三江源高寒退化草原土壤有機(jī)質(zhì)含量的光譜模擬估算

關(guān)文昊，劉志剛，何國(guó)興，紀(jì)童，李強(qiáng)，楊軍銀，柳小妮

（甘肅農(nóng)業(yè)大學(xué)草業(yè)學(xué)院，草業(yè)生態(tài)系統(tǒng)教育部重點(diǎn)實(shí)驗(yàn)室，甘肅省草業(yè)工程實(shí)驗(yàn)室，中‐美草地畜牧業(yè)可持續(xù)發(fā)展研究中心，甘肅 蘭州 730070）

土壤有機(jī)質(zhì)（Soil organic matter，SOM）含量是衡量土壤肥力的重要指標(biāo)［1］，土壤SOM可以改善土壤結(jié)構(gòu)，積蓄土壤水分，增加土壤養(yǎng)分，促進(jìn)土壤團(tuán)聚體形成，對(duì)作物生長(zhǎng)、土壤肥力的保持、環(huán)境保護(hù)及農(nóng)、林、牧業(yè)可持續(xù)發(fā)展都有極重要的意義［2］。但用傳統(tǒng)方式對(duì)SOM野外大面積調(diào)查時(shí)，需要人工采集大量樣品帶回實(shí)驗(yàn)室后使用化學(xué)方法測(cè)定，工作效率低、工作量大且耗費(fèi)時(shí)間久［3］。高光譜技術(shù)具有快速、連續(xù)、無(wú)損等特點(diǎn)，可用于野外或?qū)嶒?yàn)室快速地采集植被、土壤、水體等地物光譜信息，不受試驗(yàn)地區(qū)的制約，可以動(dòng)態(tài)地監(jiān)測(cè)地區(qū)的高光譜信息［4］。同時(shí)，現(xiàn)階段高光譜技術(shù)有納米級(jí)的分辨率，能夠反映出不同理化性質(zhì)研究對(duì)象的光譜特征，因而為土壤SOM含量的監(jiān)測(cè)和反演提供了技術(shù)與理論支持［5］。自1960年以來(lái)，對(duì)于土壤物理化學(xué)性質(zhì)的高光譜研究已經(jīng)受到國(guó)內(nèi)外專家學(xué)者的廣泛關(guān)注［6］。

近年來(lái)，隨著先進(jìn)的光譜科學(xué)技術(shù)、計(jì)算機(jī)科學(xué)技術(shù)、工業(yè)科學(xué)技術(shù)及物理和化學(xué)計(jì)量科學(xué)快速進(jìn)步和發(fā)展，光譜儀的分辨率和信噪比也越來(lái)越高，對(duì)土壤物理化學(xué)特性的高光譜研究以及它們的反演模式在精準(zhǔn)農(nóng)業(yè)尤其是土壤遙感監(jiān)控中的作用愈加明顯［8］。閆姍姍［9］、沙晉明［10］、盧艷麗［11］、賀軍 亮［12］、周萍［13］和 Gunsaulis等［14］研究結(jié)果表明，SOM 含量與土壤光譜反射率R的紅光波段之間具有較強(qiáng)的相關(guān)性。但土壤原始光譜反射率R含有較多的冗余信息，將R經(jīng)過(guò)一系列數(shù)學(xué)轉(zhuǎn)換后，可以放大波段特征信息，在進(jìn)行模型的建立時(shí)可以有效提高反演模型的精度。于士凱［15］等研究表明，利用經(jīng)一階微分R’、倒數(shù)的對(duì)數(shù)log（1/R）等數(shù)學(xué)處理后的光譜數(shù)據(jù)所建模型的精度高于使用原始光譜反射率R建模的精度。何挺［16］、張娟娟等［17］和李偉等［18］分別建立了不同數(shù)學(xué)轉(zhuǎn)換后光譜數(shù)據(jù)與SOM的反演模型，模型效果良好。

目前有很多基于土壤高光譜數(shù)據(jù)建立SOM反演模型的方法［19］，不同建模方法優(yōu)缺點(diǎn)各不相同，其中多元逐步回歸（Stepwise multiple linear regression，SMLR）模型能反映光譜數(shù)據(jù)之間的自相關(guān)問(wèn)題，已被廣泛應(yīng)用于SOM含量的建模［20］；支持向量機(jī)（Sup‐port vector machine，SVM）避免高維空間的復(fù)雜性，直接在高維空間解決相應(yīng)的決策問(wèn)題，具有較好的泛化推廣能力［21］；決策樹(shù)法（Decision Tree，DT） 在衛(wèi)星和機(jī)載高光譜數(shù)據(jù)圖譜的綜合提取中發(fā)揮著很好的作用［22］；而隨機(jī)森林（Random forest，RF）可以使建立的模型難以陷入過(guò)度擬合［23］。因此，SMLR、SVM、DT和RF均可用于土壤SOM含量的模擬反演。

三江源地區(qū)不同土壤的質(zhì)地、含水量及成土母質(zhì)等因素不盡相同，其光譜敏感波段與最優(yōu)模型也不盡相同［24］。本研究以三江源地區(qū)普遍退化的高寒草原為背景，利用ASD地物光譜儀對(duì)不同退化程度的高寒草原土壤光譜數(shù)據(jù)進(jìn)行測(cè)量，分析光譜數(shù)據(jù)與SOM含量的關(guān)系，并運(yùn)用不同光譜數(shù)據(jù)轉(zhuǎn)換方法，確定三江源區(qū)最適宜的SOM反演模型，探討基于土壤反射光譜特性的SOM估測(cè)，為三江源區(qū)高寒草地土壤養(yǎng)分含量的快速測(cè)量，及其恢復(fù)與重建提供技術(shù)支持。

1 材料和方法

1.1 研究區(qū)概況

試驗(yàn)地位于青海省三江源區(qū)果洛藏族自治州西北部的瑪多縣，地理坐標(biāo) N 33°50′~35°40′，E96°50′~99°20′，平均海拔 4 200 m，屬高寒草原氣候，年平均氣溫-4.1 ℃，除5~9月，其他月平均氣溫均在-3.0 ℃以下，全年無(wú)絕對(duì)無(wú)霜期。試驗(yàn)地草地類型為高寒草原，優(yōu)勢(shì)植物主要為紫花針茅（Stipa purpurea）、線葉嵩草（Kobresia capillifolia）、草地早熟禾（Poa praten?sis）、多莖委陵菜（Potentilla multicaulis）、弱小火絨草（Leontopodium pusillum）等。

1.2 土壤的采集與測(cè)定

2019年7 月在5個(gè)不同退化程度［25］樣地中（表1），用隨機(jī)采樣法于每個(gè)樣地中各取3個(gè)點(diǎn)，每個(gè)點(diǎn)用環(huán)刀分別采集0~30 cm土樣各6份，共計(jì)90份土樣。去除石子、植物根系等雜質(zhì)，放入自封袋中封口，貼好標(biāo)簽，冷藏并帶回實(shí)驗(yàn)室采集光譜數(shù)據(jù)、測(cè)定SOM含量。

光譜數(shù)據(jù)選用 ASD（ASD FieldSpec?4 Hi-Res NG，USA）地物光譜儀采集。該儀器的波長(zhǎng)在350~2 500 nm，光譜分辨率為3 nm@700 nm和6 nm@1 400/2 100 nm，具有節(jié)能、便攜、高效、光譜數(shù)據(jù)精確等特點(diǎn)。在黑暗、無(wú)光的室內(nèi)環(huán)境采集土壤樣品的反射光譜。將12 V、50 W鹵素光源固定在距土壤樣品60 cm、地面夾角60°的位置，以減小陰影的影響。每個(gè)土壤樣本重復(fù)測(cè)定10次，每測(cè)1次使用標(biāo)準(zhǔn)板校準(zhǔn)1次。

SOM含量采用重鉻酸鉀氧化法測(cè)定［25］，并計(jì)算SOM含量的變異系數(shù)（Coefficient of Variation，Cv），Cv≤0.1為弱變異，0.1

1.3 SOM含量的模擬估算

1.3.1 數(shù)據(jù)處理和光譜特征波段選取 使用ASD光譜儀自帶的ViewSpecpro軟件預(yù)覽光譜數(shù)據(jù)，剔除異常波段，取重復(fù)樣本的平均值作為標(biāo)準(zhǔn)光譜，并對(duì)標(biāo)準(zhǔn)光譜進(jìn)行Savitzky Golay濾波平滑，將平滑后的光譜作為原始光譜反射率R。為了增強(qiáng)特征波段信息，提高建模精度，在原始光譜反射率R的基礎(chǔ)上，進(jìn)行一階微分R’、倒數(shù)的對(duì)數(shù)log（1/R）、倒數(shù)一階微分［log（1/R）］’［27］變換。

將SOM含量與原始光譜反射率R、倒數(shù)對(duì)數(shù)log（1/R）、一階微分 R’、倒數(shù)對(duì)數(shù)一階微分［log（1/R）］’的相關(guān)性作為選取特征波段的依據(jù)。使用4種不同光譜曲線分別與SOM含量進(jìn)行皮爾森相關(guān)分析，然后對(duì)得出的4種相關(guān)系數(shù)分別進(jìn)行P<0.01水平下的顯著性檢驗(yàn)，并繪制相關(guān)關(guān)系曲線圖，確定顯著波段的位置，再次進(jìn)行P<0.001水平下的顯著性檢驗(yàn)，根據(jù)相關(guān)系數(shù)（P<0.001）挑選用于建模的光譜波段。

1.3.2 模型的建立及精度評(píng)估 使用1種線性模型多元逐步回歸（MLSR）方法和3種非線性模型：支持向量機(jī)（SVM）、決策樹(shù)（DT）、隨機(jī)森林（RF）方法進(jìn)行模型的建立，在建模過(guò)程中，隨機(jī)抽取70%的數(shù)據(jù)作為建模組，30%作為檢驗(yàn)組。選用決定系數(shù)（R2）和均方根誤差（RMSE）作為精度評(píng)價(jià)指標(biāo)。R2用來(lái)評(píng)價(jià)回歸模型系數(shù)的擬合優(yōu)度，取值范圍為0~1，越接近1，擬合度越好。RMSE用于測(cè)量預(yù)測(cè)值和觀測(cè)值之間的偏差，RMSE越小，說(shuō)明預(yù)測(cè)效果越好。若建模組跟檢驗(yàn)組精度評(píng)價(jià)指標(biāo)都好，證明反演模型較理想［28-29］。決定系數(shù)R2與均方根誤差RMSE的公式如下：

式 中 ：yi表 示 實(shí) 測(cè) 值 ，?表 示 預(yù) 測(cè) 值表 示 平均值。

1.4 統(tǒng)計(jì)數(shù)據(jù)處理與分析

原始光譜反射率預(yù)處理以及倒數(shù)對(duì)數(shù)log（1/R）、一階微分 R’、倒數(shù)對(duì)數(shù)一階微分［log（1/R）］’處理均在ASD光譜儀配套的數(shù)據(jù)處理軟件ViewSpecpro中處理，原始光譜反射率、倒數(shù)對(duì)數(shù)log（1/R）、一階微分R’、倒數(shù)對(duì)數(shù)一階微分［log（1/R）］’與土壤SOM含量的相關(guān)性分析、顯著性分析及繪圖均在Excel 2010和SPSS 21中進(jìn)行。多元逐步回歸（MLSR）、支持向量機(jī)（SVM）、決策樹(shù)（DT）、隨機(jī)森林（RF）建模及檢驗(yàn)在RStudio中進(jìn)行。

2 結(jié)果與分析

2.1 不同退化程度高寒草原的土壤有機(jī)質(zhì)含量

研究區(qū)80個(gè)樣本總體平均值為19.559 7 g/kg，變異系數(shù)為45.25%，屬于中等變異，有機(jī)質(zhì)含量較高，變化范圍較大。各退化程度中有機(jī)質(zhì)平均值大小為ND>LD>HD>MD>ED，各個(gè)退化程度變異系數(shù)大小為HD>MD>ND>ED>LD（表2）。各退化程度中LD變異系數(shù)最小，為弱變異，剩余退化程度皆為中等變異。

表2 SOM含量基本統(tǒng)計(jì)特征Table 2 SOM basic features

2.2 SOM含量的模擬估算

2.2.1 土壤光譜特征 對(duì)不同處理下的光譜曲線（圖1）分析發(fā)現(xiàn)：不同退化程度反射光譜曲線形狀變化基本一致，反射光譜區(qū)間在350~780 nm時(shí)，反射率快速上升；在780~1 790 nm時(shí)，反射率上升較緩慢。ND的平均SOM含量最高，對(duì)應(yīng)的反射光譜曲線最低；ED與之相反（圖1‐A）。倒數(shù)對(duì)數(shù)變換后，光譜曲線在350~780 nm時(shí)，隨著SOM含量的增加，倒數(shù)對(duì)數(shù)快速下降，780 nm以后導(dǎo)數(shù)對(duì)數(shù)變化趨于平緩（圖1‐B）。ND的平均SOM含量最高，對(duì)應(yīng)的導(dǎo)數(shù)對(duì)數(shù)光譜曲線最高；ED與之相反。用一階微分和倒數(shù)對(duì)數(shù)一階微分對(duì)土壤光譜進(jìn)行處理后的光譜曲線在正值與負(fù)值之間波動(dòng)，并不穩(wěn)定（圖1‐C，圖1‐D）。

圖1 不同退化程度土壤的光譜曲線Fig.1 Spectral curve relative to soil type

2.2.2 特征波段篩選 SOM含量與土壤光譜反射率R負(fù)相關(guān)，土壤光譜反射率367 nm前呈下降趨勢(shì)，367~1 100 nm相呈上升趨勢(shì)，關(guān)系曲線在1 100 nm后變化不大。SOM含量與log（1/R）轉(zhuǎn)化下的土壤光譜反射率在全波段成正相關(guān)，變化趨勢(shì)與R曲線相反。R’在750 nm前呈負(fù)相關(guān)（圖2‐A），750~900 nm呈正相關(guān)，隨后不斷波動(dòng)，［Log（1/R）］’變化趨勢(shì)大體與R’相似（圖2‐B）。

圖2 SOM含量與光譜反射率相關(guān)性（P=0.01）Fig.2 Correlation between SOM content and spectral reflectance （P=0.01）

為了進(jìn)一步的選擇更準(zhǔn)確的光譜波段，再次進(jìn)行P<0.001水平下的顯著性檢驗(yàn)（圖3），P<0.001水平的光譜波段主要集中在600 nm左右，據(jù)此挑選出6個(gè)P<0.001水平的特征波段（表3）。

圖3 SOM含量與光譜反射率相關(guān)性（P=0.001）Fig.3 Correlation between SOM content and spectral reflectance （P=0.001）

從表3可知，原始光譜反射率R在波長(zhǎng)657 nm時(shí)相關(guān)系數(shù)絕對(duì)值最大，為0.546，倒數(shù)對(duì)數(shù)log（1/R）在波長(zhǎng)597 nm時(shí)相關(guān)系數(shù)最大，為0.645 9，一階微分R’在波長(zhǎng)852 nm時(shí)相關(guān)系數(shù)絕對(duì)值最大，為0.702 1，倒數(shù)對(duì)數(shù)一階微分［log（1/R）］'在波長(zhǎng)892 nm時(shí)相關(guān)系數(shù)絕對(duì)值最大，為0.705 9。3種經(jīng)過(guò)處理的光譜數(shù)據(jù)與SOM含量相關(guān)性對(duì)比原始光譜反射率R與SOM含量相關(guān)性有了顯著提高。

表3 相關(guān)系數(shù)Table 3 Correlation coefficient

2.2.3 基于光譜特征波段的SOM 模擬估算 支持向量機(jī)（SVM）、決策樹(shù)（DT）、隨機(jī)森林（RF）3種模型的決定系數(shù)（R2）明顯比多元逐步回歸（MLSR）的高，均方根誤差（RMSE）低（表4），這意味使用非線性模型估測(cè)效果要優(yōu)于線性模型多元逐步回歸（MLSR），隨機(jī)森林（RF）模型估測(cè)的效果較好，其決定系數(shù)（R2）均高于另外3種方法所建立的反演模型，均方根誤差（RMSE）均低于另外3種方法所建立的反演模型，檢驗(yàn)組同樣也是如此。

表4 模型精度對(duì)比Table 4 Model accuracy comparison

同一模型下的不同光譜處理中，倒數(shù)對(duì)數(shù)Log（1/R）和倒數(shù)對(duì)數(shù)一階微分［Log（1/R）］’處理下模型的決定系數(shù)（R2）明顯高，均方根誤差（RMSE）明顯低。倒數(shù)對(duì)數(shù)Log（1/R）、倒數(shù)對(duì)數(shù)一階微分［Log（1/R）］’之間差別不大，原始光譜反射率R、一階微分R’之間差別不大。隨機(jī)森林（RF）方法建立的Log（1/R） -RF、［Log（1/R）］’- RF模型的預(yù)測(cè)效果較好，其建模組的決定系數(shù)（R2）和均方根誤差（RMSE）分別為0.949 1、0.252 7和0.948 0、0.253 2，檢驗(yàn)組的決定系數(shù)（R2）和均方根誤差（RMSE）分別為 0.717 2、0.496 9和0.703 0、0.515 5。

原始光譜反射率R和倒數(shù)對(duì)數(shù)R’回歸模型預(yù)測(cè)值與實(shí)測(cè)值之間存在著很大的偏離，樣本點(diǎn)數(shù)分散，樣點(diǎn)距直線距離遠(yuǎn)，模型的效果不好；倒數(shù)對(duì)數(shù)Log（1/R）和倒數(shù)對(duì)數(shù)一階微分［Log（1/R）］’ 回歸模型預(yù)測(cè)值與實(shí)測(cè)值較均勻的分布在直線兩側(cè)（圖4）。模型的精度指標(biāo)和圖形擬合效果表明，用隨機(jī)森林方法建立的Log（1/R）-RF模型優(yōu)于［Log（1/R）］’- RF模型，并且明顯高于用另外兩種光譜數(shù)據(jù)數(shù)學(xué)處理建立的模型。

圖4 SOM含量的實(shí)測(cè)值與預(yù)測(cè)值比較Fig.4 Correlation between SOM measured and predicted SOM contents

3 討論

SOM含量很大程度上決定著土壤光譜反射率的大小。本研究中，不同退化程度高寒草原土壤的光譜反射率不同，隨著土壤樣品SOM含量的升高，土壤原始光譜反射率相對(duì)降低，與玉米提·買(mǎi)明等［30］的研究結(jié)果一致，這是由于土壤光譜反射率與土壤質(zhì)地、成土母質(zhì)、水分、有機(jī)質(zhì)、氮、磷、鉀等土壤理化性質(zhì)息息相關(guān)。Bowers［31］指出，土壤的各類物理、化學(xué)性質(zhì)和有機(jī)質(zhì)含量是影響土壤反射率的主要因素，牛芳鵬［8］研究也表明土壤光譜反射率與土壤SOM呈極顯著負(fù)相關(guān)。

原始光譜反射率R經(jīng)數(shù)學(xué)轉(zhuǎn)換后，可以有效地縮小、放大光譜數(shù)據(jù)特征峰反射率，并且提高光譜數(shù)據(jù)的識(shí)別概率［32］。本研究發(fā)現(xiàn)，利用SOM含量與原始光譜反射率R、倒數(shù)對(duì)數(shù)log（1/R）、一階微分R’、倒數(shù)對(duì)數(shù)一階微分［log（1/R）］’所挑選出的敏感波段建立的反演模型中，通過(guò)數(shù)學(xué)轉(zhuǎn)換后的反演模型精度有了明顯提升，土壤特征波段光譜數(shù)據(jù)與土壤SOM含量的相關(guān)性大大提高，這與史舟［33］、趙明松［34］等的研究結(jié)果一致。這是因?yàn)樵脊庾V反射率經(jīng)數(shù)學(xué)轉(zhuǎn)換后可以起到增強(qiáng)波段信息，從而提高反演模型精度［35］。鄭立華［36］、王永敏［37］等也分別利用經(jīng)數(shù)學(xué)轉(zhuǎn)換后的光譜數(shù)據(jù)建立了有機(jī)質(zhì)等養(yǎng)分元素的預(yù)測(cè)模型，決定系數(shù)均達(dá)到0.8。

利用高光譜數(shù)據(jù)構(gòu)建反演模型從而對(duì)土壤SOM含量進(jìn)行快速估測(cè)已經(jīng)得到一致認(rèn)可［38-39］，趙瑞等［40］結(jié)合遙感影像進(jìn)行土壤SOM反演模型也取得了滿意的結(jié)果。本試驗(yàn)中，通過(guò)隨機(jī)森林法建立的模型精度遠(yuǎn)高于其他3種方法，這是因?yàn)殡S機(jī)森林法是隨機(jī)的引入2個(gè)變量，避免了模型陷入過(guò)擬合。所建立的16個(gè)反演模型中，隨機(jī)森林倒數(shù)對(duì)數(shù)處理建立的Log（1/R）- RF模型的預(yù)測(cè)精度和穩(wěn)定性較好，該模型可以有效的增強(qiáng)或減弱光譜波段特征峰，且降低數(shù)據(jù)之間的擬合性，提高建模精度，可為三江源地區(qū)土壤SOM含量預(yù)測(cè)，以及草地生態(tài)系統(tǒng)的恢復(fù)與重建提供理論依據(jù)。

由于土壤理化性質(zhì)復(fù)雜多變，不同地區(qū)土壤理化性質(zhì)不同，同一地區(qū)不同土壤理化性質(zhì)也不盡相同，導(dǎo)致建立的土壤SOM含量反演模型的適用性需進(jìn)一步研究與驗(yàn)證。因此，需要進(jìn)一步采集三江源不同地區(qū)、不同種類土壤樣本，進(jìn)行更多的研究，為三江源地區(qū)生態(tài)系統(tǒng)的恢復(fù)與重建提供數(shù)據(jù)支持。

4 結(jié)論

1） 試驗(yàn)地土壤有機(jī)質(zhì)（SOM）含量為41.659 4~8.761 3 g/kg，樣本平均值為19.559 7 g/kg，變異系數(shù)是45.25 %，屬于中等變異。不同退化程度土壤光譜曲線變化趨勢(shì)大體一致，且隨著SOM含量的增加，原始光譜反射率曲線降低，呈負(fù)相關(guān)變化。

2） 通過(guò)對(duì)不同光譜轉(zhuǎn)換方式與土壤SOM含量相關(guān)性關(guān)系的分析可知，原始光譜反射率通過(guò)倒數(shù)對(duì)數(shù)、一階微分、倒數(shù)對(duì)數(shù)一階微分轉(zhuǎn)換后與土壤SOM含量的相關(guān)系數(shù)有了顯著提升，說(shuō)明光譜數(shù)據(jù)的數(shù)學(xué)轉(zhuǎn)換可以擴(kuò)大光譜的一些吸收特征。

3） 跟其他模型相比，Log（1/R）-RF具有更高的預(yù)測(cè)精度和穩(wěn)定性，可以較準(zhǔn)確的估測(cè)本試驗(yàn)區(qū)土壤SOM含量。