基于土壤-景觀理論的土壤有機質估測研究

欒海軍，江澤霖，余德清

(1. 廈門理工學院 計算機與信息工程學院,福建 廈門 361024;2. 洞庭湖區生態環境遙感監測湖南省重點實驗室,湖南 長沙 410008;3. 數字福建自然災害監測大數據研究所,福建 廈門 361024)

0 引言

作為農業大國，提升土壤肥力(土壤有機質(Soil Organic Matter，SOM)含量)研究領域調查監測水平，對農業可持續發展具有長遠意義，對農業生產實踐具有重要的現實價值。隨著新理論、技術和方法的融入，SOM含量空間分布估測也從傳統的地統計學方法[1-4]向土壤-景觀理論建模[5-8]、遙感反演[9-11]的方向快速發展[12]。作為土壤有機質估算的代表性方法之一，基于土壤-景觀理論的SOM估測方法自創立以來得到快速發展。遙感技術的融入可大幅提升土壤肥力(SOM含量)的監測水平、質量與效率，對農業生產安全具有重要意義。遙感數據與非遙感數據的融合應用，使基于土壤-景觀理論的SOM空間分布估測精度得到很大提高。但是，相關研究同時存在一些問題，遙感影像的時空特性使得遙感數據的融入在帶來利好的同時帶來新的挑戰；現有的SOM建模技術與方法仍然存在不足，需要研發新模型與新方法；人類活動對SOM空間分布動態變化的影響機制研究仍然不足。上述問題推動基于土壤-景觀理論的SOM空間分布估測研究持續發展。本文將對基于土壤-景觀理論的SOM估測研究現狀進行全面分析，對該方法存在的問題與研究趨勢進行探討，以期為其進一步發展提供借鑒與參考。

1 基于土壤-景觀理論的土壤有機質估測模型

在基于土壤-景觀理論的SOM空間分布估測建模研究中，經歷了景觀因子類型由少而片面到愈加多而全面、建模方法與技術由較為單一到愈發多樣化的演進過程。尤其是隨著快速、宏觀、可重復觀測遙感技術的引入，為該方法帶來了新的生命力。目前，土壤-景觀理論建模研究取得了較大進步，在景觀因子類型上包含了土壤屬性、氣象、地形、植被(由遙感技術提供)、人為活動因子等遙感和非遙感因子[12]，在建模方法上出現了地理加權回歸(GWR)[13]、隨機森林(RF)[14-16]、神經網絡[17]、貝葉斯最大熵[18,19]、貝葉斯神經網絡[19]、貝葉斯最大熵和貝葉斯神經網絡結合模型[19]等多樣化的模型與算法，SOM含量空間分布估測精度得到很大提高。

以常用的SOM含量估測GWR模型為例， 參考文獻[13]，設Y為土壤有機質含量，X1，X2，…，Xp為各類景觀因子，(Yi,Xi1,Xi2,…,Xip)為土壤有機質含量與各類景觀因子在地理位置(ui,vi)處的觀測值，i= 1,2,…,n，則GWR模型為：

(1)

式中，βj(u,v)(j= 0,1,…,p)為空間地理位置(u,v)的未知函數；εi(i= 1,2,…,n)為獨立同分布的誤差項且E(εi)=0，var(εi)=σ2。

2 存在的問題

盡管基于遙感和非遙感數據的SOM空間分布估測取得了重要進展，但是仍存在一些問題。下面從景觀因子時空尺度效應、土壤有機質估測模型效力、人類活動對SOM含量空間分布動態變化的影響機制研究3個方面進行闡述。

首先，遙感數據的融入在帶來利好的同時也帶來了挑戰，體現在：① 傳統研究對于土壤-景觀理論建模中諸因子的尺度差異性問題關注與解決不夠，存在理論上的不嚴密，尤其是當多尺度遙感數據融入以后，該問題將愈發突出；② 傳統研究對SOM的多尺度特性研究不夠充分；③ 傳統研究對SOM的時間演變特性研究不夠充分，遙感數據融入后，基于遙感的多時相、可重復觀測特性，部分典型地物信息(如植被)及反映人為活動的因子(如建筑物、農田地膜等)得以穩定、準確獲取，為SOM的動態估測及演變機制研究提供了新的手段。

其次，前文所述的建模技術與方法各有特點，優劣不同。除去這些傳統建模方法，有必要引入新的土壤-景觀關聯模型建立方法。

最后，人類活動對SOM含量空間分布動態變化的外在影響表現與內在機制研究仍然不足。傳統土壤-景觀理論研究中，通常考慮非人為景觀因子，在人類活動對SOM含量空間分布動態變化的影響方面研究較少。事實上，人類活動可通過直接方式(補施有機肥)或間接方式(改變地表植被等地表覆蓋/覆被)對SOM含量產生影響，但其具體影響機制尚未可知。需要進行人類活動對SOM含量空間分布動態變化的外在影響表現及內在機制進行研究。

3 研究趨勢

針對上述問題，本文認為基于土壤-景觀理論的土壤有機質估測將存在如下研究趨勢。

3.1 從景觀因子空間尺度、時間效應角度考慮

首先，建模過程中SOM含量采樣數據、其他類型景觀因子需要與遙感景觀因子進行尺度“一致化”，以獲取更為準確的模型輸入參數，這種尺度“一致化”包含了氣象數據等的簡單空間尺度的變化(空間化)[20-21]、土壤采樣數據及土壤含水量等定量遙感空間升尺度和空間降尺度[21-25]等方面的內容；提供尺度“一致化”的土壤-景觀因子是后續SOM時空分布建模及其分布特性與規律探索的數據基礎，具有基礎性地位。該環節的重難點為土壤-景觀理論中各參數的尺度轉換理論與技術。

3.1.1 高精度“像元”尺度土壤有機質樣點數據獲取

嚴格意義上，SOM含量采樣數據和景觀因子尺度并不一致，直接對其進行關聯建模不準確，需要進行采樣數據的空間升尺度，即將采樣數據從“點”尺度上推至景觀因子的“像元”尺度。升尺度方案如下：

① 參考地理學第一定律，考慮到SOM含量具有高度空間相關性，使用“空間平均配置法”進行“像元”尺度范圍內對應樣點位置的布設。樣點具體布設方法需依據景觀因子的“像元”尺度與實際采樣“點”尺度比例而確定，為保障升尺度精度，通常要求在對應于景觀因子的尺度內(以遙感影像為基準，即一個像元的范圍)，樣點設置數量 × “點”尺度尺寸 ≥ 1/4 × “像元”尺度。

② 考慮到SOM含量屬于標量，符合定量遙感升尺度的“面積加和取平均”的規律[26-27]，對上述“像元”范圍內布設的樣點數據取平均即可計算得到“像元”尺度的平均SOM含量，并可近似為“真值”。

3.1.2土壤水分空間降尺度轉換

土壤含水量是重要的地表參數，可通過影響土壤內生物化學作用對SOM形成與轉化產生重要影響(這一影響效應在長時間尺度上更為顯著)，同時對土壤持效態成分有機質的效能釋放發揮重要作用，因此穩定且連續一致的長時間序列土壤水分數據產品對于SOM空間分布估測研究具有重要的理論價值與實際意義。微波遙感具有獨特的土壤水分觀測能力，能全天時全天候地提供較高精度的大尺度土壤水分數據產品。目前，國內外研發出多種土壤水分產品，作為代表性的土壤水分微波遙感手段，AMSR-E(Advanced Microwave Scanning Radiometer)和AMSR2系列傳感器能提供長時序的多頻段(C，X，K波段)輻射計觀測，而近來發射的SMAP(Soil Moisture Active Passive)衛星搭載的L波段輻射計能提供目前最高精度的土壤水分觀測[28]。結合上述2種衛星數據各自的優勢，利用人工神經網絡方法，可以得到與SMAP土壤水分產品有近似精度的2002—2019年的長時序土壤水分數據集(NNsm)[28]。同時，清華大學和中科院青藏所聯合發布了2002—2011年中國大陸0.25°空間分辨率土壤含水量逐日格網數據[29]。上述土壤水分產品推動了區域乃至全球高質量土壤水分數據集的供給。但是，目前的土壤水分產品通常存在相似的問題，其空間分辨率通常低于1 km，與其他常用遙感地表參數(如Vegetation Indexes，LUCC)空間分辨率差異大，聯合應用時存在空間尺度“障礙”，不利于地表生態環境系統的精細化研究。同樣，對于精細農業，獲取更高空間分辨率、動態的土壤含水量數據亦十分必要。此時，需要對其進行空間降尺度研究(Spatial Downscaling)。鑒于長時序土壤水分數據集(NNsm)[28]的優異質量，以該產品為例，可對其進行空間降尺度轉換及應用研究。具體包含以下2點：

① 基于分形迭代函數系統的NNsm土壤水分產品空間降尺度轉換模型構建與改進作為數學分支的分形幾何學，因為具有完整、嚴謹的理論體系，可針對自然現象的多尺度特性的表現、本質及產生原因進行系統研究。可選擇合適的研究區，基于分形迭代函數系統(Iterated Function System，IFS)進行NNsm土壤水分產品空間降尺度轉換模型構建與改進，并對降尺度產品進行驗證。

② 基于分形方法的NNsm土壤水分產品時空尺度轉換耦合模型構建基于分形方法，建立遙感地表參數時空尺度轉換耦合模型是有挑戰性的問題，基于多重分形方法建立統一、精簡的NNsm土壤水分產品時空尺度轉換耦合模型固然理想，但是采用一種形式簡單、但體量稍微復雜的模型——單時相分形IFS函數的“聯合方程組”，也是一種有效的方法。該“聯合方程組”包含如下關鍵步驟：確定時相“節點”,各時相“節點”NNsm土壤水分產品降尺度轉換模型建立，NNsm土壤水分產品時空尺度轉換耦合模型建立。

多尺度遙感數據的融入為探索估測SOM空間分布的多尺度特性提供了更大的可能。由于遙感具有空間多尺度特性，遙感景觀因子亦將具有“多尺度”特性，同時結合上述土壤-景觀因子尺度“一致化”技術，進行SOM含量空間分布的多尺度特性研究十分必要且具有可行性。

由于遙感具有多時相特性，遙感景觀因子亦將具有“多時相”特性，進而進行SOM含量空間分布動態監測十分必要，而且遙感景觀因子(植被屬性、建筑物、農田地膜等)可直接或間接反映人為活動的影響，進而為探索人為活動對于SOM含量空間分布動態變化的影響機制提供重要條件。

3.2 從SOM含量空間分布建模的角度考慮

參考時空加權(自)回歸模型[30-33]在進行地理、社會現象時空分布特性定量刻畫方面的優勢，可嘗試將該方法應用于SOM空間分布動態監測建模中。同時，分層貝葉斯模型[34-35]在進行地理現象空間分布描述時可充分顧及其局部空間特異性，也可嘗試引入該方法進行SOM空間分布估測建模。基于時空加權(自)回歸模型、分層貝葉斯模型的SOM空間分布估測算法描述如下。

3.2.1 基于時空加權(自)回歸方法的土壤有機質含量空間分布估測

傳統時空加權回歸模型GTWR如下[30]：

(2)

式中，Yi為樣本點i的被解釋變量值(i= 1,2,…,n)，n為樣本點的數目；m為解釋變量的數目；ti為第i個樣本點的時間坐標；α0(ui,vi,ti)表示樣本點i的時空截距項；Xij表示樣本點i的第j個解釋變量值；αj(ui,vi,ti)表示樣本點i處第j個變量的回歸系數，是時空坐標的函數；εi表示殘差。αj(ui,vi,ti)中蘊含時空權重函數，該函數可表示為Wi(ui,vi,ti)=Wi(ui,vi)?Wi(ti)，其中Wi(ui,vi)是空間權重，Wi(ti)為時間權重。計算時空距離時，可乘以參數λ作為時空權重的平衡因子。

為了兼顧空間和時間的相關性，建立時空權重矩陣，對傳統GTWR改進，得到改進的時空加權回歸模型IGTWR[32]：

(3)

式中，各參數含義參考式(2)及文獻[32]。

對傳統GTWR進行改進，可得到時空加權自回歸模型GTWAR[31]：

(4)

式中，各參數含義可參考式(2)、式(3)及文獻[31]。

3.2.2 基于分層貝葉斯方法的SOM含量空間分布估測

建立如下貝葉斯分層回歸模型[35]：

yi=aj[i]+β1j[i]x1i+β2j[i]x2i+···+βpj[i]xpi+εi，

(5)

式中，y代表土壤有機碳；j代表分組號；a為截距；β1，β2，···，βp為各預測變量的系數；x1，x2，…，xp則為選擇的各景觀因子；ε為誤差項。其中：

(6)

(7)

(8)

?

(9)

ε～N(0,1)，

(10)

此外，式(6)～式(9)中的aj，β1j，β2j，…，βpj也服從聯合正態分布，即：

(11)

3.3 人為活動影響下的SOM空間分布的動態制圖

人為活動(如農田荒蕪、退耕還林、農田種植結構改變等)可以通過影響景觀因子(如植被)對SOM含量產生影響。這種影響可以通過2種方法量化：

① 將人為活動量化為一種參數，將其固化至土壤-景觀關聯模型中。這一方法更為科學，對于SOM含量的估算亦更為精確。但是考慮到人為活動復雜多樣，在一定程度上不易定量描述，暫時未進行此方面的深入研究，而是進行了下面第2種方法的探索。

② 將人為活動量化為某些景觀因子(如植被)，通過不同時相此景觀因子的變化間接反映人類活動的影響。基于這種處理，移植單一時相下土壤-景觀關聯模型的建立方法，可方便地進行多時相下每個時相土壤-景觀關聯模型的建立，進而獲得研究區多時相SOM空間分布動態變化結果。其中一些關鍵環節的處理如下：

首先，為對此問題進行研究，需充分利用SOM采樣歷史數據，以獲取歷史時相“像元”尺度的采樣點SOM含量。若沒有充足的歷史數據，可考慮通過歷史時相高光譜影像反演所得SOM含量影像，進而從中提取“像元”尺度采樣點SOM數據。

基于SOM-高光譜的遙感反演模型可以獲取長時間序列的歷史-現勢SOM空間分布柵格數據，優勢顯著，可彌補上述動態監測研究時SOM采樣歷史數據的不足。但該方法通常無法充分揭示各類景觀因子的差異性影響，即無法精細表達不同景觀因子、人為活動對SOM動態變化產生的好與壞、強與弱的影響，不利于提供精細的決策支持。土壤-景觀理論的SOM空間分布在這一問題上有重要優勢。2種方法結合研究，可以互補缺失，獲取最大的效用。基于土壤-景觀理論的SOM長時序動態變化監測有望能實現自然因素-人為活動多因子綜合作用下的SOM時空分布變異機制精確描述，為生產生活實踐中針對土壤或土地問題提高認知、合理決策提供新的依據。

4 結束語

本文對于融合遙感與非遙感數據的SOM土壤-景觀理論建模研究現狀進行了分析，對該方法可用于高精度土壤有機質空間分布估算的有效性予以肯定；同時，認為遙感數據的融入為估算帶來了利好，在空間范圍拓展、像元級估算、多時相動態分析方面的優勢尤其顯著。對于相關研究存在的問題與研究趨勢進行探討，在進一步的研究中，需充分顧及土壤-景觀理論模型中各因子的“尺度問題”，基于各因子數據“空間尺度一致化”技術，可選擇分層貝葉斯、時空加權(自)回歸等新穎模型，以實施研究區單時相不同尺度SOM含量空間分布制圖以及多時相同一尺度(中等)SOM含量動態變化制圖；同時，應進一步關注人類活動對SOM含量空間分布動態變化的影響機制研究，最終實現SOM空間分布精確估測與動態監測，并在一定程度上揭示了其分布規律及與景觀因子關聯機制。