基于高光譜的喀斯特地區(qū)典型農(nóng)田土壤有機(jī)質(zhì)含量反演

文錫梅，蘭安軍，易興松，張 吟，李 洋，秦志佳

(1. 貴州省山地資源研究所，貴州 貴陽(yáng) 550001; 2. 貴州師范大學(xué) 地理與環(huán)境科學(xué)學(xué)院，貴州 貴陽(yáng) 550001; 3. 貴州省水利科學(xué)研究院，貴州 貴陽(yáng) 550002; 4. 貴州省水土保持科技示范園管理處，貴州 貴陽(yáng) 550002)

【研究意義】土壤有機(jī)質(zhì)是指存在于土壤中所含碳的有機(jī)物質(zhì)，是農(nóng)業(yè)生態(tài)系統(tǒng)重要組分之一，可提供植物所需的養(yǎng)分，其含量是衡量土壤肥力高低的重要指標(biāo)[1-4]?？λ固氐貐^(qū)特殊的成土環(huán)境導(dǎo)致該區(qū)域成土物質(zhì)偏少，土層薄、不連續(xù)，農(nóng)耕條件差，土地資源異常珍貴，因此，對(duì)于其土壤肥力的監(jiān)測(cè)顯得十分重要。目前，測(cè)定土壤有機(jī)質(zhì)含量最常用的方法是通過(guò)室外采樣室內(nèi)化學(xué)檢測(cè)方法測(cè)定，但該方法受人力、物力限制，且監(jiān)測(cè)面積小，因此存在一定缺陷[5]。近年來(lái)，順應(yīng)現(xiàn)代農(nóng)業(yè)發(fā)展需要的高光譜技術(shù)監(jiān)測(cè)手段應(yīng)運(yùn)而生，該方法具有信息量大、零破壞、無(wú)污染、高效率等優(yōu)點(diǎn)。以高光譜技術(shù)估算土壤有機(jī)質(zhì)含量的實(shí)現(xiàn)將帶來(lái)很大的實(shí)用價(jià)值，已逐漸成為實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)田間土壤肥力關(guān)鍵參數(shù)的重要技術(shù)手段[6-8]?！厩叭搜芯窟M(jìn)展】國(guó)內(nèi)眾多外學(xué)者針對(duì)土壤有機(jī)質(zhì)含量的高光譜估算做了大量的研究，臧紅婷等[9]利用數(shù)理統(tǒng)計(jì)與因子分析方法研究發(fā)現(xiàn)，影響黑土反射光譜特征的主要因素為有機(jī)質(zhì)和水分；利用黑土反射光譜特征可以預(yù)測(cè)土壤pH及有機(jī)質(zhì)、全氮和全磷的含量。張承琴等[10]研究貴州省喀斯特峰叢洼地不同石漠化等級(jí)表層土壤有機(jī)質(zhì)含量變化情況發(fā)現(xiàn)，隨著石漠化等級(jí)的加重，土壤有機(jī)質(zhì)含量明顯降低。陳虎等[11]對(duì)滇東喀斯特地區(qū)石漠化裸露紅土的表層有機(jī)質(zhì)含量進(jìn)行分析發(fā)現(xiàn)，石漠化過(guò)程中植被破壞后土壤有機(jī)質(zhì)大量流失，土壤結(jié)構(gòu)及保水保肥能力受到影響。張娟娟等[12]采用室內(nèi)測(cè)定的光譜數(shù)據(jù)通過(guò)多元逐步回歸分析方法反演了水稻土和潮土的有機(jī)質(zhì)含量，證明通過(guò)光譜技術(shù)可以預(yù)測(cè)土壤有機(jī)質(zhì)含量。王祥峰[13]采用多元線性回歸分析法將HJ-1衛(wèi)星遙感數(shù)據(jù)與實(shí)驗(yàn)室測(cè)得的土壤有機(jī)質(zhì)含量數(shù)據(jù)相結(jié)合，對(duì)中國(guó)黑龍江省嫩江市與訥河市交界處的雙山農(nóng)場(chǎng)土壤有機(jī)質(zhì)含量進(jìn)行預(yù)測(cè)，實(shí)現(xiàn)了經(jīng)濟(jì)、快速地監(jiān)測(cè)有機(jī)質(zhì)含量。HUMMEL等[14]基于近紅外光譜與土壤有機(jī)質(zhì)之間的關(guān)系，利用多元逐步線性回歸建立了有機(jī)質(zhì)預(yù)測(cè)模型。目前采用低空無(wú)人機(jī)獲取的高光譜數(shù)據(jù)反演土壤有機(jī)質(zhì)含量的研究不多，王磊[15]采用Cubert UHD185機(jī)載高速成像光譜儀測(cè)定耕地土壤光譜，探索耕地土壤有機(jī)質(zhì)含量與光譜的響應(yīng)規(guī)律，為無(wú)人機(jī)成像光譜技術(shù)應(yīng)用于耕地土壤有機(jī)質(zhì)監(jiān)測(cè)提供了借鑒。筆者基于喀斯特地區(qū)農(nóng)田土壤的ASD光譜和GS光譜數(shù)據(jù)，采用偏最小二乘法建立了土壤有機(jī)質(zhì)含量估算模型【本研究的切入點(diǎn)】應(yīng)用高光譜技術(shù)監(jiān)測(cè)喀斯特地區(qū)土壤的有機(jī)質(zhì)含量，對(duì)初步了解土壤肥力提供了一個(gè)動(dòng)態(tài)、快速、低成本的技術(shù)手段；同時(shí)，也可以為石漠化過(guò)程中土壤質(zhì)量變化進(jìn)行預(yù)警。然而，相關(guān)研究還比較缺乏?！緮M解決的關(guān)鍵問(wèn)題】該研究以高光譜成像系統(tǒng)GS(GaiaSky-mini)光譜和便攜式地物光譜儀(ASD FieldSpec4)ASD光譜源為研究對(duì)象，分別基于原始光譜及其一階微分、二階微分變換，分析2種數(shù)據(jù)與土壤有機(jī)質(zhì)含量的相關(guān)性，采用偏最小二乘法建立土壤有機(jī)質(zhì)SOM(soil organic matter)的預(yù)測(cè)模型，利用高光譜數(shù)據(jù)定量反演喀斯特地區(qū)土壤有機(jī)質(zhì)含量[16]，旨在為喀斯特地區(qū)快速、大范圍、實(shí)時(shí)地監(jiān)測(cè)土壤有機(jī)質(zhì)含量提供更多的技術(shù)手段。

圖1 喀斯特地區(qū)典型農(nóng)田土壤采樣點(diǎn)的地理位置分布Fig.1 Geographical distribution of soil sampling sites in typical farmland of karst region

1 材料與方法

1.1 土壤樣品采集與處理

以貴州省貴定縣巖下鄉(xiāng)某蔬菜種植基地為試驗(yàn)點(diǎn)。該區(qū)域內(nèi)的農(nóng)田多年種植蔬菜，施用農(nóng)家肥較多。2017年4月23日，選取其中2塊農(nóng)田按照等距取樣法，根據(jù)實(shí)際地形采集50個(gè)土壤樣本(圖1)。土樣經(jīng)過(guò)實(shí)驗(yàn)室半個(gè)月自然風(fēng)干、瑪瑙機(jī)研磨等處理，混勻后備用。將土樣一部分留作光譜測(cè)量，一部分送往實(shí)驗(yàn)室分析土壤有機(jī)質(zhì)含量。

1.2 光譜數(shù)據(jù)獲取

1.2.1 GS高光譜影像數(shù)據(jù) 2017年5月17日12：00左右，天氣晴朗，在貴定縣巖下鄉(xiāng)采用GS高光譜成像系統(tǒng)對(duì)山坡底端、2塊土壤表層相對(duì)較平整的農(nóng)田進(jìn)行高光譜影像采集(圖2)。該成像系統(tǒng)包含256個(gè)通道，能捕捉400～1000 nm的光譜，光譜分辨率為3.5 nm。無(wú)人機(jī)飛行高度200 m，高光譜影像最大空間分辨率0.05 m。

圖2 喀斯特地區(qū)典型農(nóng)田土壤的高光譜影像3D圖Fig.2 Hyperspectral 3D image of soils in typical farmland of karst region

表1 喀斯特地區(qū)典型農(nóng)田土壤有機(jī)質(zhì)含量的統(tǒng)計(jì)特征

1.2.2 ASD高光譜數(shù)據(jù) ASD公司的FieldSpec4型便攜式地物光譜儀波長(zhǎng)為350～2500 nm，涵蓋可見(jiàn)光波段和紅外波段，光譜重采樣間隔為1 nm，輸出波段共2151個(gè)。該光譜儀可以配置具有3個(gè)獨(dú)立的的全息衍射光柵和3個(gè)不同的探測(cè)器(分別是VNIR、SWIR1、SWIR2)。每個(gè)探測(cè)器被適當(dāng)順序的濾波器覆蓋，其可以消除第二階和更高階光。

1.3 數(shù)據(jù)處理與分析

1.3.1 建模集與驗(yàn)證集的劃分 采用鉻酸鉀容量法-外加熱法測(cè)定土壤有機(jī)質(zhì)含量[17]。將50個(gè)土壤樣本按照有機(jī)質(zhì)含量從小到大進(jìn)行排序，每隔2個(gè)樣本抽取1個(gè)用于模型檢驗(yàn)，其余樣本均用于建模，這樣得到建模樣本34個(gè)，驗(yàn)證樣本16個(gè)(表1)。由于GS光譜影像有一部分影像缺失，只提取到47個(gè)樣本的光譜數(shù)據(jù)，根據(jù)前述的分組方法實(shí)際獲得建模樣本32個(gè)，驗(yàn)證樣本15個(gè)。

1.3.2 光譜數(shù)據(jù)預(yù)處理 預(yù)處理方法主要包括光譜平滑，一階微分和二階微分變換等。首先，利用View SpecPro的Parabolic Correction工具對(duì)ASD光譜1000和1800 nm波段處光譜曲線的突變進(jìn)行斷點(diǎn)修正。然后，用SpecSight軟件對(duì)GS光譜影像進(jìn)行輻射定標(biāo)，并在遙感影像處理平臺(tái)ENVI中進(jìn)行噪聲去除處理。所有樣本光譜數(shù)據(jù)均去除350～399 nm邊緣波段的明顯噪聲。由于GS光譜只有400～1000 nm的光譜，為了對(duì)比2種光譜對(duì)回歸SOM的精確性，故最終選取ASD光譜400～1000 nm的光譜進(jìn)行分析。由于光譜在采集過(guò)程中不可避免地會(huì)產(chǎn)生隨機(jī)誤差和噪聲，去除邊緣波段后，用Savitzky-Golay多項(xiàng)式進(jìn)行平滑去噪處理。最后，分別對(duì)各樣本點(diǎn)重采樣和光譜平滑后的光譜進(jìn)行一階微分、二階微分變換。

1.3.3 模型建立及精度驗(yàn)證 偏最小二乘法集成了主成分分析、相關(guān)性分析及多元線性回歸分析三者的優(yōu)點(diǎn)，具有預(yù)測(cè)功能[18]。建模時(shí)，將土壤有機(jī)質(zhì)含量與GS光譜和ASD光譜及其變換形式之間進(jìn)行相關(guān)分析。不同變換形式光譜數(shù)據(jù)與土壤有機(jī)質(zhì)的較大相關(guān)系數(shù)所對(duì)應(yīng)波段，通常作為預(yù)測(cè)土壤有機(jī)質(zhì)含量的敏感波段。沒(méi)有敏感波段的光譜進(jìn)行建模時(shí)，則優(yōu)選相關(guān)系數(shù)較高的波段進(jìn)行建模。在選取敏感波段時(shí)，需注意參考前人研究，避開(kāi)反演土壤含水量的敏感波段。模型構(gòu)建采用留一交叉驗(yàn)證法確定最佳因子數(shù)，利用決定系數(shù)(R2)和均方根誤差(RMSEC)檢驗(yàn)建模精度。驗(yàn)證集預(yù)測(cè)精度依據(jù)驗(yàn)證集決定系數(shù)(Rv2)、均方根誤差(RMSEV)和相對(duì)分析誤差(RPD)，其中，RPD是驗(yàn)證集標(biāo)準(zhǔn)差與驗(yàn)證集均方根誤差的比值[19]。對(duì)于建模集而言，R2越大，RMSEC越小，建模精度越高，模型越穩(wěn)定；對(duì)于驗(yàn)證集而言，Rv2、RPD越大，RMSEV越小，預(yù)測(cè)精度越高[20]。

1.3.4 光譜數(shù)據(jù)統(tǒng)計(jì)分析 研究中GS光譜影像翻轉(zhuǎn)在SpecSight里面進(jìn)行；ASD光譜用ViewSpec Pro進(jìn)行預(yù)處理，利用Origin9.1進(jìn)行光譜平滑，微分變換以及相關(guān)數(shù)據(jù)的圖件處理；PLSR模型在SPSS22中完成。

2 結(jié)果與分析

2.1 光譜數(shù)據(jù)與土壤有機(jī)質(zhì)含量的相關(guān)性

敏感波段是指與地物某種屬性具有高度相關(guān)性的光譜波段，是識(shí)別地物的重要參考波段，同時(shí)也是高光譜定量反演地物成分的重要指示波段。該研究將P≤0.01的波段定義為敏感波段。從表2和圖3看出，經(jīng)過(guò)微分變換，GS光譜和ASD光譜與土壤有機(jī)質(zhì)(SOM)的相關(guān)系數(shù)均較原始光譜與SOM的相關(guān)系數(shù)提高，GS光譜經(jīng)微分變換后，相關(guān)系數(shù)變化更明顯。GS光譜的原始光譜有90個(gè)相關(guān)系數(shù)較高波段，相關(guān)系數(shù)均為正，最高相關(guān)系數(shù)為0.367，對(duì)應(yīng)波段915 nm；一階微分光譜有40個(gè)相關(guān)系數(shù)較高波段，位于600～800 nm，最高相關(guān)系數(shù)為0.631，對(duì)應(yīng)波段710 nm；二階微分光譜有57個(gè)相關(guān)系數(shù)較高波段，位于500～800 nm，最高相關(guān)系數(shù)為0.578，對(duì)應(yīng)波段683 nm。ASD的相關(guān)系數(shù)與GS的相關(guān)系數(shù)趨勢(shì)一致。ASD光譜的原始光譜與SOM均為正相關(guān)，有70個(gè)相關(guān)系數(shù)較高波段，位于800～1000 nm，最高相關(guān)系數(shù)為0.625，對(duì)應(yīng)波段997 nm；一階微分光譜敏感波段數(shù)最多，有179個(gè)相關(guān)系數(shù)較高波段，最高相關(guān)系數(shù)為0.662，對(duì)應(yīng)波段694 nm；二階微分有130個(gè)相關(guān)系數(shù)較高波段，最高相關(guān)系數(shù)為0.703，對(duì)應(yīng)波段994 nm。

表2 不同光譜與喀斯特地區(qū)典型農(nóng)田土壤有機(jī)質(zhì)相關(guān)系數(shù)的最值及對(duì)應(yīng)波段

2.2 不同光譜變換形式下土壤有機(jī)質(zhì)含量的估算模型

2.2.1 原始光譜 分別根據(jù)GS光譜和ASD光譜的建模集R與土壤有機(jī)質(zhì)含量的相關(guān)系數(shù)，選取敏感波段建立PLSR預(yù)測(cè)模型(表3)。其中，GS光譜R的最佳建模敏感波段為725、752、817和848 nm；ASD光譜R的最佳建模敏感波段為811、835、997和1010 nm。從表4可知，GS光譜相關(guān)參數(shù)與ASD光譜相關(guān)參數(shù)相比，ASD光譜驗(yàn)證集的R2和RPD更高，分別為0.639和1.25。綜合看，ASD光譜模型預(yù)測(cè)的精度較GS光譜高，2個(gè)預(yù)測(cè)模型均具有區(qū)別SOM高值和低值的能力。

2.2.2 一階微分 分別根據(jù)GS光譜和ASD光譜的建模集FDR與土壤有機(jī)質(zhì)含量的相關(guān)系數(shù)，選取敏感波段建立PLSR預(yù)測(cè)模型(表3)。其中，GS光譜FDR的最佳建模敏感波段為479、725和737 nm；ASD光譜FDR的最佳建模敏感波段為406、541、694和751 nm。從表4可知，GS光譜相關(guān)參數(shù)與ASD光譜相比，ASD光譜驗(yàn)證集的R2和RPD更高，分別為0.910和2.68。綜合看，ASD光譜模型預(yù)測(cè)的精度顯著高于GS光譜，ASD光譜建立的模型具有極好的定量預(yù)測(cè)SOM的能力，GS光譜建立的模型具有區(qū)別SOM高值和低值的能力。

2.2.3 二階微分 分別根據(jù)GS光譜和ASD光譜建模集的SDR與土壤有機(jī)質(zhì)含量的相關(guān)系數(shù)，選取敏感波段建立模型(表3)。其中，GS光譜的SDR最佳建模敏感波段為555、683、747和817 nm；ASD光譜的SDR最佳建模敏感波段為568、829、994和1020 nm。從表4可知，GS光譜相關(guān)參數(shù)與ASD光譜相對(duì)比，GS光譜驗(yàn)證集的R2和RPD更高，分別為0.772和1.49。綜合看，GS光譜預(yù)測(cè)模型的精度略高于ASD光譜，GS光譜建立的模型具有一般的定量預(yù)測(cè)SOM的能力，ASD光譜建立的模型具有區(qū)別SOM高值和低值的能力。

對(duì)比GS光譜與ASD光譜的PLSR預(yù)測(cè)結(jié)果看出，基于ASD光譜的SDR建立的模型定量預(yù)測(cè)SOM能力最好，GS光譜的SDR預(yù)測(cè)模型也具有一定定量預(yù)測(cè)SOM的能力。ASD光譜較GS光譜的預(yù)測(cè)精度更高。究其原因：ASD測(cè)量的土樣為風(fēng)干、研磨后近距離室內(nèi)測(cè)量，光譜檢測(cè)條件更穩(wěn)定；同時(shí)，ASD光譜儀的光譜分辨率比GS光譜儀更高、波段范圍更寬。從圖4可見(jiàn)，驗(yàn)證集的預(yù)測(cè)精度，GS光譜的二階微分和ASD光譜的一階微分的預(yù)測(cè)值和實(shí)測(cè)值都比較集中，預(yù)測(cè)結(jié)果較好。

圖3 喀斯特地區(qū)典型農(nóng)田土壤GS光譜、ASD光譜與有機(jī)質(zhì)的相關(guān)性Fig.3 Correlations between GS, ASD and soil organic matter in typical farmland of karst region

表3 不同光譜變換形式的土壤有機(jī)質(zhì)含量光譜反演模型

表4 土壤有機(jī)質(zhì)含量光譜估算模型參數(shù) 建模集

注：a，原始光譜反射率；b，一階微分變換；c，二階微分變換。

Note:a. Original spectral reflectance; b. First order differential transformation；c.Second order differential transformation.

圖4 GS光譜和ASD光譜不同變換形式下土壤有機(jī)質(zhì)含量的預(yù)測(cè)值與實(shí)測(cè)值Fig.4 Predicted and measured value of soil organic matter content under different transformation forms of GS and ASD spectrum

3 討 論

研究結(jié)果表明，GS光譜和ASD光譜均具有定量估測(cè)土壤有機(jī)質(zhì)含量的能力。樣地選取了50個(gè)樣本，后續(xù)應(yīng)該在更大的區(qū)域選擇不同的土壤類型進(jìn)行研究。GS光譜數(shù)據(jù)為室外濕地獲取，一定程度上受太陽(yáng)光、云量、風(fēng)力及土壤本身平整度、顆粒大小、土層厚度等因素影響；GS光譜與ASD光譜的光譜反射率在400～1000 nm總體呈逐漸升高趨勢(shì)，但GS光譜在950 nm左右有1個(gè)明顯的吸收峰，對(duì)此需做更多對(duì)比試驗(yàn)以探索其影響因子。該研究重在探討GS光譜預(yù)測(cè)SOM含量的可行性以及與ASD光譜進(jìn)行預(yù)測(cè)精確程度的對(duì)比，關(guān)于上述氣象、土壤本身差異等因素的影響，已在數(shù)據(jù)獲取和后續(xù)預(yù)處理中盡可能的降低，而對(duì)于其針對(duì)性的削弱或者規(guī)避方法有待進(jìn)一步研究。

4 結(jié) 論

該研究基于GS光譜和ASD光譜，以偏最小二乘法建立了土壤有機(jī)質(zhì)預(yù)測(cè)模型，結(jié)果表明，機(jī)載無(wú)人機(jī)高光譜影像具有檢測(cè)土壤有機(jī)質(zhì)含量的潛力，ASD光譜具有極好的定量預(yù)測(cè)SOM含量的能力。低空無(wú)人機(jī)高光譜影像數(shù)據(jù)的應(yīng)用有助于實(shí)時(shí)、迅速、大范圍的監(jiān)測(cè)喀斯特地區(qū)土壤有機(jī)質(zhì)含量，科學(xué)有效地把握土壤資源的肥力狀況，有望為有關(guān)部門合理制定相關(guān)的土地規(guī)劃與保護(hù)提供基礎(chǔ)數(shù)據(jù)。同時(shí)，前人相關(guān)研究表明，有機(jī)質(zhì)對(duì)重金屬具有強(qiáng)大的吸附或者絡(luò)合作用，本研究也可為后續(xù)大范圍的監(jiān)測(cè)土壤重金屬污染研究提供途徑。