基于模拟蒸发数据的滨海盐渍土水分光谱模型

张晓光 ，孔繁昌

（1.青岛农业大学 资源与环境学院，山东 青岛 266109； 2.土壤与农业可持续发展国家重点实验室，南京 210008）

0 引 言

【研究意义】我国是世界上盐渍土面积最大、分布区域最广的国家之一。水作为盐分的溶剂和载体，在水盐运移的整个过程起着关键作用。同时，水资源是制约农业生产和生态环境可持续发展的重要原因之一。因此，土壤水分的监测对于农业生产来说是不可或缺的，而盐渍土的治理对于土壤含水率的快速获取也有着迫切的需求[1]。

【研究进展】随着高新技术的出现与应用，在土壤含水量监测方面涌现出微波法、热惯量法、植被指数法（光学法）、高光谱遥感法等多种手段[2-7]。其中，高光谱遥感具有动态性强、客观综合等优势，成功解决了传统监测手段的诸多瓶颈[8-9]。Sadeghi 等[10]针对不同土壤的含水率，使用光谱反射率数据进行了初步监测。姚艳敏等[11]通过一系列光谱变换，建立了比较理想的土壤水分预测模型。也有研究人员直接使用Hyperion 高光谱影像通过光谱变换建立了模型[12]，但模型预测精度略逊色于近地面光谱模型。

【切入点】土壤水分的光谱模型研究中，有针对干旱地区[7,12-13]的土壤水分状况建立的，也有针对湿润地区[11]建立的。然而对滨海盐渍土区土壤水分的光谱模型研究则相对较少，而且大部分研究多侧重于野外实测水分数据。模型的精度受样本数据影响较大，野外测量的土壤水分数据梯度并不均匀，土壤含水率比较集中，因而建立的模型可能只适合于某一含水率区间。【拟解决的关键问题】滨海地区的盐渍土面积广泛，水分条件复杂，现有的水分光谱模型可能不适应滨海地区复杂的水分状况，所以亟需建立土壤水分分布区间更具有普适性的光谱模型。

因而，本文以黄河三角洲地区滨海盐渍土为研究对象，通过室内实验控制变量，模拟自然状态下土壤水分蒸发过程，获取分布区间广泛的水分数据。采用近地面高光谱遥感技术测量不同含水率、含盐量的光谱数据。通过若干种不同的光谱变换，分别建立土壤光谱数据与土壤含水率之间的偏最小二乘回归模型（PLSR），并分析不同光谱变换对模型精度的影响。

1 材料与方法

1.1 研究区概况

土壤样品采集于黄河入海口的山东省垦利县（37°24′—38°10′N，118°15′—119°19'E）。该区域濒临渤海，由长期的黄河冲刷淤积形成。属温带季风气候，冬季寒冷干燥，夏季湿热多雨。研究区中间部分由于黄河泥沙淤积，地势升高，二侧向南北方向地势逐渐降低。另外，垦利县各类资源开发潜力巨大，但土壤盐渍化成为影响土地开发利用的重要障碍因素之一。

1.2 土壤样品的采集与制备

按照土地利用类型采集了100 份样品。将样品（1～2 kg）编号后装入塑料袋中，带回实验室自然风干。去除植物残渣及石子等杂物后将样品磨细过2.0 mm 筛备用。由于本次采样范围广，为避免土壤自身含盐量不均衡对试验带来误差，兹采取人为控制含盐量的方法。又由于研究区位于滨海地区，土壤中盐分类型主要以氯化物为主，所以控制的盐分类型主要是氯化物。从较低含盐量的土壤样品（土地利用类型是水稻田）中，分别取16 份土壤，放置不同的铝盒中。然后配置8 种不同质量浓度的NaCl 溶液，分别倒入不同的培养皿中浸润不同铝盒的土样，以模拟不同含盐量的滨海盐渍土。

1.3 土壤含水率的测定

铝盒及培养皿总质量记为Z。将土样放入铝盒中后再次称取三者质量，记为Z1。将铝盒放置培养皿中，向培养皿中加入对应含盐量的盐溶液后，待土样完全吸收溶液对铝盒、培养皿及土样一起称质量，记为Zi。以后每天在相同时间、环境条件下再次称取土样质量（Zi）。通过记录土壤样品的质量变化来计算土壤水分的蒸发量，并计算每天土壤的含水率，计算公式如下：

式中：Z1为空铝盒培养皿及土样质量；Zi为浸润后铝盒、培养皿及土样质量；Z 为空铝盒及培养皿质量。

1.4 土壤水分光谱的测量与处理

不同含水率的土壤光谱数据采用Avaspec-ULS2048光谱仪采集。该光谱仪波段范围350～1 100 nm（分辨率0.05～20 nm，与光栅类型和狭缝宽度有关），采用自然光源。将仪器架设在桌面上，土壤样品置于光谱仪的传感器探头正下方12 cm 处。在土样由完全湿润至自然风干的过程中，每天10:00—12:00 进行光谱测量，同时称质量。共获得128 个连续的土壤水分变化光谱数据。

由于光谱数据信噪比低，采集时光谱动态变化频率很快，导致出现明显的“毛刺”现象，这对研究是不利的。因此，有必要进行平滑处理[11]，本次研究采用9 点加权移动平均方法进行平滑去噪处理。高光谱数据因其本身光谱分辨率高，会带来数据的冗余。过多的冗余信息会掩盖所需的必要信息。为了避免数据本身的自相关性，降低冗余[14]，本文对滨海盐渍土土壤水分光谱数据进行重采样。参考已有研究[15]，进行了间隔为10 nm 的重采样后，重采样后共得到 75 个光谱波段。

1.5 模型的构建与评价

纵观使用高光谱数据来反演土壤含水率建立的模型，一类是根据含水率与光谱波段相关性建立的多元回归模型，另一类是基于所有光谱数据建立的主成分回归或偏最小二乘回归模型。偏最小二乘回归模型不仅抗噪能力较强而且可以容纳更多变量[16]，所以本文采用了偏最小二乘回归。该模型的基本思路是：逐步提取光谱数据中的主成分，随着增加变量（信息不全时），逐步检验模型的显著性，一旦满足要求即停止计算[17]。

本次研究共获取了128 个土壤水分光谱数据，因为有重复试验，所以对重复试验的数据进行了平均，共计64 个光谱数据样本。模型的验证使用独立验证和交叉验证方法。独立验证时，建模集和独立验证集采用质量浓度梯度法选取。样本全部按照含水率高低进行排序，每隔一个选取2 个样本，共得到43 个样本作为建模样本集，剩余的21 个组成独立验证集（预测集）。交叉验证采用的是留一法交叉验证（leave-one-out cross validation）来降低模型的过度拟合风险。该方法把除去某个样本点j 的所有样本集（n-1）作为训练集拟合一个回归方程，然后把排除的样本点j 代入前面的拟合方程，得到因变量y 在样本点i 上的拟合值。对每一个样本点重复上述计算，并且循环，使得每个样本都进入预测集，然后综合验证方程有效性。

为了消除光谱噪声，提取土壤水分的光谱信息，往往需要进行多种光谱变换处理。本文分别对光谱数据进行了平滑、平滑+倒数、平滑+对数、平滑+倒数对数、平滑+一阶导数、平滑+二阶导数、平滑+MSC（多元散射校正）、平滑+基线校正、平滑+范围归一化、平滑+面积归一化、平滑+最大值归一化、平滑+变量归一化等光谱变换处理，以期明确最佳的光谱变换方法。主要的光谱变换原理可见文献[18]。

使用模型的决定性系数（R2）、均方根误差（RMSE）及预测样本标准差与预测均方根误差比（RPD）来评价模型精度。R2值越大，说明方程的拟合程度越高，在本文中表示光谱回归变量对土壤水分因变量变异性的解释程度越强；RMSE 越小，表示模型越准确；RPD 越大，表示模型分辨能力越好。一些学者认为需要根据不同研究对象参考实际情况来确定RPD 的优劣[19]。鉴于本次研究对象的特点，同时考虑RMSE 与标准差之间的相关度，参考其他指标[19]，可以认为RPD<1.5 时，模型的预测能力很差，不适合建模；1.5≤RPD<2 时，预测能力良好，尚可用来进行大致估算；RPD≥2.0，代表模型质量很好，可以用于定量预测。

2 结果与分析

2.1 土壤含水率统计特征

由完全湿润到自然风干过程的8 个盐分梯度土样的含水率观测数据可知（表1），土样含水率的最大值为63.66%。含水率最小值仅为0.077%，已经非常接近于0，因此可以默认为完全干燥。含水率的中值是11.57%，标准差（Standard Deviation）为17.36%，变异系数达到了150.04%。

表1 土壤含水率描述性统计特征 Table 1 Descriptive statistics of soil moisture content

2.2 不同光谱变换方法PLSR 模型精度

进行光谱变换能够更加有效地提高光谱数据与因变量的相关性[20]。为了寻找出最好的光谱处理方法，提高建模预测精度，本文使用10 nm 重采样后的光谱数据，分别进行了平滑、平滑+倒数、平滑+对数、平滑+倒数对数、平滑+一阶导数、平滑+二阶导数、平滑+MSC、平滑+基线校正、平滑+范围归一化、平滑+面积归一化、平滑+最大值归一化、平滑+变量归一化等光谱变换处理，而后分别建立了偏最小二乘回归模型（表2）。

表2 基于不同光谱变换的PLSR 模型的建模、交叉验证、独立验证 Table 2 Modeling, cross-verification and independent verification of PLSR Models based on different spectral transformations

如表2 所示，在所有光谱建模结果中，建模集的精度均高于交叉验证集和独立验证集的精度。从建模集的精度来看，除平滑+倒数变换之外，其余光谱变换过后的模型建模精度普遍比较理想，R2大部分在0.809 0～0.974 7 之间，RMSE 也都大部分低于0.1。而建模集的精度只是代表建模样本的方程拟合程度，预测精度还需要验证。

在交叉验证集的模型中，除了除平滑+倒数变换之外，R2大多数处于0.630 9～0.861 3 之间，较建模集略有降低，RMSE 略有上升，但仍具有很好的预测效果。在独立验证集中，较交叉验证集又略有降低，RMSE 略有上升，各种光谱变换后模型的预测精度差异较大。但是R2大于0.6 的模型数量仍然较多，独立验证集精度R2最高仍可达到0.713 1，说明部分模型的预测效果依旧很好。

从各种不同光谱变换后的模型独立验证精度来看，平滑+倒数光谱变换后的模型预测精度效果不好，R2也仅为0.002 0，RPD 仅有1.003 5，估测能力很差，说明倒数光谱变换不能通过检验，不适合用于盐渍土水分建模。仅平滑处理的光谱数据模型（R2=0.458 3，RPD=1.362 6）就已经开始显示出一定的建模效果。平滑+基线校正和平滑+倒数对数变换的模型精度，与平滑处理的光谱数据模型相比，均有所降低，说明这2 种光谱变换不能够抑制光谱噪声。

在进行的所有类型的变换当中，平滑+归一化（包含变量归一化、范围归一化、最大值归一化）均取得比较优异的结果，精度均远远高于光谱平滑后的模型，说明归一化是比较可行的。其中，平滑+变量归一化独立验证集R2达到0.713 1，RMSE 仅为0.095 0，在验证集中最高，RPD 同样达到1.823 7，说明平滑+变量归一化处理后的光谱数据具有很高的建模水平，平滑+变量归一化方程可直接用于盐渍土水分的反演。

平滑+一阶导数、平滑+二阶导数、平滑+对数、平滑+MSC 变换后，验证集的R2也都在0.6 以上，RPD大于1.62，精度均高于光谱平滑后的模型。说明导数微分变换、对数及MSC 变换能够有效地抑制光谱的噪声，改善模型的精度。

2.3 基于不同光谱变换组合的PLSR 模型

通过上述光谱变换处理，发现大部分光谱变换的确能够提高建模的精度，为了达到最佳的建模效果，选取在上一节中建模效果较好的几种光谱变换方法进行组合，探索多次光谱变换能否进一步提高预测水平。选取并重新组合了平滑+范围归一化+MSC、平滑+变量归一化+MSC、平滑+一阶导数+范围归一化、平滑+二阶导数+变量归一化、平滑+二阶导数+范围归一化、平滑+一阶导数+MSC、平滑+二阶导数+MSC等7 种二次光谱变换组合处理，建立的PLSR 模型结果如表3 所示。

表3 基于不同光谱变换组合的PLSR 模型建模、交叉验证、独立验证结果 Table 3 Modeling, cross-verification and independent verification of PLSR Models based on different spectral transformation combinations

纵观所有的模型，建模精度R2依然都很高（R2在0.880 8～0.967 3 之间，RMSE 均低于0.062 8），而且都高于自身的交叉验证集（R2在0.745 7～0.884 0之间，RMSE 均低于0.087 5）和独立验证集（R2在0.522 2～0.866 0，RMSE 均低于0.126 0）。

对比每种光谱变换后模型的独立验证结果，平滑+变量归一化+MSC 变换后的模型取得了很好的预测效果（R2=0.866 1，RMSE=0.062 8，RPD=2.764 3）。与平滑+变量归一化、平滑+MSC 光谱变换相比，模型的精度均得到了明显的提高。说明，平滑+变量归一化+MSC 光谱变换建模是针对滨海盐渍土是非常有效的建模方法。

3 讨 论

本次采取多种不同的光谱变换及不同光谱变换组合来探求最佳光谱变换模型精度，经过光谱变换的模型精度均比原光谱数据建立的模型精度提升。其中，平滑后分别进行导数微分变换、对数变换、变量归一化及多元散射校正变换都得到了较好的精度。

有研究利用卫星遥感数据对野外土壤水分建模时发现[12]，对数变换光谱获得了很好的预测精度，本文在室内模拟的条件下对数变换也能提高土壤水分的预测精度，说明在土壤水分预测时，光谱对数变换是一种可选择处理方法。导数变换在光谱预测中应用非常广泛，主要消除的是线性背景噪声，一定条件下部分土壤属性应用效果较好，也有部分土壤属性应用效果较差[15]。包括本文在内的多个研究[11,13]应用导数变换预测土壤水分时均达到一定的效果，说明土壤水分光谱存在线性背景噪声。本文使用的归一化和多元散射校正处理，也达到了较好的模型精度，这说明这些光谱变换能够有效地抑制水分光谱的噪声，改善模型的精度。这与已有文献中关于归一化、多元散射校正能够改善水分光谱模型精度的结论是一致的[1]。

同时，在光谱变换组合建立的模型精度中，组合变换模型与未进行组合建模相比，很多模型验证精度都呈明显下降。说明并不是所用的光谱变换越多，模型的精度就会越高。这可能是因为过多的光谱变换会导致重要的有用信息被错误剔除或掩盖。这与东北地区构建的苏打盐渍土高光谱模型的研究结果[15]是吻合的，说明滨海盐渍土的模型建立工作也有类似的情况。这在以后的工作中有一定的借鉴意义。

4 结 论

1）平滑+变量归一化后的光谱模型，具有很高的预测水平，可以直接用于盐渍土水分的反演。

2）平滑+变量归一化+MSC 光谱组合变换的模型（R2=0.866 1，RMSE=0.062 8），取得了很好的预测效果，精度均比平滑+变量归一化、平滑+MSC 光谱变换高。但并不是所有光谱变换越多，模型的精度就越高。过多的变换可能会掩盖或错误剔除有用信息。

本次研究建立的光谱水分模型，由于土壤水分数据范围广，具有很好的梯度，所以在滨海盐渍土区域的应用具有较好的可推广价值。