航空高光譜支持下黑土地理化性質反演對地形因子的響應

趙寧博 楊佳佳 趙英俊 秦凱 楊越超 崔鑫

摘要：為了探討地形因子對黑土地理化性質航空高光譜反演的影響，本研究以黑龍江省海倫市典型黑土地為例，開展12種地形因子與土壤有機質含量、全氮含量、全磷含量、全鉀含量、pH值、陽離子交換量、全鹽量的相關性研究，并對比不同建模方法在加入地形因子前后的預測精度。航空高光譜反演結果表明，海拔、坡度、山谷指數、地形粗糙指數、起伏度與多種土壤理化指標顯著相關，在加入地形因子后，支持向量機法和隨機森林法的模型預測精度穩定提升，而偏最小二乘法的模型預測精度卻大幅下降。隨機森林法的模型預測效果整體最好，與純光譜反射率的反演模型相比，加入地形因子后全氮含量模型預測R2的提升幅度最大（提升了0.062），7種理化指標預測模型R2的平均提升幅度為0.036。總之，地形因子對提升黑土地理化性質的航空高光譜反演精度有積極作用，且適合用于機器學習方法進行反演。

關鍵詞：黑土地;理化性質;航空高光譜數據;地形因子;反演

中圖分類號：TP79文獻標識碼：A文章編號：1000-4440（2020）06-1444-08

Abstract：In order to explore the effects of terrain factors on the airborne hyperspectral inversion of physical and chemical properties of black soil， the typical black soil area of Hailun in Heilongjiang province was selected as the research area. The correlation research of 12 terrain factors with soil organic matter content， total nitrogen content， total phosphorus content， total potassium content， pH， cation exchange capacity and total salt content was carried out， and the prediction accuracy of different modeling methods before and after adding terrain factors was compared. The results showed that there was a significant correlation between various physical and chemical properties and the terrain factors such as altitude， slope， valley index， terrain roughness index， fluctuation degree. After adding terrain factors， the model prediction accuracy of support vector machine method and the random forest method was improved steadily， but the prediction accuracy of partial least squares method was greatly decreased. In this study， the modeling effect of random forest method was the best. Compared with the pure spectral inversion model， the model prediction R2 of seven indices was generally improved after adding terrain factors， with an average increase of 0.036， while the increase of total nitrogen content model was the largest （0.062）. On the whole， the terrain factor plays an active role in improving the accuracy of airborne hyperspectral inversion of the physical and chemical properties of black soil， and it is suitable to use machine learning method for inversion.

Key words：black soil;physical and chemical properties;airborne hyperspectral data;terrain factors;inversion

土壤理化性質的空間分布特征受到成土母質、氣候條件、植被類型、地形條件、人為因素等多方面因素的制約，其中地形條件不但支配著水熱資源的重新分配，而且影響著土壤生態系統的物質循環過程和強度，對土壤理化性質有著重要影響[1]。目前，地形因子與土壤理化性質的相關性研究在黃土高原[2-5]、南方丘陵[6-8]、華北及長江中下游平原[9-12]、荒漠綠洲[13-15]、東北黑土區[16-19]等地均有開展，研究結果表明土壤理化參數的空間分布受到高程、坡度、坡向等地形因子不同程度的影響。

遙感技術憑借數據覆蓋面廣、時效性強等優勢，在土壤理化指標提取和空間分布研究方面受到學者的廣泛關注[20-24]。基于地形因子與理化參數空間分布的相關性特征，研究人員嘗試利用地形因子與遙感數據相結合的方式開展土壤養分的空間分布預測。例如，張素梅等[25]利用多種地形因子和美國陸地衛星影像（ETM）提取的植被歸一化指數（NDVI）開展有機質、全氮含量的預測研究，結果表明高程、坡度、地面粗糙度、河流動能指數和NDVI對養分多元回歸模型貢獻較大。劉煥軍等[26]利用Landsat8影像和地形數據開展土壤有機質含量的反演研究，結果表明引入地形因子（高程）后利用回歸克里格法預測的有機質含量精度得到提高。綜合目前的研究成果，在土壤養分遙感反演中加入地形因子后，預測模型的精度普遍得到了一定程度的提升，但是采用的遙感數據主要是多光譜數據，空間和光譜分辨率受到不同程度的制約，無法充分發揮光譜數據在反演中的作用。此外，該類研究的研究對象主要是土壤有機質及全氮，針對陽離子交換量、pH值等其他土壤理化指標的研究相對較少。

2.2土壤理化指標與地形因子的相互關系

2.2.1相關系數計算土壤樣品理化指標與地形因子間的相關系數（表5），主要特征如下：pH值、全氮含量與海拔均呈極顯著負相關，有機質含量、CEC與海拔呈顯著負相關，全磷含量與海拔呈顯著正相關，其中pH值與海拔的相關性最高;全磷含量與坡度呈極顯著負相關，全氮含量與坡度呈顯著負相關;全磷含量與地形粗糙指數呈極顯著負相關，全鉀含量與地形粗糙指數呈顯著正相關;全磷含量與起伏度呈極顯著負相關，有機質含量與起伏度呈顯著負相關;其他地形因子與土壤理化指標間沒有呈現出顯著的相關性。

利用得到的航空高光譜反演數據計算土壤理化指標與地形因子的相關系數（表6），主要表現如下：除全鹽量外，其余理化指標與海拔均呈極顯著相關，其中只有全鉀含量與海拔呈極顯著正相關;全氮含量、全鉀含量、pH值、CEC與坡度均呈極顯著相關;有機質含量和全鹽量與地形粗糙指數和起伏度呈顯著相關，其他理化指標與地形粗糙指數和起伏度均呈極顯著相關;關于高程起伏比、山谷指數、高程百分比指數，土壤樣品理化指標與其均沒有呈現出顯著的相關性（表5），而利用航空高光譜反演數據計算的這些理化指標中有部分理化指標與其存在顯著或極顯著相關性。

2.2.2不同坡度、坡向類別土壤的理化性質差異由于坡度和坡向具有比較明確的分類及類別意義，因此對土壤理化性質在不同坡度、坡向類別間的變化規律進行探討。

坡度分為5個等級，分別為：1級（≤2.0°）、2級（2.1°～6.0°）、3級（6.1°～15.0°）、4級（15.1°～25.0°）、5級（>25.0°）。計算不同坡度級別中土壤理化性質的航空高光譜反演均值，發現各指標在不同坡度級別中絕對值變化幅度均較小。而在相對趨勢上，全氮含量和有機質含量與坡度整體呈負相關，全磷含量、全鉀含量、pH值、CEC與坡度呈正相關，這與表6的結果也較為吻合。

坡向分為4類，分別是：陰坡（0°～45.0°，315.1°～360.0°）、半陰坡（45.1°～90.0°，270.1°～315.0°）、半陽坡（90.1°～135.0°，225.1°～270.0°）、陽坡（135.1°～225.0°）。計算不同坡向類別中土壤理化指標的航空高光譜反演均值，發現各指標對應的坡向組間差異明顯小于坡度組間差異，坡向組間變化趨勢也沒有呈現明顯的規律性。

2.2.3地形因子篩選挑選與各理化指標顯著或極顯著相關的地形因子參與反演建模，各指標篩選的地形因子見表7。整體上，海拔、坡度、山谷指數、地形粗糙指數、起伏度出現的頻率較高。

2.3地形因子對建模的影響

為了更全面地討論地形因子對反演模型的影響，將模型的自變量分為光譜反射率、光譜反射率+篩選的地形因子、光譜反射率+全部地形因子3類。由于模型的預測精度比建模精度更具有實際應用價值，因此以下著重以預測精度為例進行討論。

利用前期試驗應用效果較好的偏最小二乘法進行建模，圖3顯示，加入篩選的地形因子后7種理化指標的模型預測R2均大幅下降，其中pH值和CEC模型預測R2的降幅最大，pH值的模型預測R2由0.665降為0.149，CEC的模型預測R2由0.687降為0.107，加入所有的地形因子后，除CEC外其余土壤理化指標的模型預測R2進一步下降。通過檢查偏最小二乘法計算過程的數據發現，單純利用光譜反射率建模時模型精度隨著主成分數量增加而逐漸提升，達到最高點后隨主成分數量增加而有所降低;加入地形因子后模型精度隨主成分數量增加而一直降低，認為地形因子與光譜反射率之間的相關程度較低，二者對主成分分析計算造成了干擾，從而影響了偏最小二乘法模型預測的精度。

利用支持向量機法和隨機森林法進行對比研究，支持向量機法的核函數采用徑向基函數（RBF），隨機森林法參數中的決策樹數目為5 000，創建分枝所需變量數目為3。圖3顯示，單純利用光譜反射率建模時，支持向量機法對各土壤理化指標的模型預測R2普遍低于偏最小二乘法，加入篩選的地形因子后模型預測R2均穩定提升，平均提升幅度為0.031，有機質含量的提升幅度最大（提升了0.060），繼續加入全部地形因子后模型預測R2仍有較小幅度提升，但最終預測精度小于單純利用光譜反射率的偏最小二乘法。

圖3顯示，僅利用光譜反射率建模時，隨機森林法的預測結果中全氮含量和全磷含量的模型預測R2稍低于偏最小二乘法。加入篩選的地形因子后，各理化指標的模型預測R2均有明顯提升，加入全部地形因子后各理化指標模型預測R2仍進一步微弱提升。與純光譜反射率模型相比，加入全部地形因子后各理化指標模型預測R2的平均提升幅度為0.036，其中全氮含量的模型預測R2提升幅度最大（提升了0.062）。

3討論

研究區12種地形因子中，海拔、坡度、山谷指數、地形粗糙指數、起伏度與土壤理化指標有較高的相關性，這為探討地形因子對土壤理化性質反演的影響提供了依據。

基于地形因子與土壤理化指標的相關性分析，篩選與各個指標相關的地形因子加入反演計算，并利用偏最小二乘法、支持向量機法和隨機森林法探討地形因子對土壤理化性質航空高光譜反演的影響。結果表明，模型自變量中加入篩選的地形因子后，支持向量機法和隨機森林法的模型預測R2均有穩定提升，繼續加入全部12種地形因子后，R2仍有微弱提升，說明地形因子對提升模型精度有貢獻，而且篩選的地形因子對模型的貢獻更大。

偏最小二乘法與支持向量機法、隨機森林法不同，加入篩選的地形因子后偏最小二乘法的模型預測R2大幅度下降，加入全部地形因子后R2進一步下降，分析原因可能是地形因子與光譜反射率之間的相關程度較低，二者對偏最小二乘法計算過程中的主成分分析造成了干擾，從而影響了模型精度。支持向量機法和隨機森林法屬于機器學習方法，模型的學習能力強，更有利于從高維數據中提取有效信息。橫向對比3種方法的模型精度，隨機森林法的建模效果整體上最好，因為其采用的是多個決策樹的投票機制，適合處理高維數據，而支持向量機法受核函數類型的影響較大，在本研究中的預測精度稍低。

本研究結果對后續建立更為完善的土壤理化指標航空高光譜綜合反演模型有啟發意義。航空高光譜技術憑借著光譜分辨率高、數據全覆蓋等優勢，為土壤理化指標的大范圍反演制圖提供了數據支撐，而為了提高該技術的實際應用能力，必須盡可能提升模型的反演精度和可靠性，在后續研究中需要引入更多相關變量開展綜合反演模型研究，繼續提升模型的反演效果和實際應用能力。

參考文獻：

[1]魏孝榮，邵明安. 黃土高原溝壑區小流域不同地形下土壤性質分布特征[J]. 自然資源學報， 2007， 22（6）：946-953.

[2]魏孝榮，邵明安. 黃土溝壑區小流域不同地形下土壤微量元素分布特征[J]. 環境科學， 2009， 30（9）：2741-2746.

[3]孫文義，郭勝利. 黃土丘陵溝壑區小流域土壤有機碳空間分布及其影響因素[J]. 生態學報， 2010， 31（6）：1604-1616.

[4]趙明月，趙文武，鐘莉娜. 土地利用和環境因子對表層土壤有機碳影響的尺度效應——以陜北黃土丘陵溝壑區為例[J]. 生態學報， 2014， 34（5）：1105-1113.

[5]薛志婧，侯曉瑞，程曼，等. 黃土丘陵區小流域尺度上土壤有機碳空間異質性[J]. 水土保持學報， 2011，25（3）：160-163.

[6]趙越，羅志軍，趙杰，等. 峽江縣土壤養分空間特征及與地形因子的相關性[J]. 水土保持研究， 2018， 25（5）：128-133.

[7]陳桂香，高燈州，曾從盛，等.福州市農田土壤養分空間變異特征[J].地球信息科學學報，2017，19（2）：216-224.

[8]鄧歐平，周稀，黃萍萍，等.川中紫色丘區土壤養分空間分異與地形因子相關性研究[J].資源科學，2013，35（12）：2434-2443.

[9]王淑英，路蘋，王建立，等.不同研究尺度下土壤有機質和全氮的空間變異特征——以北京市平谷區為例[J].生態學報，2008，28（10）：4957-4964.

[10]賈振宇，張俊華，丁圣彥，等.基于 GIS和地統計學的黃泛區土壤磷空間變異——以周口為例[J].應用生態學報，2016， 27（4）：1211-1220.

[11]趙明松，張甘霖，李德成，等.蘇中平原南部土壤有機質空間變異特征研究[J].地理科學，2013，33（1）：83-89.

[12]宋軒，李立東，寇長林，等. 黃水河小流域土壤養分分布及其與地形的關系[J]. 應用生態學報， 2011， 22（12）：3163-3168.

[13]徐莉，閆俊杰，陳晨，等. 新疆察布查爾縣農耕層土壤養分空間特征及其與地形因子的關系[J]. 水土保持通報， 2018， 38（4）：44-51.

[14]王雪梅，柴仲平，武紅旗.典型干旱荒莫綠洲區耕層土壤養分空間變異[J].水土保持通報，2016，36（1）：51-56.

[15]唐夢迎，丁建麗，夏楠，等. 干旱區典型綠洲土壤有機質含量分布特征及其影響因素[J]. 土壤學報， 2017， 54（3）： 759-766.

[16]高鳳杰，鞠鐵男，吳嘯，等. 黑土耕作層土壤pH空間變異及自相關分析[J]. 土壤， 2018，50（3）：566-573.

[17]杜可，王樂，張淑香，等. 黑土區縣域土壤養分空間分布特征及其影響因子[J]. 植物營養與肥料學報， 2018， 24（6）：1465-1474.

[18]高鳳杰，馬泉來，韓文文，等. 黑土丘陵區小流域土壤有機質空間變異及分布格局[J]. 環境科學， 2016， 37（5）：325-332.

[19]張孝存，鄭粉莉，安娟，等. 典型黑土區坡耕地土壤侵蝕對土壤有機質和氮的影響[J]. 干旱地區農業研究， 2013， 31（4）： 182-186.

[20]邢東興，王明軍，陳玲俠，等. 桃樹遙感辨識的最佳時相與方法[J].江蘇農業學報，2019，35（4）：919-926.

[21]王利軍，郭燕，王來剛，等. 農情遙感信息服務與野外監測云平臺構建[J].南方農業學報，2018，49（6）：1242-1248.

[22]張自超，韓宇，陳建，等. 基于無人機遙感數據的生態渠系信息提取[J]. 排灌機械工程學報，2018，36（10）：1006-1011.

[23]王術波，韓宇，陳建，等.基于深度學習的無人機遙感生態灌區雜草分類[J]. 排灌機械工程學報，2018，36（11）：1137-1141.

[24]單捷，孫玲，王志明，等. GF-1影像遙感監測指標與冬小麥長勢參數的關系[J].江蘇農業學報，2019，35（6）：1323-1333.

[25]張素梅，王宗明，張柏，等. 利用地形和遙感數據預測土壤養分空間分布[J]. 農業工程學報， 2010， 26（5）：188-194.

[26]劉煥軍，謝雅慧，潘越，等. 黑土區田塊土壤有機質空間分異及分布研究[J]. 土壤通報， 2018， 49（6）： 1445-1451.

[27]秦承志，盧巖君，包黎莉，等. 簡化數字地形分析軟件（SimDTA）及其應用——以嫩江流域鶴山農場的坡位模糊分類應用為例[J]. 地球信息科學學報， 2009， 11（6）： 737-743.

[28]沈從旺，徐麗華.土壤pH值和全鉀含量高光譜反演方法比較[J]. 江蘇農業學報， 2020， 36（1）： 92-98.

[29]中華人民共和國自然資源部.土地質量地球化學評價規范：DZ/T 0295-2016 [S].北京：地質出版社，2016：42.

[30]呂貽忠，李保國. 土壤學實驗[M]. 北京： 中國農業出版社， 2010.

[31]楊勁松，姚榮江. 黃河三角洲地區土壤水鹽空間變異特征研究[J]. 地理科學， 2007， 27（3）： 348-353.

（責任編輯：王妮）