的熱門問題之一[6]。

為了掌握鹽堿化的變化規律及其對土壤的影響，確保干旱地區農業的可持續發展，動態監測對于維護干旱地區生態安全和穩定十分必要，目前在土壤鹽堿化監測領域依靠光譜手段來估測是很好的選擇。在鹽堿化高光譜定量監測方面，已經有很多學者進行不斷的探索。陶蘭花等[7]以一階微分變換的土壤光譜指數構建鹽分含量估測模型。張添佑等[8-11]以土壤實測數據結合光譜遙感影像建立高光譜影像的土壤堿化指標定量反演模型。李榮榮等[11]通過研究干旱區平原水庫下游鹽漬化土壤光譜時空分布特征發現鹽分指數具有強烈空間相關性。盧霞等[12] 認為在不同的鹽分含量下，大米草冠層的不同光譜指數的變化程度也不相同。賈科利等[13，14]發現通過水稻植株的冠層反射率光譜指數能夠較好地提取土壤堿化信息。且經過不懈的研究，賈科利[15]等通過回歸分析發現可以用綠色植物光譜特征指示土壤堿化程度，為土壤堿化程度遙感監測提供新的科學依據和措施。

受周圍環境等因素的影響，許多學者將土壤光譜作為指標直接研究土壤理化性狀，也已有不少學者研究了鹽堿化對植被光譜的影響，目前定量研究不同鹽堿化對植被光譜特征影響研究比較少。但是，①土壤鹽堿成分過多會抑制植被生長，治理和監測鹽堿化很重要的原因就是其影響植被生長，所以鹽堿化和植被的生長有密切的關系；②遙感解譯時在植被覆蓋區依靠土壤光譜提取鹽漬化信息會影響監測精度且比較繁瑣費時；③在各位地理學家不斷探索下，已經取得的從定性到定量研究的進展。因此可以且有必要從土壤表層植被的光譜信息判斷土壤鹽堿化指標的大小，植被光譜特征也可以視為提取鹽堿化信息合適的依據。目前土壤在龜裂堿土高光譜去噪領域，通常采用Savitzky-Golay平滑、加權平均法，小波變換以其獨特的時頻靈活性，在各個領域正在廣泛適用，但在龜裂堿土預測領域很少提及。因此，筆者以寧夏干旱區平羅縣作為試驗區，通過小波閾值去噪和多種數據變換進行光譜預處理來提高預測模型精度，以相關性分析篩選土壤pH值最佳變換形式和敏感波段，確定早期混合植被野外光譜與土壤pH值的關系，以多項式和傅里葉回歸建立pH含量的預測模型，可以為大面積的鹽堿化監測提供科學依據。

2研究區概況

平羅縣位于東經105° 57′42″ ～ 106° 58′02″，北緯38°36′18″～ 39° 51′13″之間，面積2086.13 km2，由黃河沖積平原和賀蘭山東麓洪積扇組成，屬于大陸性氣候，平羅年平均氣溫2.8 ℃～16.0 ℃，平均降水量173.2 mm，平均日照時數為3008.6 h，多年平均蒸發量為1755 mm。

龜裂堿土是研究區內常見堿化土壤類型，有大量鹽分結晶土壤表面，基本為裸地；重度鹽堿化土壤表面是大量白色或灰白色的鹽結殼，土壤表層疏松 ，依稀生長著幾棵芨芨草、綠堿篷、賴草、紅柳等，植被密度不足35%；中度堿化土區域冰草、野枸杞、向日葵、綠堿篷數量相對較多，植被密度較大；輕度堿化土種植苜蓿、枸杞、小麥等作物，植被蓋度大于70%。

3數據來源與處理

3.1樣品采集與處理

本次測定于2016 年 4月27日，天氣晴朗、無風，符合測量條件，用美國 Unispec-SC 便攜式光譜儀測量光譜數據，探測波段為 310～1130 nm，采樣間隔1 nm。測定時，采樣點隨機選取（包含不同堿化程度的龜裂堿土），每個點重復測量 5次，設置在距地面和植被上方 0.80 m 左右，儀器視場角為 8°，減少地面背景及其他地物對土壤光譜的影響。觀測前經過專用平面白板校正，不能阻擋光線，用SPAD-502 測定樣品植株的葉綠素值。土壤樣本在實驗室經過自然風干，除去植被殘渣、石塊等雜質，研磨過篩，用電導儀測定土壤樣品電導率和pH值[16]。本次共有41個采樣點，其中的 30 個樣本作為建模數據，剩余 11個進行模型檢驗。

3.2光譜數據處理

3.2.1小波降噪

噪聲濾除是光譜數據處理中的重要環節，由于在野外實測中，會受到各種因素的影響，使得光譜曲線不夠光滑存在許多毛刺[17]。植被光譜數據預處理：首先除去干擾性最大的邊緣波段小于400 nm 與大于 1000 nm 的波長。endprint

利用小波閾值去噪，是小波分析在實際應用中的重要方面，1995年，Donoho創造性的提出了對小波系數進行閾值處理的理論[18]，小波變換在時頻兩域都有聚焦信號局部細節的能力，且具有多分辨率的特點，在提取信號特征信息方面十分有利，被稱為信號分析領域的顯微鏡[19，20]。經過試驗，筆者選取bior1.5小波基，Rigrsure閾值軟閾值，第二種閾值調整方式，5層分解尺度小波閾值為最佳去噪方案進行光譜去噪。

3.2.2土壤鹽漬化程度劃分

由于土壤pH值是體現土壤酸堿性的表示方法，并且pH值與堿化度、總堿度是評價土壤鹽堿化程度3個重要指標[21]。根據朱忠鵬等[22]的堿化土壤分級標準，結合研究區采集土壤樣本的實際情況，按pH值的高低將土壤樣本分為 3類（表1）。

4結果與分析

4.1不同堿化程度植被光譜特征

對野外采集的堿化土壤上覆植被光譜曲線按土壤的堿化程度進行分類，并取不同堿化土壤上被反射光譜曲線形狀可以看出，盡管不同pH植被光譜曲線存在著一定程度的差異，但所有曲線的總體變化趨勢相似，表現為：在藍光波段范圍有一個比較小的波谷，綠光波段處（550 nm）附近有一小的反射峰值。650～700 nm之間是葉綠素吸收比較強，因此在紅光處（680 nm左右）有一吸收谷。760～1000 nm有很高紅外反射峰，反射率趨于平穩，這兩峰與紅光波谷是植被光譜的典型特征。

圖1中可見，在可見光波段，重度堿化土在可見光波段反射率最大，輕度次之，中度最小；在近紅外波段，輕度堿化土反射率最大，重度次之，中度最小；這與張俊華等[24]研究結果有所差別，張等認為在近紅外波段，植被的反射率大小隨堿化程度的增加而減小。這可能是由于本研究采用的是不同類型的植被光譜作為研究對象，鹽堿化對不同植物影響程度不同，環境更為復雜，且采樣時取土壤表層和1～20 cm深度的土壤，以平均值為此點pH值，數據源有所不同。在圖中可見光范圍內400～550 nm波段之間波峰和波谷之間的波動幅度依次為0.0477，0.0201，0.0197，因此波動幅度隨堿化程度的增加而降低，曲線變緩；紅光波段波谷到波峰的增幅分別為0.2512，0.1018，0.0963，即堿化程度越低坡越陡；近紅外750～900nm 波段，光譜幾乎成平行直線，增幅依次為0.0021，0.0043，0.0099，兩者為正相關關系，增幅隨堿化程度的增加而增加，不同堿化植被光譜曲線斜率有明顯差異。

4.2植被光譜指標和土壤pH值的相關分析

為了更好地分析植被光譜數據和土壤pH含量之間的關系，提高預測精度，篩選對土壤pH值反應更加敏感的光譜特征波段，此實驗對植被光譜反射率分別進行一系列變換，將變換后的反射率也作為光譜指標參與實驗。通過計算光譜指標與土壤pH值的相關系數進行相關性分析， 篩選出土壤pH值的特征波段，由圖2可以看出，光譜反射率經過微分等形式變換相關系數較高的波譜范圍出現在500～1000 nm，其中反射率一階微分、對數一階微分與堿化程度的相關系數均大于原始反射率，增強了植被特征信息；其他轉化方式，相關性較差，效果不太理想；植被光譜反射率的一階微分變換在波長861 nm 處為pH值最佳敏感波段，相關系數達到0.86，p<0.01，高度顯著相關。

4.3預測模型的建立與驗證

本研究利用matlab2013軟件進行仿真實驗，通過相關性分析得到的最佳植被光譜指標，以在861nm波段的反射率一階微分變換作為自變量，以土壤酸堿度pH值作為因變量，選取30個樣本，進行傅里葉和2次多項式回歸，得到如下回歸方程（1、2）：

y1=-3.0537×x2+5.4329×x+7.9366 （1）

y2=8.869-0.8926×cos（x×6965）+0.208×sin（x×6965） （2）

建模樣本基本上聚集在擬合線附近，剔除異常值，樣本擬合系數分別為R2= 0.7561，0.7374，擬合效果如圖3、4。

計算測試樣本的預測值，求模擬值和擬合值的相關系數，驗證結果如（圖5、6）。算得一階傅里葉和三次多項相關系數和假設檢驗的P值分別為r= 0.6947，0.7496；p=0.017，0.0079。多項式擬合預測值和實測值的一致性較好，通過0.01顯著性水平檢驗，傅里葉回歸方程通過0.05顯著性驗。因此本文建立的土壤堿化程度遙感監測模型是有效的，在一定程度上可以用來預測土壤pH含量，且多項式比一階傅里葉模型的預測效果較好。

5結論與討論

本文利用地理學、遙感理論和統計分析方法，研究了寧夏平羅縣西大灘的pH值重要土壤參數的光譜反應，得出以下結論。

（1）不同堿化程度植被光譜特征曲線形態上趨于一致， 在可見光波段：重度堿化土壤冠層植被反射率最大，輕度次之，中度最小，波谷波峰的增幅隨堿化程度的增加而降低；在近紅外波段，輕度堿化土反射率最大，重度次之，中度最小，增幅隨堿化程度的增加而增加。

（2） 861 nm處為土壤理化性pH值特征波段，一階導數為土壤pH值最佳光譜指標。

（3）三次多項式比一階傅里葉方程回歸效果更好，此模型可以為該區域提取土壤堿化信息提供更加準確、快速科學依據。

本文嘗試用小波閾值去噪，提高模型的預測的準確性，用不同類型植被光譜間接預測土壤pH值，將傅里葉和三次多項式擬合效果進行對比分析，以建立更加準確的預測模型。植被光譜中包含的信息相對復雜，對野外土壤樣本直接估測存在較大的干擾因素，但是大部分的土壤表層本來就布滿了各種植被，通過混合植被監測土壤也是不可缺少的。在下一階段，將綜合考慮植被和土壤等因子，分析土壤及其典型上覆植被野外實測光譜特征與遙感影像光譜間的異同點，將野外實測光譜反射率與遙感影像光譜進行擬合，最后建立基于遙感影像的土壤鹽堿化信息提取模型，實現對干旱地區龜裂堿土堿化程度的及時準確監測。endprint

參考文獻：

[1]

牛增懿， 丁建麗， 李艷華， 等. 基于高分一號影像的土壤鹽漬化信息提取方法[J]. 干旱區地理， 2016， 39（1）：171～181.

[2]馬馳. 松遼平原土地鹽堿化動態監測與遙感分析[J]. 江蘇農業科學， 2016， 44（7）：495～498.

[3]王爽， 丁建麗， 王璐， 等. 基于地表光譜建模的區域土壤鹽漬化遙感監測研究[J]. 干旱區地理， 2016， 39（1）：190～198.

[4]殷厚民， 胡建， 王青青， 等. 松嫩平原西部鹽堿土旱作改良研究進展與展望[J]. 土壤通報， 2017， 48（1）：236～242.

[5]張海威， 張飛， 李哲， 等. 艾比湖流域鹽漬土含水量光譜特征分析與建模[J]. 中國水土保持科學， 2017， 15（1）：8～14.

[6]段鵬程， 熊黑鋼， 李榮榮， 等. 不同干擾程度的鹽漬土與其光譜反射特征定量分析[J]. 光譜學與光譜分析， 2017， 37（2）：571～576.

[7]陶蘭花， 塔西甫拉提·特依拜， 姜紅濤， 等. 克里雅河流域土壤鹽分光譜定量分析[J]. 中國沙漠， 2014， 34（6）：1562～1567.

[8]雷磊， 塔西甫拉提·特依拜，丁建麗， 等. 基于HJ-1A高光譜影像的鹽漬化土壤信息提取——以渭干河-庫車河綠洲為例[J]. 中國沙漠， 2013， 33（4）：1104～1109.

[9]馬馳. 基于HJ1A-HSI反演松嫩平原土壤鹽分含量[J]. 干旱區研究， 2014， 31（2）：226～230.

[10]張添佑， 王玲， 曾攀麗， 等. 基于MSAVI-SI特征空間的瑪納斯河流域灌區土壤鹽漬化研究[J]. 干旱區研究，2016，33（3）：499～505.

[11]李榮榮， 熊黑鋼， 段鵬程， 等. 干旱區平原水庫下游鹽漬化土壤光譜時空分布特征分析[J]. 土壤通報， 2016， 47（3）：532～536.

[12]盧霞， 張薇， 姚雪， 等. 鹽脅迫對大米草反射光譜和葉綠素濃度的影響 [J].海洋湖沼通報， 2014， （4）：168～173.

[13]賈科利， 張俊華. 基于水稻冠層植被指數的龜裂堿土鹽堿化信息預測研究[J]. 土壤通報， 2012， 43（2）：281～285.

[14]陳曉軍， 劉慶生， 劉高煥. 遼河三角洲土壤性狀與水稻群體野外光譜關系初步研究[J]. 農業工程學報， 2005， 21（6）：184～188.

[15]科利，張俊華. 不同堿化程度土壤對其上覆植被冠層光譜特征的影響[J]. 光譜學與光譜分析，2014，34（3）：782～786.

[16]張體彬， 康躍虎， 胡偉，等. 寧夏銀北地區龜裂堿土鹽分特征研究[J].土壤， 2012， 44（6）：1001～1008.

[17]吐爾遜·艾山. 基于BP神經網絡的干旱區鹽堿土鹽分遙感反演模型研究[D]. 烏魯木齊：新疆大學， 2008.

[18]Donoho D L， Johnstone I M. Adapting tounknown smoothness via wavelet shrinkage [J]. Journal of the America tatistical Association， 1995， 90（432）：1200～1224.

[19]Chen G， Zhu W P. Signal denoising using neighbouring dual-tree complex wavelet coefficients[J]. IET Signal Processing， 2012， 6（2）：143～147.

[20]Pan Y H， Fan R. A wavelet neural networks licenserecognition algorithm and its application[J]. Journal ofComputers， 2012， 7（7） ：1583～1590.

[21]寧夏農業勘察設計院. 寧夏土壤[M]. 銀川：寧夏人民出版社， 1990：167～172.

[22]朱忠鵬， 熊黑鋼， 張芳.基于Quickbird影像的堿化土壤pH值定量監測研究[J]. 干旱區研究， 2016， 33（3）：483～498.

[23]陳紅艷， 趙庚星， 李希燦，等.小波分析用于土壤速效鉀含量高光譜估測研究[J].中國農業科學.2012，45（7）：1425～1431.

[24]張俊華， 張佳寶， 賈科利.氮素和鹽堿脅迫下作物與土壤光譜特征研究[M]. 銀川：寧夏人民出版社， 2016：1～235.

Prediction of Alkalization Degree of cracked Alkaline Soil Based on Vegetation Spectral Information

Liu Huan1， Jia Keli1， Zhang Junhua2

（1.College of Resource and Environment， Ningxia University，Yinchuan， Ningxia， 750021，China；

2.Institute of Environmental Engineering， Ningxia University， Yinchuan， Ningxia， 750021，China）endprint

Abstract： In the study， the paper takestypical soil salinization area in Pingluo County of Ningxia Hui Autonomous Region as the research object.Based on the measured spectral reflectance of vegetation and the value of pH in the laboratory as the basic data source，the original spectral data through threshold denoising and classification were used to analyze the spectral characteristics of different levels of soil salinization. The reflectance data were transformed to 8 kinds of spectral indices， such as logarithm， first-order derivative， multiplicative scatter correction and normalization， etc.Then，the correlation analysis was carried out between the obtained vegetation spectral and the value of pH to extract sensitive wavelengths of pH parameters. Fourier and polynomial regression analysis were employed to establish takir information prediction model.The correlation coefficient is used to verify the prediction effect of the two models. The results showed The wavelength of 861nm at the first order differential transformation of the spectral reflectance of vegetation is the best sensitive band； the correlation coefficient is 0.86. Polynomial fitting is better than Fourier fitting effect to the best spectral indices and soil pH as a variable. the content of the pH value of the building three times polynomial prediction model is the highest precision.The model can provide the basis for the quantitative remote sensing inversion of soil alkalization degree of semi-arid area.

Key words： salinization； alkaline soil； spectral informationendprint