基于优化光谱指数的土壤有机质含量估算

2018-12-04尼加提卡斯木茹克亚萨吾提师庆东买合木提巴拉提米热阿地力库尔班苏比努尔居来提

农业机械学报 2018年11期

尼加提·卡斯木茹克亚·萨吾提师庆东买合木提·巴拉提米热阿地力·库尔班苏比努尔·居来提

(1.新疆大学干旱生态环境研究所，乌鲁木齐 830046； 2.新疆大学绿洲生态教育部重点实验室，乌鲁木齐 830046；3.新疆大学资源与环境科学学院，乌鲁木齐 830046)

0 引言

土壤有机质(Soil organic matter, SOM)是土壤中固态物质的重要组成部分，具有改良土壤结构、疏松土壤以及提供植物所需养分等作用，是评价土壤肥沃程度的一个重要衡量指标[1-2]。高效监测区域土壤有机质含量可为及时改善区域土壤状况、优化作物施肥管理，以及农业发展提供科学依据。传统的土壤有机质含量测定方法是野外采集土壤样品后，通过化学方法测定与分析，该方法时效低、成本高、代表性不足，无法快速无损地监测区域土壤有机质含量[3-4]。土壤光谱反射率与有机质含量之间存在一定的光谱响应关系，这为现阶段高光谱遥感在区域尺度土壤有机质含量的快速、准确监测提供了可能，从而成为定量遥感的研究热点之一[5]。对高光谱数据进行不同的预处理及建模方法的选择是构建估算模型的重要步骤，对模型的精度和稳定性具有重要意义[6]。KRISHNAN等[7]选取4种不同的土壤为研究对象，发现土壤光谱反射率与其有机质含量呈现显著负相关关系，探测出土壤有机质含量最佳波段是0.62 μm和0.56 μm，可见光波段优于近红外波段，在近红外区域没有由有机质引起的反射峰和吸收谷。王延仓等[8]对光谱数据进行6种分解，并与土壤有机质含量进行相关性分析，发现光谱反射率经小波变换后，参与建模的特征波段集中在近红外波段范围，即近红外波段估算有机质含量优于可见光波段。徐明星等[9]研究了原始反射率、微分光谱、吸光度和波段深度对不同成陆年代土壤有机质含量的估算精度，发现微分光谱是估算成陆年代土壤有机质含量的最佳光谱指标，以1 400 nm为中心及1 900～2 450 nm的近红外波段是估算土壤有机质含量的最佳波段。HUMMEL等[10]在室内分析了土壤有机质和光谱曲线之间的关系，采用光谱反射率吸光度建立多元逐步回归模型。CONFORTI等[11]对来自不同地区的215个土样进行偏最小二乘回归(PLSR)建模，取得了较好的估算效果。NOWKANDEH等[12]以高光谱遥感为数据源，利用PLSR、PCR、MinR和SWR方法进行建模，取得显著的估算效果。栾福明等[13]选取40个土壤样本，采用多元线性逐步回归和人工神经网络两种方法建立有机质含量估算模型，得出人工神经网络(ANNs)集成模型表现最优。叶勤等[14]将原始光谱反射率、一阶导数光谱分别与土壤有机质含量进行相关性分析，直接建立基于一阶导数光谱的多元线性逐步回归分析(MLSR)模型。

上述对于土壤有机质含量的研究[7-14]是通过全波段反射率及其对应的数学变换，在一维层面上选取单个敏感波段或多个敏感波段，并利用多种回归方法建立估算模型，而对于两波段优化组合算法进行光谱指数的波段二维层面优化，并在土壤有机质含量估算中的应用研究相对较少。基于此，本文以新疆乌鲁木齐安宁渠为研究靶区，进行野外土壤样品采集和室内土壤光谱测定及理化分析，尝试对土壤原始光谱反射率及其对应的4种数学变换进行波段优化运算，分析基于光谱数据不同变换形式的波段优化组合与土壤有机质质量比的相关性，通过相关系数的显著性检验，筛选最适宜敏感光谱指数，并利用偏最小二乘回归(Partial least square regression, PLSR)分析法建立土壤有机质质量比优化光谱指数的估算模型，得出反演土壤有机质的最佳光谱参数。

1 材料与方法

1.1 研究区概况

研究区位于乌鲁木齐市北郊的冲积平原上，地势平缓，地理坐标为87°25′～87°30′E，43°57′～44°06′N[15]。地处中温带干旱气候区，光热充足，土壤肥沃，适合一般的农作物、蔬菜和果树生长[16]。该区域水资源丰富，既有水质良好的地下水资源，又有纵贯南北的和平渠提供的地表径流，形成井渠双灌的地方特色，为农牧业的丰收奠定了良好的基础[17-18]。

图1 研究区位置和采样区分布Fig.1 Location of study area and distribution of sampling sites

1.2 土壤样品采集

土壤样品的采集时间为2017年10月15日，针对乌鲁木齐市安宁渠蔬菜基地研究区典型景观特征，设置5 m×5 m样方(图1)。利用GPS记录每个样方位置，采用5点混合法进行样品采集，土壤样品采样深度为0～10 cm，共计57个土壤样品。土壤样品带回实验室并进行自然风干、研磨后，过2 mm孔筛分为两部分，分别用于室内高光谱数据的测定及土壤有机质的化学分析。其中，土壤有机质质量比采取重铬酸钾容量-硫酸氧化法进行测定[19]。

1.3 光谱测定及预处理

图2 优化光谱指数与土壤有机质质量比之间的相关性等势图Fig.2 Equipotential patterns of correlation between optimized spectral index and soil organic matter content

采用美国ASD(Analytical Spectral Devices)公司生产的Field-Spec3型光谱仪(波段范围350～2 500 nm)。光谱在350～1 000 nm与1 000～2 500 nm区间的采样间隔分别为1.4 nm与2 nm，重采样间隔为1 nm。将准备的57个土壤样品分别装入黑色盛样皿(直径12 cm，深1.8 cm)中，装满土壤样品后，对表面进行平滑处理。光谱测定的光源为50 W卤素灯，测量时距土壤样品表面50 cm，光源的天顶角为15°，探头至待测样品表面的距离为5 cm[20]。高光谱数据测定之前进行白板校正，每个土壤样品重复测量5次，取5条光谱曲线的算术平均值作为该样品的实际光谱反射率。

1.4 研究方法

近几年的研究结果[21]表明，为了估算不同区域土壤有机质含量最佳普适性光谱，参数的选择具有一定的难度，同时对土壤有机质含量选择敏感光谱指数的波段组合呈现多样化。

其中，张娟娟等[22]利用350～2 500 nm光谱反射率，系统构造了原始光谱任意两波段组合而成的比值、归一化光谱指数，建立了特征光谱指数的土壤全氮含量估算模型。本研究在已有成果的基础上，通过利用原始光谱数据系统地构建任意两波段组合的优化光谱指数，并分析光谱指数与土壤有机质质量比的相关性等势图(图2)。

(1)

式中RSOMCI/ND——两波段优化算法应用在全波段范围的优化光谱指数

表1 模型精度参数Tab.1 Model precision parameters

2 结果与分析

2.1 数据处理与分析

对获取的土壤样品高光谱数据利用ViewSpec Pro软件进行数据算术平均并导出，为减少噪声影响，剔除信噪比较低的边缘波段(350～399 nm及2 401～2 500 nm)后，利用Savitzky-Golay滤波对57个土壤样品400～2 400 nm的高光谱数据进行平滑去噪处理，去噪后的光谱曲线如图3所示。

由表2知，建模集和验证集对应的土壤有机质质量比最大值分别为31.78、15.79 g/kg，最小值分别为4.39、2.70 g/kg，均值分别为11.84、8.73 g/kg，变异系数分别为53.82%和36.54%；研究区所有采样点土壤有机质质量比平均值为10.89 g/kg，变异系数为53.17%，介于建模集与验证集之间，数据离散程度一般，属于中等变异强度(15%～100%)[24]。

图3 平滑处理后的土壤样本室内光谱反射率Fig.3 Spectral reflectance of soil sampling after smoothing

2.2 土壤光谱曲线特征分析

为研究土壤有机质质量比对土壤光谱反射率的影响，对土壤样本反射率进行分级标准归类、求平均，绘制不同土壤有机质质量比的土壤光谱曲线(图4)。土壤有机质为土壤重要的赋色成分，土壤光谱反射对其质量比的高低产生一定响应[25]。研究区不同有机质质量比的土壤光谱反射曲线的变

表2 土壤有机质质量比的统计分析Tab.2 Statistics analysis of soil organic content

化趋势基本一致。土壤样品的光谱反射率与其有机质质量比并没有呈现明显正负相关关系，从图4b中可以看出，在可见光及近红外波段(400～1 500 nm)范围内光谱曲线呈快速上升和平缓上升趋势，并在1 400～1 500 nm处有1个比较浅的水分吸收谱段，而在1 800～2 100 nm波段范围内出现了1个较为明显的水分吸收谱段(图4a)。整体光谱曲线而言，除400～1 500 nm波段范围，不同土壤有机质质量比的光谱反射率曲线较为容易区分。

图4 不同有机质质量比的土壤样本光谱发射率Fig.4 Spectral reflectance of soil samples with different organic content

2.3 优化光谱指数与有机质质量比相关性分析

该研究利用两波段优化算法，通过最优两波段组合计算构建的新算法SOMCI/ND，选取与土壤有机质质量比相关性最高并通过显著性检验(p<0.01)及VIP值大于1的优化指数进行偏最小二乘回归建模。

图5 400～2 400 nm波段范围内所有可能波段组合与土壤有机质质量比的相关性Fig.5 Correlation coefficient between organic content and narrow band calculated all possible two-band combinations in range of 400～2 400 nm

2.4 土壤有机质质量比PLSR估算模型建立及精度分析

该研究以室内土壤光谱反射率及4种变换数据，对新算法进行波段组合优化；结合变量投影重要性(VIP)算法筛选最优两波段组合光谱指数并作为自变量，利用偏最小二乘回归法(PLSR)建立土壤有质质量比估算模型，估算模型的精度参数如表4所示。为PLSR更深入地分析数据，利用VIP技术进一步对变量进行筛选，基于PLSR建模方法的优点，VIP技术主要用于样本较少且几个自变量间相关性较强的情形，在一定程度上弥补了传统线性回归的不足[26]。由图6可知，基于光谱反射率及其4种变换优化在变量选择上呈现不同，原数据优化指数中筛选的变量数为18个，对应的波段组合见图6a，光谱数据4种变换优化指数中筛选变量数分别为19、19、8、6个，对应波段组合见图6b～6e。

表3 不同光谱数据变换下优化光谱指数与有机质质量比相关性统计分析Tab.3 Statistic analysis between organic content and optimized spectral index based on different spectral data transform

图6 基于变量VIP值筛选最佳模型自变量Fig.6 VIP values of variables to select the best model based on independent variables

表4 偏最小二乘回归建模精度分析Tab.4 Accuracy analysis for predictive models by partial least squares regression

3 讨论

遥感估算土壤有机质含量都是以土壤光谱理论为指导，选择计算在土壤有机质特有的特征波段的反射率和基于相同位置的光谱指数来达到土壤有机质光谱特性研究的目的，适合土壤有机质含量估算的模型必须具有理论依据和应用能力[27]。本文利用野外土壤样品采样，室内土壤光谱采集及理化分析，进行土壤原始光谱反射率及对应的4种数学变换，对构建的新算法(SOMCI/ND)进行波段优化运算，分析基于光谱数据不同变换形式的优化光谱指数与土壤有机质质量比的相关性，通过相关系数的显著性检验(p=0.01，阈值为±0.70)筛选对应最适波段组合的敏感光谱指数，并利用PLSR建立土壤有机质质量比优化光谱指数的估算模型，得出反演土壤有机质的最适光谱参数。光谱反射率及其4种变换预处理后，通过两波段优化算法运算的光谱指数与土壤有机质质量比的相关性显著提高。其中，主要位于2 220～2 240 nm和2 160～2 195 nm的组合波段对应光谱指数具有很强的相关性，相关系数绝对值最高达到0.82。除此之外，原数据和倒数变换在波长894 nm与884 nm组合计算的新算法与有机质质量比的相关系数绝对值也超出了0.80。此说明优化算法的组合及波段组合对土壤有机质质量比的敏感组合波段筛选具有很重要的意义。

综上所述，对土壤有机质质量比定量估算主要以计算高光谱数据的敏感波段、对原始数据的不同数学变换、计算对应光谱指数等方法，而本研究在已有研究基础上，进一步优化算法构建新的优化算法，并进行波段组合与研究分析。高光谱数据提供了精细的光谱波段信息，可以解决光谱指数与土壤有机质质量比存在的饱和性问题[32]。利用两波段优化算法对光谱指数的波段组合进行优化可以提高土壤有机质质量比估算模型的精度。本研究通过高光谱的精细光谱范围对SOMCI/ND的波段进行优化，建立了适宜该研究区的土壤有机质估算模型，并表现出了很好的估算能力。今后将通过高光谱数据探讨光谱波段优化理论，在不同地理位置、不同土壤类型中进一步应用两波段优化算法并得到更好的验证，为不同尺度、实时性的土壤有机质动态监测提供理论基础。