稀疏植被区土壤含盐量反演范文

本站小编为你精心准备了稀疏植被区土壤含盐量反演参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

《土壤学报》2015年第七期

摘要

植被对土壤光谱的干扰是目前土壤盐渍化遥感监测的重要限制因素之一，探索消除稀疏植被覆盖区植被对光谱影响的方法，对提高土壤含盐量遥感反演精度具有重要意义。本文通过对189组不同植被覆盖度且不同盐渍化程度种植微区野外实测地表可见-近红外反射光谱进行分析，比较并评价了基于原始光谱和盲源分离（Blindsourceseparation,BSS）后光谱预测土壤含盐量的结果。结果表明：地表植被覆盖严重影响基于可见-近红外反射光谱的土壤含盐量反演精度。盲源分离方法，尤其是基于方程z=tanh(y)的独立分量分析（Independentcomponentsanalysis,ICA）算法，可有效分解植被和土壤的混合光谱，并提高植被覆盖下基于可见-近红外反射光谱的土壤含盐量反演精度。该方法为植被覆盖区大尺度土壤盐渍化遥感监测提供了方法指导。

关键词

稀疏植被覆盖；可见-近红外反射光谱；土壤含盐量；盲源分离

土壤盐渍化是世界性生态环境问题之一，也是导致土壤荒漠化和土壤退化的主要诱因之一。盐渍化土壤中的可溶性盐，严重影响作物生长，并威胁作物产量，是农业可持续发展的重要限制因素。近年来，全球盐渍化以及次生盐渍化土壤的面积不断增加，因此，对盐渍化土壤的盐渍化程度、面积以及空间分布的实时、动态监测尤为重要，这也是制订综合治理措施，合理利用土地的关键。传统监测土壤盐渍化的方法，主要依靠野外采样，不仅耗费大量人力、物力以及财力，且结果易受采样范围、采样时间及样点空间分布影响。遥感方法以其覆盖面积大、更新速度快、经济等优势迅速成为大尺度土壤盐渍化监测的主要手段[1]。高光谱分辨率遥感因其丰富的光谱信息和较高的光谱分辨率，可探测到微弱的光谱变化，受到越来越多学者的青睐。国内外诸多学者采用高光谱遥感影像或近地光谱对含盐土壤的敏感波段进行了研究，研究表明富含NaCl的土壤在1970～2450nm、1442nm、1851nm、1958nm和2226nm附近有诊断性吸收特征[2-3]。

另有学者基于遥感影像或光谱数据对土壤含盐量进行了反演研究，研究表明偏最小二乘回归模型（Partialleastsquaresregression,PLSR）、人工神经网络（Artificialneuralnetwork,ANN）、多元线性回归分析和各种盐分光谱指数均可用于土壤含盐量的定量反演[4-9]。但是当前大多数研究以裸土光谱为研究对象，缺乏植被对光谱反射率影响的考虑，遥感监测中直接获取的往往是植被和土壤的混合光谱，因此，采用混合光谱直接反演土壤含盐量的精度有限。盐渍化程度较高的土壤一般很少有植被生长，但是对于中低盐渍化程度的土壤而言，一些盐生植被或作物仍可生长。对有植被覆盖的地表而言，遥感或者近地光谱探测到的大都是土壤与植被的混合光谱。因此，植被对土壤光谱的干扰是目前土壤盐渍化遥感监测的重要限制因素之一[1,10]。针对有植被覆盖的地表土壤属性遥感反演，传统方法是掩膜掉高植被覆盖区[11]，但这造成了高植被覆盖区土壤数据的缺失。土壤盐分影响植物生长，因而一些学者试图利用植物的生长状况间接反映土壤盐渍化状况，并构建各种植被指数与土壤含盐量建立关系。研究发现，归一化植被指数（Normalizeddifferencevegetationindex，NDVI）[12]、光化学植被指数（Photochemicalreflectanceindex,PRI）、红边位置（Rededgeposition,REP）、叶绿素归一化指数（Chlorophyllnormalizeddifferenceindex,ChlNDI）[13]、改进的归一化植被指数（ModifiedNDVI）[9]和土壤调节植被指数（Soiladjustedvegetationindex,SAVI）[14]均与土壤含盐量有较高的相关性。由于上述指数不是直接针对土壤含盐量建立的，故并不适用于所有研究。例如，Zhang等[14]研究指出除SAVI以外，上述指数均与土壤含盐量呈弱相关。Zhang[15]和Douaoui[16]等在其研究中也指出NDVI不是一个很好的土壤含盐量预测指数。丁建丽等[17]用实测综合光谱指数建立的高光谱模型可准确提取土壤盐渍化信息，结果明显优于传统遥感方法中单纯利用植被指数或者土壤盐分指数的模型。上述研究表明，用植被指数反演植被覆盖区土壤含盐量易受研究区及作物品种等外界因素影响，缺乏普适性和可移植性。如何去除或减弱植被对土壤光谱的干扰，近年来成为土壤含盐量遥感反演急需克服的瓶颈[10]。

针对如何去除植被信息对土壤光谱影响的研究，国内外的研究尚且有限。Bartholomeus等[18]首次提出残余光谱分解算法（Residualspectraunmixing,RSU），将土壤光谱和植被光谱从混合光谱中分解开，并建立土壤有机质与所提取土壤光谱的PLSR模型，验证集均方根误差为1.65gkg-1，与植被去除前相比，预测精度大有提高。但是RSU的应用有一个前提条件，即事先要获取土壤和植被在混合像元中所占的比例，以及土壤和植被端元的光谱信息。然而，在实际应用中上述信息并不一定完全可获取，这就限制了RSU方法的使用范围及工作效率。Ouerghemmi等[19]采用盲源分离（Blindsourceseparation,BSS）方法，在没有源信号和混合信号任何先验知识的前提下将植被和土壤光谱分解，并利用分离出的土壤光谱建立土壤黏粒含量的反演模型。虽然BSS方法广泛应用于通讯[20-21]、生物医学[22-23]、地球物理学[24-25]以及图像处理[26-27]等领域，但是其在土壤学中的应用还很少。该方法是否适用于土壤含盐量反演，尚需进一步探讨。本文以不同植被覆盖度地表的野外实测可见-近红外反射光谱数据为研究对象，采用BSS方法去除植被对土壤光谱的影响，并建立土壤含盐量的PLSR反演模型，探索植被覆盖区土壤含盐量的遥感反演方法，为盐渍化土壤大尺度遥感监测提供方法指导。

1材料与方法

1.1研究区概况研究区位于江苏省东台市弶港镇东南部黄海原种场内（120°54′6.48″E,32°38′40.16″N），东临黄海。该区位于北亚热带北缘，海洋性季风气候显著，四季分明，日照充分，多年平均气温14.7℃，降水量1042mm，主要集中在6—9月，蒸发量1417mm。土壤为滨海盐土，母质为江淮冲积-海相沉积物，土壤剖面均匀，以粉砂占优势，是苏北盐渍化土壤的典型代表。

1.2试验设计与数据采集试验田块用PVC板等分为50个1.5m×1m的微区，以减少微区之间水分和盐分的侧向移动。为获取不同盐渍化程度的土壤，结合氯化物盐土的分级标准及大麦对盐分的耐受能力，将微区盐分含量控制在空白对照、0.3%、0.5%、0.7%和0.8%五个等级。此外，本研究对该区土壤样品八大离子的测定结果[28]和已有研究结果均表明该区主要土壤盐分组成为NaCl[29]，因此，本研究通过添加NaCl的方式来控制各微区土壤含盐量，将其均匀地洒在翻耕过的土壤表面，进行旋耕，旋耕深度为20cm，之后进行土地平整，放置3d使NaCl与耕层土壤充分混合后进行播种。每个盐分梯度均包括10个微区，该10个微区播种不同数目的大麦种子，以获取不同植被覆盖度。试验期施肥、灌溉、除草和除虫等田间管理与本地常规相同。在整个大麦生长期，定时采集土壤样品、地表光谱以及植被覆盖度。本文以植被尚未完全覆盖地表前的2013年12月5日（出苗期）、2013年12月29日（越冬期）、2014年1月21日（越冬期）以及2014年3月22日（拔节期）等4个时间采集的数据为数据源，共计50×4=200组。由于人为原因，其中11组数据由于测量误差较大，未用于数据分析，本研究共采用189组数据进行数据分析。光谱数据采用美国ASD公司生产的Fieldspec3Hi-Res型地物光谱仪进行采集，其波长范围为350～2500nm，光谱分辨率在350～1000nm为3nm，在1000～2500nm为10nm。为了减少光照、太阳高度角等因素对地表反射率的影响，选择晴朗无云的天气进行光谱测量，测量时间为北京时间上午12点至下午2点。采用25°视场角探头，探头始终位于微区中心上方垂直于地表1.3m的位置，视场直径约为57cm。每次光谱采集前均进行白板校正，每个微区采集10条光谱曲线，算术平均后得到该微区的实际光谱反射率数据。由于边缘波段350～379nm和2401～2500nm信噪比低，1351～1450nm和1801～1950nm受空气中的水汽影响较大，在后续分析过程中去除上述波段数据。植被覆盖度从拍摄的数码照片中采用分类的方法提取。拍摄照片前将一个100cm×75cm的矩形框放在微区中间位置，然后将相机架于微区上方1m的位置，调节焦距，当整个矩形框全部进入视野时，拍摄照片。在此基础上，将照片的红绿波段值相减，然后设定一定的阈值将计算后的图像二值化，用滤波工具去除噪声点，最后统计植被占整个照片的比例，就得到了该微区的植被覆盖度。土壤样品采集采用梅花采样法，每个微区采集0～5cm深度的样品5个，混合后的样品为该微区的土壤样品。采集的土壤样品风干、研磨、过筛（2mm）后，用于测定土壤电导率。称取10g土样置于离心管中，加入50ml无CO2去离子水振荡，以4500rmin-1转速离心10min后用电导率仪测定其上清液电导率。对部分土壤样品进行离子组成的测定，采用常规分析法（土水比1:5）确定土壤各离子组成含量，计算相应的土壤全盐含量，得出该研究区土壤全盐含量与浸提液电导率的换算关系[28]，并用该关系将土壤电导率转换为土壤全盐含量。

1.3盲源分离盲源分离是在源信号及传输信道参数均未知的情况下，根据源信号的统计特性，仅用观测到的信号来恢复或分离源信号的过程。在该过程中，“盲”具有两重含义：一是源信号不能被直接观测到；二是源信号在传输过程中是如何被混合的未知。所以，盲源分离仅仅是利用包含在观测信号中的信息来解决问题的一种方法。独立分量分析方法（Independentcomponentanalysis,ICA）是近年逐步发展起来的一种新的多维信号处理算法，也是当前最成熟的BSS方法之一，其目的是从多通道观测得到的由若干具有统计独立特性的源信号组成的混合信号中将隐藏的独立分量（源信号）分离或提取出来，基于BSS的ICA目的是：根据混合信号x(t)和源信号s(t)的统计独立性通过迭代寻找解混矩阵W，使输出y(t)尽可能在相互独立的前提下逼近源信号s(t)，从而达到盲源分离的目的。本文采用的为ICA算法，由于对源信号和混合矩阵无先验知识可以利用，因此必须对源信号和混合矩阵做出某些附加假设：(1)假设源信号之间是相互独立的；(2)若想使得WA=I，必须假设A是列满秩矩阵；(3)观测信号数多于或等于源信号数，即m≥n；④假设观测信号的噪声是可以忽略的。

1.4建模方法及精度评价模型建立采用偏最小二乘回归（PLSR）方法，PLSR方法是目前土壤属性光谱预测普遍采用的一种多元回归分析方法，该方法将多元线性回归、变量的主成分分析以及变量间的典型相关分析有机结合，可同时实现回归建模、数据简化以及相关分析，为多元数据分析提供了极大的便利，尤其对样本量小，自变量多，且变量间存在严重相关性的数据具有独特的优势。本研究将所有数据按照含盐量从低到高排序，每隔两个取出一个作为验证集，其余为建模集（126个建模集+63个验证集），首先采用完全交叉验证（Fullcrossvalidation）方法对所建模型进行验证，然后用独立验证集对模型进行验证。为了减少异常样本对建模和预测结果的影响，本研究剔除残差大于3倍样本集标准差，以及杠杆值大于3倍建模集杠杆值均值的异常样本[28]。PLSR模型的建立采用TheUnscramblerX10.1软件实现。精度评价主要采用以下参数：建模集交叉验证决定系数（Coefficientofdeterminationincrossvalidation，R2cv）、建模集交叉验证均方根误差（Rootmeansquareerrorofcrossvalidation，RMSEcv）、建模集交叉验证测定值标准偏差与标准预测误差的比值（Ratioofstandarddeviationtostandarderrorofcrossvalidation，RPDcv）、验证集决定系数（Coefficientofdeterminationinprediction，R2p）、验证集均方根误差（Rootmeansquareerrorofprediction，RMSEp）和测定值标准偏差以及标准预测误差的比值（Ratioofstandarddeviationtostandarderrorofprediction，RPDp）。R2cv、R2p以及RPDcv、RPDp越大，RMSEcv和RMSEp越小，表明建模精度越高。

2结果

2.1基于原始光谱的土壤含盐量预测将所测不同植被覆盖度下的地表原始光谱与土壤含盐量建立PLSR模型，并用独立的验证集对所建模型的精度进行验证，结果如图2所示。地表原始光谱并不能很好地反演土壤含盐量，建模集R2cv仅为0.53，RMSEcv=3.54gkg-1，RPDcv=1.47，线性拟合直线远远偏离1:1线（图2a）。验证集的结果同样较差，R2p=0.50，RMSEp=3.33gkg-1，RPDp=1.41，线性拟合方程的系数仅为0.55（图2b）。由此可见，直接用所测原始光谱与土壤含盐量建立模型，所得预测结果的精度远不能满足实际需要，因此，若想进一步改善植被覆盖下土壤含盐量的预测精度，应对植被和土壤的混合光谱进行分解，以去除植被对土壤光谱以及土壤含盐量预测的干扰。

2.2基于盲源分离后土壤光谱的土壤含盐量预测为验证盲源分离法所提取土壤光谱的有效性，本文将ICA算法所提取的土壤光谱与土壤含盐量建立PLSR模型，并用独立的验证集来检验模型的精度。基于盲源分离后的土壤光谱所建立的PLSR模型，建模集较原始光谱所建模型的预测精度有大幅度改善，建模集R2cv提高至0.66，RMSEcv降低至3.10gkg-1，RPDcv提高至1.70，所有数据点都基本均匀分布在1:1线附近。模型验证集的精度也有较大改善，R2p=0.62，RMSEp=2.89gkg-1，RPDp=1.57，回归方程系数达0.78（图3）。该结果表明，盲源分离后的土壤光谱可有效反演土壤含盐量，盲源分离法可提高植被覆盖下土壤含盐量预测精度。

3讨论

基于土壤和植被的混合光谱进行土壤含盐量估测，结果表明其估测精度有限（R2cv=0.53，RMSEcv=3.54gkg-1，RPDcv=1.47，R2p=0.50，RMSEp=3.33gkg-1，RPDp=1.41），难以满足实际需求，仍有进一步改善的空间。植被影响土壤的光谱形态特征，植被覆盖度越高，700nm附近植被的红边特征越明显。当植被覆盖度达20.0%以上时，地表光谱接近植被光谱，土壤的光谱特征已不明显[30]。因此，植被对土壤含盐量的光谱估测有一定的干扰。

盲源分离方法根据源信号的统计特征，利用其自身的统计特性将其识别并从混合信号中分解出来，且无需源信号和混合信号的任何先验知识。本文根据盲源分离方法的这一特性，将土壤光谱从混合光谱中分解出来，并利用提取出的土壤净光谱进行土壤含盐量的预测。结果表明：和原始光谱相比，基于去除植被后光谱的土壤含盐量预测精度更高，与Bartholomeus[18]和Ouerghemmi[19]等的结论一致。由于构成混合光谱的源光谱的个数以及所占比例未知，盲源分离过程中如何确定合适的源的个数至关重要。本研究对如何选择最佳的源个数进行了探讨，尝试用2、3和4个源分别对数据进行分解。现以植被覆盖度为8.23%的数据为例进行图示说明。当植被覆盖度为8.23%时，地表反射光谱呈现出明显的植物的光谱特征，尤其是在700nm附近出现明显的红边特征，如图4a所示。当设定源的个数为2时，混合光谱被分解为两条独立的光谱，和地物光谱库中的植物以及裸土光谱比较相似，其形态特征以及特殊吸收波段均比较类似（图4b）；增加源的个数至3时，分离后的光谱曲线上出现很多类似噪音的点，光谱曲线不再平滑，且分离出的光谱曲线之间差异不显著，与植物的光谱特征较吻合，但是与土壤的光谱特征相差较大（图4c）；当源的个数增加至4时，分离出的光谱曲线更不连贯，虽然从形态上大致可以看出其中一条类似植物光谱，但由于其取值不连贯，整条曲线不平滑，噪声点较多，实际应用价值不大（图4d）。

上述结果表明，源的最佳取值为2，表明组成混合光谱的主要地物为植物和土壤，其他地物如残留秸秆、裸露石块等异物尽管在野外光谱测量中不可避免，但是其作用与植物和土壤相比较弱，对土壤光谱的干扰作用并不显著，在盲源分离过程中可不予考虑，故本文所有分析过程源的个数均设为2。盲源分离方法可将植被和土壤光谱有效分解的前提是：探测器探测到足够的土壤信息。因此，当植被覆盖度过高时，混合光谱中没有包含足够多的土壤信息，盲源分离方法将无法有效地分离植被和土壤光谱。所有189个植被覆盖下分离后光谱与裸土平均光谱的光谱角的计算结果表明（图5）：当植被覆盖度低于30%时，土壤光谱角基本未超过40°（黑色虚线），而当植被覆盖高于30%时，土壤光谱角迅速增加并超过40°。该结果说明随着植被覆盖度的增加，BSS方法分离出的土壤光谱与裸土光谱差异逐渐增大。由此可知，当植被覆盖度低于30%时，BSS方法更有效，且随着植被覆盖度的增加，BSS方法的有效性迅速降低。尽管当植被覆盖度过高时，BSS的有效性有所降低，但和基于混合光谱的土壤含盐量预测结果相比，BSS提取出的土壤光谱仍可改善土壤含盐量的估测精度（图2和图3）。尽管经盲源分离后提取出的土壤光谱改善了基于原始光谱的土壤含盐量预测精度，但是其预测精度还有待进一步提高，因为在现有研究中尚未考虑土壤水分、土壤粗糙度等其他外部因素对土壤含盐量预测精度的影响，而上述因素在已有研究中已被证明是影响土壤属性光谱预测精度的重要因素[31-33]。本文旨在探讨植被干扰的去除，因为植被是盐渍化土壤遥感监测中对土壤含盐量预测精度影响最大的因素，有关分离后土壤光谱中土壤水分、粗糙度干扰的去除或削弱研究已经在进行，将在今后的文章中详细探讨。

4结论

植被覆盖严重干扰地表土壤反射光谱，且导致基于地表光谱的土壤含盐量预测精度较低，盲源分离方法可有效分解土壤和植被的混合光谱。然而，盲源分离并不适用于所有植被覆盖度，其仅适用于部分植被覆盖的地表，当地表植被过于茂密时，该方法将不能有效发挥作用。盲源分离法所提取的土壤光谱可有效反演土壤含盐量，并改善基于原始光谱的土壤含盐量反演精度。本研究有助于实现部分植被覆盖下土壤含盐量的遥感预测，将有效解决当前植被覆盖区土壤属性遥感监测精度有限的问题，对“植被干扰”这个困扰土壤遥感多年的问题，提出了一种有效的处理方法，同时也为实现土壤盐渍化快速、准确的遥感监测提供了方法支持。

作者：刘娅 潘贤章 石荣杰 李燕丽 王昌昆 李志婷 单位：中国科学院土壤环境与污染修复重点实验室（南京土壤研究所） 中国科学院大学