黄河三角洲不同盐渍度土壤有机质含量的高光谱预测研究.docx

    黄河三角洲不同盐渍度土壤有机质含量的高光谱预测研究    侯化刚，王丹阳，马斯琦，潘剑君，李兆富黄河三角洲不同盐渍度土壤有机质含量的高光谱预测研究侯化刚，王丹阳，马斯琦，潘剑君，李兆富南京农业大学资源与环境科学学院，南京 210095【目的】探究土壤有机质和盐分的光谱响应，分析不同盐分含量对土壤有机质预测模型的影响，建立快速、有效的盐渍土有机质含量高光谱预测模型方法】以黄河三角洲地区粉质壤土为研究对象，根据不同盐分含量将土壤样本分为非盐（SA）、轻度（SB）、中度（SC）和重度（SD）4组，分别进行室内高光谱测量；其次采用双因素方差分析法，探究土壤有机质和盐分光谱响应程度；进而对原始光谱（raw spectral reflectance，R）进行一阶微分（first order differential reflectance，FD）、连续统去除（continuous statistical removal，CR）、对数（logarithmic，Log）和多元散射校正（multipication scatter correction，MSC）4种变换；最后分别基于盐渍土的4组样本结合4种变换光谱构建多元线性回归（multiple linear regression，MLR）、偏最小二乘回归（partial least squares regression，PLSR）和支持向量回归（support vector machine，SVR）3种土壤有机质含量高光谱预测模型。

结果】土壤有机质和盐分在400—900 nm范围内光谱响应程度显著且变化规律基本一致，二者的敏感波段存在重叠；通过划分不同盐渍度分组建模能够提高土壤有机质预测精度，且随着盐分含量增加，模型的预测精度下降，FD处理更能突出光谱特征差异，提高有机质含量与光谱反射率的相关性对比3种模型结果，利用FD处理结合SVR建立土壤有机质预测模型精度最高，最优结果建模集和验证集的决定系数2为0.86、0.82，均方根误差为2.71、2.96 g·kg-1，相对分析误差为2.42结论】土壤盐分与有机质在可见光波段附近（400—900 nm）的敏感波段存在重叠，通过划分不同盐渍度能够有效提高有机质预测模型精度盐渍土；有机质；光谱响应；高光谱预测0 引言【研究意义】有机质是土壤的重要组成部分，是衡量土壤肥力水平的重要指标，也在改善盐渍土理化性质、提高土壤保水保肥能力方面发挥着重要作用[1-2]实时了解盐渍土有机质含量和空间变异，掌握土壤有机质的动态变化对于盐渍土改良和可持续管理具有重要意义[3]传统的有机质测定方法精度较高，但过程复杂、时效性差，无法实现盐渍土有机质的动态监测[4]高光谱技术被认为是一种无损、快速、可重复的预测土壤有机质的方法，能够实现土壤有机质的快速、准确预测[5]。

前人研究进展】不同的预处理方法会影响有机质的预测模型精度[6]，光谱预处理可消除光谱中的噪声影响，突出有机质的光谱特征差异，增强对光谱相关信息的识别[7]南锋等[8]、侯艳军等[9]研究表明，经微分变换后土壤有机质的吸收特征更明显，与有机质含量的相关性也显著提高，建立的有机质预测模型2最高可达0.78而不同预处理方法的效果又依赖于建模方法的选择王永敏等[10]采用小波分析方法实现去噪，结合多元线性回归法、最小二乘回归法和BP神经网络法建立土壤有机质预测模型，结果表明对数的平方变换处理结合BP神经网络建模效果最好Zhang等[11]采用9种光谱预处理方法和最佳波段组合算法对盐渍土光谱进行处理，结果表明SG平滑建立的PLSR模型效果最好，最优模型2为0.81王海峰等[12]对土壤光谱进行不同变换处理，在一定程度上消除了噪声，结合偏最小二乘回归和岭回归方法构建有机质预测模型，结果表明基于标准正态变量变换SNV构建的岭回归模型预测效果更为理想土壤光谱反射率是土壤理化性质的综合反映[13]，土壤中各种物质存在干扰甚至掩盖有机质的光谱特征[14-16]朱亚星等[13]和彭杰等[17]探究了有机质对土壤光谱特征的影响，研究表明去除有机质后光谱反射率在可见光波段增加明显，这表明有机质在可见光波段敏感；然而盐分对土壤光谱特征的影响作用较强[14]，彭杰等[18]利用连续统去除方法分析了土壤盐分的光谱特征，结果表明土壤盐分在可见光波段光谱响应敏感，与有机质的敏感波段存在重叠；刘亚秋等[19]分析了盐渍土盐分及其盐基离子的光谱特征，研究表明随着盐分含量的增加，光谱反射率逐渐增大，且土壤盐分及盐基离子在近红外波段光谱响应最显著；张俊华等[20]利用高光谱技术预测不同土壤盐分指标（pH、EC和可溶性盐基离子），结果表明不同盐分指标的敏感波段普遍集中在可见光波段的紫光、红光以及近红外波段。

上述研究表明，有机质会使光谱反射率降低，而盐分会使光谱反射率升高，有机质和盐分对光谱反射率的影响作用相反，且二者均在可见光-近红外波段敏感因此，盐分含量过高可能会削弱或干扰有机质光谱吸收特征[9,21-22]本研究切入点】目前，高光谱技术已被广泛应用到土壤有机质含量的预测研究中[23-27]，然而对于盐渍化土壤，有机质和盐分的敏感波段存在重叠[18]，盐分的存在可能会影响土壤有机质预测精度拟解决的关键问题】揭示盐渍土有机质和盐分的光谱响应规律，探究不同盐分含量对有机质预测的影响，以期进一步提高盐渍土有机质预测精度本研究以黄河三角洲地区的粉质壤土为研究对象，尝试利用双因素方差分析探究土壤盐分和有机质的光谱响应程度，进而基于不同光谱变换处理和建模方法构建不同盐渍度土壤有机质预测模型，筛选出最优的盐渍土有机质预测模型，为黄河三角洲地区盐渍土有机质遥感监测提供理论依据1 材料与方法1.1 研究区概况本文以黄河三角洲（36°41′—38°17′ N，117°16′—119°18′ E）为研究区，黄河三角洲位于山东省北部（图1），是由黄河所携带的大量泥沙沉积而形成的冲击平原，具有独特的地理位置和气候特征，北邻渤海，属于暖温带半湿润大陆性季风气候，夏季炎热多雨、冬季寒冷干燥，降水分布不均，主要集中在7—9月。

受季风性气候和海洋潮汐影响，土壤季节性积盐和脱盐现象严重，盐渍化普遍土壤母质为黄河冲积物，土壤类型主要包括潮土和盐土两大类[2]图1 研究区地理位置及采样点分布图1.2 土壤样品采集与制备2020年10月11—30日进行野外土样采集，土地利用类型包括林地、耕地、裸地、滨海湿地，共采集土样367个采样时取0—20 cm土层样品约1 kg，装入密封袋保存并记录GPS坐标信息，随后将土样去除杂质，经自然风干、研磨过筛后，一份用于化学指标测定，一份用于室内光谱采集采用重铬酸钾-外加热法测定土壤有机质含量[28]，5﹕1水土比电导法测定土壤电导率EC[28]，表示土壤盐分含量为了消除颗粒大小对土壤光谱特征的干扰，利用激光粒度分析仪测定土壤机械组成，参照美国制分级标准对土壤质地分级[29]，最终获得330个粉质壤土作为试验土样1.3 室内光谱采集及预处理利用便携式地物高光谱仪ASD FieldSpec 3（美国Analytical Spectral Devices公司）采集土壤光谱，光谱范围350—2 500 nm，有2 151个输出波段光谱采集在暗室中进行，以50 W的卤素灯作为唯一光源，天顶角30°，距离土样50 cm，将土壤样品盛放在深3 cm，直径7 cm的黑色盛样皿中，传感器探头视场角为25°，垂直于土样上方5 cm处，探测范围直径2.22 cm，远小于盛样皿直径。

测定前用标准白板进行校正，将土样表面稍稍刮平，使其表面尽量平整，每个土样旋转3次，每次重复采集10条光谱曲线，共采集30条光谱曲线，利用高光谱仪自带软件ViewspecPro进行算术平均得到最终光谱数据采用箱型图剔除有机质异常的样本，利用主成分分析法来剔除光谱异常的土壤样本[30]，最终得到311个土样数据每条光谱曲线去除噪声较大的边缘波段350—399和2 401—2 500 nm，利用9点加权移动平均法对光谱数据平滑去噪得到原始光谱曲线R，为了进一步突出土壤光谱特征差异，便于后续有机质特征波段的选取，对原始光谱曲线R进行一阶微分（FD）、包络线去除（CR）、对数变换（Log）和多元散射校正（MSC）4种光谱变换处理CR在ENVI5.3中实现，光谱曲线平滑去噪、光谱变换处理在软件Unscrambler 10.4中进行1.4 土壤有机质和盐分光谱响应分析方差分析是应用数理统计中的一种基本方法[31]，通过划分误差的来源进而分析变量之间的关系和不同因素的作用，考虑两个因素对试验指标影响的方差分析称为双因素方差分析本研究采用双因素方差分析，分析土壤盐分和有机质的光谱响应程度，进而探究土壤盐分对有机质光谱预测的影响。

根据SOM和EC含量，参考第二次全国土壤普查有机质分级[32]和盐分分级标准[28]，充分考虑样本数量的均匀，对有机质和盐分进行分组，将有机质含量划分为低（＜10 g·kg-1）、中（10—20 g·kg-1）、高（＞20 g·kg-1）3组，根据EC值将盐分划分为非盐渍化SA（0—2 dS·m-1）、轻度盐渍化SB（2—4 dS·m-1）、中度盐渍化SC（4—8 dS·m-1）和重度盐渍化SD（＞8 dS·m-1）4组，分组结果用于双因素方差分析，探究有机质和盐分的光谱响应，方差分析在SPSS26中进行1.5 筛选特征波段将有机质含量与土壤原始光谱反射率和4种变换光谱数据逐波段进行相关性分析和逐步回归分析，计算每个波段与土壤有机质的相关系数，选择通过0.01显著性检验和逐步回归分析中方差膨胀因子VIF＜10的波段为有机质特征波段，作为模型的输入变量，相关性分析和逐步回归在SPSS26中进行1.6 建模方法与精度验证本研究基于特征波段建模精度和模型稳定性优于全波段建模结果，与南锋等[8]和朱亚星等[13]研究结果一致，故全波段建模未在结果中展示对不同盐渍度土样按有机质含量排序，进行建模集和验证集的划分，选择1/3为验证集，剩下的为建模集[25]。

基于混合的全部样本和不同盐渍度的4组样本结合原始光谱（R）和一阶微分（FD）、连续统去除（CR）、对数（Log）、多元散射校正（MSC）筛选的特征波段构建多元线性回归（MLR）、偏最小二乘回归（PLSR）和支持向量回归（SVR）3种模型，采用留一交叉验证法确定PLSR模型的最佳因子数[8]；设定SVM 类型为4（即v-SVR），核函数类型为径向基核函数RBF），采用训练集交叉验证和网格搜索法（grid search）进行参数寻优，依据均方差最小原则确定惩罚参数C和RBF核参量g的值MLR和PLSR在软件Unscrambler 10.4中进行，SVR模型的参数寻优利用Matlab R2018b软件的libsvm 3.11工具箱实现[33]建模精度指标为决定系数（coefficient of determination,2）、均方根误差（root mean square error,）、相对分析误差（the ratio of prediction to deviation,）和1﹕1线综合评价模型精度[13]，公式如下其中，2越接近1，越接近于0，表明模型的预测精度越高、稳定性更好，当≥2时，模型具有很好的预测能力；1.4≤＜2时，模型的效果一般，只能进行粗略预测；＜1.4时，模型精度较差，不能用来预测[34]，1﹕1线用来检验实测值和预测值所绘制的散点图偏离=的程度。

2 结果2.1 不同盐渍度土壤有机质含量统计分析研究区土壤有机质含量为1.70—35.31 g·kg-1，有机质含量总体偏低（表1），全部样本建模集最小值为1.70 g·kg-1，最大值为35.08 g·kg-1，均值为16.43 g·kg-1，验证。