可見-近紅外光譜的濱海土壤“除水”鹽分估測

楊 晗， 曹見飛， 王召海， 吳泉源

山東師范大學地理與環境學院， 山東 濟南 250014

引 言

部分沿海中輕度鹽漬化土壤經整治可變更為耕地， 其改良和治理對耕地保護的意義重大[1]。 濱海鹽堿區位于水陸交替的過渡帶， 具有獨特而敏感的生態系統[2]。 該地區土壤資源豐富， 但鹽漬化問題嚴重， 土壤鹽分的及時監測是保護生態環境， 實現濱海鹽堿區資源合理利用的有效途徑[2]。

可見光近紅外(visible and near-infrared, Vis-NIR)光譜技術以其快速、 無損且經濟高效的優勢， 在土壤鹽分估測和鹽漬化監測中得到廣泛應用[3]。 水分作為土壤的重要組成部分， 是幾乎不可避免的光譜干擾因素， 對土壤反射率存在非線性影響[4]。 隨著水分含量的上升， 土壤顆粒表面的水膜厚度將會增加， 從而改變土壤的反射特性， 導致反射率降低[3]。 對于風干土壤而言， 水分對反射率的影響并不顯著， 甚至可以忽略不計[5]。 因此多數研究表明， 利用Vis-NIR光譜估測土壤鹽分含量， 對實驗室可控環境下的烘干土壤[5]或是干燥地區(如干旱半干旱地區)含水率較少的土壤更為適用[6]。 濱海鹽堿區土壤的高水分含量將掩蓋由土壤鹽分引起的光譜變化[3]， 同時土壤水分的高變異性特征， 也在一定程度上限制了鹽漬土光譜的研究， 降低了Vis-NIR光譜定量估測土壤鹽分的準確性。

近些年， 已提出了多種減輕光譜數據集中受噪聲干擾的方法， 大多集中在弱化土壤水分的影響上。 “分類校準”是構建定量估測模型， 提高土壤屬性估測精度的常用策略。 例如， 采用多因子判別分析(factorial discriminant analysis, FDA)[7]或歸一化土壤濕度指數(normalized soil moisture index, NSMI)[8]， 將濕土光譜分類為不同的水分組， 通過逐類別建模， 實現土壤屬性估測。 該方法對水分高變異性的土壤而言， 選擇分類梯度實現不同水分組樣本均勻分布的難度較大， 且逐類建模的復雜性較高。 光譜轉換和濾波算法可分別通過矩陣轉換以及矩陣正交， 最大程度剔除光譜干擾[9]。 分段直接標準化(piecewise direct standardization, PDS)的光譜轉換方法， 作為直接標準化(direct standardization, DS)的簡化版， 通過不同窗口大小內的相鄰波長實現光譜標準化， 以校正噪聲影響的光譜[10]； 正交信號校正(orthogonal signal correction, OSC)是基于矩陣正交理論的光譜濾波算法， 通過光譜矩陣和濃度矩陣正交， 濾除因噪聲干擾引起的波長偏移， 保留與土壤屬性有關的信息， 從而提高Vis-NIR光譜估測精度[11]。 PDS和OSC被認為是有效減輕土壤水分干擾， 實現光譜校正的方法， 且受高變異水分的影響較弱， 具有一定普適性。 偏最小二乘回歸(partial least square regression, PLSR)是Vis-NIR建模的常用方法[12]， 故利用PDS和OSC與PLSR相結合的建模策略， 以減弱高變異性土壤水分對Vis-NIR光譜的干擾， 提高濱海鹽堿區土壤鹽分估測精度。

變量投影重要性(variable importance in projection, VIP)是探究模型潛在機理的常用方法， VIP值作為評估變量重要性的指標， 廣泛應用于土壤重金屬[12]， 有機質[13]以及土壤鹽分[6]估測過程中重要波長的識別。 Spearman相關系數是分析土壤屬性與光譜特征間相關性的常用方法， 相關性高的波長， 同樣被認為是相應的重要波長。 為加深對土壤鹽分估測過程中重要波長的理解， 采用Spearman相關系數和VIP相結合的方法， 進一步解釋模型估測機理。

采用PDS和OSC與PLSR相結合的策略， 建立濱海鹽堿區高變異水分條件下“除水”Vis-NIR土壤鹽分估測模型。 主要的目標有： (1)通過光譜分析， 探究土壤鹽分和水分對土壤光譜的影響規律； (2)基于一階導數光譜， 建立PDS光譜轉換后的PDS-PLSR模型和OSC濾波后的OSC-PLSR模型， 評估PDS和OSC方法提高水分干擾下模型估算精度的潛力； (3)結合Spearman相關系數和VIP探究受水分干擾的土壤鹽分估測模型機理， 為“除水”模型推廣提供理論基礎。

1 實驗部分

1.1 樣本采集

研究區設在黃河三角洲濱海鹽堿區(37°37′—37°46′N， 118°42′—118°49′E)， 該地屬溫帶大陸性季風氣候， 年平均氣溫和降水量分別為11.7～12.6 ℃和530～630 mm。 土壤類型為潮土、 鹽土和新積土三個土類， 隨著土壤中水分的蒸發， 鹽分極易上升地表， 形成鹽漬土[14]。

實驗于2018年10月23日至27日進行， 此時采樣區表面蒸發量大于降水量， 土壤鹽分普遍增加。 結合Landsat影像， 在該地主要土地利用類型耕地、 草地和未利用地上， 分別設置密度小于1 km的67， 45和32個采樣點共144個(圖1)。 使用GPS接收器記錄采樣點坐標。 為減少空間分布不均勻造成的誤差， 根據網格采樣法， 使用木鏟采集20 m半徑內的五個表層土壤(0～20 cm)。 在剔除根組織、 草和葉等植物殘留， 充分混合后得到約1 kg的土壤樣本， 并全部移至實驗室烘干， 壓碎， 過2 mm篩， 制備1∶5土水比浸提液， 測定土壤鹽分含量。

圖1 采樣區土壤樣點分布

1.2 光譜測定及預處理

17個建模集土壤樣本用于實驗室控制實驗， 共設計10個含水率梯度(0%， 1%， 5%， 10%， 15%， 20%， 25%， 30%， 40%和50%)。 127個驗證集土壤樣本用于隨機驗證實驗， 根據1～50隨機數整數設計隨機含水率。 實驗容器使用半徑3 cm， 深度1 cm的鋁制圓盒。 將土壤烘干至恒重， 壓碎， 過2 mm篩子。 往鋁制圓盒中加入高度約0.5 cm的土壤樣本， 并記錄土壤重量(精確到0.1 mg)。 距土壤表面中心上方1 cm， 使用滴管向土壤中添加不同重量的水。 將鋁盒密閉靜置在暗室中6個小時， 保證土樣恒重。 再次測量容器總重量， 減去先前的重量即可得出土壤中水的準確重量。 使用以下公式計算土壤含水率(重量含水量)

(1)

式(1)中，SW是土壤含水率，mw是含水土壤樣本的質量，mg是烘干土壤樣本的質量。

土壤反射光譜使用ASD Field Spec3地物光譜儀(Analytical Spectra Devices， USA)在暗室中測得。 將兩個50 W的鹵素燈設置在距地面50 cm處， 作為唯一且穩定的光源。 以45°的照明天頂角， 在每個土壤樣本表面10 cm的垂直高度上獲取10條光譜曲線， 取算術平均值作為該土樣實際反射光譜數據。 使用ViewSpec 6.2軟件(Analytical Spectra Devices， USA)對光譜進行一階導數變換， 以增強信噪比(SNR)銳化光譜特征。

1.3 “除水”模型建立與驗證

PDS通過校正“主”儀器向“從”儀器傳遞的光譜， 實現“主”儀器上所建模型在“從”儀器上的應用并估測“從”儀器光譜[10]。 本研究中“主”對應干燥土壤光譜， “從”對應不同含水率的土壤光譜。 為確保PDS轉換過程中不會對噪聲建模， 測試了不同窗口大小的校正效果， 結果所得PDS的最佳窗口大小為5。 OSC通過矩陣正交的數學方法， 濾除自變量光譜矩陣中與因變量(土壤鹽分)無關的光譜信息， 達到簡化模型， 提高模型估測能力的目的[11]。

1.4 模型估測機理分析

為探究土壤鹽分“除水”模型估測機理， 采用Spearman相關系數分析光譜與土壤鹽分之間的相關性， 并利用VIP識別土壤鹽分估測的最佳因子， 即估測模型中的重要波長[13]。 VIP得分大于1且相關系數值越接近1的波長， 即土壤鹽分估測的重要波長與土壤鹽分高相關性波長吻合， 則該波長視為對“除水”估測模型有重要意義的波長。 Spearman相關系數在SPSS 24(IBM， USA)件中計算， VIP值使用SIMCA 16軟件(Sartorius Stedim Data Analytics AB， SE)計算。

2 結果與討論

2.1 鹽分影響下的土壤光譜

包含144個樣本的總樣本集土壤含鹽量在0.56～35.87 g·kg-1之間， 平均值為3.51 g·kg-1， 標準差為6.22 g·kg-1。 建模集(17個土壤樣本)土壤含鹽量在0.56～34.66 g·kg-1之間， 平均值和標準差分別為4.49和4.1 g·kg-1。 驗證集(127個土壤樣本)土壤含鹽量在0.78～35.87 g·kg-1之間， 平均值和標準差分別為3.47和6.34 g·kg-1。

采樣區的主要可溶性鹽是NaCl和MgCl2， 其中MgCl2作為高度吸濕鹽， 可吸收環境中的水蒸氣， 使土壤樣本中的水分含量增加， 導致反射率降低[15]。 不同含鹽量的干土光譜曲線如圖2所示。 在整個波長范圍內， 光譜反射率隨著鹽分的增加逐漸降低。 不同鹽分的光譜曲線變化趨勢相似， 突出特征出現的位置基本一致。 具體來說， 光譜曲線肩部在800和2 350 nm波段， 吸收特征在1 410， 1 940和2 210 nm附近。 在到達第一個吸收特征(1 410 nm)前， 反射率均隨波長的增加逐漸上升， 光譜間的差異相對較小。 在之后的1 401～2 498 nm光譜區域， 反射率在0.35～0.5的范圍內波動， 曲線的“峰”和“谷”位置相對穩定。 13.3和22.72 g·kg-1鹽分光譜在800 nm之前沒有明顯區別。 800 nm之后， 特別是在1 940 nm吸收特征之后的波長域上， 鹽分引起的光譜變化逐漸顯著。 在800～1 382 nm的波長范圍內， 低鹽分含量的反射率低于高鹽分的反射率。 相反， 1 410～2 498 nm波長范圍內， 低鹽分含量的反射率高于高鹽分的反射率， 且差異增大。

圖2 不同含鹽量的干土平均反射率

2.2 水分和鹽分共同影響下的土壤光譜

不同含水率(1%～50%)鹽漬土(土壤鹽分接近35 g·kg-1)的平均反射率如圖3所示。 土壤鹽分和水分共同影響下的反射光譜， 同樣存在1 410， 1 940和2 210 nm附近的吸收特征， 以及800和2 350 nm的肩部特征。 水分放大了1 410和1 940 nm的兩個強吸收特征， 位于1 410 nm的吸收中心波長隨含水率增加， 不斷向更長的波長偏移。 位于2 210 nm的吸收特征和800和2 350 nm的肩部特征在逐漸消失， 這主要是O—H和H—O—H的共同作用所導致的[5]。

圖3 不同含水率的鹽漬土(土壤鹽分接近35 g·kg-1)平均反射率

干土的含水率在增加到40%的過程中， 整個光譜域上的光譜反射率持續降低。 降低趨勢在長波長處更為明顯， 這是由于長波長(>1 400 nm)對水的強烈吸收， 水分對光譜造成了更多影響[8]。 水分對1%和5%較低含水率的光譜影響不大， 反射率僅小幅(小于0.1)降低。 當含水率從5%增加到10%， 15%， 20%和25%， 整個波長范圍內的反射率急劇下降， 在25%～40%含水率之間， 反射率降低速度減緩， 這主要因為土壤逐步從干土變為濕土， 吸附作用到毛細作用的轉化基本完成[3]， 光譜對水分變化的敏感程度減弱。 當含水率進一步升至50%， 反射率從下降轉為上升， 在1 410 nm前上升幅度更大。 根據Liu等的研究結果， 此時已到達土壤“臨界含水率”， 土壤孔隙中的水含量開始飽和[16]。

2.3 光譜轉換和濾波后的土壤鹽分估測模型

圖4 含水條件下的土壤鹽分估測模型

值得注意的是， PDS似乎沒有表現出令人滿意的弱化水分干擾的效果， PDS-PLSR建模后的估測精度不如PLSR， 可能的原因主要在兩方面。 一方面， 水分對土壤光譜影響的非線性關系， 一般可用指數模型描述[4]。 PDS基于線性假設函數[10]， 完成“從”光譜(不同含水率光譜)向“主”光譜(干燥光譜)的傳遞， 這種非線性關系定性為線性后的光譜轉換， 存在波長偏移； 另一方面， 在PDS的轉換過程中可能會去除某些特定的光譜特征[10]， 從而剔除或減弱了部分有效的光譜反射， 造成模型估測結果不理想。 相比PDS， OSC算法可在不丟失有用信息的基礎上， 刪除與土壤屬性不相關(正交)的光譜信息[13]， 從而有效處理被水分掩蓋的土壤鹽分信息。 OSC-PLSR模型提高了土壤鹽分定量估測的精度。 總結來說， 三種模型均能實現土壤鹽分估測， 估測性能OSC-PLSR>PLSR>PDS-PLSR。

2.4 土壤鹽分估測模型機理分析

顯著性水平為0.01的Spearman相關系數(r)曲線以及VIP 大于1的區域分布如圖5所示。 一階導數光譜與土壤鹽分的r介于-0.6～0.5之間， 除了830， 1 940和2 050 nm波長附近的相關性較高(|r|>0.4)外， 其余波長域上的r均在-0.2～0.2上下波動， 且相關曲線的“峰”和“谷”特征較弱。 PDS對光譜的校正作用并不明顯， 相關系數曲線與一階導數光譜相似，r同樣介于-0.6～0.5之間。 OSC濾波后的光譜對土壤鹽分的敏感性有所提升，r介于-0.8～0.7之間。 同時， OSC有效弱化了水分對1 410， 1 500以及2 100nm附近光譜的干擾， 擴大了“峰”和“谷”特征處的高相關性光譜區間。 在VIP 大于1的灰色區域內， 可觀察到土壤鹽分估測的重要波長。 與一階導數光譜相比， PDS轉換后的重要波長分布更加分散， 似乎包含了更多的冗余信息[13]， 相反， OSC濾波后的重要波長分布更加集中和連續。

圖5 在(a) PLSR； (b) PDS-PLSR； (c) OSC-PLSR模型中的變量投影重要性(VIP)以及土壤光譜與鹽分之間的Spearman相關系數曲線(a)一階導光譜數； 基于一階導數光譜的(b) PDS轉換和(c) OSC濾波

VIP與Spearman相關系數結合來看， 三種模型具有大致相同的重要波長。 具體來說， 均保留了830 nm附近與土壤鹽分中的陽離子(Na+， Mg2+等)和振動基團(Cl-等)有關[17]的光譜特征， 均減輕了水中—OH基團[13]對1 940和2 050 nm附近光譜的干擾。 三種模型在830， 1 940和2 050 nm附近光譜域上實現了敏感波長(|r|>0.4)與重要波長(VIP>1)的吻合， 均可用于土壤鹽分估測。 與常規的PLSR和基于PDS的PLSR模型相比， OSC-PLSR更精確的提煉了對土壤鹽分估測有重要意義的波長， 進一步證明了模型OSC-PLSR>PLSR>PDS-PLSR的土壤鹽分估測性能。

3 結 論

通過嚴格加水控制實驗和隨機驗證實驗， 研究水分對濱海含鹽土壤光譜的影響規律， 探究了PDS和OSC減輕濱海土壤鹽分估測模型中水分干擾的潛力， 并利用Spearman相關系數和VIP得分分析了土壤鹽分估測模型機理。 得出以下結論：

(1)土壤中的鹽分和水分對光譜吸收特征1 410， 1 940和2 210 nm附近波長的影響相似。 水分引起的反射率降低與土壤鹽分引起的光譜變化重疊， 從而降低了土壤鹽分估測準確性；

(3)位于830， 1 940和2 050 nm附近的波長(VIP>1)與土壤鹽分顯著相關的敏感波長(|r|>0.4)吻合程度， 是含水條件下模型估測鹽分的關鍵。 相比PLSR和PDS-PLSR模型， OSC-PLSR更能有效“除水”提高模型估測精度， 主要機理在于OSC-PLSR更精確的提煉了以上對土壤鹽分估測有重要意義的波長。 變量投影重要性(VIP)和Spearman相關系數(r)結合的分析策略成功解釋了模型有效“除水”的原因， 為其推廣提供理論基礎。