盐渍条件下土壤含水率高光谱反演研究

裴承忠，彭 翔，曾文治，伍靖伟，黄介生

(1.内蒙古河套灌区义长灌域管理局，内蒙古 五原 015100；2．武汉大学 水资源与水电工程科学国家重点实验室，武汉 430072)

0 引 言

在干旱半干旱地区, 采取何种措施合理地开发利用盐碱地, 以及防治土地次生盐碱化成为一个新的研究课题。含水率和含盐量作为土壤的两种重要的属性，是评价土地资源的重要指标，也是保证植被健康生长的重要因素[1]。土壤含水率监测的传统方法一般依赖于密集的野外采样。但是这种方法的缺点显而易见，成本偏高、周期较长、代表性较差，而且采样时间和采样范围对其限制很多。这种传统的方法对于土壤含水率变化的实时监测有诸多限制[2]。因此，区域农田含水率的监测需要一种高效、精准的方法。遥感技术的发展使得获取大面积、实时的多波段土壤属性信息成为可能，能够很好地实现对研究区土壤状况的时空动态监测[3]。然而多光谱监测技术的发展已经难以准确提取土壤信息[4]，高光谱遥感能够更加精细地反映地物光谱的细微特征，使得定量反演成为可能。

近年来，在利用光谱技术反演土壤盐分和水分方面，国内外学者取得了较多成果。Lobell等[5]的研究表明，土壤整体反射率会随着含水率的增加而下降，当含水率增加到临界点后，由于水体的镜面作用，反射率会有所上升。偏最小二乘回归模型被Robertson[6]用于土壤含水率的估测。利用多元线性逐步回归分析方法，Hummel[7]等成功模拟预测了土壤含水率；刘娅[8]等建立PLSR和SMLR 模型对滨海盐渍土盐分进行模拟，预测土壤含盐量和光谱特征值之间的关系，得出的结果表明偏最小二乘回归模型预测结果较好。

高光谱技术用于提取土壤含水率信息的可行性在已有的很多研究中得到了证明，但是这些方法大都局限于非盐渍化土壤，尚未考虑土壤盐分对水分及其光谱的影响，不能完全应用于干旱地区的盐渍化土壤。因此，本文以内蒙古河套灌区农田盐渍化土壤为研究对象，湿润条件下获取室内表层盐渍土光谱数据。建立基于非盐渍土的最小二乘回归预测模型，预测盐渍条件下土壤的含水率，为区域土壤含水率遥感定量反演提供理论依据。

1 材料和方法

1.1 土壤样本

本实验在2014年7月在内蒙古河套灌区义长灌域(106°20′～109°19′E，40°19′～41°18′N)展开，采集土样。由于该地区年均降水量远小于蒸发量，土壤盐渍化问题比较突出。采集表层(0～5 cm)土样并封装。获取的土样被分成2部分，一部分用来测定土壤化学成分、土壤质地等指标，另一部分用来测量光谱数据。

1.2 室内控制试验

分析研究区域土样发现，土壤质地为粉黏土(砂粒15.4%、粉粒45.9%、黏粒38.7%)。对采集的土样进行脱盐、风干、过筛(2 mm)处理，根据化学分析测定的8大离子数据配置模拟土壤盐分组分(MgCl2：17.4%，CaCl2：14.8%，Na2CO3：1.7%，NaHCO3：20.1%和Na2SO4：46.0%)，分别配置含盐量(g/100 g)为0.1(土壤初始含盐量)、0.2、0.3、0.4、0.5、0.6、0.7、0.8、1.0、2.0和5.0%，质量含水率为38%的11个不同含盐量同一含水率的试验土样。分别将配好的土样装入11个直径12 cm的有机玻璃器皿中，填土深度为3 cm，土壤容重为1.3 g/cm3，表面用直尺刮平。土样在室温条件下模拟蒸发3 d，以将土壤含水率调整到36%。

在室内测量选取土样的光谱。采用美国分析光谱仪器公司(Analytical Spectral Devices，ASD) 生产的ASD Field Spec 型便携式高光谱仪进行光谱测量，该光谱仪可在350～2 500 nm 波长范围内对物体光谱进行连续测量，采样间隔为1.4 nm，光谱分辨率为3 nm。光谱测量实验控制在一个有特定光照条件的暗室内进行。

表1 土壤水盐含量统计 %

1.3 光谱数据处理

利用View Spec Pro软件已采集的光谱曲线进行拼接，以5条光谱曲线的平均值作为对应样本的原始光谱反射率。利用origin软件对测得的所有土样光谱数据进行5点2次的Savitzky-Golay卷积平滑处理，去除噪声。

1.4 预测模型的建立与检验

偏最小二乘回归法(PLSR：partial least squares regression)是一种多元统计数据分析方法，当变量内部具有高度线性相关时，利用此回归方法更有效。本文用于评估回归模型预测精度的参数有相关系数(R)、决定系数(R2)和标准误差RMSE。

2 结果与分析

2.1 土壤光谱反射特征分析

土壤水分作为土壤的重要组成部分，土壤的整体反射率会随着土壤的含水量增加而下降。在1 400，1 900和2 200 nm等水分对光谱的吸收带处，土壤反射率的下降更加明显。然而，当含水率小于4%时，光谱反射率不再随着含水率的降低而上升，而是相反，此时水分的影响已经不起主导作用。当土壤表面风干到一定程度时，土壤表面会变得粗糙，此时粗糙度的增加会使土壤表面反射率在一定程度下降。

从图1中我们可以看到，在低盐分含量时(含盐量<1%)，土壤整体反射率随着含盐量的增加而降低，当盐分含量增高到2%中度含盐量时，反射率有明显的下降，然而，当盐含量达到5%重度含盐量时，反射率有显著上升，几乎与1%含盐量水平反射率持平。

2.2 土壤盐分含量变化对水分预测模型的影响

图2给出了建模及交叉验证过程。从图2中可以看到，利用非盐渍土的含水率光谱建立的偏最小二乘回归模型R2值为0.985，RMSE为0.013，模型的精度满足要求。图3显示在主成分数大于2时，模型误差趋于稳定。本文利用500～2 400 nm的1 901个波段建立了偏最小二乘回归模型，由于前2个成分在建模过程中主成分对土壤水分含量的累计解释能力为72%；在交叉验证过程中累计解释能力达到99%，RMSE在建模过程中为0.37%；在交叉验证中为0.06%。因此本文选取了前2个成分作为最佳成分数用于建模。

图2 偏最小二乘模型的建立及交叉验证Fig.2 Establishment and cross validation of partial least squares model

图3 偏最小二乘模型主成分数Fig.3 Principal component of partial least squares model

回归模型系数见图4。从某种程度上说，回归方程中系数绝对值越大，对应的波段在方程中的贡献越大，因此1 400～1 600、1 800～1 900和2 100 nm附近波段对含水率的反演比较重要，这与使用特征波段法提取的波段范围一致。

图4 偏最小二乘模型回归模型系数Fig.4 Coefficient of partial least squares regression model

为了研究土壤盐分含量对含水率的预测模型的影响，本文选取10 种不同盐分含量的土壤，利用湿润条件下非盐渍土的光谱建立偏最小二乘回归模型，预测相应盐渍土的含水率并进行验证(表2)。当水分预测模型中土壤盐分含量小于等于0.4%时，R2大于0.8，RMSE小于4%，预测精度较好，说明模型能够较好的预测土壤含水率。当土壤盐分含量大于等于0.5%时，预测值R2不足0.7，预测精度较差，由此可以说明土壤盐分含量对基于偏最小二乘的水分模型预测精度有较大影响。土壤中盐分含量的增加，随着水分的蒸发，会导致盐分富集于土壤表面，而盐分矿物的光谱吸收反射特征会对土壤中水分的光谱反射产生一定的干扰，以至于掩盖或者增强某些波段的反射特征，导致所建立的土壤水分预测模型精度下降。土壤有机质、矿物质和含水率等信息能够利用高光谱技术反演得到，但不同的土壤成分互相之间会造成交叉影响，导致模型预测结果出现偏差。本研究结果表明土壤含盐量对利用高光谱反演土壤含水率时是一个重要的影响因素，盐分含量过高(大于等于0.5%)利用高光谱测定土壤含水率精度会受到较大影响。

表2 不同盐分含量条件下水分PLSR 预测模型Tab.2 PLSR prediction model under different salt content

3 结 论

本文通过对湿润条件下盐渍土壤在蒸发过程中的光谱数据进行研究，建立了土壤水分偏最小二乘回归模型。

(1)土壤水分和盐分都会显著影响土壤光谱。随着水分含量的增加，土壤光谱反射率降低，土壤水分光谱吸收谷逐渐加深；土壤盐分在部分波段会干扰土壤光谱信息，导致用遥感反演盐渍土土壤水分遇到困难。

(2) 由非盐渍土建立的土壤水分预测模型预测盐渍土含水率，当土壤盐分含量小于等于0.4%时，R2大于0.8，RMSE小于4%，预测精度较好；当土壤盐分含量大于等于0.5% 时，预测值R2不足0.7，预测精度较差。结果表明土壤中盐分含量积累超过一定量时，会对土壤水分预测精度造成显著干扰。

由于本研究中所采集的土壤样本集中于河套灌区一定范围区域，而且盐分分布的值域较大，与室内分析的土壤样本在质地、有机质含量和土壤预处理造成的粗糙度方面都有显著差异，这些影响因素都会不同程度的对利用光谱技术反演土壤水盐状况造成干扰。此外，本研究确定的土壤水盐光谱预测范围仅仅局限于本研究区域，不同区域的土壤的水盐光谱特性需要进一步的研究。

□

[1] 王全九, 王文焰. 盐碱地膜下滴灌技术参数的确定[J]. 农业工程学报, 2001,17(2):47-50.

[2] Nanni M R, Dematte J A M. Spectral reflectance methodology in comparison to traditional soil analysis[J]. Soil Science Society of America Journal, 2006,70(2):393-407.

[3] 关元秀, 刘高焕, 刘庆生, 等. 黄河三角洲盐碱地遥感调查研究[J]. 遥感学报, 2001,5(1):46-52.

[4] 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):1 918-22.

[5] Lobell D B, Asner G P. Moisture effects on soil reflectance[J]. Soil Science Society of America Journal, 2002,66(3):722-7.

[6] Robertson K. Nitrous-oxide emission in relation to soil factors at low to intermediate moisture levels[J]. Journal of Environmental Quality, 1994,23(4):805-9.

[7] Hummel J W, Sudduth K A, Hollinger SE. Soil moisture and organic matter prediction of surface and subsurface soils using an NIR soil sensor[J]. Computers & Electronics in Agriculture, 2001,32(2):149-65.

[8] 刘 娅, 潘贤章, 王昌昆, 等. 基于可见-近红外光谱的滨海盐土土壤盐分预测方法[J]. 土壤学报, 2012,49(4):824-9.