紫色土和黄壤含水率的室内光谱反演

2021-11-23韩陈,唐强,韦杰,3

水土保持通报 2021年5期

韩陈, 唐强, 韦杰,3

(1.重庆师范大学地理与旅游学院, 重庆 401331; 2.西南大学地理科学学院, 重庆 400715; 3.三峡库区地表过程与环境遥感重庆市重点实验室, 重庆 401331; 4.重庆金佛山喀斯特生态系统国家野外科学观测研究站, 重庆 400715)

土壤水分是植物生长的关键限制因素[1-2]，开展土壤水分监测，掌握土壤水分动态变化，对农业生产和生态建设等具有重要意义。近年来，随着光谱分析技术的发展，高光谱已被广泛应用于有机质、含水率、养分等土壤参数的估测[3-5]，相较于传统测量土壤含水率的方法，高光谱技术能实时、快速和大面积的对目标区域进行监测，探测土壤水分微小差异的变化，为动态监测区域尺度土壤含水率提供了新的方法[6]。研究表明，土壤反射率随着土壤含水率的增大而逐渐降低，当含水率增大到田间持水量后，土壤反射率会随着含水率的增大而增大[7-8]；在1 400，1 900，2 200 nm附近存在明显的水分吸收带[9-10]。已有研究利用高光谱成像技术对黑土[6]、草甸土[11]、黄绵土[12]、碱土[13]等土壤水分进行监测，并构建土壤含水量定量估测模型，但关于提取土壤光谱信息和反演土壤含水率的结论不尽相同。土壤光谱是土壤有机质、机械组成、矿物组成等理化性质的综合反映[8]，土壤类型不同，光谱特征存在差异，土壤光谱对土壤含水率变化的响应方式不同。因此，有必要针对不同类型土壤光谱信息进行具体分析，定量分析含水率对土壤反射率的影响，为土壤含水率的光谱估测奠定基础。

紫色土和黄壤是西南地区主要的耕地资源，占西南地区耕地面积的45%以上[14]。紫色土是热带、亚热带地区三叠系、侏罗系、白垩系、第二系紫色砂页岩风化发育形成的一种岩性土，具有风化成土快、生产性能高、结构稳定性差、抗蚀性弱等特点[15-17]。黄壤是发育于亚热带湿润山地或高原常绿阔叶林下的富含水合氧化铁的黄色土壤，是一种地带性土壤[14]。西南地区以山地丘陵地貌为主，侵蚀性降雨集中、人地矛盾突出、农地耕作强度大，水土流失问题十分突出。建立一种快速、精准、有效的紫色土和黄壤水分估测方法对农田水分高效管理和水土保持措施的合理配置具有重要意义。本文以紫色土和黄壤为研究对象，利用室内高光谱测量技术，通过数学变换和相关系数法寻找紫色土与黄壤光谱对于土壤水分的敏感波段，采用多元逐步回归(SMLR)和BP神经网络(BPNN)建立土壤含水率反演模型，为西南地区大面积土壤水分管理和生态恢复等工作提供依据。

1 材料与方法

1.1 土壤采集及土壤含水率的配置

试验土样于2018年3月上旬采自重庆市沙坪坝区黄壤坡耕地和北碚区紫色土坡耕地。野外采样按S形布设5个土壤取样点，将表层杂物清除后采集0—10 cm深度的新鲜土壤5 kg。将采集的土样剔除植物根系、石块等残渣，混合均匀后进行风干、研磨，过2 mm筛后分成两部分，用于紫色土、黄壤的理化性质测定(表1)和室内土壤光谱测量。

表1 供试土壤基本理化性质

为模拟野外环境下的土壤水分，结合紫色土和黄壤风干土含水率和田间持水量，本试验土壤含水率控制在8%～29%。配置具有一定梯度的土壤含水率样本，设8个土壤含水率水平(8%，11%，14%，17%，20%，23%，26%，29%)，避免偶然性每个含水率水平做3个重复，共48组土样进行试验，另设独立的6个紫色土和6个黄壤样本对所建模型进行检验。根据设计所需含水率计算出不同含水率水平土样的去离子水需水量，均匀喷洒于土样上，用保鲜膜密封后置于常温环境下24 h。

1.2 土壤高光谱测定方法

利用美国Analytical Spectral Devices公司ASD FieldSpec4型地物光谱仪进行土样光谱信息采集，其波谱范围为350～2 500 nm，其中350～1 000 nm光谱分辨率为3 nm(采样间隔为1.4 nm)，1 000～2 500 nm光谱分辨率为10 nm(采样间隔为2 nm)。光谱测量和信息采集在暗室内进行，将处理后的土壤样本置于深2 cm，直径6.5 cm的容器中，土壤表面用直尺刮平。光源采用与光谱仪配套的50 W卤素灯，光源到土壤表面距离为30 cm，光源的入射角度为45°。采用25°视场角的光纤探头，探头垂直置于土壤样本表面上方15 cm。用白板对光谱仪进行优化、标定后进行土壤光谱采集[6,10]。每个土样在视场范围内重复测定10次，取算术平均值作为该含水率土样的室内光谱反射率。

1.3 数据预处理与变换分析

采用Savitzky-Golay平滑算法(简称SG算法)对高光谱曲线进行平滑去噪处理[10]。对平滑后的光谱反射率进行对数(lgR)、一阶微分(R′)、对数一阶微分〔(lgR)′〕三种变换，通过Pearson相关分析法计算其与土壤含水率之间的相关系数，从中筛选出土壤含水率的特征波段。在SPSS22.0中进行数据的变换处理、相关性分析等具体过程。

1.4 建模与验证

在SPSS22.0软件上进行多元逐步回归建模(stepwise multiple linear regression，SMLR)。分别采用紫色土和黄壤R，lgR，R′，lgR′与土壤含水率建立多元逐步回归方程，筛选出最优的光谱变换指标。

在MATLAB R2018a中实现BP神经网络建模(back propagation neural network，BPNN)，分别采用原始光谱反射率(R-BPNN)和多元逐步回归筛选的最优特征波段(SMLR-BPNN)建立两种土壤的BP神经网络预测模型。根据前人研究经验[18]，按照2∶1的比例设定训练集和测试集数据，建立预测模型。在网络学习过程中，对样本进行归一化处理，精度要求为10-5，训练次数最高为1 000，输入层和隐含层之间的传递函数为双曲正切函数；隐含层与输出层之间的传递函数为Purelin；隐含层函数选择Logsig，隐含层节点个数根据(1)式确定：

(1)

式中：Y为隐含层的节点数;A为输入层的节点数;B为输出层的节点数;C为1—10的常数。

选用决定系数(R2)、均方根误差(RMSE)和相对分析误差(RPD)对两类建模方法的拟合优度和建模精度进行评价[10]。RPD是样本实测值的标准差和均方根误差的比值，一般认为RPD≥2时，模型具有很好的定量预测能力；当1.4≤RPD<2时，表明模型具有粗略估算样品含量的能力；当RPD<1.4时，表明模型无法对样品含量进行预测。R2，RMSE，RPD计算公式如下：

(2)

(3)

(4)

2 结果与分析

2.1 不同含水率下土壤光谱特征分析

紫色土和黄壤的土壤光谱反射率在可见光—近红外波段曲线形态基本相似，均随土壤含水率的增加呈下降趋势(图1)。紫色土土壤含水率从8%增加到20%，土壤光谱反射率的下降幅度较大；当土壤含水率从20%增加到29%，土壤光谱反射率的下降幅度较小。黄壤土壤含水率从14%增加到23%，土壤光谱反射率的下降幅度最大；其次是含水率从23%增加到29%，下降幅度最缓慢的是含水率从8%增加到14%。相比而言，紫色土反射光谱对低含水率变化敏感；而黄壤反射光谱对中等含水率更敏感，可能是土壤矿物含量及其对水分的差异性吸收导致的[19]。

由图1可以看出，紫色土和黄壤在近红外波段范围内光谱反射率变化显著大于可见光波段范围，说明土壤含水率对反射率的影响主要集中在近红外波段。在350～2 500 nm波段范围内，两种土壤反射光谱曲线在1 400，1 900，2 200 nm波段附近均存在较明显的吸收谷，在350～760 nm波长范围内，不同含水率下光谱反射率差异较小；在760～2 500 nm间，紫色土光谱曲线表现平缓，黄壤光谱曲线表现较陡；在同一含水率下，土壤光谱反射率黄壤大于紫色土。这可能是由于两种土壤本身性质差异造成的，黄壤较紫色土土壤颜色浅，吸收率更低，因而反射率更高，同时矿物含量、有机质含量、土壤质地、表面粗糙度等也是造成两种土壤光谱吸收反射特征差异的原因[20]。

图1 土壤含水率和光谱反射率的变化关系

2.2 相关分析及特征波段提取

将平滑后的紫色土、黄壤的光谱数据进行lgR，R′和lgR′处理，再与土壤含水率进行相关性分析，两种土壤含水率与光谱反射率不同变换形式的相关性曲线如图所示(图2—3)。两种土壤的R和lgR与土壤含水率之间均呈负相关；在整个波段范围内，相关系数绝对值>0.9，相关性显著，紫色土R和lgR最高值分别在1 906 nm和1 908 nm处，相关系数为-0.96和-0.97；黄壤R和lgR最高值分别在1 818 nm和1 047 nm处，相关系数为-0.98。

图2 紫色土含水率与其光谱特征的相关分析

紫色土和黄壤土壤反射率经R′和lgR′变换后与土壤含水率的相关系数不再呈单一的负相关，曲线变化剧烈，相关系数随波长变化较大，且存在相关系数高、稳定的波段，两种土壤经R′和lgR′变换后与土壤含水率相关系数最大值均达到-0.99。虽然光谱反射率经变换后，显著相关波段减少，但它能够有效地突出土壤水分的光谱吸收和反射特征，提高了光谱对土壤含水率的敏感性。因此，在利用光谱数据提取土壤水分含量信息时进行数据变换是十分必要的。

根据紫色土和黄壤土壤含水率与R，lgR，R′和lgR′的相关性分析结果，分别选取10个特征波段进行多元逐步回归建模。为避免相邻波段的多重自相关性，R和lgR特征波段选取原则为：波段与土壤含水率相关性较高，且被选择的波段间具有一定的距离；R′和lgR′分别选择显著相关区域中相关系数绝对值最大的波段作为特征波段。

图3 黄壤含水率与其光谱特征的相关分析

2.3 土壤含水率高光谱预测模型

2.3.1 多元逐步回归模型将基于不同变换形式的光谱指标挑选的特征波段与土壤含水率进行多元逐步回归分析，并利用验证集样本对建立的模型进行精度评价。由表2可以看出，紫色土和黄壤的光谱反射率4种形式建模精度较高，都达到0.90以上，且经3种变换后，模型精度有所提高；根据RMSE值越小，R2，RPD值越大的原则，两种土壤以一阶微分变换后建立的土壤含水率估测模型建模精度最高。从两种土壤对比来看，除原始反射率外，对数、一阶微分、对数一阶微分建模效果均是紫色土优于黄壤；经筛选后紫色土和黄壤最敏感的波段分别为一阶微分变换后1 736 nm和1 714 nm波段。

2.3.3 两种土壤含水率反演模型比较依据上述分析，BPNN模型的预测精度高于SMLR预测模型，因此说明对于紫色土和黄壤的土壤含水率定量预测非线性模型优于线性模型。SMLR模型只能粗略估算土壤含水率，而BPNN模型具备了定量预测紫色土和黄壤土壤含水率的能力；在BPNN模型中，以SMLR-BPNN模型的预测能力最好，说明经SMLR筛选后，减少了数据冗余，光谱与土壤含水率的关系显著提高，预测模型的精度得到提升。从两种土壤对比来看，SMLR和BPNN模型整体建模效果紫色土优于黄壤，说明土壤含水率的两类模型对紫色土的适用性高于黄壤。

表2 紫色土与黄壤多元逐步回归分析

表3 最优子网模型回归分析结果

3 讨论

(1) 不同含水率和土壤类型光谱特征。在不同土壤含水率下，光谱反射率大小存在差异，但曲线形状具有相似性。本研究紫色土与黄壤土壤含水率的范围为8%～29%，小于两种土壤的田间持水量，随着土壤含水率的增加光谱反射率逐渐降低，这与姚艳敏等[6]、Gou等[10]的研究结果一致。而当土壤含水率超过田间持水量时，土壤表层出现水层，光线射入时会形成镜面，增大反射率[21]。在同一含水率下黄壤的土壤光谱反射率整体高于紫色土且在1 450～2 200 nm波段黄壤的变化幅度更加明显。主要原因可能与紫色土和黄壤的矿物类型和含量差异有关，已有研究表明在可见光区的吸收主要与含铁矿物(如赤铁矿、针铁矿)有关[22]；近红外波段主要受到CH，CO，NH等基团的影响；1 400 nm附近的吸收谷主要是土壤表面吸附水、黏土矿物晶格结构水等吸收引起，1 900 nm附近蒙脱石类矿物有较强的吸收带，2 200 nm附近主要存在黏土矿物(高岭石)的吸收带[20]。

(2) 土壤含水率的光谱特征波段。土壤光谱信息是土壤所有性质的综合表达，不同土壤类型的光谱特征和特征波段往往存在差异。研究者们采用各种数据分析方法对不同土壤类型进行特征波段提取结果见表4。由表4可知，张俊华等[13]和彭杰等[11]分别对碱土和草甸土的研究结果较为一致，认为土壤水分的特征波段主要在可见光波段。姚艳敏等[6]、何挺等[12]和Peng等[21]则认为近红外波段更适合光谱的特征波段提取。本研究紫色土与黄壤最优特征波段分别为1 736 nm和1 714 nm，属于近红外波段，与姚艳敏等[6]的研究结果更为接近，但在不同土壤类型下，各研究者所提取的具体波段均有所不同。除土壤本身性质影响外，数据处理方法对特征波段的提取也有较大影响，例如微分变换通过计算不同阶数的微分，将光谱数据中的一些隐匿信息揭示出来，快速确定波长范围内的拐点及最大、最小反射率位置，同时可以消除噪音及其他背景对光谱的影响，提高光谱的灵敏性；而包络线消除法能够有效地突出某波段处光谱曲线的吸收和反射特征，将其归一化到统一的光谱背景上与其他光谱进行波段特征比较，从而确定敏感波段[23]。Gou等[10]对同一土壤光谱反射率采用微分变换和去包络线处理提取得出了不同的特征波段。本研究原始光谱反射率经lgR，R′和lgR′处理后，与土壤含水率的最高相关系数波段均发生变化；在数值上，两种微分变换的相关系数最大值较R，lgR有所增加，但R与lgR差异不大，表明微分变换比对数变换更适合作为紫色土和黄壤特征波段提取的变换方式。因此，对不同类型土壤进行具体研究，分析各土壤类型下的最优数据变换方式和特征波段提取方法，寻找出共同规律，为区域尺度乃至全球尺度的土壤水分信息的快速获取奠定理论基础。

表4 不同土壤类型下土壤含水率的特征波段

本文采用室内光谱测量分析技术，消除了野外大气状况、植被覆盖等因素的影响；通过控制变量，减小了土壤性质如有机质、质地、成土母质等对土壤反射光谱的影响，检验结果表明模型精度较高。但大气状况和土壤理化性质等因素有可能影响野外估测精度，因此需要结合室内光谱反演和室外遥感应用，以提高模型的可靠性和实用性。此外，本文中估测模型的构建基于西南地区两种典型土壤类型，今后仍需对不同地区不同土壤类型光谱数据进行测试和完善，以增强土壤含水率估测模型的稳定性和普适性。