盐渍化土壤光谱特征分析与建模

关红， 贾科利,2， 张至楠， 马欣

(1.宁夏大学资源环境学院，银川 750021；2.宁夏沙漠信息智能感知重点实验室，银川 750021)

盐渍化土壤光谱特征分析与建模

关红1， 贾科利1,2， 张至楠1， 马欣1

(1.宁夏大学资源环境学院，银川 750021；2.宁夏沙漠信息智能感知重点实验室，银川 750021)

为建立土壤盐渍化遥感监测模型，选取宁夏回族自治区平罗县典型土壤盐渍化发生区域作为研究区，以野外原位光谱测量数据和实验室内测得的土壤含盐量与pH值数据为基础，进行高光谱数据处理，分析不同盐渍化程度土壤的光谱特征；对实测土壤光谱反射率进行倒数、对数、均方根及其一阶微分等光谱变换，计算高光谱指数；与土壤样本含盐量进行相关性分析，筛选盐渍化土壤的光谱特征波段，利用多元线性回归分析建立土壤盐渍化监测模型。研究结果表明：以倒数一阶微分变换后的940 nm和1 094 nm波段作为特征波段构建的土壤盐渍化遥感监测模型最优。

光谱特征波段；土壤盐渍化；定量模型

0 引言

土壤盐渍化和灌溉引起的次生盐渍化问题是制约干旱、半干旱地区农业发展的主要因素之一，也是影响绿洲农业生态环境稳定性的重要因素[1]。遥感技术能宏观、快速提取地表时空信息，已成为动态监测土壤盐渍化的新方法[2]。Clark等[3]首次使用光谱反射率定量研究地物特征，从物理原理上对地物光谱反射率进行了详细研究。孙毅等[4]利用 RS-Ⅱ型4通道野外光谱仪采集土壤光谱数据，对Landsat TM1—4多波段反射率数据与土壤含盐量进行分析，发现两者呈现良好的正比关系，进而得到利用多波段反射率数据估算土壤含盐量的一元线性回归方程。盐渍化土壤的光谱反射特征是由土壤理化性质决定的，传统遥感数据并不能完全反映土壤的光谱特征，而高光谱数据能够提供盐渍化土壤细微的光谱特征，实现高精度、大面积盐渍化土壤的监测[5-9]。张芳等[10]利用实测反射率和影像反射率值对土壤碱化进行了预测对比，结果表明，以实测反射率值为基础数据构建的模型对pH值的预测精度较高。姚远等[11]则以电磁感应仪(EM38)测得的数据和高光谱数据构建了区域土壤盐渍化遥感监测模型。目前，利用实测光谱数据、结合土壤化学成分、对土壤盐分含量进行反演并建立预测模型，已成为土壤盐渍化研究的热点问题。

本文以宁夏平罗县典型的土壤盐渍化发生区域作为研究区，利用便携式光谱仪采集盐渍化土壤样本的光谱反射率，结合实验室内测得的土壤含盐量和pH值数据，分析不同盐渍化程度土壤的光谱特征；对土壤光谱反射率进行多种数学变换，计算高光谱指数；通过与土壤样本含盐量的相关性分析，筛选盐渍化土壤特征波段；运用统计学方法对特征波段和土壤含盐量进行多元线性回归，建立土壤光谱信息和土壤盐渍化信息之间的估测模型，为大尺度定量监测土壤盐渍化提供科学依据。

1 研究区概况

研究区地处宁夏回族自治区平罗县西大滩，中心坐标为E 106°24′20″， N 38°50′28″。该区位于贺兰山东麓洪积扇和平原之间，地形为一碟形洼地，向北倾斜。多年平均降水量为176.5 mm，多年平均蒸发量为1 755.1 mm，蒸降比约为10∶1。土壤类型以龟裂碱土(俗称白僵土)为主，是荒漠地区土壤经过脱盐和水蚀等作用而形成的碱化土；土壤理化性较差，具有特殊的外部景观和剖面形态，一般不生长高等植物，多为低产田和撂荒地。自然植被主要是荒漠植被，种类少，生产力低。

2 研究方法

2.1 数据采集与处理

土壤表层光谱取样的时间为2013年9月，在天气晴朗、无风无云的日子，10:00—14:00之间进行测定。使用美国Unispec-SC便携式光谱仪采集表层土壤的光谱数据，光谱仪的工作波段为310～1 130 nm。随机选取不同盐渍化程度的龟裂碱土，共采集42个样本。在每一个采样点重复测量3次，取其平均值作为该点的光谱反射率值。测量时光谱仪探头设置在距地面0.15 m处，使仪器视场角减小，以减少地面背景及其他地物对土壤光谱的影响。光谱仪探头垂直向下，每次观测前进行标准白板校正。

在测定土壤光谱的同时采集距地面0～20 cm的土壤样品，带回实验室，经自然风干和剔除植被残渣、石块等杂质后，用电导仪测定土壤样品电导率和土壤pH值，建立可溶性全盐含量与电导率的线性关系，计算土壤含盐量[12]。参考王遵亲[13]等土壤盐渍化分级方法，将采样点的土壤分为非盐渍化土、轻度盐渍化土、中度盐渍化土和重度盐渍化土。

2.2 数据分析

2.2.1 光谱数据分析

采用Savitzky-Golay[14]滤波(基于最小二乘拟合的多项式低通平滑滤波)对土壤光谱曲线进行平滑去噪处理。为更好地分析光谱数据与土壤含盐量之间的相关关系，对土壤光谱反射率分别进行倒数、对数、对数倒数和均方根等数学变换，然后再进行一阶、二阶微分变换以消除基线漂移或平滑背景的干扰。一阶、二阶微分方程分别为

(1)

(2)

将反射率、反射率一阶微分变换、反射率二阶微分变换、倒数变换、倒数一阶微分变换、对数变换、对数一阶微分变换、对数倒数变换、对数倒数一阶微分变换、均方根变换和均方根一阶微分变换等11种数学变换的结果作为土壤的高光谱指数。

2.2.2 相关性分析

通过逐波段计算土壤的高光谱指数与土壤含盐量的相关系数，筛选出土壤含盐量的特征波段，即

(3)

3 结果与分析

3.1 盐渍化土壤光谱特征分析

3.1.1 原始光谱特征分析

由图1可以看出，非盐渍化土、轻度盐渍化土、中度盐渍化土和重度盐渍化土的光谱曲线在形态上趋于一致，没有明显的波峰和波谷。在可见光波段，不同盐渍化土壤的光谱曲线并不呈现规律性变化，土壤光谱反射率并不随着土壤含盐量增加而逐渐增大。

图1 不同盐渍化程度土壤光谱反射率曲线Fig.1 Spectrum curves of soil with different

研究区主要为龟裂碱土，实验室测得土壤pH平均值为8.9，碱度较高。土壤含盐量较低的盐渍化土土壤pH值可能较大，因而直接导致不同程度盐渍化土壤的光谱特征曲线呈现不规律的变化。

3.1.2 红边光谱特征分析

由图2可以看出，在红边范围(680～760 nm)内，红边一阶微分光谱由主峰和次峰组成，其中主峰集中在690 nm附近，次峰集中在720 nm附近。随着盐渍化程度的增加，红边位置(即一阶微分最大值对应的波长)逐渐右移；红边的幅值(一阶微分最大值)逐渐下降；红边峰值面积(680～760 nm之间的一阶微分光谱包围的面积)逐渐减少。

图2 不同盐渍化程度土壤光谱反射率一阶微分曲线Fig.2 First derivative curves of spectrum with

3.2 最佳波段选择与分析

计算土壤的11种高光谱指数与土壤含盐量的相关系数，在不同波段上变化差异较大(图3)。

(a) 反射率、一阶和二阶微分 (b) 倒数、对数及其一阶微分(c) 倒数对数、均方根及其一阶微分

图3 土壤含盐量和光谱指数的相关系数

Fig.3 Correlation coefficients between soil salinity and spectral indices

由图3可以看出，所有类型的光谱反射率和光谱指数进行微分变换后，其与土壤含盐量的相关性要明显高于原始反射率和光谱指数，既有明显正相关关系，又有负相关关系，在显著水平上均通过显著性检验。这表明单一波段不能反映土壤含盐量；经过微分变换后，放大了某些在原始光谱数据中细微的信息，因此微分变换后的波段与土壤含盐量高度相关，据此可以筛选能够提取土壤含盐量的特征光谱波段。确定相关系数峰值对应的波段即为不同变换形式土壤含盐量的特征波段(表1)。

表1 光谱反射率及其变换形式与土壤含盐量敏感波段Tab.1 Correlation coefficients of different spectral transformations and soil salinity sensitive bands

3.3 土壤含盐量光谱建模

根据相关分析的结果得到土壤光谱指标的特征波段，并基于此建立相应的土壤含盐量的光谱模型。从采集的42个土壤样本中随机选取30个样本构建土壤含盐量的光谱模型，以特征波段作为自变量，实测的土壤含盐量作为因变量，在保证相关系数r尽可能大的提前下，进行多元线性回归，建立土壤含盐量反演模型(表2)。

表2 不同自变量回归模型Tab.2 Prediction models based on different characteristic bands

①R为回归系数；②F为线性回归方程的显著性检验统计量；③RMSE为均方根误差；④在0.01水平上显著相关(n=30)。

结果表明，土壤含盐量与光谱指数的特征波段呈现良好的线性关系，除了以反射率波段建立的模型外，其他模型均通过了0.05显著性检验。根据回归系数R和线性回归方程显著性检验统计量F最大、均方根误差最小的原则，土壤含盐量倒数一阶微分模型的效果最好，因此采用该模型来反演土壤含盐量，进行研究区盐渍化土壤信息提取。

3.4 模型验证

模型的验证主要考虑稳定性和预测能力。由表2可以看出，倒数一阶微分模型的稳定性最好。以未参与建模的12个土壤样本单元为准真值，对反演模型的预测能力进行检验。从模型的预测值和真实值的散点分布图(图4)可以看出，建模样本基本上聚集在对角线附近，样本相关系数R2=0.806 8，除了个别异常点，预测值和实测值的一致性较好。因此，本文建立的土壤盐渍化遥感监测模型是有效的，并且通过了检验，在一定程度上可以用来预测土壤含盐量。

图4 模型预测值与实测值散点分布图Fig.4 Scatter diagram of measured values and predicted values with the model

4 结论与建议

4.1 结论

1)不同盐渍化程度的土壤光谱特征曲线在形态上基本趋于一致；在可见光波段，不同盐渍化程度土壤的反射率并不呈现规律性变化。

2)对实测的土壤光谱数据采用倒数等11种数学变换，并与土壤含盐量进行相关性分析，得出倒数一阶微分变换的反射率与土壤含盐量相关性最高，在940 nm和1 094 nm处相关系数最大。

3)以筛选出的特征波段为自变量与土壤含盐量进行线性回归，构建土壤盐分动态监测模型，结果表明预测值与实测土壤含盐量的相关系数较高。尤其是反射率倒数一阶微分模型，相关系数为0.81，土壤盐渍化遥感监测模型的预测效果较好。

4.2 建议

本文模型基于地面实测土壤光谱数据，很难在空间尺度上与传统的多光谱图像(尤其是广泛使用的TM图像)结合。建议下一步的研究重点要考虑以上因素，扩大模型的使用范围，实现大尺度、高精度的土壤盐渍化信息提取。

志谢：感谢宁夏气象局张学艺老师在光谱测定工作中的指导！

[1] 中国土壤学会.中国土壤学在前进[M].北京:中国农业科技出版社,1995. Soil Science Society of China.Chinese Soil Science in Advance[M].Beijing:China of Agricultural Science and Technology Press,1995.

[2] 李新国,李和平,任云霄,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. Li X G,Li H P,Ren Y X,et al.Analysis on the characteristics of the oasis soil salinization and soil spectrum in the lower reaches of Kaidu River Basin,Xinjiang[J].Chinese Journal of Soil Science,2012,43(1):166-170.

[3] Clark R N,Roush T L.Reflectance spectroscopy:Quantitative analysis techniques for remote sensing application[J].Journal of Geographical Research,1984,89(7):6329-6340.

[4] 孙毅,林培.盐渍土土壤光谱反射率与表土含盐量关系[J].陕西农业科学,1991(3):19-20. Sun Y,Lin P.The soil spectrum and the soil salinization[J].Shaanxi Journal of Agricultural Sciences,1991(3):19-20.

[5] Sandholt I,Rasmussen K,Andersen J.A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status[J].Remote Sensing of Environment,2001,79(2/3):213-224.

[6] 丁建丽,瞿娟,孙永猛,等.基于MSAVI-WI特征空间的新疆渭干河-库车河流域绿洲土壤盐渍化研究[J].地理研究,2013,32(2):223-232. Ding J L,Qu J,Sun Y M,et al.The retrieval model of soil salinization information in arid region based on MSAVI-WI feature space:A case study of the delta oasis in Weigan-Kuqa Watershed[J].Geographical Research,2013,32(2):223-232.

[7] 张成雯,唐家奎,于新菊,等.黄河三角洲土壤含盐量定量遥感反演[J].中国科学院研究生院学报,2013,30(2):220-227. Zhang C W,Tang J K,Yu X J,et al.Quantitative retrieval of soil salt content based on remote sensing in the Yellow River delta[J].Journal of Graduate University of Chinese Academy of Sciences,2013,30(2):220-227.

[8] 丁建丽,伍漫春,刘海霞,等.基于综合高光谱指数的区域土壤盐渍化监测研究[J].光谱学与光谱分析,2012,32(7):1918-1922. Ding J L,Wu M C,Liu H X,et al.Study on the soil salinization monitoring based on synthetical hyperspectral index[J].Spectroscopy and Spectral Analysis,2012,32(7):1918-1922.

[9] 李晓松,李增元,高志海,等.基于NDVI与偏最小二乘回归的荒漠化地区植被覆盖度高光谱遥感估测[J].中国沙漠,2011,31(1):162-167. Li X S,Li Z Y,Gao Z H,et al.Estimation of vegetation cover in desertified regions from hyperion imageries using NDVI and partial least squares regression[J].Journal of Desert Research,2011,31(1):162-167.

[10]张芳,熊黑钢,栾福明,等.土壤碱化的实测光谱响应特征[J].红外与毫米波学报,2011,30(1):55-60. Zhang F,Xiong H G,Luan F M,et al.Characteristics of field-measured spectral response to alkalinization soil[J].Journal of Infrared and Millimeter Waves,2011,30(1):55-60.

[11]姚远,丁建丽,张芳,等.基于高光谱指数和电磁感应技术的区域土壤盐渍化监测模型[J].光谱学与光谱分析,2013,33(6):1658-1664. Yao Y,Ding J L,Zhang F,et al.Research on model of soil salinization monitoring based on hyperspectral index and EM38[J].Spectroscopy and Spectral Analysis,2013,33(6):1658-1664.

[12]王艳,王正祥,廉晓娟,等.天津滨海地区土壤电导率的测定及其与含盐量的关系[J].天津农业科学,2011,17(2):18-21. Wang Y,Wang Z X,Lian X J,et al.Measurement of soil electric conductivity and relationship between soluble salt content and electrical conductivity in Tianjin coastal area[J].Tianjin Agricultural Sciences,2011,17(2):18-21.

[13]王遵亲,祝寿泉,俞仁培,等.中国盐渍土[M].北京:科学出版社,1993. Wang Z Q,Zhu S Q,Yu R P,et al.Saline Soil in China[M].Beijing:Science Press,1993.

[14]Savitzky A,Golay M J E.Smoothing and differentiation of data by simplified least squares procedures[J].Analytical Chemistry,1964,36(8):1627-1639.

[15]Csillag F,Pásztor L,Biehl L L.Spectral band selection for the characterization of salinity status of soils[J].Remote Sensing of Environment,1993,43(3):231-242.

[16]吴昀昭,田庆久,季峻峰,等.土壤光学遥感的理论、方法及应用[J].遥感信息,2003(1):40-47. Wu Y Z,Tian Q J,Ji J F,et al.Soil remote sensing research theory method and application[J].Remote Sensing Information,2003(1):40-47.

[17]吴亚坤,杨劲松,李晓明.基于光谱指数与EM38的土壤盐分空间变异性研究[J].光谱学与光谱分析,2009,29(4):1023-1027. Wu Y K,Yang J S,Li X M.Study on spatial variability of soil salinity based on spectral indices and EM38 readings[J].Spectroscopy and Spectral Analysis,2009,29(4):1023-1027.

[18]李美婷,武红旗,蒋平安,等.利用土壤的近红外光谱特征测定土壤含水量[J].光谱学与光谱分析,2012,32(8):2117-2121. Li M T,Wu H Q,Jiang P A,et al.Measuring soil water content by using near infrared spectral characteristics of soil[J].Spectroscopy and Spectral Analysis,2012,32(8):2117-2121.

[19]赵振亮.基于高光谱数据的盐渍化土壤光谱特征研究及信息提取[D].乌鲁木齐:新疆大学,2013. Zhao Z L.The Study on Spectrum Characteristics and Information Extraction of Salinization Soil based on Hyper Spectral Data[D].Urumqi:Xinjiang University,2013.

[20]朱高飞,盛建东,范燕敏,等.典型盐渍化土壤光谱特征及土壤含盐量反演建模[J].农业网络信息,2013(6):20-25. Zhu G F,Sheng J D,Fan Y M,et al.Spectral characteristics of typical saline soil and inversion modeling of soil salt content in northern Xinjiang[J].Agriculture Network Information,2013(6):20-25.

[21]雷磊,塔西甫拉提·特依拜,丁建丽,等.基于HJ-1A高光谱影响的盐渍化土壤信息提取——以渭干河-库车河绿洲为例[J].中国沙漠,2013,33(4):1104-1109. Lei L,Tiyip T,Ding J L,et al.Soil salinization information extraction by using hyperspectral date of HJ-1A HIS:A case study in the Oasis of Ugan and Kuqa,Xinjiang,China[J].Journal of Desert Research,2013,33(4):1104-1109.

(责任编辑：李瑜)

Research on remote sensing monitoring model of soil salinization based on spectrum characteristic analysis

GUAN Hong1， JIA Keli1,2， ZHANG Zhinan1， MA Xin1

(1.CollegeofResourceandEnvironment，NingxiaUniversity，Yinchuan750021，China；2.NingxiaKeyLaboratoryofIntelligentSensingforDesertInformation，Yinchuan750021，China)

To establish the remote sensing monitoring model for soil salinization,the authors chose the typical soil salinization area in Pingluo County of Ningxia as the study area,and measured the spectral data in the field. These data,together with the values of pH and salinity measured in the laboratory,were taken as the basic data. Hyperspectral data processing method was used to analyze the spectral characteristics of different levels of soil salinization. Spectral data were transformed with 11 different approaches,such as reciprocal,logarithm,root mean square and their first order differentials. After the transformation,the correlation analysis was carried out between the obtained soil spectra and soil salinity. The most sensitive band was selected,and the field spectral sensitive band and soil salinity were used and the multiple linear regression was employed to establish the spectral quantitative models for evaluating the soil salinization degrees. The results show that the reciprocal first order differential of measured soil spectral is most sensitive to soil salinization degrees. The spectral quantitative models based on the wavelengths of 940 nm and 1 094 nm are the best.

spectrum characteristic bands；soil salinization；quantitative model

2013-12-25；

2014-03-11

宁夏自然科学基金项目“基于VI-SI的土壤盐渍化遥感模型与监测研究”(编号：NZ13014)资助。

10.6046/gtzyyg.2015.02.16

关红,贾科利,张至楠,等.盐渍化土壤光谱特征分析与建模[J].国土资源遥感,2015,27(2)：100-104.(Guan H,Jia K L,Zhang Z N,et al.Research on remote sensing monitoring model of soil salinization based on spectrum characteristic analysis[J].Remote Sensing for Land and Resources,2015,27(2):100-104.)

TP 751.1; P 237

A

1001-070X(2015)02-0100-05

关红(1990-)，女，硕士研究生，主要研究领域为土壤遥感。Email：guanhong0426@163.com。

贾科利(1975-)，男，博士，副教授，主要从事遥感与GIS应用研究。Email：jiakeli@163.com。