基于優化光譜指數的土壤有機質含量估算

尼加提·卡斯木 茹克亞·薩吾提 師慶東 買合木提·巴拉提 米熱阿地力·庫爾班 蘇比努爾·居來提

(1.新疆大學干旱生態環境研究所， 烏魯木齊 830046； 2.新疆大學綠洲生態教育部重點實驗室， 烏魯木齊 830046；3.新疆大學資源與環境科學學院， 烏魯木齊 830046)

0 引言

土壤有機質(Soil organic matter, SOM)是土壤中固態物質的重要組成部分，具有改良土壤結構、疏松土壤以及提供植物所需養分等作用，是評價土壤肥沃程度的一個重要衡量指標[1-2]。高效監測區域土壤有機質含量可為及時改善區域土壤狀況、優化作物施肥管理，以及農業發展提供科學依據。傳統的土壤有機質含量測定方法是野外采集土壤樣品后，通過化學方法測定與分析，該方法時效低、成本高、代表性不足，無法快速無損地監測區域土壤有機質含量[3-4]。土壤光譜反射率與有機質含量之間存在一定的光譜響應關系，這為現階段高光譜遙感在區域尺度土壤有機質含量的快速、準確監測提供了可能，從而成為定量遙感的研究熱點之一[5]。對高光譜數據進行不同的預處理及建模方法的選擇是構建估算模型的重要步驟，對模型的精度和穩定性具有重要意義[6]。KRISHNAN等[7]選取4種不同的土壤為研究對象，發現土壤光譜反射率與其有機質含量呈現顯著負相關關系，探測出土壤有機質含量最佳波段是0.62 μm和0.56 μm，可見光波段優于近紅外波段，在近紅外區域沒有由有機質引起的反射峰和吸收谷。王延倉等[8]對光譜數據進行6種分解，并與土壤有機質含量進行相關性分析，發現光譜反射率經小波變換后，參與建模的特征波段集中在近紅外波段范圍，即近紅外波段估算有機質含量優于可見光波段。徐明星等[9]研究了原始反射率、微分光譜、吸光度和波段深度對不同成陸年代土壤有機質含量的估算精度，發現微分光譜是估算成陸年代土壤有機質含量的最佳光譜指標，以1 400 nm為中心及1 900～2 450 nm的近紅外波段是估算土壤有機質含量的最佳波段。HUMMEL等[10]在室內分析了土壤有機質和光譜曲線之間的關系，采用光譜反射率吸光度建立多元逐步回歸模型。CONFORTI等[11]對來自不同地區的215個土樣進行偏最小二乘回歸(PLSR)建模，取得了較好的估算效果。NOWKANDEH等[12]以高光譜遙感為數據源，利用PLSR、PCR、MinR和SWR方法進行建模，取得顯著的估算效果。欒福明等[13]選取40個土壤樣本，采用多元線性逐步回歸和人工神經網絡兩種方法建立有機質含量估算模型，得出人工神經網絡(ANNs)集成模型表現最優。葉勤等[14]將原始光譜反射率、一階導數光譜分別與土壤有機質含量進行相關性分析，直接建立基于一階導數光譜的多元線性逐步回歸分析(MLSR)模型。

上述對于土壤有機質含量的研究[7-14]是通過全波段反射率及其對應的數學變換，在一維層面上選取單個敏感波段或多個敏感波段，并利用多種回歸方法建立估算模型，而對于兩波段優化組合算法進行光譜指數的波段二維層面優化，并在土壤有機質含量估算中的應用研究相對較少?；诖?，本文以新疆烏魯木齊安寧渠為研究靶區，進行野外土壤樣品采集和室內土壤光譜測定及理化分析，嘗試對土壤原始光譜反射率及其對應的4種數學變換進行波段優化運算，分析基于光譜數據不同變換形式的波段優化組合與土壤有機質質量比的相關性，通過相關系數的顯著性檢驗，篩選最適宜敏感光譜指數，并利用偏最小二乘回歸(Partial least square regression, PLSR)分析法建立土壤有機質質量比優化光譜指數的估算模型，得出反演土壤有機質的最佳光譜參數。

1 材料與方法

1.1 研究區概況

研究區位于烏魯木齊市北郊的沖積平原上，地勢平緩，地理坐標為87°25′～87°30′E，43°57′～44°06′N[15]。地處中溫帶干旱氣候區，光熱充足，土壤肥沃，適合一般的農作物、蔬菜和果樹生長[16]。該區域水資源豐富，既有水質良好的地下水資源，又有縱貫南北的和平渠提供的地表徑流，形成井渠雙灌的地方特色，為農牧業的豐收奠定了良好的基礎[17-18]。

圖1 研究區位置和采樣區分布Fig.1 Location of study area and distribution of sampling sites

1.2 土壤樣品采集

土壤樣品的采集時間為2017年10月15日，針對烏魯木齊市安寧渠蔬菜基地研究區典型景觀特征，設置5 m×5 m樣方(圖1)。利用GPS記錄每個樣方位置，采用5點混合法進行樣品采集，土壤樣品采樣深度為0～10 cm，共計57個土壤樣品。土壤樣品帶回實驗室并進行自然風干、研磨后，過2 mm孔篩分為兩部分，分別用于室內高光譜數據的測定及土壤有機質的化學分析。其中，土壤有機質質量比采取重鉻酸鉀容量-硫酸氧化法進行測定[19]。

1.3 光譜測定及預處理

圖2 優化光譜指數與土壤有機質質量比之間的相關性等勢圖Fig.2 Equipotential patterns of correlation between optimized spectral index and soil organic matter content

采用美國ASD(Analytical Spectral Devices)公司生產的Field-Spec3型光譜儀(波段范圍350～2 500 nm)。光譜在350～1 000 nm與1 000～2 500 nm區間的采樣間隔分別為1.4 nm與2 nm，重采樣間隔為1 nm。將準備的57個土壤樣品分別裝入黑色盛樣皿(直徑12 cm，深1.8 cm)中，裝滿土壤樣品后，對表面進行平滑處理。光譜測定的光源為50 W鹵素燈，測量時距土壤樣品表面50 cm，光源的天頂角為15°，探頭至待測樣品表面的距離為5 cm[20]。高光譜數據測定之前進行白板校正，每個土壤樣品重復測量5次，取5條光譜曲線的算術平均值作為該樣品的實際光譜反射率。

1.4 研究方法

近幾年的研究結果[21]表明，為了估算不同區域土壤有機質含量最佳普適性光譜，參數的選擇具有一定的難度，同時對土壤有機質含量選擇敏感光譜指數的波段組合呈現多樣化。

其中，張娟娟等[22]利用350～2 500 nm光譜反射率，系統構造了原始光譜任意兩波段組合而成的比值、歸一化光譜指數，建立了特征光譜指數的土壤全氮含量估算模型。本研究在已有成果的基礎上，通過利用原始光譜數據系統地構建任意兩波段組合的優化光譜指數，并分析光譜指數與土壤有機質質量比的相關性等勢圖(圖2)。

(1)

式中RSOMCI/ND——兩波段優化算法應用在全波段范圍的優化光譜指數

表1 模型精度參數Tab.1 Model precision parameters

2 結果與分析

2.1 數據處理與分析

對獲取的土壤樣品高光譜數據利用ViewSpec Pro軟件進行數據算術平均并導出，為減少噪聲影響，剔除信噪比較低的邊緣波段(350～399 nm及2 401～2 500 nm)后，利用Savitzky-Golay濾波對57個土壤樣品400～2 400 nm的高光譜數據進行平滑去噪處理，去噪后的光譜曲線如圖3所示。

由表2知，建模集和驗證集對應的土壤有機質質量比最大值分別為31.78、15.79 g/kg，最小值分別為4.39、2.70 g/kg，均值分別為11.84、8.73 g/kg，變異系數分別為53.82%和36.54%；研究區所有采樣點土壤有機質質量比平均值為10.89 g/kg，變異系數為53.17%，介于建模集與驗證集之間，數據離散程度一般，屬于中等變異強度(15%～100%)[24]。

圖3 平滑處理后的土壤樣本室內光譜反射率Fig.3 Spectral reflectance of soil sampling after smoothing

2.2 土壤光譜曲線特征分析

為研究土壤有機質質量比對土壤光譜反射率的影響，對土壤樣本反射率進行分級標準歸類、求平均，繪制不同土壤有機質質量比的土壤光譜曲線(圖4)。土壤有機質為土壤重要的賦色成分，土壤光譜反射對其質量比的高低產生一定響應[25]。研究區不同有機質質量比的土壤光譜反射曲線的變

表2 土壤有機質質量比的統計分析Tab.2 Statistics analysis of soil organic content

化趨勢基本一致。土壤樣品的光譜反射率與其有機質質量比并沒有呈現明顯正負相關關系，從圖4b中可以看出，在可見光及近紅外波段(400～1 500 nm)范圍內光譜曲線呈快速上升和平緩上升趨勢，并在1 400～1 500 nm處有1個比較淺的水分吸收譜段，而在1 800～2 100 nm波段范圍內出現了1個較為明顯的水分吸收譜段(圖4a)。整體光譜曲線而言，除400～1 500 nm波段范圍，不同土壤有機質質量比的光譜反射率曲線較為容易區分。

圖4 不同有機質質量比的土壤樣本光譜發射率Fig.4 Spectral reflectance of soil samples with different organic content

2.3 優化光譜指數與有機質質量比相關性分析

該研究利用兩波段優化算法，通過最優兩波段組合計算構建的新算法SOMCI/ND，選取與土壤有機質質量比相關性最高并通過顯著性檢驗(p<0.01)及VIP值大于1的優化指數進行偏最小二乘回歸建模。

圖5 400～2 400 nm波段范圍內所有可能波段組合與土壤有機質質量比的相關性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 土壤有機質質量比PLSR估算模型建立及精度分析

該研究以室內土壤光譜反射率及4種變換數據，對新算法進行波段組合優化；結合變量投影重要性(VIP)算法篩選最優兩波段組合光譜指數并作為自變量，利用偏最小二乘回歸法(PLSR)建立土壤有質質量比估算模型，估算模型的精度參數如表4所示。為PLSR更深入地分析數據，利用VIP技術進一步對變量進行篩選，基于PLSR建模方法的優點，VIP技術主要用于樣本較少且幾個自變量間相關性較強的情形，在一定程度上彌補了傳統線性回歸的不足[26]。由圖6可知，基于光譜反射率及其4種變換優化在變量選擇上呈現不同，原數據優化指數中篩選的變量數為18個，對應的波段組合見圖6a，光譜數據4種變換優化指數中篩選變量數分別為19、19、8、6個，對應波段組合見圖6b～6e。

表3 不同光譜數據變換下優化光譜指數與有機質質量比相關性統計分析Tab.3 Statistic analysis between organic content and optimized spectral index based on different spectral data transform

圖6 基于變量VIP值篩選最佳模型自變量Fig.6 VIP values of variables to select the best model based on independent variables

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

3 討論

遙感估算土壤有機質含量都是以土壤光譜理論為指導，選擇計算在土壤有機質特有的特征波段的反射率和基于相同位置的光譜指數來達到土壤有機質光譜特性研究的目的，適合土壤有機質含量估算的模型必須具有理論依據和應用能力[27]。本文利用野外土壤樣品采樣，室內土壤光譜采集及理化分析，進行土壤原始光譜反射率及對應的4種數學變換，對構建的新算法(SOMCI/ND)進行波段優化運算，分析基于光譜數據不同變換形式的優化光譜指數與土壤有機質質量比的相關性，通過相關系數的顯著性檢驗(p=0.01，閾值為±0.70)篩選對應最適波段組合的敏感光譜指數，并利用PLSR建立土壤有機質質量比優化光譜指數的估算模型，得出反演土壤有機質的最適光譜參數。光譜反射率及其4種變換預處理后，通過兩波段優化算法運算的光譜指數與土壤有機質質量比的相關性顯著提高。其中，主要位于2 220～2 240 nm和2 160～2 195 nm的組合波段對應光譜指數具有很強的相關性，相關系數絕對值最高達到0.82。除此之外，原數據和倒數變換在波長894 nm與884 nm組合計算的新算法與有機質質量比的相關系數絕對值也超出了0.80。此說明優化算法的組合及波段組合對土壤有機質質量比的敏感組合波段篩選具有很重要的意義。

綜上所述，對土壤有機質質量比定量估算主要以計算高光譜數據的敏感波段、對原始數據的不同數學變換、計算對應光譜指數等方法，而本研究在已有研究基礎上，進一步優化算法構建新的優化算法，并進行波段組合與研究分析。高光譜數據提供了精細的光譜波段信息，可以解決光譜指數與土壤有機質質量比存在的飽和性問題[32]。利用兩波段優化算法對光譜指數的波段組合進行優化可以提高土壤有機質質量比估算模型的精度。本研究通過高光譜的精細光譜范圍對SOMCI/ND的波段進行優化，建立了適宜該研究區的土壤有機質估算模型，并表現出了很好的估算能力。今后將通過高光譜數據探討光譜波段優化理論，在不同地理位置、不同土壤類型中進一步應用兩波段優化算法并得到更好的驗證，為不同尺度、實時性的土壤有機質動態監測提供理論基礎。

4 結論

(2)原數據及其不同數學變換發現，位于2 220～2 240 nm和2 160～2 195 nm波段范圍組合的光譜指數與土壤有機質質量比之間相關性顯著提高。另外，原數據和倒數變換在波長894 nm與884 nm組合計算SOMCI/ND對土壤有機質質量比，也具有顯著的敏感程度。