基于最優模型的荒地土壤有機質含量空間反演

喬娟峰， 熊黑鋼， 王小平， 周倩倩

(1．新疆大學資源與環境科學學院/綠洲生態教育部重點實驗室，新疆 烏魯木齊 830046； 2．北京聯合大學應用文理學院，北京 100083)

土壤有機質(Soil organic matter，SOM)是土壤中的所有含碳的有機物，具有改良土壤結構、疏松土壤的作用，是評價土壤肥沃程度的一個重要指標[1-2]。因此，研究SOM含量的空間格局是管理好土壤養分及了解土壤理化性質的基礎。傳統的土壤有機質含量測定方法是通過野外采集土樣，并在室內運用化學方法測定，其耗時長、工作量大且多為點狀信息數據，不能快速、無損地進行大面積的土壤有機質含量測定[3]。因此，需要一種簡捷、準確測定SOM含量的技術。

土壤反射率與SOM含量之間存在一定關系[4]，這為遙感及時進行大面積荒地SOM監測提供了依據，并可利用其探討SOM的空間面狀分布特征。

國內外學者利用不同遙感數據對SOM含量反演取得許多成果，Al-Abbas等[5]發現土壤光譜反射率與有機質含量呈顯著負相關。宋金紅等[6]通過Landsat TM數據對SOM含量與土壤反射率定量關系進行研究，得到TM1、TM5波段DN值的回歸模型預測研究區表層SOM含量最優。田永超等[7]通過應用熱紅外光聲光譜技術估測土壤有機質含量，得到經過一階導數濾波平滑后精度較高的光譜建模。在利用光譜反射率數據進行土壤有機質含量反演的模型方面，大多是運用單波段回歸模型和多波段回歸模型。夏楠等[8]基于多光譜數據，利用多波段回歸估算模型對荒漠礦區土壤有機質含量預測，結果表明一階微分建立的模型精度最高。馬馳基于Landsat 8數據，定量反演了吉林中北部地區土壤有機質含量，利用反射率不同變換形式與表層有機質含量建立單波段和多波段回歸模型，發現反射率倒數變換建立的多波段模型精度最優[9]。前人研究主要是基于遙感影像波段原始反射率變換，很少直接利用IDL交互式編程語言對影像進行微分處理，建立高精度的有機質反演模型，并利用其分析有機質空間面狀分布特征。本研究擬通過IDL交互式編程語言對Landsat OLI影像數據進行微分處理，提取其土壤反射率和一階微分、二階微分，以及實驗室測定的表層(0～20 cm)土壤有機質含量為數據源，分別建立單波段回歸模型和多波段回歸模型，并對模型精度進行檢驗，找出最優反演研究區土壤有機質含量的數學模型。利用其對表層SOM含量空間面狀分布格局特征進行探討。

1 研究區概況及數據來源與處理

1.1 研究區概況

研究區位于阜康市水磨溝鄉222團的柳城子水庫下游(87°46′～88°44′E，43°45′～45°29′N)。水庫整體呈東南-西北走向，為一不規則的多邊形(圖1)。由于水庫底部未采取防滲措施，滲漏嚴重。其水庫下游荒地土壤鹽堿化嚴重，土壤類型以鹽堿土為主。其地表主要植被類型以梭梭群落、鹽爪爪群落等為主，幾乎全為旱生、鹽生植物，形成稀疏的植物群落混合鑲嵌分布。此地夏季炎熱，冬季寒冷，春秋氣溫升降劇烈，年均氣溫6.6 ℃，7月平均氣溫26.6 ℃，1月平均氣溫-17.0 ℃，無霜期174 d，年降水量164 mm，年蒸發潛力2 000 mm左右，冬季積雪 3～29 cm，是典型的大陸性干旱氣候[10]。

1.2 土壤數據

研究區土壤為原狀表層土，質地為壤土。2014年10月在研究區進行土樣采集。選擇采樣的路線避免人為干擾，由水庫大壩向西北每隔300 m左右布設1條平行于水庫大壩的采樣線，共布線8條。以遙感圖像為參考圖和手持GPS科學輔助野外調查選點。依據實地情況，在每條線上隔300 m取1個點，每條線上取7～9點，總計取64個采樣點(圖1)。每個采樣點按照梅花樁采樣法，取0～20 cm深度土壤，然后混合為1個組合樣品。對所采的每個土壤樣本編號入袋，帶回實驗室，經自然風干和剔除殘渣、石塊等雜質后，研磨，過2 mm孔篩。在中國科學院新疆生態與地理研究所理化測試中心，采用高溫外熱重鉻酸鉀容量法進行土壤有機質含量測定。

圖1 研究區位置及采樣點分布圖Fig.1 Location and sampling points of the study area

1.3 影像數據

研究所用的Landsat OLI影像免費下載于地理空間數據云，其分辨率為30 m，云量很小，地圖投影為WGS84坐標。選取的影像時間為2014年10月，以保證與采樣時間吻合。影像的預處理包括影像的輻射校正、大氣校正、幾何校正、圖像裁剪等步驟。在ENVI5.1軟件中對遙感影像進行輻射校正使影像的灰度值轉換成輻亮度值，得到地物光譜反射率，定標后采用FLASH模塊進行大氣校正，以消除地面陰影、地形起伏和成像過程中產生的一系列的噪聲，使地物反射率更準確，最后利用已有的基準影像進行幾何校正，以改正遙感影像幾何誤差(校正誤差小于0.5個像元)。經校正后的影像的像元DN值可視為真實的地物光譜信息。OLI陸地成像儀波段為B1～B7，其波段范圍為：B1為 0.433～0.453 μm、B2為 0.450～0.515 μm、B3為 0.525～0.600 μm、B4為 0.630～0.680 μm、B5為 0.845～0.885 μm、B6為 1.560～1.660 μm、B7為 2.100～2.300 μm。

大量研究結果表明，對影像的地物反射率進行數學變換可以適當的削弱圖像中噪聲對目標光譜反射率的影響，增強反射率與土壤成分之間的相關性，從而突出光譜反射率與土壤有機質的關系[11]。因此，本研究利用IDL交互式編程語言對大氣校正后的OLI影像反射率(A)的7個波段進行一階微分(A′)和二階微分(A″)處理，作為變換指標。

1.4 模型的驗證

通過判別系數(R2)、均方根誤差(RMSE)和相對分析誤差[RPD，檢驗樣本標準差(SD)與預測均方根誤差(RMSE)的比值]來衡量模型精度。R2越大，RMSE越小，說明模型的精度越高[12]。Viscarra等[13]對模型RPD做了如下分類，RPD≤1.0，預測能力極差；1.0

2 結果與分析

2.1 土壤有機質統計分析

由于該研究區人為干擾少，氣候干旱少雨，荒地植物生產能力低，土壤中微生物活性低，土壤動植物殘體歸還土壤少，使有機質在土壤中的積累緩慢，導致土壤有機質含量低。該區土壤64個樣本的有機質含量變化范圍為 5.63～34.08 g/kg，SOM含量平均值14.86 g/kg(表1)。根據全國第二次土壤普查養分分級標準[14]，屬于第四等級的缺乏水平。選用K-S(Kennad-Stone)算法，在DPS軟件中計算出各個樣本的歐氏距離，并將其劃分為建模集和驗證集，其中43個樣本用于建模，21個樣本用于驗證。SOM含量的建模集和驗證集的統計指標接近，變異系數 10%～100%，為中等變異，表明樣本離散程度較高，建模具有代表性。

2.2 土壤有機質含量與影像波段的相關性分析

研究區SOM含量與Landsat OLI各波段光譜反射率呈負相關(表2)。與原始影像反射率A相比，經微分處理后的影像反射率與土壤有機質含量相關系數均有所上升。通過比較3種變換指標的相關系數，發現A′與SOM含量相關系數提高最明顯，其相關系數最大值為-0.850，A″與SOM含量相關系數次之，其最大值為-0.811。說明一階微分更好地突出了SOM含量的光譜信息，而二階微分處理后的遙感影像反射率對SOM含量的相關性也有所提高。在P<0.01水平上呈顯著相關關系的有：A與B1～B5波段，A′與B3～B6波段，A″與B2～B7波段。在P<0.05水平呈顯著相關關系的有：A與B6～B7波段、A′與B1波段、A″與B1波段。A′與B2、B7波段相關性不顯著。選取與SOM含量相關性最好的波段分別建立方程(圖2)。從圖2可以看出，影像反射率A′的B6波段的影像反射率與實測表層SOM含量的R2為0.71，其坐標數值靠近直線y=64.16x+8.28，兩者擬合效果最好。其次效果較好的依次為A″的B4波段、A的B5波段。

表1土壤有機質含量特征統計

Table1Statisticsofsoilorganicmattercontent

樣本類型樣本數(個)全距(g/kg)最小值(g/kg)最大值(g/kg)均值(g/kg)標準差變異系數(%)總樣本6428.455.6334.0814.867.6951.76建模集4328.455.6334.0814.767.6952.08驗證集2127.126.3533.4715.087.8952.34

表2有機質含量與各波段反射率及變換形式的相關性

Table2Correlationanalysisbetweenorganicmattercontentandreflectanceofeachband

變換指標分析參數波段B1B2B3B4B5B6B7Ar-0.347**-0.446**-0.434**-0.432**-0.449**-0.269*-0.285*T000000.0310.022A'r-0.295*-0.246-0.736**-0.715**-0.680**-0.850**0.153T0.0180.05000000.226A″r-0.287*-0.611**-0.737**-0.811**-0.657**-0.776**-0.457**T0.022000000

r為相關系數；T為相伴概率；**表示極顯著相關(P<0.01)；*表示顯著相關(P<0.05)。A：遙感影像原始反射率；A′：一階微分影像反射率；A″：二階微分影像反射率。

a：影像反射率的第5波段；b：影像反射率一階微分的第6波段 ；c：影像反射率二階微分的第4波段。圖2 不同波段反射率與有機質含量的關系Fig.2 Relation between different spectral reflectance and the content of organic matter

2.3 有機質含量反演模型的構建

以土壤有機質含量為因變量，并以影像各波段(B1～B7)像元反射率A、A′、A″為自變量，建立單波段和多波段回歸模型(表3)。在土壤有機質含量的單波段反演模型中，利用A′的B6波段建立的SOM含量反演模型精度最高。其次為A″的B4波段，再次是A的B5波段。這主要是因為有機質含量與影像反射率的相關系數決定了其對影像波段響應的靈敏性，相關性越高，響應越靈敏[15]。在各波段反射率與建模集有機質含量建立的土壤SOM的多波段回歸模型中，利用A′的B3、B4和B6波段建立的模型精度最好。其余依次為A″的B2、B4和B6波段、A的B1、B2和B5波段。A″建立的模型精度低于A′，可能與微分的差分計算有關，A′可以對重疊混合光譜進行分解以便識別，擴大樣品之間的光譜特征差異，A″在消除背景噪音的同時又擴大了其他細節干擾的作用，因此可能損失了一些光譜信息。

在2種建模方法中，對A進行微分變換后的模型精度均有所提升。比如單波段A建模的R2為0.30，RMSE為6.38，反射率經過一階微分變換后建模的R2達到0.71，RMSE為4.25，反射率經過二階微分變換后建模的R2為0.61，RMSE為5.10，表明以反射率的微分變換建立的模型比原始的模型效果好，同時也揭示了土壤反射率經微分處理后能增加光譜對有機質的敏感性。

無論在單波段還是多波段回歸模型中，一階微分變換后的回歸模型預測精度最優。對比各反演模型精度，多波段建模精度優于單波段建模，主要與入選的波段有關，波段數越多，精度相對就會提升。其中一階微分的多波段建模集R2為0.80，RMSE為3.66，模型精度高且誤差最小，是SOM含量的最優預測模型。

表3土壤有機質含量遙感建模

Table3Remotesensingmodelingofsoilorganicmattercontent

方法自變量R2RMSE模型單波段回歸模型A0.306.38SOM=33.80-50.06B5A'0.714.25SOM=8.28-64.16B6A″0.615.10SOM=30.85-155.20B4多波段回歸模型A0.306.34SOM=29.94+55.24B1-108.64B2-17.90B5A'0.803.66SOM=23.12-470.94B3-24.35B4-43.06B6A″0.674.67SOM=30.84-556.87B2-106.61B4-17.84B6

2.4 模型的檢驗

模型的驗證主要考慮估算模型的穩定性和效果。利用模型驗證集的21個土壤有機質含量A、A′和A″建立的單波段和多波段回歸模型，計算預測SOM含量并與實測值擬合形成趨勢線。為方便看出擬合效果繪制散點圖(圖3、圖4)，基于單波段A′和A″的有機質含量預測值與實測值較均勻地分布在趨勢線兩側。前者R2為0.79，RMSE為3.65，后者R2為0.79，RMSE為3.77。兩者的RPD在1.8～2.0，說明二者預測能力較好(圖3)。而單波段的A的SOM預測值與實測值偏離趨勢線，其中A的RPD在1.4～1.8，表明模型預測能力一般。因此，也進一步證明反射率微分處理后提高了SOM含量的預測能力。在多波段建立的模型中(圖4)，相比A和A″的散點圖，基于A′的SOM含量預測值與實測值均勻地分布在趨勢線兩側，其R2為0.79，RMSE為3.69，RPD為2.08，模型精度最高且誤差最小，RPD在2.0～2.5，說明此模型預測能力極好。通過各種模型對比發現，遙感影像B3、B4、B6波段DN值與SOM含量建立的A′-MASR模型預測的土壤有機質含量效果最優，能精準預測SOM含量，并為研究區表層土壤有機質含量空間格局的反演提供了依據。

2.5 土壤有機質含量的反演

利用擬合度和驗證精度最優的A′多波段模型(SOM=23.12-470.94B3-24.35B4-43.06B6)，通過ENVI軟件中BandMath工具實現整個研究區的SOM含量空間分布的反演，并將反演圖進行圖斑碎塊化處理(圖5)。圖中最大值為36.70g/kg，最小值為5.30g/kg。按照國家對有機質含量分級標準，將研究區分為5類(0～6.0 g/kg、6.1～10.0 g/kg、10.1～20.0 g/kg、20.1～30.0 g/kg、30.1～40.0 g/kg)，其中含量在0～6.0 g/kg的面積占研究區3.13%，6.1～10.0 g/kg的面積占研究區21.88%，10.1～20.0 g/kg的面積占研究區56.25%，20.1～30.0 g/kg的面積占研究區11.25%，30.1～40.0 g/kg的面積占研究區7.49%。利用不同等級差異性顯現出了SOM含量的變化范圍和空間分布格局。

a：影像反射率；b：影像反射率一階微分；c：影像反射率二階微分。圖3 基于單波段反射率的有機質預測值與實測值散點圖Fig.3 Scatter diagram of predicted and measured organic matter content based on single-band reflectance

a：影像反射率；b：影像反射率一階微分；c：影像反射率二階微分。圖4 基于多波段反射率的有機質預測值與實測值散點圖Fig.4 Scatter diagram of predicted and measured organic matter content based on multi-band reflectance

研究區荒地整體上表層SOM含量低，大多數處于很缺乏水平。究其原因可能與該地區干旱少雨的氣候特征以及局部的成土母質差異有關。同時，研究區內反演圖顯示，土壤有機質含量分布不均，空間差異較大。有機質含量0～6.0 g/kg的區域主要分布在研究區邊緣地帶，尤其在研究區的西側。根據實地調查，雖然該區域距水庫較遠，但地勢低洼，地下水位較高，土壤含鹽量高，植被覆蓋率低。因此，其土壤中累積有機質含量少，土壤貧瘠。靠近水庫邊緣SOM含量低，主要是該區域有一條排堿渠，地表呈現白色，植被少。此外，土壤中富含的鹽分遮蔽了有機質的光譜信息，因此獲得有機質含量的反演值較低。SOM含量在6.1～10.0 g/kg的土壤主要分布在0～6g/kg區域周圍，即分布在鹽堿斑塊的周邊。SOM含量10.1～20.0 g/kg的土壤主要位于研究區的中心，該區域地勢略高，地下水位較低，有利于植被的生長。SOM含量在20.1～30.0 g/kg的土壤和30.1～40.0 g/kg的土壤交叉分布，所占面積很小，主要靠近水庫大壩周圍和研究區西北部，靠近平原水庫大壩，大壩未鋪防滲膜，土壤含水量多，地表植被和生物量都較多，有機質含量累積高，而西北部SOM含量高則是該區域地勢較高，土壤鹽分少，含水量較高，地表植被生長較為茂盛。

圖5 土壤有機質含量的空間分布Fig.5 Spatial distribution of soil organic matter content

3 討 論

本研究以干旱區荒地土壤表層的有機質含量為研究對象，對Landsat 8 OLI的7個波段反射率進行微分處理后與有機質含量進行相關性分析，篩選出特征波段以及最優模型，反演出荒地表層SOM含量的面狀空間格局，研究結果為：(1)影像反射率不同變換形式與土壤有機質含量均呈負相關，原始反射率與有機質含量的相關系數最大值為-0.449，而一階微分、二階微分與有機質含量的相關性最大值分別為-0.850和-0.811。反射率經過微分處理后，突出了有機質的光譜信息，可以很好地對土壤有機質進行反演。(2)經過一階微分處理后建立的反演模型具有更好的預測能力，并且多波段回歸建模效果優于單波段建模。利用一階微分處理后的第3、第4、第6波段建立的模型為最優估算模型，模型RPD為2.08，該模型可以很好地估算該區域的土壤有機質含量。(3)基于一階微分的多波段回歸模型對研究區的SOM含量空間分布格局進行反演，得出該地區土壤整體貧瘠且處于缺乏水平，反演結果與實際結果相吻合。這很好地表達了不同有機質含量的土壤空間分布與其對應的空間位置。為土壤有機質面狀參數的獲取提供了快速而有效的方法。

利用遙感影像研究表層土壤有機質含量空間分布的方法具有省時省力的特點，為以后土地質量監測與可持續利用開辟了一條途徑。許多學者在利用遙感技術估算土壤有機質含量時指出，將反射率進行對數、倒數等變換后可以顯著提高與有機質含量的相關系數[16-18]。本研究結果表明，影像波段反射率經一階微分和二階微分處理后與土壤有機質含量之間也存在較好的相關性，其中一階微分的多波段模型建模集R2為0.80，預測集R2為0.79，模型反演效果最優。其RPD為2.08，表明模型預測能力極好，這更加支持了利用遙感影像一階微分處理對土壤有機質含量進行估測的可行性。一階微分處理有利于降低波段間的信息冗余，突出有用信息并提高靈敏度，而在二階微分時，由于差分計算，在消除背景噪音的同時又擴大了其他細節干擾的作用。

通過研究區SOM含量與Landsat OLI的波段相關性研究，得到A的B5波段與SOM含量相關系數達到-0.449，A′的B6波段與SOM含量相關系數達到-0.850，A″的B4波段與SOM含量相關系數達到-0.811。發現影像反射率進行微分變換后，明顯提高了與有機質含量的相關性。陳頌超等[19]對土壤多光譜的數據研究發現一階微分處理的土壤光譜是獲取土壤有機質響應的有效手段。對遙感影像波段反射率進行一階微分和二階微分處理對土壤有機質信息的提取確實有效。由于本研究中只對反射率做了微分變換，在以后的研究中，將增加其他數學變換和更多的估算模型方法，找到提高反演模型精度的更好方法。

本研究利用多波段回歸分析方法建立了荒地表層有機質含量的多光譜反演模型，達到了較好的預期效果，主要原因：(1)這是由于單波段的模型僅僅運用了極少一部分信息，只能表達有限的土壤有機質信息。而影像多光譜數據豐富的波段信息能表達出完整的信息。(2)遙感影像與采樣時間一致，同時10月份研究區的地表裸露及地表植物已枯萎，遙感影像能真實反映出地表土壤光譜信息。(3)研究區采樣點分布相對均勻，能夠代表采樣點的有機質含量分布信息，有利于遙感影像反射率與有機質含量的建模。

本研究以干旱區荒地土壤表層的有機質含量為研究對象，對Landsat 8 OLI的7個波段反射率進行微分處理后與有機質進行相關性分析，篩選出特征波段以及最優模型，反演出荒地表層SOM含量的面狀空間格局，研究結果為：

(1)反射率不同變換形式與土壤有機質含量均呈負相關，原始反射率與有機質含量的相關系數最大值為-0.449，而一階微分、二階微分與有機質含量的相關系數最大值分別為-0.850和-0.811。反射率經過微分處理后，突出了有機質的光譜信息，可以很好地對土壤有機質進行反演。

(2)經過一階微分處理后建立的反演模型具有更好的預測能力，并且多波段回歸建模效果優于單波段回歸建模。利用一階微分處理后的第3、第4、第6波段建立的模型為最優估算模型，模型RPD為2.08，該模型可以很好地估算該區域的土壤有機質含量。

(3)基于一階微分的多波段回歸模型對研究區的SOM含量空間分布格局進行反演，得出該地區土壤整體貧瘠且處于缺乏水平，反演結果與實際結果相吻合。這很好地表達了不同有機質含量的土壤空間分布與其對應的空間位置。為土壤有機質面狀參數的獲取提供了快速而有效的方法。

[1] SINGH D，HERLINI，BERROIR J P，et al.An approach to correlate NDVI with soil color for erosion process using NOAA/AVHRR data[J].Advances in Space Research，2004，33(3):328-332．

[2] CHANG C W，LAIRD D A．Near infrared reflectance spectroscopic analysis of soil C and N[J].Soil Science，2002，167(2):110-116．

[3] 何東健，陳 煦.土壤有機質含量田間實時測定方法[J].農業機械學報，2015，46(1):127-132.

[4] 葉 勤，姜雪芹，李西燦，等.基于高光譜數據的土壤有機質含量反演模型比較[J].農業機械學報，2017，48(3):164-172.

[5] AL-ABBAS A H SWAIN P H，BAUMGARDER M F.Relating organic matter and clay content to the multi-spectral radiance of soils[J].Soil Science，1972，114(6):477-485.

[6] 宋金紅，吳景貴，趙欣宇，等.基于TM數據的黑土有機質含量空間格局反演研究[J].土壤學報，2015，52(6):1422-1429.

[7] 田永超，張娟娟，姚 霞，等.基于近紅外光聲光譜的土壤有機質含量定量建模方法[J].農業工程學報，2012，28(1):145-152.

[8] 夏 楠，塔西甫拉提·特依拜，丁建麗，等.基于多光譜數據的荒漠礦區土壤有機質估算模型[J].農業工程學報，2016，32(6):263-267.

[9] 馬 馳. 基于Landsat8吉林中北部地區土壤有機質定量反演研究[J].干旱區資源與環境，2017，31(2)：167-172.

[10] 李榮榮，熊黑鋼，段鵬程，等.干旱區平原水庫下游鹽漬化土壤光譜時空分布特征分析[J]. 土壤通報，2016，47(3):532-536.

[11] 王敬哲，塔西甫拉提·特依拜，丁建麗，等.基于分數階微分預處理高光譜數據的荒漠土壤有機碳含量估算[J].農業工程學報，2016，32(21):161-169.

[12] 郭 熙，葉英聰，謝碧裕，等.南方丘陵稻田土堿解氮高光譜特征及反演模型研究[J].國土資源遙感，2015，27(2):94-99.

[13] VISCARRA R V，MCGLYN R N，MCBRATNEY A B.Determing the composition of mineral-organic mixes using UV-vis-NIR diffuse Reflectance spectroscopy[J].Geoderma，2006，137(1/2):70-82.

[14] 全國第二次土壤普查養分分級標準[EB/OL]. [2012-05-10]http://wenku.baidu.com/view /1242f6ef856a561252d36f6e.html.

[15] 侯艷軍，塔西甫拉提·特依拜，買買提·沙吾提，等.荒漠土壤有機質含量高光譜估算模型[J].農業工程學報，2014，30(16):113-120.

[16] 劉 嬌，李 毅，劉世賓.光譜測定黑河上游土壤有機質的預測模型[J].光譜學與光譜分析，2013，33(2):3354-3358.

[17] 顧曉鶴，王 堃，潘瑜春，等.基于HJ1A-HSI超光譜影像的耕地有機質遙感定量反演[J]．地理與地理信息科學，2011，27(6):70-73．

[18] 李媛媛，李 微，劉 遠，等.基于高光譜遙感土壤有機質含量預測研究[J].土壤通報，2014，45(6):1313-1318.

[19] 陳頌超，馮來磊，李 碩，等.基于局部加權回歸的土壤全氮含量可見-近紅外光譜反演[J].土壤學報，2015，52(2)：312-320.