土壤组分信息高光谱遥感反演研究进展

方 臣， 朱正勇， 陈 曦， 熊前进， 杜翌超， 金 朝， 胡 飞

(1.湖北省地质调查院,湖北 武汉 430034; 2.湖北省地质局 第四地质大队，湖北 咸宁 437100)

农业种植与土壤环境息息相关,良好的土壤生态环境是现代农业生产的物质基础。传统的土壤质量调查主要以野外采样和室内化学分析为主,但不同理化性质的分析方法不尽相同,且调查时间较长,无法满足动态监测的要求。通过测量土壤光谱反射率来反演土壤的理化性质是一种较为理想的土壤质量评价方法。土壤光谱反射率是指入射在土壤上的某波长电磁波的能量与从该土壤上反射的同一波长电磁波的能量之比值。土壤是一个完整而复杂的生态系统,不同成分的土壤物理化学性质存在差异,导致吸收、反射光谱的特性不尽相同,根据这一特性可进行土壤成分的分析。土壤光谱分析技术具有低成本、高效率、广覆盖、动态及时等特点,为土壤生态环境信息监测提供了更为高效的技术手段。

土壤光谱研究起源于遥感技术的发展,并随着遥感技术的进步日趋完善。利用反射光谱技术测量土壤理化性质的研究可以追溯到19世纪20—30年代,该时期的研究主要集中在土壤波谱等地物波谱的差异性研究,根据其不同反射特性进行地物的探测和识别。19世纪60年代中期开始，相关研究蓬勃发展,Obukhov等[1]研究土壤组分与反射率的关系,并由此提出利用土壤反射光谱进行土地调查的可能性；Bowers等[2]研究显示土壤湿度以及土壤颗粒对土壤光谱有影响；Condit[3]通过测量美国多个地区共计160个土壤样品的土壤光谱数据,利用光谱反射率特性成功将它们进行了分类；Stoner等[4]利用光谱仪建立了美国39个州和巴西境内的485个土壤样品室内光谱数据库(波段范围为0.52～2.36 μm)。1993年,便携式野外光谱仪问世,开始被广泛地应用于土壤光谱的研究中。也有大量学者开展土壤光谱研究,戴昌达[5]总结了中国主要土壤类型的光谱特征,把中国主要土壤光谱反射特性划分为四种类型,该分类对中国土壤分类研究具有一定的指导意义；朱永豪等[6]研究了黄棕土壤类型在不同的湿度环境下光谱反射率灵敏度；徐彬彬等[7]研究了有机质、土壤水分等在特定波段内的响应特征。以上的研究都表明,土壤的理化性质如有机质、铁氧化物、重金属等含量可以通过土壤光谱直接或间接定量研究。随着近年来高光谱遥感技术和计算机算法的飞速发展,土壤理化性质的光谱定量反演研究迎来新的高潮。

不同的土壤其物理结构和化学特性都有所差异,会影响土壤的反射光谱特性,同时也是土壤类型鉴定和土壤质量监测的依据。以往的研究证实，土壤有机质含量、含水量、氧化铁含量、机械组成、母质、土壤颜色、土壤质地以及表面粗糙度等都会对土壤反射光谱产生影响。本文结合生产应用的实际,主要对土壤有机质、全氮、含水量、氧化铁、重金属五个方向的光谱特征及定量反演研究成果进行综述。

1 土壤高光谱数据获取、处理与分析方法

1.1 土壤光谱获取

1.1.1土壤样品制备

根据研究需要在测区内采取相应间隔的土壤样品,经过加工的土壤样品。土壤样品的制备没有统一标准。一般来说,土壤样品通常采集地表0～20 cm的土样,剔除大的根系等杂物,混合后,置于实验室风干、研磨。有机质、氮素样品过0.15 mm筛用于光谱测试；氧化铁含量及重金属样品分成两份,过2 mm筛用于光谱测试,过0.15 mm筛用于含量分析；含水量样品过2 mm筛,分别置于器皿中,依次缓注入不同水量,待表层的自由水消失后进行测量[8]。此外,在部分遥感影像反演及对应的同步地物光谱测量中,土样直接采用原状土,不加任何处理。

1.1.2光谱数据获取

土壤光谱测量主要通过野外和室内两种途径获取。常用的仪器有ASD Field-Spec3、ASD pro FR、FTIR、Headwall Photonics HS-VNIR、PerkinElmer Lambda 900、VIS-NIR等,根据研究内容的不同选择合适的波长范围、波段数和光谱分辨率。在测量中,用卤素灯以一定角度照射土壤样品,及时进行白板校正,根据光谱仪视场角确定距离土样的距离,通常采取多角度、多次测量的方法获取均值数据。

1.2 土壤光谱处理

在获取土壤光谱数据后,通常需要对光谱数据进行前期预处理,一般采取光谱平滑去噪和光谱变换处理方法。光谱平滑去噪主要是采用加权移动平均法或包络线消除法抑制毛刺和陡坎等噪声波段,比有助于特征波段的提取。光谱变换主要是将原始光谱数据进行数学转换,形成新的波段数据,可以有效地显示光谱曲线的吸收特征和反射特征,增强相似光谱之间的差别,增强原始光谱曲线的特征[9]。土壤光谱处理后突出的光谱特征量为下一步开展的反演建模和定量分析提供良好的数据支撑,是光谱定量化分析的基础。

1.3 土壤光谱建模

土壤光谱分析的关键是要建立预测效果优秀的定量模型,常用的建模方法包括主成分回归法(PCR)、多元逐步回归法(MSR)、偏最小二乘回归法(PLSR)、BP神经网络法(BPNN)等。主成分回归法利用主成分分析将自变量数据组成为多个相互无关的新变量,选取尽可能少的组合变量代表原有自变量信息,再与因变量建立回归方程。多元逐步回归法基本思路是将全部变量按照重要性逐步导入回归方程,利用统计量选择或剔除自变量,建立回归方程。偏最小二乘回归法集成了典型相关分析、主成分分析和线性回归分析的优点,实现了数据结构的简化,良好地解决了自变量间多重共线性问题,适用于变量间高度相关及变量数超过样本数的情况[10]。BP神经网络法在神经元响应函数连续可微的条件下,利用误差的反向传播建立模型,优点是不需要先验知识,只需给出对象的输入、输出数据,通过网络自身的学习功能就可以实现非线性映射的问题,在一定程度上提高了算法的精度[11]。

2 土壤组分信息高光谱反演建模应用

2.1 高光谱土壤有机质反演建模应用

有机质是土壤结构的重要组成成分,是植物获取营养的源泉,土壤有机质含量的多少是衡量土壤肥力高低的一个重要指标,所以测定有机质含量对于了解土壤肥力状况有着重要的意义[12]。土壤有机质的光谱特征及含量估测研究主要是利用土壤有机质在可见光和近红外波段下独特的光谱特性,分析土壤有机质含量实测值与光谱的线性或曲线关系,利用定量提取模型建立土壤光谱反射特性与土壤有机质含量之间的响应关系,最终实现通过测定土壤的光谱反射率确定土壤有机质含量。 Mathews等[13]通过对比土壤样品和标准黏土矿物的光谱反射曲线,发现土壤有机质在0.5～1.2 μm波长范围内反射率影响较明显。Krishnan等[14]通过研究4种不同类型土壤的光谱曲线,发现有机质引起的吸收峰主要集中于可见光区域(0.38～0.78 μm),该区域是有机质含量估测的诊断波段。徐彬彬等[15]通过采集分析中国南疆72个土壤光谱数据,发现在0.6 μm波长附近的弓曲差与有机质含量呈负相关性。彭玉魁等[16]采用近红外光谱(0.78～1.1 μm)分析法,对中国黄土区土壤含水量、有机质和全氮含量进行评价分析,认为水分是决定土壤光谱特征差异的主要因素。沙晋明等[17]分析了8种不同环境下多个层位的土壤光谱特征,发现土壤有机质含量在紫外波段的0.376 μm波长附近和可见光波段的0.616 μm、0.724 μm波长附近呈负相关性。

上述研究表明,土壤有机质含量与土壤光谱反射率的研究主要集中在可见光—近红外波段(0.35～1 μm)。尽管光谱特征波段及诊断参数因土壤类型的不同而存在差异性,但在一般情况下,土壤光谱反射率随着有机质含量的增加而降低,根据该特征可以利用土壤有机质的光谱特征来进行土壤有机质含量反演研究。在掌握土壤反射光谱特征响应波段和参数的基础上,大多釆用统计的方法,如相关分析、逐步回归以及偏最小二乘回归等，来构建定量提取模型,但不同区域的土壤样品选取的特征波段和建立的反演模型存在差异,需要进行大量的试验来验证和评价。

2.2 高光谱土壤全氮反演建模应用

全氮含量是衡量土壤肥力的重要指标,实时土壤氮素含量监测可以为农业管理提供服务,是现代精细农业重要的研究方向之一。土壤全氮的光谱特征及含量估测研究主要选用红外波段光谱信息进行定量反演,一类是直接反演,即分析土壤全氮含量实测值与光谱的线性或曲线关系,利用定量提取模型建立土壤光谱反射特性与土壤全氮含量之间的响应关系,最终实现通过测定土壤的光谱反射率确定土壤全氮含量；另一类是间接反演,该方法主要基于土壤氮素与土壤有机质的强相关性,建立某种相关关系模型来实现间接估测。自1986年Dalai等[18]探索性研究土壤光谱与土壤氮素之间的关系,利用红外光谱法预测土壤全氮含量以来,该技术一直是土壤定量遥感的重要方法。Couillard等[19]选择反射率光谱为0.4～2.5 μm的土壤样本估测美国密歇根州土壤全氮含量,取得较好成果。Reeves等[20]研究发现土壤类型差异显著影响土壤全氮预测精度。Chang等[21]利用偏最小二乘法建立了土壤全氮含量光谱估测模型,认为估算土壤中全氮含量不是基于氮与有机质的相关性,而是基于土壤中氮含量与光谱之间的独立响应。徐永明[22]利用室内土壤高光谱反射率,指出氮素含量的敏感波谱带为2.16～2.28 μm和2.44～2.47 μm,并运用偏最小二乘回归等方法构建了含量预测模型。李伟等[23]对比研究了偏最小二乘法和神经网络法构建的预测土壤碱解氮含量的近红外光谱分析模型,认为神经网络模型预测效果更好。卢艳丽等[24]利用光谱指数建立了中国东北黑土的全氮含量估测模型,结果表明基于0.45 μm和0.55 μm构建的归一化光谱指数能较好地估测土壤全氮含量。张雪莲等[25]利用偏最小二乘法分别建立了5种不同类型的土壤在不同深度的全氮含量光谱估测模型,认为模型受土壤类型的影响较大,基于某地区建立的模型用于另一地区的土壤样品预测时存在较大的局限性。

上述研究表明,利用光谱分析技术预测土壤全氮含量是可行的,具有广阔的发展前景。然而,从当前的研究成果来看,不同类型土壤光谱差异较大,土壤全氮含量与光谱之间是否存在独立响应机制还需进一步研究。此外，针对不同类型土壤的全氮含量对比研究还较少。

2.3 高光谱土壤含水量反演建模应用

含水量在土壤形成过程中起着极其重要的作用,是植物生长发育的关键因素之一。土壤含水量的光谱特征及含量估测研究主要是利用土壤含水量在可见光—近红外、热红外及微波波段的光谱特性,分析土壤含水量实测值与光谱曲线的相关关系,利用定量提取模型建立土壤光谱反射特性与土壤含水量之间的响应关系,最终实现通过测定土壤的光谱反射率确定土壤含水量。目前,土壤含水量的预测方法是通过获取含水量的敏感波段,建立土壤的光谱特征与土壤含水量之间的多元线性回归模型,常用的模型算法有偏最小二乘、支持向量机等算法[26]。Bowers等[2]研究发现在0.4～2.5 μm波段内,土壤湿度的增加会引起土壤反射率的降低,土壤反射光谱在1.4 μm、1.9 μm、2.2 μm存在三个吸收带,并认为1.9 μm是土壤水分特有的吸收波段,该研究成果为土壤水分遥感监测研究奠定了基础。Stoner等[4]指出,随水分的增加土壤光谱反射率在整个波长范围内降低,尤其在0.76 μm、0.97 μm、1.19 μm、1.45 μm、1.94 μm和2.95 μm等波段光谱明显吸收。Muller等[27]研究发现,当湿度小于田间持水量时,土壤湿度与反射率之间呈较好的指数相关关系,基于这种指数关系,建立了土壤湿度—反射率关系模型。朱永豪等[6]研究了不同湿度条件下黄棕壤光谱反射率的变化特征,发现在可见光和近红外波段(0.41～1 μm)内，表层土壤水分含量对土壤光谱反射率有明显影响,其关系可以拟合为二次回归曲线。张文群等[28]研究了甘肃地区5种类型的土壤含水量光谱特征,发现在0.55～0.95 μm波段内土壤含水量越高其光谱反射率越低。刘伟东[29]进一步探讨了土壤含水量的高低与光谱反射率变化幅度的关系,指出当含水量较低时近红外波段的光谱反射率变化较明显,含水量较高时可见光波段的光谱反射率变化较明显,从而建立了两种不同类型的含水量预测模型。Neema等[30]研究发现当土壤含水量达到一定阈值时，光谱反射率呈现反向变化特征,据此，刘伟东[29]提出土壤反射率的“临界值”概念,并建立了相应的土壤含水量反演预测模型。

上述研究表明,土壤光谱反射率可直接反映含水量变化特征,尤其体现在0.76 μm、0.97 μm、1.19 μm、1.45 μm、1.94 μm和2.95 μm等水分吸收波段。

2.4 高光谱土壤氧化铁反演建模应用

自然界里铁元素的分布很广,是土壤中的主要元素之一。众多学者研究发现，氧化铁含量对土壤光谱反射特征影响较大,土壤可见光波段的光谱吸收特征大多是氧化铁引起,土壤氧化铁含量的增多会引起光谱反射率的下降[31]。Obukhov等[1]发现在0.50～0.64 μm波段内,光谱反射率与铁含量呈反比,并且利用人工混合的氧化铁模拟反演预测土壤中氧化铁含量,取得较好效果。Baumgardner等[32]研究发现在0.87 μm波长附近，铁氧化物含量越高，其吸收峰宽度越大。Hunt等[33]研究认为,土壤中Fe2+、Fe3+分别在1.0～1.1 μm、0.9 μm波段附近可以形成较明显的吸收谱带。徐彬彬等[7]通过实验分析了游离氧化铁对土壤光谱反射率的影响,发现土壤脱铁后在0.4～1.1 μm波段反射率增大。彭杰等[34]通过实验排除土壤有机质的干扰,发现在0.42 μm、0.48 μm、0.64 μm波段附近的土壤光谱反射率与多种类型的氧化铁具有很好的相关性。

上述研究表明,铁氧化物对土壤光谱反射率存在特殊的影响,铁离子的价态是影响光谱特征的重要因子。一般情况下,铁氧化物引起的光谱吸收波段为0.4～1.1 μm波段。随着土壤中铁含量的增加,其光谱反射率会随之下降,根据该特征可以实现其反演研究。

2.5 高光谱土壤重金属反演建模应用

土壤重金属元素包括As、Be、Cd、Cr、Cu、Co、Hg、Ni和Zn等。重金属元素是植物生长所必需的微量元素,但是超过一定浓度就会对农作物产生毒害,并在植物中积累,间接影响人类身体健康,因此开展土壤重金属污染监测及修复工作迫在眉睫。Kooistra等[35]利用可见近红外反射光谱预测莱茵河河漫滩中Cd和Zn的含量时,发现Cd、Zn与土壤有机质、黏土矿物含量之间存在正相关关系,通过这种关系间接预测了该地区Cd和Zn污染。Kemper等[36]利用重金属元素与Fe的相关性,运用逐步多线性回归分析和人工神经网络模型成功预测了西班牙Aznalcollar矿区土壤中As、Fe、Hg、Pb、S和Sb的含量。吴均昭[37]通过实验室模拟研究探索土壤重金属光谱响应机理,发现重金属与Fe、有机质的相关性可实现间接预测。解宪丽等[38]研究发现,在污染严重的区域,土壤重金属含量与光谱相关性较高,土壤对金属阳离子的吸附作用较明显。龚绍琦等[39]通过对滨海盐土样品进行光谱测量和重金属含量化学分析,发现Cr、Cu、Ni三种重金属与黏土矿物、铁锰氧化物、碳酸盐相关系数较高,利用逐步回归分析模型取得良好的预测效果。

上述研究表明,土壤重金属的含量估测研究大致分为两类：一类是直接建立土壤重金属含量与光谱反射率之间的响应机制进行模型预测,该方法主要用于土壤重金属污染严重的地区；另一类是分析土壤组分中有机质、黏土矿物及氧化铁的光谱特征与重金属含量的相关性,建立某种相关关系模型实现间接估测。

3 结论

当前，土壤组分信息高光谱分析技术虽取得一定成效,但仍有一些不足：①各研究区域的土壤理化性质(土壤质地、湿度、有机质、氧化铁含量及土壤结壳等因素)不同,光谱特征波段及诊断参数也不同,无法形成统一的定量提取模型；②土壤组分信息光谱响应机理尚未完全研究清楚,还需进一步探究。鉴于以上两方面的不足,目前土壤组分信息高光谱定量提取研究主要利用高光谱遥感图像或野外高光谱数据进行预测，研究主要集中于土壤类型单一或具有明显差异的区域,如中国的东北黑土地分布区、重金属污染严重的工矿企业用地等区域。

尽管受地域限制的土壤光谱数据不尽相同,但是土壤组分与反射光谱之间依然存在相关性,也就是部分土壤组分含量对土壤反射率有着强烈的影响。从土壤组分高光谱信息研究的角度,可以将土壤组分分为两类：一类是与反射光谱存在响应关系、突出峰值明显、可以建立关系函数的土壤组分,如有机质、含水量、氧化铁,称之为“特定关系土壤组分”；另一类是含量少或本身不存在特征吸收峰的土壤组分,如氮素、重金属元素,称之为“无特定关系土壤组分”。分析特定关系土壤组分实测值与光谱曲线的相关关系,通过关系模型提取可以实现特定关系土壤组分定量预测；分析特定关系土壤组分与无特定关系土壤组分之间的附存关系,建立某种相关关系模型可以实现非特定关系土壤组分间接估测。因此,利用土壤组分光谱响应特征获取土壤理化性质的光谱分析技术是一种理想的土地质量监测方法,其低成本、高效率、实时监测等特点使其在土壤监测与研究领域具有显著优势。