基于模擬蒸發數據的濱海鹽漬土水分光譜模型

張曉光 ，孔繁昌

（1.青島農業大學 資源與環境學院，山東 青島 266109； 2.土壤與農業可持續發展國家重點實驗室，南京 210008）

0 引 言

【研究意義】我國是世界上鹽漬土面積最大、分布區域最廣的國家之一。水作為鹽分的溶劑和載體，在水鹽運移的整個過程起著關鍵作用。同時，水資源是制約農業生產和生態環境可持續發展的重要原因之一。因此，土壤水分的監測對于農業生產來說是不可或缺的，而鹽漬土的治理對于土壤含水率的快速獲取也有著迫切的需求[1]。

【研究進展】隨著高新技術的出現與應用，在土壤含水量監測方面涌現出微波法、熱慣量法、植被指數法（光學法）、高光譜遙感法等多種手段[2-7]。其中，高光譜遙感具有動態性強、客觀綜合等優勢，成功解決了傳統監測手段的諸多瓶頸[8-9]。Sadeghi 等[10]針對不同土壤的含水率，使用光譜反射率數據進行了初步監測。姚艷敏等[11]通過一系列光譜變換，建立了比較理想的土壤水分預測模型。也有研究人員直接使用Hyperion 高光譜影像通過光譜變換建立了模型[12]，但模型預測精度略遜色于近地面光譜模型。

【切入點】土壤水分的光譜模型研究中，有針對干旱地區[7,12-13]的土壤水分狀況建立的，也有針對濕潤地區[11]建立的。然而對濱海鹽漬土區土壤水分的光譜模型研究則相對較少，而且大部分研究多側重于野外實測水分數據。模型的精度受樣本數據影響較大，野外測量的土壤水分數據梯度并不均勻，土壤含水率比較集中，因而建立的模型可能只適合于某一含水率區間。【擬解決的關鍵問題】濱海地區的鹽漬土面積廣泛，水分條件復雜，現有的水分光譜模型可能不適應濱海地區復雜的水分狀況，所以亟需建立土壤水分分布區間更具有普適性的光譜模型。

因而，本文以黃河三角洲地區濱海鹽漬土為研究對象，通過室內實驗控制變量，模擬自然狀態下土壤水分蒸發過程，獲取分布區間廣泛的水分數據。采用近地面高光譜遙感技術測量不同含水率、含鹽量的光譜數據。通過若干種不同的光譜變換，分別建立土壤光譜數據與土壤含水率之間的偏最小二乘回歸模型（PLSR），并分析不同光譜變換對模型精度的影響。

1 材料與方法

1.1 研究區概況

土壤樣品采集于黃河入海口的山東省墾利縣（37°24′—38°10′N，118°15′—119°19'E）。該區域瀕臨渤海，由長期的黃河沖刷淤積形成。屬溫帶季風氣候，冬季寒冷干燥，夏季濕熱多雨。研究區中間部分由于黃河泥沙淤積，地勢升高，二側向南北方向地勢逐漸降低。另外，墾利縣各類資源開發潛力巨大，但土壤鹽漬化成為影響土地開發利用的重要障礙因素之一。

1.2 土壤樣品的采集與制備

按照土地利用類型采集了100 份樣品。將樣品（1～2 kg）編號后裝入塑料袋中，帶回實驗室自然風干。去除植物殘渣及石子等雜物后將樣品磨細過2.0 mm 篩備用。由于本次采樣范圍廣，為避免土壤自身含鹽量不均衡對試驗帶來誤差，茲采取人為控制含鹽量的方法。又由于研究區位于濱海地區，土壤中鹽分類型主要以氯化物為主，所以控制的鹽分類型主要是氯化物。從較低含鹽量的土壤樣品（土地利用類型是水稻田）中，分別取16 份土壤，放置不同的鋁盒中。然后配置8 種不同質量濃度的NaCl 溶液，分別倒入不同的培養皿中浸潤不同鋁盒的土樣，以模擬不同含鹽量的濱海鹽漬土。

1.3 土壤含水率的測定

鋁盒及培養皿總質量記為Z。將土樣放入鋁盒中后再次稱取三者質量，記為Z1。將鋁盒放置培養皿中，向培養皿中加入對應含鹽量的鹽溶液后，待土樣完全吸收溶液對鋁盒、培養皿及土樣一起稱質量，記為Zi。以后每天在相同時間、環境條件下再次稱取土樣質量（Zi）。通過記錄土壤樣品的質量變化來計算土壤水分的蒸發量，并計算每天土壤的含水率，計算公式如下：

式中：Z1為空鋁盒培養皿及土樣質量；Zi為浸潤后鋁盒、培養皿及土樣質量；Z 為空鋁盒及培養皿質量。

1.4 土壤水分光譜的測量與處理

不同含水率的土壤光譜數據采用Avaspec-ULS2048光譜儀采集。該光譜儀波段范圍350～1 100 nm（分辨率0.05～20 nm，與光柵類型和狹縫寬度有關），采用自然光源。將儀器架設在桌面上，土壤樣品置于光譜儀的傳感器探頭正下方12 cm 處。在土樣由完全濕潤至自然風干的過程中，每天10:00—12:00 進行光譜測量，同時稱質量。共獲得128 個連續的土壤水分變化光譜數據。

由于光譜數據信噪比低，采集時光譜動態變化頻率很快，導致出現明顯的“毛刺”現象，這對研究是不利的。因此，有必要進行平滑處理[11]，本次研究采用9 點加權移動平均方法進行平滑去噪處理。高光譜數據因其本身光譜分辨率高，會帶來數據的冗余。過多的冗余信息會掩蓋所需的必要信息。為了避免數據本身的自相關性，降低冗余[14]，本文對濱海鹽漬土土壤水分光譜數據進行重采樣。參考已有研究[15]，進行了間隔為10 nm 的重采樣后，重采樣后共得到 75 個光譜波段。

1.5 模型的構建與評價

縱觀使用高光譜數據來反演土壤含水率建立的模型，一類是根據含水率與光譜波段相關性建立的多元回歸模型，另一類是基于所有光譜數據建立的主成分回歸或偏最小二乘回歸模型。偏最小二乘回歸模型不僅抗噪能力較強而且可以容納更多變量[16]，所以本文采用了偏最小二乘回歸。該模型的基本思路是：逐步提取光譜數據中的主成分，隨著增加變量（信息不全時），逐步檢驗模型的顯著性，一旦滿足要求即停止計算[17]。

本次研究共獲取了128 個土壤水分光譜數據，因為有重復試驗，所以對重復試驗的數據進行了平均，共計64 個光譜數據樣本。模型的驗證使用獨立驗證和交叉驗證方法。獨立驗證時，建模集和獨立驗證集采用質量濃度梯度法選取。樣本全部按照含水率高低進行排序，每隔一個選取2 個樣本，共得到43 個樣本作為建模樣本集，剩余的21 個組成獨立驗證集（預測集）。交叉驗證采用的是留一法交叉驗證（leave-one-out cross validation）來降低模型的過度擬合風險。該方法把除去某個樣本點j 的所有樣本集（n-1）作為訓練集擬合一個回歸方程，然后把排除的樣本點j 代入前面的擬合方程，得到因變量y 在樣本點i 上的擬合值。對每一個樣本點重復上述計算，并且循環，使得每個樣本都進入預測集，然后綜合驗證方程有效性。

為了消除光譜噪聲，提取土壤水分的光譜信息，往往需要進行多種光譜變換處理。本文分別對光譜數據進行了平滑、平滑+倒數、平滑+對數、平滑+倒數對數、平滑+一階導數、平滑+二階導數、平滑+MSC（多元散射校正）、平滑+基線校正、平滑+范圍歸一化、平滑+面積歸一化、平滑+最大值歸一化、平滑+變量歸一化等光譜變換處理，以期明確最佳的光譜變換方法。主要的光譜變換原理可見文獻[18]。

使用模型的決定性系數（R2）、均方根誤差（RMSE）及預測樣本標準差與預測均方根誤差比（RPD）來評價模型精度。R2值越大，說明方程的擬合程度越高，在本文中表示光譜回歸變量對土壤水分因變量變異性的解釋程度越強；RMSE 越小，表示模型越準確；RPD 越大，表示模型分辨能力越好。一些學者認為需要根據不同研究對象參考實際情況來確定RPD 的優劣[19]。鑒于本次研究對象的特點，同時考慮RMSE 與標準差之間的相關度，參考其他指標[19]，可以認為RPD<1.5 時，模型的預測能力很差，不適合建模；1.5≤RPD<2 時，預測能力良好，尚可用來進行大致估算；RPD≥2.0，代表模型質量很好，可以用于定量預測。

2 結果與分析

2.1 土壤含水率統計特征

由完全濕潤到自然風干過程的8 個鹽分梯度土樣的含水率觀測數據可知（表1），土樣含水率的最大值為63.66%。含水率最小值僅為0.077%，已經非常接近于0，因此可以默認為完全干燥。含水率的中值是11.57%，標準差（Standard Deviation）為17.36%，變異系數達到了150.04%。

表1 土壤含水率描述性統計特征 Table 1 Descriptive statistics of soil moisture content

2.2 不同光譜變換方法PLSR 模型精度

進行光譜變換能夠更加有效地提高光譜數據與因變量的相關性[20]。為了尋找出最好的光譜處理方法，提高建模預測精度，本文使用10 nm 重采樣后的光譜數據，分別進行了平滑、平滑+倒數、平滑+對數、平滑+倒數對數、平滑+一階導數、平滑+二階導數、平滑+MSC、平滑+基線校正、平滑+范圍歸一化、平滑+面積歸一化、平滑+最大值歸一化、平滑+變量歸一化等光譜變換處理，而后分別建立了偏最小二乘回歸模型（表2）。

表2 基于不同光譜變換的PLSR 模型的建模、交叉驗證、獨立驗證 Table 2 Modeling, cross-verification and independent verification of PLSR Models based on different spectral transformations

如表2 所示，在所有光譜建模結果中，建模集的精度均高于交叉驗證集和獨立驗證集的精度。從建模集的精度來看，除平滑+倒數變換之外，其余光譜變換過后的模型建模精度普遍比較理想，R2大部分在0.809 0～0.974 7 之間，RMSE 也都大部分低于0.1。而建模集的精度只是代表建模樣本的方程擬合程度，預測精度還需要驗證。

在交叉驗證集的模型中，除了除平滑+倒數變換之外，R2大多數處于0.630 9～0.861 3 之間，較建模集略有降低，RMSE 略有上升，但仍具有很好的預測效果。在獨立驗證集中，較交叉驗證集又略有降低，RMSE 略有上升，各種光譜變換后模型的預測精度差異較大。但是R2大于0.6 的模型數量仍然較多，獨立驗證集精度R2最高仍可達到0.713 1，說明部分模型的預測效果依舊很好。

從各種不同光譜變換后的模型獨立驗證精度來看，平滑+倒數光譜變換后的模型預測精度效果不好，R2也僅為0.002 0，RPD 僅有1.003 5，估測能力很差，說明倒數光譜變換不能通過檢驗，不適合用于鹽漬土水分建模。僅平滑處理的光譜數據模型（R2=0.458 3，RPD=1.362 6）就已經開始顯示出一定的建模效果。平滑+基線校正和平滑+倒數對數變換的模型精度，與平滑處理的光譜數據模型相比，均有所降低，說明這2 種光譜變換不能夠抑制光譜噪聲。

在進行的所有類型的變換當中，平滑+歸一化（包含變量歸一化、范圍歸一化、最大值歸一化）均取得比較優異的結果，精度均遠遠高于光譜平滑后的模型，說明歸一化是比較可行的。其中，平滑+變量歸一化獨立驗證集R2達到0.713 1，RMSE 僅為0.095 0，在驗證集中最高，RPD 同樣達到1.823 7，說明平滑+變量歸一化處理后的光譜數據具有很高的建模水平，平滑+變量歸一化方程可直接用于鹽漬土水分的反演。

平滑+一階導數、平滑+二階導數、平滑+對數、平滑+MSC 變換后，驗證集的R2也都在0.6 以上，RPD大于1.62，精度均高于光譜平滑后的模型。說明導數微分變換、對數及MSC 變換能夠有效地抑制光譜的噪聲，改善模型的精度。

2.3 基于不同光譜變換組合的PLSR 模型

通過上述光譜變換處理，發現大部分光譜變換的確能夠提高建模的精度，為了達到最佳的建模效果，選取在上一節中建模效果較好的幾種光譜變換方法進行組合，探索多次光譜變換能否進一步提高預測水平。選取并重新組合了平滑+范圍歸一化+MSC、平滑+變量歸一化+MSC、平滑+一階導數+范圍歸一化、平滑+二階導數+變量歸一化、平滑+二階導數+范圍歸一化、平滑+一階導數+MSC、平滑+二階導數+MSC等7 種二次光譜變換組合處理，建立的PLSR 模型結果如表3 所示。

表3 基于不同光譜變換組合的PLSR 模型建模、交叉驗證、獨立驗證結果 Table 3 Modeling, cross-verification and independent verification of PLSR Models based on different spectral transformation combinations

縱觀所有的模型，建模精度R2依然都很高（R2在0.880 8～0.967 3 之間，RMSE 均低于0.062 8），而且都高于自身的交叉驗證集（R2在0.745 7～0.884 0之間，RMSE 均低于0.087 5）和獨立驗證集（R2在0.522 2～0.866 0，RMSE 均低于0.126 0）。

對比每種光譜變換后模型的獨立驗證結果，平滑+變量歸一化+MSC 變換后的模型取得了很好的預測效果（R2=0.866 1，RMSE=0.062 8，RPD=2.764 3）。與平滑+變量歸一化、平滑+MSC 光譜變換相比，模型的精度均得到了明顯的提高。說明，平滑+變量歸一化+MSC 光譜變換建模是針對濱海鹽漬土是非常有效的建模方法。

3 討 論

本次采取多種不同的光譜變換及不同光譜變換組合來探求最佳光譜變換模型精度，經過光譜變換的模型精度均比原光譜數據建立的模型精度提升。其中，平滑后分別進行導數微分變換、對數變換、變量歸一化及多元散射校正變換都得到了較好的精度。

有研究利用衛星遙感數據對野外土壤水分建模時發現[12]，對數變換光譜獲得了很好的預測精度，本文在室內模擬的條件下對數變換也能提高土壤水分的預測精度，說明在土壤水分預測時，光譜對數變換是一種可選擇處理方法。導數變換在光譜預測中應用非常廣泛，主要消除的是線性背景噪聲，一定條件下部分土壤屬性應用效果較好，也有部分土壤屬性應用效果較差[15]。包括本文在內的多個研究[11,13]應用導數變換預測土壤水分時均達到一定的效果，說明土壤水分光譜存在線性背景噪聲。本文使用的歸一化和多元散射校正處理，也達到了較好的模型精度，這說明這些光譜變換能夠有效地抑制水分光譜的噪聲，改善模型的精度。這與已有文獻中關于歸一化、多元散射校正能夠改善水分光譜模型精度的結論是一致的[1]。

同時，在光譜變換組合建立的模型精度中，組合變換模型與未進行組合建模相比，很多模型驗證精度都呈明顯下降。說明并不是所用的光譜變換越多，模型的精度就會越高。這可能是因為過多的光譜變換會導致重要的有用信息被錯誤剔除或掩蓋。這與東北地區構建的蘇打鹽漬土高光譜模型的研究結果[15]是吻合的，說明濱海鹽漬土的模型建立工作也有類似的情況。這在以后的工作中有一定的借鑒意義。

4 結 論

1）平滑+變量歸一化后的光譜模型，具有很高的預測水平，可以直接用于鹽漬土水分的反演。

2）平滑+變量歸一化+MSC 光譜組合變換的模型（R2=0.866 1，RMSE=0.062 8），取得了很好的預測效果，精度均比平滑+變量歸一化、平滑+MSC 光譜變換高。但并不是所有光譜變換越多，模型的精度就越高。過多的變換可能會掩蓋或錯誤剔除有用信息。

本次研究建立的光譜水分模型，由于土壤水分數據范圍廣，具有很好的梯度，所以在濱海鹽漬土區域的應用具有較好的可推廣價值。