基于高光谱的喀斯特地区典型农田土壤有机质含量反演

文锡梅，兰安军，易兴松，张 吟，李 洋，秦志佳

(1. 贵州省山地资源研究所，贵州 贵阳 550001; 2. 贵州师范大学 地理与环境科学学院，贵州 贵阳 550001; 3. 贵州省水利科学研究院，贵州 贵阳 550002; 4. 贵州省水土保持科技示范园管理处，贵州 贵阳 550002)

【研究意义】土壤有机质是指存在于土壤中所含碳的有机物质，是农业生态系统重要组分之一，可提供植物所需的养分，其含量是衡量土壤肥力高低的重要指标[1-4]。喀斯特地区特殊的成土环境导致该区域成土物质偏少，土层薄、不连续，农耕条件差，土地资源异常珍贵，因此，对于其土壤肥力的监测显得十分重要。目前，测定土壤有机质含量最常用的方法是通过室外采样室内化学检测方法测定，但该方法受人力、物力限制，且监测面积小，因此存在一定缺陷[5]。近年来，顺应现代农业发展需要的高光谱技术监测手段应运而生，该方法具有信息量大、零破坏、无污染、高效率等优点。以高光谱技术估算土壤有机质含量的实现将带来很大的实用价值，已逐渐成为实时动态监测田间土壤肥力关键参数的重要技术手段[6-8]。【前人研究进展】国内众多外学者针对土壤有机质含量的高光谱估算做了大量的研究，臧红婷等[9]利用数理统计与因子分析方法研究发现，影响黑土反射光谱特征的主要因素为有机质和水分；利用黑土反射光谱特征可以预测土壤pH及有机质、全氮和全磷的含量。张承琴等[10]研究贵州省喀斯特峰丛洼地不同石漠化等级表层土壤有机质含量变化情况发现，随着石漠化等级的加重，土壤有机质含量明显降低。陈虎等[11]对滇东喀斯特地区石漠化裸露红土的表层有机质含量进行分析发现，石漠化过程中植被破坏后土壤有机质大量流失，土壤结构及保水保肥能力受到影响。张娟娟等[12]采用室内测定的光谱数据通过多元逐步回归分析方法反演了水稻土和潮土的有机质含量，证明通过光谱技术可以预测土壤有机质含量。王祥峰[13]采用多元线性回归分析法将HJ-1卫星遥感数据与实验室测得的土壤有机质含量数据相结合，对中国黑龙江省嫩江市与讷河市交界处的双山农场土壤有机质含量进行预测，实现了经济、快速地监测有机质含量。HUMMEL等[14]基于近红外光谱与土壤有机质之间的关系，利用多元逐步线性回归建立了有机质预测模型。目前采用低空无人机获取的高光谱数据反演土壤有机质含量的研究不多，王磊[15]采用Cubert UHD185机载高速成像光谱仪测定耕地土壤光谱，探索耕地土壤有机质含量与光谱的响应规律，为无人机成像光谱技术应用于耕地土壤有机质监测提供了借鉴。笔者基于喀斯特地区农田土壤的ASD光谱和GS光谱数据，采用偏最小二乘法建立了土壤有机质含量估算模型【本研究的切入点】应用高光谱技术监测喀斯特地区土壤的有机质含量，对初步了解土壤肥力提供了一个动态、快速、低成本的技术手段；同时，也可以为石漠化过程中土壤质量变化进行预警。然而，相关研究还比较缺乏。【拟解决的关键问题】该研究以高光谱成像系统GS(GaiaSky-mini)光谱和便携式地物光谱仪(ASD FieldSpec4)ASD光谱源为研究对象，分别基于原始光谱及其一阶微分、二阶微分变换，分析2种数据与土壤有机质含量的相关性，采用偏最小二乘法建立土壤有机质SOM(soil organic matter)的预测模型，利用高光谱数据定量反演喀斯特地区土壤有机质含量[16]，旨在为喀斯特地区快速、大范围、实时地监测土壤有机质含量提供更多的技术手段。

图1 喀斯特地区典型农田土壤采样点的地理位置分布Fig.1 Geographical distribution of soil sampling sites in typical farmland of karst region

1 材料与方法

1.1 土壤样品采集与处理

以贵州省贵定县岩下乡某蔬菜种植基地为试验点。该区域内的农田多年种植蔬菜，施用农家肥较多。2017年4月23日，选取其中2块农田按照等距取样法，根据实际地形采集50个土壤样本(图1)。土样经过实验室半个月自然风干、玛瑙机研磨等处理，混匀后备用。将土样一部分留作光谱测量，一部分送往实验室分析土壤有机质含量。

1.2 光谱数据获取

1.2.1 GS高光谱影像数据 2017年5月17日12：00左右，天气晴朗，在贵定县岩下乡采用GS高光谱成像系统对山坡底端、2块土壤表层相对较平整的农田进行高光谱影像采集(图2)。该成像系统包含256个通道，能捕捉400～1000 nm的光谱，光谱分辨率为3.5 nm。无人机飞行高度200 m，高光谱影像最大空间分辨率0.05 m。

图2 喀斯特地区典型农田土壤的高光谱影像3D图Fig.2 Hyperspectral 3D image of soils in typical farmland of karst region

表1 喀斯特地区典型农田土壤有机质含量的统计特征

1.2.2 ASD高光谱数据 ASD公司的FieldSpec4型便携式地物光谱仪波长为350～2500 nm，涵盖可见光波段和红外波段，光谱重采样间隔为1 nm，输出波段共2151个。该光谱仪可以配置具有3个独立的的全息衍射光栅和3个不同的探测器(分别是VNIR、SWIR1、SWIR2)。每个探测器被适当顺序的滤波器覆盖，其可以消除第二阶和更高阶光。

1.3 数据处理与分析

1.3.1 建模集与验证集的划分 采用铬酸钾容量法-外加热法测定土壤有机质含量[17]。将50个土壤样本按照有机质含量从小到大进行排序，每隔2个样本抽取1个用于模型检验，其余样本均用于建模，这样得到建模样本34个，验证样本16个(表1)。由于GS光谱影像有一部分影像缺失，只提取到47个样本的光谱数据，根据前述的分组方法实际获得建模样本32个，验证样本15个。

1.3.2 光谱数据预处理 预处理方法主要包括光谱平滑，一阶微分和二阶微分变换等。首先，利用View SpecPro的Parabolic Correction工具对ASD光谱1000和1800 nm波段处光谱曲线的突变进行断点修正。然后，用SpecSight软件对GS光谱影像进行辐射定标，并在遥感影像处理平台ENVI中进行噪声去除处理。所有样本光谱数据均去除350～399 nm边缘波段的明显噪声。由于GS光谱只有400～1000 nm的光谱，为了对比2种光谱对回归SOM的精确性，故最终选取ASD光谱400～1000 nm的光谱进行分析。由于光谱在采集过程中不可避免地会产生随机误差和噪声，去除边缘波段后，用Savitzky-Golay多项式进行平滑去噪处理。最后，分别对各样本点重采样和光谱平滑后的光谱进行一阶微分、二阶微分变换。

1.3.3 模型建立及精度验证 偏最小二乘法集成了主成分分析、相关性分析及多元线性回归分析三者的优点，具有预测功能[18]。建模时，将土壤有机质含量与GS光谱和ASD光谱及其变换形式之间进行相关分析。不同变换形式光谱数据与土壤有机质的较大相关系数所对应波段，通常作为预测土壤有机质含量的敏感波段。没有敏感波段的光谱进行建模时，则优选相关系数较高的波段进行建模。在选取敏感波段时，需注意参考前人研究，避开反演土壤含水量的敏感波段。模型构建采用留一交叉验证法确定最佳因子数，利用决定系数(R2)和均方根误差(RMSEC)检验建模精度。验证集预测精度依据验证集决定系数(Rv2)、均方根误差(RMSEV)和相对分析误差(RPD)，其中，RPD是验证集标准差与验证集均方根误差的比值[19]。对于建模集而言，R2越大，RMSEC越小，建模精度越高，模型越稳定；对于验证集而言，Rv2、RPD越大，RMSEV越小，预测精度越高[20]。

1.3.4 光谱数据统计分析 研究中GS光谱影像翻转在SpecSight里面进行；ASD光谱用ViewSpec Pro进行预处理，利用Origin9.1进行光谱平滑，微分变换以及相关数据的图件处理；PLSR模型在SPSS22中完成。

2 结果与分析

2.1 光谱数据与土壤有机质含量的相关性

敏感波段是指与地物某种属性具有高度相关性的光谱波段，是识别地物的重要参考波段，同时也是高光谱定量反演地物成分的重要指示波段。该研究将P≤0.01的波段定义为敏感波段。从表2和图3看出，经过微分变换，GS光谱和ASD光谱与土壤有机质(SOM)的相关系数均较原始光谱与SOM的相关系数提高，GS光谱经微分变换后，相关系数变化更明显。GS光谱的原始光谱有90个相关系数较高波段，相关系数均为正，最高相关系数为0.367，对应波段915 nm；一阶微分光谱有40个相关系数较高波段，位于600～800 nm，最高相关系数为0.631，对应波段710 nm；二阶微分光谱有57个相关系数较高波段，位于500～800 nm，最高相关系数为0.578，对应波段683 nm。ASD的相关系数与GS的相关系数趋势一致。ASD光谱的原始光谱与SOM均为正相关，有70个相关系数较高波段，位于800～1000 nm，最高相关系数为0.625，对应波段997 nm；一阶微分光谱敏感波段数最多，有179个相关系数较高波段，最高相关系数为0.662，对应波段694 nm；二阶微分有130个相关系数较高波段，最高相关系数为0.703，对应波段994 nm。

表2 不同光谱与喀斯特地区典型农田土壤有机质相关系数的最值及对应波段

2.2 不同光谱变换形式下土壤有机质含量的估算模型

2.2.1 原始光谱 分别根据GS光谱和ASD光谱的建模集R与土壤有机质含量的相关系数，选取敏感波段建立PLSR预测模型(表3)。其中，GS光谱R的最佳建模敏感波段为725、752、817和848 nm；ASD光谱R的最佳建模敏感波段为811、835、997和1010 nm。从表4可知，GS光谱相关参数与ASD光谱相关参数相比，ASD光谱验证集的R2和RPD更高，分别为0.639和1.25。综合看，ASD光谱模型预测的精度较GS光谱高，2个预测模型均具有区别SOM高值和低值的能力。

2.2.2 一阶微分 分别根据GS光谱和ASD光谱的建模集FDR与土壤有机质含量的相关系数，选取敏感波段建立PLSR预测模型(表3)。其中，GS光谱FDR的最佳建模敏感波段为479、725和737 nm；ASD光谱FDR的最佳建模敏感波段为406、541、694和751 nm。从表4可知，GS光谱相关参数与ASD光谱相比，ASD光谱验证集的R2和RPD更高，分别为0.910和2.68。综合看，ASD光谱模型预测的精度显著高于GS光谱，ASD光谱建立的模型具有极好的定量预测SOM的能力，GS光谱建立的模型具有区别SOM高值和低值的能力。

2.2.3 二阶微分 分别根据GS光谱和ASD光谱建模集的SDR与土壤有机质含量的相关系数，选取敏感波段建立模型(表3)。其中，GS光谱的SDR最佳建模敏感波段为555、683、747和817 nm；ASD光谱的SDR最佳建模敏感波段为568、829、994和1020 nm。从表4可知，GS光谱相关参数与ASD光谱相对比，GS光谱验证集的R2和RPD更高，分别为0.772和1.49。综合看，GS光谱预测模型的精度略高于ASD光谱，GS光谱建立的模型具有一般的定量预测SOM的能力，ASD光谱建立的模型具有区别SOM高值和低值的能力。

对比GS光谱与ASD光谱的PLSR预测结果看出，基于ASD光谱的SDR建立的模型定量预测SOM能力最好，GS光谱的SDR预测模型也具有一定定量预测SOM的能力。ASD光谱较GS光谱的预测精度更高。究其原因：ASD测量的土样为风干、研磨后近距离室内测量，光谱检测条件更稳定；同时，ASD光谱仪的光谱分辨率比GS光谱仪更高、波段范围更宽。从图4可见，验证集的预测精度，GS光谱的二阶微分和ASD光谱的一阶微分的预测值和实测值都比较集中，预测结果较好。

图3 喀斯特地区典型农田土壤GS光谱、ASD光谱与有机质的相关性Fig.3 Correlations between GS, ASD and soil organic matter in typical farmland of karst region

表3 不同光谱变换形式的土壤有机质含量光谱反演模型

表4 土壤有机质含量光谱估算模型参数 建模集

注：a，原始光谱反射率；b，一阶微分变换；c，二阶微分变换。

Note:a. Original spectral reflectance; b. First order differential transformation；c.Second order differential transformation.

图4 GS光谱和ASD光谱不同变换形式下土壤有机质含量的预测值与实测值Fig.4 Predicted and measured value of soil organic matter content under different transformation forms of GS and ASD spectrum

3 讨 论

研究结果表明，GS光谱和ASD光谱均具有定量估测土壤有机质含量的能力。样地选取了50个样本，后续应该在更大的区域选择不同的土壤类型进行研究。GS光谱数据为室外湿地获取，一定程度上受太阳光、云量、风力及土壤本身平整度、颗粒大小、土层厚度等因素影响；GS光谱与ASD光谱的光谱反射率在400～1000 nm总体呈逐渐升高趋势，但GS光谱在950 nm左右有1个明显的吸收峰，对此需做更多对比试验以探索其影响因子。该研究重在探讨GS光谱预测SOM含量的可行性以及与ASD光谱进行预测精确程度的对比，关于上述气象、土壤本身差异等因素的影响，已在数据获取和后续预处理中尽可能的降低，而对于其针对性的削弱或者规避方法有待进一步研究。

4 结 论

该研究基于GS光谱和ASD光谱，以偏最小二乘法建立了土壤有机质预测模型，结果表明，机载无人机高光谱影像具有检测土壤有机质含量的潜力，ASD光谱具有极好的定量预测SOM含量的能力。低空无人机高光谱影像数据的应用有助于实时、迅速、大范围的监测喀斯特地区土壤有机质含量，科学有效地把握土壤资源的肥力状况，有望为有关部门合理制定相关的土地规划与保护提供基础数据。同时，前人相关研究表明，有机质对重金属具有强大的吸附或者络合作用，本研究也可为后续大范围的监测土壤重金属污染研究提供途径。