寧 娟， 丁建麗， 楊愛霞， 鄧 凱

(1.新疆大學 資源與環(huán)境科學學院，烏魯木齊 830046；2.綠洲生態(tài)教育部重點實驗室，烏魯木齊 830046)

0 引 言

綠洲作為干旱、半干旱地區(qū)的一種獨特生態(tài)單元，是維系干旱地區(qū)人類生存、活動與發(fā)展的基本場所。土壤鹽分含量是土壤質量的重要指標[1]，然而過高的土壤含鹽量不僅會降低土壤質量,還會造成土壤鹽漬化，破壞土地的生產(chǎn)能力，成為干旱區(qū)綠洲農(nóng)牧業(yè)及經(jīng)濟發(fā)展的主要制約因子，對綠洲的生態(tài)環(huán)境及經(jīng)濟可持續(xù)發(fā)展造成嚴重影響[2]。因此,如何準確獲取鹽漬化土壤鹽分信息，并掌握其分異規(guī)律，從而治理鹽漬土、防止其進一步退化，成為當今干旱區(qū)農(nóng)業(yè)可持續(xù)發(fā)展亟待解決的問題[3]。

傳統(tǒng)的土壤理化性質監(jiān)測雖然測試結果精確，但樣品量較大時，前期樣品預處理耗費時間長；并且當研究區(qū)域較大時，樣品的數(shù)量和采樣深度均會受到人力、物力、財力的制約。遙感技術，解決了傳統(tǒng)的人工地面監(jiān)測方法無法滿足大面積鹽漬化土壤快速監(jiān)測需求的瓶頸。其中，高光譜遙感由于其光譜分辨率高，使地物在不同波長范圍內(nèi)的反射值有較大差異，從而成為一些地物參數(shù)定量反演的理想監(jiān)測手段[4]。當前，采用線性或非線性方法,借助可見光/近紅外光譜技術對土壤理化性質的預測研究越來越多[5-13]。雷磊等[14]以HIS數(shù)據(jù)為數(shù)據(jù)源，采用曲線回歸分析方法，對土壤含鹽量進行定量反演建模。Summers等、彭杰等、翁永玲等[15-17]利用偏最小二乘回歸方法對土壤的理化性質進行定量研究，證明該方法在土壤理化性質研究中普適性較廣。Moussa、丁鐵山等[18，19]則利用機器學習方法對土壤理化性質進行定量研究，其中支持向量機方法具有較強的非線性逼近能力，在數(shù)據(jù)擬合、函數(shù)逼近方面優(yōu)勢明顯，具有良好的泛化性能，算法簡練，普適性強。

近年來，可見光/近紅外光譜技術與地統(tǒng)計相結合為快速獲取土壤屬性及其空間變化提供了可能。McCarty等[20]利用近中紅外光譜技術與地統(tǒng)計相結合，在田塊尺度上分析了土壤碳素的空間異質性；Cobo等[21]利用中紅外光譜和地統(tǒng)計相結合，研究景觀尺度土壤空間異質性。目前，可見光/近紅外光譜技術與地統(tǒng)計方法相結合，開展干旱半干旱區(qū)大尺度土壤鹽分空間異質性分析的研究還很少見。因此，本文在前人的研究基礎之上，利用2種方法建立土壤鹽分高光譜預測模型，通過精度對比，選擇最優(yōu)模型，并將預測的土壤含鹽量代替實驗室測定的土壤含鹽量，運用Universal Kriging方法對土壤含鹽量空間分布進行分析，為快速、大面積獲取土壤含鹽量空間分異規(guī)律尋求一種精確、可行的方法。

1 材料與方法

1.1 研究區(qū)概況

渭干河-庫車河綠洲位于新疆天山南麓、塔里木盆地北緣，隸屬于阿克蘇地區(qū)，包括庫車、沙雅、新河三縣，地理位置位于東經(jīng)82°10′～83°50′、北緯41°06′～41°40′之間，屬于溫帶大陸性干旱氣候。該區(qū)域的年均降水量僅有43.1 mm，而年均蒸發(fā)量高達1 992.0～2 863.5 mm，蒸發(fā)量遠遠大于降水量，氣候極端干旱。隨著強烈的蒸發(fā)作用,地下水位不斷抬升，鹽分不斷聚集到地表，是該地區(qū)土壤鹽漬化形成的主要自然原因。加之當?shù)毓喔燃夹g落后，方式不合理，加劇了當?shù)卮紊}漬化的形成。

圖1 研究區(qū)地理位置圖及采樣點分布圖Fig.1 Geographical position map of study area and distribution of sampling points

1.2 數(shù)據(jù)采集

野外樣本采集時間是在2015年7月中旬，按照五點梅花狀進行土壤樣本的采集，取土壤表層0～10 cm的土樣帶回實驗室進行風干、碾磨，過孔徑為1 mm的土壤篩，再按照土水比例1∶5的比例配置土壤浸提液進行土壤含鹽量的測定。土壤樣本的光譜采集是運用美國ASD Field spec3 便攜式地物波譜儀，其波長范圍為350～2 500 nm。觀測時風力小于3級，云量小于5%，且太陽輻射強烈，觀測時間為北京時間13∶00-16∶00。光譜測量時，光譜儀探測頭垂直于土壤表面，距土樣表面約20 cm，視場角為25°[22]。每個土樣測量10次，將每個土樣測得的10條光譜平均就得到該土樣的實際光譜反射率。

1.3 光譜數(shù)據(jù)預處理

運用ASD ViewSpecPro軟件對土壤樣本的反射光譜進行平均值的計算，得到土壤樣本的光譜反射率，為了突出光譜特征值，消除噪聲的影響，運用OriginPro 9.0軟件，選用Savitzky-Golay濾波平滑法對土壤光譜反射率進行平滑去噪處理，同時剔除水汽吸收影響嚴重的波段，被剔除的波段為：1 346～1 462 nm，1 796～1 970 nm和2 406～2 500 nm。

1.4 模型檢驗

本文采用67個土壤樣本，按其土壤鹽分含量從高到低排序分為3個子集，其中38個土壤樣本(約1/2的樣本)作為光譜建模數(shù)據(jù)集，19個土壤樣本為光譜模型驗證集，其余10個樣本作為土壤含鹽量預測圖的驗證集。為了探討高光譜技術與地統(tǒng)計相結合進行土壤鹽分空間異質性分析的可行性，將建模集的38個樣點與預測集的19個樣點預測值同時用于下文統(tǒng)計分析與空間插值分析。

土壤含鹽量的描述性分析使用SPSS19.0數(shù)據(jù)統(tǒng)計分析軟件，利用多元逐步回歸分析、偏最小二乘回歸分析以及支持向量機分別建立土壤光譜與含鹽量的高光譜預測模型，利用GS+7.0進行半方差函數(shù)分析，ArcGIS10.0軟件繪制空間插值分布圖，進行空間異質性分析。檢驗模型精度的指標為決定系數(shù)R2、均方根誤差RMSE以及殘留預測偏差RPD。RPD是統(tǒng)計預測值和實測值相關性大小的指標，是樣品實測值的標準差SD與RMSE的比值。當RPD小于1.4時，模型預測精度極差；當RPD在1.4～2時，預測精度尚可；當RPD大于2時，預測精度極佳[24]。

2 結果與分析

2.1 土壤含鹽量描述性特征統(tǒng)計分析

將光譜建模與光譜驗證的57個土壤含鹽量數(shù)據(jù)進行統(tǒng)計分析，由表1可看出，研究區(qū)土壤含鹽量介于0.14～35.60 g/kg，鹽分平均值為19.18 g/kg，變異系數(shù)CV反應參數(shù)變異程度，CV≤10 為弱變異性，10 0.05)，因此該數(shù)據(jù)適用于地統(tǒng)計分析。

表1 土壤含鹽量統(tǒng)計特征值Tab.1 Statistical characteristic values of soil salt content

2.2 土壤光譜與土壤含鹽量相關性分析

圖2 土壤光譜反射率及其變換形式與土壤含鹽量的相關系數(shù)Fig.2 The correlation coefficient between the soil spectral reflectance and soil salt content

2.3 土壤含鹽量高光譜建模分析

2.3.1 土壤含鹽量偏最小二乘回歸模型

偏最小二乘回歸方法是將主成分分析和方差分析引入傳統(tǒng)的回歸分析中，通過篩選出具有對土壤含鹽量具有最佳解譯能力的成分，剔除無解譯能力的信息，從而提高模型的反演精度。

表2 土壤含鹽量偏最小二乘回歸模型Tab.2 Partial least square regression model for soil salt content

2.3.2 土壤含鹽量支持向量機模型

支持向量機方法是目前最快的機器學習方法之一，全局最優(yōu)、泛化能力強等特點使其在學習效率及函數(shù)表達性方面都要比傳統(tǒng)統(tǒng)計學方法更強[26,27]。

從表2和表3可以看出，利用偏最小二乘回歸方法和支持向量機方法，基于A′所建模型的決定系數(shù)R2相對最高，且RMSE相對最低，模型的精度和穩(wěn)定性都相對較高。該結果與陶蘭花等[28]的土壤含鹽量建模結果一致。

表3 土壤含鹽量支持向量機模型Tab.3 Support vector machine model for soil salt content

2.3.3 模型精度檢驗

基于以上分析，選用光譜A′為最優(yōu)光譜指標，利用偏最小二乘和支持向量機方法，分別對模型的實測值與預測值的進行擬合，結果如圖3所示，基于偏最小二乘回歸模型，其驗證樣點部分偏離1∶1的線，致使其模型的穩(wěn)定性下降；而支持向量機模型其驗證樣點比較均勻地分布在1∶1線的兩側，預測效果較好，這與前面的結果相一致。

圖3 PLSR和SVM的實測值與預測值的比較Fig.3 Comparison of the measured and the values estimated by partial least square regression model and support vector machine model

2.4 土壤含鹽量空間異質性

2.4.1 土壤含鹽量統(tǒng)計分析

利用GS+軟件對支持向量機模型預測得到的57個土壤含鹽量進行半方差函數(shù)分析，半方差函數(shù)的理論模型及參數(shù)由參考文獻[29]確定。由表5可看出，土壤含鹽量決定系數(shù)R2為0.753,這表明理論與實驗半方差函數(shù)的擬合程度較好。塊金值C0大于零，可認定其內(nèi)部存在由短距離變異、固有和隨機變異以及采樣誤差引起的各種正基底效應，但基地效應較弱。塊金值/基臺值[C0/ (C0+C)]表示空間異質性程度，一般認為，小于25%變量具有強空間自相關性，25%～75%變量具有中等空間自相關性，大于75%變量空間自相關性弱[30]。本研究區(qū)土壤含鹽量的空間結構比可以看出，由隨機因素引起的土壤含鹽量空間變異占總空間變異比例為23.13%，而由空間自相關因素所引起的空間變異占總空間變異的76.87% ，這充分說明該研究區(qū)土壤含鹽量的空間變異主要是受到土壤自身因素的影響，受隨機因素影響較小，這與干旱區(qū)的實際情況相一致。

表4 土壤含鹽量半方差函數(shù)模型及參數(shù)Tab.4 Semivariance and their parameters of soil salt content

2.4.2 土壤含鹽量空間插值分析

本文利用Arcgis 10.0軟件，采用泛克里格法(Universal Kriging)對研究對象進行空間插值，由于研究區(qū)土壤屬性具有非平穩(wěn)性，而泛克里格法是一種處理區(qū)域變量非平穩(wěn)性的最優(yōu)無偏線性估值方法[31]，對于不同樣點密度其保留空間信息能力好，預測精度高且局部變異明顯[32]。

在土壤含鹽量半方差函數(shù)理論及結構分析的基礎上，利用泛克里格法對數(shù)據(jù)進行空間插值，得到研究區(qū)的表層土壤含鹽量的空間分布圖(圖4)，從總體的空間分布上看，鹽漬地主要分布在研究區(qū)的東南、南和西南部綠洲外圍區(qū)域，由于該區(qū)域植被稀疏，下滲率高，含水量低，蒸發(fā)強烈，再加上該區(qū)域處于河流灌溉區(qū)的下游地區(qū)，地勢低洼，且地下水礦化度和水位均較高，因而鹽漬化較為嚴重。在研究區(qū)的西部和西北部的綠洲內(nèi)部，植被覆蓋度較高，土壤水分含量較高，呈輕度鹽漬化空間分布，此結論與文獻[31]結果相一致。

圖4 研究區(qū)表層土壤含鹽量空間分布圖Fig.4 Spatial distribution of top soil salinity in the studied are

2.4.3 土壤含鹽量空間分異圖精度評估

采用10個土壤樣本對土壤含鹽量空間分布圖進行驗證(圖5)，由樣點的實測值與預測值散點圖可知本研究的預測精度較高，土壤含鹽量的實測值與預測值的決定系數(shù)R2為0.786，RMSE為0.528。土壤含鹽量插值結果范圍小于實測值范圍，是由于Universal Kriging插值是對未測點給出最優(yōu)無偏估計的一種方法，具有空間平滑作用，減小了樣本集的波動性，但仍會保留數(shù)據(jù)的整體走向趨勢性。由此得出，利用該方法對土壤含鹽量分異規(guī)律研究是可行的。

圖5 土壤含鹽量預測值與實測值散點圖Fig.5 Scatter plots of predicted and observed values of soil salt content

4 結 語

以渭干河-庫車河綠洲為研究區(qū)，利用2種方法建立土壤鹽分高光譜預測模型，通過精度對比，選擇最優(yōu)模型，將預測值代替實驗室分析值進行空間插值，對研究區(qū)土壤含鹽量空間異質性進行分析，為干旱區(qū)綠洲土壤鹽漬化監(jiān)測提供參考。研究結論如下。

(1)通過對反射率一階微分、對數(shù)一階微分、對數(shù)倒數(shù)一階微分、倒數(shù)對數(shù)一階微分、均方根一階微分、反射率平方一階微分6種光譜指標進行建模，最終利用原始光譜一階微分所建模型的精度最高，模型穩(wěn)定性最好。

(2)利用原始光譜一階微分建立的2種土壤含鹽量預測模型，最優(yōu)模型為支持向量機模型，其建模集相關系數(shù)R2高達0.980，RMSE僅為0.109；預測集相關系數(shù)R2為0.853 ，RMSE為0.381，RPD為2.1，該模型的建模精度較高，具有較好的預測能力，且模型穩(wěn)定性強，在干旱區(qū)綠洲土壤含鹽量遙感定量研究方面具有較好的應用前景。

(3)本研究區(qū)土壤表層含鹽量屬于中等空間變異性，且空間結構比小于25%，受結構性因素影響具有強空間自相關。利用Universal Kriging空間插值方法對研究區(qū)土壤含鹽量進行插值分析，得出鹽漬地主要分布在研究區(qū)的東南、南和西南部綠洲外圍區(qū)域，由于該區(qū)域植被稀疏，蒸發(fā)強烈，土壤下滲率高，且處于河流灌溉區(qū)的下游地區(qū)，地勢低洼，地下水位較高，因此該區(qū)域的鹽漬化現(xiàn)象嚴重。

(4)本文將可見光/近紅外光譜技術與地統(tǒng)計方法相結合，對土壤含鹽量空間異質性進行了初步研究，土壤鹽分分布的預測結果和研究區(qū)鹽分分布的實際情況具有一致性，希望該研究結果可為干旱區(qū)綠洲開展區(qū)域尺度的土壤鹽漬化監(jiān)測工作提供一種可靠、快速的方法。

□

[1] 冉 啟,洋貢璐，韓 麗，等.塔里木河上游綠洲土壤表層鹽分特征[J].中國沙漠,2013,33(4):1 098-1 103.

[2] 張 芳,熊黑鋼,欒福明,等.土壤堿化的實測光譜響應特征[J].紅外與毫米波學報,2011,30(1)：55.

[3] 姚 遠,丁建麗,張 芳,等.基于電磁感應技術的塔里木盆地北緣綠洲土壤鹽分空間變異特[J].中國沙漠,2014,34(3):765-772.

[4] 游先祥.遙感原理及其在資源環(huán)境中的應用[M].北京:中國林業(yè)出版社,2003:63-67.

[5] 李曉明,韓霽昌,李 娟.典型半干旱區(qū)土壤鹽分高光譜特征反演[J].光譜學光譜分析,2014,34(4):1 081-1 084.

[6] 龐國錦,王 濤,孫家歡,等.基于高光譜的民勤土壤鹽分定量分析[J].中國沙漠,2014,34(4)：1 073 -1 079.

[7] 侯艷軍,塔西甫拉提·特依拜,買買提·沙吾提,等.荒漠土壤有機質含量高光譜估算模型[J].農(nóng)業(yè)工程學報,2014,30(16):113-120.

[8] 吳雪梅,塔西甫拉提·特依拜,姜紅濤,等.基于CCA方法的于田綠洲土壤鹽分特征研究[J].中國沙漠,2014,34(6):1 568-1 575.

[9] Erzin Y, Gumaste S D, Gupta A K, et al. Artificial Neural Network (ANN) models for determining hydraulic conductivity of compacted fine-grained soils[J].Canadian Geotechnical Journal, 2009,46(8):955-968.

[10] Wang D, Chakraborty S, Weindorf D C, et al. Synthesized use of VisNIR DRS and PXRF for soil characterization:Total carbon and total nitrogen[J]. Geoderma, 2015,243-244:157-167.

[11] Brunner P, Li H T, Kinzelbach W, et al. Generating soil electrical conductivity maps at regional level by integrating measurements on the ground and remote sensing data[J].International Journal of Remote Sensing, 2007,28(15):3 341-3 361.

[12] 塔西甫拉提·特依拜,丁建麗.基于知識的衛(wèi)星遙感信息提取技術研究進展綜述[J].新疆大學學報(自然科學版),2002,19(2):129-135．

[13] 趙振亮,塔西甫拉提·特依拜,丁建麗,等.新疆典型綠洲土壤電導率和pH值的光譜響應特征[J].中國沙漠,2013,33(5):1 413-1 419.

[14] 雷 磊,塔西甫拉提·特依拜,丁建麗,等.基于HJ-1A高光譜影響鹽漬化土壤信息提取----以渭干河-庫車河綠洲為例[J].中國沙漠,2013,33(4):1 104-1 109.

[15] Summers D, Lewis M, Ostendorf B, et al. Visible near-infrared reflectance spectroscopy as a predictive indicator of soil properties[J].Ecological Indicators,2011,(11):123-131.

[16] 彭 杰,遲春明,向紅英,等.基于連續(xù)統(tǒng)去除法的土壤鹽分含量反演研究[J].土壤學報,2014,51(3):459-469.

[17] 翁永玲,戚浩平,方洪賓,等.基于PLSR方法的青海茶卡-共和盆地土壤鹽分高光譜遙感反演[J].土壤學報,2010,47(4):1 255-1 263.

[18] 丁鐵山,董汝瑞，溫 季. 基于支持向量機理論的土壤水分預測模型研究[J].人民黃河,2011,33(3):68-69.

[19] 賴 寧,李新國,梁 東.開都河流域下游綠洲鹽漬化土壤高光譜特征[J].干旱區(qū)資環(huán)境,2015,29(2):151-154.

[20] MCCARTY G W,REEVES J B.Comparison of NFAR infrared and mid infrared diffuse reflectance spectroscopy for field-scale measurement of soil fertility parameters[J].Soil Science,2006,171(2):94-102.

[21] Cobo J G, Dercon G, Yekeye T, et al. Integration of mid-infrared spectroscopy and geostatistics in the assessment of soil spatial variability at landscape level[M]∥ The letters of the Republic :. Harvard University Press, 1990:398-411.

[22] 賴 寧,李新國,梁 東.開都河流域下游綠洲鹽漬化土壤高光譜特征[J].干旱區(qū)資源與環(huán)境,2015,29(2):151-154.

[23] Tsai F, Philpot W D. A derivative-aided hyperspectral image analysis system for land-cover classification[J]. 2002,40(2):416-425.

[24] ossel R A V, Mcglynn R N, Mcbratney A B. Determining the composition of mineral-organic mixes using UV-vis-NIR diffuse reflectance spectroscopy[J]. Geoderma, 2006,137(1-2):70-82..

[25] 賈艷紅,趙傳燕,南忠仁．黑河下游地下水波動帶土壤鹽分空間變異特征分析[J].干旱區(qū)地理,2008,31(3):379-388．

[26] 常軍,路振廣,李素平,等.基于SAV 方法的水文年型預報[J].人民黃河,2009,31(4):29-33．

[27] 邵曉梅,嚴昌榮,徐振劍.土壤水分監(jiān)測與模擬研究進展[J].地理科學進展,2004,23(3):58-65．

[28] 陶蘭花,塔西甫拉提·特依拜,姜紅濤,等.克里雅河流域土壤鹽分光譜定量分析[J].中國沙漠,2014,34(6):1 562-1 567.

[29] 宋新山,何 巖,汪永輝.水土化學場理論在松嫩平原鹽漬土研究中的應用[J].地理科學，2003,23(1):72-76．

[30] Cambardella C A，Moorman T B，Novak J M，et al．Field scale variability of soil properties in central Iowa soils[J]．Soil Science Society of America Journal，1994,58(5):1 501-1 511．

[31] 王世稱,陳泳良,夏立顯,等．綜合信息礦產(chǎn)預測理論與方法[M]．北京：科學出版社，2002.

[32] 姚 遠,丁建麗,張 芳,等. 基于電磁感應技術的塔里木盆地北緣綠洲土壤鹽分空間變異特性[J].中國沙漠,2014,34(3):765-772.

[33] 馬成霞,丁建麗，楊愛霞,等. 綠洲區(qū)域土壤鹽漬化主要參數(shù)的空間異質性分析[J].干旱區(qū)資源與環(huán)境,2015,29 (2):144-149.

[34] 浦瑞良,宮 鵬.高光譜遙感及其應用[M].北京:高等教育出版社,2003.