鄧永鵬，朱洪芬，丁皓希，孫瑞鵬，畢如田

（山西農(nóng)業(yè)大學(xué)資源環(huán)境學(xué)院，太原 030000）

0 引 言

黃河中游的大部分支流均處于黃土高原區(qū)，面積約為34.4×10km，是中國分布面積較大的生態(tài)脆弱區(qū)。為改善黃河中游的生態(tài)環(huán)境問題，中國于1999年試行，并于2000年正式開始實(shí)施退耕還林（草）工程。隨著退耕還林工程長久實(shí)施，研究不同年限退耕還林土壤的綜合性質(zhì)對評(píng)估退耕還林工程的效果具有重要意義。由于部分地區(qū)無法提供有效的退耕資料，因此快速、準(zhǔn)確地識(shí)別退耕還林地的年限對評(píng)估退耕還林工程的生態(tài)效益具有重要價(jià)值。

近年來，光譜分析技術(shù)被廣泛應(yīng)用到中藥材種植年限識(shí)別、儲(chǔ)藏年限識(shí)別，野生食用菌儲(chǔ)藏年限識(shí)別、產(chǎn)地識(shí)別，農(nóng)作物種類區(qū)分、茶樹種類識(shí)別、土壤類型分類等不同領(lǐng)域內(nèi)。陳澤炎等對目前中藥材生長年限鑒定方法進(jìn)行了總結(jié)，發(fā)現(xiàn)光譜分析技術(shù)可以高效、快速地識(shí)別不同種植年限的中藥材。卜海博等采用近紅外光譜法對不同生長年限的林下山參和園參進(jìn)行種類和年限識(shí)別，結(jié)果表明近紅外光譜法準(zhǔn)確可靠、快速無損。楊天偉等采用傅里葉變換紅外光譜技術(shù)，準(zhǔn)確區(qū)分了不同產(chǎn)地、不同年份美味牛肝菌樣品，為野生食用菌的鑒別分類提供了技術(shù)參考。虞佳維等以黃淮海地區(qū)玉米、小麥和楊樹三種主要植被為研究對象，采用高光譜技術(shù)進(jìn)行區(qū)分，結(jié)果表明光譜技術(shù)可有效用于不同植被的區(qū)分。翁海勇等采用近紅外光譜分析技術(shù)實(shí)現(xiàn)了茶樹葉片表沒食子兒茶素沒食子酸酯（Epigallocatechin Gallate ，EGCG）含量的快速、準(zhǔn)確識(shí)別，從而為高EGCG含量茶樹的育種提供技術(shù)支持。史舟等基于中國西藏、新疆、黑龍江、海南等地的16種土類的1 581個(gè)土壤樣本，以光譜反射率一階微分主成分?jǐn)?shù)據(jù)為自變量進(jìn)行土壤光譜分類，并根據(jù)分類結(jié)果建立了中國不同土壤類型的有機(jī)質(zhì)預(yù)測模型。趙小敏等以江西紅壤地區(qū)的7種紅壤亞類土壤為研究對象，對不同亞類及土屬的土壤高光譜特征進(jìn)行分析，選取特征變量進(jìn)行Fastclus聚類分析，結(jié)果表明，土壤亞類分類的準(zhǔn)確度為86.23%，土屬的準(zhǔn)確率僅為66.37%。目前，尚未發(fā)現(xiàn)開展退耕還林地不同年限識(shí)別的研究，應(yīng)用光譜分析技術(shù)可以為不同年限退耕還林地的分類提供技術(shù)參考。

本研究以黃河中游大寧縣不同年限退耕還林地土壤為研究對象，以不同退耕年限刺槐林地土壤光譜曲線和多種土壤理化數(shù)據(jù)為基礎(chǔ)，分析退耕年限對土壤光譜及其綜合屬性的影響。利用倒數(shù)的對數(shù)（Reciprocal of Logarithm，RL）、一階微分（First Order Differential，F(xiàn)D）等光譜處理方法，結(jié)合主成分分析（Principal Component Analysis，PCA）、K 均值聚類（K-means Clustering Algorithm，K-means）、支持向量機(jī)（Support Vector Machine，SVM）和線性判別分析（Liner Discriminant Analysis，LDA）等方法探索不同退耕年限土壤的分類結(jié)果，實(shí)現(xiàn)基于土壤光譜的退耕年限快速區(qū)分，以期為快速準(zhǔn)確識(shí)別退耕年限提供技術(shù)參考。

1 材料與方法

1.1 研究區(qū)概況

本研究以山西省大寧縣境內(nèi)退耕還林地為研究區(qū)（110°27′55″～111°0′40″E， 36°16′40″～36°36′25″N）。大寧縣地處黃河中游，地勢南北高、中間低，屬典型的黃土殘?jiān)珳羡謪^(qū)，是黃河泥沙的主要輸入?yún)^(qū)之一。2000年大寧縣被定為黃河中上游退耕還林（草）生態(tài)工程試點(diǎn)縣之一，配置有刺槐、檸條等樹種。查詢國家土壤信息服務(wù)平臺(tái)(http://www.soilinfo.cn/map/)中國1:400萬土壤類型圖可知，研究區(qū)內(nèi)主要土壤類型為黃綿土和褐土。

1.2 土壤樣品采集與處理

2020年11月在研究區(qū)內(nèi)分別選擇退耕3 a（RF）、8 a（RF）、14 a（RF）和18 a（RF）的刺槐林地各32處，共128個(gè)樣點(diǎn)（圖1a）。由于黃綿土土質(zhì)疏松，易受侵蝕，水土流失嚴(yán)重，是實(shí)施退耕還林工程的主要土壤類型，因此樣點(diǎn)土壤類型均為黃綿土。土壤樣品采集選用“S”形布點(diǎn)法，采集0～20 cm表層土壤，每個(gè)采樣點(diǎn)取5個(gè)點(diǎn)的土壤混合后作為該采樣點(diǎn)土樣。將土樣分為兩份，一份土樣在室內(nèi)自然風(fēng)干、研磨并過2 mm篩，用于光譜測試，土壤有機(jī)碳SOC含量測試；一份原狀土樣過2 mm篩用于土壤質(zhì)地測定。同時(shí)用環(huán)刀進(jìn)行取樣，測定飽和導(dǎo)水率、土壤含水率。其中SOC含量測定采用重鉻酸鉀氧化—外加熱法測定，土壤含水率采用經(jīng)典烘干法測定，飽和導(dǎo)水率利用恒定水頭法測定。土壤質(zhì)地?cái)?shù)據(jù)測定采用激光粒度儀Mastersizer 3000進(jìn)行測定，測定粒徑范圍為0.02～2000m，測定所得土壤粒徑數(shù)據(jù)根據(jù)美國農(nóng)部制粒級(jí)分級(jí)劃分為：黏粒（＜0.002 mm），粉粒（0.002～0.05 mm），砂粒（0.05～2 mm）。

1.3 光譜測試及數(shù)據(jù)處理

采用美國ASD（Analytica Spectra devices，Inc）公司的FiledSpec 4便攜式光譜儀測定土壤反射光譜曲線，其波譜范圍為350～2 500 nm。土壤光譜測量在暗室中進(jìn)行，每次測量開始前將光譜儀預(yù)熱2 h。將土壤樣本放于直徑為8 cm，深度為2 cm的培養(yǎng)皿中，用直尺輕輕刮平表面，減小土壤表面粗糙度。光源由一個(gè)50 W的鹵素?zé)籼峁?，光纖探頭視場角為10°，距離土樣表面15 cm。每次測試前采用標(biāo)準(zhǔn)白板校正，每個(gè)土樣測定10條光譜曲線，取平均值作為該土樣的實(shí)際光譜曲線。

圖1 研究區(qū)概況及土壤光譜特征參數(shù)Fig.1 General situation of the study area and soil spectral characteristic parameters

去除噪聲較為強(qiáng)烈的350～399、2 451～2 500 nm波段。同時(shí)，為避免數(shù)據(jù)冗余，對原始光譜反射率數(shù)據(jù)（Reflectance，）做10 nm重采樣，并對其進(jìn)行Savitzky-Golay平滑（Savitzky-Golay smooth，SG），對平滑后的光譜數(shù)據(jù)分別做一階微分、倒數(shù)的對數(shù)、去包絡(luò)線（Continuum Removal，CR）和光譜特征參數(shù)（Spectral Characteristic Parameter，SCP）處理，最后對、FD、RL等數(shù)據(jù)進(jìn)行主成分分析。其中，CR又稱為連續(xù)統(tǒng)去除法，可以將光譜反射率歸一化到0～1之間，有效突出光譜特征。SCP包括：吸收谷（）、面積（）、深度（DP）、吸收波段波長位置（）、斜率（）、寬度（）、對稱度（）等（圖1b），對稱度=/。相關(guān)數(shù)據(jù)處理在The Unscrambler X 10.4、ENVI 5.3、MATLAB R2019b以及SPSS 26.0中完成。

1.4 分類指標(biāo)選取

分析不同年限退耕還林土壤光譜特征并進(jìn)行試驗(yàn)，最終以原始反射率主成分（R-PCA）、倒數(shù)的對數(shù)主成分（RL-PCA）、一階微分主成分（FD-PCA）、去包絡(luò)線主成分（CR-PCA）、SCP作為分類指標(biāo)，其中SCP包含：第1、2、3個(gè)吸收谷的深度（DP、DP、DP），第1、2、3個(gè)吸收谷的對稱度（、、），第一個(gè)吸收谷的面積及前兩個(gè)吸收谷面積之和（、+），495～595、895～995、1 450～1 600 nm這3個(gè)波段去包絡(luò)線的斜率（、、）。

1.5 模型建立與精度評(píng)價(jià)

本研究采用K-means、SVM、LDA三種方法構(gòu)建不同年限退耕還林地土壤光譜分類模型，對比分析三種模型的分類精度。K-means優(yōu)點(diǎn)是處理大樣本時(shí)精度較高，本研究先對指標(biāo)標(biāo)準(zhǔn)化以消除指標(biāo)量級(jí)對結(jié)果的影響。SVM對解決中小樣本、非線性和高維數(shù)據(jù)具有獨(dú)特的優(yōu)勢，本研究選用徑向基核函數(shù)，懲罰參數(shù)（）和Gamma參數(shù)通過交叉驗(yàn)證方法進(jìn)行選擇，為3，Gamma參數(shù)為0.33；LDA常用于降維和分類，核心思想是投影后類內(nèi)方差最小，類間方差最大，本文LDA變換的時(shí)候主要是對自變量數(shù)據(jù)即光譜數(shù)據(jù)進(jìn)行了變換，重新投影到一個(gè)超平面上，使得樣本有更大的類間距離，更小的類內(nèi)距離。分類模型構(gòu)建分別在SPSS 26.0、MATLAB R2019b和The Unscrambler X 10.4中完成。

將不同退耕年限土壤樣本分別按3:1劃分訓(xùn)練集和驗(yàn)證集，各退耕年限得到24個(gè)建模樣本和8個(gè)驗(yàn)證樣本，故本研究建模集為96個(gè)樣本，驗(yàn)證集為32個(gè)樣本。使用混淆矩陣驗(yàn)證模型的分類精度，并且使用總精度和Kappa系數(shù)對模型精度進(jìn)行評(píng)價(jià)，計(jì)算公式如下：

式中為混淆矩陣中列的數(shù)量；P為混淆矩陣中第行第列的像元數(shù)，表示正確分類的個(gè)數(shù)；P和P分別為第行和第列總樣本個(gè)數(shù)；代表驗(yàn)證樣本的總個(gè)數(shù)。

2 結(jié)果與分析

2.1 不同年限退耕土壤的基本理化性質(zhì)

從表1可知，研究區(qū)總樣本土壤有機(jī)碳介于2.12～30.11 g/kg之間，變異系數(shù)為60.52%，屬于中等變異程度，不同退耕年限土壤有機(jī)碳含量依次為RF＞RF＞RF＞RF。含水率最大值為25.39%，最小值為3.77%。飽和導(dǎo)水率介于0.01～10.98 mm/min之間，變異系數(shù)為219.61%，屬于強(qiáng)變異程度。黏粒質(zhì)量百分?jǐn)?shù)介于4.03%～17.81%之間，變異系數(shù)為26.46%，屬于中等變異程度。砂粒質(zhì)量百分?jǐn)?shù)最大值為55.95%，最小值為4.70%，不同退耕年限砂粒質(zhì)量百分?jǐn)?shù)依次為RF＞RF＞RF＞RF。

表1 土壤樣品基本理化性質(zhì)Table 1 Basic physical and chemical properties of soil samples

2.2 不同年限退耕土壤的光譜特征

為了分析不同退耕年限土壤光譜曲線的特征，對不同退耕年限土壤光譜曲線求平均值，得到不同退耕年限土壤光譜反射率平均值曲線（圖2a）。從圖2a可以看出，不同退耕年限的土壤光譜曲線形狀基本相似，總體上呈現(xiàn)遞增的趨勢。在可見光波段范圍內(nèi)，隨著波長的增加，光譜反射率迅速增大，在近紅外波段范圍內(nèi)，隨著波長的增加，光譜反射率增加的速度逐漸減緩?？傮w上反射率依次為RF＞RF＞RF＞RF，與SOC含量呈負(fù)相關(guān)（≤-0.65）。在可見光（400～580 nm）波段則表現(xiàn)為RF＞RF＞RF＞RF，砂粒含量越高，光譜反射率越大。在 610～900 nm 波段范圍內(nèi)，反射率依次為RF＞RF＞RF＞RF，這可能與土壤中氧化鐵的含量有關(guān)，有研究指出，在可見光波段內(nèi)氧化鐵含量增加會(huì)導(dǎo)致反射率明顯下降。本研究對不同退耕年限土壤光譜反射率平均值曲線做去包絡(luò)線處理，從而深入分析不同退耕年限土壤的光譜特征（圖2b）。

圖2 不同年限退耕土壤反射光譜曲線及去包絡(luò)線Fig.2 Reflectance spectrum curves and continuum removal of soil with different years of conversion

從圖2b中可以看出，在480、900、1 100、1 400、1 900、2 200、2 350 nm處去包絡(luò)線都出現(xiàn)了明顯的吸收特征。在400～600 nm波段范圍內(nèi)，去包絡(luò)線值依次為RF＞RF＞RF＞RF，與SOC含量呈正相關(guān)，并且表現(xiàn)為吸收谷面積隨著去包絡(luò)線值的增大而減小。在800～1 000 nm和1 000～1 200 nm波段范圍內(nèi)，去包絡(luò)線值表現(xiàn)出的規(guī)律相同，均為RF＞RF≈RF＞RF，造成RF和RF去包絡(luò)線近乎相同的原因可能是RF和RF土壤中氧化鐵含量相近，常認(rèn)為400～1 100 nm處吸收谷的出現(xiàn)與氧化鐵的存在有著一定的關(guān)系。在1 400 nm處的吸收谷是受到土壤表面吸附水、黏土礦物O-H結(jié)構(gòu)晶體等吸收引起的，1 900 nm處的吸收谷主要是由土壤中水分子的O-H官能基在1 900 nm處發(fā)生一級(jí)倍頻伸縮震動(dòng)和轉(zhuǎn)角震動(dòng)造成的，土壤含水率增加，光譜反射率降低，同時(shí)土壤含水率的增加也與黏粒的增加有著一定的關(guān)系。對比不同年限退耕土壤飽和導(dǎo)水率可以發(fā)現(xiàn)，飽和導(dǎo)水率依次為RF＞RF＞RF＞RF，這與1 900 nm處吸收谷最低點(diǎn)去包絡(luò)線值的規(guī)律相同。在2 200～2 300 nm附近存在著Al-OH黏土礦物（高嶺石）的吸收帶，從而導(dǎo)致了光譜曲線明顯的吸收谷。已有研究表明，不同粒徑土壤的光譜差異隨波長的增加而增大，因此2 000～2 500 nm處的光譜差異很可能由土壤黏粒、粉粒的差異引起。在2 350 nm處吸收谷的最低點(diǎn)去包絡(luò)線值依次為RF＞RF＞RF＞RF，與土壤黏粒含量呈負(fù)相關(guān)。對土壤理化性質(zhì)和光譜曲線進(jìn)行綜合分析，發(fā)現(xiàn)不同年限退耕土壤光譜曲線的特征有較大差異，這些差異不僅僅是單一土壤屬性造成的，因此不同年限退耕還林土壤的光譜分類不可以僅依據(jù)單一土壤屬性進(jìn)行。

2.3 不同年限退耕土壤的分類

2.3.1 基于K-means的分類

從聚類結(jié)果（表2）可以看出，不同輸入因子構(gòu)建的聚類模型，聚類精度有很大差距。以CR-PCA作為輸入因子時(shí)，模型精度最高，總精度達(dá)到81.25%，Kappa系數(shù)為0.75。其中RF有1個(gè)樣本錯(cuò)分為RF，RF有1個(gè)樣本錯(cuò)分為RF，RF有3個(gè)樣本錯(cuò)分為RF，僅有1個(gè)樣本錯(cuò)分為RF，并且除RF的聚類精度僅有50.00%外，其余不同年限退耕土壤聚類精度都達(dá)到85%以上，說明以CR-PCA為輸入因子，K-means為聚類模型時(shí)對不同年限退耕土壤的整體聚類效果較好，對RF的聚類效果則較差。以R-PCA作為輸入因子時(shí)，模型精度最差，總精度為46.88%，Kappa系數(shù)僅為0.29，僅有RF的聚類精度達(dá)到60%以上，其中RF有2個(gè)樣本錯(cuò)分為RF，RF有3個(gè)樣本錯(cuò)分為RF，RF有4個(gè)樣本錯(cuò)分為RF，RF有2個(gè)樣本錯(cuò)分為RF。以RL-PCA、FD-PCA、SCP作為輸入因子時(shí)，模型聚類精度較為均衡，從整體上來看，F(xiàn)D-PCA和CR-PCA是K-means模型中相對較好的分類指標(biāo)，RF、RF以及RF均以CR-PCA的聚類精度為最高，而RF的聚類精度則以FD-PCA為最高。

2.3.2 基于SVM的分類

從表2中可以看出，以R-PCA、RL-PCA為輸入因子時(shí)，模型精度較低，總精度和Kappa系數(shù)分別為50.00%、46.88%和0.33、0.29，其中RF的分類精度均只有25.00%，為本研究最低的分類精度，并且有3個(gè)樣本錯(cuò)分為RF，2個(gè)樣本錯(cuò)分為RF，1個(gè)樣本錯(cuò)分為RF，說明以SVM作為分類模型，R-PCA和RL-PCA作為輸入因子時(shí)，RF的分類效果較差。以FD-PCA作為輸入因子時(shí)，模型精度最高，總精度為84.38%，Kappa系數(shù)為0.79，不同年限退耕土壤的分類精度都達(dá)到了75.00%及以上，RF的分類精度更是達(dá)到100%，其中RF有1個(gè)樣本錯(cuò)分為RF，有1個(gè)樣本錯(cuò)分為RF，RF有1個(gè)樣本錯(cuò)分為RF，有1個(gè)樣本錯(cuò)分為RF，RF有1個(gè)樣本錯(cuò)分為RF，說明FD-PCA可以顯著地提高不同年限退耕土壤的分類精度。同K-means分類模型相似，以CR-PCA、SCP為輸入因子時(shí)，模型分類精度較為均衡?？傮w上來看，以SVM作為分類模型時(shí)，F(xiàn)D-PCA會(huì)顯著提高不同年限退耕土壤的分類精度，CR-PCA、SCP次之。

2.3.3 基于LDA的分類

由表 2可知，分類結(jié)果總精度依次為CR-PCA＞FD-PCA=SCP＞R-PCA＞RL-PCA。對比以R-PCA和RL-PCA為輸入因子時(shí)不同退耕年限的分類精度可以發(fā)現(xiàn)，除RF的分類精度達(dá)到80%以上，其余退耕年限土壤的分類精度均小于65%，RF的分類精度只有37.5%，并且RF錯(cuò)分的樣本大多為RF和RF。以CR-PCA作為輸入因子時(shí)，除RF的分類精度較低外，其余退耕年限土壤的分類精度均達(dá)到85%以上，具有較好的分類效果，其中RF有1個(gè)樣本錯(cuò)分為RF，RF有1個(gè)樣本錯(cuò)分為RF，1個(gè)樣本錯(cuò)分為RF，RF有1個(gè)樣本錯(cuò)分為RF。以SCP作為輸入因子時(shí)，RF和RF分類精度差異較大，其中RF分類精度為100.00%，RF分類精度為62.50%，RF中有1個(gè)樣本錯(cuò)分為RF，2個(gè)樣本錯(cuò)分為RF。以FD-PCA作為輸入因子時(shí)，模型分類效果較為均衡。從整體來看，LDA作為分類模型，對RF的分類效果較差；以CR-PCA和FD-PCA為輸入因子時(shí)，分類精度有較大提升。

表2 不同模型分類結(jié)果Table 2 Classification results of different models

2.4 分類精度比較

以R-PCA、RL-PCA為輸入因子時(shí)，精度最高的模型分別是LDA模型和K-means模型，總精度和Kappa系數(shù)分別為59.38%、0.46和62.50%、0.50。以FD-PCA、CR-PCA、SCP為輸入因子時(shí)，除FD-PCA以SVM模型精度最高，其余均為LDA模型精度最高，總精度分別為84.38%、87.50%、81.25%，Kappa系數(shù)分別為0.79、0.83、0.75，一定程度上提高了不同退耕年限土壤光譜分類的精度。在K-means、SVM、LDA模型中，以FD-PCA、CR-PCA為輸入量的模型要略優(yōu)于以其他三種輸入量的分類模型。從整體上來看，以CR-PCA為輸入因子，基于LDA模型構(gòu)建的分類模型總精度最高，達(dá)到87.50%；以FD-PCA為輸入因子，基于SVM構(gòu)建的分類模型精度次之，也達(dá)到了84.38%；以R-PCA為輸入因子構(gòu)建的K-means分類模型和以RL-PCA為輸入因子構(gòu)建的SVM分類模型總精度最差，僅僅只有46.88%；通過對比五種輸入因子在三種模型中的分類總精度可以發(fā)現(xiàn)，以CR-PCA和FD-PCA為輸入因子的分類總精度均達(dá)到了75%以上，其中CR-PCA總精度最大達(dá)到87.50%，F(xiàn)D-PCA總精度最大為84.38%，并且對比不同年限聚類精度，CR-PCA除K-means模型中的RF聚類精度較低外，其余聚類精度均要優(yōu)于FD-PCA，因此在本研究中CR-PCA是區(qū)分不同年限退耕土壤的最優(yōu)輸入因子。

3 討 論

土壤光譜曲線是土壤屬性的綜合體現(xiàn)。對不同年限退耕土壤的光譜曲線進(jìn)行分析，發(fā)現(xiàn)反射光譜曲線形狀大致相似，反射率依次為RF＞RF＞RF＞RF，與SOC含量呈負(fù)相關(guān)，與南鋒等研究結(jié)果相符，南鋒等對黃土高原煤礦復(fù)墾區(qū)農(nóng)田SOC進(jìn)行預(yù)測，發(fā)現(xiàn)SOC含量與反射率呈負(fù)相關(guān)。在400～580 nm波段范圍內(nèi)，反射率大小與土壤砂粒含量呈正相關(guān)，這與張雅梅等的研究結(jié)果不符，張雅梅等對土壤質(zhì)地不同粒級(jí)顆粒含量進(jìn)行統(tǒng)一預(yù)測，發(fā)現(xiàn)在380～1 100 nm波段范圍內(nèi)，砂粒含量最高的砂土反射率最低。這可能是SOC含量和砂粒含量共同作用產(chǎn)生的結(jié)果。對光譜曲線做去包絡(luò)線處理，發(fā)現(xiàn)在480和900 nm處，隨著SOC含量的增加，吸收谷變淺，面積減小，這與趙明松等的研究結(jié)果相一致，趙明松等對江蘇中部水稻土和潮土的去包絡(luò)線進(jìn)行分析，發(fā)現(xiàn)480、900 nm處SOC含量增加導(dǎo)致吸收谷減小。在800～1 200 nm波段范圍內(nèi)，土壤光譜曲線也表現(xiàn)出一定的差異，這可能由于氧化鐵含量的不同所造成的。去包絡(luò)線在1 400、1 900 nm處的吸收谷也表現(xiàn)出顯著差異，造成這一差異的主要原因可能是由于土壤水分的不同。

目前研究多采用高光譜非成像技術(shù)、成像技術(shù)及高分影像等對土壤類型進(jìn)行區(qū)分，未能考慮諸如退耕還林地不同年限的區(qū)分。本文以地面高光譜數(shù)據(jù)為基礎(chǔ)，實(shí)現(xiàn)了退耕還林地不同年限分類研究，可以為高分影像分類時(shí)的光譜變換形式和波段選擇提供一定參考，并且后續(xù)研究中可以將圖像與光譜結(jié)合，探究分類精度更高的模型。本研究以R-PCA、RL-PCA、FD-PCA、CR-PCA和SCP為輸入指標(biāo)，基于K-means、SVM和LDA構(gòu)建退耕還林地不同年限分類模型。通過對比不同分類模型的精度，發(fā)現(xiàn)以CR-PCA為輸入指標(biāo)構(gòu)建的LDA分類模型精度最高。造成這一結(jié)果的原因可能是LDA屬于監(jiān)督學(xué)習(xí)的線性分類方法，對線性問題有較好的處理效果。比較不同分類模型中輸入指標(biāo)的精度發(fā)現(xiàn)，CR-PCA在K-means、SVM和LDA模型中的分類精度依次為81.25%、78.13%和87.50%，這充分說明對光譜數(shù)據(jù)進(jìn)行CR處理可以顯著增強(qiáng)土壤屬性對光譜曲線產(chǎn)生的綜合影響，進(jìn)而提高模型的精度，其中主要波段范圍為405～595、805～995、1 355～1 495、1 835～2 135、2 145～2 285 nm，后期利用高分影像數(shù)據(jù)時(shí)可以著重考慮選擇這些波段范圍。孟祥添等等采用高分5號(hào)影像數(shù)據(jù)，對原始光譜曲線進(jìn)行去包絡(luò)線、主成分分析等處理，進(jìn)而區(qū)分東北典型黑土區(qū)土壤類型，發(fā)現(xiàn)CR-PCA分類精度較原始反射率提高了9.15%，說明去包絡(luò)線可以增強(qiáng)光譜差異性，與本研究結(jié)果一致。

本研究將高光譜技術(shù)應(yīng)用到退耕還林土壤研究中，并實(shí)現(xiàn)了退耕還林地不同年限識(shí)別，為研究退耕還林土壤屬性變化及影響提供了一種思路和方法。然而本研究構(gòu)建的模型較為簡單，未構(gòu)建目前廣泛應(yīng)用的機(jī)器學(xué)習(xí)模型，會(huì)對分類模型的精度有一定的影響，后續(xù)將會(huì)對分類模型和輸入指標(biāo)做進(jìn)一步的研究，為退耕還林對土壤屬性影響的深入研究及退耕還林工作奠定基礎(chǔ)。

4 結(jié) 論

為了明確退耕工程對土壤屬性的影響，以及不同年限退耕土壤的光譜特征，實(shí)現(xiàn)快速獲取退耕年限的目的，本研究以大寧縣不同年限退耕還林地土壤為研究對象，獲取土壤理化性質(zhì)及光譜曲線數(shù)據(jù)，探討不同年限退耕土壤理化性質(zhì)的變化及對光譜曲線造成的影響，同時(shí)構(gòu)建分類模型，選取最優(yōu)分類模型及最優(yōu)輸入因子。主要結(jié)論：

1）隨著退耕年限的增長，土壤有機(jī)碳含量逐漸增加，砂粒含量先增加后減少，土壤有機(jī)碳含量與原始反射率大小呈負(fù)相關(guān)。

2）不同年限退耕土壤原始光譜曲線形態(tài)相似，整體呈遞增的趨勢；進(jìn)行去包絡(luò)線處理后顯著提升光譜曲線的吸收特征，在480 nm處出現(xiàn)了由土壤有機(jī)碳引起的吸收谷，900和1 100 nm的吸收谷可能是由于氧化鐵含量不同導(dǎo)致的，1 400和1 900 nm主要是由于土壤水分引起的吸收特征，2 200和2 350 nm處的吸收特征可能是由于不同粒級(jí)顆粒含量的不同所導(dǎo)致的。

3）以去包絡(luò)線主成分為輸入量，基于線性判別分析構(gòu)建的分類模型精度最高，達(dá)到87.50%，為本研究最優(yōu)分類模型；以去包絡(luò)線主成分為輸入因子的分類模型，總精度均達(dá)到了75%以上，最大為87.50%，說明在本研究中去包絡(luò)線主成分是區(qū)分不同年限退耕土壤的最優(yōu)輸入因子。