基于植被光谱信息的龟裂碱土碱化程度预测研究

刘欢　贾科利　张俊华

摘要：以寧夏平罗县龟裂碱土为研究对象，以实测植被光谱和土壤pH值为基础数据源，通过对原始光谱数据进行小波阈值去噪，和对数、一阶微分、多元散射校正、归一化等8种变换，筛选土壤碱化程度最佳光谱变换方式和敏感波段，用一阶傅里叶和三次多项式进行回归分析、比较，来构建更加精确的龟裂碱土信息预测模型。研究表明：植被光谱反射率一阶微分变换在波段861 nm处为最佳敏感波段，相关系数为0.86；多项式拟合比傅里叶拟合效果好；以最佳光谱指标和土壤pH值为变量，构建的pH含量三次多项式预测模型精度最高，在0.01显著性水平上通过检验，该模型可为干旱区半干旱地区土壤碱化程度遥感定量反演提供依据。

关键词：盐渍化；龟裂碱土；光谱信息

中图分类号：S153

文献标识码：A文章编号：16749944（2017）20000105

1引言

土壤盐碱化是土壤资源恶化的主要内容之一，通常出现在降雨少的干旱地区，这种地区水分蒸发量大、地势较低、地下潜水位偏高且可溶性盐分含量多。盐碱化是阻碍农业经济和世界生态环境可持续发展的重大难题，也是我国面临的主要生态问题[1]。我国的盐碱化土壤主要分布于西北干旱半干旱地带[2]，盐分多，作物难以生长，产生了很多荒地，受盐碱损害比较严重[3]。土壤盐碱化是造成我国许多耕地荒废最主要原因之一，导致农业产量下降和绿地面积减少，土壤生态更加恶化，盐碱化程度正在加深，其中每年重度碱化土壤以1.4%的比率增加 [4]，使得土壤资源更加紧张，严重阻碍了当地的生态经济和社会经济的发展[5]，而干旱区盐渍土预测研究也一直是土壤学科的热门问题之一[6]。

为了掌握盐碱化的变化规律及其对土壤的影响，确保干旱地区农业的可持续发展，动态监测对于维护干旱地区生态安全和稳定十分必要，目前在土壤盐碱化监测领域依靠光谱手段来估测是很好的选择。在盐碱化高光谱定量监测方面，已经有很多学者进行不断的探索。陶兰花等[7]以一阶微分变换的土壤光谱指数构建盐分含量估测模型。张添佑等[8-11]以土壤实测数据结合光谱遥感影像建立高光谱影像的土壤碱化指标定量反演模型。李荣荣等[11]通过研究干旱区平原水库下游盐渍化土壤光谱时空分布特征发现盐分指数具有强烈空间相关性。卢霞等[12] 认为在不同的盐分含量下，大米草冠层的不同光谱指数的变化程度也不相同。贾科利等[13，14]发现通过水稻植株的冠层反射率光谱指数能够较好地提取土壤碱化信息。且经过不懈的研究，贾科利[15]等通过回归分析发现可以用绿色植物光谱特征指示土壤碱化程度，为土壤碱化程度遥感监测提供新的科学依据和措施。

受周围环境等因素的影响，许多学者将土壤光谱作为指标直接研究土壤理化性状，也已有不少学者研究了盐碱化对植被光谱的影响，目前定量研究不同盐碱化对植被光谱特征影响研究比较少。但是，①土壤盐碱成分过多会抑制植被生长，治理和监测盐碱化很重要的原因就是其影响植被生长，所以盐碱化和植被的生长有密切的关系；②遥感解译时在植被覆盖区依靠土壤光谱提取盐渍化信息会影响监测精度且比较繁琐费时；③在各位地理学家不断探索下，已经取得的从定性到定量研究的进展。因此可以且有必要从土壤表层植被的光谱信息判断土壤盐碱化指标的大小，植被光谱特征也可以视为提取盐碱化信息合适的依据。目前土壤在龟裂碱土高光谱去噪领域，通常采用Savitzky-Golay平滑、加权平均法，小波变换以其独特的时频灵活性，在各个领域正在广泛适用，但在龟裂碱土预测领域很少提及。因此，笔者以宁夏干旱区平罗县作为试验区，通过小波阈值去噪和多种数据变换进行光谱预处理来提高预测模型精度，以相关性分析筛选土壤pH值最佳变换形式和敏感波段，确定早期混合植被野外光谱与土壤pH值的关系，以多项式和傅里叶回归建立pH含量的预测模型，可以为大面积的盐碱化监测提供科学依据。

2研究区概况

平罗县位于东经105° 57′42″ ～ 106° 58′02″，北纬38°36′18″～ 39° 51′13″之间，面积2086.13 km2，由黄河冲积平原和贺兰山东麓洪积扇组成，属于大陆性气候，平罗年平均气温2.8 ℃～16.0 ℃，平均降水量173.2 mm，平均日照时数为3008.6 h，多年平均蒸发量为1755 mm。

龟裂碱土是研究区内常见碱化土壤类型，有大量盐分结晶土壤表面，基本为裸地；重度盐碱化土壤表面是大量白色或灰白色的盐结壳，土壤表层疏松 ，依稀生长着几棵芨芨草、绿碱篷、赖草、红柳等，植被密度不足35%；中度碱化土区域冰草、野枸杞、向日葵、绿碱篷数量相对较多，植被密度较大；轻度碱化土种植苜蓿、枸杞、小麦等作物，植被盖度大于70%。

3数据来源与处理

3.1样品采集与处理

本次测定于2016 年 4月27日，天气晴朗、无风，符合测量条件，用美国 Unispec-SC 便携式光谱仪测量光谱数据，探测波段为 310～1130 nm，采样间隔1 nm。测定时，采样点随机选取（包含不同碱化程度的龟裂碱土），每个点重复测量 5次，设置在距地面和植被上方 0.80 m 左右，仪器视场角为 8°，减少地面背景及其他地物对土壤光谱的影响。观测前经过专用平面白板校正，不能阻挡光线，用SPAD-502 测定样品植株的叶绿素值。土壤样本在实验室经过自然风干，除去植被残渣、石块等杂质，研磨过筛，用电导仪测定土壤样品电导率和pH值[16]。本次共有41个采样点，其中的 30 个样本作为建模数据，剩余 11个进行模型检验。

3.2光谱数据处理

3.2.1小波降噪

噪声滤除是光谱数据处理中的重要环节，由于在野外实测中，会受到各种因素的影响，使得光谱曲线不够光滑存在许多毛刺[17]。植被光谱数据预处理：首先除去干扰性最大的边缘波段小于400 nm 与大于 1000 nm 的波长。endprint

利用小波阈值去噪，是小波分析在实际应用中的重要方面，1995年，Donoho创造性的提出了对小波系数进行阈值处理的理论[18]，小波变换在时频两域都有聚焦信号局部细节的能力，且具有多分辨率的特点，在提取信号特征信息方面十分有利，被称为信号分析领域的显微镜[19，20]。经过试验，笔者选取bior1.5小波基，Rigrsure阈值软阈值，第二种阈值调整方式，5层分解尺度小波阈值为最佳去噪方案进行光谱去噪。

3.2.2土壤盐渍化程度划分

由于土壤pH值是体现土壤酸碱性的表示方法，并且pH值与碱化度、总碱度是评价土壤盐碱化程度3个重要指标[21]。根据朱忠鹏等[22]的碱化土壤分级标准，结合研究区采集土壤样本的实际情况，按pH值的高低将土壤样本分为 3类（表1）。

4结果与分析

4.1不同碱化程度植被光谱特征

对野外采集的碱化土壤上覆植被光谱曲线按土壤的碱化程度进行分类，并取不同碱化土壤上被反射光谱曲线形状可以看出，尽管不同pH植被光谱曲线存在着一定程度的差异，但所有曲线的总体变化趋势相似，表现为：在蓝光波段范围有一个比较小的波谷，绿光波段处（550 nm）附近有一小的反射峰值。650～700 nm之间是叶绿素吸收比较强，因此在红光处（680 nm左右）有一吸收谷。760～1000 nm有很高红外反射峰，反射率趋于平稳，这两峰与红光波谷是植被光谱的典型特征。

图1中可见，在可见光波段，重度碱化土在可见光波段反射率最大，轻度次之，中度最小；在近红外波段，轻度碱化土反射率最大，重度次之，中度最小；这与张俊华等[24]研究结果有所差别，张等认为在近红外波段，植被的反射率大小随碱化程度的增加而减小。这可能是由于本研究采用的是不同类型的植被光谱作为研究对象，盐碱化对不同植物影响程度不同，环境更为复杂，且采样时取土壤表层和1～20 cm深度的土壤，以平均值为此点pH值，数据源有所不同。在图中可见光范围内400～550 nm波段之间波峰和波谷之间的波动幅度依次为0.0477，0.0201，0.0197，因此波动幅度随碱化程度的增加而降低，曲線变缓；红光波段波谷到波峰的增幅分别为0.2512，0.1018，0.0963，即碱化程度越低坡越陡；近红外750～900nm 波段，光谱几乎成平行直线，增幅依次为0.0021，0.0043，0.0099，两者为正相关关系，增幅随碱化程度的增加而增加，不同碱化植被光谱曲线斜率有明显差异。

4.2植被光谱指标和土壤pH值的相关分析

为了更好地分析植被光谱数据和土壤pH含量之间的关系，提高预测精度，筛选对土壤pH值反应更加敏感的光谱特征波段，此实验对植被光谱反射率分别进行一系列变换，将变换后的反射率也作为光谱指标参与实验。通过计算光谱指标与土壤pH值的相关系数进行相关性分析， 筛选出土壤pH值的特征波段，由图2可以看出，光谱反射率经过微分等形式变换相关系数较高的波谱范围出现在500～1000 nm，其中反射率一阶微分、对数一阶微分与碱化程度的相关系数均大于原始反射率，增强了植被特征信息；其他转化方式，相关性较差，效果不太理想；植被光谱反射率的一阶微分变换在波长861 nm 处为pH值最佳敏感波段，相关系数达到0.86，p<0.01，高度显著相关。

4.3预测模型的建立与验证

本研究利用matlab2013软件进行仿真实验，通过相关性分析得到的最佳植被光谱指标，以在861nm波段的反射率一阶微分变换作为自变量，以土壤酸碱度pH值作为因变量，选取30个样本，进行傅里叶和2次多项式回归，得到如下回归方程（1、2）：

y1=-3.0537×x2+5.4329×x+7.9366 （1）

y2=8.869-0.8926×cos（x×6965）+0.208×sin（x×6965） （2）

建模样本基本上聚集在拟合线附近，剔除异常值，样本拟合系数分别为R2= 0.7561，0.7374，拟合效果如图3、4。

计算测试样本的预测值，求模拟值和拟合值的相关系数，验证结果如（图5、6）。算得一阶傅里叶和三次多项相关系数和假设检验的P值分别为r= 0.6947，0.7496；p=0.017，0.0079。多项式拟合预测值和实测值的一致性较好，通过0.01显著性水平检验，傅里叶回归方程通过0.05显著性验。因此本文建立的土壤碱化程度遥感监测模型是有效的，在一定程度上可以用来预测土壤pH含量，且多项式比一阶傅里叶模型的预测效果较好。

5结论与讨论

本文利用地理学、遥感理论和统计分析方法，研究了宁夏平罗县西大滩的pH值重要土壤参数的光谱反应，得出以下结论。

（1）不同碱化程度植被光谱特征曲线形态上趋于一致， 在可见光波段：重度碱化土壤冠层植被反射率最大，轻度次之，中度最小，波谷波峰的增幅随碱化程度的增加而降低；在近红外波段，轻度碱化土反射率最大，重度次之，中度最小，增幅随碱化程度的增加而增加。

（2） 861 nm处为土壤理化性pH值特征波段，一阶导数为土壤pH值最佳光谱指标。

（3）三次多项式比一阶傅里叶方程回归效果更好，此模型可以为该区域提取土壤碱化信息提供更加准确、快速科学依据。

本文尝试用小波阈值去噪，提高模型的预测的准确性，用不同类型植被光谱间接预测土壤pH值，将傅里叶和三次多项式拟合效果进行对比分析，以建立更加准确的预测模型。植被光谱中包含的信息相对复杂，对野外土壤样本直接估测存在较大的干扰因素，但是大部分的土壤表层本来就布满了各种植被，通过混合植被监测土壤也是不可缺少的。在下一阶段，将综合考虑植被和土壤等因子，分析土壤及其典型上覆植被野外实测光谱特征与遥感影像光谱间的异同点，将野外实测光谱反射率与遥感影像光谱进行拟合，最后建立基于遥感影像的土壤盐碱化信息提取模型，实现对干旱地区龟裂碱土碱化程度的及时准确监测。endprint

参考文献：

[1]

牛增懿， 丁建丽， 李艳华， 等. 基于高分一号影像的土壤盐渍化信息提取方法[J]. 干旱区地理， 2016， 39（1）：171～181.

[2]马驰. 松辽平原土地盐碱化动态监测与遥感分析[J]. 江苏农业科学， 2016， 44（7）：495～498.

[3]王爽， 丁建丽， 王璐， 等. 基于地表光谱建模的区域土壤盐渍化遥感监测研究[J]. 干旱区地理， 2016， 39（1）：190～198.

[4]殷厚民， 胡建， 王青青， 等. 松嫩平原西部盐碱土旱作改良研究进展与展望[J]. 土壤通报， 2017， 48（1）：236～242.

[5]张海威， 张飞， 李哲， 等. 艾比湖流域盐渍土含水量光谱特征分析与建模[J]. 中国水土保持科学， 2017， 15（1）：8～14.

[6]段鹏程， 熊黑钢， 李荣荣， 等. 不同干扰程度的盐渍土与其光谱反射特征定量分析[J]. 光谱学与光谱分析， 2017， 37（2）：571～576.

[7]陶兰花， 塔西甫拉提·特依拜， 姜红涛， 等. 克里雅河流域土壤盐分光谱定量分析[J]. 中国沙漠， 2014， 34（6）：1562～1567.

[8]雷磊， 塔西甫拉提·特依拜，丁建丽， 等. 基于HJ-1A高光谱影像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.

[9]马驰. 基于HJ1A-HSI反演松嫩平原土壤盐分含量[J]. 干旱区研究， 2014， 31（2）：226～230.

[10]张添佑， 王玲， 曾攀丽， 等. 基于MSAVI-SI特征空间的玛纳斯河流域灌区土壤盐渍化研究[J]. 干旱区研究，2016，33（3）：499～505.

[11]李荣荣， 熊黑钢， 段鹏程， 等. 干旱区平原水库下游盐渍化土壤光谱时空分布特征分析[J]. 土壤通報， 2016， 47（3）：532～536.

[12]卢霞， 张薇， 姚雪， 等. 盐胁迫对大米草反射光谱和叶绿素浓度的影响 [J].海洋湖沼通报， 2014， （4）：168～173.

[13]贾科利， 张俊华. 基于水稻冠层植被指数的龟裂碱土盐碱化信息预测研究[J]. 土壤通报， 2012， 43（2）：281～285.

[14]陈晓军， 刘庆生， 刘高焕. 辽河三角洲土壤性状与水稻群体野外光谱关系初步研究[J]. 农业工程学报， 2005， 21（6）：184～188.

[15]科利，张俊华. 不同碱化程度土壤对其上覆植被冠层光谱特征的影响[J]. 光谱学与光谱分析，2014，34（3）：782～786.

[16]张体彬， 康跃虎， 胡伟，等. 宁夏银北地区龟裂碱土盐分特征研究[J].土壤， 2012， 44（6）：1001～1008.

[17]吐尔逊·艾山. 基于BP神经网络的干旱区盐碱土盐分遥感反演模型研究[D]. 乌鲁木齐：新疆大学， 2008.

[18]Donoho D L， Johnstone I M. Adapting tounknown smoothness via wavelet shrinkage [J]. Journal of the America tatistical Association， 1995， 90（432）：1200～1224.

[19]Chen G， Zhu W P. Signal denoising using neighbouring dual-tree complex wavelet coefficients[J]. IET Signal Processing， 2012， 6（2）：143～147.

[20]Pan Y H， Fan R. A wavelet neural networks licenserecognition algorithm and its application[J]. Journal ofComputers， 2012， 7（7） ：1583～1590.

[21]宁夏农业勘察设计院. 宁夏土壤[M]. 银川：宁夏人民出版社， 1990：167～172.

[22]朱忠鹏， 熊黑钢， 张芳.基于Quickbird影像的碱化土壤pH值定量监测研究[J]. 干旱区研究， 2016， 33（3）：483～498.

[23]陈红艳， 赵庚星， 李希灿，等.小波分析用于土壤速效钾含量高光谱估测研究[J].中国农业科学.2012，45（7）：1425～1431.

[24]张俊华， 张佳宝， 贾科利.氮素和盐碱胁迫下作物与土壤光谱特征研究[M]. 银川：宁夏人民出版社， 2016：1～235.

Prediction of Alkalization Degree of cracked Alkaline Soil Based on Vegetation Spectral Information

Liu Huan1， Jia Keli1， Zhang Junhua2

（1.College of Resource and Environment， Ningxia University，Yinchuan， Ningxia， 750021，China；

2.Institute of Environmental Engineering， Ningxia University， Yinchuan， Ningxia， 750021，China）endprint

Abstract： In the study， the paper takestypical soil salinization area in Pingluo County of Ningxia Hui Autonomous Region as the research object.Based on the measured spectral reflectance of vegetation and the value of pH in the laboratory as the basic data source，the original spectral data through threshold denoising and classification were used to analyze the spectral characteristics of different levels of soil salinization. The reflectance data were transformed to 8 kinds of spectral indices， such as logarithm， first-order derivative， multiplicative scatter correction and normalization， etc.Then，the correlation analysis was carried out between the obtained vegetation spectral and the value of pH to extract sensitive wavelengths of pH parameters. Fourier and polynomial regression analysis were employed to establish takir information prediction model.The correlation coefficient is used to verify the prediction effect of the two models. The results showed The wavelength of 861nm at the first order differential transformation of the spectral reflectance of vegetation is the best sensitive band； the correlation coefficient is 0.86. Polynomial fitting is better than Fourier fitting effect to the best spectral indices and soil pH as a variable. the content of the pH value of the building three times polynomial prediction model is the highest precision.The model can provide the basis for the quantitative remote sensing inversion of soil alkalization degree of semi-arid area.

Key words： salinization； alkaline soil； spectral informationendprint