航空高光譜支持下黑土地理化性質(zhì)反演對地形因子的響應(yīng)

趙寧博 楊佳佳 趙英俊 秦凱 楊越超 崔鑫

摘要：為了探討地形因子對黑土地理化性質(zhì)航空高光譜反演的影響，本研究以黑龍江省海倫市典型黑土地為例，開展12種地形因子與土壤有機(jī)質(zhì)含量、全氮含量、全磷含量、全鉀含量、pH值、陽離子交換量、全鹽量的相關(guān)性研究，并對比不同建模方法在加入地形因子前后的預(yù)測精度。航空高光譜反演結(jié)果表明，海拔、坡度、山谷指數(shù)、地形粗糙指數(shù)、起伏度與多種土壤理化指標(biāo)顯著相關(guān)，在加入地形因子后，支持向量機(jī)法和隨機(jī)森林法的模型預(yù)測精度穩(wěn)定提升，而偏最小二乘法的模型預(yù)測精度卻大幅下降。隨機(jī)森林法的模型預(yù)測效果整體最好，與純光譜反射率的反演模型相比，加入地形因子后全氮含量模型預(yù)測R2的提升幅度最大（提升了0.062），7種理化指標(biāo)預(yù)測模型R2的平均提升幅度為0.036?？傊?，地形因子對提升黑土地理化性質(zhì)的航空高光譜反演精度有積極作用，且適合用于機(jī)器學(xué)習(xí)方法進(jìn)行反演。

關(guān)鍵詞：黑土地;理化性質(zhì);航空高光譜數(shù)據(jù);地形因子;反演

中圖分類號：TP79文獻(xiàn)標(biāo)識碼：A文章編號：1000-4440（2020）06-1444-08

Abstract：In order to explore the effects of terrain factors on the airborne hyperspectral inversion of physical and chemical properties of black soil， the typical black soil area of Hailun in Heilongjiang province was selected as the research area. The correlation research of 12 terrain factors with soil organic matter content， total nitrogen content， total phosphorus content， total potassium content， pH， cation exchange capacity and total salt content was carried out， and the prediction accuracy of different modeling methods before and after adding terrain factors was compared. The results showed that there was a significant correlation between various physical and chemical properties and the terrain factors such as altitude， slope， valley index， terrain roughness index， fluctuation degree. After adding terrain factors， the model prediction accuracy of support vector machine method and the random forest method was improved steadily， but the prediction accuracy of partial least squares method was greatly decreased. In this study， the modeling effect of random forest method was the best. Compared with the pure spectral inversion model， the model prediction R2 of seven indices was generally improved after adding terrain factors， with an average increase of 0.036， while the increase of total nitrogen content model was the largest （0.062）. On the whole， the terrain factor plays an active role in improving the accuracy of airborne hyperspectral inversion of the physical and chemical properties of black soil， and it is suitable to use machine learning method for inversion.

Key words：black soil;physical and chemical properties;airborne hyperspectral data;terrain factors;inversion

土壤理化性質(zhì)的空間分布特征受到成土母質(zhì)、氣候條件、植被類型、地形條件、人為因素等多方面因素的制約，其中地形條件不但支配著水熱資源的重新分配，而且影響著土壤生態(tài)系統(tǒng)的物質(zhì)循環(huán)過程和強(qiáng)度，對土壤理化性質(zhì)有著重要影響[1]。目前，地形因子與土壤理化性質(zhì)的相關(guān)性研究在黃土高原[2-5]、南方丘陵[6-8]、華北及長江中下游平原[9-12]、荒漠綠洲[13-15]、東北黑土區(qū)[16-19]等地均有開展，研究結(jié)果表明土壤理化參數(shù)的空間分布受到高程、坡度、坡向等地形因子不同程度的影響。

遙感技術(shù)憑借數(shù)據(jù)覆蓋面廣、時效性強(qiáng)等優(yōu)勢，在土壤理化指標(biāo)提取和空間分布研究方面受到學(xué)者的廣泛關(guān)注[20-24]。基于地形因子與理化參數(shù)空間分布的相關(guān)性特征，研究人員嘗試?yán)玫匦我蜃优c遙感數(shù)據(jù)相結(jié)合的方式開展土壤養(yǎng)分的空間分布預(yù)測。例如，張素梅等[25]利用多種地形因子和美國陸地衛(wèi)星影像（ETM）提取的植被歸一化指數(shù)（NDVI）開展有機(jī)質(zhì)、全氮含量的預(yù)測研究，結(jié)果表明高程、坡度、地面粗糙度、河流動能指數(shù)和NDVI對養(yǎng)分多元回歸模型貢獻(xiàn)較大。劉煥軍等[26]利用Landsat8影像和地形數(shù)據(jù)開展土壤有機(jī)質(zhì)含量的反演研究，結(jié)果表明引入地形因子（高程）后利用回歸克里格法預(yù)測的有機(jī)質(zhì)含量精度得到提高。綜合目前的研究成果，在土壤養(yǎng)分遙感反演中加入地形因子后，預(yù)測模型的精度普遍得到了一定程度的提升，但是采用的遙感數(shù)據(jù)主要是多光譜數(shù)據(jù)，空間和光譜分辨率受到不同程度的制約，無法充分發(fā)揮光譜數(shù)據(jù)在反演中的作用。此外，該類研究的研究對象主要是土壤有機(jī)質(zhì)及全氮，針對陽離子交換量、pH值等其他土壤理化指標(biāo)的研究相對較少。

2.2土壤理化指標(biāo)與地形因子的相互關(guān)系

2.2.1相關(guān)系數(shù)計算土壤樣品理化指標(biāo)與地形因子間的相關(guān)系數(shù)（表5），主要特征如下：pH值、全氮含量與海拔均呈極顯著負(fù)相關(guān)，有機(jī)質(zhì)含量、CEC與海拔呈顯著負(fù)相關(guān)，全磷含量與海拔呈顯著正相關(guān)，其中pH值與海拔的相關(guān)性最高;全磷含量與坡度呈極顯著負(fù)相關(guān)，全氮含量與坡度呈顯著負(fù)相關(guān);全磷含量與地形粗糙指數(shù)呈極顯著負(fù)相關(guān)，全鉀含量與地形粗糙指數(shù)呈顯著正相關(guān);全磷含量與起伏度呈極顯著負(fù)相關(guān)，有機(jī)質(zhì)含量與起伏度呈顯著負(fù)相關(guān);其他地形因子與土壤理化指標(biāo)間沒有呈現(xiàn)出顯著的相關(guān)性。

利用得到的航空高光譜反演數(shù)據(jù)計算土壤理化指標(biāo)與地形因子的相關(guān)系數(shù)（表6），主要表現(xiàn)如下：除全鹽量外，其余理化指標(biāo)與海拔均呈極顯著相關(guān)，其中只有全鉀含量與海拔呈極顯著正相關(guān);全氮含量、全鉀含量、pH值、CEC與坡度均呈極顯著相關(guān);有機(jī)質(zhì)含量和全鹽量與地形粗糙指數(shù)和起伏度呈顯著相關(guān)，其他理化指標(biāo)與地形粗糙指數(shù)和起伏度均呈極顯著相關(guān);關(guān)于高程起伏比、山谷指數(shù)、高程百分比指數(shù)，土壤樣品理化指標(biāo)與其均沒有呈現(xiàn)出顯著的相關(guān)性（表5），而利用航空高光譜反演數(shù)據(jù)計算的這些理化指標(biāo)中有部分理化指標(biāo)與其存在顯著或極顯著相關(guān)性。

2.2.2不同坡度、坡向類別土壤的理化性質(zhì)差異由于坡度和坡向具有比較明確的分類及類別意義，因此對土壤理化性質(zhì)在不同坡度、坡向類別間的變化規(guī)律進(jìn)行探討。

坡度分為5個等級，分別為：1級（≤2.0°）、2級（2.1°～6.0°）、3級（6.1°～15.0°）、4級（15.1°～25.0°）、5級（>25.0°）。計算不同坡度級別中土壤理化性質(zhì)的航空高光譜反演均值，發(fā)現(xiàn)各指標(biāo)在不同坡度級別中絕對值變化幅度均較小。而在相對趨勢上，全氮含量和有機(jī)質(zhì)含量與坡度整體呈負(fù)相關(guān)，全磷含量、全鉀含量、pH值、CEC與坡度呈正相關(guān)，這與表6的結(jié)果也較為吻合。

坡向分為4類，分別是：陰坡（0°～45.0°，315.1°～360.0°）、半陰坡（45.1°～90.0°，270.1°～315.0°）、半陽坡（90.1°～135.0°，225.1°～270.0°）、陽坡（135.1°～225.0°）。計算不同坡向類別中土壤理化指標(biāo)的航空高光譜反演均值，發(fā)現(xiàn)各指標(biāo)對應(yīng)的坡向組間差異明顯小于坡度組間差異，坡向組間變化趨勢也沒有呈現(xiàn)明顯的規(guī)律性。

2.2.3地形因子篩選挑選與各理化指標(biāo)顯著或極顯著相關(guān)的地形因子參與反演建模，各指標(biāo)篩選的地形因子見表7。整體上，海拔、坡度、山谷指數(shù)、地形粗糙指數(shù)、起伏度出現(xiàn)的頻率較高。

2.3地形因子對建模的影響

為了更全面地討論地形因子對反演模型的影響，將模型的自變量分為光譜反射率、光譜反射率+篩選的地形因子、光譜反射率+全部地形因子3類。由于模型的預(yù)測精度比建模精度更具有實(shí)際應(yīng)用價值，因此以下著重以預(yù)測精度為例進(jìn)行討論。

利用前期試驗(yàn)應(yīng)用效果較好的偏最小二乘法進(jìn)行建模，圖3顯示，加入篩選的地形因子后7種理化指標(biāo)的模型預(yù)測R2均大幅下降，其中pH值和CEC模型預(yù)測R2的降幅最大，pH值的模型預(yù)測R2由0.665降為0.149，CEC的模型預(yù)測R2由0.687降為0.107，加入所有的地形因子后，除CEC外其余土壤理化指標(biāo)的模型預(yù)測R2進(jìn)一步下降。通過檢查偏最小二乘法計算過程的數(shù)據(jù)發(fā)現(xiàn)，單純利用光譜反射率建模時模型精度隨著主成分?jǐn)?shù)量增加而逐漸提升，達(dá)到最高點(diǎn)后隨主成分?jǐn)?shù)量增加而有所降低;加入地形因子后模型精度隨主成分?jǐn)?shù)量增加而一直降低，認(rèn)為地形因子與光譜反射率之間的相關(guān)程度較低，二者對主成分分析計算造成了干擾，從而影響了偏最小二乘法模型預(yù)測的精度。

利用支持向量機(jī)法和隨機(jī)森林法進(jìn)行對比研究，支持向量機(jī)法的核函數(shù)采用徑向基函數(shù)（RBF），隨機(jī)森林法參數(shù)中的決策樹數(shù)目為5 000，創(chuàng)建分枝所需變量數(shù)目為3。圖3顯示，單純利用光譜反射率建模時，支持向量機(jī)法對各土壤理化指標(biāo)的模型預(yù)測R2普遍低于偏最小二乘法，加入篩選的地形因子后模型預(yù)測R2均穩(wěn)定提升，平均提升幅度為0.031，有機(jī)質(zhì)含量的提升幅度最大（提升了0.060），繼續(xù)加入全部地形因子后模型預(yù)測R2仍有較小幅度提升，但最終預(yù)測精度小于單純利用光譜反射率的偏最小二乘法。

圖3顯示，僅利用光譜反射率建模時，隨機(jī)森林法的預(yù)測結(jié)果中全氮含量和全磷含量的模型預(yù)測R2稍低于偏最小二乘法。加入篩選的地形因子后，各理化指標(biāo)的模型預(yù)測R2均有明顯提升，加入全部地形因子后各理化指標(biāo)模型預(yù)測R2仍進(jìn)一步微弱提升。與純光譜反射率模型相比，加入全部地形因子后各理化指標(biāo)模型預(yù)測R2的平均提升幅度為0.036，其中全氮含量的模型預(yù)測R2提升幅度最大（提升了0.062）。

3討論

研究區(qū)12種地形因子中，海拔、坡度、山谷指數(shù)、地形粗糙指數(shù)、起伏度與土壤理化指標(biāo)有較高的相關(guān)性，這為探討地形因子對土壤理化性質(zhì)反演的影響提供了依據(jù)。

基于地形因子與土壤理化指標(biāo)的相關(guān)性分析，篩選與各個指標(biāo)相關(guān)的地形因子加入反演計算，并利用偏最小二乘法、支持向量機(jī)法和隨機(jī)森林法探討地形因子對土壤理化性質(zhì)航空高光譜反演的影響。結(jié)果表明，模型自變量中加入篩選的地形因子后，支持向量機(jī)法和隨機(jī)森林法的模型預(yù)測R2均有穩(wěn)定提升，繼續(xù)加入全部12種地形因子后，R2仍有微弱提升，說明地形因子對提升模型精度有貢獻(xiàn)，而且篩選的地形因子對模型的貢獻(xiàn)更大。

偏最小二乘法與支持向量機(jī)法、隨機(jī)森林法不同，加入篩選的地形因子后偏最小二乘法的模型預(yù)測R2大幅度下降，加入全部地形因子后R2進(jìn)一步下降，分析原因可能是地形因子與光譜反射率之間的相關(guān)程度較低，二者對偏最小二乘法計算過程中的主成分分析造成了干擾，從而影響了模型精度。支持向量機(jī)法和隨機(jī)森林法屬于機(jī)器學(xué)習(xí)方法，模型的學(xué)習(xí)能力強(qiáng)，更有利于從高維數(shù)據(jù)中提取有效信息。橫向?qū)Ρ?種方法的模型精度，隨機(jī)森林法的建模效果整體上最好，因?yàn)槠洳捎玫氖嵌鄠€決策樹的投票機(jī)制，適合處理高維數(shù)據(jù)，而支持向量機(jī)法受核函數(shù)類型的影響較大，在本研究中的預(yù)測精度稍低。

本研究結(jié)果對后續(xù)建立更為完善的土壤理化指標(biāo)航空高光譜綜合反演模型有啟發(fā)意義。航空高光譜技術(shù)憑借著光譜分辨率高、數(shù)據(jù)全覆蓋等優(yōu)勢，為土壤理化指標(biāo)的大范圍反演制圖提供了數(shù)據(jù)支撐，而為了提高該技術(shù)的實(shí)際應(yīng)用能力，必須盡可能提升模型的反演精度和可靠性，在后續(xù)研究中需要引入更多相關(guān)變量開展綜合反演模型研究，繼續(xù)提升模型的反演效果和實(shí)際應(yīng)用能力。

參考文獻(xiàn)：

[1]魏孝榮，邵明安. 黃土高原溝壑區(qū)小流域不同地形下土壤性質(zhì)分布特征[J]. 自然資源學(xué)報， 2007， 22（6）：946-953.

[2]魏孝榮，邵明安. 黃土溝壑區(qū)小流域不同地形下土壤微量元素分布特征[J]. 環(huán)境科學(xué)， 2009， 30（9）：2741-2746.

[3]孫文義，郭勝利. 黃土丘陵溝壑區(qū)小流域土壤有機(jī)碳空間分布及其影響因素[J]. 生態(tài)學(xué)報， 2010， 31（6）：1604-1616.

[4]趙明月，趙文武，鐘莉娜. 土地利用和環(huán)境因子對表層土壤有機(jī)碳影響的尺度效應(yīng)——以陜北黃土丘陵溝壑區(qū)為例[J]. 生態(tài)學(xué)報， 2014， 34（5）：1105-1113.

[5]薛志婧，侯曉瑞，程曼，等. 黃土丘陵區(qū)小流域尺度上土壤有機(jī)碳空間異質(zhì)性[J]. 水土保持學(xué)報， 2011，25（3）：160-163.

[6]趙越，羅志軍，趙杰，等. 峽江縣土壤養(yǎng)分空間特征及與地形因子的相關(guān)性[J]. 水土保持研究， 2018， 25（5）：128-133.

[7]陳桂香，高燈州，曾從盛，等.福州市農(nóng)田土壤養(yǎng)分空間變異特征[J].地球信息科學(xué)學(xué)報，2017，19（2）：216-224.

[8]鄧歐平，周稀，黃萍萍，等.川中紫色丘區(qū)土壤養(yǎng)分空間分異與地形因子相關(guān)性研究[J].資源科學(xué)，2013，35（12）：2434-2443.

[9]王淑英，路蘋，王建立，等.不同研究尺度下土壤有機(jī)質(zhì)和全氮的空間變異特征——以北京市平谷區(qū)為例[J].生態(tài)學(xué)報，2008，28（10）：4957-4964.

[10]賈振宇，張俊華，丁圣彥，等.基于 GIS和地統(tǒng)計學(xué)的黃泛區(qū)土壤磷空間變異——以周口為例[J].應(yīng)用生態(tài)學(xué)報，2016， 27（4）：1211-1220.

[11]趙明松，張甘霖，李德成，等.蘇中平原南部土壤有機(jī)質(zhì)空間變異特征研究[J].地理科學(xué)，2013，33（1）：83-89.

[12]宋軒，李立東，寇長林，等. 黃水河小流域土壤養(yǎng)分分布及其與地形的關(guān)系[J]. 應(yīng)用生態(tài)學(xué)報， 2011， 22（12）：3163-3168.

[13]徐莉，閆俊杰，陳晨，等. 新疆察布查爾縣農(nóng)耕層土壤養(yǎng)分空間特征及其與地形因子的關(guān)系[J]. 水土保持通報， 2018， 38（4）：44-51.

[14]王雪梅，柴仲平，武紅旗.典型干旱荒莫綠洲區(qū)耕層土壤養(yǎng)分空間變異[J].水土保持通報，2016，36（1）：51-56.

[15]唐夢迎，丁建麗，夏楠，等. 干旱區(qū)典型綠洲土壤有機(jī)質(zhì)含量分布特征及其影響因素[J]. 土壤學(xué)報， 2017， 54（3）： 759-766.

[16]高鳳杰，鞠鐵男，吳嘯，等. 黑土耕作層土壤pH空間變異及自相關(guān)分析[J]. 土壤， 2018，50（3）：566-573.

[17]杜可，王樂，張淑香，等. 黑土區(qū)縣域土壤養(yǎng)分空間分布特征及其影響因子[J]. 植物營養(yǎng)與肥料學(xué)報， 2018， 24（6）：1465-1474.

[18]高鳳杰，馬泉來，韓文文，等. 黑土丘陵區(qū)小流域土壤有機(jī)質(zhì)空間變異及分布格局[J]. 環(huán)境科學(xué)， 2016， 37（5）：325-332.

[19]張孝存，鄭粉莉，安娟，等. 典型黑土區(qū)坡耕地土壤侵蝕對土壤有機(jī)質(zhì)和氮的影響[J]. 干旱地區(qū)農(nóng)業(yè)研究， 2013， 31（4）： 182-186.

[20]邢東興，王明軍，陳玲俠，等. 桃樹遙感辨識的最佳時相與方法[J].江蘇農(nóng)業(yè)學(xué)報，2019，35（4）：919-926.

[21]王利軍，郭燕，王來剛，等. 農(nóng)情遙感信息服務(wù)與野外監(jiān)測云平臺構(gòu)建[J].南方農(nóng)業(yè)學(xué)報，2018，49（6）：1242-1248.

[22]張自超，韓宇，陳建，等. 基于無人機(jī)遙感數(shù)據(jù)的生態(tài)渠系信息提取[J]. 排灌機(jī)械工程學(xué)報，2018，36（10）：1006-1011.

[23]王術(shù)波，韓宇，陳建，等.基于深度學(xué)習(xí)的無人機(jī)遙感生態(tài)灌區(qū)雜草分類[J]. 排灌機(jī)械工程學(xué)報，2018，36（11）：1137-1141.

[24]單捷，孫玲，王志明，等. GF-1影像遙感監(jiān)測指標(biāo)與冬小麥長勢參數(shù)的關(guān)系[J].江蘇農(nóng)業(yè)學(xué)報，2019，35（6）：1323-1333.

[25]張素梅，王宗明，張柏，等. 利用地形和遙感數(shù)據(jù)預(yù)測土壤養(yǎng)分空間分布[J]. 農(nóng)業(yè)工程學(xué)報， 2010， 26（5）：188-194.

[26]劉煥軍，謝雅慧，潘越，等. 黑土區(qū)田塊土壤有機(jī)質(zhì)空間分異及分布研究[J]. 土壤通報， 2018， 49（6）： 1445-1451.

[27]秦承志，盧巖君，包黎莉，等. 簡化數(shù)字地形分析軟件（SimDTA）及其應(yīng)用——以嫩江流域鶴山農(nóng)場的坡位模糊分類應(yīng)用為例[J]. 地球信息科學(xué)學(xué)報， 2009， 11（6）： 737-743.

[28]沈從旺，徐麗華.土壤pH值和全鉀含量高光譜反演方法比較[J]. 江蘇農(nóng)業(yè)學(xué)報， 2020， 36（1）： 92-98.

[29]中華人民共和國自然資源部.土地質(zhì)量地球化學(xué)評價規(guī)范：DZ/T 0295-2016 [S].北京：地質(zhì)出版社，2016：42.

[30]呂貽忠，李保國. 土壤學(xué)實(shí)驗(yàn)[M]. 北京： 中國農(nóng)業(yè)出版社， 2010.

[31]楊勁松，姚榮江. 黃河三角洲地區(qū)土壤水鹽空間變異特征研究[J]. 地理科學(xué)， 2007， 27（3）： 348-353.

（責(zé)任編輯：王妮）