基于野外VIS-NIR光譜的土壤鹽分主要離子預(yù)測①

馬利芳，熊黑鋼，張 芳

基于野外VIS-NIR光譜的土壤鹽分主要離子預(yù)測①

馬利芳1，熊黑鋼2*，張 芳1

(1新疆大學(xué)資源與環(huán)境科學(xué)學(xué)院，綠洲生態(tài)教育部重點實驗室，烏魯木齊 830046；2北京聯(lián)合大學(xué)應(yīng)用文理學(xué)院，北京 100083)

為明確干旱區(qū)土壤鹽分主要離子的特征光譜，建立精度高和穩(wěn)定性好的鹽漬土預(yù)測模型，以新疆阜康市為研究區(qū)域，采用網(wǎng)格法采集55個土壤樣本，利用實測VIS-NIR光譜，選擇多元線性回歸(MLR)、支持向量機(SVM)、隨機森林(RF)法構(gòu)建土壤鹽分主要離子含量反演模型，而后對反演精度進行檢驗。結(jié)果顯示：①在0.01顯著水平下，土壤鹽分與Na+、Cl–、Ca2+含量均呈顯著相關(guān)，相關(guān)系數(shù)分別為0.978、0.814、0.645；②綜合光譜響應(yīng)和相關(guān)性分析確定土壤鹽分主要離子的特征波段為459、537、1 381、1 386 nm，顯著特征波段為459、537 nm；③3種模型擬合效果從高到低依次為RF>MLR>SVM，采用RF所建模型鹽分主要離子(Na+、Cl–、Ca2+)2最高，RMSE最小，RPD最大，分別為2.11、2.03、1.80，為最優(yōu)預(yù)測模型。通過選取土壤主要離子顯著特征波段，進而采用RF法構(gòu)建其估測模型，可以有效提取干旱區(qū)土壤鹽分的主要離子信息。

土壤；鹽分；高光譜；反演；支持向量機；隨機森林

快速準(zhǔn)確地評估鹽漬化土壤的理化屬性是目前土壤組分研究的熱點之一。以往的研究方法存在費時費力、投入成本高等缺點，樣點分布往往數(shù)量有限，因而對高效地評估土壤鹽漬化存在一定的不足[1]。高光譜遙感因其能獲得觀測對象的連續(xù)光譜信息，為高精度定量反演鹽漬土信息提供新的途徑。

已有研究多是基于可見光-近紅外光譜對土壤組分定量研究[2-4]，或?qū)}漬土中的主要離子含量反演[5-6]。例如：使用1 400 ~ 2 450 nm光譜數(shù)據(jù)構(gòu)建土壤鹽分含量的偏最小二乘回歸模型，對甘肅省石羊河流域下游的民勤縣進行土壤鹽分預(yù)測[7]；以修復(fù)過程的不同階段鹽漬土鹽分含量、Na+和Cl–等參數(shù)，分析土壤在微生物修復(fù)過程中鹽分和主要離子含量變化及其光譜響應(yīng)的最佳波段和特征[8]；以新疆作為研究區(qū)，對不同地方土樣的光譜信息與鹽基離子進行分析，建立水溶性鹽基離子高光譜反演模型[9]?，F(xiàn)有的成果在建模方法上主要有多元線性回歸、偏最小二乘回歸、神經(jīng)網(wǎng)絡(luò)等。例如：利用線性回歸和偏最小二乘回歸法，構(gòu)建陜北鹽漬土鹽分含量定量反演模型[10]；基于多元線性回歸方法建立位于博斯騰湖西岸湖濱綠洲蘆葦?shù)赝寥篮}量和主要離子的高光譜估測模型[11]；利用多元線性回歸和BP人工神經(jīng)網(wǎng)絡(luò)建立內(nèi)蒙古河套灌區(qū)鹽漬化土壤鹽分高光譜預(yù)測模型[12]。

已有土樣測定多采用室內(nèi)進行光譜測量，野外實測光譜反演土壤鹽分主要離子則較少。本文采用數(shù)據(jù)挖掘和智能預(yù)測算法：隨機森林(random forest，RF)、支持向量機(support vector machine，SVM)以及多元線性回歸(multiple linear regression，MLR)3種方法構(gòu)建鹽分主要離子的高光譜反演模型，并對3種模型進行比較，選擇最優(yōu)反演模型，為快速獲取鹽漬土信息提供模型依據(jù)，也為干旱區(qū)鹽漬土治理提供參考。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)地處天山東段北麓、準(zhǔn)噶爾盆地南緣，為典型的荒漠區(qū)。該地區(qū)屬中溫帶大陸性干旱氣候，冬季長、干冷、嚴(yán)寒多雪，夏季短、干熱、降水稀少且空間分布不均，年降水量僅164 mm，年蒸發(fā)潛力2 000 mm左右。土壤質(zhì)地為砂質(zhì)壤土，土壤類型為灰漠土[13]。研究區(qū)土地利用類型為荒地、半荒地、棄耕地及部分林地?；牡刂脖灰运笏?、紅柳、豬毛菜為主，而林地則多為人工梭梭林、榆樹林。

1.2 土壤樣本采集及光譜測定

2014年7月中旬進行野外采樣。根據(jù)研究區(qū)實地情況，采用網(wǎng)格法，由南向北布設(shè)5 ~ 6條采樣線覆蓋整個區(qū)域。采樣線間距800 ~ 1 000 m，并且在每條采樣線上選擇5 ~ 10個能代表該區(qū)域土壤背景的采樣點，樣點間距為300 ~ 500 m(圖1)。采樣點覆蓋了所有鹽分及各種植被的變化范圍。用GPS定位并記錄相應(yīng)環(huán)境信息，布設(shè)樣點55個，每個樣點每20 cm深度采一個樣品至地下1 m，共獲得樣品275個。土壤光譜主要受表層組分的影響，因此本研究主要對0 ~ 20 cm的土壤鹽分離子進行分析。

采用美國 ASD FieldSpec?3Hi-Res便攜式光譜儀進行野外高光譜數(shù)據(jù)采集，光譜有效范圍350 ~ 2 500 nm，分析軟件使用ASD View Spec Pro。試驗時間為當(dāng)?shù)?1：00—15：00，天氣晴朗少云、無風(fēng)，采集光譜前對光譜儀進行白板校正。在每個樣點周圍1 m范圍內(nèi)選取5個土壤背景相近的位置采用25°視場角探頭，且距土壤表面15 cm處垂直角度進行光譜采集，每個位置重復(fù)測量10次，獲得50條光譜曲線后取平均值作為該采樣點的實測光譜曲線。

圖1 采樣點分布圖

1.3 土壤光譜數(shù)據(jù)預(yù)處理

首先采用Savitzky-Golay平滑法對光譜數(shù)據(jù)進行光滑處理，消除噪聲產(chǎn)生的誤差[14]。其次，為擴大樣品之間的光譜特征差異[15]，利于模型的建立，對經(jīng)過平滑后的原始數(shù)據(jù)進行一階導(dǎo)變換處理[16]。

1.4 土壤鹽分離子光譜響應(yīng)分析

由于土壤的光譜反射特性是土壤理化特征內(nèi)在的光譜反映[17]，故本文將55個土壤樣品分別依照鹽分主要離子(Na+、Cl–、Ca2+)含量進行聚類分析，并計算出每一類含量的光譜均值，以得到上述土壤主要鹽離子的光譜響應(yīng)范圍。

1.5 土壤鹽分離子特征光譜分析

以光譜響應(yīng)分析為基礎(chǔ)，對樣本的土壤鹽分及主要離子含量與光譜反射率一階導(dǎo)數(shù)進行逐波段的相關(guān)性分析，計算相關(guān)系數(shù)，按照相關(guān)系數(shù)高且顯著的原則，選擇各自的敏感波段作為特征波段，再選取特征波段中具有最大相關(guān)系數(shù)的波段作為顯著特征波段[18]。

1.6 估測模型構(gòu)建與驗證

基于聯(lián)合X-Y距離的樣本集劃分算法(SPXY)在預(yù)測復(fù)雜體系時表現(xiàn)出一定的優(yōu)點[19]。本文將55個樣本分成兩組，37個作為建模集，18個作為檢驗集。基于特征波段及顯著特征波段，選擇多元線性回歸(MLR)、支持向量機(SVM)和隨機森林(RF)法建立土壤鹽分離子含量的反演模型。以MLR模型為對照，用非線性的SVM和RF模型與對照進行對比。而后用18個驗證樣本對構(gòu)建的模型進行檢驗，模型估測精度通過決定系數(shù)(2)、均方根誤差(RMSE)、相對分析誤差(RPD)3個指標(biāo)來衡量[20]。2越大，RMSE越小，表明模型的精度越高。RPD>2表示模型表現(xiàn)較好；RPD=1.4 ~ 2表示模型可大概預(yù)測；RPD<1.4表示模型表現(xiàn)較差，無法估測[21]。

MLR是一種常用的線性擬合方法，是農(nóng)學(xué)數(shù)學(xué)分析常用的方法。本研究對土壤光譜數(shù)據(jù)進行多元線性回歸，設(shè)定變量方差貢獻顯著水平為 0.05，作為選入變量的依據(jù)，建立鹽分主要離子與特征光譜的預(yù)測模型。

SVM包括支持向量分類(SVC)和支持向量回歸(SVR)，是基于結(jié)構(gòu)風(fēng)險最小，較好地解決非線性、小樣本等實際問題的一種機器學(xué)習(xí)法。用回歸函數(shù)及擬合數(shù)據(jù)完成對線性可分?jǐn)?shù)據(jù)的最優(yōu)分類，將輸入量映射到一個高維特征空間中計算最優(yōu)分類面[22]。本研究首先把光譜數(shù)據(jù)歸一化，而后將其作為SVM回歸的限制條件，將鹽分主要離子含量作為決策項。設(shè)定SVM 類型為4(即v-SVR)，核函數(shù)類型為2(即RBF函數(shù))，利用訓(xùn)練集交叉驗證和網(wǎng)格搜索法(grid search)來做參數(shù)尋優(yōu)，根據(jù)均方差最小原則確定懲罰系數(shù)C和RBF核參量g的值。

RF是一種基于分類樹思想的統(tǒng)計分析法，它基于自助法(bootstrap)從原始樣本中抽取多個樣本，對每個樣本進行決策樹建模，最終對所有決策樹的預(yù)測值平均后作為輸出值[23]。采用RF在55個樣本基礎(chǔ)上構(gòu)建土壤鹽分離子含量的高光譜估測模型，自變量是鹽分離子的特征波段，因變量是土壤鹽分離子含量。

2 結(jié)果與分析

2.1 土壤鹽分及其主要離子含量統(tǒng)計特征及相關(guān)性分析

研究區(qū)表層土壤鹽分變化幅度較大，而主要離子Cl–、Na+、Ca2+含量的變化幅度較低(表1)。根據(jù)《新疆土壤》對土壤鹽堿化進行分級：非鹽化(<3 g/kg)、輕鹽化(3 ~ 6 g/kg)、中鹽化(6 ~ 10 g/kg)、重鹽化(10 ~ 20 g/kg)、鹽土(>20 g/kg)[24]。由均值看，該區(qū)土壤屬于鹽土。變異系數(shù)(CV)表示離散程度，CV>1表示強變異，CV=0.1 ~ 1表示中等變異，CV<0.1表示弱變異[25]。土壤鹽分、Na+、Ca2+均屬于中等變異，而Cl–呈強變異，其含量波動較大，分布離散。

表1 土壤鹽分及其主要離子的描述性統(tǒng)計(g/kg)

在<0.01顯著水平時，鹽分與Na+、Cl–、Ca2+均呈顯著相關(guān)，但與前兩者相關(guān)系數(shù)分別達到0.978和0.814，而其與Ca2+的相關(guān)系數(shù)相對較小，為0.645。鹽分離子之間，Cl–與 Na+亦顯著相關(guān)，相關(guān)系數(shù)為0.833；而Ca2+與Na+、Cl–的相關(guān)性均小于0.6(表2)。該區(qū)土壤以鈉型鹽氯化物為主。

表2 土壤鹽分含量與Cl－、Na+、Ca2+離子含量相關(guān)分析

注：**、*分別表示在<0.01、<0.05 水平(雙側(cè))上顯著相關(guān)，下同。

2.2 土壤鹽分主要離子光譜響應(yīng)特征

根據(jù)含鹽量，對采集的樣本進行聚類分析，共聚類為5個類別，每類各離子含量對應(yīng)的土壤光譜曲線如圖2。不同Cl–含量土壤光譜特征表現(xiàn)為：5條光譜曲線較為相似，在波長350 ~ 600 nm光譜反射率比較低，隨波長的增大反射率迅速增大；在波長大于600 nm后，反射率差異增大，表現(xiàn)出隨著Cl–含量增加，光譜反射率增大，且在波長1 370 ~ 1 505、2 170 ~2 304 nm附近土壤光譜曲線有所波動，在波長2 200 nm之后，反射率整體呈遞減趨勢，與已有研究基本一致[26-27]。其中，波長1 800 ~ 2 000 nm區(qū)間處于水汽吸收帶的位置，對水分信息反映敏感[28]，因此此區(qū)域的光譜曲線出現(xiàn)了較大的浮動，其數(shù)據(jù)不宜參與土壤鹽分離子含量的高光譜建模。不同Na+含量土壤光譜特征表現(xiàn)為：總體趨勢與Cl–相似，在波長1 374 ~ 1 499 nm區(qū)間反射率差異增大，在波長2 165 ~ 2 324 nm波動劇烈。不同Ca2+含量土壤光譜特征表現(xiàn)為：除最高含量外，其余光譜反射率區(qū)別較小，光譜響應(yīng)與Cl–和Na+相比不顯著，但在波長1 355 ~ 1 495、2 175 ~ 2 314 nm亦有相對明顯的吸收谷。

綜上，土壤鹽分主要離子(Cl–、Na+、Ca2+)含量的光譜曲線整體形態(tài)和趨勢具有相似性，并且它們的光譜響應(yīng)譜區(qū)位置相近并且有交叉的現(xiàn)象。

2.3 土壤光譜一階導(dǎo)數(shù)與鹽分離子含量的相關(guān)分析

土壤鹽分主要離子含量與土壤光譜反射率一階導(dǎo)數(shù)的各相關(guān)性在曲線表現(xiàn)上比較一致，相關(guān)性較好的波段范圍也比較相近，同時也存在交叉現(xiàn)象(圖3)，說明主要鹽分離子的土壤光譜特征具有相似性[18]。土壤鹽分主要離子與光譜反射率一階導(dǎo)數(shù)的相關(guān)關(guān)系曲線變化較大，但波長350 ~ 700 nm，二者大部分呈正相關(guān)，相關(guān)系數(shù)最高值出現(xiàn)，且大于原始光譜與土壤鹽分主要離子的相關(guān)性。這進一步說明土壤光譜反射率曲線經(jīng)過一階導(dǎo)數(shù)變換提高了相關(guān)性。

圖2 不同Cl–、Na+、Ca2+ 含量土壤光譜曲線

圖3 土壤鹽分主要離子含量與光譜一階導(dǎo)數(shù)相關(guān)性分析

2.4 土壤鹽分主要離子的高光譜特征波段

在<0.01顯著水平下，Cl–含量與459、537、652、1 377、1 381、1 386 nm波長下的反射率一階導(dǎo)數(shù)顯著相關(guān)，Na+含量與459、537、1 377、1 381、1 386、1 640 nm波長下的反射率一階導(dǎo)數(shù)顯著相關(guān)，Ca2+含量與459、537、652、1 381、1 386、1 640 nm波長下的反射率一階導(dǎo)數(shù)顯著相關(guān)。并且，Cl–和Na+含量與敏感波段對應(yīng)光譜的極值相關(guān)系數(shù)()均大于0.80，而Ca2+的極值相關(guān)系數(shù)僅為0.58，Cl–和Na+含量與土壤光譜相關(guān)性較高，而Ca2+含量與土壤光譜的相關(guān)性則相對較差(表3)。選取鹽分主要離子在敏感波段中出現(xiàn)頻率最高(交叉集中)且通過了<0.01顯著性水平檢驗的459、537、1 381、1 386 nm作為特征波段。由于在350 ~ 650 nm波長鹽分主要離子與光譜的相關(guān)性較好，其中在459 nm相關(guān)系數(shù)最高，其次是537 nm，根據(jù)相關(guān)性高且顯著的原則結(jié)合光譜響應(yīng)特征，選取相關(guān)系數(shù)較高的459、537 nm作為顯著特征波段。

2.5 土壤鹽分主要離子的高光譜估算模型

將特征波段區(qū)間、顯著特征波段所在的土壤光譜曲線一階導(dǎo)數(shù)當(dāng)作自變量輸入，利用MLR、SVM、RF法建立土壤鹽分主要離子含量的反演模型，然后利用驗證數(shù)據(jù)集對反演模型精度檢驗和對比(表4)。就Cl–含量而言，基于4個特征光譜構(gòu)建的反演模型c2為0.81 ~ 0.91、RMSE為0.83 ~ 0.96，v2為0.75 ~ 0.78、RMSE為1.23 ~ 2.01，RPD達1.76 ~ 1.92；基于2個顯著特征光譜構(gòu)建的模型c2為0.82 ~ 0.89、RMSE為0.75 ~ 1.00，v2為0.73 ~ 0.80、RMSE為1.04 ~ 1.94，RPD達1.87 ~ 2.11；兩模型精度相差不大。Na+和Ca2+含量反演模型精度相差也不大，這說明不受建模方法影響，選擇兩個顯著特征波段(459和537 nm)的反演模型與基于4個特征波段的模型比，最終的反演結(jié)果相近且實用性更強。因此，459和537 nm可作為顯著特征波段輸入取代4個特征波段輸入進行土壤鹽分主要離子的高光譜反演建模。

表3 土壤鹽分主要離子的敏感波段

表4 土壤鹽分主要離子的定量高光譜反演模型

在相同參數(shù)和同等計算效率模式下，比較3種反演建模方法可以發(fā)現(xiàn)，采用RF法建立的Cl–、Na+和Ca2+含量模型c2為0.77 ~ 0.91，v2為0.57 ~ 0.81，RPD為1.77 ~ 2.11，精度較其他方法高，其次是SVM模型，MLR模型精度最低。RF模型可以較好地預(yù)測主要鹽分離子，尤其對Cl–含量的預(yù)測精度最高，其次是Na+，但其對Ca2+的定量估測精度略低，RPD為1.77。

綜上，在459和537 nm波段利用光譜一階導(dǎo)數(shù)建立的RF模型對土壤主要鹽分離子含量的預(yù)測最為精準(zhǔn)可靠。在RF模型預(yù)測值和實測值的散點圖中可以看出，預(yù)測值較均勻分布在1︰1線的兩側(cè)，說明二者呈現(xiàn)出相對較好的線性關(guān)系，模型精度可靠(圖4)。

3 討論

目前已有較多研究利用可見光–近紅外光譜對土壤屬性進行估測，但大多研究是在室內(nèi)或田間尺度上進行，例如：采用鹵素?zé)糇鳛楣庠?，對土壤進行室內(nèi)光譜測試與采集，估測土壤鹽分、水分、鉀及有機質(zhì)的含量[29-31]；在農(nóng)田尺度上，獲得田間土壤的光譜，對鹽漬土含水量和含鹽量進行反演[32-33]。這些研究在區(qū)域尺度上的應(yīng)用仍有很多的局限性。本研究突破室內(nèi)鹵素?zé)糇鳛楣庠椿蛱镩g小尺度，通過建模，用直接在野外測得的土壤高光譜數(shù)據(jù)模擬預(yù)測土壤鹽分離子含量，不僅使研究擴展至較大的區(qū)域尺度，而且更加貼近野外實際土壤自然特征，為干旱區(qū)土壤鹽漬化信息反演提供了案例[18]。

圖4 基于顯著特征光譜的RF模型評價

本研究結(jié)合光譜響應(yīng)特征及相關(guān)性分析分別選取土壤主要離子(Cl–、Na+和 Ca2+)的特征波段，根據(jù)極值相關(guān)系數(shù)確定2個顯著特征波段(459和537nm)均在可見光范圍內(nèi)，而已有研究中選取的特征波段多集中在近紅外波段范圍內(nèi)[34]。但也有學(xué)者研究基于野外土壤光譜測量，其選取的敏感波段與本研究較為接近[35-36]。差異的原因可能與采集光譜的場合有關(guān)，野外測得的光譜數(shù)據(jù)易受外界多種干擾的影響，而在暗室采集的光譜則受影響因素較少[18]。

本研究土壤鹽分及其主要離子含量的預(yù)測模型精度RF>SVM>MLR。RF模型是非線性，過度擬合的情況較少；SVM模型在高維空間求最優(yōu)結(jié)果，其徑向基核函數(shù)在土壤鹽漬化反演模型中效果較好；而MLR模型僅能推測入選變量和因變量之間的關(guān)系，具有一定的局限性。

4 結(jié)論

1)研究區(qū)土壤Cl–、Na+含量與土壤光譜之間的相關(guān)性表現(xiàn)較好，但Ca2+含量與其相關(guān)性則表現(xiàn)較差；基于相關(guān)分析結(jié)合光譜響應(yīng)特征，確定鹽分離子(Cl–、Na+和 Ca2+)的4個交叉波段(459、537、1 381、1 386 nm)為研究區(qū)主要鹽分離子的特征波段，而其中具有極值相關(guān)系數(shù)的459和537 nm作為顯著特征波段。

2)基于2個顯著特征波段建立的模型與基于4個特征波段建立的模型相差較小，表明前者對土壤離子定量預(yù)測具有較強適用性。3種方法中，RF模型預(yù)測結(jié)果最好，其次是SVM，MLR精度最低。無論采用何種模型，Cl–和Na+含量的反演模型精度均比較好而且模型表現(xiàn)比較穩(wěn)定，而Ca2+含量只有RF模型可用于一定程度的估測。

3)研究區(qū)土壤鹽分主要離子的最佳高光譜預(yù)測模型為基于顯著特征波段(459和537 nm的反射率一階導(dǎo)數(shù))的RF模型，其預(yù)測Cl–、Na+和 Ca2+的RPD分別達到2.11、2.03、1.80，可以對前兩者的含量進行很好的估測。這為今后區(qū)域尺度的土壤鹽分主要離子估算和遙感監(jiān)測快速獲取鹽漬土信息提供了良好的支撐。

[1] 劉亞秋, 陳紅艷, 王瑞燕, 等. 基于可見/近紅外光譜的黃河口區(qū)土壤鹽分及其主要離子的定量分析[J]. 中國農(nóng)業(yè)科學(xué), 2016, 49(10): 1925–1935.

[2] 呂杰, 郝寧燕, 崔曉臨. 利用可見光近紅外的尾礦區(qū)農(nóng)田土壤Cu含量反演[J]. 農(nóng)業(yè)工程學(xué)報, 2015, 31(9): 265–270.

[3] 李雪瑩, 范萍萍, 侯廣利, 等. 可見-近紅外光譜的土壤養(yǎng)分快速檢測[J]. 光譜學(xué)與光譜分析, 2017, 37(11): 3562–3566.

[4] 張瑤, 李民贊, 鄭立華, 楊瑋. 基于近紅外光譜分析的土壤分層氮素含量預(yù)測[J]. 農(nóng)業(yè)工程學(xué)報, 2015, 31(9): 121–126.

[5] 厲彥玲, 趙庚星, 常春艷, 等. OLI與HSI影像融合的土壤鹽分反演模型[J]. 農(nóng)業(yè)工程學(xué)報, 2017, 33(21): 173–180.

[6] 張賢龍, 張飛, 張海威, 等. 基于光譜變換的高光譜指數(shù)土壤鹽分反演模型優(yōu)選[J]. 農(nóng)業(yè)工程學(xué)報, 2018, 34(1): 110–117.

[7] 龐國錦, 王濤, 孫家歡, 等. 基于高光譜的民勤土壤鹽分定量分析[J]. 中國沙漠, 2014, 34(4): 1073–1079.

[8] 馬創(chuàng), 申廣榮, 支月娥, 等. 修復(fù)過程中鹽漬化土壤的光譜特征分析[J]. 光譜學(xué)與光譜分析, 2015(9): 2602– 2608.

[9] 代希君, 張艷麗, 彭杰, 等. 土壤水溶性鹽基離子的高光譜反演模型及驗證[J]. 農(nóng)業(yè)工程學(xué)報, 2015, 31(22): 139–145.

[10] 李曉明, 王曙光, 韓霽昌. 基于PLSR的陜北土壤鹽分高光譜反演[J]. 國土資源遙感, 2014, 26(3): 113–116.

[11] 宋夢潔, 李新國, 劉彬. 博斯騰湖西岸湖濱綠洲蘆葦?shù)赝寥捞卣鞣治鯷J]. 西北農(nóng)業(yè)學(xué)報, 2016, 25(3): 435–441.

[12] 劉全明, 成秋明, 王學(xué), 等. 河套灌區(qū)土壤鹽漬化微波雷達反演[J]. 農(nóng)業(yè)工程學(xué)報, 2016, 32(16): 109–114.

[13] 馬利芳, 熊黑鋼, 王寧, 等. 不同干擾程度下土壤鹽分和有機質(zhì)空間變異特征[J]. 環(huán)境工程, 2019, 37(2): 179– 183.

[14] Savitzky A, Golay M J E. Smoothing and differentiation of data by simplified least squares procedures.[J]. Analytical Chemistry, 1964, 36(8): 1627–1639.

[15] 安德玉, 趙庚星, 常春艷, 等. 基于野外高光譜的黃河三角洲濱海鹽漬土鹽分含量估測研究[J]. 土壤通報, 2015, 46(4): 843–850.

[16] 陳紅艷, 趙庚星, 李希燦, 等. 小波分析用于土壤速效鉀含量高光譜估測研究[J]. 中國農(nóng)業(yè)科學(xué), 2012, 45(7): 1425–1431.

[17] 謝伯承, 薛緒掌, 劉偉東, 等. 基于包絡(luò)線法對土壤光譜特征的提取及其分析[J]. 土壤學(xué)報, 2005, 42(1): 171– 175.

[18] 馬利芳. 鹽漬化土壤鹽分和有機質(zhì)含量的空間變異性及其光譜估算[D]. 烏魯木齊: 新疆大學(xué), 2019.

[19] 朱向榮. 基于可見/近紅外光譜法與最小二乘支持向量機用于預(yù)測杉樹的密度[C]//中國化學(xué)會計算機化學(xué)專業(yè)委員會. 第十屆全國計算(機)化學(xué)學(xué)術(shù)會議論文摘要集. 杭州, 2009.

[20] 李萍, 趙庚星, 高明秀, 等. 黃河三角洲土壤含水量狀況的高光譜估測與遙感反演[J]. 土壤學(xué)報, 2015, 52(6): 1262–1272.

[21] Rossel R A V,Mcglynn R N,Mcbratney A B. Determining the composition of mineral-organic mixes using UV-vis- NIR diffuse reflectance spectroscopy[J]. Geoderma, 2006, 137(1): 70–82.

[22] Karimi Y, Prasher S O, Madani A, et al. Application of support vector machine technology for the estimation of crop biophysical parameters using aerial hyperspectral observations[J]. Canadian Biosystems Engineering, 2008: 13.

[23] 王云飛, 龐勇, 舒清態(tài). 基于隨機森林算法的橡膠林地上生物量遙感反演研究——以景洪市為例[J]. 西南林業(yè)大學(xué)學(xué)報, 2013(6): 38–45.

[24] 馬利芳, 熊黑鋼, 王寧, 等. 不同深度土壤鹽分和有機質(zhì)含量的空間變異特征[J]. 江蘇農(nóng)業(yè)科學(xué), 2019, 47(16): 264–270.

[25] 高燈州, 閔慶文, 陳桂香, 等. 聯(lián)合梯田農(nóng)業(yè)文化遺產(chǎn)稻田土壤養(yǎng)分空間變異特征[J]. 生態(tài)學(xué)報, 2016, 36(21): 6951–6959.

[26] Ling W Y, Peng G , Berkeley, et al. A spectral index for estimating soil salinity in the yellow river delta region of China using EO-1 hyperion data[J]. Pedosphere, 2010, 20(3): 378–388.

[27] 王麗娜, 朱西存, 劉慶, 等. 黃河三角洲鹽堿土鹽分的高光譜定量估測研究[J]. 土壤通報, 2013(5): 1101–1106.

[28] 陳禎. 不同土壤含水率、體積質(zhì)量及光譜反射率的關(guān)系模型[J]. 農(nóng)業(yè)工程學(xué)報, 2012, 28(4): 76–81.

[29] 劉秀英, 石兆勇, 常慶瑞, 等. 黃綿土鉀含量高光譜估算模型研究[J]. 土壤學(xué)報, 2018, 55(2): 325–337.

[30] 劉婭, 潘賢章, 王昌昆, 等. 基于差異化光譜指數(shù)的鹽漬土水分含量預(yù)測——以濱海鹽土為例[J]. 土壤, 2016, 48(2): 381–388.

[31] 向紅英, 柳維揚, 彭杰, 等. 基于連續(xù)統(tǒng)去除法的南疆水稻土有機質(zhì)含量預(yù)測[J]. 土壤, 2016, 48(2): 389–394.

[32] 盧艷麗, 白由路, 王磊, 等. 農(nóng)田不同粒級土壤含水量光譜特征及定量預(yù)測[J]. 中國農(nóng)業(yè)科學(xué), 2018, 51(9): 1717–1724.

[33] 王海江, 張花玲, 任少亭, 等. 基于高光譜反射特性的土壤水鹽狀況預(yù)測模型研究[J]. 農(nóng)業(yè)機械學(xué)報, 2014, 45(7): 133–138.

[34] 池濤, 曹廣溥, 李丙春, 等. 基于高光譜數(shù)據(jù)和SVM方法的土壤鹽漬度反演[J]. 山東農(nóng)業(yè)大學(xué)學(xué)報(自然科學(xué)版), 2018(4): 1–5.

[35] 王凱龍, 熊黑鋼, 張芳. 基于高光譜數(shù)據(jù)預(yù)測土壤堿化程度最佳模型及其影響因素的研究[J]. 土壤, 2014, 46(3): 544–549.

[36] Lee S, Choi H, Cha K, et al. Random forest as a potential multivariate method for near-infrared (NIR) spectroscopic analysis of complex mixture samples: Gasoline and naphtha[J]. Microchemical Journal, 2013, 110(9): 739– 748.

Prediction of Major Ions in Soil Salinity Based on Field VIS-NIR Spectroscopy

MA Lifang1, XIONG Heigang2*, ZHANG Fang1

(1 Key Laboratory of Oasis Ecological Education, College of Resources and Environment Science, Xinjiang University, Urumqi 830046, China; 2 College of Applied Arts and Sciences, Beijing Union University, Beijing 100083, China)

In order to clarify the characteristic spectrum of main salt ions in arid areas, a prediction model for high-precision and stable saline soils was established.Taking Fukang City of Xinjiang as the study area, collected 55 soil samples and field measured spectral data based on VIS-NIR, using multiple linear regression(MLR), support vector machine(SVM) and random forest(RF) method three inversion model of soil salinity and main ion content were established, and the model was tested. The results showed that: 1) At 0.01 significant level, soil salinity had a significant correlation with Na+, Cl–and Ca2+, and the correlation coefficients were 0.978, 0.814 and 0.645, respectively; 2) Comprehensive spectrum response and correlation analysis determined the dominant ion bands of soil salt at 459, 537, 1 381, and 1 386 nm, and the significant characteristic bands at 459 and 537 nm; 3) The three model fitting effects from high to low were RF>MLR>SVM in order, and using the model established by RF, the salt main ions (Na+,Cl–,Ca2+) had the highest2, the smallest RMSE, and the largest RPD, which were 2.11, 2.03, and 1.80, respectively, and were the optimal prediction models. By selecting the dominant characteristic bands of major ions in the soil, RF method was used to construct the estimation model in this area, which can effectively extract the main ion information of soil salinity in the arid area.

Soil; Salt; Hyperspectral; Inversion; Support vector machine; Random forest

S151.9

A

10.13758/j.cnki.tr.2020.01.027

馬利芳, 熊黑鋼, 張芳. 基于野外VIS-NIR光譜的土壤鹽分主要離子預(yù)測. 土壤, 2020, 52(1): 188–194.

國家自然科學(xué)基金項目(41671198，41761041)資助。

馬利芳(1993—)，女，安徽亳州人，碩士研究生，主要研究方向為干旱區(qū)資源與環(huán)境遙感。E-mail:1491983080@qq.com