航空高光谱支持下黑土地理化性质反演对地形因子的响应

赵宁博 杨佳佳 赵英俊 秦凯 杨越超 崔鑫

摘要：为了探讨地形因子对黑土地理化性质航空高光谱反演的影响，本研究以黑龙江省海伦市典型黑土地为例，开展12种地形因子与土壤有机质含量、全氮含量、全磷含量、全钾含量、pH值、阳离子交换量、全盐量的相关性研究，并对比不同建模方法在加入地形因子前后的预测精度。航空高光谱反演结果表明，海拔、坡度、山谷指数、地形粗糙指数、起伏度与多种土壤理化指标显著相关，在加入地形因子后，支持向量机法和随机森林法的模型预测精度稳定提升，而偏最小二乘法的模型预测精度却大幅下降。随机森林法的模型预测效果整体最好，与纯光谱反射率的反演模型相比，加入地形因子后全氮含量模型预测R2的提升幅度最大（提升了0.062），7种理化指标预测模型R2的平均提升幅度为0.036。总之，地形因子对提升黑土地理化性质的航空高光谱反演精度有积极作用，且适合用于机器学习方法进行反演。

关键词：黑土地;理化性质;航空高光谱数据;地形因子;反演

中图分类号：TP79文献标识码：A文章编号：1000-4440（2020）06-1444-08

Abstract：In order to explore the effects of terrain factors on the airborne hyperspectral inversion of physical and chemical properties of black soil， the typical black soil area of Hailun in Heilongjiang province was selected as the research area. The correlation research of 12 terrain factors with soil organic matter content， total nitrogen content， total phosphorus content， total potassium content， pH， cation exchange capacity and total salt content was carried out， and the prediction accuracy of different modeling methods before and after adding terrain factors was compared. The results showed that there was a significant correlation between various physical and chemical properties and the terrain factors such as altitude， slope， valley index， terrain roughness index， fluctuation degree. After adding terrain factors， the model prediction accuracy of support vector machine method and the random forest method was improved steadily， but the prediction accuracy of partial least squares method was greatly decreased. In this study， the modeling effect of random forest method was the best. Compared with the pure spectral inversion model， the model prediction R2 of seven indices was generally improved after adding terrain factors， with an average increase of 0.036， while the increase of total nitrogen content model was the largest （0.062）. On the whole， the terrain factor plays an active role in improving the accuracy of airborne hyperspectral inversion of the physical and chemical properties of black soil， and it is suitable to use machine learning method for inversion.

Key words：black soil;physical and chemical properties;airborne hyperspectral data;terrain factors;inversion

土壤理化性质的空间分布特征受到成土母质、气候条件、植被类型、地形条件、人为因素等多方面因素的制约，其中地形条件不但支配着水热资源的重新分配，而且影响着土壤生态系统的物质循环过程和强度，对土壤理化性质有着重要影响[1]。目前，地形因子与土壤理化性质的相关性研究在黄土高原[2-5]、南方丘陵[6-8]、华北及长江中下游平原[9-12]、荒漠绿洲[13-15]、东北黑土区[16-19]等地均有开展，研究结果表明土壤理化参数的空间分布受到高程、坡度、坡向等地形因子不同程度的影响。

遥感技术凭借数据覆盖面广、时效性强等优势，在土壤理化指标提取和空间分布研究方面受到学者的广泛关注[20-24]。基于地形因子与理化参数空间分布的相关性特征，研究人员尝试利用地形因子与遥感数据相结合的方式开展土壤养分的空间分布预测。例如，张素梅等[25]利用多种地形因子和美国陆地卫星影像（ETM）提取的植被归一化指数（NDVI）开展有机质、全氮含量的预测研究，结果表明高程、坡度、地面粗糙度、河流动能指数和NDVI对养分多元回归模型贡献较大。刘焕军等[26]利用Landsat8影像和地形数据开展土壤有机质含量的反演研究，结果表明引入地形因子（高程）后利用回归克里格法预测的有机质含量精度得到提高。综合目前的研究成果，在土壤养分遥感反演中加入地形因子后，預测模型的精度普遍得到了一定程度的提升，但是采用的遥感数据主要是多光谱数据，空间和光谱分辨率受到不同程度的制约，无法充分发挥光谱数据在反演中的作用。此外，该类研究的研究对象主要是土壤有机质及全氮，针对阳离子交换量、pH值等其他土壤理化指标的研究相对较少。

2.2土壤理化指标与地形因子的相互关系

2.2.1相关系数计算土壤样品理化指标与地形因子间的相关系数（表5），主要特征如下：pH值、全氮含量与海拔均呈极显著负相关，有机质含量、CEC与海拔呈显著负相关，全磷含量与海拔呈显著正相关，其中pH值与海拔的相关性最高;全磷含量与坡度呈极显著负相关，全氮含量与坡度呈显著负相关;全磷含量与地形粗糙指数呈极显著负相关，全钾含量与地形粗糙指数呈显著正相关;全磷含量与起伏度呈极显著负相关，有机质含量与起伏度呈显著负相关;其他地形因子与土壤理化指标间没有呈现出显著的相关性。

利用得到的航空高光谱反演数据计算土壤理化指标与地形因子的相关系数（表6），主要表现如下：除全盐量外，其余理化指标与海拔均呈极显著相关，其中只有全钾含量与海拔呈极显著正相关;全氮含量、全钾含量、pH值、CEC与坡度均呈极显著相关;有机质含量和全盐量与地形粗糙指数和起伏度呈显著相关，其他理化指标与地形粗糙指数和起伏度均呈极显著相关;关于高程起伏比、山谷指数、高程百分比指数，土壤样品理化指标与其均没有呈现出显著的相关性（表5），而利用航空高光谱反演数据计算的这些理化指标中有部分理化指标与其存在显著或极显著相关性。

2.2.2不同坡度、坡向类别土壤的理化性质差异由于坡度和坡向具有比较明确的分类及类别意义，因此对土壤理化性质在不同坡度、坡向类别间的变化规律进行探讨。

坡度分为5个等级，分别为：1级（≤2.0°）、2级（2.1°～6.0°）、3级（6.1°～15.0°）、4级（15.1°～25.0°）、5级（>25.0°）。计算不同坡度级别中土壤理化性质的航空高光谱反演均值，发现各指标在不同坡度级别中绝对值变化幅度均较小。而在相对趋势上，全氮含量和有机质含量与坡度整体呈负相关，全磷含量、全钾含量、pH值、CEC与坡度呈正相关，这与表6的结果也較为吻合。

坡向分为4类，分别是：阴坡（0°～45.0°，315.1°～360.0°）、半阴坡（45.1°～90.0°，270.1°～315.0°）、半阳坡（90.1°～135.0°，225.1°～270.0°）、阳坡（135.1°～225.0°）。计算不同坡向类别中土壤理化指标的航空高光谱反演均值，发现各指标对应的坡向组间差异明显小于坡度组间差异，坡向组间变化趋势也没有呈现明显的规律性。

2.2.3地形因子筛选挑选与各理化指标显著或极显著相关的地形因子参与反演建模，各指标筛选的地形因子见表7。整体上，海拔、坡度、山谷指数、地形粗糙指数、起伏度出现的频率较高。

2.3地形因子对建模的影响

为了更全面地讨论地形因子对反演模型的影响，将模型的自变量分为光谱反射率、光谱反射率+筛选的地形因子、光谱反射率+全部地形因子3类。由于模型的预测精度比建模精度更具有实际应用价值，因此以下着重以预测精度为例进行讨论。

利用前期试验应用效果较好的偏最小二乘法进行建模，图3显示，加入筛选的地形因子后7种理化指标的模型预测R2均大幅下降，其中pH值和CEC模型预测R2的降幅最大，pH值的模型预测R2由0.665降为0.149，CEC的模型预测R2由0.687降为0.107，加入所有的地形因子后，除CEC外其余土壤理化指标的模型预测R2进一步下降。通过检查偏最小二乘法计算过程的数据发现，单纯利用光谱反射率建模时模型精度随着主成分数量增加而逐渐提升，达到最高点后随主成分数量增加而有所降低;加入地形因子后模型精度随主成分数量增加而一直降低，认为地形因子与光谱反射率之间的相关程度较低，二者对主成分分析计算造成了干扰，从而影响了偏最小二乘法模型预测的精度。

利用支持向量机法和随机森林法进行对比研究，支持向量机法的核函数采用径向基函数（RBF），随机森林法参数中的决策树数目为5 000，创建分枝所需变量数目为3。图3显示，单纯利用光谱反射率建模时，支持向量机法对各土壤理化指标的模型预测R2普遍低于偏最小二乘法，加入筛选的地形因子后模型预测R2均稳定提升，平均提升幅度为0.031，有机质含量的提升幅度最大（提升了0.060），继续加入全部地形因子后模型预测R2仍有较小幅度提升，但最终预测精度小于单纯利用光谱反射率的偏最小二乘法。

图3显示，仅利用光谱反射率建模时，随机森林法的预测结果中全氮含量和全磷含量的模型预测R2稍低于偏最小二乘法。加入筛选的地形因子后，各理化指标的模型预测R2均有明显提升，加入全部地形因子后各理化指标模型预测R2仍进一步微弱提升。与纯光谱反射率模型相比，加入全部地形因子后各理化指标模型预测R2的平均提升幅度为0.036，其中全氮含量的模型预测R2提升幅度最大（提升了0.062）。

3讨论

研究区12种地形因子中，海拔、坡度、山谷指数、地形粗糙指数、起伏度与土壤理化指标有较高的相关性，这为探讨地形因子对土壤理化性质反演的影响提供了依据。

基于地形因子与土壤理化指标的相关性分析，筛选与各个指标相关的地形因子加入反演计算，并利用偏最小二乘法、支持向量机法和随机森林法探讨地形因子对土壤理化性质航空高光谱反演的影响。结果表明，模型自变量中加入筛选的地形因子后，支持向量机法和随机森林法的模型预测R2均有稳定提升，继续加入全部12种地形因子后，R2仍有微弱提升，说明地形因子对提升模型精度有贡献，而且筛选的地形因子对模型的贡献更大。

偏最小二乘法与支持向量机法、随机森林法不同，加入筛选的地形因子后偏最小二乘法的模型预测R2大幅度下降，加入全部地形因子后R2进一步下降，分析原因可能是地形因子与光谱反射率之间的相关程度较低，二者对偏最小二乘法计算过程中的主成分分析造成了干扰，从而影响了模型精度。支持向量机法和随机森林法属于机器学习方法，模型的学习能力强，更有利于从高维数据中提取有效信息。横向对比3种方法的模型精度，随机森林法的建模效果整体上最好，因为其采用的是多个决策树的投票机制，适合处理高维数据，而支持向量机法受核函数类型的影响较大，在本研究中的预测精度稍低。

本研究结果对后续建立更为完善的土壤理化指标航空高光谱综合反演模型有启发意义。航空高光谱技术凭借着光谱分辨率高、数据全覆盖等优势，为土壤理化指标的大范围反演制图提供了数据支撑，而为了提高该技术的实际应用能力，必须尽可能提升模型的反演精度和可靠性，在后续研究中需要引入更多相关变量开展综合反演模型研究，继续提升模型的反演效果和实际应用能力。

参考文献：

[1]魏孝荣，邵明安. 黄土高原沟壑区小流域不同地形下土壤性质分布特征[J]. 自然资源学报， 2007， 22（6）：946-953.

[2]魏孝荣，邵明安. 黄土沟壑区小流域不同地形下土壤微量元素分布特征[J]. 环境科学， 2009， 30（9）：2741-2746.

[3]孙文义，郭胜利. 黄土丘陵沟壑区小流域土壤有机碳空间分布及其影响因素[J]. 生态学报， 2010， 31（6）：1604-1616.

[4]赵明月，赵文武，钟莉娜. 土地利用和环境因子对表层土壤有机碳影响的尺度效应——以陕北黄土丘陵沟壑区为例[J]. 生态学报， 2014， 34（5）：1105-1113.

[5]薛志婧，侯晓瑞，程曼，等. 黄土丘陵区小流域尺度上土壤有机碳空间异质性[J]. 水土保持学报， 2011，25（3）：160-163.

[6]赵越，罗志军，赵杰，等. 峡江县土壤养分空间特征及与地形因子的相关性[J]. 水土保持研究， 2018， 25（5）：128-133.

[7]陈桂香，高灯州，曾从盛，等.福州市农田土壤养分空间变异特征[J].地球信息科学学报，2017，19（2）：216-224.

[8]邓欧平，周稀，黄萍萍，等.川中紫色丘区土壤养分空间分异与地形因子相关性研究[J].资源科学，2013，35（12）：2434-2443.

[9]王淑英，路蘋，王建立，等.不同研究尺度下土壤有机质和全氮的空间变异特征——以北京市平谷区为例[J].生态学报，2008，28（10）：4957-4964.

[10]贾振宇，张俊华，丁圣彦，等.基于 GIS和地统计学的黄泛区土壤磷空间变异——以周口为例[J].应用生态学报，2016， 27（4）：1211-1220.

[11]赵明松，张甘霖，李德成，等.苏中平原南部土壤有机质空间变异特征研究[J].地理科学，2013，33（1）：83-89.

[12]宋轩，李立东，寇长林，等. 黄水河小流域土壤养分分布及其与地形的关系[J]. 应用生态学报， 2011， 22（12）：3163-3168.

[13]徐莉，闫俊杰，陈晨，等. 新疆察布查尔县农耕层土壤养分空间特征及其与地形因子的关系[J]. 水土保持通报， 2018， 38（4）：44-51.

[14]王雪梅，柴仲平，武红旗.典型干旱荒莫绿洲区耕层土壤养分空间变异[J].水土保持通报，2016，36（1）：51-56.

[15]唐梦迎，丁建丽，夏楠，等. 干旱区典型绿洲土壤有机质含量分布特征及其影响因素[J]. 土壤学报， 2017， 54（3）： 759-766.

[16]高凤杰，鞠铁男，吴啸，等. 黑土耕作层土壤pH空间变异及自相关分析[J]. 土壤， 2018，50（3）：566-573.

[17]杜可，王乐，张淑香，等. 黑土区县域土壤养分空间分布特征及其影响因子[J]. 植物营养与肥料学报， 2018， 24（6）：1465-1474.

[18]高凤杰，马泉来，韩文文，等. 黑土丘陵区小流域土壤有机质空间变异及分布格局[J]. 环境科学， 2016， 37（5）：325-332.

[19]张孝存，郑粉莉，安娟，等. 典型黑土区坡耕地土壤侵蚀对土壤有机质和氮的影响[J]. 干旱地区农业研究， 2013， 31（4）： 182-186.

[20]邢东兴，王明军，陈玲侠，等. 桃树遥感辨识的最佳时相与方法[J].江苏农业学报，2019，35（4）：919-926.

[21]王利军，郭燕，王来刚，等. 农情遥感信息服务与野外监测云平台构建[J].南方农业学报，2018，49（6）：1242-1248.

[22]张自超，韩宇，陈建，等. 基于无人机遥感数据的生态渠系信息提取[J]. 排灌机械工程学报，2018，36（10）：1006-1011.

[23]王术波，韩宇，陈建，等.基于深度学习的无人机遥感生态灌区杂草分类[J]. 排灌机械工程学报，2018，36（11）：1137-1141.

[24]单捷，孙玲，王志明，等. GF-1影像遥感监测指标与冬小麦长势参数的关系[J].江苏农业学报，2019，35（6）：1323-1333.

[25]张素梅，王宗明，张柏，等. 利用地形和遥感数据预测土壤养分空间分布[J]. 农业工程学报， 2010， 26（5）：188-194.

[26]刘焕军，谢雅慧，潘越，等. 黑土区田块土壤有机质空间分异及分布研究[J]. 土壤通报， 2018， 49（6）： 1445-1451.

[27]秦承志，卢岩君，包黎莉，等. 简化数字地形分析软件（SimDTA）及其应用——以嫩江流域鹤山农场的坡位模糊分类应用为例[J]. 地球信息科学学报， 2009， 11（6）： 737-743.

[28]沈从旺，徐丽华.土壤pH值和全钾含量高光谱反演方法比较[J]. 江苏农业学报， 2020， 36（1）： 92-98.

[29]中华人民共和国自然资源部.土地质量地球化学评价规范：DZ/T 0295-2016 [S].北京：地质出版社，2016：42.

[30]吕贻忠，李保国. 土壤学实验[M]. 北京： 中国农业出版社， 2010.

[31]杨劲松，姚荣江. 黄河三角洲地区土壤水盐空间变异特征研究[J]. 地理科学， 2007， 27（3）： 348-353.

（责任编辑：王妮）