基于综合光谱指数的不同程度人类干扰下土壤有机质含量预测

郑曼迪 熊黑钢 乔娟峰 刘靖朝

摘要： 为寻求同一背景不同人类干扰程度下的土壤有机质含量的最佳预测模型，本研究以天山北麓的土壤为研究对象，运用Landsat8遥感影像以及实测光谱2种方式进行对比，结合不同的综合光谱指数，对无人干扰区、人为干扰区的影像反射率和实测光谱反射率进行光谱变换，分析反射率及其变换形式与有机质含量的相关性，以相关系数通过0.01和0.05显著性水平检验的波段作为自变量，运用多元线性回归方程分别建立了无人干扰区、人为干扰区土壤有机质含量高光谱预测模型，精度最高的为最优模型。结果表明：（1） Landsat8影像中B1—B5波段与有机质含量的相关系数通过了0.01与0.05显著性水平检验，作为自变量建立有机质含量预测模型。同时，为了能与影像反射率有个良好的对比，实测光谱反射率及其变换形式同样也选择5个相关系数最大的波段作为敏感波段用以建立模型。在影像与实测光谱中，土壤盐分指数结合植被指数与有机质含量相关性最好的分别是无人干扰区的SI3、DVI和SI3、RVI;人为干扰区的SI2、RVI和SI1、RVI。在结合光谱综合指数的模型中，无论是影像还是实测光谱，都是以反射率与植被指数、盐分指数相结合作为自变量建立的模型精度最好。对比2种预测方式，预测效果最好的是利用实测光谱与盐分指数、植被指数建立的无人干扰区一阶微分的多元线性回归模型以及人为干扰区的倒数之对数一阶微分的多元线性回归模型，R2分别为0.93和0.89。

关键词：干旱区;遥感;高光谱;土壤有机质;估算模型

中图分类号：F301.24

文献标识码：A

文章编号： 1000-4440（2018）05-1048-09

人类活动的方式、程度以及持续的时间对土壤肥力和土壤生态系统基本生物生产能力产生重要的影响，使得土壤水分、盐分、有机质、电导率、pH等指标发生较大变化，从而土壤的理化性质发生改变。光谱指数是指由某些特定多光谱或高光谱遥感数据波段的反射率线性或非线性组合构成的一种光谱参数。光谱指数波段组合的选取需参照一定的物理基础，能部分消除环境背景如非植被目标土壤、水体等的光谱影响，在此基础上建立的多波段光谱植被指数所体现的光谱信息比单波段具有更好的灵敏性，统计分析结果更加精确。而综合光谱指数指的是土壤盐分指数与植被指数的总称。近年来部分国内外学者通过运用归一化指数以及差值指数对土壤盐分、有机质、全氮、速效氮、有效磷、含水量进行预测，预测效果都优于以原始光谱反射率以及光谱变换为自变量的预测模型。利用高光谱植被指数（MSI）可以很好地反映土壤全磷、盐分含量的变化，归一化植被指数（NDVI）可用于初步反映土壤pH值的变化，用以建立模型预测pH值，精度分别达到0.488、- 0.818、-0.599。

研究结果表明采用光谱波段组合技术对预测土壤有机质含量的研究已经较为成熟，但是绝大部分的研究都是以人类干扰的土壤作为研究对象，且以原始光谱反射率及其变换形式的敏感波段为自变量建立预测模型，很少有对同一背景下，不同程度人类干扰的区域进行以综合光谱指数为自变量的有机质含量预测对比，以分析人类干扰程度对土壤有机质影响的差异。本研究通过运用实测光谱反射率与Landsat8影像反射率及其变换形式结合盐分指数、植被指数，分别建立了有、无人类干扰的土壤有机质预测模型，并对比寻求其最佳的模型。为今后准确预测不同程度人类干扰下土壤有机质含量，获取土壤肥力相关信息提供依据。

1 材料与方法

1.1 研究区概况

研究区位于天山北麓与准噶尔盆地南缘（87°40'—87°70'E，44°12～45°00'N）。气候属于典型的温带大陆性气候，夏季炎热冬季寒冷，降水稀少，年降水量164mm，年蒸发潜力2000mm左右。土壤类型有灰漠土、龟裂土、沙土。因本研究对比人类干扰与否对土壤有机质含量预测的差异，所以将研究区分为A、B两区，两区通过一条巨大的水渠相隔开来。A区因距离人类居住區较远没有被开发利用，表层有少量原生植被。B区位于新疆生产建设兵团102团附近，人类活动较为频繁，近些年来大部分土地开始作为林地（包括人工梭梭林地、榆树林地、育苗地）被开发利用，由于是普通林地，所以只是翻耕并没有施加肥料。

1.2 样本采集与光谱测量

在研究区A区由南向北布设5条间距600～800m的东西向采样线.B区布设6条间距800～1000 m的采样线。在每条采样线上选择5个具有代表性的采样点，其间距为300—1000 m，并对55个采样点进行GPS定位（图1）。采集时间为2014年6月。A区表层有少部分原生植被，B区多为林地、育苗地，也有少量草本植物，所以表层采集所得的光谱是土壤与少量植被的混合光谱。由于土壤光谱主要反映其表层的性质，所以采用0—20cm的土壤有机质含量进行分析。土样经过研磨、过筛等预处理之后送至中国科学院新疆生态与地理研究所进行有机质含量的测定。

光谱测量采用美国ASD公司生产的便携式Field-Spec@ 3Hi-Res光谱仪，光谱有效范围：350—2500 nm，分析软件采用ASD View Spec Pro。光谱测量采用野外实测方法，为了避免天气对光谱造成的不利影响，试验选在11∶00-15∶00（当地时间），晴朗少云、无风的天气进行。每次采集光谱前对光谱仪进行白板校正以去除暗电流的影响。采用25度视场角探头，且距土壤样品15cm处垂直角度进行光谱采集。在每个采样点周围2m范围采用梅花桩采样法选取5个土壤背景相近的位置采集光谱，每个位置重复测量10次，得到的50条光谱曲线的平均值即为该采样点的实测光谱值。

1.3 光谱预处理

在数据分析之前，通过Savitzky-Golay平滑法对光谱进行平滑处理，消除光谱曲线噪声可能引起的误差，并对原始光谱进行一阶微分（R'）、倒数之对数一阶微分[（lgl/R）']的变换，用于探讨适合有无人类干扰的土壤有机质含量高精度预测模型的最佳光谱变换形式。

1.4 影像数据

本研究选取Landsat8_OLI影像，OLI陆地成像仪共有9个波段，包括了ETM+传感器的所有波段，增加了蓝色波段（B1）和短红外波段（B9）2个波段，其中B8是分辨率为15 m的全色波段。本研究选取的是2014年6月的遥感影像，云量为0，去除影像的B8、B9波段，保留分辨率为30 m的前7个波段进行处理。使用EN-VI5.1软件进行所需区域的裁剪、辐射定标、几何校正以及大气校正。由于获取影像信息时会受到大气中水汽、气溶胶等因素的影响使得波段的噪声增加、信息模糊，所以使用IIAASH大气校正消除这些噪声，降低邻近像元之间的辐射干扰，也可以调整由于人为抑制而导致的波谱平滑10]，最后获取近似地表真实反射率的影像。将经试验测得的有机质含量与预处理后遥感影像一同导入Arcgis软件中，运用软件中的Extraction工具提取每个采样点对应的DN值。因影像已经过大气校正，所以影像像元的DN值即为反射率值，范围是0～l。实测光谱是采用间隔2m的梅花桩采样法进行测量的，而遥感影像的分辨率为30 mx30 m，为使遥感影像中对应的采样点有较为准确的值且与实测光谱数据有一个尺度上的良好对应，在每一个采样点坐标及其附近共提取6个反射率的值，经过平均之后即为此采样点的影像反射率值。

1.5 综合光谱指数的计算与提取

本研究选取5种土壤盐分指数[盐分指数l（SI2、盐分指数2（SI2）），盐分指数3（S/3），归一化盐分指数（NDSI），亮度指数（BI）]进行对比，以及选取3种植被指数[简单比值植被指数（RVI）、归一化植被指数（NDVI）、差值植被指数（DVI）]进行对比，计算方法见表1。将实测光谱反射率代人表l中的计算公式得出由光谱计算得到的盐分指数和植被指数。运用ENVI5.1软件对遥感影像通过表1中的计算公式进行波段计算，得出的图像再利用Arcgis软件提取各采样点的盐分指数和植被指数。

1.6 模型检验

模型检验通过修正自由度的可决定系数（R2）、均方根误差（RMSE）、相对分析误差（RPD）等指标衡量模型的精度。R2反映预测值解释实测值变化的程度，RMSE用来检验模拟值和实测值的符合度。R2越大，RMSE越小，说明模型的精度越高，反之亦然。RPD>2.0时，表明模型具有很好的预测能力：当1.4

RPD=样本标准差/RMSE （3）

式中：Xi为观测值;X'为真实值;n为观测次数。

2 结果与分析

2.1 土壤有机质含量与盐分含量的相关性

无人干扰区和人为干扰区有机质含量与盐分含量呈负相关，相关系数分别达到-0.867和-0.803，且均呈现极显著相关关系（表2）。人为干扰区因为有频繁的人类活动，破坏土壤结皮，土壤中的水分蒸发较为强烈，土壤深层的盐分会向上移动，聚集在土壤表层，另外该地区的降水较少，很难将表层的盐分淋洗至下层，使得表层盐分含量高于无人干扰区。土壤有机质大部分来源于动植物以及微生物残体，盐分过高的区域，不利于动植物生存，即动植物、微生物残体质量过少，有机质含量较少，因此出现土壤盐分越高，有机质含量越少的现象。

2.2 实测光谱反射率及其变换形式与有机质含量的相关性

无人干扰区与人为干扰区的原始光谱所有波段与有机质含量的相关性都没有通过0.01水平的显著性检验（图2a、图2d）。原因首先是原始光谱反射率是在野外实测的，加之土壤表层还有少量植被，对测量土壤光谱的影响较大，其次是反射率在可见光区的光谱差异较小，因光照条件变化引起的乘性因素以及光谱仪本身的低频噪声带来的影响较大。通过对实测光谱进行一阶微分（R）和倒数的对数一阶微分[（lgl/R）]处理后，有部分波段通过0.01水平的显著性检验（图2b、图2c、图2e、图2f）。这是由于高光谱微分分析对于光谱信噪比十分敏感，采用导数光谱技术可以消除光谱数据之间的系统误差，减弱大气辐射、散射和吸收对目标光谱的影响，以便提取可识别地物的光谱吸收峰参数（波长位置、深度、宽度和吸收光谱指数等）17-18。有少部分的波段位于水分吸收带（1300～1420 nm、1820—1970nm及2350—2500 nm），对光谱反演有机质含量的精准性有较大影响，不适用于作为土壤有机质含量高光谱估测模型的特征波段，于是在反演过程中剔除了位于水分吸收带的波段。选择其中相关系数较大的5个波段作为敏感波段用以建立有机质含量的预测模型（表3）。

2.3 遥感影像反射率及其变换形式与有机质含量的相关性

从Landsat8遥感影像中获取采样点影像反射率的B1～B7波段，并对其做一阶微分（R ）、倒数之对数一阶微分[（lgl/R）]的微分变换处理，分别与有机质含量做相关性分析（表4）。无人干扰区与人为干扰区的原始影像反射率与有机质含量呈负相关，经过一阶微分以及倒数对数一阶微分之后，相关性有明显的增加，原因是导数光谱运算可以体现特定地物某阶导数具有明显区别于其他地物的特征，对于M阶导数光谱来说，会将增加N—2M個波段，信息量显著增加，所以运用导数光谱技术来提取可识别地物的光谱信息，用以建立预测模型效果较为显著。其中无人干扰区与人为干扰区的一阶微分B1～B5波段通过了0.01显著性水平检验。

2.4 土壤盐分指数、植被指数与有机质含量的相关性

将影像和光谱反射率代入表l中的计算公式计算得出的土壤盐分指数与无人干扰区以及人为干扰区的有机质含量呈负相关，植被指数与其呈正相关（表5）。这是由于土壤有机质大部分来源于动植物以及微生物残体，盐分过高的区域，不利于植物和生物生存，即动植物、微生物残体质量过少，有机质含量较少，因此出现土壤盐分越高，有机质含量越少的现象。而植被的生长以及其残体都是有利于积累有机质的过程，所以植被指数与有机质呈现了正相关的关系。本研究选择与有机质含量相关系数最大的盐分指数、植被指数，即影像光谱指数选用无人干扰区的SI3、DVI，人为干扰区的SI2、RVI;由实测光谱反射率所计算的光谱指数选用无人干扰区的S/3、RVI与人为干扰区的SI1、RVI指数来建立有机质含量预测模型。

2.5 不同人类干扰程度有机质含量预测模型

选用KS（Kennard-Stone）算法，计算出各个样品有机质含量之间的欧氏距离，按照3：2的比率划分为建模集和检验集（表6）。

2.5.1 基于影像反射率的有机质含量预测模型无论什么变换形式，无人干扰区与人为干扰区影像各波段的反射率与有机质含量的相关性都是B1～B5的相关系数相对较大，原因是B1～B5的波段范围为0.433～0.885nm，有机质在其范围内对光谱的响应较好.所以在建立模型时选择影像B1～B5波段的反射率。以影像反射率及其变换形式分别与土壤盐分指数、植被指数结合为自变量，有机质含量为因变量，建立有机质含量的多元线性回归模型（表7）。为了比较模型的精度与可靠性，计算了模型的决定系数R2、均方根误差RMSE以及相对分析误差RPD 3项指标。

整体上，无人干扰区的模型精度都优于人为干扰区，原因是无人干扰区保留了土壤盐分和有机质的原始分布情况，而人为干扰区因为频繁的人类活动打破了这种分布，使得盐分与有机质分布较为复杂。

在所有只利用影像反射率及其变换形式的模型中，无人干扰区与人为干扰区的模型精度大小均呈现一阶微分>倒数对数一阶微分>原始影像反射率的规律。在各类变换形式中，4种不同自变量建立的模型精度大小排列：盐分指数+植被指数>植被指数>盐分指数>原始影像反射率及其变换形式，且无人干扰区与人为干扰区预测效果最好的均是一阶微分与盐分指数、植被指数相结合建立的模型，R2分别为0. 86和0.81.RPD为1.96、1.83。

2.5.2 基于实测光谱反射率的有机质含量预测模型 为使利用遥感影像反射率、实测光谱反射率及其变换形式与土壤盐分指数、植被指数结合建立的模型有良好的对比性，选择5个敏感波段及其变换形式作为自变量，与盐分指数和植被指数，建立多元线性回归预测模型（表8）。

整体上，无人干扰区的建模效果优于人为干扰区。在各类变换形式下的4种模型中，实测光谱反射率及其变换形式与土壤盐分指数、植被指数结合为自变量的模型精度要优于其他3种自变量。其中无人干扰区、人为干扰区中分别是一阶微分、倒数之对数一阶微分预测效果最好，R2分别较影像反射率预测最佳的模型精度提升了0.07和0.08，RPD提升了0.20、0.22。

对比以上2种建模方式，首先提取Landsat8影像反射率时为了减小影像分辨率带来的误差，在采样点附近提取了6个不同位置的反射率值，平均后的值即为该采样点的影像反射率，但是以其建立出的模型精度还是略低于实测光谱反射率。原因可能是（1） Landsat8 0LI影像的时间分辨率为16d，本研究选取的影像是最接近于采样日期的，但还是会有一定误差：（2）大气气溶胶通过对太阳辐射和红外辐射的吸收和散射，造成地一气系统辐射收支的改变，气溶胶对辐射的吸收和散射作用，可直接干扰光学传感器的信号接收。除了气溶胶的影响之外，大气中的水汽也是影响遥感影像的一个主要因素，在遥感影像预处理中进行了能消除以上因素影响的FIAASH大气校正，但是大气校正会直接影响到反射率的精度，造成根据实测光谱反射率建立的模型精度优于影像反射率的结果。其次在相同的光谱变换形式中，对比以不同自变量建立的模型精度，无论是基于影像还是实测光谱，自变量都是反射率及其变换形式与土壤盐分指数、植被指数建立的模型效果是最优的，较不结合土壤盐分指数、植被指数为自变量的模型精度有很大的提升。综合这2种预测方式，预测效果最好的是利用实测光谱与盐分指数、植被指数建立的无人干扰区一阶微分的多元线性回归模型以及人为干扰区的倒数之对数一阶微分的多元线性回归模型，R2分别为0.93和0.89。

3 讨论

本研究通过相关性分析选择Landsat8影像中B1～B5波段以及实测光谱相关系数最大的5个波段分别作为自变量，结合盐分指数、植被指数建立无人干扰区、人为干扰区有机质含量的多元线性回归方程。结果表明，在影像与实测光谱中，土壤盐分指数结合植被指数与有机质含量相关性最好的分别是无人干扰区的S/3、DVI和SI3、RVI;人为干扰区的SI2、RVI和SI1、RVI。在影像反射率的各类变换形式中，4种不同自变量建立的模型精度呈现盐分指数+植被指数>植被指数>盐分指数>原始影像反射率及其变换形式的规律，且无人干扰区和人为干扰区预测效果最好的均是一阶微分与盐分指数、植被指數相结合建立的模型，R2分别为0.86和0.81，RPD为1.96、1.83。实测光谱反射率及其变换形式与综合光谱指数相结合建立的模型精度大小为：盐分指数+植被指数>盐分指数>植被指数>原始影像反射率及其变换形式，模型精度最高的是无人干扰区的一阶微分、人为干扰区的倒数之对数一阶微分，R2分别为0.93和0.89。

本研究将实测光谱反射率结合光谱指数预测无人干扰区、人为干扰区的有机质含量，获得了对于该区域的最佳模型。但由于实测土壤反射光谱特征的影响因素较多，所建模型的预测精度以及普适性会受到一定的限制。因此，在下一步工作中，需要充分考虑其他因素的综合影响，建立引入其他理化参数的有机质光谱预测模型，例如从高分辨率的遥感影像提取各类参数，或者对参数进行改进等，同时还可以加大预测尺度，大幅度增加采样点的个数以及区域面积，进一步提升预测的普适性以及精准性。