新疆阜康荒地土壤有机质高光谱特征及其反演模型研究

乔娟峰，熊黑钢，王小平，郑曼迪，刘靖朝，李荣荣

(1．新疆大学资源与环境科学学院，绿洲生态教育部重点实验室，新疆 乌鲁木齐 830046;2．北京联合大学应用文理学院，北京 100083)

土壤有机质的含量是影响土壤肥力的一个重要指标。常规土壤有机质含量的测定一般采用化学分析法，成本较高且耗费时间较长[1]。而高光谱遥感具有波段多，分辨率高等特点，可以快速，无损测定地物反射率。因此，利用实测光谱反射率对土壤有机质含量进行定量反演，能为地表土壤有机质含量的快速测定提供技术支持。基于荒地地表土壤自身的实测光谱特征，通过土壤有机质高光谱分析，了解土壤的现状，为该荒地有机质含量大面积精准反演提供依据。

国内外学者对土壤光谱和土壤有机质含量之间的关系做了深入研究后发现，土壤有机质在可见光-近红外区域表现出独特的光谱特性[2]。Al-Abbas等发现土壤光谱反射率与有机质含量呈显著负相关[3]。Marion认为有机质含量是解释520～1 750 nm谱段光谱反射差异的最重要变量，尤其与可见光波段的相关性最高[4]。Hummel等研究土壤有机质和近红外光谱曲线之间的关系，并采用光谱反射率倒数的对数建立有机质含量预测模型[5]。在利用光谱反射率数据进行土壤有机质含量反演的模型方面，模型的建立依赖于研究区域和特有的数据，大多是运用最小二乘回归的方法[6-10]。南锋等针对黄土高原煤矿区复垦农田土壤，对光谱反射率进行lg(1/A)、R′变换，建立全波段和显著性波段PLSR模型，发现显著性波段对数的倒数建立的模型精度优于全波段[11]。朱登胜等研究了土壤的光谱特性，并采用PLSR方法建立了一阶微分光谱的光谱吸光度与土壤有机质含量之间的定量分析模型，预测结果的相关系数为0.82，为实现土壤特性快速测量光谱数据提供了参考[12]。李颉等对土壤全氮、全钾、有机质养分含量和pH值用PLSR模型进行预测，发现预测结果与实测数据具有较好的一致性[13]。

1 数据来源与研究方法

1.1 研究区概况

研究区位于阜康中部的荒地，土壤盐碱化严重，土壤类型以盐碱土为主，具有良好的区域土类代表性。其地表由红柳、梭梭、杂草混合镶嵌分布。地理坐标(87°46′～88°44′E，43°45′～45°29′N)。此地夏季炎热，冬季寒冷，春秋气温升降剧烈，年均气温6.6℃，7月平均气温26.6℃，1月平均气温-17℃，无霜期174天，年降水量164 mm，年蒸发潜力2 000 mm左右，冬季积雪3～29 cm，是典型的大陆性干旱气候[14]。

1.2 土样的采集与处理

研究区土壤为原状表层土，质地为壤土。采样以遥感图像为参考图，手持GPS科学辅助野外调查选点。样点采用东南-西北方向布点，每个点大约相隔300 m。采样取0～10 cm深度土壤，按照梅花桩钻取5个土样混合为一个样品，总计为64个采样点(图1)。对所采的每个土壤样本编号入袋，带回实验室，经自然风干和剔除残渣、石块等杂质后，研磨，过2 mm孔筛。然后送至中国科学院新疆生态与地理研究所理化测试中心，由专业人员采用高温外热重铬酸钾容量法进行土壤有机质含量测定。

图1 研究区位置及采样点分布Fig.1 Location of the study area and distribution of sampling points

1.3 土壤高光谱测定

野外光谱测量采用美国ASD公司生产的便携式FieldSpec®3 Hi-Res光谱仪，有效光谱范围：350～2 500 nm。为了避免天气对光谱造成不利的影响，测量时间选择在13∶00～15∶00(当地时间)、晴朗少云、无风的天气进行。每次采集光谱前对光谱仪进行白板校正以去除暗电流影响，且探头距采样点的垂直上方15 cm。为了避免地表裂缝及周围植被等因素的干扰，每个样点尽量远离可能干扰土壤光谱的物体。同时在样点附近(1m范围内)选取土壤背景相近的5个位置采集光谱，每个位置重复测量10条光谱曲线，共50条曲线，以减小环境对光谱的影响。

1.4 光谱数据预处理与光谱指标提取

首先，采用ASD View Spec Pro对光谱预处理，去除光谱数据中有异常的光谱曲线。其次，对每个样点反射率进行平均作为该样点的实测光谱数据。最后，运用OriginPro 9.1对光谱反射率进行Savitaky-Golay(2次多项式，5个点)平滑去噪处理，同时删除噪声较大的波段350～499 nm和2 351～2 500 nm。在预处理后的土壤原始光谱反射率(R)的基础上，利用ENVI4.8软件进行光谱反射率一阶微分(R′)、倒数的对数(lg(1/A))、倒数的对数一阶微分(lg(1/A)′)、去包络线(CR)等4种光谱反射率变换。光谱反射率作一阶微分变换可以对重叠混合光谱进行分解以便识别，扩大样品之间的光谱特征差异；光谱反射率经对数变换后，可以增强可见光区域的光谱差异性，而且可以减少因光照条件变化引起的乘性因素影响[15]。去包络线处理可突出光谱信息的吸收的特征。

1.5 建模与检验方法

偏最小二乘法是一种多元统计分析方法，可以更好地解决自变量之间多重自相关性的问题，从而允许在样本个数少于变量个数的条件下进行回归建模，能有效地提取对系统解释能力最强的综合变量(称为潜变量)，排除无解释作用的信息，使之对因变量有最强的解释能力[16]。有机质含量建模集和预测集的划分选用K-S(Kennard-Stone)算法[17]，在Matlab R2013a软件中编程计算出各个样本光谱空间的欧氏距离，选用43个样本用于建模，21个样本用于验证。

土壤有机质含量反演模型的预测精度采用预测值和实测值的决定系数R2，均方根误差RMSE和相对分析误差RPD(检验样本标准SD与预测均方根误差RMSE的比值)来衡量。R2越大，RMSE越小，说明模型的精度越高[18]。Viscarra等[19]对模型RPD做了如下分类，RPD<1.0，预测能力极差；1.0

(1)

(2)

(3)

(4)

2 结果与分析

2.1 土壤有机质的统计特征

根据全国第二次土壤普查及有关标准，土壤有机质含量为6个级别[20](表1)。研究区土壤有机质含量在0.59～23.55 g·kg-1之间，属于极缺乏-缺乏水平。从其均值来看，有机质量为9.61 g·kg-1，总体上偏低，属于很缺乏水平，说明该区土壤贫瘠且养分含量少(表2)。其原因主要与研究区气候干旱少雨，荒地植物生产能力低，土壤中微生物活性低、土壤动植物残体归还土壤少，使有机质在土壤中的积累缓慢有关。

根据变异系数(CV)的大小可粗略估计变量的变异程度：弱变异性，CV<10%；中等变异性，CV为

10%～100%；强变异性，CV>100%。64个样品土壤有机质的CV为53.21，在空间表现为中等变异，表明样本离散程度较高，用于构建模型具有代表性。偏度(α)一般用于衡量样本分布的对称程度，α为0时为正态分布；α大于0时为正偏斜；α小于0时为负偏斜。该采样区α>0，说明其数据属于正态分布的正偏斜。峰度(β)一般用于衡量样本分布的集中程度，当β>0时，代表正态分布更集中在平均数周围，分布呈现尖峰态；当β=0时，呈现为正态分布；当β<0时，表示数据更分散，呈现低峰态。该荒地β<0，说明数据相对于正态分布更平坦。

表1全国土壤养分含量分级标准

Table 1 National standards for soil nutrient content

有机质/(g·kg-1)Organic matter级别Level>40很丰富 Very rich30～40丰富 Rich20～30中等 Secondary10～20缺乏 Lack6～10很缺乏 Very scarce<6极缺乏 Extreme lack

表2 研究区土壤有机质描述性统计分析

2.2 不同有机质含量的土壤光谱特征分析

对应全国第二次土壤普查及有关标准，将各样点的土壤有机质含量分为3个等级(由于中等分级区仅有2个土壤样本，样本数较少，因而没有在此处讨论)。做出不同等级的土壤光谱反射率曲线(图2)。其具有以下特征：(1)3个等级的有机质含量的土壤光谱曲线大致保持平行状态，且波形基本相似。近红外波段光谱反射率大于可见光波段，其曲线之间差异也略大于可见光。(2)土壤有机质含量与其光谱反射率呈负相关关系，即有机质含量越低，土壤反射率越高。说明土壤有机质含量可以从土壤反射率中得到一定程度的反映。(3)在400～760 nm波段范围内，随着波长的增加反射率呈现明显上升趋势。土壤中有机质主要来源于腐殖质，由于土壤中胡敏酸和富里酸的作用，曲线在可见光波段范围内总体呈上升趋势[21]。在760～2 350 nm波段范围内曲线有凹凸不平的峰谷且变化趋于平缓。(4)在1 400 nm、1 900 nm、2 200 nm附近存在明显的水分吸收谷，但3条曲线吸收深度不同。1 400 nm附近为羟基(-OH)带谱，1 900 nm附近为H2O谱带，2 200 nm附近为羟基伸缩振动与AL-OH和Mg-OH弯曲振动的合谱带[22-23]。

土壤光谱反射率经过去包络线处理后，将其反射率归一化到0～1之间，光谱的吸收特征也归一化到一致的光谱背景上[24]，有效地突出反射光谱曲线特征(图3)。其表现出：(1)3条光谱曲线的吸收谷更加明显，除了1 400 nm、1 900 nm、2 200 nm附近外，在500 nm、700 nm、850～1 150 nm波段、2 000 nm附近都存在吸收谷，而这些特征在图2中难以分辨出。因此，去包络线有利于突出土壤光谱曲线的异质性特征。(2)对比3个等级有机质含量的去包络线曲线发现，当光谱反射率≥2 100 nm，3个等级的去包络线曲线差异较小；而<2 100 nm的光谱范围内呈现显著差异。说明去包络线凸显了不同含量土壤有机质的光谱反射率的特点。(3)3条曲线在500 nm、700 nm、2 000 nm波段附近均出现明显的波谷，尤其在700 nm附近，极缺乏的吸收深度为0.066，很缺乏的吸收深度为0.042，缺乏的吸收深度为0.004。表明土壤有机质含量越多，其光谱的吸收能力越强，这与纪文君[25]等利用全国的光谱数据进行土壤有机质去包络线后结果一致。以上分析说明，土壤有机质含量与土壤反射率特征具有一定相关性，且在450～2 100 nm光谱范围内存在敏感波段。

2.3 土壤有机质与光谱反射率的相关性分析

2.3.1 土壤有机质与全波段光谱反射率相关分析 用全波段(450～2 350 nm)的R、R′、lg(1/R)、lg(1/R)′、CR与土壤有机质含量分别进行相关性分析，绘制相关关系曲线(图4)。R与土壤有机质含量呈负相关，曲线整体上比较平滑，在450～700 nm、1 400 nm、1 900 nm、2 200 nm附近有微弱的低谷；lg(1/R)与有机质含量呈正相关，与R相关系数绝对值趋势大体一致，相关系数都在0.43以上；R′、lg(1/R)′和CR与有机质含量相关系数在正负值之间波动。与R相关系数曲线相比，反射率经过变换后提高了与有机质含量的相关系数，一些细小的光谱吸收特征被扩大。

图2 不同有机质含量的光谱曲线Fig.2 Spectral curves of different organic matter content

图3 不同有机质含量去包络线光谱曲线Fig.3 The curve of the removal of organic matter with different envelope

图4 土壤有机质含量与原始及其变换后的光谱反射率相关分析Fig.4 Correlation analysis between soil organic matter content and its original spectral reflectance

2.3.2 光谱显著性波段挑选 将R、R′、lg(1/R)、lg(1/R)′、CR与有机质含量相关性通过P=0.01水平检验的作为显著性波段。通过检验的波段有：R的波段为550～870、1 400～1 700、2 000～2 350 nm；R′的波段为500～900 nm、1 000～1 300 nm、1 600～2 300 nm；lg(1/R)的波段为525～1 000、1 150～1 250、1 500～1 700、2 000～2 200 nm；lg(1/R)′的波段为800～1 750、2 000～2 350 nm;CR的波段为800～960、1 050～1 110、2 000～2 100 nm。其中光谱反射率与有机质含量相关系数由0.36提高到0.53，说明反射率经数学变换后一些细小的光谱吸收特征被扩大。

2.4 土壤有机质PLSR模型建立与验证

分别以全波段(450～2 350 nm)和显著性波段的5种光谱数学变换形式(R、R′、lg(1/R)、lg(1/R)′、CR)为自变量，土壤有机质含量为因变量，建立相应的PLSR模型。

在5种光谱数学变换形式建模中，全波段(450～2 350 nm)的建模效果R2、RPD均高于显著性波段对应值，而全波段RMSE与之相反，说明全波段的建模的模型精度大于显著性波段。在全波段建模方法中，R和lg(1/R)模型的RPD在1.8～2.0之间，说明二者模型的预测能力较好。R′、lg(1/R)′和CR模型的RDP均大于2.0，表明其预测能力极好。对比各反演模型精度，CR建模和验证均优于其它4种模型，其R2为0.84，RMSE为3.24，模型验证的R2为0.79，RMSE为4.12，RDP为2.18；在显著性建模中，R的模型RDP在1.4～1.8，只能对有机质含量进行一般预测。lg(1/R)′和lg(1/R)的模型RDP均在1.8～2.0，表明其模型预测能力较好。R′和CR的模型RDP都大于2.0，对有机质含量极好预测能力；CR建立的模型R2无论在全波段还是显著性建模中，该模型精度最高且误差最小，是土壤有机质含量的最佳预测模型。

在全波段(450～2 350 nm)和显著性波段建模中，对R进行变换后的模型精度均有所提升。比如全波段R的建模R2为0.61，反射率经过lg(1/R)变换后R2达到0.69，说明反射率倒数的对数的变换后增强了的光谱间信息。经过微分变换R′建模的R2达到了0.81，表明光谱反射率作一阶微分变换可以对重叠混合光谱进行分解以便识别，扩大样品之间的光谱特征差异。CR处理后建立的模型R2为0.84，揭示了CR处理能增加土壤中有机质含量的光谱反射率，同时也论证了图3去包络线后不同有机质含量光谱曲线的明显特征。虽然全波段(450～2 350 nm)和显著性波段建模方法精度存在差距，全波段对有机质含量的预测能力略好，但是全波段CR模型的RPD仅比显著性波段模型高0.03。因此，选择显著性波段CR模型作为估测该荒地土壤有机质含量的模型。其利用的波段少，减少了数据的冗繁，提高在实际工作的效率，缩短建模时间，具有比较好的解释能力，更适合大面积野外精准估测土壤有机质含量。

3 讨 论

以上研究表明，对于干旱区荒地有机质含量低的土壤，随着有机质含量的增加，光谱反射率逐渐减小，说明有机质含量与土壤光谱反射率具有呈负相关，同时有机质含量能在土壤光谱信息中得到一定反映，其中相关系数最大0.59，其建模集和检验集R2最高值分别为0.84和0.79，更加支持了利用土壤高光谱反演土壤有机质含量具有可行性。

表3 不同光谱数学变换形式建模及验证比较

此外本次试验在野外测量，受到很多自然和人为因素的影响，因此，对R进行4种数学变换消除诸多因素对光谱信息的影响，突出光谱反射率与土壤成分含量相关性，从而提升了建模的精度[26]。发现一阶微分和去包络线后建立的模型精度较优。这与它们计算方法密切有关，一阶微分能使隐蔽的光谱信息得到增加，去包络线能使有机质光谱吸收特征信息被释放出来。这与于雷等以汉江平原土壤为研究对象，采用微分和包络线后的结果一致[10]。

对比发现全波段建模效果优于显著性波段，这主要是显著性波段建模仅应用了全波段的建模部分波段，可能造成一些数据损失，但是避免了波段间的过度拟合，因而导致RPD偏低。而全波段应用了土壤光谱信息所有波段，考虑了全光谱的信息，所以建模精度稍高于显著性波段建模效果。然而，从模型的复杂度上说，显著性波段的PLSR模型与全波段对比在模型精度方面虽有一定差距，但从模型的复杂程度来比较，具有模型简单、运算量小、变量更少的特点，而且节省了运算时间，建模过程也更快速，适合用于对模型精度要求较高的场合，对今后的便携仪器设备开发有一定的指导作用[27-28]。

4 结 论

本文以阜康中部荒地土壤有机质以研究对象，采用野外采集光谱数据，分析了土壤有机质的光谱特性。首先重点探讨了以全国第二次土壤普查及有关标准，按有机质含量对应其光谱进行分级，诠释了土壤有机质含量与土壤光谱的特性。其次利用64个点土壤反射率并选取了全波段(450～2 350 nm)和显著性波段结合PLSR建型，并对不同处理光谱反射率的结果用于有机质含量建模和检验，找出其差异，得出了去包络线建模能有效提高估测精度。具体结论如下：

(1)不同有机质含量与土壤原始光谱反射率呈现负相关关系，即有机质含量越高，其光谱反射率越低，同时1 400 nm、1 900 nm、2 200 nm附近存在明显的水分吸收谷。经去包络线后，在500 nm、700 nm、850～1 150 nm波段、2 000 nm附近呈现显著差异，同时土壤有机质含量越多，土壤光谱反射率吸收深度越大。

(2)分析有机质含量与光谱反射率相关系数，发现光谱反射率经过4种数学变换后提高了与有机质含量的相关系数，相关系数由0.36提高到0.53，说明数学变换后一些细小的光谱吸收特征被扩大。

(3)在全波段建模方法中，CR精度优于其它4种模型，其R2为0.84，RMSE为3.24，模型验证的R2为0.79，RMSE为4.12，RPD为2.18，能极好的预测有机质含量。同时，CR、R′和lg(1/R)′建模集的RDP均大于2.0，表明这3种建模的预测能力好；在显著性波段建模中，R建立的模型RDP均低于2.0。虽然R′和CR的模型RDP均大于2.0，可以准确预测有机质含量，但CR的R2，RPD更高，说明选择CR建模的效果最好。

(4)在5种光谱反射率数学变换的建模中，全波段(450～2 350 nm)精度均略优于显著性波段，但其使用数据量大，增加了计算量。其CR模型的RPD仅比显著性波段模型的高0.03，同时显著性波段建模方便快捷。因此，选择显著性波段CR模型作为估测该荒地土壤有机质含量的模型更可行。

该模型对其它地区是否适用，有待以后研究过程中进一步深度验证。因此，在今后工作中，应加大光谱研究区域，完善土壤光谱信息库。另外，同时建立荒地有机质含量变化监测系统，为干旱区新疆阜康有机质含量低荒地的建模提供理论基础，区域的研究还可为遥感影像与野外实测光谱相结合提供更为客观的辐射信息。