文錫梅，蘭安軍，易興松，張 吟，李 洋，秦志佳

(1. 貴州省山地資源研究所，貴州 貴陽 550001; 2. 貴州師范大學 地理與環(huán)境科學學院，貴州 貴陽 550001; 3. 貴州省水利科學研究院，貴州 貴陽 550002; 4. 貴州省水土保持科技示范園管理處，貴州 貴陽 550002)

【研究意義】土壤有機質是指存在于土壤中所含碳的有機物質，是農業(yè)生態(tài)系統(tǒng)重要組分之一，可提供植物所需的養(yǎng)分，其含量是衡量土壤肥力高低的重要指標[1-4]?？λ固氐貐^(qū)特殊的成土環(huán)境導致該區(qū)域成土物質偏少，土層薄、不連續(xù)，農耕條件差，土地資源異常珍貴，因此，對于其土壤肥力的監(jiān)測顯得十分重要。目前，測定土壤有機質含量最常用的方法是通過室外采樣室內化學檢測方法測定，但該方法受人力、物力限制，且監(jiān)測面積小，因此存在一定缺陷[5]。近年來，順應現(xiàn)代農業(yè)發(fā)展需要的高光譜技術監(jiān)測手段應運而生，該方法具有信息量大、零破壞、無污染、高效率等優(yōu)點。以高光譜技術估算土壤有機質含量的實現(xiàn)將帶來很大的實用價值，已逐漸成為實時動態(tài)監(jiān)測田間土壤肥力關鍵參數(shù)的重要技術手段[6-8]?！厩叭搜芯窟M展】國內眾多外學者針對土壤有機質含量的高光譜估算做了大量的研究，臧紅婷等[9]利用數(shù)理統(tǒng)計與因子分析方法研究發(fā)現(xiàn)，影響黑土反射光譜特征的主要因素為有機質和水分；利用黑土反射光譜特征可以預測土壤pH及有機質、全氮和全磷的含量。張承琴等[10]研究貴州省喀斯特峰叢洼地不同石漠化等級表層土壤有機質含量變化情況發(fā)現(xiàn)，隨著石漠化等級的加重，土壤有機質含量明顯降低。陳虎等[11]對滇東喀斯特地區(qū)石漠化裸露紅土的表層有機質含量進行分析發(fā)現(xiàn)，石漠化過程中植被破壞后土壤有機質大量流失，土壤結構及保水保肥能力受到影響。張娟娟等[12]采用室內測定的光譜數(shù)據(jù)通過多元逐步回歸分析方法反演了水稻土和潮土的有機質含量，證明通過光譜技術可以預測土壤有機質含量。王祥峰[13]采用多元線性回歸分析法將HJ-1衛(wèi)星遙感數(shù)據(jù)與實驗室測得的土壤有機質含量數(shù)據(jù)相結合，對中國黑龍江省嫩江市與訥河市交界處的雙山農場土壤有機質含量進行預測，實現(xiàn)了經濟、快速地監(jiān)測有機質含量。HUMMEL等[14]基于近紅外光譜與土壤有機質之間的關系，利用多元逐步線性回歸建立了有機質預測模型。目前采用低空無人機獲取的高光譜數(shù)據(jù)反演土壤有機質含量的研究不多，王磊[15]采用Cubert UHD185機載高速成像光譜儀測定耕地土壤光譜，探索耕地土壤有機質含量與光譜的響應規(guī)律，為無人機成像光譜技術應用于耕地土壤有機質監(jiān)測提供了借鑒。筆者基于喀斯特地區(qū)農田土壤的ASD光譜和GS光譜數(shù)據(jù)，采用偏最小二乘法建立了土壤有機質含量估算模型【本研究的切入點】應用高光譜技術監(jiān)測喀斯特地區(qū)土壤的有機質含量，對初步了解土壤肥力提供了一個動態(tài)、快速、低成本的技術手段；同時，也可以為石漠化過程中土壤質量變化進行預警。然而，相關研究還比較缺乏?！緮M解決的關鍵問題】該研究以高光譜成像系統(tǒng)GS(GaiaSky-mini)光譜和便攜式地物光譜儀(ASD FieldSpec4)ASD光譜源為研究對象，分別基于原始光譜及其一階微分、二階微分變換，分析2種數(shù)據(jù)與土壤有機質含量的相關性，采用偏最小二乘法建立土壤有機質SOM(soil organic matter)的預測模型，利用高光譜數(shù)據(jù)定量反演喀斯特地區(qū)土壤有機質含量[16]，旨在為喀斯特地區(qū)快速、大范圍、實時地監(jiān)測土壤有機質含量提供更多的技術手段。

圖1 喀斯特地區(qū)典型農田土壤采樣點的地理位置分布Fig.1 Geographical distribution of soil sampling sites in typical farmland of karst region

1 材料與方法

1.1 土壤樣品采集與處理

以貴州省貴定縣巖下鄉(xiāng)某蔬菜種植基地為試驗點。該區(qū)域內的農田多年種植蔬菜，施用農家肥較多。2017年4月23日，選取其中2塊農田按照等距取樣法，根據(jù)實際地形采集50個土壤樣本(圖1)。土樣經過實驗室半個月自然風干、瑪瑙機研磨等處理，混勻后備用。將土樣一部分留作光譜測量，一部分送往實驗室分析土壤有機質含量。

1.2 光譜數(shù)據(jù)獲取

1.2.1 GS高光譜影像數(shù)據(jù) 2017年5月17日12：00左右，天氣晴朗，在貴定縣巖下鄉(xiāng)采用GS高光譜成像系統(tǒng)對山坡底端、2塊土壤表層相對較平整的農田進行高光譜影像采集(圖2)。該成像系統(tǒng)包含256個通道，能捕捉400～1000 nm的光譜，光譜分辨率為3.5 nm。無人機飛行高度200 m，高光譜影像最大空間分辨率0.05 m。

圖2 喀斯特地區(qū)典型農田土壤的高光譜影像3D圖Fig.2 Hyperspectral 3D image of soils in typical farmland of karst region

表1 喀斯特地區(qū)典型農田土壤有機質含量的統(tǒng)計特征

1.2.2 ASD高光譜數(shù)據(jù) ASD公司的FieldSpec4型便攜式地物光譜儀波長為350～2500 nm，涵蓋可見光波段和紅外波段，光譜重采樣間隔為1 nm，輸出波段共2151個。該光譜儀可以配置具有3個獨立的的全息衍射光柵和3個不同的探測器(分別是VNIR、SWIR1、SWIR2)。每個探測器被適當順序的濾波器覆蓋，其可以消除第二階和更高階光。

1.3 數(shù)據(jù)處理與分析

1.3.1 建模集與驗證集的劃分 采用鉻酸鉀容量法-外加熱法測定土壤有機質含量[17]。將50個土壤樣本按照有機質含量從小到大進行排序，每隔2個樣本抽取1個用于模型檢驗，其余樣本均用于建模，這樣得到建模樣本34個，驗證樣本16個(表1)。由于GS光譜影像有一部分影像缺失，只提取到47個樣本的光譜數(shù)據(jù)，根據(jù)前述的分組方法實際獲得建模樣本32個，驗證樣本15個。

1.3.2 光譜數(shù)據(jù)預處理 預處理方法主要包括光譜平滑，一階微分和二階微分變換等。首先，利用View SpecPro的Parabolic Correction工具對ASD光譜1000和1800 nm波段處光譜曲線的突變進行斷點修正。然后，用SpecSight軟件對GS光譜影像進行輻射定標，并在遙感影像處理平臺ENVI中進行噪聲去除處理。所有樣本光譜數(shù)據(jù)均去除350～399 nm邊緣波段的明顯噪聲。由于GS光譜只有400～1000 nm的光譜，為了對比2種光譜對回歸SOM的精確性，故最終選取ASD光譜400～1000 nm的光譜進行分析。由于光譜在采集過程中不可避免地會產生隨機誤差和噪聲，去除邊緣波段后，用Savitzky-Golay多項式進行平滑去噪處理。最后，分別對各樣本點重采樣和光譜平滑后的光譜進行一階微分、二階微分變換。

1.3.3 模型建立及精度驗證 偏最小二乘法集成了主成分分析、相關性分析及多元線性回歸分析三者的優(yōu)點，具有預測功能[18]。建模時，將土壤有機質含量與GS光譜和ASD光譜及其變換形式之間進行相關分析。不同變換形式光譜數(shù)據(jù)與土壤有機質的較大相關系數(shù)所對應波段，通常作為預測土壤有機質含量的敏感波段。沒有敏感波段的光譜進行建模時，則優(yōu)選相關系數(shù)較高的波段進行建模。在選取敏感波段時，需注意參考前人研究，避開反演土壤含水量的敏感波段。模型構建采用留一交叉驗證法確定最佳因子數(shù)，利用決定系數(shù)(R2)和均方根誤差(RMSEC)檢驗建模精度。驗證集預測精度依據(jù)驗證集決定系數(shù)(Rv2)、均方根誤差(RMSEV)和相對分析誤差(RPD)，其中，RPD是驗證集標準差與驗證集均方根誤差的比值[19]。對于建模集而言，R2越大，RMSEC越小，建模精度越高，模型越穩(wěn)定；對于驗證集而言，Rv2、RPD越大，RMSEV越小，預測精度越高[20]。

1.3.4 光譜數(shù)據(jù)統(tǒng)計分析 研究中GS光譜影像翻轉在SpecSight里面進行；ASD光譜用ViewSpec Pro進行預處理，利用Origin9.1進行光譜平滑，微分變換以及相關數(shù)據(jù)的圖件處理；PLSR模型在SPSS22中完成。

2 結果與分析

2.1 光譜數(shù)據(jù)與土壤有機質含量的相關性

敏感波段是指與地物某種屬性具有高度相關性的光譜波段，是識別地物的重要參考波段，同時也是高光譜定量反演地物成分的重要指示波段。該研究將P≤0.01的波段定義為敏感波段。從表2和圖3看出，經過微分變換，GS光譜和ASD光譜與土壤有機質(SOM)的相關系數(shù)均較原始光譜與SOM的相關系數(shù)提高，GS光譜經微分變換后，相關系數(shù)變化更明顯。GS光譜的原始光譜有90個相關系數(shù)較高波段，相關系數(shù)均為正，最高相關系數(shù)為0.367，對應波段915 nm；一階微分光譜有40個相關系數(shù)較高波段，位于600～800 nm，最高相關系數(shù)為0.631，對應波段710 nm；二階微分光譜有57個相關系數(shù)較高波段，位于500～800 nm，最高相關系數(shù)為0.578，對應波段683 nm。ASD的相關系數(shù)與GS的相關系數(shù)趨勢一致。ASD光譜的原始光譜與SOM均為正相關，有70個相關系數(shù)較高波段，位于800～1000 nm，最高相關系數(shù)為0.625，對應波段997 nm；一階微分光譜敏感波段數(shù)最多，有179個相關系數(shù)較高波段，最高相關系數(shù)為0.662，對應波段694 nm；二階微分有130個相關系數(shù)較高波段，最高相關系數(shù)為0.703，對應波段994 nm。

表2 不同光譜與喀斯特地區(qū)典型農田土壤有機質相關系數(shù)的最值及對應波段

2.2 不同光譜變換形式下土壤有機質含量的估算模型

2.2.1 原始光譜 分別根據(jù)GS光譜和ASD光譜的建模集R與土壤有機質含量的相關系數(shù)，選取敏感波段建立PLSR預測模型(表3)。其中，GS光譜R的最佳建模敏感波段為725、752、817和848 nm；ASD光譜R的最佳建模敏感波段為811、835、997和1010 nm。從表4可知，GS光譜相關參數(shù)與ASD光譜相關參數(shù)相比，ASD光譜驗證集的R2和RPD更高，分別為0.639和1.25。綜合看，ASD光譜模型預測的精度較GS光譜高，2個預測模型均具有區(qū)別SOM高值和低值的能力。

2.2.2 一階微分 分別根據(jù)GS光譜和ASD光譜的建模集FDR與土壤有機質含量的相關系數(shù)，選取敏感波段建立PLSR預測模型(表3)。其中，GS光譜FDR的最佳建模敏感波段為479、725和737 nm；ASD光譜FDR的最佳建模敏感波段為406、541、694和751 nm。從表4可知，GS光譜相關參數(shù)與ASD光譜相比，ASD光譜驗證集的R2和RPD更高，分別為0.910和2.68。綜合看，ASD光譜模型預測的精度顯著高于GS光譜，ASD光譜建立的模型具有極好的定量預測SOM的能力，GS光譜建立的模型具有區(qū)別SOM高值和低值的能力。

2.2.3 二階微分 分別根據(jù)GS光譜和ASD光譜建模集的SDR與土壤有機質含量的相關系數(shù)，選取敏感波段建立模型(表3)。其中，GS光譜的SDR最佳建模敏感波段為555、683、747和817 nm；ASD光譜的SDR最佳建模敏感波段為568、829、994和1020 nm。從表4可知，GS光譜相關參數(shù)與ASD光譜相對比，GS光譜驗證集的R2和RPD更高，分別為0.772和1.49。綜合看，GS光譜預測模型的精度略高于ASD光譜，GS光譜建立的模型具有一般的定量預測SOM的能力，ASD光譜建立的模型具有區(qū)別SOM高值和低值的能力。

對比GS光譜與ASD光譜的PLSR預測結果看出，基于ASD光譜的SDR建立的模型定量預測SOM能力最好，GS光譜的SDR預測模型也具有一定定量預測SOM的能力。ASD光譜較GS光譜的預測精度更高。究其原因：ASD測量的土樣為風干、研磨后近距離室內測量，光譜檢測條件更穩(wěn)定；同時，ASD光譜儀的光譜分辨率比GS光譜儀更高、波段范圍更寬。從圖4可見，驗證集的預測精度，GS光譜的二階微分和ASD光譜的一階微分的預測值和實測值都比較集中，預測結果較好。

圖3 喀斯特地區(qū)典型農田土壤GS光譜、ASD光譜與有機質的相關性Fig.3 Correlations between GS, ASD and soil organic matter in typical farmland of karst region

表3 不同光譜變換形式的土壤有機質含量光譜反演模型

表4 土壤有機質含量光譜估算模型參數(shù) 建模集

注：a，原始光譜反射率；b，一階微分變換；c，二階微分變換。

Note:a. Original spectral reflectance; b. First order differential transformation；c.Second order differential transformation.

圖4 GS光譜和ASD光譜不同變換形式下土壤有機質含量的預測值與實測值Fig.4 Predicted and measured value of soil organic matter content under different transformation forms of GS and ASD spectrum

3 討 論

研究結果表明，GS光譜和ASD光譜均具有定量估測土壤有機質含量的能力。樣地選取了50個樣本，后續(xù)應該在更大的區(qū)域選擇不同的土壤類型進行研究。GS光譜數(shù)據(jù)為室外濕地獲取，一定程度上受太陽光、云量、風力及土壤本身平整度、顆粒大小、土層厚度等因素影響；GS光譜與ASD光譜的光譜反射率在400～1000 nm總體呈逐漸升高趨勢，但GS光譜在950 nm左右有1個明顯的吸收峰，對此需做更多對比試驗以探索其影響因子。該研究重在探討GS光譜預測SOM含量的可行性以及與ASD光譜進行預測精確程度的對比，關于上述氣象、土壤本身差異等因素的影響，已在數(shù)據(jù)獲取和后續(xù)預處理中盡可能的降低，而對于其針對性的削弱或者規(guī)避方法有待進一步研究。

4 結 論

該研究基于GS光譜和ASD光譜，以偏最小二乘法建立了土壤有機質預測模型，結果表明，機載無人機高光譜影像具有檢測土壤有機質含量的潛力，ASD光譜具有極好的定量預測SOM含量的能力。低空無人機高光譜影像數(shù)據(jù)的應用有助于實時、迅速、大范圍的監(jiān)測喀斯特地區(qū)土壤有機質含量，科學有效地把握土壤資源的肥力狀況，有望為有關部門合理制定相關的土地規(guī)劃與保護提供基礎數(shù)據(jù)。同時，前人相關研究表明，有機質對重金屬具有強大的吸附或者絡合作用，本研究也可為后續(xù)大范圍的監(jiān)測土壤重金屬污染研究提供途徑。