基于高光譜特征參數優選的土壤鹽分含量建模及其驗證

李 志，蘇武崢，李新國，王銀方，毛東雷，麥麥提吐爾遜·艾則孜

(1.新疆農業科學院農業經濟與科技信息研究所，烏魯木齊 830091；2.新疆師范大學地理科學與旅游學院，烏魯木齊 830054；3.新疆干旱區湖泊環境與資源實驗室，烏魯木齊 830054)

0 引 言

【研究意義】土壤的信息化與數字化管理是智慧農業數據分析的前提[1]。土壤鹽分在土體中的運移和積累引起的鹽漬化是全球土地退化的主要類型之一，而準確追蹤土體鹽分信息變化，對防治土壤鹽漬化發生、治理鹽漬土以及實現干旱區農業可持續發展具有重要意義[2-3]。【前人研究進展】近地高光譜技術以其快速無損獲取精細光譜信息、光譜分辨率高和波段連續性強等優勢，被廣泛應用于土壤鹽分的定量估算，其方法體系為：土樣采集與制備、光譜數據獲取、光譜預處理、光譜數據變量篩選、模型的建立與驗證[4-6]。引入遙感光譜指數，耦合2個或多個特征波段的反射率數值，從二維光譜空間表達土壤鹽分的高光譜響應特征[7]。Chernousenko等[8]、Mashimbye等[9]和Suresh等[10]對土壤鹽分以及鹽基離子光譜敏感波段進行分析提取，進一步為高空遙感數據提供制圖參考。彭杰等[11]、張賢龍等[12]、王寧等[13]嘗試利用高光譜數據，基于特征波段、光譜指數，采用回歸分析、偏最小二乘法等手段對新疆不同地區土壤鹽分進行估算。【本研究切入點】翁永玲等[14]、蒲智等[15]、朱赟等[16]研究結果表明，利用高光譜手段表征土壤鹽分變化及定量估算是可行的，但不同變換形式光譜的敏感波段以及模型估算精度不盡一致。【擬解決的關鍵問題】以博斯騰湖西岸湖濱綠洲為研究區，野外土壤樣品進行實驗室理化分析，研究土壤剖面不同層次鹽分的干濕季節變化特征，結合光譜學分析技術表征干濕季節土壤鹽分變化下的高光譜響應特征差異，采用數學放大算法構建一維單波段和二維波段組合指數的鹽分特征響應光譜指標，并利用偏最小二乘回歸(Partial least squares regression，PLSR)方法建立土壤含鹽量的特征單波段和光譜指數估算模型并進行精度驗證。一維和二維層面特征光譜參數，分析土壤鹽分含量和近地反射光譜間的內在定量關系，為研究區的土壤鹽分動態精準測量提供參考。

1 材料與方法

1.1 材 料

研究區位于新疆焉耆盆地，地理坐標介于41°45'～42°10'N，86°15'～86°55'E。氣候屬溫帶大陸性荒漠氣候，氣溫日較差、年較差大，年均氣溫達9.03℃，季節性表現一般春溫高于秋溫；降水稀少且季節變化大，氣候干燥，多年平均降水量83.5 mm，年蒸發量高于2 000 mm，其蒸降比可高達40∶1[17]。主要土壤類型有棕漠土、草甸土、沼澤土、灌耕潮土、鹽土、風沙土等。植物類型以多枝檉柳(Tamarixramosissima)、蘆葦(Phragmitesaustralis)、胡楊(Populuseuphratica)、花花柴(Kareliniacaspia)等為主[18]。研究區的地下水平均埋深為1.5～3.0 m。圖1

圖1 采樣區位置及樣點布設Fig.1 Location of the sampling area and its sample layout

1.2 方 法

1.2.1 土樣采集與制備

基于野外調查，采用GPS定位技術，根據博斯騰湖湖濱帶土壤質地、地貌特征、鹽分狀況、植被類型和生長狀況以及土地利用方式等因素，針對土壤凍融前后、干濕變化明顯的2個季節，分別于2017年10月下旬(秋季，土壤凍融前)和2018年4月中旬(春季，土壤凍融后)從研究區選擇代表性地塊進行統一定標采集和制備土樣，共布設挖掘20個典型土壤剖面。結合研究區水埋深限制，參照李和平等[19]新疆土壤有效土層厚度劃分指標，對每個剖面分層采集0～10、10～20、20～30、30～50 和50～100 cm深度土樣，每層選取4個點位采集土樣并充分混勻，利用四分法抽取約200 g裝袋，共計200份樣本。帶回實驗室自然風干，剔除可見雜物、植物根系，研磨，過20目孔篩，封存待測，先后用于光譜測試和土壤理化分析。

1.2.2 光譜測試及預處理

供試樣品在制備實驗室風干土后立即進行室外反射光譜測試，運用ASD FieldSpec 3光譜儀進行土壤光譜采集，保證每一批次供試樣品光譜采集時光源充足、太陽高度角大致相同、風力<3級、地面能見度≥10 km、淡積云量≤2%等。土樣平鋪(厚度約5 mm，直徑約10 cm)放置于對采集波段接近全吸收的深色牛皮紙上測定其反射光譜，每組樣品測試前進行1次白板校正、DC暗電流采集和OPT優化，每個土樣反復測量保存20條光譜曲線，通過ASD ViewSpecpro實現均值處理和連續跳躍點修正。選用Savitzky-Golay平滑法(窗口點數為15，多項式階數為2)進行光譜平滑去噪。結合數據處理和查閱相關文獻，剔除水汽吸收強烈和邊緣噪聲較大的波段區域：1 341～1 400、1 811～1 950和2 451～2 500 nm[12，20]。

1.2.3 樣本集劃分

制備標準溫度25℃時、V(水):m(土)=5∶1比例下的土壤浸提液，鹽分含量測定方法參照鮑士旦《土壤農化分析》[21]。高光譜估算模型的性能評價受參與模型的訓練樣本數大小決定[22]。為保證模型穩定性和嚴謹性，對所有200個供試土樣按照鹽分含量從高到低排序，隔1取3作為建模集。通過3∶1的建模集與驗證集樣品劃分，鹽分含量分布情況一致。圖2

圖2 建模集和驗證集的鹽分含量頻數分布統計Fig. 2 Statistics of salt content frequency distribution in model set and validation set

1.2.4 光譜數學增強

為提高光譜靈敏度，突顯光譜曲線的混合特征信息，對平滑去噪和剔除水汽吸收波段處理后的反射率數據(R)進行平方根

倒數1/R、對數lgR、對數的倒數1/lgR、倒數的對數lg(1/R)及其分別一階微分、二階微分共17種形式光譜數據變換，以篩選一維層面最優變換形式光譜提取敏感波段。

1.2.5 光譜指數構建

光譜指數被認為是估算土壤鹽分信息的重要手段之一，比原始光譜反射率(R)更敏感，可一定程度消除土壤亮度、色度等的影響，提高土壤鹽分信息估算的穩定性[23，24]。研究進一步利用光譜反射率系統構造原始光譜任意2波段組合而成的差值指數(DSI)、比值指數(RSI)和歸一化指數(NDSI)，以實現光譜二維層面上的鹽分特征信息挖掘。表1

表1 參數定義Table 1 Definition of parameters

1.2.6 模型構建及驗證

分別選取一維、二維決定系數滿足相關閾值下的敏感波段反射率和敏感光譜指數作為自變量，結合變量投影重要性(Variable importance in projection，VIP)準則進一步挖掘模型最佳因子數，以鹽分含量為因變量，采用線性模型PLSR方法進行反演建模[25]。建模精度采用建模集預測值和實測值的建模決定系數Rc2和校正均方根誤差RMSEC來評價；預測精度采用驗證集預測值和實測值的預測決定系數Rv2、驗證均方根誤RMSEV和相對分析誤差(relative prediction deviation，RPD)來評價。表2

表2 模型精度參數Table 2 Parameters of model accuracy

2 結果與分析

2.1 土壤鹽分變化特征

研究表明，不同季節下各層土壤含鹽量的變化不盡相同。春季0～10 cm表層土壤含鹽量平均增加1.61 g/kg，積鹽率達60.68%，10～20 cm土層含鹽量平均增加1.34 g/kg，積鹽率在整個剖面達最大為80.81%，20 cm以下土層土壤積鹽率明顯下降，但都為正值。春季返鹽現象在0～100 cm內皆存在，且以表層0～20 cm最為強烈。秋季土壤鹽分含量的變異性隨土層深度的增加先減小后增大，50～100 cm層變異系數在各土層最大為58.14%；而春季土壤鹽分含量的變異性隨土層深度的增加而減小。研究區秋、春2個季節各土層土壤鹽分含量的變異系數在33.26%～59.28%，屬中等強度空間變異。圖3

2.2 土壤高光譜特征

研究表明，不同土壤層、不同季節樣品的光譜反射率曲線形態及變化趨勢較為相似，在350～800 nm波段急劇上升，而在800～1 340、1 401～1 810和1 951～2 150 nm波段范圍反射率上升趨緩，于2 150 nm處達最大值后反射率逐漸下降。受大氣中OH-影響，存在2個異常明顯的水分吸收谷(位于1 341～1 400和1 811～1 950 nm附近)。不同土層，土壤光譜反射率差異性在350～590 nm可見光波段范圍較小，在800～2 500 nm近紅外波段范圍相對較大。0～10 cm表層土壤平均光譜反射率在整個波段范圍明顯高于其他層位，且以春季更加明顯。不同季節，隨著春季返鹽現象劇烈，土壤鹽分含量增加，在350～2 150 nm譜區土壤反射率高于秋季剖面土壤平均反射率，尤其體現在590、800、1 810和2 150 nm處。土壤剖面平均光譜反射率在全波段范圍內的變異系數呈先減小后增大的趨勢，秋季剖面土壤平均光譜反射率變異性在各波段均大于春季剖面土壤平均光譜反射率變異性，對應其土壤剖面鹽分平均變異系數較大的特征。圖4

圖4 土壤剖面光譜反射曲線特征Fig.4 Characteristics of spectral reflectance curves of soil profiles

2.3 土壤高光譜特征參數變化及其與鹽分含量的相關性

2.3.1 土壤鹽分含量與不同變換形式光譜反射率的一維相關性分析

圖5 土壤鹽分含量與不同變換形式光譜反射率的一維相關性Fig.5 One-dimensional correlation analysis of soil salinity content and spectral reflectance of different transformed forms

表2 不同光譜變換形式下的土壤鹽分特征波段統計Table 2 Statistical analysis of characteristic bands of soil salinity under different spectral transformation forms

2.3.2 土壤鹽分含量與不同光譜指數的二維相關性

研究表明，基于DSI指數的高光譜R2矩陣圖中，土壤鹽分含量的特征響應波段區間集中位于近紅外長波區域，主要區間為：X：1 760～1 800 nm和Y：1 720～1 810 nm范圍，決定系數R2最高值達0.54。基于RSI指數的高光譜R2矩陣圖中，土壤鹽分含量的特征響應波段區間集中位于近紅外長波區域，主要位于：X：1 760～1 810 nm和Y：1 720～1 790 nm范圍，決定系數R2最高達0.48。RSI和NDSI與土壤鹽分含量的R2分布矩陣圖基本相似，基于NDSI指數的高光譜R2矩陣圖中，土壤鹽分含量的特征響應波段區間集中位于近紅外長波區域，主要位于：X：1 760～1 810 nm和Y：1 720～1 790 nm范圍、X：1 960～2 000 nm和Y：1 230～1 330 nm范圍，決定系數R2最高達0.57。DSI、RSI和NDSI分別以DSI(1 780，1 765)、RSI(1 785，1 756)和NDSI(1 780，1 742)相關關系表現最好，NDSI、DSI、RSI特征光譜響應指數(R2≥0.4，P<0.01)數量依次為32、25、38。表3

圖6 光譜指數DSI、RSI、NDSI與土壤鹽分的R2矩陣Fig. 6 R2 matrix of spectral index DSI, RSI, NDSI and soil salinity

表3 基于光譜指數的土壤鹽分特征波段組合Table 3 Soil salt characteristic band combination based on spectral index

2.4 基于高光譜特征參數的土壤鹽分含量估算模型優選

研究表明，通過極顯著檢驗(P<0.01)后的4種優選光譜變換和3種光譜指數，模型輸入參數選擇上呈現不同，經VIP算法篩選單波段PLSR模型最佳變量數分別為15、8、16、7，對應特征響應波段分別見圖7(a、b、c、d)。兩波段組合指數PLSR模型最佳自變量數分別為12、8、12，對應特征響應波段組合分別見圖8(a、b、c)。圖7,圖8

圖7 基于VIP算法篩選最佳模型光譜波段Fig.7 Screening the best model spectral band based on the VIP algorithm

圖8 基于VIP算法篩選最佳模型光譜指數Fig. 8 Screening the best model spectral index based on VIP algorithm

表4 土壤鹽分含量PLSR模型預測結果Table 4 Prediction results of soil salt content by PLSR model

研究表明，(1/lgR)′變換建立模型對土壤鹽分含量的預測能力最優，預測精度為RV2為0.77，RMSEC為0.69 g/kg，RPD為2.01。NDSI建立模型對土壤鹽分含量的預測能力最優，預測精度為RV2為0.77，RMSEC為0.64 g/kg，RPD為2.11，模型穩定性最強。圖9

圖9 基于一維和二維最佳響應參數光譜估算模型驗證Fig. 9 Verification results based on one-dimensional and two-dimensional optimal response parameterspectral estimation models

3 討 論

4 結 論

4.1研究區土壤鹽分含量高低受季節變化的影響較為明顯，為干季高于濕季。土體剖面鹽分含量隨土層深度增加而降低，鹽分總體呈“表聚型”。各層鹽分含量變異系數均介于33.26%～59.28%，呈中等強度變異，干季表層變異大于底層，濕季表層土壤變異小于底層。

4.2干季土壤0～100 cm剖面返鹽現象導致鹽分含量增加，光譜在350～2 150 nm波段范圍，土壤平均反射率隨含鹽量的增加而高于濕季土壤平均反射率，以590、800、1 810和2 150 nm處表現最明顯。

4.4基于NDSI指數變換光譜反射率，通過相關性極顯著篩選，結合VIP算法篩選的指數為自變量建立的PLSR估算模型預測效果最佳，預測精度RV2達0.77，RMSEV為0.64 g/kg，RPD為2.11。