基于VIS-NIR光譜的互花米草入侵濕地土壤有機碳預測研究*

陳秋宇，楊仁敏，朱長明

（江蘇師范大學地理測繪與城鄉規劃學院，江蘇徐州 221116）

濱海濕地是陸地和海洋之間的交錯地帶，作為最具經濟價值的生態系統之一，它提供了豐富的生態服務功能，但同時也易受外來物種入侵影響[1-2]。例如，原產于美洲大西洋沿岸的互花米草，由于其在防風固堤、促淤護灘等方面的積極作用，于1979年被引入我國[3-4]。此后，互花米草憑借其強大的適應與繁殖能力，在我國東部沿海地區迅速擴散，逐漸形成具有一定優勢的植物群落，對濱海濕地土壤碳庫造成了深刻影響[5]。

作為“藍碳”生態系統的重要組成部分，濱海鹽沼濕地在減緩溫室氣體排放、穩定全球氣候變化等方面起著至關重要的作用[6]。眾多研究表明，長期入侵的互花米草對濕地碳循環過程和碳儲量的影響非常顯著[7]。互花米草發達的根莖系統具有緩流消浪的作用，從而可以促進泥沙沉積，加速濕地碳沉積，并且其較高的生物量和較長的生長季可以顯著改善濱海濕地的固碳能力[8]。王剛等[9]在對江蘇鹽城新洋港濕地的研究中指出，互花米草的入侵顯著改變了土壤有機碳組分，提高了土壤碳匯能力。此外也有一些研究表明，入侵種互花米草可能會減弱土壤的碳匯能力。例如，張祥霖等[10]在對福建漳江口紅樹林濕地的研究中指出，互花米草入侵紅樹林后，生物量明顯降低，碳效應產生衰退；前人的研究大多集中于互花米草入侵濕地土壤有機碳組分、格局等響應機制的變化，對入侵種互花米草濕地土壤有機碳預測的研究較少。因此，高效監測互花米草入侵后濕地土壤有機碳的時空變化，將有利于科學評價互花米草對濕地碳庫的影響。

近年來，土壤近地傳感技術由于可以快速、高效地獲取土壤信息，準確揭示土壤屬性的時空分布規律，正逐漸成為土壤學研究中非常重要的一種信息獲取手段[11]。大量研究表明，利用與特定吸收光譜的直接關系或與土壤光譜相關的土壤特性的間接聯系，可以有效預測土壤屬性[12]。土壤有機碳、氮、碳氮比和顆粒大小均被視為對反射率有直接影響的土壤性質[13-15]。因此，可見光—近紅外反射光譜技術被廣泛地用于土壤有機碳的定量預測研究[13]。偏最小二乘回歸（PLSR）是最常用的多元分析技術之一[16]。

由于多種成土因素、生態環境過程和人類活動的影響，土壤屬性在空間上呈現出不同程度的異質性[17]。因此，通常在獲取土壤樣點數據的基礎上，借助多種輔助變量，更好地解釋土壤屬性的空間分布特征[18]。對于輔助變量的選擇，不僅包括地形因子、植被類型、母質類型等環境因素，還包括土地利用方式等人為管理措施因素。Shi[19]、Phachomphon等[20-21]引入地表環境因子作為輔助變量的土壤屬性空間分布預測方法，在不同程度上考慮了環境因子對土壤屬性空間分布的影響，取得了較好的預測效果；高鳳杰等[22]引入土地利用類型為輔助變量，結合土壤有機質的概率分布，以提高其空間預測精度。宋英強等[23]則應用多源輔助變量和極限學習機方法成功預測土壤有機質的空間分布。為了提高模型的精度和預測結果的可靠性，本文除使用光譜數據作為預測變量之外，在考慮區域特點的基礎上加入植被入侵年限與土層深度作為輔助變量參與建模。

通常情況下，較大的樣本量有利于提升土壤屬性的預測精度[12]，但是，由于野外樣品采集和實驗室分析成本比較高，一些研究探討了基于小樣本量（樣本數量小于50）數據集的土壤屬性光譜預測精度，表明在一些情況下基于小樣本量的土壤光譜預測模型也可以達到合理的預測精度[24-27]。例如，Wetterlind等[26]以土壤電導率和中紅外反射光譜為輔助數據采集了25個土壤樣品，基于近紅外反射光譜建立了土壤有機質預測模型；Kuang和Mouazen[27]使用偏最小二乘回歸和留一交叉驗證法，對基于不同數量（25、50、75、100）樣本集的土壤（有機碳、含水量、總氮）光譜預測模型精度進行了驗證，結果表明，使用50個樣本量即可以達到良好的預測精度。

為了定量表達互花米草入侵背景下濱海濕地土壤有機碳的變化規律，本研究以江蘇沿海典型互花米草濕地生態系統為例，嘗試運用可見光—近紅外反射光譜技術，探究互花米草濕地不同時空狀態下的土壤光譜特征，建立基于偏最小二乘回歸算法的土壤有機碳定量預測模型，以期實現互花米草濕地土壤有機碳的快速、高效估算，為互花米草濕地土壤系統監測提供借鑒經驗，同時也為濕地生態系統保護和資源合理利用提供科學依據。

1 材料與方法

1.1 研究區概況

研究區位于中國中東部沿海濕地，經緯度范圍在33°20′～33°30′N和120°40′～120°45′E之間。該地區年降水量980～1 070 mm，且多集中于6—9月，年平均氣溫在13.7～14.6℃之間，屬于典型的季風氣候。本研究區，植被類型結構單一，僅有互花米草一種優勢植物。互花米草（Spartina alterniflora）于1983年被引入該潮間帶，之后迅速擴張，促使泥灘逐漸演變為鹽沼濕地[9]。但由于早期圍墾，研究區附近大量互花米草濕地已經消失。

1.2 土壤樣品采集與分析

本研究采用時空替代法獲取詳細的土壤—植被信息。通過設計分層隨機采樣方案選取采樣點，一共選取15個站點，如圖1所示。首先，使用Landsat時間序列數據結合目視解譯方法將互花米草的不同形成階段分為四個等級（2000年，2004年，2010年和2016年）；其次，沿五個海向橫斷面隨機選取15個與互花米草不同形成階段相關的樣點，并記錄每個樣點互花米草的年齡。互花米草的年齡通過時間序列Landsat影像判讀得到。在每個樣點挖掘1 m深度的土壤剖面，并劃分三個固定層次（0～30、30～60、60～100 cm）進行采樣，共獲取45個土壤樣品。在實驗室中，樣品經過風干和根系剔除等預處理，研磨并過2 mm篩，采用四分法取樣，一式兩份，分別用于實驗室有機碳含量和土壤光譜反射率的測定。其中，土壤有機碳含量的測定采用Walkley-Black濕式燃燒法[28]。

1.3 土壤光譜的測定與預處理

利用美國ASD FieldSpec 3便攜式地物波譜儀測定土壤光譜反射率，其波段范圍為350～2 500 nm，采樣間隔為1.4 nm（350～1 000 nm）和2 nm（1 000～2 500 nm），重采樣間隔為1 nm，輸出波段數為2 151個。測定過程在暗室內進行，光源為功率為50W的鹵素燈，入射角45°，距離土樣中心30 cm。光纖探頭的視場角為8°，垂直放置于目標物正上方，距離土壤表面15 cm。將土壤樣本放入直徑5 cm、深2 cm的器皿中，裝滿后刮平土樣表面進行測定。測定前需進行標準白板校正，測定時每個樣品按90°旋轉3次，測試土樣4個方向的光譜曲線，每個方向測定5條，共20條樣本線，算數平均后得到該土樣的光譜反射率。

在利用反射光譜建立預測模型之前，對土壤光譜進行了一系列預處理。首先，采用Savitzky-Golay卷積平滑法對光譜數據進行預處理，去除光譜噪聲；然后對其進行10 nm間隔的重采樣，得到216個波段。10 nm間隔的重采樣可以在不損失光譜信息的基礎上，有效降低數據維度[29]。研究表明，合理的光譜預處理技術有利于提高土壤屬性的預測精度，但最優的預處理方式往往取決于數據集特點，因此需要對比不同的預處理方法對模型預測精度的影響[25]。光譜微分變換形式有利于降低背景噪音的影響，擴大樣本間光譜特征的差異。因此，選取重采樣后的光譜數據作為原始光譜反射率（R），在此基礎上作倒數變換（1/R），然后對反射率和反射率倒數分別進行一階微分和二階微分變換，得到包括R在內的六種光譜變換形式。為研究時間因素（互花米草入侵年限）和土層深度對土壤光譜的影響，利用SPSS軟件對樣本光譜數據進行單因素方差分析。

1.4 土壤有機碳光譜預測模型的建立與檢驗

偏最小二乘回歸法集主成分、典型相關和多元線性回歸分析等多種分析方法的優點于一體，采用數據降維、信息綜合與篩選技術，提取出反映數據變異的最佳綜合成分構建模型，對小樣本數據具有良好的預測能力，因而被廣泛應用于光譜數據建模[29]。

為了研究不同光譜變換形式對預測精度的影響，采用PLSR方法，以六種光譜變換形式為自變量，分別建立土壤有機碳的光譜預測模型。此外，為研究時間因素和土層深度對模型預測的影響，在光譜預測模型中加入時間因素和土層深度作為自變量，對比分析時空因素對土壤有機碳預測模型精度的影響。采用留一交叉驗證法過程中最小的均方根誤差（RMSECV）數值確定PLSR中參與建模的最佳主成分個數。最后，利用兩種交叉驗證法對土壤有機碳的預測效果進行評價，第一種是按照深度隨機取樣，即每次分別從三個土層中隨機選擇一個樣本用于驗證；第二種是按照深度固定取樣，即每次選擇來自一個剖面的三個樣本用于驗證。

模型的預測精度采用預測值與實測值的決定系數（R2）、均方根誤差（RMSE）和相對分析誤差（RPD）來評價。2R越大、RMSE越小，表明模型估算精度越高。RPD值可以用來解釋模型的預測能力，當RPD＜ 1.4時，表明模型無法進行準確預測；當1.4 ≤RPD ＜ 2.0時，表明模型的預測能力一般；2.0 ≤RPD ＜ 2.5時，表明模型具有較好的預測能力[30]。

式中，y為實測值；n為樣本數量，用i=1，2，3，···，n表示；為預測值；為實測值均值；SD為實測值標準偏差。

2 結 果

2.1 土壤有機碳含量的統計特征

由土壤有機碳含量的描述性統計特征（表1）可知，研究區全體樣本的土壤有機碳含量均值為6.05 g·kg-1，變化范圍為2.08～9.37 g·kg-1，變異系數為30.35%。該研究區土壤有機碳含量均值隨深度的增加而降低，變異系數逐漸增加。0～30 cm表層土壤有機碳含量均值為7.37 g·kg-1，變異系數為18.13%；60～100 cm層土壤有機碳含量均值降至4.39 g·kg-1，變異系數擴大至36.26%。不同采樣深度的土壤有機碳含量隨植物入侵年限的變化結果表明（圖2），0～30 cm表層土壤有機碳含量隨入侵年限的增長而顯著增加，具有極顯著的空間自相關性（P＜ 0.01）[31]，而30～100 cm層土壤有機碳增加趨勢不顯著。

表1 土壤有機碳含量描述性統計特征Table 1 Descriptive statistics of soil organic carbon contents

2.2 互花米草濕地土壤光譜特征

如圖3a所示，研究區土壤樣本的光譜曲線形態基本一致，呈曲折上升的拋物線型，且在1 400、1 900和2 200 nm處有三個較明顯的吸收谷。可見光波段（350～780 nm）范圍內光譜反射率迅速上升，各曲線間差異較小；近紅外波段（780～2 500 nm）范圍內光譜反射率呈緩慢上升趨勢，光譜曲線間差異較大。通過觀察不同深度土壤光譜均值曲線（圖3b）可以看出，土壤剖面各土層深度光譜均值曲線形態相似。隨著土壤深度的增加，光譜曲線特征吸收帶的位置和形狀并未發生明顯變化。為了探究互花米草入侵年限和土層深度對該地區土壤光譜的影響，對樣本光譜數據進行0.05水平上的方差分析。結果表明，不同采樣深度和不同入侵年限間的土壤光譜數據均不存在顯著性差異。

2.3 基于PLSR的土壤有機碳預測

不同模型的擬合結果如表2所示，僅以光譜及其變換形式為自變量建立的PLSR模型中，RPD ≥ 2的模型有3個，分別為基于R′、R″和（1/R）″建立的模型，說明這三個模型均可以較好地擬合土壤有機碳數據，其中R″的效果最優，RPD值等于2.16。在模型中加入互花米草入侵年份和土層深度變量后，其中四種PLSR模型（R、R″、1/R和（1/R）″）的擬合精度均有一定程度的提高，R″和（1/R）″建立的模型RPD值超過2，模型更為穩定，擬合效果較好。

表2 基于光譜的土壤有機碳含量PLSR預測模型Table 2 PLSR model for prediction of soil organic carbon contents based on soil spectra

采用兩種交叉驗證法對12種PLSR模型進行驗證，以檢驗模型的預測效果（表3）。從表3可知，兩種交叉驗證法所得參數結果差異較小，表明模型的預測效果較為穩定。其中，以光譜及其變換形式為單一自變量建立的PLSR模型總體預測效果較差，兩種驗證方法所得R2值介于0.41～0.58之間，RPD值介于1.12～1.31之間。由加入植物入侵年限與土層深度變量參與建立的PLSR模型經驗證可知，6種模型的評價參數均有一定程度的改善。其中，基于1/R建立的模型預測效果最好，R2為0.68，RPD 值達到1.6。

表3 土壤有機碳含量預測模型的交叉驗證結果Table 3 Cross validation of the models for prediction of soil organic carbon contents

3 討 論

作為我國濱海濕地生態系統中最突出的入侵植物之一，互花米草對沿海鹽沼濕地的土壤系統產生了重要影響，互花米草通過光合作用，將大氣中的CO2固定在植物體內，然后以植物殘體、根茬、根際沉積碳等形式進入土壤。光合碳在植物-土壤系統的分配與固定對土壤有機碳庫的循環、周轉和動態變化均會產生影響[32]。由于互花米草根須可達1 m，本研究以1 m的土壤剖面為研究對象，有利于揭示互花米草入侵背景下不同深度土壤有機碳含量的變化。結果表明，研究區土壤有機碳含量隨深度的增加而降低，互花米草的入侵顯著增加了表層土壤的有機碳含量，促進鹽沼濕地表層土壤有機碳的固存，這與前人的研究結果相似。金寶石等[8]通過研究閩江河口區濕地土壤有機碳的變化發現，隨著互花米草生長時間的延長，有機碳含量明顯增加，互花米草的碳匯能力在入侵后短期內持續增強。其原因在于，互花米草持續增長的生物量直接進入土壤，從而促進土壤有機碳的累積。不同的是，陳桂香等[33]在研究互花米草入侵對我國紅樹林濕地土壤有機碳組分的影響中發現，入侵后紅樹林濕地的土壤有機碳和有機碳儲量總體上顯著降低。這是由于入侵種互花米草減弱了紅樹林濕地土壤的化學鍵合保護機制，降低土壤有機碳穩定性，造成有機碳的分解礦化，一定程度削弱了濕地的碳匯功能。由此可見，入侵種互花米草對濕地土壤碳庫的影響與原生植物群落息息相關。

本研究表明，基于偏最小二乘回歸模型和小樣本量數據可以在互花米草入侵濕地實現土壤有機碳的光譜預測。進行高光譜建模前，采用合適的光譜預處理方法能夠優化光譜信息，提高定量預測模型的精度，如倒數、基線偏移、平均歸一化、最大歸一化、一階和二階導數等。這些方法通常可以消除噪音，降低基線影響并減小粒徑的影響[34-35]。但是，由于土壤基底特征與環境因素的影響，最優的光譜處理方式在不同地區往往存在較大差異。楊愛霞等[36]利用支持向量機的回歸特征消除法建立了基于一階微分預處理的有機碳含量預測模型；李焱等[37]利用偏最小二乘回歸和多元線性回歸分別建立土壤全氮定量預測模型，結果發現反射率二階微分建立的偏最小二乘回歸模型可以更好地預測土壤全氮含量，監測土壤中化學元素含量變化。此外，于雷等[38]運用PLSR方法建立基于全波段（400～2 400 nm）與顯著性波段的土壤有機質高光譜預測模型，通過模型精度比較確定全波段模型的精度較高，這是因為全波段的PLSR模型具有較多的光譜參量，考慮了全光譜區域內各波長點的光譜參數，在解決土壤樣本少而光譜變量多等方面效果顯著。

本研究以濕地土壤有機碳的時空變化為基礎，假設時空因素對土壤反射光譜特征具有一定影響。加入時空輔助變量參與建立的土壤有機碳預測模型的擬合結果表明，相對于僅包含光譜信息的預測模型，加入輔助變量的混合模型的預測精度高。原因在于，互花米草入侵對土壤有機碳庫的影響受到生物與非生物因素的共同作用，包括環境因子變化、入侵生態系統結構、競爭物種特性、互花米草入侵年限等[5]。這種交互作用促使互花米草濕地土壤有機碳含量在水平和垂直深度上表現出顯著差異[9，39]。同時，時空變量也在一定程度上解釋了光譜特征的空間異質性，因此加入時間和空間變量參與建模，可以更好地考慮植被入侵對土壤有機碳的影響，從而提升土壤有機碳的預測精度。此結果對研究外來植物入侵背景下的土壤屬性預測提供了重要的實踐經驗。

盡管本研究表明可見光-近紅外光譜技術可以用于互花米草入侵濕地的土壤有機碳定量分析，但是仍然存在一些不足和限制性條件：一方面，本研究選取的區域是受互花米草入侵影響嚴重的濱海濕地，該地區土壤屬性受植物生長與海水活動的影響明顯，土壤有機碳含量的時空差異較大，因此進一步挖掘土壤時空變化過程相關輔助變量有助于提高模型的預測精度；另一方面，本研究的樣本數量有限，可能會影響模型的預測效果，因為在土壤時空變異程度較大的背景下，小樣本的采集方法可能會影響模型預測精度。

總體而言，利用可見光—近紅外光譜技術可以較合理地預測互花米草入侵背景下的濱海濕地土壤有機碳含量，并且加入時空輔助變量有助于提高模型的預測精度。這對于在互花米草濕地利用相關輔助變量指導樣品采集、參與土壤屬性預測提供一定借鑒意義，有助于實現外來物種入侵下濱海濕地碳庫變化的高效監測。此外，為了深入理解外來物種入侵條件下土壤光譜反射率特征及其他因素的影響，對不同地區和類型的入侵濕地土壤進行研究，以提高入侵濕地土壤有機碳光譜預測模型的準確性與適用性。

4 結 論

本文采用偏最小二乘回歸方法建立互花米草入侵濕地土壤有機碳含量的光譜預測模型，分析了入侵種互花米草對不同深度土壤有機碳的影響，重點探討了不同光譜數據處理方式以及時空輔助變量對模型預測精度的影響。結果表明，互花米草入侵促進表層土壤有機碳的顯著增加，基于光譜倒數建立的混合模型預測精度最高，穩定性好，是估算該地區土壤有機碳的最優模型。綜合而言，植物入侵年限與土壤深度對模型的擬合、預測精度均有一定程度的改善，結合時空輔助變量建立的PLSR混合模型效果普遍優于單一光譜模型。

致 謝 感謝中國科學院南京土壤研究所潘賢章研究員和王昌昆副研究員在土壤光譜獲取過程中給予的指導和幫助。