基于高光譜的干旱區(qū)鹽漬化土壤鹽分含量估算

如則麥麥提·米吉提， 買(mǎi)買(mǎi)提·沙吾提， 麥爾耶姆·亞森， 馬春玥

(新疆大學(xué)資源與環(huán)境科學(xué)學(xué)院/新疆大學(xué)綠洲生態(tài)教育部重點(diǎn)實(shí)驗(yàn)室，新疆烏魯木齊 830046)

土壤鹽漬化是土地退化的主要表現(xiàn)，灌溉引起的土壤次生鹽漬化成為限制干旱區(qū)農(nóng)業(yè)經(jīng)濟(jì)發(fā)展的因素之一，也是影響綠洲生態(tài)環(huán)境穩(wěn)定與安全的重要因素[1]。鹽漬土是重要的耕地后備資源，及時(shí)獲取土壤鹽漬化信息，對(duì)于我國(guó)西北部干旱區(qū)的可持續(xù)發(fā)展至關(guān)重要[2-3]。遙感技術(shù)能宏觀(guān)、快速地提取地表時(shí)空信息，已成為動(dòng)態(tài)監(jiān)測(cè)土壤鹽漬化的新方法[4]。鹽漬化土壤的光譜反射特征是由土壤理化性質(zhì)決定的，傳統(tǒng)遙感數(shù)據(jù)并不能完全反映土壤的光譜特征，而高光譜數(shù)據(jù)能夠提供鹽漬化土壤細(xì)微的光譜特征。光譜分辨率高、波段具有連續(xù)性強(qiáng)、光譜信息量大的優(yōu)點(diǎn)。闡明土壤屬性與其高光譜的關(guān)系，成為高光譜遙感技術(shù)定量監(jiān)測(cè)和提取土壤信息的重要方法，為實(shí)現(xiàn)大尺度、實(shí)時(shí)監(jiān)測(cè)土壤提供了新途徑，使定量反演土壤鹽漬化狀況成為可能[5-12]。目前，國(guó)內(nèi)外己有眾多學(xué)者對(duì)土壤鹽漬化的高光譜特征及定量、半定量做了大量的研究工作，Dehaan等觀(guān)測(cè)澳大利亞Murray-Darling盆地的鹽殼及重度、中度、輕度鹽漬土的光譜，發(fā)現(xiàn)這4類(lèi)土壤在不同光譜波段有明顯的吸收作用[13]；Leone等應(yīng)用實(shí)驗(yàn)室光譜進(jìn)行多元統(tǒng)計(jì)分析以評(píng)價(jià)土壤開(kāi)發(fā)和土壤退化程度并建立預(yù)測(cè)模型[14-16]。劉慶生等分析了鹽分含量與上覆植被光譜的關(guān)系[17]。馬諾等通過(guò)野外調(diào)查以及實(shí)地測(cè)點(diǎn)，利用便攜式光譜儀測(cè)量研究區(qū)域內(nèi)不同鹽漬程度的土壤光譜，分析土壤光譜曲線(xiàn)與土壤鹽漬程度之間的關(guān)系[18]。劉亞秋等利用熱紅外光譜儀建立了鹽分與鹽漬化土壤發(fā)射率一階導(dǎo)數(shù)模型[19]。彭杰等對(duì)野外高光譜數(shù)據(jù)與土壤含鹽量進(jìn)行耦合分析并建立多元線(xiàn)性回歸建模，決定系數(shù)達(dá)到0.80[20]。丁建麗等利用高光譜數(shù)據(jù)建立的監(jiān)測(cè)模型為提取鹽漬化土壤信息提供了依據(jù)[21]。

基于此，本研究以新疆維吾爾自治區(qū)渭干河-庫(kù)車(chē)河三角洲綠洲為研究區(qū)，利用57個(gè)表層土壤樣品的室內(nèi)高光譜數(shù)據(jù)，并結(jié)合實(shí)測(cè)土壤含鹽量，研究15種數(shù)學(xué)變換處理在高光譜數(shù)據(jù)估算荒漠土壤含鹽量的可能性，并應(yīng)用偏最小二乘回歸、主成分回歸、多元逐步線(xiàn)性回歸建立土壤含鹽量估算模型，以期為干旱區(qū)綠洲土壤鹽漬化的高精度遙感監(jiān)測(cè)提供一種更為有效的手段。

1 材料與方法

1.1 研究區(qū)概況

胃干河-庫(kù)車(chē)河流域簡(jiǎn)稱(chēng)胃-庫(kù)綠洲，是位于我國(guó)西北部的典型干旱區(qū)綠洲。本地區(qū)行政上轄阿克蘇地區(qū)的庫(kù)車(chē)縣、沙雅縣、新河縣，地理坐標(biāo)分別為80°37′～83°59′E，41°06′～41°40′N(xiāo)。綠洲北部跟天山南部接壤，南部延伸到塔克拉瑪干沙漠北緣。胃-庫(kù)綠洲是胃干河-庫(kù)車(chē)河長(zhǎng)期沉淀形成的山前沖洪積扇平原，是塔里木盆地的主要綠洲及我國(guó)重要的產(chǎn)棉區(qū)之一。該綠洲位于中緯度地區(qū)，遠(yuǎn)離海洋，氣候干燥，風(fēng)沙頻繁，降水稀少，蒸發(fā)量大，晝夜溫差大，夏季干熱，冬季干冷。年均氣溫10.5～11.4 ℃，年降水50.5～66.5 mm，年均蒸發(fā)量2 000.7～2 092.0 mm，年均無(wú)霜期 240 d。土壤以輕壤和沙壤為最多，中壤、重壤、黏土有少量分布，土壤構(gòu)成物顆粒細(xì)，透水性差。

1.2 數(shù)據(jù)采集

本研究于2016年4月中旬，在渭干河-庫(kù)車(chē)河綠洲進(jìn)行野外調(diào)查，采集57個(gè)采樣點(diǎn)的土壤樣品，采樣點(diǎn)分布見(jiàn)圖1。每個(gè)點(diǎn)分3層取樣(0～10 cm、10～30 cm、30～50 cm)，共采集171個(gè)土樣。樣品在室內(nèi)條件下自然風(fēng)干，磨碎后過(guò)2 mm篩子。其中，每個(gè)樣品分為2份，1份樣品用于測(cè)定土壤，鹽分、溶解性固體(TDS)、pH值等指標(biāo)，另1份用于土壤光譜的測(cè)定。在土水體積比為1 ∶5的土壤懸濁液中，使用便攜式多參數(shù)分析儀Multi 3420 SETB(wissens chaftlich technische werkst?tten，德國(guó))進(jìn)行指標(biāo)測(cè)定。

測(cè)出的土壤參數(shù)值統(tǒng)計(jì)特征見(jiàn)表1。本研究區(qū)含鹽量最大值為69.8 g/kg，最小值為0 g/kg，平均值為20.19 g/kg，變異系數(shù)為99.15%，屬?gòu)?qiáng)變異，表明土壤鹽分分布很不均勻。土壤樣本的pH值變異系數(shù)為8.26%，屬低變異。根據(jù)土壤的分級(jí)標(biāo)準(zhǔn)，57個(gè)樣本中，非鹽漬土樣本為13個(gè)，輕、中、重度鹽漬化樣本數(shù)分別為11、10、23個(gè)。非鹽漬化土壤樣本主要以綠洲內(nèi)部為主，內(nèi)部到綠洲與荒漠邊界土壤含鹽量逐漸增加。中、重度鹽漬化土壤分布在研究區(qū)的東南部區(qū)域。

表1 土壤指標(biāo)統(tǒng)計(jì)特征

注：樣本數(shù)=171個(gè)。

表2 土壤鹽漬化程度分級(jí)標(biāo)準(zhǔn)[22]

1.3 土壤樣本光譜測(cè)定

使用FieldSpec3型光譜儀(analytical spectral devices)，波段范圍為350～2 500 nm，光譜采樣間隔分別為 1.4 nm(波段350～1 000 nm區(qū)間)和2 nm(波段1 000～2 500 nm區(qū)間)，采樣間隔為1 nm，輸出波段數(shù)為2 151個(gè)。土壤樣本光譜測(cè)定在能控制光照條件的暗室內(nèi)進(jìn)行，測(cè)試之前都要進(jìn)行白板校正，儀器光源為50 W鹵素?zé)?，天頂角?5°，8°視場(chǎng)角探頭垂直土樣表面，距離為10 cm。每個(gè)土樣分別測(cè)10次，并取其算術(shù)平均值作為該樣品的實(shí)際光譜反射率。

1.4 數(shù)據(jù)預(yù)處理與變換

將57個(gè)采樣點(diǎn)的表層土壤含鹽量從高到低進(jìn)行排序，等間隔選取37個(gè)作為建模集，20個(gè)作為驗(yàn)證集，分別用于模型的建立以及精度驗(yàn)證。將通過(guò)顯著性檢驗(yàn)(P<0.01)的波段作為自變量，利用偏最小二乘回歸法(Partial Least-Squares Regression，PLSR)、主成分回歸模型(Principle Component Regression model，PCM)和多元逐步回歸模型(Multiple Stepwise Regression Model，MSRM)建立土壤含鹽量的估算模型，通過(guò)對(duì)比各模型的決定系數(shù)(Determination of Coefficients，R2)、均方根誤差(Root Mean Square Error of Prediction，RMSE)、相對(duì)分析誤差(Relative Prediction Deviation，RPD)篩選出最優(yōu)模型。R2用于判定模型的穩(wěn)定程度，取值范圍為 0～1，其值越大說(shuō)明該模型的穩(wěn)定性越好；RMSE用于表征模型的準(zhǔn)確性，其值越小，表明模型的精度越高。另外，當(dāng)RPD的值小于1.4時(shí)，模型基本上可用；當(dāng)RPD的值在1.4～2.0之間時(shí)，模型估算精度一般，RPD值越大于2.0，表明模型的定量預(yù)測(cè)能力越好[25]。

2 結(jié)果與分析

2.1 土壤樣本反射光譜曲線(xiàn)特征

將57個(gè)土壤表層樣本反射率以土壤鹽漬化程度分級(jí)標(biāo)準(zhǔn)進(jìn)行分類(lèi)再求平均，作為不同程度鹽漬化土壤樣本的光譜反射率曲線(xiàn)。從圖2可以看出，4條曲線(xiàn)變化趨勢(shì)大致相似，土壤光譜從350～1 300 nm內(nèi)波段范圍持續(xù)上升，至 1 400 nm 處出現(xiàn)一個(gè)淺水分吸收谷，之后從1 400～1 850 nm波段范圍內(nèi)繼續(xù)升高，但增加幅度較為平緩，至1 900 nm處再次出現(xiàn)一個(gè)深的水分吸收谷。土壤成分含量值在一定程度上決定了土壤光譜曲線(xiàn)反射率值的大小和曲線(xiàn)整體的走勢(shì)，含鹽量越高，反射率也高。

2.2 土壤含鹽量與光譜相關(guān)性分析

將土壤含鹽量與光譜反射率及其15種變換形式做相關(guān)系數(shù)在0.01水平上的顯著性檢驗(yàn)及相關(guān)性分析。從圖3可以看出，從土壤含鹽量與光譜的相關(guān)性分析來(lái)看，反射率一階微分(圖3-b)、反射率二階微分(圖3-c)、對(duì)數(shù)相反數(shù)一階微分(圖3-i)、連續(xù)統(tǒng)去除一階微分(圖3-o)、平方根一階微分(圖3-m)、立方根一階微分(圖3-k)與土壤含鹽量數(shù)據(jù)的整體相關(guān)系數(shù)較好，并通過(guò)顯著性檢驗(yàn)(P<0.01)。土壤含鹽量與R、1/R、(1/R)′、lgR、1/lgR、連續(xù)統(tǒng)去除法、反射率平方根、立方根的相關(guān)性較小，沒(méi)有通過(guò)0.01水平顯著性檢驗(yàn)的波段。因此，從光譜反射率及其15種變換形式中，遴選出以上5種，只對(duì)以上5種光譜反射率變換結(jié)果分別與土壤含鹽量進(jìn)行估算模型的建立與驗(yàn)證。

結(jié)果表明，單個(gè)波段所建立的模型很難預(yù)測(cè)土壤含鹽量，微分變換較好地體現(xiàn)了原始數(shù)據(jù)中隱晦的光譜信息，相關(guān)性得以提升，據(jù)此運(yùn)用光低階微分處理方法，可以篩選出對(duì)土壤含鹽量敏感的特征光譜波段[26]。光譜反射率不同變換形式與土壤含鹽量特征波段的選取是選擇相關(guān)系數(shù)的峰值所對(duì)應(yīng)的光譜波段。

2.3 土壤含鹽量建模

根據(jù)以上相關(guān)分析結(jié)果得到的特征光譜波段，針對(duì)本研究的高光譜指數(shù)分別建立土壤含鹽量的偏最小二乘回歸模型，主成分回歸模型和多元逐步線(xiàn)性回歸模型。DPS數(shù)據(jù)處理軟件將57個(gè)土壤樣本中隨機(jī)選取的37個(gè)樣本用于建立模型，以土壤含鹽量作為因變量，以特征波段的光譜反射率作為自變量，分別建立土壤含鹽量的偏最小二乘回歸模型、主成分回歸模型和多元逐步線(xiàn)性回歸模型。運(yùn)用偏最小二乘回歸模型見(jiàn)表3，主成分回歸模型和多元逐步線(xiàn)性回歸方法的敏感光譜波段與土壤含鹽量之間的預(yù)測(cè)模型。從表3可以看出，以原始光譜與土壤含鹽量相關(guān)性較差，相關(guān)性最大的不到 0.2，沒(méi)有超過(guò)0.01顯著性檢驗(yàn)線(xiàn)，因此建立的模型擬合精度很差。經(jīng)過(guò)微分變換后，土壤含鹽量與高光譜的相關(guān)性有所提高，最大可達(dá)到0.47，為挖掘敏感波段呈現(xiàn)良好的效果，建立的模型估算精度較好。所選擇的5種數(shù)學(xué)變換形式當(dāng)中，基于連續(xù)統(tǒng)去除一階微分模型的決定系數(shù)最差，立方根一階微分的最好。根據(jù)決定系數(shù)R2和相對(duì)分析誤差RPD值最大、均方根誤差最小的原則，對(duì)于各種變換形式，3種預(yù)測(cè)模型都是土壤含鹽量立方根一階微分光譜特征波段為自變量時(shí)擬合最優(yōu)，R2值分別為0.68、0.65、0.85。利用多元逐步線(xiàn)性回歸方法建立的模型的精度最高，模型的R2、RPD和RMSE分別達(dá)到0.85、2.36、1.8。可以使用這種預(yù)測(cè)模型來(lái)定量反演土壤含鹽量，提取土壤鹽漬化信息。

表3 含鹽量回歸模型

2.4 模型精度檢驗(yàn)

根據(jù)模型的精度參數(shù)，對(duì)建立的模型進(jìn)行篩選后發(fā)現(xiàn)，RPD≥2的模型只有2個(gè)，是基于平方根一階微分和立方根一階微分的多元逐步線(xiàn)性回歸模型建立的模型，其他模型的RPD屬于小于或等于1.5。對(duì)模型的R2、RMSE、RPD以及波段數(shù)量進(jìn)行綜合對(duì)比發(fā)現(xiàn)，基于平方根一階微分和立方根一階微分建立多元逐步回歸模型RPD、RMSE、R2最優(yōu)且參與建模的波段數(shù)量較多(19個(gè)和16個(gè))。一階和二階微分模型對(duì)驗(yàn)證樣品的含鹽量決定系數(shù)分別為0.34和 0.57，偏離1 ∶1線(xiàn)，模型估算精度不高。連續(xù)統(tǒng)去除一階微分模型對(duì)驗(yàn)證樣品的含鹽量決定系數(shù)最差，只達(dá)到0.08。對(duì)3種建模方法而言，基于多元逐步線(xiàn)性回歸方法的模型精度高于其他2個(gè)方法的建模精度；利用主成分回歸方法建立的模型精度最低，R2值最高到0.68。對(duì)原數(shù)據(jù)的數(shù)學(xué)變換后整數(shù)階微分而言，一階微分處理增強(qiáng)了原數(shù)據(jù)的敏感性及建模能力。說(shuō)明原始數(shù)據(jù)的平方根一階微分和立方根一階微分一定程度上可以增強(qiáng)光譜對(duì)含鹽量的敏感程度，并利用多元逐步線(xiàn)性回歸方法對(duì)估算土壤鹽含量具有較好的定量反演能力，且計(jì)算量相對(duì)較小，因而確定該模型為最優(yōu)模型(圖4)。

3 結(jié)論

在本研究中，通過(guò)對(duì)土壤含鹽量與高光譜指數(shù)之間的相關(guān)性分析、3種預(yù)測(cè)模型的建立以及模型精度驗(yàn)證，可以得出以下結(jié)論。

在不同鹽漬化水平下，土壤的光譜特征在形態(tài)上趨于一致；在整個(gè)波譜區(qū)間，土壤的光譜反射率隨鹽漬化程度的加重呈現(xiàn)增加趨勢(shì)。

對(duì)原始高光譜數(shù)據(jù)的15種數(shù)學(xué)變換中，利用微分處理是體現(xiàn)光譜數(shù)據(jù)敏感波段效率好，經(jīng)微分變換后的高光譜指數(shù)與土壤含鹽量進(jìn)行相關(guān)性分析，篩選出對(duì)土壤含鹽量變化響應(yīng)的敏感波段，構(gòu)建基于偏最小二乘回歸、主成分回歸和多元逐步線(xiàn)性回歸的土壤鹽分監(jiān)測(cè)模型。結(jié)果表明，立方根一階微分變換形式為構(gòu)建預(yù)測(cè)模型的最佳光譜指標(biāo)。

對(duì)土壤含鹽量的3種回歸模型預(yù)測(cè)效果進(jìn)行檢驗(yàn)，比較實(shí)測(cè)值與預(yù)測(cè)值的相關(guān)關(guān)系。結(jié)果表明，多元逐步線(xiàn)性回歸模型的穩(wěn)定性和預(yù)測(cè)精度高于其他2種回歸模型，證明了該方法的普適性。

本研究運(yùn)用偏最小二乘回歸、主成分回歸和多元逐步線(xiàn)性回歸模型在實(shí)驗(yàn)室內(nèi)對(duì)干旱區(qū)土壤鹽分含量的測(cè)定，對(duì)比3種回歸方法所建立模型的精度，發(fā)現(xiàn)多元逐步線(xiàn)性回歸模型的預(yù)測(cè)精度最高。但影響土壤光譜反射率是土壤的粒徑、粗糙度和水分含量等多種因素的綜合反映。在今后的研究中要考慮這些因素的影響。