河套灌区土壤水溶性盐基离子高光谱综合反演模型

孙亚楠 李仙岳 史海滨 崔佳琪 王维刚

(内蒙古农业大学水利与土木建筑工程学院， 呼和浩特 010018)

0 引言

土壤盐渍化是制约农业生产的重要因素，已成为全球关注的生态环境问题[1]。内蒙古河套灌区地处我国西北干旱内陆区，多年蒸发量是降雨量的11.16～17.69倍，耕地中有10.67万hm2中度、重度盐化耕地[2]。巴彦淖尔政府在近5年内重点实施 “484万亩改盐增草兴牧”工程，其目的是改良不同程度的土壤次生盐碱化，提高土地生产力。土壤盐分定量监测是盐碱地改良的依据和前提[3]，而传统的实地采样方法耗时长、成本高、取样不连续，且由于土壤空间变异性等因素会导致对区域总体盐分变化情况的判断产生较大误差。随着遥感技术的发展，高光谱技术已经能准确反映地物光谱的细微特征[4]。通常将光谱分辨率在10-2λ的遥感信息称为高光谱遥感(Hyperspectral)。与多光谱遥感相比，高光谱遥感波段数多，分辨率一般为10～20 nm，图谱合一，通道连续，有利于地物精细分类和识别，并易于应用各种光谱模型。目前利用高光谱遥感对水体水质参数[5]、作物参数(如植被叶面积[6]、叶绿素[7]、氮营养[8]、磷含量[9-10]、产量[11])、土壤参数(如土壤重金属[12-13]、土壤有机质[14]、土壤水分[15]、土壤盐分[16])都进行了大量研究，研究表明，采用高光谱遥感或经高光谱遥感校正后，相应的遥感模型反演精度均明显提高。

优化土壤盐分反演模型是提高土壤盐渍化遥感精度的重要手段。目前针对盐渍化土壤高光谱盐分遥感反演模型精度的提升已经作了大量研究，包括针对不同光谱预处理进行的高光谱盐分定量模型优化[17-18]、高光谱-多光谱融合模型构建[19-21]、高光谱-电磁感应结合模型构建[22-23]、偏振信息高光谱遥感模型优化[24-25]等。研究表明，选择的验证指标不同，对高光谱盐分反演的精度影响较大[26]，对光谱进行光谱变换后，高光谱反射率与盐分的相关性高于原始光谱[27-28]。

由于土壤盐分分布广，不同区域盐分离子差异大、组成复杂，且土壤中过量的盐分离子对植物的生殖生长和营养生长都有抑制作用，一些离子还会对植物有直接毒害，引起植物的形态和结构发生变化[29]。因此，快速、准确获得不同土壤盐分离子含量是选择不同盐渍化土壤改良方法的前提。同时详细的盐分指标有助于提高盐分遥感模型的精度[30-31]。目前对盐分离子高光谱反演模型的研究均仅对光谱和盐分离子采用单一回归或基于支持向量机方法进行构建模型，无光谱指数参与模型构建，而采用光谱变换和光谱指数及支持向量机反演的综合方法较少，且均将土样带回实验室进行光谱测定，而野外高光谱数据更符合实际。

本文在监测野外高光谱的基础上，通过对预处理的高光谱数据进行11种光谱变换处理，利用逐步线性回归筛选不同水溶性盐基离子的特征波段，同时进行特征指数筛选，并采用支持向量机模型建立基于特征波段及特征波段+特征光谱指数的水溶性盐基离子的野外高光谱反演模型，旨在提高该区域水溶性盐基离子的反演精度，为河套灌区及西北干旱盐渍化地区盐碱地改良提供参考。

1 材料与方法

1.1 研究区基本情况

内蒙古河套灌区位于我国西北干旱内陆区，东西长250 km，南北宽约50 km，本文以灌区中心区域永济灌域为例开展研究。永济灌域位于河套灌区中部，地理位置(107°13′～107°42′E，40°36′～41°13′N)东至丰济干渠，西至黄济干渠，南北长60 km，东西宽40 km，总土地面积18.36万hm2，现灌溉面积约11.22万hm2，年均降水量为145 mm，年均蒸发量为2 275 mm，属于典型的温带大陆性干旱、半干旱气候带，干旱少雨，蒸发强烈。主要种植的农作物有玉米、葵花、小麦、青椒、瓜类等，耕地中盐碱化土壤面积约为50%，其中重度盐化土和盐土约占17%，盐土类型主要为草甸盐土，其中氯化盐、硫酸盐和钠盐含量高，盐化土中所含盐分并不是以单一盐类存在，各种盐类都聚积于同一土层，形成复杂的盐分类型，土壤盐碱化长期困扰该地区的农业生产，是该地区农业发展的主要障碍性因素。

1.2 土壤样品采集及含量测定

土壤样品采集时间选择在春灌前2017年4月5—10日，此时土壤表层盐分积聚量大，更易于进行遥感反演。采样点按网格布设，通过GPS经纬度找点，并根据土地利用类型、作物种植结构和道路通达等实际情况确定采样点位置，实际采样间距为2.5～10 km，采样点为120个，去除由于光谱、盐分等异常数据后，最终保留了90个具有代表性的盐渍化土壤采样点(图1)。

图1 研究区土壤采样点分布Fig.1 Distribution of soil sampling points in study area

1.3 光谱采集及光谱数据处理

在选定的土样采集区域，选择无植被覆盖土壤，先采用美国ASD(Analytical spectral device)公司FieldSpec 4 Hi-Res型地物光谱仪测定土壤光谱反射率，探头视场角为25°，光谱范围350～2 500 nm。选择晴朗无风天气，测量时间为10:00—14:00，测定前先进行白板校正，测定时保持探头距离地面1 m[34]，每个采样点测定两次，各采样点获10条土壤光谱曲线。

表1 土壤全盐量和离子组成(质量比)描述性统计分析Tab.1 Descriptive statistical analysis of soil salt content and ion composition

为了消除测量时噪声对光谱数据的影响，对光谱数据进行均值化、去噪、平滑3种预处理(图2)。主要利用仪器自带的View Specpro软件对每个采集点的10条光谱曲线进行均值化处理，以平均值作为该点的实测反射率；并对1 340～1 450 nm、1 750～2 020 nm、2 330～2 500 nm水汽吸收波段进行去除；同时利用Origin 9.0软件中的Savitaky-Golay方法进行平滑处理，经过3步处理后最终得到土壤原始光谱特性曲线。另外为了减少背景噪声的干扰，提高光谱灵敏度，对土壤原始光谱特性曲线进行光谱变换，主要包括一阶导数R′、二阶导数R″、倒数1/R、倒数的一阶导数(1/R)′、倒数的二阶导数(1/R)″、对数lnR、对数的一阶导数(lnR)′、对数的二阶导数(lnR)″、平方根R0.5、平方根的一阶导数(R0.5)′、平方根的二阶导数(R0.5)″ 11种处理。

图2 高光谱预处理结果Fig.2 Hyperspectral pretreatment

1.4 光谱指数的构建

基于3种应用比较广泛的指数，包括差值指数(Difference indices，DI)、比值指数(Ratio indices，RI)、归一化指数(Normalized difference indices，NDI)[35]和反演效果较好的盐分指数S1、S2[36]构建土壤水溶性盐基离子光谱指数，计算式为

DI=Ri-Rj

(1)

NDI=(Ri-Rj)/(Ri+Rj)

(2)

RI=Ri/Rj

(3)

(4)

(5)

式中Ri、Rj、Rz——350～2 500 nm之间随机选取的第i、j、z波段的光谱反射率

1.5 基于特征波段和特征光谱指数的SVM模型构建

在进行光谱预处理、光谱变换、敏感波段确定、特征波段筛选以及特征光谱指数筛选的基础上，为了进一步提高预测精度，采用支持向量机(SVM)基于特征波段和特征波段+特征光谱指数构建高光谱水溶性盐基离子的综合反演模型。SVM模型利用Matlab R2016a软件的libsvm3.1工具箱编程实现，SVM类型为v-SVR，核函数类型为RBF，采用网格搜索法寻找最优参数，依据均方差最小原则确定惩罚参数C与RBF核参数g。将土壤水溶性盐基离子含量由小到大排列，每隔一个样本选取两个样本作为训练集，即从90个代表性土壤样本中选取60个样本作为训练集，30个样本作为验证集。

1.6 模型评价指标

以决定系数R2、均方根误差RMSE[37]、相对分析误差RPD对各模型模拟效果进行评价。当R2越趋近于1，说明模型拟合程度越好。RMSE越小，说明预测值与实测值相差越小，精度越高，模拟效果越好。反之，模型精度较差，模拟效果不好。当RPD>2.5时，表明模型具有极好的预测能力，当2.0≤RPD≤2.5时，表明模型具有很好的定量预测能力，当1.8≤RPD<2.0时，表明模型具有定量的预测能力，当1.4≤RPD<1.8时，表明模型可用于评估或相关性方面的预测，当1.0≤RPD<1.4时，表明模型具有区别高低值的能力，当RPD<1.0时，表明模型不具备预测能力[38]。

2 结果与分析

2.1 野外实测土壤原始光谱反射率与土壤水溶性盐基离子含量的相关性

2.2 土壤水溶性盐基离子的光谱最优变换和特征波段的筛选

图3 不同水溶性盐基离子含量与原始光谱反射率的相关性Fig.3 Correlation between different water-soluble base ions and original spectral reflectance

表2 土壤水溶性盐离子不同光谱变换形式的比较Tab.2 Comparison of different spectral transformation forms of water-soluble salt ions content

注：** 表示P<0.01，下同。

图4 光谱反射率在最优变换下与不同水溶性盐基离子含量的相关性分析Fig.4 Correlation analysis between different soil salt ions content and spectral reflectance under optimal transformation

2.3 基于逐步回归的土壤水溶性盐基离子特征指数筛选

表3 最优光谱变换下不同水溶性盐基离子的特征波段及回归模型Tab.3 Characteristic band and regression model of different salt ions under optimal spectral transformation

注：*表示P<0.05。

表5 高光谱特征光谱指数及回归模型Tab.5 Regression model of hyperspectral spectral index

2.4 基于特征波段及特征波段+特征光谱指数的SVM综合模型构建

表6 基于SVM的高光谱综合模型构建及验证Tab.6 Construction and verification of hyperspectral integrated model based on SVM

图5 基于特征波段+特征光谱指数的水溶性盐基离子模型精度检验Fig.5 Accuracy test of water-soluble salt-based ion model based on characteristic bands and spectral indices

3 讨论

4 结论