不同粒徑處理的土壤全氮含量高光譜特征擬合模型

王海江 劉 凡 YUNGER John A 崔 靜 馬 玲

(1.石河子大學(xué)農(nóng)學(xué)院， 石河子 832003； 2.新疆生產(chǎn)建設(shè)兵團(tuán)綠洲生態(tài)農(nóng)業(yè)重點實驗室， 石河子 832003；3.伊利諾伊州長州立大學(xué)生物系， 芝加哥 IL 60466)

0 引言

快速、有效地獲取土壤屬性信息，是現(xiàn)代農(nóng)業(yè)發(fā)展、自然資源合理利用以及土壤環(huán)境保護(hù)的重要保障。傳統(tǒng)的土壤屬性測試方法費(fèi)時、費(fèi)力，成本高且造成一定的環(huán)境污染。近些年，高光譜技術(shù)以其簡便、非破壞性、信息量豐富的特點為土壤屬性快速、準(zhǔn)確獲取提供了可能[1-2]。土壤氮素水平不僅是衡量和表征土壤肥力特征的重要指標(biāo)，也是決定植株氮素營養(yǎng)水平的關(guān)鍵因素，實驗室測定方法繁瑣且有限的樣本數(shù)量已經(jīng)無法滿足現(xiàn)代精準(zhǔn)農(nóng)業(yè)施肥技術(shù)的需求。

目前，普遍認(rèn)為采用適當(dāng)?shù)墓庾V預(yù)處理和模型構(gòu)建方法，能夠很好地簡化土壤屬性的反演模型，并能提高預(yù)測精度[3]，如對原始光譜反射率進(jìn)行一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、對數(shù)、連續(xù)統(tǒng)去除等變換[4-7]，采用多元線性逐步回歸、偏最小二乘法、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等建模方法，均能夠有效提高土壤屬性的預(yù)測能力[8-13]。郭熙等[14]應(yīng)用高光譜技術(shù)分析了南方稻田土壤堿解氮的光譜特征，認(rèn)為波長694、2 058、2 189 nm是構(gòu)建光譜反演模型的特征波段，對土壤堿解氮含量具有一定的預(yù)測能力，在對山東潮土[15]和三峽庫區(qū)的紫色土[16]氮素含量預(yù)測中也表現(xiàn)出較好的估測精度。劉秀英等[8]對陜西省吳起縣24個土壤剖面的黃綿土全氮含量進(jìn)行了光譜預(yù)測，模型校正和驗證的R2分別為0.929和0.935；劉雪梅等[17]對原始光譜平滑后采用蒙特卡羅無信息變量消除方法，預(yù)測堿解氮模型的相關(guān)系數(shù)和均方根誤差分別為0.84和17.1 mg/kg，文獻(xiàn)[18-20]利用近紅外光譜分析技術(shù)，通過對土壤原始光譜反射率的平滑和變換處理，采用多元逐步回歸和偏最小二乘法構(gòu)建土壤氮素的估測模型也得到了較好的預(yù)測結(jié)果。

土壤的光譜特征是土壤理化特性的綜合反映，而土壤顆粒粒徑(比表面積)對土壤光譜反射率有著顯著的影響，以往的土壤氮素高光譜估測大都針對同一種土壤粒徑，不同的光譜變換和建模方法開展研究，但是土壤光譜測定前的不同過篩處理會存在較大差異?；诖?，本研究以新疆主要棉區(qū)土壤為研究對象，分析不同過篩粒徑的土壤光譜特征與全氮含量的相關(guān)關(guān)系，確定不同光譜變換數(shù)據(jù)建立的全氮含量估測模型精度，以期為土壤屬性信息的快速獲取提供技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況

新疆地域遼闊，自然條件復(fù)雜，深居歐亞大陸腹地，四周距海遙遠(yuǎn)，北、西、南三面為高山所環(huán)抱，很難受到海洋氣流的影響，屬于典型的溫帶大陸性干旱氣候，其總的特點是干旱多風(fēng)，致使在土壤形成過程中物理風(fēng)化占有突出地位，風(fēng)蝕、風(fēng)積相當(dāng)強(qiáng)烈，形成大面積的漠土、干旱土、鹽堿土、風(fēng)沙土等。棉花是新疆農(nóng)業(yè)種植的特色優(yōu)勢作物，雖光照充足，但受其溫度、土壤、灌水等因素的影響，棉花的種植主要分布在南疆、東疆和北疆的部分地區(qū)，因土壤養(yǎng)分貧瘠，新疆棉田氮肥和磷肥單位面積施用量大，鉀肥單位面積施用量較低，區(qū)域差異明顯[21]。

1.2 樣品采集與處理

新疆棉花氮肥單位面積施用量大，區(qū)域間土壤養(yǎng)分差異明顯，這為本研究獲取較為寬泛的土壤氮素含量樣本提供了基礎(chǔ)條件。因此，在前期調(diào)查和查閱大量資料的基礎(chǔ)上，重點選取近3年棉花產(chǎn)量差異大、區(qū)域間養(yǎng)分差異明顯的棉田樣地，其中博樂地區(qū)116個、昌吉地區(qū)123個、奎屯地區(qū)83個、石河子地區(qū)66個，采樣點分布位置如圖1所示。土壤樣品采集地表0～20 cm土層，分別在每一個采樣點的周邊5 m范圍內(nèi)隨機(jī)再采集2個土樣，3個土樣混合后作為該采樣點待測樣品，質(zhì)量約1 kg。每一個采樣點詳細(xì)記錄經(jīng)緯度坐標(biāo)，并對采樣點周邊環(huán)境進(jìn)行拍照記錄，采集后迅速封裝在自封袋中，帶回實驗室后去除礫石及動植物殘骸等雜質(zhì)。

圖1 樣區(qū)采樣點分布圖Fig.1 Sample plot distribution

土樣經(jīng)自然風(fēng)干、研磨和壓碎后，全氮含量采用全自動凱氏定氮儀(FOSS-2300型，福斯公司，瑞典)測定。為了能夠獲得不同區(qū)域較寬泛的土壤全氮樣本，依據(jù)化學(xué)測定結(jié)果剔除同一區(qū)域全氮含量相近的樣本，最終篩選出博樂地區(qū)62個、昌吉地區(qū)76個、奎屯地區(qū)50個、石河子地區(qū)42個土壤樣品，對篩選出的230個土樣都分4份，分別過2、1、0.5、0.15 mm篩，得到同一個土樣的4種不同粒徑處理樣本，待測光譜反射率。為了能夠更好地構(gòu)建高光譜反演模型并對模型的精度和普適性驗證，將博樂地區(qū)、昌吉地區(qū)和奎屯地區(qū)的188個樣品隨機(jī)分為141 個(75%)建模樣本和 47個(25%)檢驗樣本，并經(jīng)Levene檢驗與T檢驗確保建模樣本集與檢驗樣本集代表相同的總體樣本。石河子地區(qū)的42個樣本不參與模型構(gòu)建和外部檢驗，作為最優(yōu)模型的普適性驗證，樣品描述性統(tǒng)計分析見表1。

表1 土壤全氮含量描述性統(tǒng)計分析Tab.1 Descriptive statistical analysis of soil total nitrogen content

1.3 土壤光譜數(shù)據(jù)測定

采用美國ASD 公司 Field Spec Pro FR 型光譜儀進(jìn)行土壤樣品測試，其波長為350～2 500 nm，其中350～1 000 nm、1 000～2 500 nm波段光譜分辨率分別為3、10 nm，采樣間隔分別為1.4、2 nm。取制備好的土壤樣品放置于半徑5 cm、深1.5 cm(認(rèn)為是光學(xué)上無限厚)的黑色盛樣皿內(nèi)，土壤裝填容重約1.4 g/cm3。光譜測定在暗室中進(jìn)行，將200 W的鹵素?zé)糁糜谀繕?biāo)兩側(cè)，光源入射角為25°，距離目標(biāo)30 cm，采用8°視場角的傳感器探頭置于離土壤樣本表面15 cm的垂直上方，探頭接收光譜的區(qū)域為直徑2.1 cm的圓，小于盛樣皿的面積，探頭接收的均為土壤的反射光譜。測試之前先以白板進(jìn)行定標(biāo)，每個土樣采集10條光譜曲線，算術(shù)平均后得到該土樣的實際反射光譜。

1.4 光譜數(shù)據(jù)處理

1.5 模型構(gòu)建與檢驗

在對光譜數(shù)據(jù)變換和篩選的基礎(chǔ)上，選取與土壤全氮含量顯著相關(guān)波段多的變換形式，采用支持向量機(jī)(Support vector machine，SVM)、偏最小二乘回歸(Partial least squares regression，PLSR)和多元逐步線性回歸(Stepwise multiple linear regression，SMLR)方法構(gòu)建土壤全氮含量光譜反演模型。設(shè)定SVM類型為4(即v-SVR)，核函數(shù)類型為 2(即 RBF)，采用訓(xùn)練集交叉驗證和網(wǎng)格搜索法(Grid search)進(jìn)行參數(shù)尋優(yōu)，依據(jù)均方差最小原則確定懲罰參數(shù)C和RBF核參量g的值。采用Matlab R2012a和Sigmaplot軟件完成相關(guān)建模、制圖。

(1)

(2)

(3)

(4)

(5)

nc——校正樣本數(shù)

ypi——預(yù)測集中第i個樣本的實測值

np——預(yù)測集樣本數(shù)

SD——預(yù)測集樣本測量值的標(biāo)準(zhǔn)偏差

RMSECV——交互驗證均方根誤差

2 結(jié)果與分析

2.1 不同粒徑土壤原始光譜特征與全氮含量相關(guān)性

圖2是不同粒徑土壤樣品光譜特征與全氮含量的相關(guān)性，土壤原始光譜反射率在各個波段與全氮含量的相關(guān)系數(shù)均不高[22]，從其變化趨勢來看，不同粒徑處理土壤樣品與全氮的相關(guān)性變化相似，波長在350～664 nm內(nèi)表現(xiàn)為負(fù)相關(guān)，波長在664～1 520 nm內(nèi)相關(guān)性為正值，而后至2 500 nm為負(fù)相關(guān)。不同粒徑土壤樣品在370 nm處與土壤全氮含量的相關(guān)性出現(xiàn)一峰值，相關(guān)系數(shù)為-0.31～-0.21，隨著波長的增加，相關(guān)性降低，在497～520 nm內(nèi)有一谷值，相關(guān)系數(shù)約為-0.09，而后在564～584 nm形成小的峰值，相關(guān)系數(shù)在-0.10左右；隨著波長的增加相關(guān)性變?yōu)檎?，? 046 nm附近有一峰值，相關(guān)系數(shù)約為0.22，后在1 892、2 457 nm處形成峰值，相關(guān)系數(shù)分別在-0.32和-0.34附近。從相關(guān)性來看，不同粒徑組成的土壤原始光譜與全氮含量相關(guān)性均不高，其中2 mm粒徑處理相關(guān)性最低，0.5 mm處理最高，其次是0.15、1 mm，試驗結(jié)果表明，土壤粒徑較小的處理在相關(guān)性上優(yōu)于粒徑較大的處理。

圖2 不同粒徑組成土壤光譜特征與全氮含量相關(guān)性Fig.2 Correlation of soil total nitrogen content and spectral characteristics in different soil particle sizes

土壤光譜特征是土壤理化特性的綜合反映，其原始光譜特征與全氮含量的相關(guān)性受土壤類型、質(zhì)地、有機(jī)質(zhì)、鹽分含量以及背景噪聲等多因素綜合作用[3]，因此，不同研究中土壤光譜特征與全氮含量的相關(guān)系數(shù)及其變化趨勢差異較大[23-25]。

2.2 不同光譜變換數(shù)據(jù)與全氮含量相關(guān)性

表2 不同光譜數(shù)據(jù)變換與土壤全氮含量的最優(yōu)相關(guān)關(guān)系Tab.2 Correlation between different spectrum transformations and soil total nitrogen content

2.3 不同粒徑土壤全氮含量的光譜特征擬合

表3是利用SVM、PLSR和SMLR 3種方法構(gòu)建的不同粒徑處理全氮含量的擬合模型，由表3可知，對土壤原始光譜進(jìn)行不同形式的變化均能夠不同程度地提高模型精度，土壤過篩粒徑越小模型的擬合精度越高，從建模精度對比，SVM方法優(yōu)于PLSR和SMLR。

2.4 最優(yōu)模型的驗證

通過分析不同粒徑土壤各變換形式構(gòu)建的模型表明(圖3)，3種模型構(gòu)建方法均采用過篩0.15 mm的土壤樣品能夠明顯提高氮素含量的預(yù)測精度，SVM方法采用(lgR)′變換形式、PLSR和SMLR方法采用R′建立的全氮含量擬合模型精度最高，將未參與建模的石河子地區(qū)42個土壤樣本進(jìn)行模型適應(yīng)性驗證，并計算出預(yù)測值與實測值的絕對百分比誤差(圖3)。SVM、PLSR和SMLR模型R2分別為0.822 9、0.771 5和0.705 4，其中SVM和PLSR的預(yù)測數(shù)值略高于實測值，SMLR模型的預(yù)測值略低于實測值，3種方法構(gòu)建的模型在不同區(qū)域間都能夠較好地估測土壤全氮含量，具有一定的區(qū)域穩(wěn)定性。從絕對誤差的變化來看，3種模型均表現(xiàn)出土壤全氮含量越小其誤差越大，隨著土壤氮素含量的增大，誤差迅速降低，如實測值氮素含量為0.06 g/kg時，SVM、PLSR和SMLR模型的絕對誤差分別為562.83%、787.11%和547.24%，氮素含量為0.93 g/kg時，絕對百分比誤差分別為2.46%、3.85%和7.85%，說明采用3種估測方法都無法對土壤氮素含量低的樣品進(jìn)行準(zhǔn)確反演。

表3 不同粒徑土壤全氮含量的模型構(gòu)建與檢驗Tab.3 Models of hyperspectral inverse for soil total nitrogen content in different soil particle sizes

圖3 全氮含量最優(yōu)模型的驗證與誤差分析Fig.3 Model checking and error analysis of soil total nitrogen content

3 討論

土壤的原始光譜特征是土壤屬性的綜合反映，張娟娟等[24]對我國中東部地區(qū)土壤樣品進(jìn)行風(fēng)干處理，分析發(fā)現(xiàn)土壤全氮含量與原始光譜反射率在350～560 nm和1 913～1 932 nm區(qū)域內(nèi)為正相關(guān)，其余波段為負(fù)相關(guān)，相關(guān)系數(shù)均低于0.4；張瑤等[11]對北京昌平褐色沙壤土原始光譜特征與全氮含量進(jìn)行相關(guān)分析，在波長800～2 564 nm范圍內(nèi)均呈現(xiàn)負(fù)相關(guān)；趙燕東等[22]對北京海淀區(qū)土壤樣品過篩處理，在控制土壤含水率為15%的條件下測定原始光譜與全氮含量相關(guān)性，波長在2 203～2 219 nm區(qū)域為正相關(guān)，其他區(qū)域均為負(fù)相關(guān)；李焱等[25]對新疆北部灰漠土過篩進(jìn)行光譜測定，表明土壤全氮與原始光譜反射率在350～540 nm區(qū)域為負(fù)相關(guān)，540～2 490 nm呈現(xiàn)正相關(guān)。本研究中土壤原始光譜特征與全氮含量的相關(guān)性在350～664 nm范圍內(nèi)表現(xiàn)為負(fù)相關(guān)，664～1 520 nm相關(guān)性為正值，而后至2 500 nm為負(fù)相關(guān)。綜上所述，僅利用土壤原始光譜反射率對土壤全氮含量進(jìn)行估測時往往因成土母質(zhì)、粒徑、有機(jī)質(zhì)含量等因素而大相徑庭，在對土壤樣品風(fēng)干、過篩等預(yù)處理消除樣品不一致的影響后，利用原始光譜特征仍無法估測土壤氮素含量。大量的研究證明，通過對原始光譜數(shù)值進(jìn)行一階微分、二階微分、連續(xù)統(tǒng)去除等變換后，能夠顯著提高光譜特征與土壤特性參數(shù)的相關(guān)性[8,17,26]，本研究中對原始光譜反射率進(jìn)行了12種不同形式的變換，其相關(guān)性較原始光譜均有所提高，一階微分變換后的擬合精度優(yōu)于其他變換，二階微分變換在增強(qiáng)特征波段信息的同時或許也增強(qiáng)了背景噪聲的信號，使建模精度低于一階微分。不同變換形式最大相關(guān)系數(shù)對應(yīng)的波段位置沒有很好的規(guī)律性，但同一種變換形式在不同的粒徑處理上位置是相近的，依據(jù)估測模型的擬合精度，采用SVM方法對光譜進(jìn)行(lgR)′變換，PLSR和SMLR方法對光譜進(jìn)行R′變換能夠較為準(zhǔn)確地估算土壤全氮含量。

土壤光譜反射率受到質(zhì)地、理化性質(zhì)等因素的共同影響，其光譜測定通常是經(jīng)過去雜、過篩處理后進(jìn)行，不同粒徑的土粒由于比表面積的不同而會影響到反射率，粒徑小的土粒具有較大的比表面積而反射率也較高。國內(nèi)外土壤光譜的測定在過篩處理上差異較大，如預(yù)處理過20目篩(0.83 mm)[22,24]、16目篩(1 mm)[25,27-28]、100目篩(0.15 mm)[29]、8目篩(2.5 mm)[30]、2 mm粒級[10,31-34]，研究者均認(rèn)為在利用光譜特征反演不同土壤參數(shù)前需要進(jìn)行過篩處理，通過過篩能夠使被測樣品粒徑較為一致，但在不同粒徑樣品的光譜擬合精度上研究略顯不足。本研究在對土壤樣品的原始光譜進(jìn)行12種不同形式數(shù)據(jù)轉(zhuǎn)換后，利用支持向量機(jī)、偏最小二乘回歸和多元逐步回歸3種方法分別構(gòu)建了土壤全氮含量的高光譜擬合模型，從不同粒徑的擬合精度來看，過篩最小粒徑的0.15 mm處理模型的擬合精度最高，其原因或許是土壤顆粒越小，彼此的結(jié)合越緊密，土壤表面也就越平滑，反射率就越大[35-36]，另一方面較大的土壤顆粒間能夠容納更多的空氣和束縛水，其對光譜特征的表達(dá)會產(chǎn)生干擾和掩蓋。因此，本研究的結(jié)果可推斷對土壤待測樣品過篩越細(xì)，土壤顆粒越小，利用土壤光譜特征對土壤全氮含量的估測能力越強(qiáng)。從模型的絕對誤差來看，土壤氮素含量越低，SVM、PLSR和SMLR模型的預(yù)測誤差均越大，與采用的建模方法并無關(guān)系，這在其他一些研究者得出的結(jié)論中并未表現(xiàn)的很明顯[22-24]，或許是因為本研究區(qū)采集的土壤樣品氮素含量偏低，在土壤氮素含量較低的情況下，利用光譜反射特征無法準(zhǔn)確估測。

4 結(jié)論

(1)利用土壤的原始光譜特征無法準(zhǔn)確估測土壤全氮含量，對光譜反射率進(jìn)行相應(yīng)的數(shù)據(jù)轉(zhuǎn)換能夠顯著提高特征波長與土壤全氮含量的相關(guān)性，但光譜特征波長在各變換中差異不大，其中采用SVM方法通過(lgR)′變換在不同粒徑處理中都能夠較準(zhǔn)確地估測土壤全氮含量，RPD均大于1.5；PLSR和SMLR方法通過R′變換在過篩粒徑小于等于1 mm處理，能夠較為準(zhǔn)確地估測土壤全氮含量。

(2)從不同粒級模型的估測精度來看，過篩粒徑越細(xì)，對土壤全氮含量的擬合精度越高，0.15 mm處理，SVM方法采用(lgR)′變換后構(gòu)建的模型RPD為2.704 9，PLSR和SMLR方法通過R′變換后RPD分別為2.554 9和2.437 4，3種方法均能夠很好地估測氮素含量，SVM方法擬合精度優(yōu)于PLSR和SMLR。從最優(yōu)模型的驗證結(jié)果來看，SVM、PLSR和SMLR方法的模型檢驗R2分別為0.822 9、0.771 5和0.705 4，土壤中氮素含量越低，預(yù)測誤差也越大。