湿地土壤硝化微生物群落的高光谱研究

卫亚星，王莉雯

1. 辽宁师范大学海洋经济与可持续发展研究中心，辽宁 大连 116029

2. 辽宁师范大学自然地理与空间信息科学辽宁省重点实验室，辽宁 大连 116029

3. 辽宁师范大学城市与环境学院，辽宁 大连 116029

湿地土壤硝化微生物群落的高光谱研究

卫亚星1, 2, 3，王莉雯1, 2, 3

1. 辽宁师范大学海洋经济与可持续发展研究中心，辽宁 大连 116029

2. 辽宁师范大学自然地理与空间信息科学辽宁省重点实验室，辽宁 大连 116029

3. 辽宁师范大学城市与环境学院，辽宁 大连 116029

氮循环是土壤生态系统元素循环的重要过程，其中硝化作用对于土壤氮循环有重要影响。硝化作用的主要完成者是硝化微生物群落，土壤微生物是湿地生态系统的重要组成部分，其可以指示湿地生态环境变化，对正确认识湿地生态系统氮循环和湿地污染净化功能具有重要意义。尝试从高光谱遥感技术角度，基于土壤氮素光谱监测机理，探索湿地土壤硝化微生物群落高光谱估算技术，进而为估测其时空分布状况提供新技术途径。研究对硝化作用中两个独立阶段的主要完成者氨氧化细菌和亚硝酸氧化细菌，采用最大可能数法分别计数，并以两者计数测量结果的合计，作为各采样区域土壤硝化微生物的数量值。采用光谱倒数的对数(LR)、光谱一阶微分(FD)、光谱二阶微分(SD)、包络线去除(CR)和光谱波段深度(BD)光谱变换技术，以及基于再抽样(bootstrap)技术的多元逐步回归(SMLR)和偏最小二乘回归(PLSR)建模方法，构建湿地土壤硝化微生物数量和全氮含量估算模型。研究结果表明：在采用bootstrap SMLR建模方法时，湿地土壤硝化微生物数量和全氮含量的估算波段位置存在一定的相似性(尤其对于原光谱实测数据R和SD光谱)；对于湿地土壤硝化微生物数量和全氮含量的估算，bootstrap PLSR相比于bootstrap SMLR建模方法，具有较高的估算精度；对湿地土壤硝化微生物数量的估算，最高估算精度产生于SD光谱变换技术结合bootstrap PLSR建模；对湿地土壤全氮含量的估算，最高估算精度产生于CR光谱变换技术结合bootstrap PLSR建模。

高光谱模型；硝化微生物；湿地土壤；再抽样的多元逐步回归

引 言

氮循环是土壤生态系统元素循环的核心过程之一，其中硝化作用对于土壤的氮素循环意义重大。硝化作用是连接固氮作用与反硝化作用的中间环节，其与植物的氮素有效利用程度、土壤酸化、水体污染等一系列生态环境问题直接相关。因此，硝化作用是氮素生物地球化学循环的中心环节[1]。

硝化作用是一个主要由硝化微生物介导的反应，分两个阶段完成，即氨态氮氧化为亚硝态氮的氨氧化过程和亚硝态氮氧化为硝态氮的亚硝酸盐氧化过程[2]。第一阶段氨氧化作用是硝化作用的限速步骤。这两个阶段分别由氨氧化细菌和亚硝酸氧化细菌完成，它们分别参与的硝化反应为[3]

土壤微生物的种类和数量是微生物生态学研究的重要内容。由于土壤环境条件、硝化过程和硝化微生物本身的复杂多样性，会影响常规分子生物学技术对硝化微生物研究结果的准确性。这类研究大多是零散地在某些特定位点上开展的，难以获得区域尺度的微生物群落分布变化状况。而且，微生物群落的区域生态效应需要较长时期才能表现出来，仅依据短时间的监测，难以给出准确的估算与评价[1]。利用能够提取区域尺度面信息的遥感监测技术，探索大尺度上微生物分布及土壤硝化作用的时空演变特征及驱动因子，是可以尝试开展的新研究方向。高光谱遥感以其高光谱分辨率和强波段连续性的特点，能够捕捉土壤精细的光谱特征，从而有利于定量获取土壤的生化组分[4-5]。

天然湿地土壤微生物研究起步相对较晚，湿地土壤微生物群落结构和分布变化、种群特征及其与环境影响因素的相关关系，还有待于深入研究。本工作尝试从高光谱遥感技术角度，基于土壤氮素光谱监测机理，探索湿地土壤硝化微生物群落遥感估算技术，进而估测其时空分布状况，为正确认识湿地氮循环过程和影响机制、湿地污染净化功能提供科学依据。

1 研究区概况

盘锦湿地位于辽河三角洲的最南端、双台子河入海口处，是以芦苇沼泽及潮间带滩涂为主的自然湿地。在此处建立了双台河口湿地国家级自然保护区，为全国最大的湿地自然保护区。该地区属暖温带大陆性半湿润季风气候区，年平均温度8.5 ℃，年平均降水量为650mm。近年来随着人为干扰强度的增加，特别是氮磷营养物质过剩、围垦等，已对滨海河口湿地的生态环境造成了负面影响[6]。

2 实验部分

2.1 土壤采集与制备

野外实验于2014年8月进行，设定了具有代表性的40个采样区域。在每个采样区域，采用五点采样法进行土壤样本采集，采样时剔除石砾、植被残根等杂物，装入灭菌封口袋中，低温保存带回实验室。在实验室，将采集的土壤样本进行分组编号后，部分样品用于土壤硝化微生物计数测量，部分样品用于土壤理化因子的测量，部分样品用于土壤光谱测量。选取土壤表层样本(0～10cm)。

2.2 土壤光谱测量

研究使用了ASDFieldSpecProFR野外光谱辐射仪在实验室内进行土壤光谱测量。土壤光谱测量在能控制光照条件的实验室进行，光源为卤素灯，光源入射角为60°。土壤样本置于直径10cm、深1.5cm的器皿内，表面自然推平。传感器探头置于垂直距土壤样本表面10cm处，视场角为25°。实验中使用的参考板为99%的朗伯体白板。每个土壤样本光谱测量10次，取其平均值作为该样本的光谱反射率数据。测量获取的土壤样本在350～400和2451～2500nm波段噪声较大，将其剔除。对400～2450nm波段土壤光谱，采用小波法进行滤波去噪。

2.3 土壤硝化微生物测量

考虑到硝化作用中存在两个较为独立的阶段，这两个阶段采用的基质和生长速率均不相同，因此将硝化微生物分为氨氧化细菌和亚硝酸氧化细菌，采用最大可能数法(MPN)分别计数。

(1)氨氧化细菌数量的测量

(2)亚硝酸氧化细菌数量的测量

2.4 土壤全氮测量

土壤全氮测量采用硒粉-硫酸铜-硫酸消化法，即凯氏定氮法。

3 研究方法

3.1 基于土壤氮素光谱监测的湿地土壤硝化微生物估算

在研究中，为了增强湿地土壤硝化微生物数量的优势性，将氨氧化细菌和亚硝酸氧化细菌的计数测量结果进行合计，作为各采样区域土壤硝化微生物的数量值。以此增强其对硝化功能菌群数量的代表性，从而增强相应光谱特征的研究。

3.2 基于bootstrap的SMLR和PLSR模型

研究中采用再抽样(bootstrap)技术结合回归建模方法(包括多元逐步回归模型SMLR和偏最小二乘回归模型PLSR)，分别构建了研究区湿地土壤硝化微生物数量和全氮含量的估算模型。

bootstrap技术是一种基于再抽样和数据模拟的统计推断方法。bootstrap技术是通过对有限的数据样本进行随机的、等概率的、有放回的重抽样，重新建立起足以代表母体样本分布之新样本，从而实现了扩大样本容量，有效地提高了所建模型的估算精度[10]。

(1)

式中，x是自变量数据，y是因变量数据；基于bootstrap样本S(1)，采用回归建模方法，建立估算模型

(2)

β是回归系数；重复(1)和(2)步骤，得到估算模型回归系数数据组，构建基于bootstrap样本的回归系数数据集；计算基于bootstrap样本的回归系数与初始回归系数差值的绝对值，取绝对值的90%分位点作为拒绝域的临界值；比较回归系数的绝对值与临界值，判断其是否通过显著性检验；将经过显著性检验的自变量在原数据集上重新构建估算模型。

3.3 光谱变换技术

使用包括光谱倒数的对数(LR)、光谱一阶微分(FD)、光谱二阶微分(SD)、包络线去除(CR)和光谱波段深度(BD)的5种光谱变换技术，分别基于LR，FD，SD，CR，BD和原光谱(R)数据并结合回归建模方法，构建湿地土壤硝化微生物数量和全氮含量估算模型。

3.4 数据分析

将40个采样区域获取的土壤样本数据随机分成2组，第一组25个样本用于建立回归模型，第二组15个样本用于验证模型。选取决定系数(R2)和均方根误差(RMSE)作为评价指标。

4 结果与讨论

4.1 研究区湿地土壤硝化微生物数量特征

表1 湿地土壤硝化微生物数量和全氮含量统计特征

Table 1 Statistics results of nitrification microorganism abundance and total nitrogen content in wetland soils

分析指标最小值最大值均值标准差氨氧化细菌(×104个·g-1干土)1 529 484 751 54亚硝酸氧化细菌(×104个·g-1干土)0 586 643 631 62硝化微生物(×104个·g-1干土)2 8113 027 443 11全氮(mg·g-1)0 591 991 310 42

4.2 湿地土壤光谱特征

图1(a)为实验测量获取的湿地土壤平均反射光谱曲线。在可见光和近红外波段(400～2450 nm)，湿地土壤反射光谱曲线呈比较平滑、缓慢上升的特征。在可见光波段(400～760 nm)，反射率值上升较快，反射率值从0.041迅速上升至0.272，其中562～790 nm波段范围内反射率上升速率变化最为明显。在457～562 nm之间曲线形状呈微向下凹的特征，其中549～558 nm之间出现反射率轻微下降的凹谷。相比之下，近红外波段(761～2450 nm)反射率值较高，反射率值在0.273～0.450范围内波动。而且，曲线斜率变化较为平缓，在800～1 356和1 408～1 840 nm波段范围内反射率逐渐平缓增加，1 920～2 040 nm波段反射率随波长增加而迅速上升，2 040～2 207和2 230～2 450 nm波段反射率呈递减趋势。在1 408 nm处存在明显的水分吸收谷，2 207 nm处出现弱的水分吸收谷，以1 920 nm为中心波段出现反射光谱曲线中最为明显的水分吸收谷特征。另外，790～800 nm波段范围呈现反射率变化的微上凸，在2 311和2 349 nm为中心波段出现弱的反射率变化的凹谷。

图1 湿地土壤平均反射率(a)，LR变换(b)，FD变换(c)，SD变换(d)，CR变换(e)和BD变换(f)光谱曲线

图1(b)—(f)分别为采用LR，FD，SD，CR和BD光谱变换技术后的光谱反射率曲线。对比显示，变换后的各光谱曲线反射率变化明显，光谱特征差异显著，尤其在拐点位置处。经FD和SD变换后的光谱曲线，随着波长的增加反射率值上下显著波动，呈现较为相似的变化趋势。经CR和BD变换后的光谱曲线，呈现相似的若干光谱特征吸收带。

4.3 基于PLSR和SMLR的湿地土壤硝化微生物数量和全氮含量估算精度对比

表2和表3分别为基于bootstrap SMLR和PLSR的各光谱变换技术估算湿地土壤硝化微生物数量和全氮含量的精度对比。图2为基于建模样本和检验样本数据，采用bootstrap PLSR建模方法，湿地土壤硝化微生物数量估算值与测量值的比较。表2和表3对比显示，相比于bootstrap SMLR建模方法，bootstrap PLSR建模方法对湿地土壤硝化微生物数量和全氮含量的估算精度较高。对于湿地土壤硝化微生物数量的估算，最高估算精度产生于SD光谱变换技术结合bootstrap PLSR建模，最低估算精度产生于LR光谱变换技术结合bootstrap SMLR建模。在湿地土壤全氮含量的估算中，最高估算精度产生于CR光谱变换技术结合bootstrap PLSR建模，最低估算精度产生于LR光谱变换技术结合bootstrap SMLR建模。

表2 基于bootstrap SMLR的各光谱变换技术估算湿地土壤硝化微生物数量和全氮含量结果

表3 基于bootstrap PLSR的各光谱变换技术估算湿地土壤硝化微生物数量和全氮含量结果

Table 3 The results of estimated nitrification microorganism abundance and total nitrogen content in wetland soils using various spectral transformation techniques based on bootstrap PLSR

估算指标光谱数据成分个数建模样本检验样本R2RMSER2RMSE硝化微生物R50 6651 9160 6502 210LR30 4462 5250 4252 465FD40 6512 0670 6921 611SD50 7261 9830 7041 903CR40 6182 0380 5931 882BD50 4542 9930 5512 377全氮R40 6980 2260 6930 232LR50 7620 2050 6970 228FD40 6010 2810 6420 263SD40 7870 2110 7460 247CR30 8150 1800 7840 192BD50 6740 2290 6790 226

在SMLR建模过程中，仅使用了几个入选波段，而未使用的高光谱数据其他波段中包含着丰富的光谱信息，从而造成了重要信息的丧失[11]。相比之下，PLSR建模考虑了各波段的光谱参数，从中提取了最优数量的潜在变量，并解决了解释变量冗余、过度拟合、多重共线性等问题，因而估算精度较高[10]。在本文中，除了使用BD技术估算土壤硝化微生物数量(建模样本)以及FD估算土壤全氮含量以外，bootstrap PLSR建模方法的估算精度均高于bootstrap SMLR。因此，bootstrap PLSR建模方法适用于研究区湿地土壤硝化微生物数量和全氮含量的高光谱遥感估算。

4.4 不同光谱变换技术估算湿地土壤硝化微生物数量和全氮含量精度对比

对比不同光谱变换技术估算湿地土壤硝化微生物数量的精度。表2是采用bootstrap SMLR建模方法的估算精度，SD光谱变换技术的估算精度最高，检验样本的R2为0.648(RMSE=1.731)。其后，估算精度(检验样本)从高到低依次为R，CR，FD，BD和LR。表3是采用bootstrap PLSR建模方法的估算精度(图2)，SD光谱变换技术的估算精度最高，检验样本的R2达到0.704(RMSE=1.903)。其后，估算精度(检验样本)从高到低依次为FD，R，CR，BD和LR。因此，SD光谱变换技术结合bootstrap PLSR建模方法，适用于研究区湿地土壤硝化微生物数量的高光谱遥感估算。

对比不同光谱变换技术估算湿地土壤全氮含量的精度。表2是采用bootstrap SMLR建模方法的估算精度，CR光谱变换技术的估算精度最高，检验样本的R2为0.717。其后，估算精度(检验样本)从高到低依次为SD，FD，BD，R和LR。表3是采用bootstrap PLSR建模方法的估算精度，CR光谱变换技术的估算精度最高，检验样本的R2达到0.784。其后，估算精度(检验样本)从高到低依次为SD，LR，R，BD和FD。因此，CR光谱变换技术结合bootstrap PLSR建模方法，适用于研究区湿地土壤全氮含量的高光谱遥感估算。

已有研究的结果表明，采用LR，FD，SD，CR和BD光谱变换技术，可以在一定程度上改进光谱数据与土壤全氮含量之间的相关关系，并且其估算精度超过了原光谱数据的预测精度。在本文中，对湿地土壤硝化微生物数量的估算，采用bootstrap SMLR和bootstrap PLSR建模方法时，SD光谱变换技术的估算精度较R光谱有了一定幅度的提高。采用bootstrap PLSR建模方法时，FD技术的估算精度(检验样本)较R光谱也有了改进。因此，可以采用LR，FD，SD，CR和BD光谱变换技术，实现对湿地土壤硝化微生物数量和全氮含量估算精度的提高，但需要进一步研究各技术适用性的条件参量。当需要提高原光谱数据对监测指标的估算精度时，可以考虑采用LR，FD，SD，CR和BD等光谱变换技术。

表2显示，采用bootstrap SMLR建模方法时，估算湿地土壤硝化微生物数量的入选波段，与估算土壤全氮含量的入选波段，分布于可见光、近红外和短波红外(SWIR)波段，估算两者的入选波段位置存在一定的相似性(尤其对于R和SD光谱数据)。这种现象反映出，由硝化微生物引起的硝化作用，直接影响着湿地土壤氮素循环中各种形态氮素的数量与类型转换。另一方面，氮素是硝化微生物生长所必需的营养物质，对硝化微生物的数量和生长有直接的影响。因此，湿地土壤中硝化微生物的数量与全氮含量存在较高的相关关系。湿地土壤硝化微生物数量和全氮含量的入选波段位置的相似性，也说明一些关键波段在氮素循环相关环节的监测中具有一定的普遍适用性，而其差别则说明估算指标的光谱响应存在差异。基于此，估算两者入选波段位置的相似性，有利于进一步基于星载窄带和宽带光谱反射率数据(尤其高光谱图像)，估测湿地土壤硝化微生物群落的时空分布状况。

图2 湿地土壤硝化微生物数量估算值与测量值比较

5 结 论

(1)在采用bootstrap SMLR建模方法时，湿地土壤硝化微生物数量和全氮含量的估算波段位置存在一定的相似性(尤其对于R和SD光谱数据)，这反映了湿地土壤中硝化微生物的数量与全氮含量存在较高的相关关系。

(2)对于湿地土壤硝化微生物数量和全氮含量的估算，bootstrap PLSR相比于bootstrap SMLR建模方法，具有较高的估算精度。因此，bootstrap PLSR建模方法适用于本研究主题的高光谱遥感估算。

(3)对湿地土壤硝化微生物数量的估算，最高估算精度产生于SD光谱变换技术结合bootstrap PLSR建模(检验样本R2=0.704)。对湿地土壤全氮含量的估算，最高估算精度产生于CR光谱变换技术结合bootstrap PLSR建模(检验样本R2=0.784)。

湿地土壤硝化微生物对环境变化较为敏感，其数量和种类以及硝化过程，受pH、温度、含水量、盐度、有机质以及植被等诸多因素的影响，不同季节气候条件变化和环境条件的变化会直接产生影响。对湿地微生物进行光谱特征研究时，可结合传统分子分析技术，如Boilog、宏基因组、稳定同位素示踪技术等，以便更好地阐释湿地微生物群落和相关生物过程的时空演变特征、功能演替和分异、以及环境因子的驱动。

[1] HE Ji-zheng, ZHANG Li-mei(贺纪正, 张丽梅). Acta Ecologica Sinica(生态学报), 2009, 29(1): 406.

[2] Ye R W, Thomas S M. Current Opinion in Microbiology, 2001, 4(3): 307.

[3] LIN Xian-gui(林先贵). Principles and Methods of Soil Microbiology Research(土壤微生物研究原理与方法). Beijing: Higher Education Press(北京: 高等教育出版社), 2010.

[4] SHI Zhou, WANG Qian-long, PENG Jie, et al(史 舟, 王乾龙, 彭 杰, 等). Scientia Sinica Terrae(中国科学: 地球科学), 2014, 44(5): 978.

[5] Naveen J P Anne, Amr H Abd-Elrahman, David B Lewis, et al. International Journal of Applied Earth Observation and Geoinformation, 2014, 33: 47.

[6] WANG Li-wen, WEI Ya-xing(王莉雯, 卫亚星). Acta Ecologica Sinica(生态学报), 2012, 32(19): 6006.

[7] BAI Jie, CHEN Chun-tao, ZHAO Yang-guo, et al(白 洁, 陈春涛, 赵阳国, 等). Environmental Science(环境科学), 2010, 31(12): 3011.

[8] Córdova-Kreylos A L, Cao Y, Green P G, et al. Applied and Environmental Microbiology, 2006, 72(5): 2257.

[9] Cozzolino D, Moron A. Soil & Tillage Research, 2006, 85: 78.

[10] Viscarra Rossel R A. Journal of Near Infrared Spectroscopy, 2007, 15(1): 39.

[11] Lee K S, Cohen W B, Kennedy R E, et al. Remote Sensing of Environment, 2004, 91(3-4): 508.

(Received Jun. 27, 2015; accepted Nov. 5, 2015)

Hyperspectral Study of Estimating Nitrification Microorganism in Wetland Soils

WEI Ya-xing1, 2, 3, WANG Li-wen1, 2, 3

1. Center for Studies of Marine Economy and Sustainable Development, Liaoning Normal University, Dalian 116029, China

2. Liaoning Key Laboratory of Physical Geography and Geomatics, Liaoning Normal University, Dalian 116029, China

3. College of Urban and Environmental Science, Liaoning Normal University, Dalian 116029, China

Nitrogen cycle is an important process in the circle of soil ecosystem elements, and nitrification has significant effect on soil nitrogen cycling. The main completer of nitrification is nitrification microbial communities. Soil microorganisms are vital components of wetland ecosystem. They can indicate the variations of wetland ecological environment, and this helps us to have the correct understanding of nitrogen cycle and pollution purification function in wetland ecosystem. This paper tries to study nitrification microbial communities in wetland soils from the perspective of hyperspectral remote sensing technology, based on the monitoring mechanisms of soil nitrogen spectrum. The study explores hyperspectral estimation techniques for nitrification microbial communities in wetland soils, and it can provide a new technical approach to estimate the temporal and spatial distribution of nitrification microbial communities. The study adopted most probable number method (MPN) to count the numbers of ammonia oxidizing bacteria and nitrite oxidizing bacteria respectively, which were main completers of two independent stages in nitrification. And the total results of both count measurements were used as the values of soil nitrification microorganisms for each sampling area. The estimation models of nitrification microorganism and total nitrogen in wetland soils were developed respectively using spectral transformation techniques, such as log-transformed spectra (LR), first derivative (FD), second derivative (SD), continuum removal (CR) and band depth (BD), and modeling methods, such as stepwise multiple linear regression (SMLR) and partial least-squares regression (PLSR) based on the bootstrap technology. The results indicated that the selected estimation bands of nitrification microorganism and total nitrogen were close (especially for original spectral data (R) and SD spectra) when the modeling method of bootstrap SMLR was used. Compared to the bootstrap SMLR, the bootstrap PLSR achieved higher accuracies for estimating nitrification microorganism and total nitrogen in wetland soils. The spectral transformation technique of SD combined with the modeling method of bootstrap PLSR yielded the highest estimation accuracy to predict nitrification microorganism in wetland soils. The CR spectral data combined with bootstrap PLSR produced the highest estimation accuracy to predict total nitrogen content in wetland soils.

Hyperspectral models; Nitrification microorganism; Wetland soils; Bootstrap PLSR

2015-06-27，

2015-11-05

国家自然科学基金项目(41271421)和教育部人文社会科学研究规划基金项目(14YJA630064)资助

卫亚星，1969年生，辽宁师范大学城市与环境学院副教授 e-mail: wyx9585@sina.com

S153

A

10.3964/j.issn.1000-0593(2016)10-3254-07