基于電磁感應協同野外原位光譜的土壤鹽分反演研究

羅德芳，馮春暉，吳家林，殷彩云，柳維揚，彭 杰

（塔里木大學植物科學學院，新疆 阿拉爾 843300）

土地退化的一個主要原因是土壤的鹽漬化程度高，土壤鹽漬化會對土壤資源產生極大的浪費，導致土壤利用率、農業產量、農民收入降低。因此，全球對土壤鹽漬化的問題都很關注。據初期調查，全球受到鹽漬化危害的面積將近有10×108hm2，共占陸地面積的7%，尤其是在新疆南部地區受害面積大，程度重。南疆地區屬于極度干旱區，離子比例及鹽分構成展示出明顯的地域性特質［1］，有22.36%面積的土壤都受到一定程度的鹽漬化危害。盡早了解南疆地區的鹽漬化范圍、種類和變化，是監測改良鹽漬化土地的依據。了解土壤受危害的面積及程度是合理改良鹽漬化土壤的關鍵因子。傳統監測土壤鹽分狀況的方法需要在野外采集土壤帶回室內進行化學分析，不僅耗費大量的人力物力，而且時效性差，無法準確及時地反映出土壤鹽分的變化狀況［2-3］，高光譜遙感以其快速、高效的優點成為了當下研究土壤特性的一種普遍方式。因此EM38-MK2遙感技術與光譜反射率相結合，在處理土壤鹽漬化監測問題上占有很大優勢。

近年來許多國內外學者研究了高光譜遙感技術定量或者半定量的測量土壤鹽漬化和土壤特性，還有一些學者探討了土壤實測電導率與光譜反射率之間的函數模型，并且使用反射光譜技術成功地預測了土壤中鹽分含量。彭杰等［4］以新疆、浙江、吉林3個地區作為研究區探討了不同地區鹽漬化光譜特征并建立了適合跨區域土壤鹽漬化反演模型。丁建麗等［5］將土壤、植被與綜合的光譜特征進行比較，發現實測土壤、植被光譜特征經過一階微分變換形式的處理之后最能表現出土壤及植被特征；綜合光譜特征所建模型較植被或鹽分構建的模型要好。姚遠等［6］以電磁感應儀（EM38）測得的數據和高光譜數據構建了區域土壤鹽漬化遙感監測模型。Dehaan等［7］對土壤光譜特征進行了實地測量，結論為鹽漬化程度大的地點光譜特征在680、1 180、1 780 nm處均具有明顯的吸收特征。劉煥軍等［8］以東北鹽漬土為研究對象，建立土壤光譜指數，對反映鹽漬化程度的最佳波段和土壤光譜指標進行了分析和確定，建立了土壤參數的高光譜定量模型，以評價土壤鹽漬化程度。結果顯示，鹽漬土在400～2 500 nm波段內表現出5個顯著的吸收“谷”，對應的吸收“谷”中心波長位置大致為500、670、1 418、1 915和2 210 nm。Liu等［9］研究地表土光譜與地下土壤鹽分之間的相關性，利用結構方程模型（SEM）建模方法證實二者之間具有顯著相關性。結果表明，該光譜不僅能檢測表層土壤的性質，而且能提供有關地下土壤的信息，并且遙感可以用來繪制較深土層的土壤性質圖。

已有的高光譜遙感監測土壤鹽漬化成果為后人進一步研究土壤鹽漬化提供一定的參考價值。但由于南疆地區土壤鹽漬化范圍廣、程度深，已有土壤鹽漬化監測模型很難應用到南疆地區。并且對于EM38與高光譜結合起來監測土壤鹽漬化的研究也鮮見。因此，本研究旨在探明EM38遙感技術與高光譜技術相結合，提出構建南疆地區土壤鹽漬化高光譜定量反演模型的思路與方法，以期實現對土壤鹽漬化的高精度監測，從而為更好地改善南疆地區的土壤鹽漬化狀況提供一定的理論依據。

1 材料與方法

1.1 研究區概況

研究區地處天山南麓，塔克拉瑪干沙漠北緣，阿克蘇河與和田河、葉爾羌河三河交匯之處的塔里木河上游。據研究區氣象站及中國氣象局1956～2016年資料，研究區多年平均氣溫10.8℃，多年平均最高氣溫為18℃，多年平均最低氣溫為3℃，月最高氣溫為40.6℃，月最低氣溫為-25.4℃；多年平均蒸發量為1 331.56 mm，夏季蒸發量最大，占全年的42.72%，汛期（5～10月）蒸發量占全年的74.46%；多年平均降水量47.21 mm，5～10月降水量最多，占全年的97%左右；研究區光熱資源充足，平均日照時數2 838.2 h，年平均無霜期214 d，屬暖濕帶內陸干旱氣候，光照充足，降水少，蒸發強烈。研究區地理位置是80°48′～81°12′E，40°45′～41°60′N，土壤類型為鹽堿土［10］。

1.2 樣品采集與測定

采樣時間為2016年9月，采樣地點為阿拉爾五團公路兩側，如圖1所示，每隔700 m采集一個點位的土壤樣品，同時在樣點附近隨機采集光譜數據以及表觀電導率，最終獲得148個點位的土壤光譜和表觀電導率數據以及37個點位的土壤樣品。

圖1 研究區示意圖

1.2.1 光譜數據采集與預處理

利用美國SVCHR-1024便攜式地物光譜儀［11］采集光譜數據，測定土壤光譜的范圍是350～2 500 nm，光譜分辨率在350～1 000 nm為3.5 nm，在1 000～1 850 nm為8.5 nm，在1 850～2 500 nm為6.5 nm，采樣間隔為1 nm，測量視場角為15°。選擇一個晴朗無云的天氣，在當地時間11：00～ 14：00時進行光譜數據采集，每個樣點采集10條光譜曲線求平均值，最終獲得148條曲線的光譜 數據。

獲得的光譜曲線存在不同的波段光譜分辨率不同的問題，利用ENVI軟件中光譜重采樣將所有波段的光譜分辨率都調整為1 nm，去除350～399 nm和2 451～2 500 nm波段噪聲較大的邊緣波段。在采集光譜指標的過程中受到天氣、儀器本身的誤差、白板、雜散光等因素，會影響光譜曲線的平滑度，需對光譜曲線外界噪音的影響進行校正處理。針對土壤反射率光譜曲線，本研究運用The Unscrambler 10.0軟件中Transform內的Savitzky-Golay濾波平滑處理對光譜曲線進行平滑去噪處理，擬合方法主要通過最小二乘法的多項式曲線對光譜曲線進行平滑［6，12］，平滑之后再進行光譜反射率形式變換的過程［13］。光譜數據變換處理為反射率進行一階微分變換與倒數變換。

1.2.2 土壤表觀電導率數據采集

采用由加拿大生產的EM38-MK2大地電導 儀［14］來測定樣點的土壤表觀電導率。EM38-MK2大地電導儀長為1 m，包括一個發射線圈和兩個接收線圈，接收線圈和發射線圈分別相距0.5和1.0 m，所以EM38-MK2大地電導儀有1.0 m的線圈模式和0.5 m的線圈模式，在本研究中采用的是1.0 m的線圈模式。EM38-MK2大地電導儀測定時分為垂直測定模式和水平測定模式［15］。垂直測定模式下的測定深度為0～1.5 m，水平測定模式下的感應深度為0～0.75 m，因此對同一個采樣點進行兩種模式的測定。對每個采樣點分別進行水平模式和垂直模式下表觀電導率的測定，測得的土壤表觀電導率分別為表觀水平電導率（EMh）和表觀垂直電導率（EMv）。本次采樣共采集148個點的表觀電 導率。

1.2.3 土壤樣品采集與處理

在研究區采用五點取樣法分別采取一個樣點的0～20、20～40、40～60、60～80、80～100 cm共5個深度的土壤樣品，裝入自封袋中帶回實驗室進行室內化學分析，一共采集了37個樣點的土樣。將采集的37個土樣經過篩除殘渣后，放置烘箱先調至105℃烘2 h，再用80℃烘8 h之后研磨過0.25 mm的篩，供化學分析用。本次研究中土壤樣品測定的指標包括土壤電導率、pH、有機質以及含水量。電導率和pH測定采用的儀器是DDS-307電導率儀［16］和pH儀，有機質用消煮法測定，含水量用烘干法測定［17］。

1.2.4 模型建立方法及精度檢驗

本研究采用偏最小二乘法［18］（PLSR）與主成分回歸［18］（PCR）進行建模，建模思路是全波段和特征性波段建模，反射率及其數學變換形式進行建模。PCR和PLSR 由 Unscrambler 10.0來實現。采集的148個土壤電導率按大小進行排序，每間隔1個樣本選擇2個樣本作為建模樣本集，其余樣本為驗證樣本集，最終得到99個建模集樣本數，49個預測集樣本數。其建模集與預測集實測電導率的數據如表1所示。模型估測精度通過預測值與實測值的決定系數（R2）、均方根誤差（RMSE），相對分析誤差（RPD）來判定，R2與RPD越大，RMSE越小，說明模型的預測精度 越好［19］。

表1 建模集與預測集電導率數據統計

2 結果與分析

2.1 實測土壤電導率與EM38-MK2表觀電導率關系模型

2.1.1 土壤表觀電導率的可行性分析

EM38-MK2大地電導儀在同高度不同測量方式之間具有相關性，而且不同的傳感器通過參數轉換之后也可共用，不同的傳感器由于參數不同，在測量相同地點鹽分信息時感應度也會有所不同，最終表現為表觀電導率不均勻。因此，要通過表觀電導率（EM）來預測土壤實測電導率（EC），首先要分析在相同高度下垂直模式（EMv）和水平模式（EMh）的相關性［19］。本研究對采集的148個EM進行相關性分析，如圖2所示。

從圖2可以看出，在研究區中，在兩種模式的測量數據之間具有顯著的相關性，二者之間的決定系數R2為0.93，擬合程度好，能夠較好地反映土壤鹽分信息，數據質量能夠滿足土壤電導率預測模型的要求。

圖2 土壤表觀垂直電導率與水平電導率相關性分析

2.1.2 基于土壤表觀電導率的回歸分析

建立以37個EMv和EMh表觀電導率為自變量，37個土壤實測電導率為因變量的二元一次方程式［20］：

式中：EC為土壤實測電導率；EMv和EMh分別為EM38-MK2大地電導儀在垂直模式和水平模式下的表觀電導率。由擬合優度R2>0.85，方程通過了P=0.01的置信度檢驗，達到了極顯著水平。因此，可以利用建立的模型得到剩余的111個未采集土樣的電導率。

2.2 土壤電導率光譜反演模型的構建與驗證

2.2.1 不同電導率土樣的反射光譜特征

在自然條件下，高鹽分地區的地表會形成一層白色的鹽殼，隨著鹽分含量的不斷增加，鹽殼的覆蓋面積及厚度會不斷增加，反映在光譜信息上的表現為光譜的反射率增加。所以，土壤含鹽量程度和成分的不同也會直接或間接的表現在土壤光譜曲線上，高光譜的光譜分辨率極高，不同地物電磁波反射率或者吸收特征上的差異也會表現在光譜曲線的變化上［6］。

圖3是不同土壤電導率土樣經過Savitzky-Golay平滑去噪后的反射率曲線［21］。從圖3可以明顯看出，每條光譜反射率曲線的波段變化具有相同的規律性；在400～1 100 nm波段，反射率逐漸增大；在1 100 nm處，光譜反射率突然下降，直到1 360 nm低谷處又逐漸上升，在1 650 nm處達到峰值后逐漸下降至2 000 nm處又繼續上升至2 250 nm，最后一直呈下降趨勢到2 400 nm。同時，電導率越大的土樣，它的光譜反射率就越高，說明光譜對鹽分有極大的敏感度，可以利用光譜特征信息來判斷鹽分的高低狀況。

圖3 不同電導率的光譜特征

2.2.2 土壤電導率與光譜反射率的相關性分析

土壤反射率、一階微分光譜以及反射率倒數是土壤高光譜遙感定量監測中常用的光譜指標［22-23］。 因此，本次研究選擇這3個光譜指標與土壤電導率進行相關性分析。由圖4可得土壤光譜反射率、反射率倒數和反射率一階微分與土壤電導率之間都具有一定的相關性。但經反射率一階微分形式變換之后的數據與土壤電導率的相關性顯著提高，相關性最好。在420～1 101、1 451～ 1 511、1 955～2 270 nm波段達到極顯著正相關，在2 270 nm處最大正相關系數為0.74，在577～ 1 101、1 428～1 638、1 865～2 191 nm波 段 達到極顯著正相關，在1 865 nm處最大負相關系數為-0.73；在428～1 504、1 814～2 426 nm處達到顯著正相關，在975 nm處正相關系數為0.33，在627～985、1 594～1 623、1 608～2 088、 2 114～2 449 nm波段呈顯著負相關，在2 175 nm處負相關系數為-0.33。土壤電導率與光譜反射率在1 982～1 998、2 004～2 014、2 020～ 2 046、2 052～2 088 nm處達到極顯著正相關，在2 041 nm處最大正相關系數為0.43，不存在極顯著負相關；在1 511～1 526、1 961～1 977、 2 057～2 155 nm波段達到顯著正相關，在2 093 nm處相關系數為0.33，在406～418、420～438、440～444 nm處顯著負相關，在441 nm處最大負相關系數為-0.27。反射率進行倒數變換形式之后與土壤電導率的相關性顯著降低，不存在極顯著相關；在400～426 nm處顯著正相關，在415 nm處最大正相關系數為0.27，在1 982～2 041 nm處顯著負相關，在2 004 nm處最大負相關系數為 -0.28。

圖4 不同反射率變換形式與電導率的相關分析

通過篩選特征性波段來建立基于光譜反射率的電導率監測模型［24-26］。經過相關性分析，反射率一階微分確定的特征性波段為420～1 101、1 428～ 1 638、1 814～2 449 nm；反射率確定的特征性波段為406～418、420～438、440～444、1 982～ 1 998、1 511～1 526、1 961～1 977、2 004～2 014、2 020～2 046、2 057～2 155 nm；反射率倒數變換確定的特征性波段為400～426、1 982～2 041 nm。

2.2.3 土壤電導率光譜反演模型的構建與驗證

為了探明不同形式的高光譜特征差異對土壤電導率定量反演模型精度的影響，本研究對比了全波段建模和顯著性波段建模的反演精度［4，27］。建模方法是運用148條全波段（400～2 400 nm）及篩選的通過顯著性檢驗的特征性波段作為自變量，以通過EM38-MK2解譯出的148個土壤電導率作為因變量。通過The Unscrambler 10.0軟件，采用交叉驗證法來確定回歸模型中最佳因子數，建立偏最小二乘回歸（PLSR）與主成分回歸（PCR）的電導率反演模型［12］并進行精度驗證。按1.2.4提到的建模集與預測集的分配方法，選擇99個樣本數據為建模集，49個樣本數據為驗證集，結果如表5和表6所示。

表5 土壤電導率的全波段及特征性波段的反演模型

表6 不同建模方法的電導率反演精度

表5、表6所示，經過反射率一階微分變換后建模，交叉驗證以及反演精度都是最好的，用PLSR全波段建模精度為0.92，交叉驗證精度為0.82，反演精度為0.85，特征性波段建模精度為0.66，交叉驗證精度為0.54，反演精度為0.67；用PCR全波段建模精度為0.90，交叉驗證精度為0.84，反演精度為0.81，特征性波段建模精度為0.57，交叉驗證精度為0.44，反演精度為0.72。因此反射率一階微分建立的全波段PLSR模型是本研究所建模型的最優估算模型，模型精度R2為0.85，相對分析誤差RPD為2.56，可較好的預測土壤電導率。

3 討論

在可見光和近紅外波段內，土壤鹽分的反射光譜具有共同的特性，即其反射率都隨著波長的增加而增加且特別顯著。雖然土壤反射光譜曲線在外形上很相似，但土壤是一個多相體系，它是由物理和化學性質各不相同的物質組成的，故必然會影響土壤的反射光譜特性，使反射率有所差異，這就使不同類型土壤有其自己的光譜特性。在研究區中，經過土壤鹽分在不同波段上的特征性表現，并未發現有其他相似波段或者相似土壤特性的產生，可以確定采集的波段為土壤鹽分的反射特性。這些將為從定性的解譯土壤類型發展到定量或半定量的解譯某些土壤性狀提供依據。

偏最小二乘回歸法和主成分回歸法在全波段方法建模中，通過將全波段光譜反射率、反射率倒數變換及反射率一階微分變換數據分別進行線性組合，形成一些能夠更好地表現出土壤鹽分信息的主成分，既能夠減少變量，又可以保留能反映出土壤電導率變化特征的變量，因此適合利用全波段反射率及其變換形式直接建模的情況。但是偏最小二乘回歸法和主成分回歸法無法解決變量之間的共線性問題，不適合樣本數較少但是變量較多的情況下回歸模型的構建。此外當樣本中出現異常點時，偏最小二乘回歸法和主成分回歸法無法消除異常點的影響，而使得建模結果出現偏差，因此利用特征性波段反射率及其變換形式建立回歸模型時具有很大局限性［23］。

利用EM38-MK2表觀電導率與光譜特征數據都可以反演土壤的電導率，從而監測土壤鹽分狀況。利用EM38-MK2測得的數據僅能反映出土壤的鹽漬化程度，但它不能與衛星遙感結合起來更方便快捷地進行大范圍鹽漬化的監測。相反，高光譜技術可以與衛星遙感結合起來，更高效地監測土壤的鹽漬化情況，更好地改良鹽漬化土壤，這也為今后的研究提供了一個方向。

4 結論

本研究通過對南疆地區鹽漬土的土壤表觀電導率、實測土壤電導率以及實測土壤光譜的分析，建立表觀電導率與土壤實測電導率之間的反演模型，并對實測土壤光譜反射率進行倒數和一階微分形式的變換，并與EM38-MK2反演后的電導率數據建立全波段與特征性波段反演模型。以EM38-MK2大地電導儀測得的表觀電導率數據（EMh和EMv）為自變量，土壤實測電導率數據為因變量，建立的二元線性回歸模型的決定系數R2為0.89，達到了0.01極顯著水平。由此說明用EM38-MK2大地電導儀的測量值來評估區域土壤鹽漬化程度是可 行的。

反射率的變換形式會對土壤的光譜特征信息產生一定的影響，也會影響到反演模型的精度。經過對反射率進行一階微分與倒數形式的變換之后，對比發現反射率一階微分處理要好于反射率與反射率倒數處理。經過反射率一階微分變換后建模，交叉驗證以及反演精度都是最高的，用PLSR全波段建模精度為0.92，交叉驗證精度為0.82，反演精度為0.85，特征性波段建模精度為0.66，交叉驗證精度為0.54，反演精度為0.67；用PCR全波段建模精度為0.90，交叉驗證精度為0.84，反演精度為0.81，特征性波段建模精度為0.57，交叉驗證精度為0.44，反演精度為0.72。

反射率一階微分建立的全波段PLSR模型是本研究所建模型的最優估算模型，模型精度R2為0.85，RPD為2.56，可較好地預測土壤電導率。通過表觀電導率反演得到的土壤電導率和反射率一階微分變換形式建立的全波段偏最小二乘回歸模型用于估算整個研究區土壤鹽分信息是可行有效的。本研究可為南疆地區土壤鹽漬化監測及改良措施的制定提供一些必要理論和技術，也對南疆地區鹽漬化的治理具有一定的指導意義。