基于土壤光谱特征的宁夏银北地区盐碱地盐分预测研究

张俊华，秦君琴，李 明

（1.宁夏大学 新技术应用研究开发中心，宁夏 银川750021；2.宁夏大学 物理与电气学院，宁夏 银川750021）

土壤盐碱化是干旱、半干旱农业区主要的土地退化问题，获取有关盐碱化土壤的性状、范围、面积、地理分布及盐碱化程度等方面的信息，对治理盐碱化土壤，防止其进一步退化和农业可持续发展至关重要，而遥感以其宏观、综合、动态、快速等特点，已成为监测土壤盐碱化的一种重要探测手段。

多年来，在盐渍土光谱特征的研究方面国内外学者取得了较大的进展。Dehaan等［1］发现高度盐碱化的土壤在0.68，1.18，1.78nm 处相对于未发生盐碱化的土壤有更清晰的吸收特征。扶卿华等［2］表明波长451.42～593.79nm区域的土壤反射率对土壤盐分含量较为敏感，即该波段范围较适用于研究区土壤盐分含量的预测。Yousef［3］研究发现土壤多种光谱指数随着土壤盐碱化程度的增加而降低。光谱特征值与土壤含盐量之间表现出良好的线性关系，光谱反射率随着含盐量的增加而升高［4－5］。对于光谱反射率与盐碱土中的盐分离子的关系，许多学者也进行了研究。李新国等［6］研究发现，采用多元回归模型预测HCO－3／（Cl－＋SO2－4）精度较高，具有较好的适用性。李娜等［7］在玛纳斯河流域地物光谱数据库的建立研究中指出在少数光谱波段，不同地貌的含盐量及各地貌中占优势的盐离子均与光谱反射率显著相关。Chernousenko等［8］的研究则表明由于土壤阳离子交换量和钾、钙、镁在近红外区间内没有主响应，其含量不能通过C—H，O—H和N—H化学键的吸收直接确定，但可以利用近红外光谱的少数敏感波段建模以预测荔枝土壤阳离子交换量和交换性钙含量的变化，能粗略预测交换性钾和交换性镁含量变化。屈永华等［9］在定量模型中利用偏最小二乘方法比较精确地估计了全盐（S%）、pH值、硫酸根（SO2－4）、钾钠含量（K＋＋Na＋）这些表示盐碱化程度的参数，并指出对于其余参数，如碳酸根（CO2－3）、碳酸氢根（HCO－3）、氯离子（Cl－）、钙离子（Ca2＋）、镁离子（Mg2＋）等，根据目前的数据分析，很难从遥感数据中精确估计。

宁夏银北地区降雨稀少，蒸发量大，局部地区浅层地下水位浅，盐分易于累积于土壤表层，目前该地区盐碱化土壤面积占耕地面积的39.50%～54.7%［10］。该地区土壤虽然理化性状不良，多为低产田或撂荒地，但地势平坦，土层深厚，是当地主要的耕地后备资源。

本文以宁夏银北地区盐碱地为研究对象，通过对野外表层土壤实测光谱的分析，研究土壤光谱特征，筛选出对土壤全盐及盐分的敏感波段，在此基础上采用不同回归方法构建基于野外光谱的盐碱地盐分预测模型，为快速、廉价预报土壤的盐碱化提供依据，也为利用卫星遥感数据大面积获取同类盐碱地盐碱程度提供科学基础。

1 材料与方法

1.1 研究区概况

以宁夏银北西大滩为研究对象，该地位于宁夏贺兰山东麓洪积扇和平原之间，属于黄河中上游灌区（106°24′E，38°50′N），年降水量150～203mm，年蒸发量1 755.1mm以上。因地形低洼，排水条件很差，是一个水分与盐分汇集的地区，故地下水位高，矿化度大，以至于这一地区形成了大面积的盐碱土，大部分属于盐化碱土。

1.2 光谱数据的获取及其他指标的测定

土壤表层光谱采用美国产Unispec－SC型单通道便携式光谱仪进行测定，该光谱仪探测波段为310～1 130nm，分辨率＜10nm，绝对精度＜0.3nm。测定时选取一块平坦且表观土壤属性均一的地块，于每个月中旬测定土壤表层光谱，全年测定12次，每次选取7个点，每个点重复测定10次（光谱测定后标记该点），取平均值作为此次的光谱反射值。光谱仪探头设置在距离地面1.0m处，视角为8°。测定过程中，及时在每次观测前进行标准白板校正。野外光谱测定试时间为10：00—14：00，测定期间天气状况良好，晴朗无云，风力较小，光谱仪采用垂直向下测定的方法，与多数传感器采集数据的方向一致。

1.3 土壤样品采集与测定指标

每个样点光谱测定结束后立即标记，然后取改点土壤作为样本，采集深度为0—20cm，全年共84个土样。室内风干后，剔出植物残茬、石粒、砖块等杂质，根据土壤盐碱化指标测定的粒径过筛。盐分指标为全盐（质量法），CO2－3（电位滴定法），HCO－3（电位滴定法），Cl－（硝酸银滴定法），SO2－4（EDTA间接滴定法），K＋（火焰光度法），Na＋（火焰光度法），Ca2＋（EDTA 络合滴定法），Mg2＋（EDTA 络合滴定法）［11］。

1.4 光谱数据处理与方法

土壤光谱数据预处理。为消除高频噪声的影响，本研究采用何挺等［12］9点加权移动平均法对高光谱反射率原始数据（r）进行平滑去噪处理（R）。本研究除对平滑后的原始反射光谱数据分析外，还对平滑后反射光谱进行了以下6种变换：反射率的倒数（1／R）、反射率的差分（ΔR）、反射率的对数（lgR）、反射率的一阶微分（R）′、反射率对数的一阶微分（lgR）′和反射率倒数对数的一阶微分〔lg（1／R）〕′，并进行同步分析，以期构建对土壤盐分反应更敏感的光谱参数。数据变换的主要目的是降低背景噪声对土壤光谱的影响［13－15］。

土壤盐分信息的估测建模与验证。将84个土壤样本分为两部分，一部分数据子集用于建模（60个样本），另一部分用于验证模型性能（24个样本）。利用土壤反射光谱，采用SAS软件［16］全回归（多重线性回归分析，TR）和逐步回归法（SR）建模预测该地区盐碱土盐分指标。多重线性回归分析中，自变量之间会存在一定程度的相关性，若相关程度较高，则会使各回归系数估计的方差很大，较严重的多重共线性会导致不能准确地解释因变量的变化，此时去除共线性严重的反射率，剩余的反射率再次进行全回归分析（TR′）。模型的稳定性用决定系数R2检验，R2越大，模型越稳定；模型的预报能力用验证样本的拟合度R2′以及总均方根差（RMSE）来检验，R2′越大、RMSE越小，则模型精度越高、预测能力越强。

2 结果与分析

2.1 表层土壤与土壤盐分的相关性

2.1.1 盐碱土表层土壤光谱特征 宁夏银北地区土壤属于苏打盐碱化土壤，盐分组成以Na2CO3和NaHCO3为主，其光谱反射曲线如图1所示。在400～570nm的范围内光谱曲线斜率较大，且在570nm附近有一拐点（特征点）出现；571～888nm范围内斜率较小，反射率缓缓增强，但在763nm附近有一个小的反射峰出现；在889～990nm处又有较大一个反射峰出现；从991～1 130nm出现最大的反射峰，最大峰值在1 102nm附近，且整体反射率越高峰值越大。因此，在400～1 130nm表层土壤的光谱反射率曲线的形状大致可由4个折线段（400～570～888～990～1 130nm，见图1）和3个反射峰值（763，948和1 102nm）大致控制。

图1 宁夏银北地区盐碱地表层土壤光谱特征曲线

2.1.2 表层土壤光谱与全盐含量的相关性 研究区春季干旱、多风，升温较快，蒸发量大；夏季炎热，雨量集中；秋季短暂，降温快；冬季干冷，降雪少。研究区土壤属于盐化碱土，pH值在8.81～10.30，而全盐含量范围在1.07～5.64g／kg，平均值为2.98g／kg。在土壤表层光谱数据的7种数学变换方法与土壤全盐含量的相关关系中（如表1所示，数据未全部列出），r，R，lg（R）与全盐含量呈极显著正相关关系，1／R，lg（1／R）与全盐呈极显著负相关关系。1／R变换方法综合表现最佳，其在整个研究波段内的相关系数普遍居首位，均达到极显著正相关水平；7种光谱数据在整个研究波段的最佳表现并不固定，各有优劣，但整体来看，R和1／R在特征波段范围且相关系数较大，（R）′和〔lg（1／R）〕′在特定单波段处表现较佳，而r，lg（R），lg（1／R）和DR 这4种变换方法表现相对差一些。所以，土壤其他盐分指标与光谱特征的相关性分析只采用R，1／R，（R）′和〔lg（1／R〕′这4种方法来分析。

表1 不同变换形式下反射率与土壤全盐的相关性

2.1.3 表层土壤光谱与土壤阴离子含量的相关性土壤在可见及近红外波段的光谱特征起因于其矿物成分的电子跃迁及分子振动，土壤成分的电子过程主要是由Fe3＋和Fe2＋引起，土壤成分的振动过程主要是由 H2O，OH－1，CO23－等阴离子基团的倍频或合频引起［17］。银北地区盐碱土中阴离子以HCO3－和含量最大，其次为Cl－含量含量最低。从4种反射率数据变换方法下土壤表层光谱特征与阴离子的关系来看（表2），土壤表层光谱反射率与的相关性最强，最大相关系数达到0.75（767nm）。其次是，与和Cl－的相关性较弱，其中R和1／R这2种方式与这2种阴离子含量相关性普遍未达到显著水平，但这2种离子采用（R）′和 〔lg（1／R）〕′方 式 处 理 后 相 关 性 在 571～1 130nm波段范围内呈显著相关关系，但在3个反射峰值处相关性较弱，未达显著水平。

表2 不同变换方式下反射率与土壤阴离子含量的相关系数

2.1.4 表层土壤光谱与土壤阳离子含量的相关性银北地区盐碱土中阳离子以Na＋含量最高（在所测定的土样中，Na＋含量平均占4种阳离子总和的75.80%），其次为 K＋和Ca2＋，Mg2＋含量最低。从4种数据变换方法下土壤表层光谱特征与阳离子的关系来看（表3），土壤光谱反射率与Na＋的相关性在4种变换方法下均较强，相关系数普遍大于0.60，以〔lg（1／R）〕′的相关性最佳；其次为 Mg2＋，但前2种变换方法相关系数较小；反射率与K＋的相关性相对较弱，与Ca2＋的相关性最弱。Na＋浓度在400～570，571～888，889～990，991～1 130nm与土壤光谱呈显著相关性，3个反射峰值处在763nm相关性最好，其余2个峰值处相关性很差；Mg2＋与土壤光谱在1 102nm 2个个反射峰值处相关性很强。所以，表层敏感波段反射率与土壤阳离子之间的良好相关性为其光谱估测模型的建立提供了科学基础。

2.2 土壤盐分指标预测模型的建立

针对反射率的4种变换方法，选择该地区盐碱地表层土壤光谱特征的4个折线段（400～570～888～990～1 130nm）和3个反射峰值（763，948和1 102nm）中与土壤各盐分指标相关系数最大的敏感波段，进行了全回归和逐步回归分析，由于有些波段反射率间具有明显的共线性，通过全回归方法诊断出共线性后剔除存在共线性的反射率，将剩余的其他敏感波段反射率再次进行全回归（TR′），最终得到土壤盐分的预测模型。

通过分析比较，建立与土壤全盐和分盐含量之间的预测模型（表4）。

表3 不同变换方式下反射率与土壤阳离子的相关系数

表4 敏感波段反射率对土壤表层全盐含量的预测方程

2.2.1 土壤全盐预测模型的建立 4种反射率变换方法中R全回归产生的方程决定系数最大（R2＝0.83），但选用了570，763，885，948，990，1 090 和1 102nm共7个敏感波段，且从模型输出结果来看763，885和1 090nm这3个波段具有共线性，去除后的再次全回归结果敏感波段数减少为1个（570nm），但方程的决定系数大大降低（R2＝0.60）；逐步回归方程决定系数较全回归略小（R2＝0.83，见表4，方程未全列出），敏感波段减少到4个，故选择逐步回归方程为基于R的全盐含量预测模型。

1／R通过全回归产生的方程决定系数在所有方程中最高（R2＝0.85），但选用的敏感波段也有7个；逐步回归方程决定系数R2为0.75，选用了2个敏感波段。

反射率采用（R）′和〔lg（1／R）〕′的回归方程决定系数偏低，拟合效果相对都不理想。

2.2.2 土壤阴离子预测模型的建立 对土壤表层CO2－3的拟合结果表明（表5），采用（R）′得到的方程决定系数最大，但涉及到5个敏感波段，〔lg（1／R）〕′得到的方程决定系数略小，但只涉及到3个敏感波段，所以选择此方程来预测土壤CO2－3的含量。采用R和1／R时与 HCO－3含量间均未达到显著相关关系，故未建立这2种变换方法下的预测模型；（R）′和〔lg（1／R）〕′获得的方程决定系数相差很小，各方程R2＞0.60，其中〔lg（1／R）〕′决定系数略高。基于土壤光谱反射率拟合土壤的准确度略高于对土壤。

基于R和1／R与Cl－和的相关性都很差，回归方程的决定系数很低，所以此处只列出了决定系数较高情况下的方程。（R）′和〔lg（1／R）〕′2种变换方法下方程的决定系数差异较小。土壤的含量低于Cl－（其含量大概为Cl－的1／2甚至更低），但采用敏感波段估测其含量的决定系数却明显高于其他阴离子，后2种反射率变换方法下两种回归方法的平均决定系数分别比，，Cl－高出0.08，0.13和0.15。

表5 敏感波段反射率对土壤表层阴离子的预测方程

2.2.3 土壤阳离子预测模型的建立 研究区土壤表层阳离子以Na＋为主（占阳离子的75%左右）。在土壤Na＋的拟合方程中，4种反射率变换方法下敏感波段均不存在共线性，全回归和再次全回归方程完全相同。在R和1／R的拟合方程中逐步回归方程决定系数偏低，但全回归选用的敏感波段多达6～7个，所以全回归得到的方程也并非最佳预测方程；后两种变换方法下逐步回归方程的决定系数与二次全回归方程相近，而且逐步回归方程所选用的敏感波段明显少于二次全回归法。

综合敏感波段和决定系数的大小来看，〔lg（1／R）〕′采用逐步回归得到的方程拟合土壤Na＋的效果最理想。利用各种方法所得的预测土壤K＋的方程决定系数明显低于Na＋。前2种反射率变换方法下对土壤K＋的拟合方程决定系数平均只有0.22，（R）′全回归方程决定系数R2达到0.60，但敏感波段有564，656，763，945，1 102和1 111nm；综合来看，〔lg（1／R）〕′在采用逐步回归法时拟合土壤K＋含量相对于其他方式最为理想（R2＝0.61，敏感波段为656，945和1 111nm）。

表6 敏感波段反射率对土壤表层阳离子的预测方程

对土壤Ca2＋的回归方程中，（R）′和〔lg（1／R）〕′采用全回归和逐步回归的方程完全相同；对土壤Ca2＋的拟合采用（R）′下的全回归方程决定系数最大，但选用敏感波段较多。该地区土壤Mg2＋含量虽然非常低，但其含量与反射率的相关性却较K＋和Ca2＋高，仅次于Na＋，所以根据反射率预测其含量的决定系数也较高。在敏感波段的选择中，虽然R和1／R与Mg2＋含量的相关性较好，但采用不同回归方法建立拟合方程后，其决定系数较低，不能较准确地拟合 Mg2＋的含量，而采用后2种变换方法决定系数相对较高，平均达到0.72，可以粗略估测Mg2＋的含量。在考虑敏感波段和决定系数时，〔lg（1／R）〕′采用逐步回归的方法预测Mg2＋效果相对最好。

2.3 土壤盐分预测模型的验证

为了检验模型的预测效果，利用24个验证样本对表层土壤不同盐分预测模型进行了验证。综合考虑模型的决定系数和选用波段的多寡来选择预测模型。采用模型预测值与实测值之间的拟合度R2′及预测总均方根差 （RMSE）来进行验证。由表7可见，除Ca2＋和Cl－外，其他各盐分指标的光谱预测值与其实测值之间具有较好的相关性，拟合度R2′＞0.59，其中对土壤全盐的拟合度最高，对Na＋拟合度次之，而且对这2个指标拟合的RMSE也最小，说明这2个模型的精度较高，预测能力很强；光谱对土壤SO2－4 和Mg2＋的预测能力也较强；对土壤Cl－和Ca2＋的预测模型的稳定性、预测能力和精度都较差。

表7 土壤盐分模型验证指标

3 结论

（1）表层土壤光谱r，R，lg（R）与全盐含量呈极显著正相关关系，1／R，lg（1／R）与全盐呈极显著负相关关系。（R）′和〔lg（1／R）〕′在特定单波段处表现较佳，而r，lg（R），lg（1／R）和DR这4种变换方法表现相对差一些。

（3）基于R的逐步回归方程为全盐含量预测的最佳模型；反射率采用（R）′和〔lg（1／R）〕′的回归方程决定系数偏低，拟合全盐＋的效果相对都不理想；预测土壤的含量时（R）′和〔lg（1／R）〕′获得的方程决定系数相差很小，其中〔lg（1／R）〕′决定系数略高；基于土壤光谱反射率拟合土壤的准确度略高于对土壤；敏感波段估测土壤含量的决定系数明显高于其他阴离子；采用〔lg（1／R）〕′逐步回归得到的方程拟合土壤Na＋，K＋和 Mg2＋含量相对于其他方式效果最理想。

（4）建立的预测模型中对土壤全盐的拟合度最高，对Na＋拟合度次之，而且拟合的RMSE也最小，说明这2个模型的精度较高，预测能力很强；光谱对土壤和Mg2＋的预测能力也较强；对土壤Cl－和Ca2＋的预测模型的稳定性、预测能力和精度都较差。

［1］ Dehaan R L，Taylor G R.Field-derived spectra of salinized soils and vegetation as indicators of irrigation-induced soil salinization［J］.Remote Sens.Envir.，2002，80（3）：406-417.

［2］ 扶卿华，倪绍祥，王世新，等.土壤盐分含量的遥感反演研究［J］.农业工程学报，2007，23（1）：48-54.

［3］ Aldakheel Y Y.Assessing NDVI spatial pattern as related to irrigation and soil salinity management in Al-Hassa Oasis，Saudi Arabia［J］.J.Indian Soc.Remote Sens.，2011，39（2）：171-180.

［4］ Mettemicht G L，Zink J A.Remote sensing of soil salinity：potentials and constraints［J］.Remote Sensing of Environment，2003，85（1）：1-20.

［5］ 张俊华，贾科利.基于水稻冠层NDVI的土壤盐碱化信息预测研究［J］.水土保持通报，2012，31（6）：113-116.

［6］ 李新国，李和平，任云霞，等.开都河流域下游绿洲土壤盐渍化特征及其光谱分析［J］.土壤通报，2012，43（1）：166-170.

［7］ 李娜，吴玲，王绍明，等.玛纳斯河流域土壤盐渍化现状及其与光谱关系研究［J］.江西农业大学学报，2011，33（6）：1242-1247.

［8］ Chernousenko G I，Kalinina N V，Khitrov N，et al.Quantification of the areas of saline and solonetzic soils in the Ural Federal Region of the Russian federation［J］.Genesis and Geography of Soils，2012，44（4）：367-379.

［9］ 屈永华，段小亮，高鸿永，等.内蒙古河套灌区土壤盐分光谱定量分析研究［J］.光谱学与光谱分析，2009，29（5）：1362-1366.

［10］ 严海霞，何文寿.宁夏银北地区盐碱地改良与水稻种植技术探讨［J］.湖北农业科学，2010，49（11）：2693-2695，2708.

［11］ 鲁如坤.土壤农业化学分析方法［M］.北京：中国农业科技出版社，1999.

［12］ 何挺，王静，程烨，等.土壤氧化铁光谱特征研究［J］.地理与地理信息科学，2006，3（2）：30-34.

［13］ 王静，何挺，李玉环.基于高光谱遥感技术的土地质量信息挖掘研究［J］.遥感学报，2005，9（4）：438-445.

［14］ Mahlein A K，Steiner U，Hillnhütter C，et al.Hyper-spectral imaging for small-scale analysis of symptoms caused by different sugar beet diseases ［J］.Plant Methods，2012，8（3）：1-13.

［15］ 高志海，白黎娜，王琫瑜，等.荒漠化土地土壤有机质含量的实测光谱估测［J］.林业科学，2011，47（6）：9-16.

［16］ 黄燕，吴平.SAS统计分析及应用［M］.北京：机械工业出版社.2007.

［17］ Palacios-Orueta A，Ustin S L.Remote sensing of soil properties in the Santa Monica Mountains（I）：spectral analysis［J］.Remote Sens.Envir.，1998，65（2）：170-183.