顧及粗糙度的土壤有機碳成像高光譜估測模型

徐 璐， 陳奕云, 2, 3*， 洪永勝， 魏 鈺， 郭 龍， Marc Linderman

1. 武漢大學資源與環(huán)境科學學院， 湖北 武漢 430079 2. 自然資源部數(shù)字制圖與國土信息應用重點實驗室， 湖北 武漢 430079 3. 土壤與農(nóng)業(yè)可持續(xù)發(fā)展國家重點實驗室， 江蘇 南京 210008 4. 華中農(nóng)業(yè)大學資源與環(huán)境學院， 湖北 武漢 430070 5. Geographical and Sustainability Sciences, The University of Iowa, Iowa City, IA 52246, USA

引 言

土壤有機碳(soil organic carbon, SOC)是土壤的重要組成， 在碳循環(huán)與全球氣候變化、 土壤健康與糧食安全等方面起著至關重要的作用[1-2]。 SOC信息的高效獲取對于可持續(xù)土壤資源管理與政策制定具有重要意義[3-4]。 因此， 探索快速且精確的SOC含量估測方法成為了一個熱點問題。 隨著遙感技術的發(fā)展， 可見近紅外光譜技術逐漸被用于SOC含量估測研究[5]。 與傳統(tǒng)的化學方法相比， 此方法具有快速高效、 低成本、 無污染的特點。

已有研究表明， 利用非成像的可見近紅外光譜技術能夠較好地估測SOC含量[6]。 但是這些研究大多需要對野外采集到的土壤進行風干、 研磨、 過篩等預處理， 以降低土壤粗糙度對土壤屬性光譜建模的不利影響。 自然狀況下的土壤顆粒因團聚作用形成不同直徑的土壤團聚體， 呈現(xiàn)非定向空間分布， 具有一定程度的隨機粗糙度[7]。 這會導致入射光在土壤樣本的不同位置發(fā)生不同程度的散射、 吸收和反射； 同時， 土壤顆粒大小及顆粒間的陰影部分也會對光譜反射率造成影響。 顆粒粒徑越大， 顆粒間陰影部分面積越大， 光譜反射率越低。 這些特性導致高粗糙度的土壤樣本表面具有復雜的光譜散射與反射特征。

非成像光譜技術僅能夠獲取土壤某個點處的反射光譜信息， 無法同時獲取土壤光譜的空間連續(xù)分布信息， 且容易受到土壤粗糙度對光譜測量的影響， 因此難以成功估測高粗糙度樣本的SOC含量。 土壤樣本經(jīng)過風干、 研磨、 過篩的預處理后， 其顆粒大小與形狀相對均勻， 從而降低了粗糙度， 使得同一個土壤樣本的表面各點具有近似一致的光譜反射特征。 這為非成像光譜數(shù)據(jù)實現(xiàn)SOC含量的精確估算提供了保障[8]。 但這一預處理過程需要耗費大量時間、 人力、 物力， 具有較高的成本， 時效性差， 難以實現(xiàn)大尺度的野外土壤光譜測量及SOC含量的實時監(jiān)測。 因此， 開展能夠克服土壤粗糙度影響的SOC光譜反演具有重要的科研應用價值。

成像光譜技術融合了光譜技術和成像技術， 能夠同時獲取土壤樣本中每個像素點的光譜信息及其空間分布信息。 已有少數(shù)研究將成像光譜技術成功應用于低粗糙度樣本的SOC估算的報道[9]。 但是成像光譜技術估算高粗糙度樣本SOC含量的潛力仍有待驗證。

因此， 以研磨前后不同粗糙度下的土壤樣本為研究對象， 提取高光譜影像中的土壤光譜信息， 基于5種光譜預處理策略， 利用偏最小二乘回歸(PLSR)和支持向量回歸(SVR)算法建立SOC估測模型， 并與利用非成像光譜建立的SOC估測模型性能進行對比， 考察成像光譜技術估測高粗糙度下土壤樣本SOC含量的能力， 并分析其估測機理， 為土壤有機碳儲量實時監(jiān)測提供新技術。

1 實驗部分

1.1 研究區(qū)概況及樣本采集

研究區(qū)位于美國愛荷華州東南部。 該地區(qū)的海拔位于237～266 m之間， 坡度為0°～9.7°， 年平均氣溫為9.88 ℃， 年平均降雨量為903 mm。 土壤類型主要為粉質(zhì)粘壤土、 粘壤土和粉砂壤土。 土地利用類型以耕地為主。 該研究區(qū)主要種植玉米、 大豆、 黑麥等農(nóng)作物。

圖1 研究區(qū)地理位置及采樣點分布情況

2015年10月， 在研究區(qū)利用網(wǎng)格采樣的策略共采集了60個土壤樣本(圖1)。 土壤樣本采樣間隔為130 m。 每個樣本是由五個子樣本組成的復合樣本(子樣本采集于1 m×1 m網(wǎng)格的四個頂點及中心點)。 采樣前， 將土壤表面的植被、 雜草和其他雜物去除。 采樣時， 將土壤樣本按照采樣順序裝入帶有標簽的塑料袋中并密封。 采樣后， 將采集到土壤樣本帶回實驗室進行光譜測量及化學分析。

1.2 光譜測量及化學分析

在實驗室中將采集的土壤樣本進行自然風干。 首先測量風干后未研磨的土壤樣本的成像光譜與非成像光譜。 之后將所有樣本進行研磨和過篩(2 mm)預處理， 再分別進行成像與非成像光譜測量。 最后， 將樣本繼續(xù)研磨、 過篩(0.15 mm)， 用于測量SOC含量。

采用Cubert UHD185型成像光譜儀測量土壤樣本研磨前后的成像光譜。 該成像光譜儀是由德國Cubert Gmbh公司研發(fā)， 具有實時成像的特點， 光譜范圍為450～998 nm， 光譜分辨率為4 nm[10]。 光譜測量在暗室中進行， 以鹵素燈作為唯一光源， 入射光與土壤樣本成45°夾角， 與樣本相距30 cm。 UHD185型成像光譜儀被固定于土壤樣本正上方12 cm處。 測量土壤樣本光譜前， 需要進行白板測量以校正光譜儀。

采用ASD FieldSpec3便攜式光譜儀測量土壤樣本研磨前后的非成像光譜。 整個光譜測量環(huán)境與成像光譜測量環(huán)境相同， 在暗室中進行。 鹵素燈作為唯一光源， 與土壤樣本成45°夾角， 并與樣本相距30 cm。 光纖放置在樣本正上方， 距離樣本12 cm。 在測量光譜之前利用白板校正光譜儀。 每個樣本測量10次光譜， 取平均值作為最終的樣本光譜。 光譜范圍為350～2 500 nm， 光譜分辨率為1 nm。

采用Vario MACRO cube元素分析儀測量SOC含量[11]。 測量前， 需要對儀器進行氣密性檢驗。 測量時， 將用錫箔紙包好的樣本按順序放入元素分析儀中測量SOC含量。 元素分析儀中氧氣和氦氣的氣瓶減壓閥的輸出壓力分別調(diào)至0.20～0.22和0.20～0.23 MPa， 燃燒管溫度設置為1 150 ℃， 還原管溫度設置為850 ℃。

1.3 光譜預處理

測量得到的單個樣本成像光譜影像大小為50×50個像素點(圖2)。 為了降低周邊測量環(huán)境的影響(如盛放土壤樣本的培養(yǎng)皿等)， 提取紅色框中14×20共280個像素點的平均光譜作為土壤樣本的成像光譜數(shù)據(jù)。 由于儀器固有特性以及實際測量誤差， 導致450～489 nm范圍內(nèi)信噪比較低， 故選擇490～998 nm范圍內(nèi)的成像光譜數(shù)據(jù)用于建模分析。 成像光譜與非成像光譜數(shù)據(jù)波段范圍與光譜分辨率不一致。 為了有效對比兩者數(shù)據(jù)估算SOC的潛力， 本文選擇490～998 nm范圍內(nèi)非成像光譜數(shù)據(jù)進行建模， 并且將非成像光譜反射率重采樣為4 nm。 此外， 通過原始成像與非成像光譜進行去包絡線(CR)、 吸光度變換(AB)、 S-G平滑(SG)、 標準正態(tài)變換(SNV)、 多元散射校正(MSC)5種光譜預處理后， 對原始光譜及預處理后光譜開展了SOC估測建模。

圖2 單個土壤樣本研磨前及研磨后成像光譜影像

1.4 模型構建及驗證

本研究中采用偏最小二乘回歸(PLSR)算法和支持向量回歸(SVR)算法建立不同預處理后成像與非成像光譜的SOC含量估測模型。 PLSR是一種典型的線性回歸算法， 由Wold提出， 被廣泛應用于光譜分析研究。 該方法將原始可見近紅外光譜波段投影到一個新的空間， 形成新的特征變量， 利用新的特征變量建立回歸模型。 它集合了多元線性回歸、 主成分分析和典型相關分析優(yōu)點， 能夠有效降低高光譜波段的多重共線性和信息冗余。 SVR是利用核函數(shù)將原始可見近紅外光譜投影至高維線性空間尋找最優(yōu)估算結果的算法， 對高維數(shù)據(jù)具有良好的魯棒性。 常見的核函數(shù)包括線性核函數(shù)、 高斯核函數(shù)、 多項式核函數(shù)和徑向基核函數(shù)。 其中基于徑向基核函數(shù)建立的SVR模型為非線性模型， 效果最佳。 因此， 選擇徑向基核函數(shù)的SVR算法建立SOC估算模型。

根據(jù)濃度梯度法， 土壤樣本按2∶1比例劃分為建模集和驗證集。 建模集被用來建立PLSR和SVR估測模型， 而驗證集被用來評價模型性能。 評價指標包括決定系數(shù)(R2)和均方根誤差(RMSE)。R2越大， RMSE越小， 模型性能越好。

2 結果與討論

2.1 SOC數(shù)據(jù)分布特征

表1描述了研究區(qū)土壤樣本全集、 建模集和驗證集的SOC含量的統(tǒng)計特征。 樣本全集有60個樣本， 建模集有40個樣本， 驗證集有20個樣本。 樣本全集與建模集中SOC含量范圍介于1.21%～2.97%之間， 驗證集中SOC含量最大值為2.83%， 最小值為1.24%。 樣本全集、 建模集和驗證集的均值皆為2.22%， 中位數(shù)為2.33%。 樣本全集、 建模集、 驗證集的標準差分別為0.43， 0.44和0.42； 變異系數(shù)分別為0.19， 0.20和0.19， 屬于中等變異。 三個樣本集的偏度系數(shù)分別為-0.72， -0.71和-0.82， 峰度系數(shù)分別為-0.28， -0.29和0.04， 為峰值較小的非正態(tài)分布。 根據(jù)SOC的統(tǒng)計特征可知， 建模集和驗證集的SOC 含量特征與樣本全集的SOC含量統(tǒng)計特征相似。 這表明建模集和驗證集可以代表樣本全集， 能夠被用來建立和驗證SOC估測模型。

表1 SOC含量統(tǒng)計性特征描述表

2.2 光譜特征

圖3展示了在490～998 nm范圍內(nèi)， 研磨前后土壤成像光譜與非成像光譜平均反射率特征。 其中， 成像光譜反射率是所有樣本中所有像素點的平均光譜反射率。 圖3中d,b曲線分別代表了土壤樣本研磨前后成像光譜的反射率。 土壤樣本研磨前的成像光譜反射率在490～974 nm范圍內(nèi)不斷增加， 在974～998 nm之間開始下降。 土壤樣本研磨后的成像光譜反射率的變化趨勢與研磨前的光譜反射率變化趨勢相似。 土壤樣本研磨后的光譜反射率在490～978 nm范圍內(nèi)不斷增加， 在978～998 nm范圍內(nèi)不斷降低。 在490～998 nm范圍內(nèi)， 土壤樣本研磨前的光譜反射率總是低于研磨后的光譜反射率， 且隨著光譜波長不斷增加， 反射率變化越來越大。 圖3中c,a曲線分別代表了土壤樣本研磨前后非成像光譜反射率。 從圖中可以看出， 非成像光譜反射率在490～998 nm范圍內(nèi)不斷增加， 無下降趨勢。

圖3 土壤樣本研磨前后成像光譜(d, b)與非成像光譜(c, a)平均反射率

土壤樣本研磨前的成像光譜與非成像光譜反射率總是低于研磨后的光譜反射率。 隨著光譜波長增加， 土壤樣本研磨前后光譜反射率差異逐漸變大， 土壤研磨前后非成像光譜反射率差異小于成像光譜反射率的差異。

2.3 SOC與光譜相關性分析

圖4展示了樣本研磨前后不同粗糙度條件下土壤成像光譜、 非成像光譜與SOC的皮爾遜相關系數(shù)曲線。 圖4中d,b曲線分別代表了土壤樣本研磨前、 后成像光譜與SOC的相關系數(shù)。 研磨前成像光譜反射率與SOC的相關系數(shù)絕對值介于0.49～0.70之間， 在606 nm處相關系數(shù)絕對值最大。 研磨后成像光譜反射率與SOC的相關系數(shù)絕對值范圍為0.75～0.85， 在666 nm處相關系數(shù)絕對值最大。

圖4 土壤樣本研磨前后成像光譜(d, b)、 非成像光譜(c, a)與SOC相關系數(shù)圖

對于非成像光譜， 研磨前光譜與SOC的相關系數(shù)最大絕對值為0.56， 最小絕對值為0.38。 598 nm處光譜與SOC的相關性最強。 研磨后光譜與SOC的相關系數(shù)最大值為0.84， 最小值為0.75。 668 nm處光譜與SOC的相關性最強。

總體來說， 土壤樣本研磨前后成像光譜與非成像光譜與SOC的相關性皆為負相關。 在490～998 nm范圍內(nèi)， 土壤樣本研磨前， 成像光譜與SOC的相關性明顯強于非成像光譜與SOC的相關性； 土壤樣本研磨后， 成像光譜與SOC的相關性稍微強于非成像光譜與SOC的相關性。

2.4 模型性能對比

表2展示了兩種粗糙度下的土壤樣本(研磨前后)， 基于成像光譜與非成像光譜， 利用其原始光譜及5種預處理光譜， 建立的PLSR和SVR模型性能對比表。

表2 土壤樣本研磨前后成像光譜與非成像光譜在不同預處理下PLSR和SVR模型性能表

續(xù)表2

從表中可以看出， 土壤樣本研磨前后， 不同光譜預處理下， 基于成像光譜建立的PLSR和SVR模型性能總是優(yōu)于基于非成像光譜建立的估測模型。

總的來說， 對于成像光譜， 土壤樣本研磨前后建立的估測模型皆能被用于估測SOC含量。 土壤樣本研磨前建立 PLSR模型性能總是優(yōu)于樣本研磨之后建立的PLSR模型， 而SVR模型性能正好相反。 對于非成像光譜， 僅有土壤樣本研磨后建立的PLSR和SVR模型能夠成功估測SOC含量， 但估測精度總是低于成像光譜建立的估測模型。

2.5 粗糙度對光譜反射率的影響

土壤在不同粗糙度下的光譜反射率特征不同。 整體表現(xiàn)為粗糙度大， 反射率低， 反之， 粗糙度小， 反射率高。 土壤樣本研磨前粗糙度高， 研磨后粗糙度低。 本研究探討了應用不同光譜儀測量時， 土壤樣本在處于研磨前后的這兩種粗糙度狀態(tài)下的反射率特征。

成像與非成像光譜儀測量得到的研磨前的土壤光譜平均反射率總是小于研磨后的土壤光譜平均反射率。 這是由于研磨前， 土壤顆粒在團聚作用的驅(qū)動下形成不同大小的團聚體， 具有非定向空間分布， 導致較高的粗糙度。 測量光譜時， 光散射現(xiàn)象明顯， 導致較低的反射率。

土壤樣本研磨前后， 成像光譜平均反射率均小于非成像光譜平均反射率。 這是因為成像光譜可以獲取到土壤樣本陰影部分與非陰影部分像素點的反射率。 陰影部分土壤反射率低， 故而成像光譜平均反射率低于非成像光譜平均反射率。 研磨后土壤樣本陰影部分面積減少， 因此研磨后的成像光譜反射率略微低于非成像光譜反射率。 這說明成像光譜數(shù)據(jù)能夠更加真實地反映土壤粗糙度對土壤光譜反射率的影響。

2.6 粗糙度對SOC光譜響應波段的影響

不同的土壤粗糙度下， 可見近紅外范圍內(nèi)的光譜波段在估測SOC含量時具有不同的重要性。 變量投影重要性(variable importance in projection， VIP)指示每個光譜波段在估測SOC含量中的重要性。 圖5展示了樣本研磨前后這兩種粗糙度狀態(tài)下土壤成像光譜與非成像光譜的VIP圖。 其中VIP>1， 光譜波段被視為重要波段， 表明在估測SOC含量時起關鍵作用。 采用成像光譜技術估測SOC含量時， 樣本研磨前重要波段為614～766與902～998 nm。 其中， 766～902 nm范圍內(nèi)的光譜波段在樣本研磨前為非重要波段， 在樣本研磨后為重要波段。 利用非成像光譜建模時， 767～871 nm范圍內(nèi)的光譜波段在樣本研磨前為非重要波段， 在樣本研磨后為重要波段。 樣本研磨后重要波段為686～998 nm。 樣本研磨前后， 成像光譜與非成像光譜波段重要性曲線相似， 再一次證明了成像光譜技術被用于估測SOC含量的可行性。

圖5 土壤樣本研磨前后成像光譜(d, b)與非成像光譜(c, a)VIP圖

2.7 成像光譜技術的優(yōu)勢

將土壤樣本研磨前后的成像光譜與非成像光譜數(shù)據(jù)用于SOC含量的估測， 并對比了不同數(shù)據(jù)源及光譜預處理對PLSR和SVR模型性能的影響。 結果顯示成像光譜數(shù)據(jù)在土壤樣本研磨前后具有較為優(yōu)秀的表現(xiàn)。 而使用非成像光譜數(shù)據(jù)所構建的模型僅能用于研磨后土壤樣本SOC含量估測， 這是由于研磨后， 降低了粗糙度， 增強了非成像光譜與SOC的相關性， 從而提高了PLSR模型的估測能力。 土壤樣本研磨前后， 成像光譜與SOC的相關性較強， 說明成像光譜數(shù)據(jù)能夠克服土壤粗糙度的影響， 可以被用來建立良好的SOC估測模型。

此外， 利用成像光譜建立的估測模型有潛力被推廣應用于衛(wèi)星遙感數(shù)據(jù)。 國內(nèi)現(xiàn)有的高光譜遙感衛(wèi)星有高分五號、 珠海一號等。 高分五號獲取的高光譜衛(wèi)星遙感影像在可見近紅外光譜范圍內(nèi)共有150個波段， 光譜分辨率為4.28 nm[4]。 珠海一號獲取的高光譜衛(wèi)星遙感影像在400～1 000 nm范圍內(nèi)共有32個波段， 光譜分辨率為3～8 nm[12]。 本研究獲取的成像光譜數(shù)據(jù)與高分五號、 珠海一號高光譜遙感影像具有相似的波段數(shù)量與光譜分辨率。 可以進一步探索成像光譜與衛(wèi)星遙感影像光譜間的傳遞性， 從而將近地成像光譜SOC估測模型遷移應用于衛(wèi)星遙感影像中， 為大尺度的SOC含量估測提供新型手段。

3 結 論

以美國愛荷華州土壤樣本為對象， 在實驗室內(nèi)測量了不同粗糙度下土壤樣本的成像及非成像光譜反射率， 基于5種光譜預處理算法， 利用PLSR和SVR方法建立了SOC含量估測模型， 探究了利用成像光譜技術估測高粗糙度的土壤樣本的SOC含量的潛力。 結果表明成像光譜技術能夠克服土壤粗糙度的影響， 成功預測高粗糙度樣本的SOC含量。 成像光譜技術能夠同時獲取土壤空間維度與光譜維度信息， 增強了光譜與SOC的相關性， 因此具有良好的估測能力。 成像光譜技術作為一個新型光譜測量技術， 為野外光譜測量和大尺度SOC含量估測提供了技術支持。