濕地土壤全氮和全磷含量高光譜模型研究

王莉雯,衛亞星

1 遼寧師范大學海洋經濟與可持續發展研究中心,大連　116029 2 遼寧師范大學自然地理與空間信息科學遼寧省重點實驗室,大連　116029 3 遼寧師范大學城市與環境學院,大連　116029

?

濕地土壤全氮和全磷含量高光譜模型研究

王莉雯1,2,3,*,衛亞星1,2,3

1 遼寧師范大學海洋經濟與可持續發展研究中心,大連116029 2 遼寧師范大學自然地理與空間信息科學遼寧省重點實驗室,大連116029 3 遼寧師范大學城市與環境學院,大連116029

氮磷是濕地生態系統土壤中的重要營養元素,其對濕地植被生長、濕地生態系統生產力、區域富營養化變化、濕地環境生態凈化功能等具有重要的影響作用。研究氮磷營養物質在濕地土壤中的分布變化特征,對濕地生態系統評估、恢復和管理具有重要的意義。以中國高緯度地區面積最大的濱海蘆葦濕地——盤錦濕地為研究區,采用不同建模方法(再抽樣多元逐步回歸模型bootstrap SMLR和再抽樣偏最小二乘回歸模型bootstrap PLSR)和光譜變換技術(包絡線去除CR、光譜一階微分FD和光譜倒數的對數LR),分別建立了濕地土壤全氮和全磷含量的估算模型。基于濕地土壤實測光譜,模擬高光譜Hyperion數據和多光譜TM數據,在此基礎上進行濕地土壤營養元素含量估算。對比所建反演模型的估算精度,探討高光譜遙感技術對濕地土壤營養元素組分的估算能力和適用性。研究結果表明：bootstrap PLSR相比于bootstrap SMLR建模方法,其對研究區濕地土壤全氮和全磷含量的估算獲得了較高精度;對盤錦濕地土壤全氮含量的估算,最高估算精度產生于CR光譜變換技術結合bootstrap PLSR建模;對濕地土壤全磷含量的估算,最高估算精度產生于原光譜數據結合bootstrap PLSR建模;模擬高光譜數據Hyperion對濕地土壤全氮和全磷含量的估算精度均高于模擬多光譜數據TM,模擬Hyperion的估算精度更接近于實測光譜的估算精度。

高光譜遙感; 濕地土壤; 全氮; 全磷; bootstrap PLSR

土壤是濕地生態系統的重要環境要素之一,是濕地發生物理化學轉換的中介,其對濕地中氮磷等營養物質具有蓄積作用[1- 2]。氮磷是濕地植物生長不可缺少的重要營養元素,濕地土壤中氮磷含量直接影響著濕地生態系統的生產力,濕地土壤的氮、磷吸收及匯聚能力可有效地減緩附近水域的富營養化[3-4]。因此研究氮磷營養物質在濕地土壤中的分布特征,是理解濕地生態系統環境生態凈化功能的重要基礎。

土壤反射光譜特征和土壤理化性質存在密切關系,這為研究土壤屬性提供了遙感技術應用途徑[5-6]。大量研究進行了基于土壤反射光譜特征來區分土壤類型,以及反演土壤有機質、水分、氮素、重金屬含量等[7-9]。高光譜遙感憑借其較高的光譜分辨率,有利于定量獲取土壤的生化組分,從而適用于基于土壤的反射光譜估算土壤中全氮和全磷營養物質的含量[10-11]。

由于典型的水文、植被條件、獨特的成土母質等,濕地土壤呈現出區別于一般的陸地土壤和水體沉積物的理化性質和生態功能[12-13]。基于高光譜特性的濕地土壤全氮和全磷含量反演研究還鮮見報道。本文以中國高緯度地區面積最大的濱海蘆葦濕地為研究區,嘗試采用不同建模方法(再抽樣多元逐步回歸模型bootstrap SMLR和再抽樣偏最小二乘回歸模型bootstrap PLSR)、不同光譜變換技術(包絡線去除CR、光譜一階微分FD和光譜倒數的對數LR)、基于實測高光譜數據的模擬技術(模擬了Hyperion高光譜數據和TM多光譜數據),分別建立濕地土壤全氮和全磷含量的估算模型。對比估算精度,探討高光譜遙感技術對濕地土壤營養元素組分的估算能力和適用性。

1　研究區概況

盤錦濕地位于亞洲最大的暖溫帶濱海濕地遼河三角洲的核心地帶,遼河下游入海口處,其在調節氣候、環境凈化、蓄水防洪、補給地下水、減輕海岸線侵蝕、保護生物多樣性等方面發揮著重要的作用。盤錦濕地地貌類型以沖積平原和潮灘為主,地勢低洼平坦、北高南低,坡度在2°以內,平均海拔4 m。盤錦濕地區域為暖溫帶季風氣候區,年平均氣溫為8.5℃,年平均降水量為650 mm。濕地天然植被以蘆葦(Phragmitesaustralis)和翅堿蓬(Suaedasalsa)為主。近年來隨著該地區無機氮、石油類、重金屬等陸源污染物排放量的增加,對盤錦濕地的生態環境造成了負面影響[14]。

2　數據來源和預處理

2.1土壤采集與制備

野外實驗于2014年8月進行。根據研究區土壤類型和植被群落分布特征,設定了具有代表性的40個采樣區域。在每個采樣區域,采用五點采樣法進行土壤樣本采集。將采集的土壤樣品帶回實驗室后進行風干脫水,去除較大的植物殘體、石礫和其他雜物,磨碎后過篩,編號后裝袋以備土壤全氮、全磷和光譜測量。測量完成后,隨機選取了115個土壤表層(0—10cm)樣本。

圖1　盤錦濕地采樣區域分布圖Fig.1　Location of the Panjin wetland and experiment sites

2.2土壤光譜測量

研究使用了ASD FieldSpec Pro FR野外光譜輻射儀在實驗室內進行土壤光譜測量,波段范圍為350—2500 nm,其中350—1000 nm光譜分辨率為3 nm,光譜采樣間隔為1.4 nm,1000—2500 nm光譜分辨率為10 nm,光譜采樣間隔為2 nm。土壤光譜測量在能控制光照條件的實驗室進行,光源為鹵素燈,光源入射角為60°。土壤樣本置于直徑10 cm、深1.5 cm的器皿內,表面自然推平。傳感器探頭置于垂直距土壤樣本表面10 cm處,視場角為25°。每個土壤樣本光譜測量10次,取其平均值作為該樣本的光譜反射率數據。測量獲取的土壤樣本在350—400 nm和2451—2500 nm波段噪聲較大,將其剔除。對400—2450 nm波段土壤光譜,采用小波法進行濾波去噪。

2.3土壤全氮和全磷測量

土壤全氮測量采用硒粉-硫酸銅-硫酸消化法,即凱氏定氮法;全磷測量采用酸溶-鉬銻抗比色法。

3　研究方法

3.1高光譜數據Hyperion和多光譜數據TM模擬

EO- 1與Landsat- 7的衛星軌道基本相同,過赤道的時間只相差1min。本文基于實驗室光譜數據,模擬了Hyperion高光譜數據和TM多光譜數據,進而對比了這兩種數據估算濕地土壤全氮和全磷含量的能力。

基于ENVI 5.1軟件自帶的TM光譜響應函數,利用ENVI 5.1軟件的光譜采樣功能將ASD測量獲取的高光譜反射率重采樣,獲得模擬的TM多光譜反射率。

搭載在EO- 1平臺上的Hyperion高光譜傳感器,提供了242個波段數據,波長覆蓋范圍為356—2577 nm,光譜分辨率為10 nm。由于無法獲取Hyperion的光譜響應函數,本文基于Hyperion的中心波長與半值波寬,采用高斯函數模擬了Hyperion的光譜響應函數。隨后,使用ENVI 5.1軟件的光譜采樣功能,將實驗獲取的高光譜反射率重采樣,獲得模擬的Hyperion高光譜反射率。

3.2基于bootstrap的SMLR和PLSR模型

本文采用bootstrap技術結合回歸建模方法(包括多元逐步回歸模型SMLR和偏最小二乘回歸模型PLSR),分別構建了盤錦濕地土壤全氮和全磷含量估算模型。

bootstrap技術是一種基于再抽樣和數據模擬的統計推斷方法。當樣本具有非線性性質和總體分布特征難以確定時,采用bootstrap技術可以有效提高模型的估算精度[15]。本研究建模均在MATLAB平臺上編程計算完成,具體建模步驟包括：基于原始樣本數據采用回歸建模方法構建估算模型;在原數據集中隨機抽取樣本點,記錄其值后再放回原數據集,如此重復n次,從而得到bootstrap樣本;基于bootstrap樣本,采用回歸建模方法,建立估算模型;重復上述步驟,得到估算模型回歸參數數據組,構建基于bootstrap樣本的回歸參數數據集;計算基于bootstrap樣本的回歸參數與初始回歸參數差值的絕對值,取絕對值的90%分位點作為拒絕域的臨界值;比較初始回歸參數的絕對值與臨界值,判斷其是否通過顯著性檢驗;將經過顯著性檢驗的自變量在原數據集上重新構建估算模型,重復上述步驟,直到所有變量均通過顯著性檢驗。

3.3光譜變換技術

本文使用了包括包絡線去除(CR)、光譜一階微分(FD)、光譜倒數的對數(LR)的3種光譜變換技術,分別基于CR、FD、LR和原光譜(R)數據并結合回歸建模方法,建立濕地土壤全氮和全磷含量估算模型。

CR、FD、LR是高光譜遙感較常采用的光譜變換技術。CR光譜變換技術可以突出光譜曲線的吸收和反射特征[16]。FD通過分解重疊混合光譜進行分解以便識別,擴大了光譜特征的差異[17]。LR技術不僅增強了可見光范圍的光譜差異,而且還降低了由光照條件變化引起的多重變化因素的影響。

3.4數據分析

將115個土壤樣本數據隨機分成2組,第1組70個樣本用來建立模型,第2組45個樣本用于驗證模型。本文選取決定系數(determination coefficient,R2)和均方根誤差(root mean square error,RMSE)作為評價指標。當R2值趨近于1,并且RMSE值趨近于0時,反映了模型預測精度較高,估算值與實測值吻合程度較好。

4　結果與分析

4.1研究區濕地土壤氮磷含量特征

盤錦濕地位于遼河下游入海口處,由入海遼河河流攜帶的泥沙,在潮流和海流作用下,不斷于潮間帶絮凝、沉積,出露海面后,再在蘆葦等濕地植被和微生物作用下形成了濕地土壤[14]。盤錦濕地土壤中氮素含量受到植被覆蓋、植物殘體輸入量、微生物活性等的影響,土壤中大部分是有機態氮,約占全氮的82%—96%,蘆葦群落土壤中有機態氮的礦化速率較高,從而轉變為能被植被所吸收利用的非有機態氮。盤錦濕地土壤中磷素的自然輸入主要為地表徑流、動植物歸還于土壤的殘體和大氣沉降。隨著海水不斷沖刷蘆葦群落土壤,海水中的磷酸鹽等鹽分被截留在土壤中并不斷累積,造成蘆葦群落土壤中全磷含量的變化。表1為研究區濕地表層土壤樣本全氮和全磷含量的基本統計結果。

表1　濕地土壤全氮全磷含量統計特征/(mg/g)

4.2濕地土壤光譜特征

圖2為經實驗測量獲取的濕地土壤平均反射光譜曲線。圖2顯示,在400—2450 nm波段范圍內,濕地土壤光譜曲線變化總體較為平緩,總體呈上升趨勢。在可見光波段反射率值較低,549—558 nm之間存在反射率輕微下降的凹谷。從曲線斜率變化趨勢來看,457—562 nm之間曲線形狀微向下凹,562—790nm波段范圍內反射率迅速上升。在近紅外波段,790—800nm波段之間出現反射率變化的微上凸,800—1356nm波段范圍內反射率平緩上升。在1408 nm存在明顯的水分吸收谷,1408—1840 nm反射率逐漸平緩增加。以1920 nm為中心波段出現反射光譜曲線中最為明顯的水分吸收谷特征。1920—2040 nm土壤的光譜曲線隨波長增加迅速上升。2040—2207 nm呈反射率遞減趨勢。2207 nm處存在弱的水分吸收谷。2230—2450 nm波段濕地土壤光譜反射率逐漸減小,在2311和2349 nm為中心波段出現弱的反射率變化的凹谷。

圖2分別為采用CR、FD和LR光譜變換技術后的光譜反射率曲線。對比顯示,各光譜曲線反射率變化明顯,光譜特征差異性變化,特別在拐點位置處。經CR和FD變換后的光譜曲線,隨著波長的增加反射率不再呈近似單一變化,而是其值上下顯著波動,出現若干特征吸收帶。

圖2　濕地土壤平均反射率、CR變換、FD變換和LR變換光譜曲線Fig.2　The spectral curves of the average reflectance, CR transformation, FD transformation and LR transformation for wetland soils

4.3基于PLSR和SMLR的濕地土壤全氮和全磷含量估算精度對比

對比表2和表3,基于bootstrap的SMLR和PLSR各項估算結果總體來看,PLSR建模方法對濕地土壤全氮和全磷含量的估算精度較高。對于濕地土壤全氮含量的估算,最高估算精度產生于CR光譜變換技術結合bootstrap PLSR建模,最低估算精度產生于LR結合bootstrap SMLR建模。對于濕地土壤全磷含量的估算,最高估算精度產生于R結合bootstrap PLSR建模,最低估算精度產生于LR結合bootstrap SMLR建模。

已有研究顯示,SMLR建模方法經常在傳遞預測模型到其它數據集中存在困難[18]。PLSR建模方法通過將光譜數據分解為非共線潛在變量,從而減小了多重共線性問題的影響。而且,PLSR建模方法選取最優數量的潛在變量,排除了過多冗余的解釋變量,因此減小了過度擬合的問題[19]。在本研究中,除了使用FD估算土壤全氮含量以及CR估算全磷含量(檢驗樣本)以外,bootstrap PLSR建模方法的估算精度均高于bootstrap SMLR。因此,bootstrap PLSR建模方法適用于研究區濕地土壤全氮和全磷含量的高光譜遙感估算。

4.4不同光譜變換技術估算濕地土壤全氮和全磷含量精度對比

對比不同光譜變換技術估算濕地土壤全氮含量的精度。表2是采用基于bootstrap的SMLR建模方法的估算精度,CR光譜變換技術的估算精度最高。其后,估算精度(檢驗樣本)從高到低依次為FD、R和LR。表3是采用基于bootstrap的PLSR建模方法的估算精度,CR技術的估算精度最高。其后,估算精度(檢驗樣本)從高到低依次為LR、R和FD。因此,CR光譜變換技術結合bootstrap PLSR建模方法,適用于研究區濕地土壤全氮含量的高光譜遙感估算。

表2基于bootstrap SMLR的各光譜變換技術估算濕地土壤全氮和全磷含量結果

Table 2The results of estimated total nitrogen and total phosphorous content for wetland soils using various spectral transformation techniques based on bootstrap SMLR

營養元素Nutritionelements光譜數據Spectraldata入選波段Chosenbands/nm建模樣本Modelingsamples檢驗樣本ValidationsamplesR2RMSER2RMSE全氮R553 735 844 2008 2110 22840.6390.2590.5420.319TotalnitrogenCR749 920 1336 2012 2118 23040.7830.1940.7170.221FD1492 2016 2294 2370 23780.7240.2200.6950.239LR2113 2180 2230 2235 2278 23100.6000.2860.4830.339全磷R543 679 832 1224 1744 21230.4630.1920.4020.207TotalCR742 778 2004 23230.4750.1880.4690.194phosphorousFD1672 1796 2101 2193 2203 22750.5270.1770.4330.197LR694 896 1508 2221 2255 23160.3740.2140.4050.205

R: 原光譜數據original reflectance,CR: 包絡線去除光譜數據continuum removal,FD: 一階微分光譜數據first difference derivative,LR: 光譜倒數的對數光譜數據log-transformed, log(1/R)

表3基于bootstrap PLSR的各光譜變換技術估算濕地土壤全氮和全磷含量結果

Table 3The results of estimated total nitrogen and total phosphorous content for wetland soils using various spectral transformation techniques based on bootstrap PLSR

營養元素Nutritionelements光譜數據Spectraldata成分個數Componentnumbers建模樣本Modelingsamples檢驗樣本ValidationsamplesR2RMSER2RMSE全氮TotalnitrogenR40.6980.2260.6930.232CR30.8150.1800.7840.192FD40.6010.2810.6420.263LR50.7620.2050.6970.228全磷TotalphosphorousR30.5220.1810.5730.174CR40.4760.1860.4580.196FD50.5530.1650.4340.198LR50.4560.1980.4130.204

對比不同光譜變換技術估算濕地土壤全磷含量的精度。表2顯示,FD光譜變換技術的建模精度最高,CR技術的檢驗精度最高。其后,估算精度(檢驗樣本)從高到低依次為LR和R。表3顯示,FD技術的建模精度最高,R的檢驗精度最高。其后,估算精度(檢驗樣本)從高到低依次為CR和LR。因此,R結合bootstrap PLSR建模方法,適用于研究區濕地土壤全磷含量的高光譜遙感估算。

一些研究表明,CR、FD和LR光譜變換技術,可以用來增強光譜數據與土壤養分含量之間的相關關系,而且其估算精度常常超過了使用原反射率光譜的預測精度[20-22]。在本研究中,對濕地土壤全氮含量的估算,采用bootstrap SMLR建模方法時,CR和FD技術的估算精度較R光譜有了較為明顯的提高,而采用bootstrap PLSR建模方法時,CR和LR技術較R光譜的估算精度也出現了一定幅度的改進。在對濕地土壤全磷含量的估算中,采用bootstrap SMLR建模方法時,CR和FD技術的估算精度比R光譜有了提高,但采用bootstrap PLSR建模方法時,基于R光譜數據的檢驗樣本估算精度達到了最高。因此,CR、FD和LR光譜變換技術的應用對于土壤養分含量估算精度的提高,還需要研究其適用性的條件參量。當R光譜數據的估算精度不能滿足應用需要時,可以考慮采用CR、FD和LR等光譜變換技術。

表2顯示,采用bootstrap SMLR建模方法時,不同光譜變換技術應用于濕地土壤全氮和全磷含量估算過程中,入選波段大部分位于短波紅外(SWIR)波譜范圍。一些研究表明,SWIR相比于可見光和近紅外波段,其主要優勢包括：大氣窗口SWIR波譜范圍的總透過率超過90%、地物反射信號較強、較易診斷的地物特征等[11]。因此,SWIR波段的入選有利于提高濕地土壤全氮和全磷含量的估算精度。

4.5模擬高光譜數據Hyperion和多光譜數據TM的估算精度對比

表4和表5分別顯示了基于bootstrap SMLR和PLSR的模擬光譜數據估算濕地土壤全氮和全磷含量的精度對比。圖3為基于檢驗樣本數據,采用bootstrap PLSR建模方法,濕地土壤全氮和全磷含量的估算結果與實測值的比較。采用bootstrap SMLR和bootstrap PLSR的建模方法中,模擬高光譜數據Hyperion的土壤全氮和全磷含量估算精度均高于多光譜數據TM,模擬Hyperion的估算精度更接近于實測光譜的估算精度。而且,PLSR建模方法的估算精度高于對應SMLR的估算精度,進一步證實了bootstrap PLSR建模方法對研究區濕地土壤全氮和全磷含量估算的適用性。類似于實測光譜數據的估算結果,在建模樣本和檢驗樣本中,模擬Hyperion和TM對濕地土壤全氮含量的估算精度普遍高于對應土壤全磷含量的估算精度。

表4基于bootstrap SMLR的模擬光譜數據估算濕地土壤全氮和全磷含量結果

Table 4The results of estimated total nitrogen and total phosphorous content for wetland soils using simulated spectral data based on bootstrap SMLR

營養元素Nutritionelements光譜數據Spectraldata入選波段/nmChosenbands/nm建模樣本Modelingsamples檢驗樣本ValidationsamplesR2RMSER2RMSE全氮Totalnitrogen模擬TMB2 B4 B70.5490.3090.4960.341模擬HyperionB24 B45 B57 B182 B194 B2120.5980.2850.5170.326全磷Totalphosphor-ous模擬TMB2 B3 B4 B5 B70.4010.2060.3880.209模擬HyperionB23 B38 B56 B99 B155 B1950.4340.1970.4110.204

基于bootstrap SMLR建模方法的模擬光譜數據估算濕地土壤全氮和全磷含量,從入選的波段來看(表4),模擬光譜數據(包括高光譜數據Hyperion和多光譜數據TM)入選波段與原光譜數據入選波段非常接近。對濕地土壤全氮含量的估算,模擬Hyperion和TM光譜數據的入選波段,均包括可見光、近紅外和SWIR波段。相比之下,對濕地土壤全磷含量的估算,模擬TM光譜數據的入選波段增加了紅光和SWIR- 1波段。

表5基于bootstrap PLSR的模擬光譜數據估算濕地土壤全氮和全磷含量結果

Table 5The results of estimated total nitrogen and total phosphorous content for wetland soils using simulated spectral data based on bootstrap PLSR

營養元素Nutritionelements光譜數據Spectraldata成分個數Componentnumbers建模樣本Modelingsamples檢驗樣本ValidationsamplesR2RMSER2RMSE全氮Totalnitrogen模擬TM20.6240.2680.6150.271模擬Hyperion50.6690.2490.6640.260全磷Totalphosphor-ous模擬TM30.4710.1870.5030.185模擬Hyperion50.5160.1840.5580.164

圖3　基于實測光譜、模擬TM和Hyperion數據的濕地土壤全氮和全磷含量估算值與測量值比較Fig.3　Estimated versus measured total nitrogen and total phosphorous content for wetland soils based on measured spectrums, simulated TM and Hyperion data

高光譜數據可以非常細致地反映地物的波譜特征,為濕地土壤生化組分研究提供了連續的細分光譜數據。高光譜數據Hyperion和多光譜數據TM相比較,光譜分辨率有了較大的提高。在可見光、近紅外和SWIR光譜范圍,TM設置了6個波段,而Hyperion具有198個有效波段。光譜分辨率的提高,特別是近紅外和SWIR波譜范圍內光譜分辨率的提高,有利于Hyperion應用于反演濕地土壤全氮和全磷含量時精度的提高。另外,Hyperion相比于TM,具有更高的信噪比(SNR)和輻射分辨率,Hyperion的SNR和輻射分辨率值分別為190和16 bit,而TM為50和8 bit。因此,Hyperion較TM包含的信息量更大,其對濕地土壤全氮和全磷組分的估算能力也較強。

圖4顯示了基于實測光譜、模擬Hyperion和TM光譜反射率數據,PLSR建模時對應的回歸系數。為了較為直觀地對比各回歸系數曲線,圖4中采用了利于對比曲線形狀的堆疊方式,因此沒有標注Y軸坐標。回歸系數表示了自變量對因變量的影響程度。其值越大,表示自變量對因變量的影響越大。圖4表明,對濕地土壤全氮或全磷含量的估算中,基于3種光譜數據的各回歸系數曲線變化趨勢較為相似,模擬Hyperion光譜與實測光譜的回歸系數曲線相似性更高。這是由于模擬Hyperion數據具有更高的光譜分辨率。

圖4　濕地土壤全氮和全磷含量估算的PLSR回歸系數Fig.4　PLSR coefficients of estimating total nitrogen and total phosphorous content for wetland soils

5　結論

本文的主要研究結論包括：

(1)對研究區濕地土壤全氮和全磷含量的估算,相比于bootstrap SMLR建模方法,bootstrap PLSR建模方法的估算精度較高。對盤錦濕地土壤全氮含量的估算,最高估算精度產生于CR光譜變換技術結合bootstrap PLSR建模;對濕地土壤全磷含量的估算,最高估算精度產生于原光譜數據(R)結合bootstrap PLSR建模。因此,bootstrap PLSR建模方法適用于本文研究主題的高光譜遙感估算。

(2)在本研究中,對濕地土壤全磷含量的估算中,基于bootstrap PLSR的R光譜數據的檢驗樣本估算精度達到了最高。除此之外,對比于CR、FD和LR光譜變換技術,R光譜的對應估算精度并不是最高的。因此,一些光譜變換技術可以用來提高對濕地土壤養分含量的估算精度,但其適用條件還需要進一步研究。

(3)模擬高光譜數據Hyperion對濕地土壤全氮和全磷含量的估算精度均高于模擬多光譜數據TM,模擬Hyperion的估算精度更接近于實測光譜的估算精度,從而證明了高光譜數據對濕地土壤全氮和全磷組分的較強估算能力。

濕地土壤的組分變化和土壤源的可持續性對于濕地生態系統具有重要的影響作用。因此,了解濕地土壤生化特性(包括土壤全氮、全磷含量以及它們與其它生態特性的關系)的空間分布和變化,對濕地生態系統評估、恢復和管理具有重要的意義。

[1]Wang W, Sardans J, Zeng C, Zhong C, Li Y, Peuelas J. Responses of soil nutrient concentrations and stoichiometry to different human land uses in a subtropical tidal wetland. Geoderma, 2014, 232- 234: 459- 470.

[2]Susan Newman, Paul V McCormick, Shi Li Miao, James A Laing, W Chad Kennedy, Mary B O′Dell. The effect of phosphorus enrichment on the nutrient status of a northern Everglades slough. Wetlands Ecology and Management, 2004, 12(2): 63- 79.

[3]Alongi D, Trott L, Wattayakorn G, Clough B. Below-ground nitrogen cycling in relation to net canopy production in mangrove forests of southern Thailand. Marine Biology, 2002, 140(4): 855- 864.

[4]王維奇, 徐玲琳, 曾從盛, 仝川, 張林海. 河口濕地植物活體-枯落物-土壤的碳氮磷生態化學計量特征. 生態學報, 2011, 31(23): 7119- 7124.

[5]Cécile Gomez, Raphael A Viscarra Rossel, Alex B McBratney. Soil organic carbon prediction by hyperspectral remote sensing and field vis-NIR spectroscopy: an Australian case study. Geoderma, 2008, 146(3/4): 403- 411.

[6]丁建麗, 姚遠, 王飛. 干旱區土壤鹽漬化特征空間建模. 生態學報, 2014, 34(16): 4620- 4631.

[7]史舟, 王乾龍, 彭杰, 紀文君, 劉煥軍, 李曦, Raphael A Viscarra Rossel. 中國主要土壤高光譜反射特性分類與有機質光譜預測模型. 中國科學: 地球科學, 2014, 44(5): 978- 988.

[8]王璐, 藺啟忠, 賈東, 石火生, 黃秀華. 多光譜數據定量反演土壤營養元素含量可行性分析. 環境科學, 2007, 28(8): 1822- 1828.

[9]Cozzolino D, Morón A. Potential of near-infrared reflectance spectroscopy and chemometrics to predict soil organic carbon fractions. Soil and Tillage Research, 2006, 85(1/2): 78- 85.

[10]Ben-Dor E, Patkin K, Banin A, Karnieli A. Mapping of several soil properties using DAIS- 7915 hyperspectral scanner data - a case study over clayey soils in Israel. International Journal of Remote Sensing, 2002, 23(6): 1043- 1062.

[11]Naveen J P Anne, Amr H Abd-Elrahman, David B Lewis, Nicole A Hewitt. Modeling soil parameters using hyperspectral image reflectance in subtropical coastal wetlands. International Journal of Applied Earth Observation and Geoinformation, 2014, 33: 47- 56.

[12]白軍紅, 歐陽華, 鄧偉, 周才平, 王慶改. 向海沼澤濕地土壤氮素的空間分布格局. 地理研究, 2004, 23(5): 614- 622.

[13]Grunwald S, Reddy K R, Newman S, DeBusk W F. Spatial variability, distribution and uncertainty assessment of soil phosphorus in a south Florida wetland. Environmetrics, 2004, 15(8): 811- 825.

[14]肖篤寧, 胡遠滿, 李秀珍. 環渤海三角洲濕地的景觀生態學研究. 北京: 科學出版社, 2001: 34- 78.

[15]王惠文, 吳載斌, 孟潔. 偏最小二乘回歸的線性與非線性方法. 北京: 國防工業出版社, 2006: 267- 274.

[16]Roger N Clark, Ted L Roush. Reflectance spectroscopy: quantitative analysis techniques for remote sensing applications. Journal of Geophysical Research, 1984, 89(B7): 6329- 6340.

[17]牛錚, 陳永華, 隋洪智, 張慶員, 趙春江. 葉片化學組分成像光譜遙感探測機理分析. 遙感學報, 2000, 4(2): 125- 130.

[18]Grossman Y L, Ustin S L, Jacquemoud S, Sanderson E W, Schmuck G, Verdebout J. Critique of stepwise multiple linear regression for the extraction of leaf biochemistry information from leaf reflectance data. Remote Sensing of Environment, 1996, 56(3): 182- 193.

[19]R A Viscarra Rossel. Robust modelling of soil diffuse reflectance spectra by “bagging-partial least squares regression”. Journal of Near Infrared Spectroscopy, 2007, 15(1): 39- 47.

[20]高燈州, 陳桂香, 章文龍, 顏燕燕, 曾從盛. 基于改進OII的濕地土壤有機質高光譜反演. 實驗室研究與探索, 2014, 33(6): 19- 24.

[21]徐永明, 藺啟忠, 黃秀華, 沈艷, 王璐. 利用可見光/近紅外反射光譜估算土壤總氮含量的實驗研究. 地理與地理信息科學, 2005, 21(1): 19- 22.

[22]王莉雯, 衛亞星. 植被氮素濃度高光譜遙感反演研究進展. 光譜學與光譜分析, 2013, 33(10): 2823- 2827.

Estimating the total nitrogen and total phosphorus content of wetland soils using hyperspectral models

WANG Liwen1,2,3,*, WEI Yaxing1,2,3

1CenterforStudiesofMarineEconomyandSustainableDevelopment,LiaoningNormalUniversity,Dalian116029,China2LiaoningKeyLaboratoryofPhysicalGeographyandGeomatics,LiaoningNormalUniversity,Dalian116029,China3CollegeofUrbanandEnvironmentalScience,LiaoningNormalUniversity,Dalian116029,China

Nitrogen and phosphorus in wetland soils are important limiting nutrients for plant growth, maximum photosynthetic rate and capacity, and net primary productivity. They have been found to be significantly involved in the estuarine eutrophication and environmental purification of wetland ecosystem. The research may be focused on distributing and changing characteristics of nitrogen and phosphorus in wetland soils. It is important for the evaluation, restoration, and management of wetland ecosystems. Our study area is located in the Panjin wetland (40°45′—41°10′N, 121°45′—122°00′E), which is a part of the Shuangtaihekou National Nature Reserve Administration. Panjin wetland is the largest coastal reed wetland situated in the high-latitude areas of China. The laboratory measurements of total nitrogen, total phosphorus, and spectral reflectance for surface soil samples had been conducted. Different modeling methods, such as bootstrap stepwise multiple linear regression (SMLR), bootstrap partial least square regression (PLSR), and spectral transformation techniques, such as continuum removal (CR), first difference derivative (FD), and log transformed spectra (LR), were used to develop the estimation models of total nitrogen and total phosphorous in wetland soils. Based on the simulated hyperspectral Hyperion data and multispectral Thematic Mapper (TM) data of the wetland soils, soil nitrogen and phosphorous contents were estimated, respectively. Subsequently, the estimated accuracies of the developed models were compared, and thus, the ability and suitability of estimating nitrogen and phosphorous components in wetland soils using hyperspectral technologies were explored. The results indicated that bootstrap PLSR achieved higher accuracies of estimating the total nitrogen and total phosphorous content of wetland soils in the study area than did bootstrap SMLR. The spectral transformed technique of CR used in combination with the modeling method of bootstrap PLSR yielded the highest estimation accuracy for the prediction of the total nitrogen content of soils collected from Panjin wetland. The original spectral data combined with bootstrap PLSR produced the highest estimation accuracy to predict the total phosphorous content in wetland soils. Simulated hyperspectral Hyperion data attained higher accuracies of estimating total nitrogen and total phosphorous in wetland soils compared to simulated multispectral TM data. The estimation accuracies of the simulated Hyperion were closer to those of the measured spectra. The estimation accuracy of the total nitrogen content achieved from the measured spectra, simulated hyperspectral Hyperion, and multispectral TM were all higher than those of the total phosphorous content of the same soils.

hyperspectral remote sensing; wetland soils; total nitrogen; total phosphorous; bootstrap PLSR

國家自然科學基金項目(41271421);教育部人文社會科學研究規劃基金項目(14YJA630064)

2015- 01- 23; 網絡出版日期:2015- 11- 30

Corresponding author.E-mail: wlw9585@163.com

10.5846/stxb201501230186

王莉雯,衛亞星.濕地土壤全氮和全磷含量高光譜模型研究.生態學報,2016,36(16):5116- 5125.

Wang L W, Wei Y X.Estimating the total nitrogen and total phosphorus content of wetland soils using hyperspectral models.Acta Ecologica Sinica,2016,36(16):5116- 5125.