河套灌區(qū)土壤水溶性鹽基離子高光譜綜合反演模型

孫亞楠 李仙岳 史海濱 崔佳琪 王維剛

(內蒙古農業(yè)大學水利與土木建筑工程學院， 呼和浩特 010018)

0 引言

土壤鹽漬化是制約農業(yè)生產的重要因素，已成為全球關注的生態(tài)環(huán)境問題[1]。內蒙古河套灌區(qū)地處我國西北干旱內陸區(qū)，多年蒸發(fā)量是降雨量的11.16～17.69倍，耕地中有10.67萬hm2中度、重度鹽化耕地[2]。巴彥淖爾政府在近5年內重點實施 “484萬畝改鹽增草興牧”工程，其目的是改良不同程度的土壤次生鹽堿化，提高土地生產力。土壤鹽分定量監(jiān)測是鹽堿地改良的依據(jù)和前提[3]，而傳統(tǒng)的實地采樣方法耗時長、成本高、取樣不連續(xù)，且由于土壤空間變異性等因素會導致對區(qū)域總體鹽分變化情況的判斷產生較大誤差。隨著遙感技術的發(fā)展，高光譜技術已經能準確反映地物光譜的細微特征[4]。通常將光譜分辨率在10-2λ的遙感信息稱為高光譜遙感(Hyperspectral)。與多光譜遙感相比，高光譜遙感波段數(shù)多，分辨率一般為10～20 nm，圖譜合一，通道連續(xù)，有利于地物精細分類和識別，并易于應用各種光譜模型。目前利用高光譜遙感對水體水質參數(shù)[5]、作物參數(shù)(如植被葉面積[6]、葉綠素[7]、氮營養(yǎng)[8]、磷含量[9-10]、產量[11])、土壤參數(shù)(如土壤重金屬[12-13]、土壤有機質[14]、土壤水分[15]、土壤鹽分[16])都進行了大量研究，研究表明，采用高光譜遙感或經高光譜遙感校正后，相應的遙感模型反演精度均明顯提高。

優(yōu)化土壤鹽分反演模型是提高土壤鹽漬化遙感精度的重要手段。目前針對鹽漬化土壤高光譜鹽分遙感反演模型精度的提升已經作了大量研究，包括針對不同光譜預處理進行的高光譜鹽分定量模型優(yōu)化[17-18]、高光譜-多光譜融合模型構建[19-21]、高光譜-電磁感應結合模型構建[22-23]、偏振信息高光譜遙感模型優(yōu)化[24-25]等。研究表明，選擇的驗證指標不同，對高光譜鹽分反演的精度影響較大[26]，對光譜進行光譜變換后，高光譜反射率與鹽分的相關性高于原始光譜[27-28]。

由于土壤鹽分分布廣，不同區(qū)域鹽分離子差異大、組成復雜，且土壤中過量的鹽分離子對植物的生殖生長和營養(yǎng)生長都有抑制作用，一些離子還會對植物有直接毒害，引起植物的形態(tài)和結構發(fā)生變化[29]。因此，快速、準確獲得不同土壤鹽分離子含量是選擇不同鹽漬化土壤改良方法的前提。同時詳細的鹽分指標有助于提高鹽分遙感模型的精度[30-31]。目前對鹽分離子高光譜反演模型的研究均僅對光譜和鹽分離子采用單一回歸或基于支持向量機方法進行構建模型，無光譜指數(shù)參與模型構建，而采用光譜變換和光譜指數(shù)及支持向量機反演的綜合方法較少，且均將土樣帶回實驗室進行光譜測定，而野外高光譜數(shù)據(jù)更符合實際。

本文在監(jiān)測野外高光譜的基礎上，通過對預處理的高光譜數(shù)據(jù)進行11種光譜變換處理，利用逐步線性回歸篩選不同水溶性鹽基離子的特征波段，同時進行特征指數(shù)篩選，并采用支持向量機模型建立基于特征波段及特征波段+特征光譜指數(shù)的水溶性鹽基離子的野外高光譜反演模型，旨在提高該區(qū)域水溶性鹽基離子的反演精度，為河套灌區(qū)及西北干旱鹽漬化地區(qū)鹽堿地改良提供參考。

1 材料與方法

1.1 研究區(qū)基本情況

內蒙古河套灌區(qū)位于我國西北干旱內陸區(qū)，東西長250 km，南北寬約50 km，本文以灌區(qū)中心區(qū)域永濟灌域為例開展研究。永濟灌域位于河套灌區(qū)中部，地理位置(107°13′～107°42′E，40°36′～41°13′N)東至豐濟干渠，西至黃濟干渠，南北長60 km，東西寬40 km，總土地面積18.36萬hm2，現(xiàn)灌溉面積約11.22萬hm2，年均降水量為145 mm，年均蒸發(fā)量為2 275 mm，屬于典型的溫帶大陸性干旱、半干旱氣候帶，干旱少雨，蒸發(fā)強烈。主要種植的農作物有玉米、葵花、小麥、青椒、瓜類等，耕地中鹽堿化土壤面積約為50%，其中重度鹽化土和鹽土約占17%，鹽土類型主要為草甸鹽土，其中氯化鹽、硫酸鹽和鈉鹽含量高，鹽化土中所含鹽分并不是以單一鹽類存在，各種鹽類都聚積于同一土層，形成復雜的鹽分類型，土壤鹽堿化長期困擾該地區(qū)的農業(yè)生產，是該地區(qū)農業(yè)發(fā)展的主要障礙性因素。

1.2 土壤樣品采集及含量測定

土壤樣品采集時間選擇在春灌前2017年4月5—10日，此時土壤表層鹽分積聚量大，更易于進行遙感反演。采樣點按網格布設，通過GPS經緯度找點，并根據(jù)土地利用類型、作物種植結構和道路通達等實際情況確定采樣點位置，實際采樣間距為2.5～10 km，采樣點為120個，去除由于光譜、鹽分等異常數(shù)據(jù)后，最終保留了90個具有代表性的鹽漬化土壤采樣點(圖1)。

圖1 研究區(qū)土壤采樣點分布Fig.1 Distribution of soil sampling points in study area

1.3 光譜采集及光譜數(shù)據(jù)處理

在選定的土樣采集區(qū)域，選擇無植被覆蓋土壤，先采用美國ASD(Analytical spectral device)公司FieldSpec 4 Hi-Res型地物光譜儀測定土壤光譜反射率，探頭視場角為25°，光譜范圍350～2 500 nm。選擇晴朗無風天氣，測量時間為10:00—14:00，測定前先進行白板校正，測定時保持探頭距離地面1 m[34]，每個采樣點測定兩次，各采樣點獲10條土壤光譜曲線。

表1 土壤全鹽量和離子組成(質量比)描述性統(tǒng)計分析Tab.1 Descriptive statistical analysis of soil salt content and ion composition

為了消除測量時噪聲對光譜數(shù)據(jù)的影響，對光譜數(shù)據(jù)進行均值化、去噪、平滑3種預處理(圖2)。主要利用儀器自帶的View Specpro軟件對每個采集點的10條光譜曲線進行均值化處理，以平均值作為該點的實測反射率；并對1 340～1 450 nm、1 750～2 020 nm、2 330～2 500 nm水汽吸收波段進行去除；同時利用Origin 9.0軟件中的Savitaky-Golay方法進行平滑處理，經過3步處理后最終得到土壤原始光譜特性曲線。另外為了減少背景噪聲的干擾，提高光譜靈敏度，對土壤原始光譜特性曲線進行光譜變換，主要包括一階導數(shù)R′、二階導數(shù)R″、倒數(shù)1/R、倒數(shù)的一階導數(shù)(1/R)′、倒數(shù)的二階導數(shù)(1/R)″、對數(shù)lnR、對數(shù)的一階導數(shù)(lnR)′、對數(shù)的二階導數(shù)(lnR)″、平方根R0.5、平方根的一階導數(shù)(R0.5)′、平方根的二階導數(shù)(R0.5)″ 11種處理。

圖2 高光譜預處理結果Fig.2 Hyperspectral pretreatment

1.4 光譜指數(shù)的構建

基于3種應用比較廣泛的指數(shù)，包括差值指數(shù)(Difference indices，DI)、比值指數(shù)(Ratio indices，RI)、歸一化指數(shù)(Normalized difference indices，NDI)[35]和反演效果較好的鹽分指數(shù)S1、S2[36]構建土壤水溶性鹽基離子光譜指數(shù)，計算式為

DI=Ri-Rj

(1)

NDI=(Ri-Rj)/(Ri+Rj)

(2)

RI=Ri/Rj

(3)

(4)

(5)

式中Ri、Rj、Rz——350～2 500 nm之間隨機選取的第i、j、z波段的光譜反射率

1.5 基于特征波段和特征光譜指數(shù)的SVM模型構建

在進行光譜預處理、光譜變換、敏感波段確定、特征波段篩選以及特征光譜指數(shù)篩選的基礎上，為了進一步提高預測精度，采用支持向量機(SVM)基于特征波段和特征波段+特征光譜指數(shù)構建高光譜水溶性鹽基離子的綜合反演模型。SVM模型利用Matlab R2016a軟件的libsvm3.1工具箱編程實現(xiàn)，SVM類型為v-SVR，核函數(shù)類型為RBF，采用網格搜索法尋找最優(yōu)參數(shù)，依據(jù)均方差最小原則確定懲罰參數(shù)C與RBF核參數(shù)g。將土壤水溶性鹽基離子含量由小到大排列，每隔一個樣本選取兩個樣本作為訓練集，即從90個代表性土壤樣本中選取60個樣本作為訓練集，30個樣本作為驗證集。

1.6 模型評價指標

以決定系數(shù)R2、均方根誤差RMSE[37]、相對分析誤差RPD對各模型模擬效果進行評價。當R2越趨近于1，說明模型擬合程度越好。RMSE越小，說明預測值與實測值相差越小，精度越高，模擬效果越好。反之，模型精度較差，模擬效果不好。當RPD>2.5時，表明模型具有極好的預測能力，當2.0≤RPD≤2.5時，表明模型具有很好的定量預測能力，當1.8≤RPD<2.0時，表明模型具有定量的預測能力，當1.4≤RPD<1.8時，表明模型可用于評估或相關性方面的預測，當1.0≤RPD<1.4時，表明模型具有區(qū)別高低值的能力，當RPD<1.0時，表明模型不具備預測能力[38]。

2 結果與分析

2.1 野外實測土壤原始光譜反射率與土壤水溶性鹽基離子含量的相關性

2.2 土壤水溶性鹽基離子的光譜最優(yōu)變換和特征波段的篩選

圖3 不同水溶性鹽基離子含量與原始光譜反射率的相關性Fig.3 Correlation between different water-soluble base ions and original spectral reflectance

表2 土壤水溶性鹽離子不同光譜變換形式的比較Tab.2 Comparison of different spectral transformation forms of water-soluble salt ions content

注：** 表示P<0.01，下同。

圖4 光譜反射率在最優(yōu)變換下與不同水溶性鹽基離子含量的相關性分析Fig.4 Correlation analysis between different soil salt ions content and spectral reflectance under optimal transformation

2.3 基于逐步回歸的土壤水溶性鹽基離子特征指數(shù)篩選

表3 最優(yōu)光譜變換下不同水溶性鹽基離子的特征波段及回歸模型Tab.3 Characteristic band and regression model of different salt ions under optimal spectral transformation

注：*表示P<0.05。

表5 高光譜特征光譜指數(shù)及回歸模型Tab.5 Regression model of hyperspectral spectral index

2.4 基于特征波段及特征波段+特征光譜指數(shù)的SVM綜合模型構建

表6 基于SVM的高光譜綜合模型構建及驗證Tab.6 Construction and verification of hyperspectral integrated model based on SVM

圖5 基于特征波段+特征光譜指數(shù)的水溶性鹽基離子模型精度檢驗Fig.5 Accuracy test of water-soluble salt-based ion model based on characteristic bands and spectral indices

3 討論

4 結論