基于光谱指数优选的土壤盐分定量光谱估测

郭 鹏， 李 华， 陈红艳， 刘亚秋， 盖岳峰， 任 涛

(1.山东农业大学 资源与环境学院， 山东 泰安 271018；2.山东菏泽水利工程总公司， 山东 菏泽 274000； 3.山东凯文科技职业学院, 山东 济南 250200；4.山东颐通土地房地产评估测绘有限公司， 山东 济南 250000； 5.山东省泰安市农业局， 山东 泰安 271018)

黄河三角洲地区是中国滨海盐碱地分布的重要地带，多数土壤盐渍化，严重制约着黄河三角洲地区高效生态农业的发展，快速、准确获取盐渍土信息是盐渍土治理和利用的必要前提[1-3]。基于高光谱数据开展盐渍土信息的定量分析已成为研究热点，并取得了积极的成绩[4-6]。王丽娜等[7]在分析盐渍土光谱曲线变化规律的基础上，确定(1 490～1 608,1 900～1 950 nm)作为黄河三角洲盐分敏感范围，利用主成分回归方法估测黄河三角洲地区土壤盐分含量。朱赟等[8]在土壤修复过程中针对8种光谱数据集，基于相关系数的极值和不同相关系数范围两种方法筛选土壤最佳敏感波段，利用偏最小二乘法以全波段与最佳响应波段两种方法建立土壤含盐量的光谱反演模型。

现有研究中有许多是基于光谱指数构建的盐分定量估测模型，而且光谱指数的构建与筛选有两种思路：一是先进行相关分析选取敏感波段，利用敏感波段构建光谱指数然后进行模型的建立及其验证，如张同瑞等[9]基于野外敏感光谱波段构建光谱指数，进而构建了18种模型并进行验证优选，最终确定以土壤调整植被指数(soil adjust vegetation radiation，SAVI)的线性模型为最佳的黄河三角洲地区盐分状况反演及分析模型；蔡东全[10]探究了不同盐渍化程度下土壤的光谱特征规律采用相关分析获得了敏感特征波段、通过多元线性回归分析构建了土壤全盐含量高光谱估测模型，并建立了土壤波谱库、采用波谱角分类法获得了土壤盐渍化信息。二是对全部波段两两组合直接构建光谱指数，然后利用相关分析筛选敏感的光谱指数和波段，进而进行模型的建立及其验证。如黄帅等[11]通过光谱分析技术计算高光谱指数，与土壤样本含盐量进行相关性分析，筛选出土壤含盐量的光谱特征指数和波段，基于逐步多元线性回归(multiple line regression，MLR)和偏最小二乘回归(partial least squares regression，PLSR)建立土壤盐分动态监测模型。如蒲智等[12]运用统计方法分析了5种高光谱指数与土壤含盐量的定量关系，确定了能提高盐渍土含盐量估算精度的最佳光谱指数及定量预测模型。可见，现有研究多是单独基于其中一种思路开展研究，对于两者的对比和优选未见报道。因此，本文拟分别采取两种思路进行建模：一种是基于筛选的敏感波段构建光谱指数进行建模；另一种是先波段两两组合构建光谱指数，然后基于筛选的敏感光谱指数进行建模，进而对两种结果进行对比。优选基于光谱指数的盐渍土盐分最佳定量模型，从而提出盐渍土盐分快速准确估测的技术路线，为研究区土壤盐分定量、快速遥感监测提供理论基础和技术参考，从而为盐渍土的治理、利用提供数据支持。

1 材料与方法

1.1 研究区概况

以山东省垦利县为研究区，该区位于黄河最下游入海口处，东濒渤海，地处37°24′—38°10′N，118°15′—119°19′E，县域呈西南、东北走向，南北纵距55.5 km，东西横距96.2 km。属温带季风气候区，受海水影响所致，土壤为滨海潮盐土，盐分组成以钠型盐氯化物为主，主要盐分离子是Cl-,Na+和Ca2+。该地区基本涵盖了黄河三角洲的不同的盐渍化程度、微地貌类型、土壤地质，具有代表性。

1.2 土壤样本采集及土样室内分析

2014年10月5—9日野外采集土样，根据研究区耕地面积和土壤盐渍化状况，均匀布局采样点。采样深度为0—20 cm，记录GPS位置和相应环境信息，取土1 kg左右，装入密封袋内，共采集土样96个。将采集的土样自然风干、敲碎，剔除其他侵入体，过筛(2 mm)，并混合均匀，分成2份。土壤盐分及其组分的测定使用电导率，Cl-采用硝酸银容量法测定，Na+采用火焰光度法测定，Ca2+采用原子吸收分光光度法测定[13-15]。

1.3 光谱测定

采用美国ASD Fieldspec 4光谱仪[16-17]于室内采集土壤高光谱数据，该光谱仪光谱范围为350～2 500，350～1 000 nm范围内光谱采样间隔为1.4 nm，光谱分辨率为3 nm，在1 000～2 500 nm范围内光谱采样间隔为2 nm，光谱分辨率为10 nm。光谱重采样间隔为1 nm，共输出2 151个波段。

光谱测定在等同于暗室的实验室内进行，将盛样皿内土壤稍稍刮平，使其表面尽量平整，将装满土样的盛样皿放在反射率近似为0的黑色橡胶垫上，采用功率为50 W卤素灯作为光源，探头视场角为25°，光源入射角度为45°，光源距离为30 cm，探头距离为15 cm。每次采集目标光谱前后都进行参考板校正，在视场范围内重复测量10次，为降低土样光谱各向异性的影响，测量时转动盛样皿3次，每次转动角度约90，获取土样4个方向的光谱曲线，取算术平均后得到该土样的反射光谱数据[18-20]。

1.4 光谱预处理

为消除土样高光谱数据的噪声影响，对可见光到近红外(350～1 300 nm)波段，采用移动平均法去噪，对短波红外(1 301～2 500 nm)采用 9 点加权抽样平滑去噪；将去噪后的光谱数据去除受外界噪声影响较大的边缘波段350～399 nm 和2 451～2 500 nm两段数据，将其余波段(400～2 450 nm)数据作为土样的实际光谱反射数据；对光滑后的反射率进行一阶导数变换，并将样点的一阶导数光谱作为输入光谱。

1.5 基于敏感波段的光谱指数构建

首先对研究样本的土壤盐分及其主要离子含量与反射率的一阶导数光谱进行逐波段的相关分析，计算相关系数，按照相关系数高且显著的原则，选取各自的敏感波段；其次根据盐分及其主要离子敏感波段的交叉情况选取具有极值相关系数的波段作为特征敏感波段；最后利用特征敏感波段构建光谱指数：盐度指数(salt indices，SI)、亮度光谱指数(brightness spectral indices，BSI)、差值光谱指数(difference spectral indices，DSI)、比值盐分指数(ratio salt indices，RSI)和归一化光谱指数(normalized difference spectral indices，NDSI)。光谱指数公式见表1。

表1 盐分光谱指数及其公式

1.6 敏感光谱指数筛选

采用表1中的公式计算400～2 000 nm任意2波段组合而成的SI,BSI,DSI,RSI和NDSI，分析它们与土壤盐分及主要离子含量的关系，用等势图表示，分别选择相关系数较大的指数为敏感光谱指数。具体算法通过Matlab R2014a,SPSS 20.0,Excel 2010软件实现。

1.7 估测模型构建与验证

2 结果与分析

2.1 土壤样本描述性统计分析

对96个土样的盐分及其主要离子含量进行描述性统计分析(表2)。土样盐分含量为0.14%～3.08%，平均值为0.95%，标准差为0.88%，变异系数为0.92%，表明研究区土壤盐分含量普遍较高，盐渍化程度不同；盐分离子中Cl-,Na+含量较高，且变异性较大，应能较好地反映土壤盐渍化程度。

表2 盐分及主要离子统计分析%

2.2 基于敏感波段的光谱指数

基于研究样本的土壤盐分及其主要离子含量与反射率一阶导数的相关分析结果(如图1所示)，可见具有较高相关系数的敏感波段集中于1 070～1 955和2 010～2 366 nm，而且多有交叉。按照相关系数高且显著的原则，选取敏感波段为1 493,1 801,1 911和2 289 nm，根据敏感波段的交叉情况选取具有极值相关系数的波段作为特征敏感波段(1 493,1 911 nm)，最后利用特征敏感波段构建光谱指数(SI,BSI,DSI,RSI和NDSI)。

图1 土壤含盐量与一阶导数光谱的相关系数

2.3 基于光谱指数的土壤盐分及其离子估测模型

基于光谱指数，采用随机森林(RF)方法构建土壤盐分及主要离子含量的高光谱估测模型(表3)。对比光谱指数的表现，各个光谱指数与土壤盐分及其主要离子的决定系数、均方根误差、相对误差的平均值分别为：SI为0.56,0.18,1.86；BSI为0.32,0.04,1.02；DSI为0.45,0.98,1.56；RSI为0. 41,0.11,1.18；NDSI为0.58,0.35,1.82。可见光谱指数最佳是BSI，其次是RSI,DSI，最后是SI,NDSI。

2.4 敏感光谱指数的筛选

计算400～2 000 nm任意2波段组合而成的上述5种光谱指数，光谱指数与土壤盐分及其主要离子含量的相关系数用abs等势图来表示，以盐分与5种光谱指数的等势图为例，在SI，BSI，NDSI，RSI，DSI中光谱指数与土壤盐分及其主要离子含量之间的相关系数总体较为一致，总体表现为近红波段与可见光波段光谱指数与盐分的相关性较好，敏感的光谱范围为1 430～1 862，1 934～2 150 nm，涵盖思路一筛选的敏感波段(1 493和1 911 nm)，更有助于盐分及其主要离子光谱特征的分析(表3)。

不同光谱指数与盐分相关系数最大值及最佳分布有一定差异，以盐分与5种光谱指数的相关系数、值域分析为例：SI与盐分的相关系数值在波段(1 200，1 650 nm)达到0.6左右，在(1 800，1 613 nm)相关系数达到最大值0.75左右；BSI在波段(1 215，1 615 nm)相关系数值达到0.7左右，在(1 750，1 620 nm)相关系数最大值达到0.8左右；DSI在波段(1 150，1 550 nm)相关系数值达到0.6左右，在(1 700，1 500 nm)相关系数达到最大0.7左右；RSI在(1 200，600 nm)相关系数值达到0.5，在(1 700，600 nm)相关系数最大值达到0.6左右；NDSI在波段(1 150，550 nm)相关系数值达到0.5左右，在(1 650，600 nm)相关系数最大值达到0.7左右。说明5种光谱指数与土壤盐分及其主要离子有着比较密切的关系，因此，选定5种光谱指数相关系数值大的波段为敏感光谱指数SI(1 800，1 613 nm)，BSI(1 750，1 620 nm)，DSI(1 700，1 500 nm)，RSI(1 700，600 nm)和NDSI(1 650，600 nm)，分别作为输入变量构建盐分及其主要离子含量估测模型。

表3 基于光谱指数的盐分及其离子模型比较

2.5 基于敏感光谱指数的土壤盐分及其主要离子估测模型

基于敏感光谱指数，采用随机森林(RF)方法构建土壤盐分及主要离子含量的高光谱估测模型(表4)。各个光谱指数与土壤盐分及其主要离子的平均值分别为：SI为0.86,0.38,1.76；BSI为0.32,0.02,1.01；DSI为0.55,0.96,2.56；RSI为0.42,0.21,1.16；NDSI为0.96,0.84,1.92。可见光谱指数最佳是BSI，其次是RSI，DSI，最后是SI，NDSI。可见光谱指数最佳是BSI，其次是RSI，DSI，最后是SI，NDSI。

综上，确定黄河三角洲盐渍土最佳光谱指数为BSI(1 750，1 620 nm)，土壤盐分及其主要离子最佳定量模型为基于BSI(1 750，1 620 nm)的随机森林模型；土壤盐分及其主要离子定量分析的最佳路线为：首先任意波段两两组合构建光谱指数，然后利用相关分析筛选土壤盐分及其主要离子的敏感光谱指数，进而构建其随机森林估测模型。

表4 基于敏感光谱指数的盐分及其离子模型

图2为思路二基于BSI盐分及其主要离子的RF模型的预测值和实测值的散点图。可见，样本较为均匀地分布在1∶1线的两侧，表明预测值和实测值整体呈现较好的线性关系。

图2 盐分及其主要离子RF模型预测值和实测值关系

3 讨 论

在以往的研究中，张同瑞等[9]以山东省无棣县“渤海粮仓”项目核心示范区为研究区，采用思路一的方法进行土壤含盐量模型的建立及其验证，研究得出以土壤调整植被指数(soil adjust vegetation radiation，SAVI)为因变量构建的模型估测效果最好，相关系数R2为0.797。黄帅等[11]以新疆渭干河—库车河三角洲绿洲为例，采用思路二的方法进行土壤盐分模型的建立及其验证，研究表明偏最小二乘回归模型的预测值和实测值一致性很好，相关系数R2为0.873。可见，前人研究也表明采用思路二建模结果的精度优于思路一，本文研究结果亦是如此。这可能是由于思路一先采用相关分析筛选到2个波段再组合建模，而思路二先两两组合信息再筛选光谱指数，模型入选变量在综合波段信息的基础上再利用相关分析筛选更有针对性。

本文以黄河三角洲山东省垦利县为研究区，构建了5种光谱指数(SI,BSI,DSI,RSI和NDSI)，并进行了对比，研究表明，对该研究区土壤盐分定量估测，亮度指数BSI表现最佳。然而关红等[24]在对龟裂碱土盐碱化信息提取分析中，表明协同盐分指数SI和植被指数MSAVI构造的土壤盐渍化指数模型模拟效果很好，由此可见不同的光谱指数对不同区域土壤盐分定量估测是不同的。因此本研究筛选的光谱指数对于其他差异较大盐渍土的适用性还有待研究核实。

4 结 论

(2) 确定土壤盐分及其主要离子定量分析的最佳路线。本文采用两种思路构建并优选光谱指数，一方面，模型精度表明采用思路二建模的结果明显优于思路一；另一方面，思路二明确的光谱范围(1 430～1 862和1 934～2 150 nm)涵盖思路一筛选的敏感波段(1 493和1 911 nm)，更有利于盐分及其主要离子的光谱特征分析。因此，本文确定土壤盐分及其主要离子定量分析的最佳路线为：首先任意波段两两组合构建光谱指数，然后利用相关分析筛选土壤盐分及其主要离子的敏感光谱指数，进而构建其随机森林估测模型。