張曉光 ，孔繁昌

（1.青島農(nóng)業(yè)大學(xué) 資源與環(huán)境學(xué)院，山東 青島 266109； 2.土壤與農(nóng)業(yè)可持續(xù)發(fā)展國(guó)家重點(diǎn)實(shí)驗(yàn)室，南京 210008）

0 引 言

【研究意義】我國(guó)是世界上鹽漬土面積最大、分布區(qū)域最廣的國(guó)家之一。水作為鹽分的溶劑和載體，在水鹽運(yùn)移的整個(gè)過(guò)程起著關(guān)鍵作用。同時(shí)，水資源是制約農(nóng)業(yè)生產(chǎn)和生態(tài)環(huán)境可持續(xù)發(fā)展的重要原因之一。因此，土壤水分的監(jiān)測(cè)對(duì)于農(nóng)業(yè)生產(chǎn)來(lái)說(shuō)是不可或缺的，而鹽漬土的治理對(duì)于土壤含水率的快速獲取也有著迫切的需求[1]。

【研究進(jìn)展】隨著高新技術(shù)的出現(xiàn)與應(yīng)用，在土壤含水量監(jiān)測(cè)方面涌現(xiàn)出微波法、熱慣量法、植被指數(shù)法（光學(xué)法）、高光譜遙感法等多種手段[2-7]。其中，高光譜遙感具有動(dòng)態(tài)性強(qiáng)、客觀綜合等優(yōu)勢(shì)，成功解決了傳統(tǒng)監(jiān)測(cè)手段的諸多瓶頸[8-9]。Sadeghi 等[10]針對(duì)不同土壤的含水率，使用光譜反射率數(shù)據(jù)進(jìn)行了初步監(jiān)測(cè)。姚艷敏等[11]通過(guò)一系列光譜變換，建立了比較理想的土壤水分預(yù)測(cè)模型。也有研究人員直接使用Hyperion 高光譜影像通過(guò)光譜變換建立了模型[12]，但模型預(yù)測(cè)精度略遜色于近地面光譜模型。

【切入點(diǎn)】土壤水分的光譜模型研究中，有針對(duì)干旱地區(qū)[7,12-13]的土壤水分狀況建立的，也有針對(duì)濕潤(rùn)地區(qū)[11]建立的。然而對(duì)濱海鹽漬土區(qū)土壤水分的光譜模型研究則相對(duì)較少，而且大部分研究多側(cè)重于野外實(shí)測(cè)水分?jǐn)?shù)據(jù)。模型的精度受樣本數(shù)據(jù)影響較大，野外測(cè)量的土壤水分?jǐn)?shù)據(jù)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(qū)間。【擬解決的關(guān)鍵問(wèn)題】濱海地區(qū)的鹽漬土面積廣泛，水分條件復(fù)雜，現(xiàn)有的水分光譜模型可能不適應(yīng)濱海地區(qū)復(fù)雜的水分狀況，所以亟需建立土壤水分分布區(qū)間更具有普適性的光譜模型。

因而，本文以黃河三角洲地區(qū)濱海鹽漬土為研究對(duì)象，通過(guò)室內(nèi)實(shí)驗(yàn)控制變量，模擬自然狀態(tài)下土壤水分蒸發(fā)過(guò)程，獲取分布區(qū)間廣泛的水分?jǐn)?shù)據(jù)。采用近地面高光譜遙感技術(shù)測(cè)量不同含水率、含鹽量的光譜數(shù)據(jù)。通過(guò)若干種不同的光譜變換，分別建立土壤光譜數(shù)據(jù)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(duì)模型精度的影響。

1 材料與方法

1.1 研究區(qū)概況

土壤樣品采集于黃河入?？诘纳綎|省墾利縣（37°24′—38°10′N，118°15′—119°19'E）。該區(qū)域?yàn)l臨渤海，由長(zhǎng)期的黃河沖刷淤積形成。屬溫帶季風(fēng)氣候，冬季寒冷干燥，夏季濕熱多雨。研究區(qū)中間部分由于黃河泥沙淤積，地勢(shì)升高，二側(cè)向南北方向地勢(shì)逐漸降低。另外，墾利縣各類資源開(kāi)發(fā)潛力巨大，但土壤鹽漬化成為影響土地開(kāi)發(fā)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(hào)后裝入塑料袋中，帶回實(shí)驗(yàn)室自然風(fēng)干。去除植物殘?jiān)笆拥入s物后將樣品磨細(xì)過(guò)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(duì)試驗(yàn)帶來(lái)誤差，茲采取人為控制含鹽量的方法。又由于研究區(qū)位于濱海地區(qū)，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(zhì)量濃度的NaCl 溶液，分別倒入不同的培養(yǎng)皿中浸潤(rùn)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(cè)定

鋁盒及培養(yǎng)皿總質(zhì)量記為Z。將土樣放入鋁盒中后再次稱取三者質(zhì)量，記為Z1。將鋁盒放置培養(yǎng)皿中，向培養(yǎng)皿中加入對(duì)應(yīng)含鹽量的鹽溶液后，待土樣完全吸收溶液對(duì)鋁盒、培養(yǎng)皿及土樣一起稱質(zhì)量，記為Zi。以后每天在相同時(shí)間、環(huán)境條件下再次稱取土樣質(zhì)量（Zi）。通過(guò)記錄土壤樣品的質(zhì)量變化來(lái)計(jì)算土壤水分的蒸發(fā)量，并計(jì)算每天土壤的含水率，計(jì)算公式如下：

式中：Z1為空鋁盒培養(yǎng)皿及土樣質(zhì)量；Zi為浸潤(rùn)后鋁盒、培養(yǎng)皿及土樣質(zhì)量；Z 為空鋁盒及培養(yǎng)皿質(zhì)量。

1.4 土壤水分光譜的測(cè)量與處理

不同含水率的土壤光譜數(shù)據(jù)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(guān)），采用自然光源。將儀器架設(shè)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(rùn)至自然風(fēng)干的過(guò)程中，每天10:00—12:00 進(jìn)行光譜測(cè)量，同時(shí)稱質(zhì)量。共獲得128 個(gè)連續(xù)的土壤水分變化光譜數(shù)據(jù)。

由于光譜數(shù)據(jù)信噪比低，采集時(shí)光譜動(dòng)態(tài)變化頻率很快，導(dǎo)致出現(xiàn)明顯的“毛刺”現(xiàn)象，這對(duì)研究是不利的。因此，有必要進(jìn)行平滑處理[11]，本次研究采用9 點(diǎn)加權(quán)移動(dòng)平均方法進(jìn)行平滑去噪處理。高光譜數(shù)據(jù)因其本身光譜分辨率高，會(huì)帶來(lái)數(shù)據(jù)的冗余。過(guò)多的冗余信息會(huì)掩蓋所需的必要信息。為了避免數(shù)據(jù)本身的自相關(guān)性，降低冗余[14]，本文對(duì)濱海鹽漬土土壤水分光譜數(shù)據(jù)進(jìn)行重采樣。參考已有研究[15]，進(jìn)行了間隔為10 nm 的重采樣后，重采樣后共得到 75 個(gè)光譜波段。

1.5 模型的構(gòu)建與評(píng)價(jià)

縱觀使用高光譜數(shù)據(jù)來(lái)反演土壤含水率建立的模型，一類是根據(jù)含水率與光譜波段相關(guān)性建立的多元回歸模型，另一類是基于所有光譜數(shù)據(jù)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(qiáng)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(shù)據(jù)中的主成分，隨著增加變量（信息不全時(shí)），逐步檢驗(yàn)?zāi)Ｐ偷娘@著性，一旦滿足要求即停止計(jì)算[17]。

本次研究共獲取了128 個(gè)土壤水分光譜數(shù)據(jù)，因?yàn)橛兄貜?fù)試驗(yàn)，所以對(duì)重復(fù)試驗(yàn)的數(shù)據(jù)進(jìn)行了平均，共計(jì)64 個(gè)光譜數(shù)據(jù)樣本。模型的驗(yàn)證使用獨(dú)立驗(yàn)證和交叉驗(yàn)證方法。獨(dú)立驗(yàn)證時(shí)，建模集和獨(dú)立驗(yàn)證集采用質(zhì)量濃度梯度法選取。樣本全部按照含水率高低進(jìn)行排序，每隔一個(gè)選取2 個(gè)樣本，共得到43 個(gè)樣本作為建模樣本集，剩余的21 個(gè)組成獨(dú)立驗(yàn)證集（預(yù)測(cè)集）。交叉驗(yàn)證采用的是留一法交叉驗(yàn)證（leave-one-out cross validation）來(lái)降低模型的過(guò)度擬合風(fēng)險(xiǎn)。該方法把除去某個(gè)樣本點(diǎn)j 的所有樣本集（n-1）作為訓(xùn)練集擬合一個(gè)回歸方程，然后把排除的樣本點(diǎn)j 代入前面的擬合方程，得到因變量y 在樣本點(diǎn)i 上的擬合值。對(duì)每一個(gè)樣本點(diǎn)重復(fù)上述計(jì)算，并且循環(huán)，使得每個(gè)樣本都進(jìn)入預(yù)測(cè)集，然后綜合驗(yàn)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(jìn)行多種光譜變換處理。本文分別對(duì)光譜數(shù)據(jù)進(jìn)行了平滑、平滑+倒數(shù)、平滑+對(duì)數(shù)、平滑+倒數(shù)對(duì)數(shù)、平滑+一階導(dǎo)數(shù)、平滑+二階導(dǎo)數(shù)、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(jiàn)文獻(xiàn)[18]。

使用模型的決定性系數(shù)（R2）、均方根誤差（RMSE）及預(yù)測(cè)樣本標(biāo)準(zhǔn)差與預(yù)測(cè)均方根誤差比（RPD）來(lái)評(píng)價(jià)模型精度。R2值越大，說(shuō)明方程的擬合程度越高，在本文中表示光譜回歸變量對(duì)土壤水分因變量變異性的解釋程度越強(qiáng)；RMSE 越小，表示模型越準(zhǔn)確；RPD 越大，表示模型分辨能力越好。一些學(xué)者認(rèn)為需要根據(jù)不同研究對(duì)象參考實(shí)際情況來(lái)確定RPD 的優(yōu)劣[19]。鑒于本次研究對(duì)象的特點(diǎn)，同時(shí)考慮RMSE 與標(biāo)準(zhǔn)差之間的相關(guān)度，參考其他指標(biāo)[19]，可以認(rèn)為RPD<1.5 時(shí)，模型的預(yù)測(cè)能力很差，不適合建模；1.5≤RPD<2 時(shí)，預(yù)測(cè)能力良好，尚可用來(lái)進(jìn)行大致估算；RPD≥2.0，代表模型質(zhì)量很好，可以用于定量預(yù)測(cè)。

2 結(jié)果與分析

2.1 土壤含水率統(tǒng)計(jì)特征

由完全濕潤(rùn)到自然風(fēng)干過(guò)程的8 個(gè)鹽分梯度土樣的含水率觀測(cè)數(shù)據(jù)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(jīng)非常接近于0，因此可以默認(rèn)為完全干燥。含水率的中值是11.57%，標(biāo)準(zhǔn)差（Standard Deviation）為17.36%，變異系數(shù)達(dá)到了150.04%。

表1 土壤含水率描述性統(tǒng)計(jì)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(jìn)行光譜變換能夠更加有效地提高光譜數(shù)據(jù)與因變量的相關(guān)性[20]。為了尋找出最好的光譜處理方法，提高建模預(yù)測(cè)精度，本文使用10 nm 重采樣后的光譜數(shù)據(jù)，分別進(jìn)行了平滑、平滑+倒數(shù)、平滑+對(duì)數(shù)、平滑+倒數(shù)對(duì)數(shù)、平滑+一階導(dǎo)數(shù)、平滑+二階導(dǎo)數(shù)、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(yàn)證、獨(dú)立驗(yàn)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(jié)果中，建模集的精度均高于交叉驗(yàn)證集和獨(dú)立驗(yàn)證集的精度。從建模集的精度來(lái)看，除平滑+倒數(shù)變換之外，其余光譜變換過(guò)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(yù)測(cè)精度還需要驗(yàn)證。

在交叉驗(yàn)證集的模型中，除了除平滑+倒數(shù)變換之外，R2大多數(shù)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(yù)測(cè)效果。在獨(dú)立驗(yàn)證集中，較交叉驗(yàn)證集又略有降低，RMSE 略有上升，各種光譜變換后模型的預(yù)測(cè)精度差異較大。但是R2大于0.6 的模型數(shù)量仍然較多，獨(dú)立驗(yàn)證集精度R2最高仍可達(dá)到0.713 1，說(shuō)明部分模型的預(yù)測(cè)效果依舊很好。

從各種不同光譜變換后的模型獨(dú)立驗(yàn)證精度來(lái)看，平滑+倒數(shù)光譜變換后的模型預(yù)測(cè)精度效果不好，R2也僅為0.002 0，RPD 僅有1.003 5，估測(cè)能力很差，說(shuō)明倒數(shù)光譜變換不能通過(guò)檢驗(yàn)，不適合用于鹽漬土水分建模。僅平滑處理的光譜數(shù)據(jù)模型（R2=0.458 3，RPD=1.362 6）就已經(jīng)開(kāi)始顯示出一定的建模效果。平滑+基線校正和平滑+倒數(shù)對(duì)數(shù)變換的模型精度，與平滑處理的光譜數(shù)據(jù)模型相比，均有所降低，說(shuō)明這2 種光譜變換不能夠抑制光譜噪聲。

在進(jìn)行的所有類型的變換當(dāng)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(yōu)異的結(jié)果，精度均遠(yuǎn)遠(yuǎn)高于光譜平滑后的模型，說(shuō)明歸一化是比較可行的。其中，平滑+變量歸一化獨(dú)立驗(yàn)證集R2達(dá)到0.713 1，RMSE 僅為0.095 0，在驗(yàn)證集中最高，RPD 同樣達(dá)到1.823 7，說(shuō)明平滑+變量歸一化處理后的光譜數(shù)據(jù)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(dǎo)數(shù)、平滑+二階導(dǎo)數(shù)、平滑+對(duì)數(shù)、平滑+MSC 變換后，驗(yàn)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(shuō)明導(dǎo)數(shù)微分變換、對(duì)數(shù)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(guò)上述光譜變換處理，發(fā)現(xiàn)大部分光譜變換的確能夠提高建模的精度，為了達(dá)到最佳的建模效果，選取在上一節(jié)中建模效果較好的幾種光譜變換方法進(jìn)行組合，探索多次光譜變換能否進(jìn)一步提高預(yù)測(cè)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(dǎo)數(shù)+范圍歸一化、平滑+二階導(dǎo)數(shù)+變量歸一化、平滑+二階導(dǎo)數(shù)+范圍歸一化、平滑+一階導(dǎo)數(shù)+MSC、平滑+二階導(dǎo)數(shù)+MSC等7 種二次光譜變換組合處理，建立的PLSR 模型結(jié)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(yàn)證、獨(dú)立驗(yàn)證結(jié)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(yàn)證集（R2在0.745 7～0.884 0之間，RMSE 均低于0.087 5）和獨(dú)立驗(yàn)證集（R2在0.522 2～0.866 0，RMSE 均低于0.126 0）。

對(duì)比每種光譜變換后模型的獨(dú)立驗(yàn)證結(jié)果，平滑+變量歸一化+MSC 變換后的模型取得了很好的預(yù)測(cè)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(shuō)明，平滑+變量歸一化+MSC 光譜變換建模是針對(duì)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(lái)探求最佳光譜變換模型精度，經(jīng)過(guò)光譜變換的模型精度均比原光譜數(shù)據(jù)建立的模型精度提升。其中，平滑后分別進(jìn)行導(dǎo)數(shù)微分變換、對(duì)數(shù)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(wèi)星遙感數(shù)據(jù)對(duì)野外土壤水分建模時(shí)發(fā)現(xiàn)[12]，對(duì)數(shù)變換光譜獲得了很好的預(yù)測(cè)精度，本文在室內(nèi)模擬的條件下對(duì)數(shù)變換也能提高土壤水分的預(yù)測(cè)精度，說(shuō)明在土壤水分預(yù)測(cè)時(shí)，光譜對(duì)數(shù)變換是一種可選擇處理方法。導(dǎo)數(shù)變換在光譜預(yù)測(cè)中應(yīng)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(yīng)用效果較好，也有部分土壤屬性應(yīng)用效果較差[15]。包括本文在內(nèi)的多個(gè)研究[11,13]應(yīng)用導(dǎo)數(shù)變換預(yù)測(cè)土壤水分時(shí)均達(dá)到一定的效果，說(shuō)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(dá)到了較好的模型精度，這說(shuō)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(xiàn)中關(guān)于歸一化、多元散射校正能夠改善水分光譜模型精度的結(jié)論是一致的[1]。

同時(shí)，在光譜變換組合建立的模型精度中，組合變換模型與未進(jìn)行組合建模相比，很多模型驗(yàn)證精度都呈明顯下降。說(shuō)明并不是所用的光譜變換越多，模型的精度就會(huì)越高。這可能是因?yàn)檫^(guò)多的光譜變換會(huì)導(dǎo)致重要的有用信息被錯(cuò)誤剔除或掩蓋。這與東北地區(qū)構(gòu)建的蘇打鹽漬土高光譜模型的研究結(jié)果[15]是吻合的，說(shuō)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(jié) 論

1）平滑+變量歸一化后的光譜模型，具有很高的預(yù)測(cè)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(yù)測(cè)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(guò)多的變換可能會(huì)掩蓋或錯(cuò)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?jǐn)?shù)據(jù)范圍廣，具有很好的梯度，所以在濱海鹽漬土區(qū)域的應(yīng)用具有較好的可推廣價(jià)值。