寧夏銀北地區(qū)鹽堿化土壤水分光譜特征及模型擬合精度分析

尚天浩,賈萍萍,孫 媛,張俊華

(1.寧夏大學(xué) 資源環(huán)境學(xué)院,寧夏 銀川 750021;2.寧夏大學(xué) 環(huán)境工程研究院,寧夏 銀川 750021)

土壤水分指位于地表以下，潛水面以上區(qū)域土層中的水，作為自然圈土壤系統(tǒng)中能量交換和物質(zhì)循環(huán)的載體，是農(nóng)業(yè)、生態(tài)和環(huán)境的重要評(píng)價(jià)指標(biāo)[1]。土壤中所含水分的多少直接影響植物的生長發(fā)育狀況。與傳統(tǒng)土壤含水量(SMC)測量方法如負(fù)壓計(jì)法、土壤濕度計(jì)法、中子水分儀探測法、時(shí)域反射法等單點(diǎn)局部測量方法相比[2]，高光譜技術(shù)能夠獲取連續(xù)不斷的高分辨率土壤光譜信息，在監(jiān)測SMC的細(xì)微差異變化方面具有顯著優(yōu)勢[3]，為SMC的準(zhǔn)確擬合提供了可能。

土壤光譜反射率與光譜特征曲線都會(huì)隨著土壤水分的影響而發(fā)生變化。很多學(xué)者指出SMC敏感波段與水分特征曲線在吸收谷的位置基本吻合，位于1 400，1 900和2 200 nm附近，但具體敏感波段的位置因土壤類型不同存在一定差異[4-5]。一般認(rèn)為，SMC小于田間持水量時(shí)，土壤反射率與SMC的呈負(fù)相關(guān)；當(dāng)SMC大于田間持水量時(shí)，土壤反射率與SMC呈正相關(guān)[6]。為提高SMC擬合精度，對(duì)R光譜進(jìn)行倒數(shù)對(duì)數(shù)(logarithm of reciprocal reflectance，LR)、一階微分(first order differential reflectance，F(xiàn)DR)、倒數(shù)一階微分(first derivative of reciprocal reflectance，F(xiàn)RR)和對(duì)數(shù)倒數(shù)一階微分(first derivative of logarithmic reciprocal reflectance，F(xiàn)RLR)等常規(guī)數(shù)學(xué)變換，張飛等[7]、史舟等[8]等認(rèn)為FDR處理變換模型擬合效果更佳。由于高光譜數(shù)據(jù)具有一定冗雜性，故一般通過相關(guān)系數(shù)法、逐步回歸(SR)和灰色關(guān)聯(lián)法(GCD)進(jìn)行敏感波段篩選，其中GCD分析不受樣本數(shù)量多少和樣本間有無規(guī)律作用影響[9]，在高光譜分析篩選光譜敏感波段中優(yōu)勢顯著。在建模方法中，Hummel等[10]利用原狀土表層土壤光譜采用MLR建立亞表層SMC擬合模型；張銳等[11]認(rèn)為相對(duì)反射率建立的水稻土PLSR模型，擬合效果較好；Khedri等[12]將機(jī)載孔徑雷達(dá)的C，L和P波段結(jié)合，建立SVM模型成功實(shí)現(xiàn)了地表SMC擬合；熊靜齡等[13]利用多元散射校正與FLR結(jié)合進(jìn)行SVM模型建立，擬合精度為0.811；Ahmad等[14]通過研究美國科拉羅多下游流域的SMC，分別建立SVM、人工神經(jīng)網(wǎng)絡(luò)和MLR模型，指出SVM模型擬合效果最佳，擬合精度為0.57；張智韜等[15]對(duì)比多元逐步回歸、PLSR和嶺回歸3種模型，認(rèn)為基于LR指標(biāo)建立的嶺回歸模型為荒漠土SMC最佳擬合模型，擬合精度高達(dá)0.979。以上研究表明，SMC與土壤光譜反射率間并非單一線性關(guān)系，SVM作為一種機(jī)器學(xué)習(xí)算法在處理非線性問題時(shí)具有一定優(yōu)勢。但以往研究多以原狀水稻土、荒漠土、夯土和潮土等非鹽漬土為研究對(duì)象，并未考慮鹽漬化土壤的SMC研究，故不能完全應(yīng)用于鹽漬化地區(qū)的SMC研究。

干旱地區(qū)土壤光譜主要受水分和鹽分的影響[16]。Farifteh等[17]研究表明土壤鹽分含量的高低會(huì)影響SMC的光譜反射率在可見光—近紅外波段的變化；彭翔等[18]指出SMC大于25%，土壤反射率主要受水分影響，SMC低于25%，土壤反射率受鹽分影響較大，故準(zhǔn)確獲取土壤水分和鹽分信息成為干旱半干旱地區(qū)鹽堿地改良利用的重要前提。目前，對(duì)于鹽漬化地區(qū)SMC的高光譜擬合研究相對(duì)較少，Zeng等[19]運(yùn)用高斯修正和人工神經(jīng)網(wǎng)絡(luò)模型成功實(shí)現(xiàn)鹽漬化地表SMC擬合；吳士文等[3]采用LS-SVM模型建立了蘇北鹽漬化SMC剖面的擬合模型，擬合精度為0.88。但由于鹽漬化土壤水鹽運(yùn)移的復(fù)雜性和鹽分類型的多樣性，這些水分?jǐn)M合模型很難具有普適性。寧夏銀北地區(qū)分布有大面積的龜裂堿土，土壤pH值和電導(dǎo)率普遍較高，在全球干旱區(qū)土壤鹽堿化研究中非常典型。該區(qū)域下墊面均一，數(shù)據(jù)獲取質(zhì)量較高，具有遙感監(jiān)測的地理優(yōu)勢。因此，本文以寧夏回族自治區(qū)北部平羅縣重度鹽漬化土壤為研究對(duì)象，運(yùn)用SR與GCD分別進(jìn)行敏感波段優(yōu)選，然后利用MLR，PLSR和SVM建立SMC擬合模型。以期為當(dāng)?shù)丶巴惖貐^(qū)土壤水分的快速獲取提供科學(xué)依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

供試土壤取自寧夏銀北地區(qū)平羅縣(106°17′—106°36′E，38°42′—38°64′N)，該地區(qū)屬干旱—半干旱地區(qū)大陸性氣候，年均降水量為176 mm，年均蒸發(fā)量為1 755 mm以上。研究區(qū)內(nèi)土地利用方式以基本農(nóng)田、中低產(chǎn)田和撂荒地為主，土壤多為黏質(zhì)壤土，肥力低下。該區(qū)域地勢低洼，排水性能較差且由于農(nóng)業(yè)種植灌溉不合理，進(jìn)一步加劇了水分、鹽分匯集的現(xiàn)象，經(jīng)多年積累形成大面積鹽堿化土壤。供試土壤基本理化性質(zhì)詳見表1。

表1 供測土壤基本化學(xué)性質(zhì) g/kg

1.2 樣品采集及水分處理

采集研究區(qū)重度鹽漬化表層土壤(0—20 cm)，帶回實(shí)驗(yàn)室除去落葉、根莖和礫石等雜質(zhì)后自然風(fēng)干。研磨后過2 mm篩，裝滿直徑為12 cm深度為2 cm的器皿(光學(xué)上無限厚土樣深度為1.5 cm)，表面作刮平處理。分別間隔0，2，4，6，8，10，12，14和16 h后從容器邊緣一次性緩緩注入蒸餾水約30 ml，每個(gè)間隔重復(fù)5次，待最后一組注水結(jié)束靜置1 h后測定每個(gè)樣品的光譜反射率與土壤含水率。烘干法測定土壤含水率。

1.3 土壤光譜數(shù)據(jù)測定

采用美國Spectral Evolution公司的SR-3500地物光譜儀測定土壤光譜數(shù)據(jù)。光譜儀探測波段為350～2 500 nm，其中在350～1 000 nm分辨率為3.5 nm，在1 000～1 500 nm分辨率為10 nm，在1 500～2 100 nm分辨率為7 nm。光譜測定時(shí)間為2018年12月1日10：00—14：00，天氣狀況良好，晴朗無云無風(fēng)。在室外開闊陽光充足的平臺(tái)上鋪上黑布，將盛放土樣的金屬盒放置于黑布之上，測定時(shí)光譜儀探頭設(shè)置在垂直距離土表上方15 cm處，每個(gè)土樣重復(fù)測定5次，取算數(shù)平均值作為該土樣光譜數(shù)據(jù)。測定過程中進(jìn)行標(biāo)準(zhǔn)白板校正。

1.4 土壤光譜數(shù)據(jù)處理

首先剔除土壤樣本中，受噪聲影響嚴(yán)重的異常光譜反射率波段(主要集中在350～354 nm，1 871～1 943 nm和2 429～2 500 nm)。運(yùn)用九點(diǎn)加權(quán)法[20]對(duì)土壤光譜反射率進(jìn)行平滑去噪處理，盡可能的減弱由于儀器噪聲和外部環(huán)境對(duì)于土壤光譜的影響。本文對(duì)土壤R光譜數(shù)據(jù)進(jìn)行5種數(shù)學(xué)變換：RR，LR，F(xiàn)R，F(xiàn)LR和FRLR變換。

1.5 敏感波段篩選方法

1.5.1 灰色關(guān)聯(lián)度分析法(GCD) GCD作為灰色系統(tǒng)理論中一種系統(tǒng)分析方法，在數(shù)學(xué)計(jì)算的基礎(chǔ)之上，通過計(jì)算輸入變量因素間關(guān)聯(lián)度的大小，按照重要性的高低依次進(jìn)行排序，其中數(shù)值越大，關(guān)聯(lián)度越高，該變量因素在系統(tǒng)中影響作用就越大[9,15,21]。運(yùn)用DPS軟件中的灰色關(guān)聯(lián)板塊，計(jì)算不同數(shù)學(xué)變換之后的光譜反射率與SMC間的相關(guān)性。

1.5.2 逐步回歸分析法(SR) SR作為一種線性自變量的選擇方法，將所有變量依次輸入回歸模型，通過每一次新變量代入，檢驗(yàn)之前輸入變量的顯著性，依次類推直到最后一個(gè)變量輸入完成，通過比較各變量的顯著性大小，有選擇的留下顯著性較高的變量作為入選變量[15]。運(yùn)用SPSS 25分析—回歸板塊進(jìn)行顯著性檢驗(yàn)分析，此時(shí)回歸模型篩選留下的變量，作為SMC的敏感波段。

1.6 模型的建立與驗(yàn)證

利用篩選出的敏感波段分別采用MLR，PLSR和SVM這3種方法建立基于不同光譜反射率轉(zhuǎn)換下SMC擬合模型。①M(fèi)LR模型在可控條件下可靠性高，所建模型直觀易懂，廣泛應(yīng)用于高光譜分析之中[1]。②PLSR模型是一種數(shù)學(xué)優(yōu)化技術(shù)，妥善解決了波長數(shù)量大于樣本數(shù)量和多變量線性相關(guān)的問題[3]。③SVM是一種基于小樣本統(tǒng)計(jì)學(xué)習(xí)的統(tǒng)計(jì)理論，將有限的樣本非線性空間映射進(jìn)高維線性特征空間，采用最小化原理對(duì)結(jié)構(gòu)中的風(fēng)險(xiǎn)進(jìn)行處理[22]。基于SVM模型選擇高斯定向基核函數(shù)，對(duì)懲罰因子c和參數(shù)g將初始篩選范圍統(tǒng)一設(shè)定在10-10～1010，經(jīng)多次訓(xùn)練確定c和g的最小值進(jìn)行建模。

2 結(jié)果與分析

2.1 不同水分含量下的土壤光譜特征曲線

土壤光譜特征是土壤理化屬性的重要反映。對(duì)土壤進(jìn)行除雜、風(fēng)干、過篩(2 mm)、刮平等預(yù)處理，基本消除了由于土壤粒徑、土壤粗糙度等因素對(duì)光譜反射率的影響，可以更好地分析光譜反射率與SMC間的變化關(guān)系。在350～2 500 nm波段范圍內(nèi)，不同SMC的光譜曲線走勢基本一致(見圖1)，可見光波段的土壤光譜反射率變化幅度整體小于近紅外波段，在1 460和1 950 nm附近出現(xiàn)兩個(gè)明顯水分吸收帶，在2 220 nm附近出現(xiàn)一個(gè)較弱水分吸收帶。SMC從7.53%到20.56%范圍內(nèi)，隨SMC的升高光譜反射率呈遞減趨勢；而SMC增加到26.34%后，隨著SMC的升高光譜反射率呈現(xiàn)下降趨勢。在整個(gè)波段范圍內(nèi)，水分含量為7.53%的土壤反射率最高，比水分含量為26.34%和30.97%的土壤反射率在可見光波段分別平均高出6.55%和4.21%，在近紅外波段分別平均高出15.60%和11.29%，其中在1 868 nm附近差異最大。水分含量為20.56%和26.34%的土壤特征曲線在997 nm前后出現(xiàn)各自交替領(lǐng)先的態(tài)勢。為更好地對(duì)比不同SMC光譜特征曲線在吸收和反射特征處的差異變化，將上述6條原始土壤光譜反射率進(jìn)行CR處理，發(fā)現(xiàn)各水分處理土壤CR曲線在1 460與1 950 nm附近存在明顯水分吸收帶(見圖1)，隨SMC的增加，1 460 nm附近的水分吸收谷的波段位置有紅移現(xiàn)象，其中SMC從7.53%到26.34%紅移10 nm；在420與485 nm附近存在較弱水分帶，隨SMC的增加水分吸收谷的波段位置有藍(lán)移現(xiàn)象，SMC從26.34%到30.97%藍(lán)移1和2 nm。與7.53%SMC的土壤反射率相比，14.52%，19.77%和20.56%土壤反射率在1 460 nm處分別下降2.43%，8.43%和13.79%，1 950 nm處分別下降2.62%，9.38%和10.52%。與水分含量為26.34%的土壤反射率相比，30.97%的土壤反射率在450，485，1 460 nm和1 950 nm處分別上升1.69%，1.85%，5.99%和3.46%。

圖1 不同含水率(SMC)時(shí)的原始與連續(xù)統(tǒng)去除(CR)光譜反射率曲線

2.2 敏感波段篩選

2.2.1 逐步回歸分析法(SR) 為篩選與水分相關(guān)性較強(qiáng)的波段，采用SR對(duì)光譜數(shù)據(jù)進(jìn)行“降維”處理，有選擇性的保留對(duì)于因變量影響作用顯著的自變量，從而得到SMC的敏感波段。本研究以原始反射率R和5種轉(zhuǎn)換后的反射率(RR，LR，F(xiàn)R，F(xiàn)LR和FRLR)作為自變量，不同SMC作為因變量進(jìn)行敏感波段的篩選。將變量的入選顯著水平設(shè)定為0.05，剔除顯著水平設(shè)定為0.10進(jìn)行輸入，在輸出結(jié)果中選擇調(diào)整R2最大值處作為入選最優(yōu)敏感波段組合，所選敏感波段的調(diào)整R2均大于0.900，表明模型擬合效果很好，同時(shí)所有模型的顯著性均小于0.001(低于顯著性水平0.01)，表明不同反射率轉(zhuǎn)換的SR模型均具有極顯著意義。通過對(duì)比SR得到6種轉(zhuǎn)換方式下的敏感波段發(fā)現(xiàn)(見表2)，經(jīng)FDR轉(zhuǎn)換可以在一定程度上保留更多光譜信息，其R篩選出的波段數(shù)最多(8個(gè))，RR和LR篩選出的波段數(shù)最少。

表2 不同反射率轉(zhuǎn)換方式的逐步回歸分析

2.2.2 灰色關(guān)聯(lián)度分析法(GCD) 為篩選光譜反射率與SMC相關(guān)性較高的波段，將GCD閥值設(shè)定為0.51。在整個(gè)光譜波段范圍內(nèi)，R和LR與SMC的相關(guān)性均介于0.20～0.40，未超過GCD閥值0.51，所以這2種光譜反射率轉(zhuǎn)換無法作為光譜敏感波段，在后續(xù)建模分析中不作考量。而RR，F(xiàn)RR，F(xiàn)LR和FRLR與SMC的相關(guān)性存在高于設(shè)定GCD閥值0.52的值，且敏感波段主要集中于1 900～2 500 nm，其中FLR和FRLR 篩選到敏感波段數(shù)量最多(5個(gè))，RR篩選的敏感波段數(shù)量最少(3個(gè))，分別是2 412，2 413和2 414 nm。這是由于該波段范圍對(duì)SMC的高低比較敏感且1 900～2 500 nm波段范圍的光譜反射率與SMC的灰色關(guān)聯(lián)度普遍高于其他波段范圍。

2.3 土壤水分?jǐn)M合模型的建立與驗(yàn)證

將SR與GCD篩選出的敏感波段為自變量，分別利用MLR，PLSR和SVM這3種數(shù)學(xué)模型建立SMC擬合模型。

表3 不同土地含水率SMC的MLR，PLSR和SVM模型

3 討 論

3.1 土壤水分含量的光譜特征變化與敏感波段

高光譜遙感與多光譜遙感獲得的光譜數(shù)據(jù)相比，能夠提供更加細(xì)致、全面、可靠的光譜信息，為地表SMC的快速獲取提供了更為可靠的數(shù)據(jù)基礎(chǔ)。研究區(qū)SMC在7.53%～20.53%范圍內(nèi)，隨SMC的增加土壤反射率逐漸降低，這可能是由于重度鹽漬化區(qū)有白色結(jié)晶鹽分析出，主要成分以Na2SO4，NaCl和MgCl2等為主，當(dāng)SMC逐漸增加，地表物質(zhì)開始發(fā)生溶解，人射光在射入晶體顆粒表面和從晶體顆粒表面反射而出時(shí)，受到晶體顆粒表面附著水的吸收作用影響，導(dǎo)致反射率降低；當(dāng)SMC高于20.64%時(shí)，地表鹽分已基本完全溶解，地表濕度過大土壤中的水分主要以自由水形式存在，并在地表開始形成一定的鏡面反射，土壤反射率隨含水率增大而增大，這與張俊華等[20]和吳代暉等[23]的研究結(jié)果一致。本研究發(fā)現(xiàn)供試土壤的敏感波段主要集中在1 460，1 950和2 200 nm附近。姚艷敏等[24]指出吉林黑土含水量敏感波段在400～410 nm，1 400～1 850 nm，2 050～2 200 nm的范圍內(nèi)；張銳等[11]發(fā)現(xiàn)1 450，1 950和2 220 nm為原狀水稻土水分最優(yōu)建模波段；于雷等[25]認(rèn)為443～449 nm，1 408～1 456 nm，1 916～1 943 nm，2 209～2 253 nm為浙江潮土的最優(yōu)敏感波段，這與本文水分敏感波段基本一致。

3.2 不同敏感波段篩選方式下的模型擬合精度評(píng)價(jià)

選取適當(dāng)?shù)拿舾胁ǘ魏Y選方式和建模方法是提高SMC擬合精度的有效途徑。為準(zhǔn)確監(jiān)測SMC狀況，利用SR和GCD篩選SMC敏感波段建模，發(fā)現(xiàn)FDR處理在GCD分析效果較好，這是由于FDR在處理高光譜土壤數(shù)據(jù)時(shí)對(duì)光譜具有一定增強(qiáng)作用，可降低光譜數(shù)據(jù)中低頻噪聲的干擾，增進(jìn)圖譜信息，提高圖譜靈敏度[21]。同時(shí)發(fā)現(xiàn)基于SR分析篩選敏感波段所建模型穩(wěn)定性和擬合能力整體效果最優(yōu)，這與李明亮等[26]認(rèn)為GCD分析篩選敏感波段建模優(yōu)于線性相關(guān)性分析篩選建模結(jié)論不同。可能是由于前者研究對(duì)象為山東泰安非鹽漬化棕壤，與本文寧夏銀北重度鹽漬化粘壤土在土壤鹽分、粗糙度和質(zhì)地等方面都存在一定差異造成。對(duì)比MIR，PLSR和SVM 3種模型的建模效果，發(fā)現(xiàn)基于SVM模型的擬合精度整體優(yōu)于MLR和PLSR模型，表明機(jī)器算法比傳統(tǒng)建模方法在表層SMC擬合中的可靠性更高[27]，這與陳文倩等[28]在對(duì)新疆渭庫綠洲SMC反演中，SVM模型精度遠(yuǎn)高于MLR和PLSR模型的結(jié)論一致。在SVM模型中，發(fā)現(xiàn)基于SR篩選的敏感波段數(shù)量最多為8個(gè)，最少為2個(gè)，所建模型的穩(wěn)定性和建模精度相差不大，說明采用SR-SVM方法建模，入選敏感波段數(shù)量的多少與精度無直接關(guān)系；但基于GCD篩選的敏感波段數(shù)從多到少依次FLR=FRLR>FRR>RR，所得SVM模型的精度從高到低依次為：FLR-SVM>FRLR-SVM>FRR-SVM>RR-SVM，說明GCD-SVM建模入選敏感波段數(shù)越多所建模型精度和擬合能力越高。

本研究是針對(duì)重度鹽漬化土壤，其水分含量在7.44%～32.29%的范圍內(nèi)，其最優(yōu)擬合模型能否應(yīng)用于其他程度鹽漬化土壤的水分?jǐn)M合還需進(jìn)一步驗(yàn)證。

4 結(jié) 論

(1) 土壤水分含量較低時(shí)，隨水分含量增加土壤反射率逐漸下降，當(dāng)水分含量超過26.34%后，土壤反射率隨水分的增加而增大，原始光譜反射率在近紅外波段變化幅度整體大于可見光波段；經(jīng)CR處理水分光譜特征曲線在420和485 nm處出現(xiàn)較弱水分吸收帶，吸收谷位置發(fā)生藍(lán)移現(xiàn)象。

(2) 在研究區(qū)SMC擬合建模方法中，MLR和PLSR模型的擬合效果普遍較差，SVM模型的整體具有良好的擬合能力。因此，SVM模型在進(jìn)行干旱—半干旱地區(qū)的重度鹽漬化SMC擬合方面具有一定優(yōu)勢。