艾比湖流域盐渍土含水量光谱特征分析与建模
张海威1,2
,
张飞1,2,3
,
李哲1,2,
井云清1,2
1. 新疆大学资源与环境科学学院, 830046, 乌鲁木齐;
2. 新疆大学绿洲生态教育部重点实验室, 830046, 乌鲁木齐;
3. 新疆智慧城市与环境建模普通高校重点实验室, 830046, 乌鲁木齐
收稿日期：2016-07-03; 修回日期：2016-11-27
项目名称：国家自然科学基金"新疆联合基金本地优秀青年人才培养专项"（U1503302）
摘要：盐渍土表层盐分累积与土壤含水量有着直接的关系。为了建立干旱区盐渍土含水量高光谱遥感监测模型，本文以艾比湖流域不同含水量的盐渍土为研究对象，采用光谱反射率变换和多元统计分析（MSAM）方法，对土壤含水量的光谱特征进行分析和建模。结果表明：随着土壤含水量的增加，土壤反射率呈下降趋势；在一定范围内，波长越长，土壤光谱反射率与含水量的相关性越高，其中1 937 nm处的土壤光谱反射率与含水量具有最高的相关性（r=-0.636）。对土壤光谱反射率进行8种光谱反射率变换后，在此基础上利用多元统计方法分析盐渍土的不同含水量与光谱之间的相关性，筛选敏感波段，建立关系模型。得出对数一阶微分（Logarithm First Order Differential）在波长2 024和2 357 nm建立的模型以及均方根一阶微分（Root Mean Square First Order Differential）在波长1 972和2 357 nm建立的模型最优，相关系数r分别为0.894和0.865。基于上述模型作者构建了一种耦合模型，其相关性r=0.926比对数一阶微分模型提高了0.032，比均方根一阶模型提高了0.061；因此，所构建的盐渍土含水量估算模型是可行的，可以为遥感反演提供理论参考，对高光谱遥感反演具有一定意义。
关键词：光谱特征 含水量 模型 艾比湖流域
Modeling and analysis of spectral characteristic of soil water content in the salinized soil of Ebinur Lake Watershed
1. College of Resources & Environmental Science, Xinjiang University, 830046, Urumqi, China;
2. Key Laboratory of Oasis Ecology, 830046, Urumqi, China;
3. General Institutes of Higher Learning Key Laboratory of Smart City and Environmental Modeling, Xinjiang University, 830046, Urumqi, China
干旱区盐渍土研究一直是土壤学科的热门问题之一。土壤含水量不仅是微观气象学中一个重要的能量平衡参数，而且还是旱情监测的重要参数之一[1]，因此土壤含水量对土壤盐渍化的研究具有特殊意义。土壤含水量不仅与次生盐渍化有关，还与盐渍土的盐分运移有着密切的关系，是影响绿洲生态环境稳定性的重要因素之一[2]。国内外一些学者建立光谱与土壤含水量模型，通常利用微波遥感对地表层湿度直接进行数据收集，或利用热量距平植被指数、作物缺水指数等方法，获取地表能量与作物生长状况建立模型[3-5]。当前分析土壤理化性质与光谱反射率之间关系，主要使用主成分分析、逐步多元线性回归分析、偏最小二乘法回归分析及支持向量机和人工神经网络方法[6-7]。Lu Ning等[8]采用PHI高光谱图像数据，利用多元回归分析与最小二乘法等方法对土壤盐渍化信息进行了可视化。孙小艳等[9]使用手持便携式光谱仪对小麦的光谱反射率进行研究。夏学齐等[10]对不同理化性质的土壤进行了光谱分析与建模。吴亚坤等[11]通过变换光谱反射率与土壤EC之间构建回归模型，分析变化光谱反射率与EC关系。以上研究均是在野外进行的实验研究，另外也有很多学者开展了室内光谱研究，如刘焕军等[12]对黑土土壤水分进行了光谱响应特征分析与建模，何挺等[13]对土壤水分光谱特征进行对比分析，翁永玲等[14]基于PLSR方法对青海茶卡-共和盆地的土壤盐分进行高光谱遥感反演。他们都是在室内进行土壤含水量研究，均取得一定的成果。目前，利用实测光谱与土壤理化性质建立估算模型，已成为盐渍土研究的主流方法。
笔者以室内实测光谱数据和盐渍土含水量为数据源，提出基于不同模型下的耦合建模思想，弥补单一性建模方法的不足。由于针对新疆典型生态脆弱区土壤含水量的光谱特性及建模研究还比较缺乏；因此，选择新疆艾比湖流域为示范区，以盐渍土为研究对象，选用多元统计分析等方法，建立盐渍土不同含水量估算模型，为治理与监测盐渍土提供技术支持。
1 研究区概况
艾比湖流域地处欧亚大陆腹地，位于E 79°53′~85°02′，N 43°38′~45°52′，三面环山，远离海洋，位于托里县和乌苏南部。研究区属于典型的中温带干旱大陆气候，以干旱少雨、气温变化剧烈为特点。年平均气温6.6~7.8 ℃，年降水量为116.0~169.2 mm。近40年来，由于入湖水量的减少，艾比湖湖面常年萎缩，湖面曾缩至不足500 km2，水位下降近23 m，干涸湖地也早已沦为盐漠，成为浮尘天气发源地。植被也依次形成旱生、超旱生、沙生、盐生、水生等多种类型，主要植物类型有梭梭 (Haloxylon ammodendron)、胡杨 (Populus euphratica)、柽柳 (Tamarrix chinensis) 和芦苇 (Phragmites australis) 等[15-16]。
2 材料与方法
2.1 数据的采集与处理
2015年10月，对艾比湖流域进行综合调查，整个流域共布设有53个样点，用GPS对其进行坐标定位同时采集距地面0~10 cm的土壤样品，采集土壤时用铝盒装土样，这样可以防止水分的散失。对采集回来的土样，立即使用便携式地物光谱 (Field Spec Hi res，ASD，美国) 的人工光源采集每个土样光谱曲线，该仪器光谱范围为350~2 500 nm，光谱分辨率3 nm。容器半径为2.5 cm，垂直探头，探头距离为5 cm。测量步骤为：首先开机预热2~3 min、去除暗电流、利用白板定标获取绝对反射率、容器土样表面刮平、收集光谱曲线5条；每采集5个样点光谱要利用白板定标; 后利用光谱仪的后处理软件ASD View Spec Pro对采集的光谱曲线分析，对每个点号的5条光谱数据在Process下的Statistics内的Mean命令进行平均值计算，最后光谱数据的归一化; 最后在Origin 8.0软件中进行微分变换与多元统计分析。
将土样放入烘箱，在105 ℃下烘干12 h，放于干燥器中冷却，然后进行干土样称量，根据土壤含水量测定方法[17]计算出土壤含水量
|
${m_{{\rm{sc}}}} = \frac{{\left( {{m_1}-{m_2}} \right)}}{{\left( {{m_2}-m} \right)}} \times 100\% 。$
|
(1) |
式中：msc为土壤含水量，g/kg，m为铝盒质量，g；m1为土壤烘干前质量，g；m2为土壤烘干后质量，g。
2.2 光谱数据分析
为更好地分析与展示光谱数据与土壤含水量之间的相关性，对土壤光谱反射率分别进行倒数、对数和均方根等数学变换，然后再进行一阶、二阶微分变换消除干扰。一阶、二阶微分方程[18]分别为：
|
${R'_{\lambda i}} = \frac{{\left( {{R_{\lambda i + 1}}-{R_{\lambda i-1}}} \right)}}{{\left( {{\lambda _{i + 1}}-{\lambda _{i - 1}}} \right)}};$
|
(2) |
|
${R''_{\lambda i}} = \frac{{\left( {{{R'}_{\lambda i + 1}}-{{R'}_{\lambda i-1}}} \right)}}{{\left( {{\lambda _{i + 1}}-{\lambda _i}} \right)}}。$
|
(3) |
式中：λi + 1、λi-1和λi为波长；R′λi为波长λi的一阶微分光谱；R″λi为波长λi的二阶微分光谱。将变换后的反射率一阶微分、反射率二阶微分、倒数一阶微分、对数一阶微分、均方根一阶微分与原始反射率作为盐渍土的高光谱指数。
2.3 相关性分析
通过每个波段计算盐渍土的高光谱指数与土壤含水量的相关系数，筛选出盐渍土含水量的敏感波段[19]即
|
${r_j} = \frac{{\sum\limits_{i = 1}^n {\left( {{R_{ij}}-{{\bar R}_j}} \right)\left( {{W_i}-\bar W} \right)} }}{{\sqrt {\sum\limits_{i = 1}^n {{{\left( {{R_{ij}}-{{\bar R}_j}} \right)}^2}} \sum\limits_{i = 1}^n {{{\left( {{W_i} - \bar W} \right)}^2}} } }}。$
|
(4) |
式中：rj为高光谱指数与土壤含水量的相关系数；j为波段；Rij为第i个样品第j波段的反射率值；Rj为i个土样在第j波段反射率的平均值；Wi为第i个土样的水分含量，g；W为土壤样本含水量的平均值，g；n为盐渍土样品个数。
3 结果与分析
3.1 盐渍土含水量光谱特征分析
通过室内分析发现艾比湖流域盐渍土含水量的范围为2.6%~25.6%。把含水量的范围分为5个层次：0~5%、5~10%、10~15%、15~20%、20~25%，分别从各个层次随机选取一条来分析不同含水量的光谱特征。不同含水量下盐渍土光谱特征曲线趋势和态势很相似，但反射率高低不同。如图 1所示，总体来看，光谱曲线从400到1 350 nm呈平缓上升趋势，但不同含水量倾斜度不同。其中含水量为10.2%的光谱曲线在380~600 nm范围内，土壤光谱反射率最高。含水量为9.7%的光谱曲线在380~1 350 nm范围内，不符合随着含水量的增加而反射率降低的规律，这可能是由于土壤中的含盐量过高所导致的此现象，在600~1 450 nm附近反射率曲线斜率变缓，在1 470和1 950 nm左右各有一个水分反射谷，其中在1 950 nm附近的反射谷比较明显。不同土壤含水量反射谷程度不同，反射率呈先升高后降低的趋势。22.1%、10.2%和9.7% 3条不同含水量的光谱曲线，在1 950 nm附近出现很明显的反射谷，且这3条曲线反射率差异很小，而4.6%含水量的曲线差异较高。从整体看来随着含水量的增加反射率降低，不同含水量增减速率不同，这与顾燕等[20]和刘曾媛等[21]的研究一致。
3.2 敏感波段的选取与分析
在Origin 8.0软件中进行8种数学变换：一阶微分、二阶微分、倒数、倒数一阶微分、对数、对数一阶微分、均方根、均方根一阶微分，之后分别与土壤含水量建立相关关系，可以看出在不同波段上变化差异比较大 (图 2)。
由图 2可得，对光谱反射率进行微分变换后，其与盐渍土含水量的相关性要明显高于原始反射率，既有明显正相关，又有负相关，且均通过显著性检验。这由于经过数学变换后，放大某些原始光谱数据中细小的波段信息，所以微分变换后的波段与盐渍土含水量相关性比较高。据此可以筛选出盐渍土含水量的敏感波段，确定相关系数最高值对应的波段 (表 1)。可见，出各种数学变换筛选出的敏感波段波长均 > 1 000 nm；一阶微分、倒数一阶、对数一阶和均方根一阶都有相同的敏感波段2 357 nm，且此敏感波段的相关系数较高。
表 1(Table 1)
表 1 光谱反射率及其变换形式与土壤含水量敏感波段
Table 1 Spectral reflectance and its transformations, and sensitive bands of soil water content
| 变换形式Transformation |
R |
R′ |
R″ |
(1/R) ′ |
(Log(R))′ |
(R1/2)′ |
| 波长Wavelength/nm |
1 937 |
2 193 |
1 076 |
2 357 |
2 024 |
1 972 |
| r |
-0.636 |
0.667 9 |
0.523 |
0.727 |
0.688 5 |
0.633 1 |
|
| 变换形式Transformation |
R |
R′ |
R″ |
(1/R) ′ |
(Log (R))′ |
(R1/2)′ |
| 波长Wavelength/nm |
2 490 |
2 357 |
1 868 |
2 032 |
2 357 |
2 357 |
| r |
-0.616 |
-0.724 8 |
0.524 |
-0.733 |
-0.808 6 |
-0.781 1 |
| 注：r为相关系数，R为光谱反射率。Note: r is correlation coefficient；R is reflectance. |
|
表 1 光谱反射率及其变换形式与土壤含水量敏感波段
Table 1 Spectral reflectance and its transformations, and sensitive bands of soil water content
|
3.3 建模与分析
根据相关分析结果得到盐渍土含水量的敏感波段，建立相应的土壤含水量的估算模型。由于实验误差或数据异常，53个样本中只有44个样点进行了建模与验证，然后从44个样本中随机选取34个样品构建土壤含水量的估算模型，以敏感波段作为自变量，实测的土壤含水量作为因变量，并选择相关系数r较大的敏感波段，进行多元线性回归分析，建立盐渍土含水量估算模型 (表 2)。
表 2(Table 2)
表 2 不同自变量回归模型
Table 2 Prediction models based on different characteristic bands
因变量
Dependent variable |
自变量
Independent variable |
回归方程
Regression equation |
r |
F |
RMSE |
P |
| 含水量 (SWC) |
R |
y=0.192-0.099X193 7-0.194X249 0 |
0.618 |
9.576 |
0.046 8 |
P < 0.05 |
| R′ |
y=0.139+96.219X219 3-76.189X235 7 |
0.858 |
43.12 |
0.030 6 |
P < 0.05 |
| R″ |
y=0.077+173.689X107 6-106.719X186 8 |
0.628 |
10.1 |
0.046 3 |
P < 0.05 |
| (1/R)′ |
y=0.054+5.908X235 7-5.137X203 1 |
0.713 |
16.032 |
0.041 7 |
P < 0.05 |
| (Log (R))′ |
y=0.043+18.89X202 4-82.465X235 7 |
0.804 |
28.313 |
0.0354 |
P < 0.05 |
| (R1/2)′ |
y=0.039+32.70X197 2-125.807X235 7 |
0.798 |
27.251 |
0.0358 |
P < 0.05 |
| 注：F为检验统计量，RMSE表示均方根误差，P为显著性水平，下同。Note: r is correlation coefficient. F represents tests statistic. R is reflectance. SWC stands for soil water content. RMSE stands for root mean square error. P represents significant level. The same below. |
|
表 2 不同自变量回归模型
Table 2 Prediction models based on different characteristic bands
|
可见，土壤含水量与所选敏感波段呈良好的线性关系，原始反射率和经各数学变换后构建的模型均通过了0.05显著性检验。其中原始反射率的回归模型回归系数最低 (r=0.618)。一阶微分回归模型回归系数最高 (r=0.858)。依据回归系数和线性回归方程显著性检验统计量F值最大、均方根误差最小的原则，本文选取一阶微分，对数一阶，均方根一阶进行构建模型。
3.3.1 模型验证
模型的验证主要考虑估算模型的稳定性和效果。利用剩下的10个真实值作为验证数据，对上述所选模型对其进行验证，对反演模型的估算效果进行检验其中一阶微分模型精度r=0.554，对数一阶微分模型精度r=0.894，均方根一阶微分精度r=0.865。根据以上结果剔除一阶微分模型，选取对数一阶微分和均方根一阶微分模型进行盐渍土含水量的反演。从模型的估算值和真实值的线性拟合 (图 3) 可以看出，对数一阶模型样点基本上聚集在对角线附近，样本相关系数r=0.894。相比之下均方根一阶样点没有对数一阶样点那样紧凑，样点相关系数r=0.865。除个别异常点，估算值和实测值的线性拟合程度均较好。本文建立的盐渍土含水量遥感监测模型估算能力通过了检验，在一定程度上可以用来估算盐渍土含水量。
3.3.2 多元线性回归与构建的耦合估算模型
与原始反射率相比，不同变换后的光谱波段与含水量相关性有着不同程度的提高。经过以往研究模型的验证可知：构建的模型比较单一性，都是一种数学变换下的模型构建，有一定的不足；因此本文基于以上模型选取不同变换下的敏感波段构建模型。为了保证模型数据的一致性，模型选取的样本和上述模型一致。构建模型为y=-6.147x1+53.535x2-181.344x3+0.044，式中:y为盐渍土含水量，x1为倒数一阶变换下2 032 nm处的光谱反射率，x2为对数一阶变换2 357 nm处的光谱反射率，x3为均方根一阶变换2 357 nm处的光谱反射率。通过10个样点对模型进行精度验证，可以得到，模型的精度有所提高，相关系数r=0.926，比对数一阶微分模型相关性r提高了0.032，比均方根一阶微分模型相关系数如提高了0.061(表 3)。
表 3(Table 3)
表 3 不同回归模型对比
Table 3 Comparison of different regression models
| 模型类型Model type |
N |
r |
RMSE |
| 对数一阶Logarithm First Order Differential |
34 |
0.894 |
0.041 7 |
| 均方根一阶Root Mean Square First Order Differential |
34 |
0.865 |
0.035 8 |
| 耦合模型New model |
34 |
0.926 |
0.025 3 |
|
表 3 不同回归模型对比
Table 3 Comparison of different regression models
|
相比之前的模型，此模型基于对数一阶微分模型与比均方根一阶微分模型的相关性最优波段，且经过验证发现耦合模型对盐渍土含水量的估算是可行的 (图 4)。
4 结论与讨论
1) 盐渍土不同土含水量光谱曲线的形态与趋势基本一致；在可见光波段范围内，不同含水量的盐渍土反射率呈规律性变化，即随着土壤含水量的增加，土壤反射率呈下降走势。
2) 对盐渍土含水量与光谱建模与验证得：经建模与验证后得出对数一阶的模型最好 (r=0.804) 其次是均方根一阶 (r=0.798)。对数一阶微分模型的估算值与实测值的相关系数最高 (r=0.894)，其次是均方根一阶微分模型，相关系数为r=0.865，即盐渍土含水量模型估算良好。
3) 基于均方根一阶微分模型与对数一阶微分模型建立耦合模型，其方程：y=-6.147x1+53.535x2-181.344x3+0.044，其模型效果良好 (r=0.926)。证明了选取不同变换后的敏感波段进行建模，对盐渍土含水量估算是可行的。
笔者提出的基于均方根一阶微分模型与对数一阶微分模型下的耦合模型，对艾比湖流域盐渍土的治理与监测有着重要意义和作用；但本研究只是在室内的一种尝试，并没有在室外进行验证，因此耦合模型有待于进一步检验与改进。
2017, Vol. 15 
