基于高光谱特征参数优选的土壤盐分含量建模及其验证

李 志，苏武峥，李新国，王银方，毛东雷，麦麦提吐尔逊·艾则孜

(1.新疆农业科学院农业经济与科技信息研究所，乌鲁木齐 830091；2.新疆师范大学地理科学与旅游学院，乌鲁木齐 830054；3.新疆干旱区湖泊环境与资源实验室，乌鲁木齐 830054)

0 引 言

【研究意义】土壤的信息化与数字化管理是智慧农业数据分析的前提[1]。土壤盐分在土体中的运移和积累引起的盐渍化是全球土地退化的主要类型之一，而准确追踪土体盐分信息变化，对防治土壤盐渍化发生、治理盐渍土以及实现干旱区农业可持续发展具有重要意义[2-3]。【前人研究进展】近地高光谱技术以其快速无损获取精细光谱信息、光谱分辨率高和波段连续性强等优势，被广泛应用于土壤盐分的定量估算，其方法体系为：土样采集与制备、光谱数据获取、光谱预处理、光谱数据变量筛选、模型的建立与验证[4-6]。引入遥感光谱指数，耦合2个或多个特征波段的反射率数值，从二维光谱空间表达土壤盐分的高光谱响应特征[7]。Chernousenko等[8]、Mashimbye等[9]和Suresh等[10]对土壤盐分以及盐基离子光谱敏感波段进行分析提取，进一步为高空遥感数据提供制图参考。彭杰等[11]、张贤龙等[12]、王宁等[13]尝试利用高光谱数据，基于特征波段、光谱指数，采用回归分析、偏最小二乘法等手段对新疆不同地区土壤盐分进行估算。【本研究切入点】翁永玲等[14]、蒲智等[15]、朱赟等[16]研究结果表明，利用高光谱手段表征土壤盐分变化及定量估算是可行的，但不同变换形式光谱的敏感波段以及模型估算精度不尽一致。【拟解决的关键问题】以博斯腾湖西岸湖滨绿洲为研究区，野外土壤样品进行实验室理化分析，研究土壤剖面不同层次盐分的干湿季节变化特征，结合光谱学分析技术表征干湿季节土壤盐分变化下的高光谱响应特征差异，采用数学放大算法构建一维单波段和二维波段组合指数的盐分特征响应光谱指标，并利用偏最小二乘回归(Partial least squares regression，PLSR)方法建立土壤含盐量的特征单波段和光谱指数估算模型并进行精度验证。一维和二维层面特征光谱参数，分析土壤盐分含量和近地反射光谱间的内在定量关系，为研究区的土壤盐分动态精准测量提供参考。

1 材料与方法

1.1 材 料

研究区位于新疆焉耆盆地，地理坐标介于41°45'～42°10'N，86°15'～86°55'E。气候属温带大陆性荒漠气候，气温日较差、年较差大，年均气温达9.03℃，季节性表现一般春温高于秋温；降水稀少且季节变化大，气候干燥，多年平均降水量83.5 mm，年蒸发量高于2 000 mm，其蒸降比可高达40∶1[17]。主要土壤类型有棕漠土、草甸土、沼泽土、灌耕潮土、盐土、风沙土等。植物类型以多枝柽柳(Tamarixramosissima)、芦苇(Phragmitesaustralis)、胡杨(Populuseuphratica)、花花柴(Kareliniacaspia)等为主[18]。研究区的地下水平均埋深为1.5～3.0 m。图1

图1 采样区位置及样点布设Fig.1 Location of the sampling area and its sample layout

1.2 方 法

1.2.1 土样采集与制备

基于野外调查，采用GPS定位技术，根据博斯腾湖湖滨带土壤质地、地貌特征、盐分状况、植被类型和生长状况以及土地利用方式等因素，针对土壤冻融前后、干湿变化明显的2个季节，分别于2017年10月下旬(秋季，土壤冻融前)和2018年4月中旬(春季，土壤冻融后)从研究区选择代表性地块进行统一定标采集和制备土样，共布设挖掘20个典型土壤剖面。结合研究区水埋深限制，参照李和平等[19]新疆土壤有效土层厚度划分指标，对每个剖面分层采集0～10、10～20、20～30、30～50 和50～100 cm深度土样，每层选取4个点位采集土样并充分混匀，利用四分法抽取约200 g装袋，共计200份样本。带回实验室自然风干，剔除可见杂物、植物根系，研磨，过20目孔筛，封存待测，先后用于光谱测试和土壤理化分析。

1.2.2 光谱测试及预处理

供试样品在制备实验室风干土后立即进行室外反射光谱测试，运用ASD FieldSpec 3光谱仪进行土壤光谱采集，保证每一批次供试样品光谱采集时光源充足、太阳高度角大致相同、风力<3级、地面能见度≥10 km、淡积云量≤2%等。土样平铺(厚度约5 mm，直径约10 cm)放置于对采集波段接近全吸收的深色牛皮纸上测定其反射光谱，每组样品测试前进行1次白板校正、DC暗电流采集和OPT优化，每个土样反复测量保存20条光谱曲线，通过ASD ViewSpecpro实现均值处理和连续跳跃点修正。选用Savitzky-Golay平滑法(窗口点数为15，多项式阶数为2)进行光谱平滑去噪。结合数据处理和查阅相关文献，剔除水汽吸收强烈和边缘噪声较大的波段区域：1 341～1 400、1 811～1 950和2 451～2 500 nm[12，20]。

1.2.3 样本集划分

制备标准温度25℃时、V(水):m(土)=5∶1比例下的土壤浸提液，盐分含量测定方法参照鲍士旦《土壤农化分析》[21]。高光谱估算模型的性能评价受参与模型的训练样本数大小决定[22]。为保证模型稳定性和严谨性，对所有200个供试土样按照盐分含量从高到低排序，隔1取3作为建模集。通过3∶1的建模集与验证集样品划分，盐分含量分布情况一致。图2

图2 建模集和验证集的盐分含量频数分布统计Fig. 2 Statistics of salt content frequency distribution in model set and validation set

1.2.4 光谱数学增强

为提高光谱灵敏度，突显光谱曲线的混合特征信息，对平滑去噪和剔除水汽吸收波段处理后的反射率数据(R)进行平方根

倒数1/R、对数lgR、对数的倒数1/lgR、倒数的对数lg(1/R)及其分别一阶微分、二阶微分共17种形式光谱数据变换，以筛选一维层面最优变换形式光谱提取敏感波段。

1.2.5 光谱指数构建

光谱指数被认为是估算土壤盐分信息的重要手段之一，比原始光谱反射率(R)更敏感，可一定程度消除土壤亮度、色度等的影响，提高土壤盐分信息估算的稳定性[23，24]。研究进一步利用光谱反射率系统构造原始光谱任意2波段组合而成的差值指数(DSI)、比值指数(RSI)和归一化指数(NDSI)，以实现光谱二维层面上的盐分特征信息挖掘。表1

表1 参数定义Table 1 Definition of parameters

1.2.6 模型构建及验证

分别选取一维、二维决定系数满足相关阈值下的敏感波段反射率和敏感光谱指数作为自变量，结合变量投影重要性(Variable importance in projection，VIP)准则进一步挖掘模型最佳因子数，以盐分含量为因变量，采用线性模型PLSR方法进行反演建模[25]。建模精度采用建模集预测值和实测值的建模决定系数Rc2和校正均方根误差RMSEC来评价；预测精度采用验证集预测值和实测值的预测决定系数Rv2、验证均方根误RMSEV和相对分析误差(relative prediction deviation，RPD)来评价。表2

表2 模型精度参数Table 2 Parameters of model accuracy

2 结果与分析

2.1 土壤盐分变化特征

研究表明，不同季节下各层土壤含盐量的变化不尽相同。春季0～10 cm表层土壤含盐量平均增加1.61 g/kg，积盐率达60.68%，10～20 cm土层含盐量平均增加1.34 g/kg，积盐率在整个剖面达最大为80.81%，20 cm以下土层土壤积盐率明显下降，但都为正值。春季返盐现象在0～100 cm内皆存在，且以表层0～20 cm最为强烈。秋季土壤盐分含量的变异性随土层深度的增加先减小后增大，50～100 cm层变异系数在各土层最大为58.14%；而春季土壤盐分含量的变异性随土层深度的增加而减小。研究区秋、春2个季节各土层土壤盐分含量的变异系数在33.26%～59.28%，属中等强度空间变异。图3

2.2 土壤高光谱特征

研究表明，不同土壤层、不同季节样品的光谱反射率曲线形态及变化趋势较为相似，在350～800 nm波段急剧上升，而在800～1 340、1 401～1 810和1 951～2 150 nm波段范围反射率上升趋缓，于2 150 nm处达最大值后反射率逐渐下降。受大气中OH-影响，存在2个异常明显的水分吸收谷(位于1 341～1 400和1 811～1 950 nm附近)。不同土层，土壤光谱反射率差异性在350～590 nm可见光波段范围较小，在800～2 500 nm近红外波段范围相对较大。0～10 cm表层土壤平均光谱反射率在整个波段范围明显高于其他层位，且以春季更加明显。不同季节，随着春季返盐现象剧烈，土壤盐分含量增加，在350～2 150 nm谱区土壤反射率高于秋季剖面土壤平均反射率，尤其体现在590、800、1 810和2 150 nm处。土壤剖面平均光谱反射率在全波段范围内的变异系数呈先减小后增大的趋势，秋季剖面土壤平均光谱反射率变异性在各波段均大于春季剖面土壤平均光谱反射率变异性，对应其土壤剖面盐分平均变异系数较大的特征。图4

图4 土壤剖面光谱反射曲线特征Fig.4 Characteristics of spectral reflectance curves of soil profiles

2.3 土壤高光谱特征参数变化及其与盐分含量的相关性

2.3.1 土壤盐分含量与不同变换形式光谱反射率的一维相关性分析

图5 土壤盐分含量与不同变换形式光谱反射率的一维相关性Fig.5 One-dimensional correlation analysis of soil salinity content and spectral reflectance of different transformed forms

表2 不同光谱变换形式下的土壤盐分特征波段统计Table 2 Statistical analysis of characteristic bands of soil salinity under different spectral transformation forms

2.3.2 土壤盐分含量与不同光谱指数的二维相关性

研究表明，基于DSI指数的高光谱R2矩阵图中，土壤盐分含量的特征响应波段区间集中位于近红外长波区域，主要区间为：X：1 760～1 800 nm和Y：1 720～1 810 nm范围，决定系数R2最高值达0.54。基于RSI指数的高光谱R2矩阵图中，土壤盐分含量的特征响应波段区间集中位于近红外长波区域，主要位于：X：1 760～1 810 nm和Y：1 720～1 790 nm范围，决定系数R2最高达0.48。RSI和NDSI与土壤盐分含量的R2分布矩阵图基本相似，基于NDSI指数的高光谱R2矩阵图中，土壤盐分含量的特征响应波段区间集中位于近红外长波区域，主要位于：X：1 760～1 810 nm和Y：1 720～1 790 nm范围、X：1 960～2 000 nm和Y：1 230～1 330 nm范围，决定系数R2最高达0.57。DSI、RSI和NDSI分别以DSI(1 780，1 765)、RSI(1 785，1 756)和NDSI(1 780，1 742)相关关系表现最好，NDSI、DSI、RSI特征光谱响应指数(R2≥0.4，P<0.01)数量依次为32、25、38。表3

图6 光谱指数DSI、RSI、NDSI与土壤盐分的R2矩阵Fig. 6 R2 matrix of spectral index DSI, RSI, NDSI and soil salinity

表3 基于光谱指数的土壤盐分特征波段组合Table 3 Soil salt characteristic band combination based on spectral index

2.4 基于高光谱特征参数的土壤盐分含量估算模型优选

研究表明，通过极显著检验(P<0.01)后的4种优选光谱变换和3种光谱指数，模型输入参数选择上呈现不同，经VIP算法筛选单波段PLSR模型最佳变量数分别为15、8、16、7，对应特征响应波段分别见图7(a、b、c、d)。两波段组合指数PLSR模型最佳自变量数分别为12、8、12，对应特征响应波段组合分别见图8(a、b、c)。图7,图8

图7 基于VIP算法筛选最佳模型光谱波段Fig.7 Screening the best model spectral band based on the VIP algorithm

图8 基于VIP算法筛选最佳模型光谱指数Fig. 8 Screening the best model spectral index based on VIP algorithm

表4 土壤盐分含量PLSR模型预测结果Table 4 Prediction results of soil salt content by PLSR model

研究表明，(1/lgR)′变换建立模型对土壤盐分含量的预测能力最优，预测精度为RV2为0.77，RMSEC为0.69 g/kg，RPD为2.01。NDSI建立模型对土壤盐分含量的预测能力最优，预测精度为RV2为0.77，RMSEC为0.64 g/kg，RPD为2.11，模型稳定性最强。图9

图9 基于一维和二维最佳响应参数光谱估算模型验证Fig. 9 Verification results based on one-dimensional and two-dimensional optimal response parameterspectral estimation models

3 讨 论

4 结 论

4.1研究区土壤盐分含量高低受季节变化的影响较为明显，为干季高于湿季。土体剖面盐分含量随土层深度增加而降低，盐分总体呈“表聚型”。各层盐分含量变异系数均介于33.26%～59.28%，呈中等强度变异，干季表层变异大于底层，湿季表层土壤变异小于底层。

4.2干季土壤0～100 cm剖面返盐现象导致盐分含量增加，光谱在350～2 150 nm波段范围，土壤平均反射率随含盐量的增加而高于湿季土壤平均反射率，以590、800、1 810和2 150 nm处表现最明显。

4.4基于NDSI指数变换光谱反射率，通过相关性极显著筛选，结合VIP算法筛选的指数为自变量建立的PLSR估算模型预测效果最佳，预测精度RV2达0.77，RMSEV为0.64 g/kg，RPD为2.11。