基于可见光/近红外技术的干旱区绿洲土壤盐分空间分布识别
2017-03-22丁建丽杨爱霞
宁 娟， 丁建丽， 杨爱霞， 邓 凯
(1.新疆大学 资源与环境科学学院，乌鲁木齐 830046；2.绿洲生态教育部重点实验室，乌鲁木齐 830046)
0 引 言
绿洲作为干旱、半干旱地区的一种独特生态单元，是维系干旱地区人类生存、活动与发展的基本场所。土壤盐分含量是土壤质量的重要指标[1]，然而过高的土壤含盐量不仅会降低土壤质量,还会造成土壤盐渍化，破坏土地的生产能力，成为干旱区绿洲农牧业及经济发展的主要制约因子，对绿洲的生态环境及经济可持续发展造成严重影响[2]。因此,如何准确获取盐渍化土壤盐分信息，并掌握其分异规律，从而治理盐渍土、防止其进一步退化，成为当今干旱区农业可持续发展亟待解决的问题[3]。
传统的土壤理化性质监测虽然测试结果精确，但样品量较大时，前期样品预处理耗费时间长；并且当研究区域较大时，样品的数量和采样深度均会受到人力、物力、财力的制约。遥感技术，解决了传统的人工地面监测方法无法满足大面积盐渍化土壤快速监测需求的瓶颈。其中，高光谱遥感由于其光谱分辨率高，使地物在不同波长范围内的反射值有较大差异，从而成为一些地物参数定量反演的理想监测手段[4]。当前，采用线性或非线性方法,借助可见光/近红外光谱技术对土壤理化性质的预测研究越来越多[5-13]。雷磊等[14]以HIS数据为数据源，采用曲线回归分析方法，对土壤含盐量进行定量反演建模。Summers等、彭杰等、翁永玲等[15-17]利用偏最小二乘回归方法对土壤的理化性质进行定量研究，证明该方法在土壤理化性质研究中普适性较广。Moussa、丁铁山等[18，19]则利用机器学习方法对土壤理化性质进行定量研究，其中支持向量机方法具有较强的非线性逼近能力，在数据拟合、函数逼近方面优势明显，具有良好的泛化性能，算法简练，普适性强。
近年来，可见光/近红外光谱技术与地统计相结合为快速获取土壤属性及其空间变化提供了可能。McCarty等[20]利用近中红外光谱技术与地统计相结合，在田块尺度上分析了土壤碳素的空间异质性；Cobo等[21]利用中红外光谱和地统计相结合，研究景观尺度土壤空间异质性。目前，可见光/近红外光谱技术与地统计方法相结合，开展干旱半干旱区大尺度土壤盐分空间异质性分析的研究还很少见。因此，本文在前人的研究基础之上，利用2种方法建立土壤盐分高光谱预测模型，通过精度对比，选择最优模型，并将预测的土壤含盐量代替实验室测定的土壤含盐量，运用Universal Kriging方法对土壤含盐量空间分布进行分析，为快速、大面积获取土壤含盐量空间分异规律寻求一种精确、可行的方法。
1 材料与方法
1.1 研究区概况
渭干河-库车河绿洲位于新疆天山南麓、塔里木盆地北缘，隶属于阿克苏地区，包括库车、沙雅、新河三县，地理位置位于东经82°10′～83°50′、北纬41°06′～41°40′之间，属于温带大陆性干旱气候。该区域的年均降水量仅有43.1 mm，而年均蒸发量高达1 992.0～2 863.5 mm，蒸发量远远大于降水量，气候极端干旱。随着强烈的蒸发作用,地下水位不断抬升，盐分不断聚集到地表，是该地区土壤盐渍化形成的主要自然原因。加之当地灌溉技术落后，方式不合理，加剧了当地次生盐渍化的形成。
图1 研究区地理位置图及采样点分布图Fig.1 Geographical position map of study area and distribution of sampling points
1.2 数据采集
野外样本采集时间是在2015年7月中旬，按照五点梅花状进行土壤样本的采集，取土壤表层0～10 cm的土样带回实验室进行风干、碾磨，过孔径为1 mm的土壤筛，再按照土水比例1∶5的比例配置土壤浸提液进行土壤含盐量的测定。土壤样本的光谱采集是运用美国ASD Field spec3 便携式地物波谱仪，其波长范围为350～2 500 nm。观测时风力小于3级，云量小于5%，且太阳辐射强烈，观测时间为北京时间13∶00-16∶00。光谱测量时，光谱仪探测头垂直于土壤表面，距土样表面约20 cm，视场角为25°[22]。每个土样测量10次，将每个土样测得的10条光谱平均就得到该土样的实际光谱反射率。
1.3 光谱数据预处理
运用ASD ViewSpecPro软件对土壤样本的反射光谱进行平均值的计算，得到土壤样本的光谱反射率，为了突出光谱特征值，消除噪声的影响，运用OriginPro 9.0软件，选用Savitzky-Golay滤波平滑法对土壤光谱反射率进行平滑去噪处理，同时剔除水汽吸收影响严重的波段，被剔除的波段为：1 346～1 462 nm，1 796～1 970 nm和2 406～2 500 nm。
1.4 模型检验
本文采用67个土壤样本，按其土壤盐分含量从高到低排序分为3个子集，其中38个土壤样本(约1/2的样本)作为光谱建模数据集，19个土壤样本为光谱模型验证集，其余10个样本作为土壤含盐量预测图的验证集。为了探讨高光谱技术与地统计相结合进行土壤盐分空间异质性分析的可行性，将建模集的38个样点与预测集的19个样点预测值同时用于下文统计分析与空间插值分析。
土壤含盐量的描述性分析使用SPSS19.0数据统计分析软件，利用多元逐步回归分析、偏最小二乘回归分析以及支持向量机分别建立土壤光谱与含盐量的高光谱预测模型，利用GS+7.0进行半方差函数分析，ArcGIS10.0软件绘制空间插值分布图，进行空间异质性分析。检验模型精度的指标为决定系数R2、均方根误差RMSE以及残留预测偏差RPD。RPD是统计预测值和实测值相关性大小的指标，是样品实测值的标准差SD与RMSE的比值。当RPD小于1.4时，模型预测精度极差；当RPD在1.4～2时，预测精度尚可；当RPD大于2时，预测精度极佳[24]。
2 结果与分析
2.1 土壤含盐量描述性特征统计分析
将光谱建模与光谱验证的57个土壤含盐量数据进行统计分析，由表1可看出，研究区土壤含盐量介于0.14～35.60 g/kg，盐分平均值为19.18 g/kg，变异系数CV反应参数变异程度，CV≤10 为弱变异性，10
表1 土壤含盐量统计特征值Tab.1 Statistical characteristic values of soil salt content
2.2 土壤光谱与土壤含盐量相关性分析
图2 土壤光谱反射率及其变换形式与土壤含盐量的相关系数Fig.2 The correlation coefficient between the soil spectral reflectance and soil salt content
2.3 土壤含盐量高光谱建模分析
2.3.1 土壤含盐量偏最小二乘回归模型
偏最小二乘回归方法是将主成分分析和方差分析引入传统的回归分析中，通过筛选出具有对土壤含盐量具有最佳解译能力的成分，剔除无解译能力的信息，从而提高模型的反演精度。
表2 土壤含盐量偏最小二乘回归模型Tab.2 Partial least square regression model for soil salt content
2.3.2 土壤含盐量支持向量机模型
支持向量机方法是目前最快的机器学习方法之一，全局最优、泛化能力强等特点使其在学习效率及函数表达性方面都要比传统统计学方法更强[26,27]。
从表2和表3可以看出，利用偏最小二乘回归方法和支持向量机方法，基于A′所建模型的决定系数R2相对最高，且RMSE相对最低，模型的精度和稳定性都相对较高。该结果与陶兰花等[28]的土壤含盐量建模结果一致。
表3 土壤含盐量支持向量机模型Tab.3 Support vector machine model for soil salt content
2.3.3 模型精度检验
基于以上分析，选用光谱A′为最优光谱指标，利用偏最小二乘和支持向量机方法，分别对模型的实测值与预测值的进行拟合，结果如图3所示，基于偏最小二乘回归模型，其验证样点部分偏离1∶1的线，致使其模型的稳定性下降；而支持向量机模型其验证样点比较均匀地分布在1∶1线的两侧，预测效果较好，这与前面的结果相一致。
图3 PLSR和SVM的实测值与预测值的比较Fig.3 Comparison of the measured and the values estimated by partial least square regression model and support vector machine model
2.4 土壤含盐量空间异质性
2.4.1 土壤含盐量统计分析
利用GS+软件对支持向量机模型预测得到的57个土壤含盐量进行半方差函数分析，半方差函数的理论模型及参数由参考文献[29]确定。由表5可看出，土壤含盐量决定系数R2为0.753,这表明理论与实验半方差函数的拟合程度较好。块金值C0大于零，可认定其内部存在由短距离变异、固有和随机变异以及采样误差引起的各种正基底效应，但基地效应较弱。块金值/基台值[C0/ (C0+C)]表示空间异质性程度，一般认为，小于25%变量具有强空间自相关性，25%～75%变量具有中等空间自相关性，大于75%变量空间自相关性弱[30]。本研究区土壤含盐量的空间结构比可以看出，由随机因素引起的土壤含盐量空间变异占总空间变异比例为23.13%，而由空间自相关因素所引起的空间变异占总空间变异的76.87% ，这充分说明该研究区土壤含盐量的空间变异主要是受到土壤自身因素的影响，受随机因素影响较小，这与干旱区的实际情况相一致。
表4 土壤含盐量半方差函数模型及参数Tab.4 Semivariance and their parameters of soil salt content
2.4.2 土壤含盐量空间插值分析
本文利用Arcgis 10.0软件，采用泛克里格法(Universal Kriging)对研究对象进行空间插值，由于研究区土壤属性具有非平稳性，而泛克里格法是一种处理区域变量非平稳性的最优无偏线性估值方法[31]，对于不同样点密度其保留空间信息能力好，预测精度高且局部变异明显[32]。
在土壤含盐量半方差函数理论及结构分析的基础上，利用泛克里格法对数据进行空间插值，得到研究区的表层土壤含盐量的空间分布图(图4)，从总体的空间分布上看，盐渍地主要分布在研究区的东南、南和西南部绿洲外围区域，由于该区域植被稀疏，下渗率高，含水量低，蒸发强烈，再加上该区域处于河流灌溉区的下游地区，地势低洼，且地下水矿化度和水位均较高，因而盐渍化较为严重。在研究区的西部和西北部的绿洲内部，植被覆盖度较高，土壤水分含量较高，呈轻度盐渍化空间分布，此结论与文献[31]结果相一致。
图4 研究区表层土壤含盐量空间分布图Fig.4 Spatial distribution of top soil salinity in the studied are
2.4.3 土壤含盐量空间分异图精度评估
采用10个土壤样本对土壤含盐量空间分布图进行验证(图5)，由样点的实测值与预测值散点图可知本研究的预测精度较高，土壤含盐量的实测值与预测值的决定系数R2为0.786，RMSE为0.528。土壤含盐量插值结果范围小于实测值范围，是由于Universal Kriging插值是对未测点给出最优无偏估计的一种方法，具有空间平滑作用，减小了样本集的波动性，但仍会保留数据的整体走向趋势性。由此得出，利用该方法对土壤含盐量分异规律研究是可行的。
图5 土壤含盐量预测值与实测值散点图Fig.5 Scatter plots of predicted and observed values of soil salt content
4 结 语
以渭干河-库车河绿洲为研究区，利用2种方法建立土壤盐分高光谱预测模型，通过精度对比，选择最优模型，将预测值代替实验室分析值进行空间插值，对研究区土壤含盐量空间异质性进行分析，为干旱区绿洲土壤盐渍化监测提供参考。研究结论如下。
(1)通过对反射率一阶微分、对数一阶微分、对数倒数一阶微分、倒数对数一阶微分、均方根一阶微分、反射率平方一阶微分6种光谱指标进行建模，最终利用原始光谱一阶微分所建模型的精度最高，模型稳定性最好。
(2)利用原始光谱一阶微分建立的2种土壤含盐量预测模型，最优模型为支持向量机模型，其建模集相关系数R2高达0.980，RMSE仅为0.109；预测集相关系数R2为0.853 ，RMSE为0.381，RPD为2.1，该模型的建模精度较高，具有较好的预测能力，且模型稳定性强，在干旱区绿洲土壤含盐量遥感定量研究方面具有较好的应用前景。
(3)本研究区土壤表层含盐量属于中等空间变异性，且空间结构比小于25%，受结构性因素影响具有强空间自相关。利用Universal Kriging空间插值方法对研究区土壤含盐量进行插值分析，得出盐渍地主要分布在研究区的东南、南和西南部绿洲外围区域，由于该区域植被稀疏，蒸发强烈，土壤下渗率高，且处于河流灌溉区的下游地区，地势低洼，地下水位较高，因此该区域的盐渍化现象严重。
(4)本文将可见光/近红外光谱技术与地统计方法相结合，对土壤含盐量空间异质性进行了初步研究，土壤盐分分布的预测结果和研究区盐分分布的实际情况具有一致性，希望该研究结果可为干旱区绿洲开展区域尺度的土壤盐渍化监测工作提供一种可靠、快速的方法。
□
[1] 冉 启,洋贡璐，韩 丽，等.塔里木河上游绿洲土壤表层盐分特征[J].中国沙漠,2013,33(4):1 098-1 103.
[2] 张 芳,熊黑钢,栾福明,等.土壤碱化的实测光谱响应特征[J].红外与毫米波学报,2011,30(1)：55.
[3] 姚 远,丁建丽,张 芳,等.基于电磁感应技术的塔里木盆地北缘绿洲土壤盐分空间变异特[J].中国沙漠,2014,34(3):765-772.
[4] 游先祥.遥感原理及其在资源环境中的应用[M].北京:中国林业出版社,2003:63-67.
[5] 李晓明,韩霁昌,李 娟.典型半干旱区土壤盐分高光谱特征反演[J].光谱学光谱分析,2014,34(4):1 081-1 084.
[6] 庞国锦,王 涛,孙家欢,等.基于高光谱的民勤土壤盐分定量分析[J].中国沙漠,2014,34(4)：1 073 -1 079.
[7] 侯艳军,塔西甫拉提·特依拜,买买提·沙吾提,等.荒漠土壤有机质含量高光谱估算模型[J].农业工程学报,2014,30(16):113-120.
[8] 吴雪梅,塔西甫拉提·特依拜,姜红涛,等.基于CCA方法的于田绿洲土壤盐分特征研究[J].中国沙漠,2014,34(6):1 568-1 575.
[9] Erzin Y, Gumaste S D, Gupta A K, et al. Artificial Neural Network (ANN) models for determining hydraulic conductivity of compacted fine-grained soils[J].Canadian Geotechnical Journal, 2009,46(8):955-968.
[10] Wang D, Chakraborty S, Weindorf D C, et al. Synthesized use of VisNIR DRS and PXRF for soil characterization:Total carbon and total nitrogen[J]. Geoderma, 2015,243-244:157-167.
[11] Brunner P, Li H T, Kinzelbach W, et al. Generating soil electrical conductivity maps at regional level by integrating measurements on the ground and remote sensing data[J].International Journal of Remote Sensing, 2007,28(15):3 341-3 361.
[12] 塔西甫拉提·特依拜,丁建丽.基于知识的卫星遥感信息提取技术研究进展综述[J].新疆大学学报(自然科学版),2002,19(2):129-135．
[13] 赵振亮,塔西甫拉提·特依拜,丁建丽,等.新疆典型绿洲土壤电导率和pH值的光谱响应特征[J].中国沙漠,2013,33(5):1 413-1 419.
[14] 雷 磊,塔西甫拉提·特依拜,丁建丽,等.基于HJ-1A高光谱影响盐渍化土壤信息提取----以渭干河-库车河绿洲为例[J].中国沙漠,2013,33(4):1 104-1 109.
[15] Summers D, Lewis M, Ostendorf B, et al. Visible near-infrared reflectance spectroscopy as a predictive indicator of soil properties[J].Ecological Indicators,2011,(11):123-131.
[16] 彭 杰,迟春明,向红英,等.基于连续统去除法的土壤盐分含量反演研究[J].土壤学报,2014,51(3):459-469.
[17] 翁永玲,戚浩平,方洪宾,等.基于PLSR方法的青海茶卡-共和盆地土壤盐分高光谱遥感反演[J].土壤学报,2010,47(4):1 255-1 263.
[18] 丁铁山,董汝瑞，温 季. 基于支持向量机理论的土壤水分预测模型研究[J].人民黄河,2011,33(3):68-69.
[19] 赖 宁,李新国,梁 东.开都河流域下游绿洲盐渍化土壤高光谱特征[J].干旱区资环境,2015,29(2):151-154.
[20] MCCARTY G W,REEVES J B.Comparison of NFAR infrared and mid infrared diffuse reflectance spectroscopy for field-scale measurement of soil fertility parameters[J].Soil Science,2006,171(2):94-102.
[21] Cobo J G, Dercon G, Yekeye T, et al. Integration of mid-infrared spectroscopy and geostatistics in the assessment of soil spatial variability at landscape level[M]∥ The letters of the Republic :. Harvard University Press, 1990:398-411.
[22] 赖 宁,李新国,梁 东.开都河流域下游绿洲盐渍化土壤高光谱特征[J].干旱区资源与环境,2015,29(2):151-154.
[23] Tsai F, Philpot W D. A derivative-aided hyperspectral image analysis system for land-cover classification[J]. 2002,40(2):416-425.
[24] ossel 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(1-2):70-82..
[25] 贾艳红,赵传燕,南忠仁．黑河下游地下水波动带土壤盐分空间变异特征分析[J].干旱区地理,2008,31(3):379-388．
[26] 常军,路振广,李素平,等.基于SAV 方法的水文年型预报[J].人民黄河,2009,31(4):29-33．
[27] 邵晓梅,严昌荣,徐振剑.土壤水分监测与模拟研究进展[J].地理科学进展,2004,23(3):58-65．
[28] 陶兰花,塔西甫拉提·特依拜,姜红涛,等.克里雅河流域土壤盐分光谱定量分析[J].中国沙漠,2014,34(6):1 562-1 567.
[29] 宋新山,何 岩,汪永辉.水土化学场理论在松嫩平原盐渍土研究中的应用[J].地理科学，2003,23(1):72-76．
[30] Cambardella C A，Moorman T B，Novak J M，et al．Field scale variability of soil properties in central Iowa soils[J]．Soil Science Society of America Journal，1994,58(5):1 501-1 511．
[31] 王世称,陈泳良,夏立显,等．综合信息矿产预测理论与方法[M]．北京：科学出版社，2002.
[32] 姚 远,丁建丽,张 芳,等. 基于电磁感应技术的塔里木盆地北缘绿洲土壤盐分空间变异特性[J].中国沙漠,2014,34(3):765-772.
[33] 马成霞,丁建丽，杨爱霞,等. 绿洲区域土壤盐渍化主要参数的空间异质性分析[J].干旱区资源与环境,2015,29 (2):144-149.
[34] 浦瑞良,宫 鹏.高光谱遥感及其应用[M].北京:高等教育出版社,2003.
