白燕英，魏占民＊，劉全明，郭桂蓮，劉霞

（1.內(nèi)蒙古農(nóng)業(yè)大學(xué)水利與土木建筑工程學(xué)院，內(nèi)蒙古 呼和浩特 010018；2.內(nèi)蒙古鄂爾多斯市伊金霍洛旗水保局，內(nèi)蒙古 伊金霍洛旗 017200）

0 引言

河套灌區(qū)是內(nèi)蒙古自治區(qū)重要的糧食生產(chǎn)基地，目前灌區(qū)對(duì)農(nóng)田土壤的基礎(chǔ)監(jiān)測(cè)工作相對(duì)落后。土壤質(zhì)地作為較穩(wěn)定的土壤自然屬性，對(duì)土壤結(jié)構(gòu)、孔隙狀況、保水性、保肥性、耕性等影響較大。長(zhǎng)期以來(lái)，土壤質(zhì)地主要依賴于土壤物理分析方法，要獲取區(qū)域尺度的土壤質(zhì)地分布，需要進(jìn)行大量的采樣和分析，速度慢，效率低［1］。遙感技術(shù)能提供宏觀、實(shí)時(shí)的連續(xù)動(dòng)態(tài)地面觀測(cè)，決定了它能在灌區(qū)尺度上對(duì)土壤的基礎(chǔ)信息采集發(fā)揮重要作用［2］。

對(duì)土壤光譜特性的研究是應(yīng)用遙感對(duì)土壤進(jìn)行監(jiān)測(cè)的基礎(chǔ)。土壤是由礦物質(zhì)、有機(jī)質(zhì)、水和空氣組成的三相物質(zhì)，因此其光譜特性是多種物質(zhì)光譜的綜合表現(xiàn)，普遍認(rèn)為土壤有機(jī)質(zhì)含量、含水量、氧化鐵含量、機(jī)械組成、母質(zhì)等是影響土壤光譜特性的主要理化性狀［3］。目前土壤有機(jī)質(zhì)含量、含水量的光譜研究成果較多，而對(duì)土壤質(zhì)地的光譜特性研究相對(duì)較少。黃明祥等研究表明，海涂土壤在近紅外700～1 200nm之間沙礫含量與光譜反射率的相關(guān)性最高，呈負(fù)相關(guān)且其相關(guān)系數(shù)達(dá)到－0.78［4］。王德彩等建立了精度較高的土壤砂粒、粉粒、粘粒含量的VNIR光譜預(yù)測(cè)模型［1］。李春蕾等研究表明，野外光譜430nm為土壤砂粒含量的敏感波段，原始光譜對(duì)數(shù)的倒數(shù)與土壤砂粒含量的相關(guān)系數(shù)在430 nm 處達(dá)到最大值0.76［5］。

本文以河套灌區(qū)解放閘灌域?yàn)檠芯繀^(qū)域，研究農(nóng)田表層土壤粘粒、粉粒和砂粒的光譜特性，以建立不同粒徑含量與光譜的關(guān)系模型，為應(yīng)用高光譜遙感監(jiān)測(cè)該區(qū)域農(nóng)田表層土壤質(zhì)地提供理論依據(jù)。

1 研究區(qū)概況與土壤樣品的采集

河套灌區(qū)解放閘灌域南北長(zhǎng)約87km，東西寬約78km，海拔高程為1 032～1 050m，南鄰黃河，北靠陰山山脈的狼山。灌域總控制面積21.568萬(wàn)hm2，其中灌溉面積14.21萬(wàn)hm2，包括農(nóng)田12.199萬(wàn)hm2，林果地0.551 萬(wàn) hm2，牧草地1.461 萬(wàn)hm2［6］，其中農(nóng)田面積占總灌溉面積的85.85%。

野外土樣采集時(shí)間為2012年3月28－31日，此時(shí)，土壤表層已經(jīng)解凍，農(nóng)作物還沒(méi)有種植。采樣對(duì)象為農(nóng)田表層0～10cm土壤，范圍遍布整個(gè)灌域，研究區(qū)概況及57個(gè)采樣點(diǎn)位置如圖1所示。采樣方法：為了與ETM＋遙感圖像（分辨率30m×30 m）相對(duì)應(yīng)，盡量選取地面特征一致、長(zhǎng)寬均大于50 m的農(nóng)田，在農(nóng)田中央采用“X”法取樣，計(jì)5個(gè)點(diǎn)（GPS定位），混合土樣，并用相機(jī)對(duì)采樣點(diǎn)實(shí)地狀況拍照。

2 實(shí)驗(yàn)室分析

研究區(qū)域土壤礦物質(zhì)組成基本一致，有機(jī)質(zhì)含量為0.21%～3.08%，平均1.3%，含量較低。有關(guān)研究表明，土壤有機(jī)質(zhì)含量大于2.0% 時(shí)，其與光譜反射率之間相關(guān)性較好，而小于2.0% 時(shí)，其它土壤理化性質(zhì)對(duì)光譜的影響將會(huì)掩蓋土壤有機(jī)質(zhì)對(duì)光譜的影響［7］。在常溫下自然風(fēng)干土樣以去掉土壤水分對(duì)光譜的影響，盡可能減少土壤質(zhì)地以外因素對(duì)土壤光譜的影響。土樣風(fēng)干后，剔除植物殘茬、石粒等雜質(zhì)，磨細(xì)，過(guò)1mm孔徑篩，充分混勻，分成兩份，一份用于實(shí)驗(yàn)室土壤質(zhì)地分析，另一份用于土壤光譜測(cè)定。

圖1 解放閘灌域概況及采樣點(diǎn)分布Fig.1 General situation of Jiefangzha irrigation sub－district and distribution of sampling points

2.1 土壤質(zhì)地測(cè)定

采用德國(guó)新帕泰克HELOS／BR粒度儀測(cè)定土壤質(zhì)地，土壤粒級(jí)劃分采用中國(guó)制，粘粒為0～2 um，粉粒為2～50um，砂粒為50～1 000um。采樣點(diǎn)土壤質(zhì)地的統(tǒng)計(jì)特征見(jiàn)表1。

表1 土壤質(zhì)地的統(tǒng)計(jì)特征值Table 1 Statistical characteristic of soil texture

2.2 土壤光譜測(cè)量

實(shí)驗(yàn)室光譜測(cè)量采用ASD FieldSpec Hand－Held光譜儀，光譜范圍325～1 075nm，重采樣間隔為1nm。實(shí)驗(yàn)在暗室內(nèi)進(jìn)行，被測(cè)土樣裝滿（與培養(yǎng)皿上緣齊平）直徑為10cm、深1cm的玻璃培養(yǎng)皿內(nèi)（認(rèn)為是光學(xué)上無(wú)限厚），將視場(chǎng)角為25°的探頭置于土樣15cm的垂直上方。另有2臺(tái)能夠提供平行光的50W的鹵光燈，光源位于土樣兩邊距土樣約50cm、30°的照射角度。每間隔10min重新優(yōu)化一次光譜儀的積分時(shí)間并對(duì)參考白板進(jìn)行反射校正，每次優(yōu)化和對(duì)白板的反射校正進(jìn)行10次重復(fù)，每個(gè)土樣的反射光譜測(cè)量也進(jìn)行10次重復(fù)。光譜兩端（325～420nm，900～1 075nm）受暗電流、溫度和環(huán)境影響較大，存在較大噪聲，本次研究去除325～370 nm和1 000～1 075nm波段，對(duì)370～420nm和900～1 000nm波段進(jìn)行去噪處理。本文采用Matlab7.0工具箱基于小波變換的閾值去噪方法，以“sym8”作為小波母函數(shù)，選擇“Rigorous SURE”為閾值方法、“Scaled white noise”為噪聲結(jié)構(gòu)進(jìn)行去噪和平滑處理。去噪后的光譜進(jìn)行10nm間隔重采樣，得到370～1 000nm范圍共64個(gè)光譜波段。

3 數(shù)據(jù)處理

3.1 土壤粒級(jí)含量與光譜反射率的相關(guān)性分析

分別對(duì)57個(gè)土樣的粘粒、粉粒、砂粒含量與光譜反射率進(jìn)行相關(guān)分析，去掉3個(gè)異常點(diǎn)，剩余54個(gè)樣本，分別得到粘粒、粉粒、砂粒含量與光譜反射率的相關(guān)系數(shù)（圖2）。相關(guān)性分析結(jié)果表明，粘粒含量與光譜反射率的相關(guān)性小于粉粒、砂粒與光譜反射率的相關(guān)性。其中粘粒含量與反射率呈正相關(guān)，相關(guān)系數(shù)范圍0.407～0.462；粉粒含量與反射率呈正相關(guān)，相關(guān)系數(shù)為0.322～0.657；砂粒含量與反射率呈負(fù)相關(guān)，相關(guān)系數(shù)為－0.369～－0.673。其中粘粒含量與各波段的相關(guān)性變化趨勢(shì)不明顯，在370 nm處最大；粉粒含量與砂粒含量與各波段的相關(guān)性隨著波長(zhǎng)的增加而增加，在1 000nm處最大。

3.2 土壤粒級(jí)含量與光譜反射率各種變換形式的相關(guān)性分析

為尋找土壤粘粒、粉粒和砂粒含量的最佳敏感波段和反演方程，本研究選取4種土壤光譜的變換形式，包括反射率倒數(shù)1／R、反射率對(duì)數(shù)log R、反射率倒數(shù)的對(duì)數(shù)log（1／R）、反射率對(duì)數(shù)的倒數(shù)1／log R，及步長(zhǎng)10nm、20nm、30nm、40nm、50nm 的反射率差分、1／R 差分、log R 差分、log（1／R）差分和1／log R差分，應(yīng)用Matlab軟件實(shí)現(xiàn)光譜的上述變換，分別得到與粘粒、粉粒和砂粒含量相關(guān)系數(shù)最大的20個(gè)波段的變換形式，由于篇幅有限，本文僅列出相關(guān)系數(shù)最大的前10個(gè)波段的變換形式（表2）。

粘粒含量不僅與光譜反射率的差分相關(guān)性好，敏感波段集中在550～630nm，還與反射率倒數(shù)差分相關(guān)性好，敏感波段主要集中在690～750nm，且與710nm、740nm波段的反射率倒數(shù)差分相關(guān)性最好，決定系數(shù)為0.31，明顯大于其與原始反射率的最大相關(guān)系數(shù)0.21；粉粒、砂粒含量?jī)H與光譜反射率差分相關(guān)性好，敏感波段集中在440～540nm，且粉粒、砂粒含量與480nm和510nm波段的差分相關(guān)性最好，決定系數(shù)分別為0.57和0.56，也明顯大于其與原始反射率的最大相關(guān)系數(shù)0.43和0.45。

圖2 粘、粉、砂粒含量與，反，射率的相關(guān)系數(shù)Fig.2 Correlation coefficient of claysiltsand content and reflectance

表2 土壤粒級(jí)含量相關(guān)性最大的10個(gè)波段及決定系數(shù)Table 2 Ten sensitive bands of clay，silt，sand content and determination coefficient

4 模型建立

上述研究表明，粘粒、粉粒和砂粒都有其對(duì)應(yīng)的敏感光譜波段，敏感程度主要靠不同粒徑含量與其對(duì)應(yīng)的波段相關(guān)性體現(xiàn)，相關(guān)性越大的波段表明越能明顯地反映其對(duì)應(yīng)的土壤粒徑含量。本文應(yīng)用一元線性回歸模型和BP神將網(wǎng)絡(luò)模型建立不同粒徑含量與其對(duì)應(yīng)的敏感光譜波段關(guān)系模型，并比較兩種模型的精度。本文總樣本數(shù)54個(gè)，隨機(jī)選取40個(gè)樣本（總樣本數(shù)的3／4）建模，另外14個(gè)樣本（總樣本數(shù)的1／4）用于模型精度檢驗(yàn)。

4.1 一元線性回歸模型

根據(jù)表2可知，粘粒含量與710nm和740nm波段的反射率倒數(shù)差分相關(guān)性最好，粉粒、砂粒含量與480nm和510nm波段的差分相關(guān)性最好，本文應(yīng)用上述波段分別與粘粒、粉粒和砂粒含量（%）建立一元線性回歸模型（圖3），回歸方程為：

式中：X1為740nm與710nm波段反射率的倒數(shù)差分1／R740－1／R710；X2、X3均為 510nm 與480nm波段反射率的差分R510－R480；Y粘、Y粉、Y砂分別為粘粒含量（%）、粉粒含量（%）和砂粒含量（%）。

圖3 土壤粒級(jí)含量與最敏感波段回歸模型Fig.3 Regression model of the most sensitive band and clay，silt，sand content

4.2 BP神經(jīng)網(wǎng)絡(luò)模型

本研究選取粘粒、粉粒和砂粒BP神經(jīng)網(wǎng)絡(luò)模型輸入層的節(jié)點(diǎn)數(shù)為5、10、20，即輸入數(shù)據(jù)分別是與粘粒、粉粒和砂粒含量相關(guān)系數(shù)最大的前5、10、20個(gè)光譜反射率變換形式（表2）。輸出層為1個(gè)節(jié)點(diǎn)，分別對(duì)應(yīng)粘粒、粉粒和砂粒含量，隱含層為1層，其節(jié)點(diǎn)數(shù)需要根據(jù)輸入層節(jié)點(diǎn)數(shù)不同在試驗(yàn)中不斷調(diào)整，最終確立5－15－1、10－30－1和20－60－1（輸入層神經(jīng)元個(gè)數(shù)－隱含層神經(jīng)元個(gè)數(shù)－輸出層神經(jīng)元個(gè)數(shù)），即隱含層節(jié)點(diǎn)數(shù)為輸入層節(jié)點(diǎn)數(shù)的3倍時(shí)，BP模型模擬精度最高。網(wǎng)絡(luò)隱含層傳遞函數(shù)、輸出層傳遞函數(shù)均選擇tansig函數(shù)，訓(xùn)練函數(shù)選取traindm（附加動(dòng)量的梯度下降法）。首先用premnmx函數(shù)對(duì)樣本數(shù)據(jù)做歸一化處理，學(xué)習(xí)速率為0.01，最大訓(xùn)練次數(shù)為1 000，訓(xùn)練完畢后再用postmnmx函數(shù)對(duì)計(jì)算結(jié)果反歸一化，模型在Matlab7.0下編程實(shí)現(xiàn)。

4.3 模型精度檢驗(yàn)

用建模以外的14個(gè)樣本對(duì)上述兩種模型的精度進(jìn)行檢驗(yàn)（表3），將模型計(jì)算值（相對(duì)于實(shí)測(cè)值）的平均計(jì)算精度、均方根誤差（RMSEP）和決定系數(shù)（R2）作為標(biāo)準(zhǔn)來(lái)評(píng)價(jià)模型的優(yōu)劣，其中RMSEP越小越好，平均計(jì)算精度、決定系數(shù)越大越好。

表3 模型檢驗(yàn)精度比較Table 3 Comparison of model precision

模型檢驗(yàn)結(jié)果表明兩種模型對(duì)粘粒、粉粒和砂粒含量的預(yù)測(cè)精度較高，都在85%以上。其中輸入層節(jié)點(diǎn)數(shù)為20的粘粒、粉粒含量BP模型的預(yù)測(cè)精度略高于節(jié)點(diǎn)數(shù)為5的BP模型，但砂粒含量的BP模型預(yù)測(cè)精度卻略低于節(jié)點(diǎn)數(shù)為5的BP模型，說(shuō)明BP神經(jīng)網(wǎng)絡(luò)模型的輸入層節(jié)點(diǎn)數(shù)對(duì)計(jì)算結(jié)果影響不大。粘粒、粉粒、砂粒BP模型的均方根誤差略小于一元回歸模型，平均計(jì)算精度略高于一元回歸模型，粘粒含量的BP模型的決定系數(shù)大于回歸模型，只有粉粒、砂粒含量的BP模型的決定系數(shù)略小于回歸模型?？傮w上兩種模型精度基本一致，BP神經(jīng)網(wǎng)絡(luò)模型略微優(yōu)于一元線性回歸模型，但BP神經(jīng)網(wǎng)絡(luò)模型計(jì)算復(fù)雜，輸入層神經(jīng)元個(gè)數(shù)、隱含層神經(jīng)元個(gè)數(shù)、傳遞函數(shù)、訓(xùn)練函數(shù)的選擇等都會(huì)影響模型的預(yù)測(cè)精度，而且計(jì)算過(guò)程需要不斷調(diào)試；而一元線性回歸模型方法簡(jiǎn)單，便于操作，預(yù)測(cè)結(jié)果穩(wěn)定，在兩種模型精度基本一致的情況下，可以優(yōu)先考慮原理及應(yīng)用都較為簡(jiǎn)便的一元線性回歸模型。

5 結(jié)論

研究結(jié)果表明，粘粒含量與波段550～630nm的反射率差分和690～750nm反射率倒數(shù)差分相關(guān)性較好，粉粒、砂粒含量?jī)H與波段440～540nm反射率的差分相關(guān)性較好；粉粒、砂粒含量與光譜反射率的相關(guān)程度接近，粘粒含量與光譜反射率的相關(guān)程度低于粉粒、砂粒含量與光譜的相關(guān)程度。

建立了粘粒、粉粒和砂粒含量與其對(duì)應(yīng)的敏感波段的一元線性回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型，模型檢驗(yàn)結(jié)果表明，分別針對(duì)粘粒、粉粒和砂粒含量建立的兩種模型精度都較高（大于85%），并且兩種模型的平均計(jì)算精度、均方根誤差（RMSEP）和決定系數(shù)（R2）基本相同，說(shuō)明該研究成果可以用于河套灌區(qū)農(nóng)田土壤質(zhì)地反演研究。該研究結(jié)果可為下一步應(yīng)用高光譜遙感圖像大范圍識(shí)別河套灌區(qū)的土壤質(zhì)地提供理論依據(jù)。

但在實(shí)際應(yīng)用中，土壤水分是影響土壤光譜的最明顯因素之一，土壤光譜反射率在一定的土壤水分臨界值之下時(shí)，會(huì)隨著含水率的增加而降低，當(dāng)超過(guò)臨界值時(shí)，會(huì)隨著土壤水分的增加而增加［8］。如何考慮土壤存在水分時(shí)，應(yīng)用高光譜反演土壤質(zhì)地將是下一步研究的內(nèi)容。

［1］ 王德彩，鄔登巍，趙明松，等.平原區(qū)土壤質(zhì)地的反射光譜預(yù)測(cè)與地統(tǒng)計(jì)制圖［J］.土壤通報(bào)，2012，43（2）：257－262.

［2］ 徐美，李紀(jì)人，阮本清.灌區(qū)遙感應(yīng)用［J］.水土保持研究，2006，13（5）：23－26.

［3］ 高永光，胡振琪.高光譜遙感技術(shù)在土壤調(diào)查中的應(yīng)用［J］.礦業(yè)研究與開(kāi)發(fā)，2006（2）：44－46.

［4］ 黃明祥，程街亮，王珂，等.海涂土壤高光譜特性及其砂粒含量預(yù)測(cè)研究［J］.土壤學(xué)報(bào)，2009，46（5）：932－937.

［5］ 李春蕾，許端陽(yáng)，陳蜀江.基于高光譜遙感的新疆北疆地區(qū)土壤砂粒含量反演研究［J］.干旱區(qū)地理，2012，35（3）：473－478.

［6］ 陸圣女.基于GIS解放閘灌域土壤墑情變化規(guī)律及預(yù)報(bào)模型研究［D］.內(nèi)蒙古農(nóng)業(yè)大學(xué)，2008.

［7］ 張晉.土壤光譜特性的研究［D］.西北農(nóng)林科技大學(xué)，2008.

［8］ LIU W D，BARET F，GU X F，et al.Relating soil surface moisture to reflectance［J］.Remote Sense.Environ.，2002，81（2／3）：238－246.