崔霞，宋清潔，張瑤瑤，胥剛，孟寶平，高金龍

(1.蘭州大學(xué)資源環(huán)境學(xué)院西部環(huán)境教育部重點實驗室,甘肅 蘭州 730000;2.草地農(nóng)業(yè)生態(tài)系統(tǒng)國家重點實驗室，蘭州大學(xué)草地農(nóng)業(yè)科技學(xué)院，甘肅 蘭州 730020)

基于高光譜數(shù)據(jù)的高寒草地土壤有機碳預(yù)測模型研究

崔霞1*，宋清潔1，張瑤瑤1，胥剛2，孟寶平2，高金龍2

(1.蘭州大學(xué)資源環(huán)境學(xué)院西部環(huán)境教育部重點實驗室,甘肅 蘭州 730000;2.草地農(nóng)業(yè)生態(tài)系統(tǒng)國家重點實驗室，蘭州大學(xué)草地農(nóng)業(yè)科技學(xué)院，甘肅 蘭州 730020)

土壤退化是草地退化的更深層次指示，運用遙感手段大面積測定土壤有機碳進而評估草地土壤狀況有助于對草地退化狀態(tài)的正確認識。以甘南州高寒草地土壤為研究對象，使用ASD地物光譜儀，在室內(nèi)條件下對土壤樣品進行可見光/近紅外光譜測量，分析8種光譜變換形式與土壤有機碳含量的相關(guān)性并選取特征波段，利用3種多元回歸方法(逐步多元線性回歸、主成分回歸、偏最小二乘回歸)，通過驗證樣本的決定系數(shù)(Rv2)、均方根誤差(RMSE)和剩余估計偏差(RPD)來評價模型，進而確定高寒草地土壤有機碳的最佳估測模型。結(jié)果表明，微分變換方法可以顯著提高光譜特征與土壤有機碳含量的相關(guān)性，在所有變換形式中以光譜反射率的一階微分與土壤有機碳含量相關(guān)性最好，最大相關(guān)系數(shù)絕對值為0.865；基于光譜反射率一階微分變換形式的3種多元回歸方法對土壤有機碳均有極好的預(yù)測能力，表明對于土壤有機碳的穩(wěn)定監(jiān)測來說光譜反射率的一階微分是非常有效的變換形式；綜合考慮基于所有光譜變換形式的3種多元回歸方法的預(yù)測結(jié)果，偏最小二乘回歸法具有高的Rv2和RPD，同時具有低的RMSE值，是研究區(qū)土壤有機碳估測的最優(yōu)回歸方法；基于光譜反射率對數(shù)的一階微分變換形式所建立的偏最小二乘回歸模型具有相對較高的預(yù)測集決定系數(shù)(Rv2=0.878)、最大剩余估計偏差(RPD=2.946)和最小均方根誤差(RMSE=7.520)，因此該模型為甘南高寒草地土壤有機碳的最優(yōu)估測模型，最優(yōu)模型的RPD大于2.5說明該模型有足夠的穩(wěn)定性可以應(yīng)用于其他地區(qū)土壤有機碳的估測。

高光譜；光譜預(yù)處理；多元逐步線性回歸；主成分回歸；偏最小二乘回歸

甘南藏族自治州位于青藏高原東北部，地處黃河、長江源頭，是甘肅省重要的畜牧業(yè)生產(chǎn)基地，也是全國主要少數(shù)民族集聚的草原牧區(qū)之一。20世紀80年代以來，甘南州生態(tài)環(huán)境不斷惡化，90%的天然草地存在不同程度的退化，重度退化草地及中度退化草地面積分別約占全州草地面積的30%和50%[1]，亟待科學(xué)監(jiān)理方法的運用與提升。通過遙感手段實時動態(tài)監(jiān)測甘南草地退化的時空特征，對及時掌握其現(xiàn)狀和開展針對性管理具有重要作用。草地退化按層次可分為植被的退化和土壤的退化，盡管土壤退化滯后于植被退化, 卻是比植被退化更深層次和更嚴重的退化[2]。而在目前評價草地退化程度及采取改良措施時，對土壤的地位及作用還沒有給予應(yīng)有的重視[3]。因此在綜合評價草地退化狀況時，應(yīng)考慮整合土壤退化指標。

有機碳含量是反映土壤狀況的最重要指標之一。它既能指示土壤養(yǎng)分狀況，同時還是形成土壤結(jié)構(gòu)的重要因素，直接影響土壤肥力、持水能力、土壤抗侵蝕能力和土壤容重等土壤特性[4]，其變化狀況可以指示土壤退化與否[5]。遙感手段測定土壤有機碳(soil organic carbon, SOC)克服了農(nóng)化分析方法耗時、耗資大、費力、周期長的缺點[6-7]，一直倍受學(xué)術(shù)界研究者們的關(guān)注。隨著遙感技術(shù)的發(fā)展，高光譜遙感在土壤養(yǎng)分監(jiān)測中發(fā)揮越來越大的作用。自20世紀80年代開始土壤光譜研究從最初的對光譜曲線的定性分析發(fā)展到對土壤組分含量的定量反演，至今學(xué)者們利用高光譜技術(shù)估測土壤有機碳含量，對土壤光譜進行了詳細分析，并建立了相應(yīng)的預(yù)測模型，取得了較為滿意的結(jié)果。如Al-Abbas 等[8]發(fā)現(xiàn)土壤光譜反射率與有機質(zhì)含量呈顯著負相關(guān)；Galv?o等[9]研究表明土壤反射率在0.55～0.70 μm處的吸收峰主要是由有機質(zhì)引起的；Cambou等[10]采用PLSR(partial least squares regression)法結(jié)合野外自制取土工具所測量的ASD(analytical spectral devices)野外高光譜數(shù)據(jù)對法國土壤有機碳進行了預(yù)測，發(fā)現(xiàn)預(yù)測模型準確，預(yù)測值與實測值的R2(determination coefficient)達到0.75，剩余估計偏差(relative prediction deviation)為2.0。以上的研究表明高光譜遙感由于光譜分辨率高，對土壤養(yǎng)分信息進行定量獲取是不可或缺的數(shù)據(jù)源。

利用高光譜技術(shù)來獲取土壤有機碳含量的研究對象主要為農(nóng)田[11-13]，對草地尤其是有機碳含量較高的高寒草地研究較少?，F(xiàn)有的高光譜遙感在草地研究中的應(yīng)用主要集中在對草地植被的研究方面如生物量估算、草地種類識別、草地化學(xué)成分估測[14-15]，對土壤的研究較少，在僅有的對于草地土壤高光譜研究中，也是只對草地不同類型土壤反射光譜特性進行分析[16]，沒有對草地養(yǎng)分進行定量分析。因此，本研究利用美國ASD FieldSpecPro(FR)地物光譜儀在室內(nèi)條件下對經(jīng)過處理的高寒草地土壤樣品進行光譜測量，通過對土壤樣品光譜反射率不同變換形式與有機碳含量進行相關(guān)性分析，進而選取特征波段；通過比較主成分回歸(principal components regression, PCR)、逐步多元線性回歸(stepwise multiple linear regression, SMLR)和偏最小二乘回歸(partial least squares regression, PLSR)3種方法對土壤有機碳的模擬效果，建立高寒草地土壤光譜變量與有機碳含量的多元回歸模型，探索高寒草地土壤有機碳快速定量遙感估算方法。

1 材料與方法

1.1研究區(qū)概況

甘南藏族自治州位于甘肅省西南部，地處青藏高原與黃土高原過渡帶，其行政區(qū)劃范圍33°06′-35°44′ N，100°46′-104°44′ E。海拔1100～4900 m，大部分在3000 m以上；屬于典型的高原大陸性氣候，年降水量在500 mm以上；年均溫僅1～3 ℃，≥10 ℃的氣溫持續(xù)期僅兩個多月，全年平均日照時數(shù)2200～2400 h[17]；甘南州畜牧業(yè)資源豐厚，有牧草地272萬hm2，占該州國土總面積的61.9%，該區(qū)水草茂盛，被譽為亞洲最好的牧場之一。

1.2土樣樣本采集

2015年7月在甘南州不同退化程度的高寒草地選取典型樣地(圖1)，樣地選取在地勢平坦，草地植被分布比較均一能代表較大范圍植被覆蓋狀況的區(qū)域。共采集土壤表層土52份，采用GPS定位坐標，同時記錄樣地的基本特征信息。在30 m×30 m的樣地中采用五點混合取樣法獲得一個樣本，裝入密封袋內(nèi)，帶回實驗室自然風(fēng)干，將風(fēng)干的樣品取出一少部分過篩后采用重鉻酸鉀氧化-外加熱法測定土壤有機碳含量[18]；另外一部分過2 mm孔篩，用于高光譜數(shù)據(jù)采集。

圖1 甘南樣地分布圖Fig.1 Location of the plots in the Gannan region

1.3光譜測定

土壤光譜反射率的測定采用美國ASD公司生產(chǎn)的FieldSpecPro FR地物光譜儀。波譜范圍為350～2500 nm，采樣間隔為1.4 nm(350～1000 nm)和2.0 nm(1000～2500 nm)。將過篩后的土樣裝滿直徑為10 cm的容器中，土樣厚度約為1.5 cm，光譜測量在暗室內(nèi)進行。光源為能夠提供平行光的50 W的鹵素燈，距土壤表面30 cm，光源的天頂角為15°，采用5°視場角光纖探頭，探頭位于土壤表面垂直上方15 cm處。在測定前及每測定6個土壤樣本后進行一次白板校正，每個土壤樣本采集12條光譜曲線[19]。

1.4建模集和驗證集的劃分

參考Shi等[19]對土壤全N含量高光譜預(yù)測中建模集與驗證集劃分的方法，將所有土壤樣本有機碳含量按從小到大的順序排列，根據(jù)總樣本大小選定一個數(shù)字n(本文中n的取值范圍為1～17)，將第n和第2n個樣本作為建模樣本，第3n個樣本作為驗證樣本(表1),這種劃分方法可以保證所有區(qū)間的有機碳含量均能出現(xiàn)在建模集和驗證集中。

表1 土壤有機碳含量統(tǒng)計特征Table 1 Statistical characteristics of soil carbon content

STD： Standard deviation.

1.5光譜數(shù)據(jù)預(yù)處理

光譜數(shù)據(jù)的預(yù)處理主要包括去噪和數(shù)據(jù)變換處理。首先使用ViewSpec軟件中的Splice Correction修正功能對土壤反射光譜數(shù)據(jù)進行修正，并將每個土壤樣本的12條光譜曲線算術(shù)平均后得到該樣本的實際反射光譜數(shù)據(jù)(R)。為減少實驗室光學(xué)環(huán)境差異和磨樣過篩的影響，對所有的光譜數(shù)據(jù)采用Savitzky-Golay平滑處理[20]，為提高光譜靈敏度，對所有波段光譜數(shù)據(jù)進行一階微分(R′)、倒數(shù)(1/R)、倒數(shù)的一階微分[(1/R)′]、對數(shù)(lgR)、對數(shù)的一階微分[(lgR)′]、對數(shù)的倒數(shù)(1/lgR)、對數(shù)的倒數(shù)的一階微分[(1/lgR)′]的變換，同時結(jié)合R共8種光譜變量用來建立土壤有機碳含量預(yù)測模型。

1.6預(yù)測模型建立與驗證

利用單相關(guān)分析，得到8種光譜變量與土壤有機碳含量的相關(guān)系數(shù)，選擇相關(guān)系數(shù)大于0.6的特征波段，運用SPSS 17.0數(shù)據(jù)處理軟件對特征波段與土壤有機碳含量進行SMLR分析及PCR分析，同時利用Matlab R2015a軟件進行PLSR分析，建立土壤有機碳含量高光譜預(yù)測模型，并對預(yù)測模型進行驗證。

預(yù)測模型的驗證主要選用驗證樣本的決定系數(shù)(determination coefficient of validation dataset,Rv2)、均方根誤差(root mean squares error，RMSE)以及剩余估計偏差(relative prediction deviation，RPD)為模型評價參數(shù)，Rv2、RMSE及RPD[21]的計算公式如下：

(1)

(2)

RPD=STD/RMSE

(3)

2 結(jié)果與分析

2.1土壤有機碳含量與光譜變量的相關(guān)性分析

8種光譜變量與土壤有機碳含量在部分波段達到很好的相關(guān)性，相關(guān)系數(shù)絕對值|r|最大值均在0.6以上(圖2)。R與土壤有機碳含量在1580～1890 nm和2200～2224 nm波段呈微弱的正相關(guān)，在其他波段呈負相關(guān)，且存在高相關(guān)性的寬波段，lgR和土壤有機碳含量的相關(guān)性與R相似，1/R、1/lgR與土壤有機碳含量的相關(guān)性,與R和土壤有機碳相關(guān)性相反。R經(jīng)1/R、1/lgR變換后相關(guān)系數(shù)的絕對值并沒有得到提高，但對應(yīng)的微分變換形式使得部分波段與土壤有機碳的相關(guān)性得到了改善，尤其是在近紅外區(qū)域部分波段經(jīng)微分變換后由原來的不顯著水平而增強為極顯著水平(P=0.01)，且相關(guān)系數(shù)數(shù)值變化劇烈，呈正負波動起伏，說明微分變換可將近紅外波段范圍內(nèi)一些含有機碳光譜吸收特征的信息被釋放出來。微分變換形式與土壤有機碳有很強的相關(guān)性，相關(guān)系數(shù)絕對值最大值依次為0.865(R′)、0.854[(lgR)′]、0.799[(1/lgR)′]和0.787[(1/R)′]，且相關(guān)系數(shù)絕對值最大值均出現(xiàn)在1913 nm處。

圖2 光譜反射率及不同變換形式與土壤有機碳含量的相關(guān)性分析(n=52)Fig.2 Correlation analysis on SOC contents and raw reflectance and pre-processing transformations (n=52)

2.2高寒草地土壤有機碳含量SMLR、PCR、PLSR模型建立

表2～表4顯示了基于8種光譜變量的土壤有機碳含量SMLR、PCR、PLSR模型的精度評價結(jié)果。在SMLR模型中8種光譜變量建立的模型Rv2都很高(均在0.7以上)，但RMSE和RPD的值卻參差不齊。其中基于R′的模型Rv2最高，為0.885，RMSE值最低(10.101 g/kg)，RPD最高，為2.193，是8種模型中唯一一個大于2的，說明該模型具有很好的定量預(yù)測能力。因此，該模型為SMLR模型中的最佳模型。

SOC=0.227-76190.805×b1913-217348.163×b529+185766.881×b601

(4)

式中：SOC是有機碳含量的預(yù)測值，b1913，b529，b601是3個波段反射率的一階微分變換值。

PCR模型中基于微分變換形式建立的模型具有相對高的Rv2和RPD值及相對較低的RMSE，這種模型明顯優(yōu)于未進行微分變換的光譜變量所建立的模型。且在所有預(yù)測模型中，基于(lgR)′模型的Rv2值最高，為0.853，均方根誤差RMSE值最低(8.229 g/kg)，剩余估計偏差最高為2.692，說明該模型具有極好的預(yù)測能力，基于(lgR)′的模型為PCR模型中的最佳模型。

表2 土壤有機碳含量SMLR預(yù)測模型精度評價Table 2 Summary statistics of accuracy for SOC estimating models produced by SMLR

RMSE: 均方根誤差 The root mean square error.

在PLSR模型中，1/lgR經(jīng)過微分變換后的模型沒有提高反而降低了模型的精度，而R、1/R和lgR經(jīng)過微分變換后模型的精度有了很大的提升。所有模型中基于(lgR)′模型的Rv2值最高，為0.878，均方根誤差RMSE值最低(7.520 g/kg)，剩余估計偏差最高為2.946，因此基于(lgR)′建立的模型為PLSR模型中的最佳模型。

3種模型中，SMLR的Rv2較高，均大于0.7，但RPD相對較低且RMSE普遍較高，因此SMLR模型由于其準確度低不適合對本研究區(qū)土壤有機碳進行精確預(yù)測；而在PCR模型中微分變換形式對應(yīng)的Rv2較高(大于0.65)，RPD均大于1.4，RMSE相對較低，大部分微分變換形式所對應(yīng)的PCR模型比相應(yīng)的SMLR模型有了明顯的改善，其中利用(lgR)′建立的PCR模型，RMSE比對應(yīng)的SMLR模型降低了11.353 g/kg，同時RPD提高了1.561。對于PCA模型來說光譜微分變換是對光譜處理的有效手段，可以增強土壤有機碳含量的預(yù)測精度；PLSR模型除了利用R和(1/lgR)′建模時效果不佳外，其他變換形式建立的PLSR模型在3種模型中精度最高，Rv2普遍大于0.65，RMSE最低，RPD最高，且均大于1.8。相比較其他兩種模型，PLSR模型的RMSE降低幅度和RPD增加的幅度都很大，尤其是利用(lgR)′建立的預(yù)測模型比SMLR模型的RMSE降低12.062 g/kg，RPD提高了1.815。

2.3高寒草地土壤有機碳含量最佳預(yù)測模型選擇

對于R的不同變換形式中，利用R′建立的SMLR、PCR和PLSR三種不同回歸模型差異不大，RPD均大于2(2.193、2.03、2.374)，說明利用R′能很好地預(yù)測土壤有機碳含量，3種模型驗證集的Rv2都很高，分別為0.858、0.773、0.885，同時RMSE也較低(10.101，10.92，9.332 g/kg)說明利用R′是土壤有機碳含量預(yù)測中的穩(wěn)定參數(shù)。

基于R′的SMLR模型和基于(lgR)′的PCR及PLSR模型分別是3種回歸模型中的最優(yōu)土壤有機碳含量預(yù)測模型，這3個回歸模型光譜預(yù)測值與實測值之間均具有很好的相關(guān)性(表2～表4、圖3)，數(shù)據(jù)點都較為均勻地分布在1∶1直線的兩側(cè)，預(yù)測效果較好?？傮w來說由于基于(lgR)′的PLSR模型驗證樣本的Rv2較高，均方根誤差RMSE最小，剩余估計偏差RPD最高，因此該模型是研究區(qū)高寒草地土壤有機碳含量的最佳預(yù)測模型。

圖3 土壤有機碳SMLR、PCR、PLSR回歸最優(yōu)模型實測值與預(yù)測值比較Fig.3 Comparison of measured SOC contents and estimated SOC contents by SMRL、PCR、PLSR regression model

3 討論

3.1光譜微分變換對光譜與土壤有機碳含量相關(guān)性的改進

對光譜進行微分變換后可明顯增強其與土壤有機碳含量的相關(guān)性，很多研究結(jié)果也表明微分光譜能較好地消除土壤質(zhì)地、成土母質(zhì)等潛在因素對光譜的影響，可以增強光譜對有機碳的敏感性，使得一些原本被遮蔽的土壤有機碳光譜反射特征顯現(xiàn)出來[12,22-23]。在本研究中近紅外波段對光譜微分變換形式更加敏感，光譜微分變換前近紅外波段與土壤有機碳含量的|r|低(小于0.4)，且均低于可見光波段與土壤有機碳含量對應(yīng)的|r|值，但經(jīng)過微分變換后相關(guān)系數(shù)有明顯的增強，|r|超過可見光對應(yīng)的值。這進一步驗證了一些研究的結(jié)論：近紅外波段對于估算土壤有機碳含量具有相當大的潛力[24]。

光譜的其他變換形式對于相關(guān)系數(shù)影響不大，因而倒數(shù)變換、對數(shù)變換對于高寒草地土壤有機碳高光譜預(yù)測模型的改進來說意義不大。在所有的微分變換中，|r|的最大值均出現(xiàn)在1913 nm處，說明此波段是高寒草地土壤有機碳反演的敏感波段。

3.2高寒草地土壤有機碳含量預(yù)測光譜變量及最優(yōu)監(jiān)測模型的選擇

本研究涉及8種光譜變量，經(jīng)精度評價發(fā)現(xiàn)利用R′建立的SMLR、PCR和PLSR三種不同回歸模型均能很好地預(yù)測土壤有機碳含量，說明R′是預(yù)測土壤有機碳含量比較穩(wěn)定的參數(shù)，且在現(xiàn)有的對于土壤參數(shù)反演研究中R′是使用最廣泛的參數(shù)之一[20,25]，因此R′可以有效提高土壤參數(shù)預(yù)測模型的可靠性與普適性。綜合考慮8種光譜變量的3種回歸模型的精度驗證結(jié)果，本研究中(lgR)′的PLSR模型是所有模型中的最優(yōu)估算模型，驗證集的Rv2達到0.878，說明利用土壤的高光譜特性對高寒草地土壤有機碳含量進行估測具有可行性。對于不同區(qū)域不同土壤類型有機碳含量估測研究中(lgR)′使用也很廣泛[12-13,26]，說明(lgR)′對于土壤有機碳含量監(jiān)測來說是有效的光譜變換形式。本研究以甘南高寒草地土壤為對象，采用可見光/近紅外高光譜技術(shù)，在室內(nèi)進行土樣的光譜采集與分析，雖然野外采集的土壤樣本是從不同退化程度的高寒草地獲取的，包含不同的土壤類型，土壤有機碳含量范圍大(表1)，但建立的土壤有機碳含量反演最優(yōu)模型的RPD大于2.5，說明該模型有足夠的穩(wěn)定性可以應(yīng)用于其他類似的土壤有機碳含量監(jiān)測中。高寒草地土壤有機碳含量監(jiān)測模型的建立說明可見光/近紅外高光譜技術(shù)在土壤養(yǎng)分監(jiān)測中有良好的應(yīng)用前景，可以快速、準確、動態(tài)和經(jīng)濟地獲取土壤養(yǎng)分，同時隨著高光譜遙感的發(fā)展，結(jié)合土壤養(yǎng)分監(jiān)測模型，為土壤養(yǎng)分快速定量反演打下良好的基礎(chǔ)，利用機載和星載高光譜遙感數(shù)據(jù)有望實現(xiàn)大區(qū)域高寒草地土壤養(yǎng)分制圖。

3.3不同建模方法比較

3種模型中，PLSR模型驗證精度總體來說較高，對于高寒草地土壤有機碳含量的預(yù)測是比較理想的建模方法。PLSR在處理樣本容量小、自變量多、變量間存在嚴重多重相關(guān)性問題方面具有獨特的優(yōu)勢，集中了普通多元線性回歸、主成分分析、典型相關(guān)分析3種分析方法的優(yōu)點，能更有效地提取和利用光譜中的重要信息[6,27]。PCR模型對于微分變換的光譜變量來說預(yù)測效果較好，PCR模型結(jié)合光譜微分變換形式可以得到更高的模型估測精度；SMLR模型在3種模型中RMSE值相對較高、RPD相對較低，模型預(yù)測效果較差，可能由于土壤有機質(zhì)成分復(fù)雜，光譜特性很難用幾個波段解釋[27]。

4 結(jié)論

1)對光譜進行微分變換的方法，可以明顯提高光譜特征與土壤有機碳含量的相關(guān)性，在所有變換形式中，以R′與土壤有機碳相關(guān)性最好，|r|最大值為0.865，其次是(lgR)′、(1/lgR)′、(1/R)′，|r|最大值分別為0.854、0.799和0.787，這4種變換形式|r|最大值均出現(xiàn)在1913 nm處，說明1913 nm是土壤有機碳含量預(yù)測的敏感波段。

2)基于R′的SMLR、PCR和PLSR回歸模型Rv2較高，依次為0.885、0.773、0.858；均方根誤差均較低，依次為10.101，10.920，9.332 g/kg；而剩余估計偏差均達到2以上，說明用R′對土壤有機碳含量有很好的定量估測能力，用R′來估測高寒草地土壤有機碳含量是一個相對穩(wěn)定的參數(shù)。在本研究中基于(lgR)′建立的PLSR模型具有高的Rv2和RPD值以及低的RMSE值，是甘南高寒草地土壤有機碳含量的最優(yōu)預(yù)測模型。

3)3種多元回歸方法中，PLSR模型具有較高的Rv2和RPD及較小的RMSE是理想的土壤有機碳含量的預(yù)測建模方法。

References：

[1] Wang W H. The problem and countermeasure of grassland in Gannan Prefecture. Yangtze River, 2009, 40(7): 36-37.

王文浩. 甘南草原面臨的問題及對策. 人民長江, 2009, 40(7): 36-37.

[2] Li S L, Chen Y J, Guan S Y,etal. Relationships between soil degradation and rangeland degradation. Journal of Arid Land Resources and Environment, 2002, 16(1): 92-95.

李紹良, 陳有君, 關(guān)世英, 等. 土壤退化與草地退化關(guān)系的研究. 干旱區(qū)資源與環(huán)境, 2002, 16(1): 92-95.

[3] Gao Y Z, Han X G, Wang S P. The effects of grazing on grassland soils. Acta Ecologica Sinica, 2004, 24(4): 790-797.

高英志, 韓興國, 汪詩平. 放牧對草原土壤的影響. 生態(tài)學(xué)報, 2004, 24(4): 790-797.

[4] Lu R K. Principles of Soil-Plant Nutrition and Fertilization[M]. Beijing: Chemical Industry Press, 1998.

魯如坤. 土壤-植物營養(yǎng)學(xué)[M]. 北京: 化學(xué)工業(yè)出版社, 1998.

[5] Zhou H K, Zhao X Q, Wen J,etal. The characteristics of soil and vegetation of degenerated alpine steppe in the Yellow River Source Region. Acta Prataculturae Sinica, 2012, 21(5): 1-11.

周華坤, 趙新全, 溫軍, 等. 黃河源區(qū)高寒草原的植被退化與土壤退化特征. 草業(yè)學(xué)報, 2012, 21(5): 1-11.

[6] Yu L, Hong Y S, Geng L,etal. Hyperspectral estimation of soil organic matter content based on partial least squares regression. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(14): 103-109.

于雷, 洪永勝, 耿雷, 等. 基于偏最小二乘回歸的土壤有機質(zhì)含量高光譜估算. 農(nóng)業(yè)工程學(xué)報, 2015, 31(14): 103-109.

[7] Meng J H, Wu B F, Du X,etal. A review and outlook of applying remote sensing to precision agriculture. Remote Sensing for Land & Resources, 2011, (3): 1-7.

蒙繼華, 吳炳方, 杜鑫, 等. 遙感在精準農(nóng)業(yè)中的應(yīng)用進展及展望. 國土資源遙感, 2011, (3): 1-7.

[8] Al-Abbas A H, Swain P H, Baumgarder M F. Relating organic matter and clay content to the multispectral radiance of soils. Soil Science, 1972, 114(6): 447-485.

[9] Galv?o L S, Pizarro M A, Epiphanio J C N. Variations in reflectance of tropical soils: spectral-chemical composition relationships from AVIRIS data. Remote Sensing of Environment, 2001, 75(2): 245-255.

[10] Cambou A, Cardinael R, Kouakoua E,etal. Prediction of soil organic carbon stock using visible and near infrared reflectance spectroscopy (VNIRS) in the field. Geoderma, 2016, 261: 151-159.

[11] Ji W J, Li X, Li C X,etal. Using different data mining algorithms to predict soil organic matter based on visible-near infrared spectroscopy. Spectroscopy and Spectral Analysis, 2012, 32(9): 2393-2398.

紀文君, 李曦, 李成學(xué), 等. 基于全譜數(shù)據(jù)挖掘技術(shù)的土壤有機質(zhì)高光譜預(yù)測建模研究. 光譜學(xué)與光譜分析, 2012, 32(9): 2393-2398.

[12] Wang X P, Zheng X P, Liu F J,etal. Analysis and extraction soil organic matter information based on hyperspectral remote sensing. Geospatial Information, 2012, 10(5): 75-78.

王小攀, 鄭曉坡, 劉福江, 等. 高光譜遙感土壤有機質(zhì)含量信息提取與分析. 地理空間信息, 2012, 10(5): 75-78.

[13] Chen H Y, Zhao G X, Zhang X H,etal. Improving estimation precision of soil organic matter content by removing effect of soil moisture from hyperspectra. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(8): 91-100.

陳紅艷, 趙庚星, 張曉輝, 等. 去除水分影響提高土壤有機質(zhì)含量高光譜估測精度. 農(nóng)業(yè)工程學(xué)報, 2014, 30(8): 91-100.

[14] Zhou L, Xin X P, Li G,etal. Application progress on hyperspectral remote sensing in grassland monitoring. Pratacultural Science, 2009, 26(4): 20-27.

周磊, 辛?xí)云? 李剛, 等. 高光譜遙感在草原監(jiān)測中的應(yīng)用. 草業(yè)科學(xué), 2009, 26(4): 20-27.

[15] Qian Y R, Yu J, Jia Z H,etal. Extraction and analysis of hyper-spectral data from typical desert grassland in Xinjiang. Acta Prataculturae Sinica, 2013, 22(1): 157-166.

錢育蓉, 于炯, 賈振紅, 等. 新疆典型荒漠草地的高光譜特征提取和分析研究. 草業(yè)學(xué)報, 2013, 22(1): 157-166.

[16] Xu J, Wu H Q, Jiang P A,etal. Soil spectral property of Xinjiang Grassland. Acta Agrestia Sinica, 2014, 22(5): 980-985.

胥靜, 武紅旗, 蔣平安, 等. 新疆典型草地土壤光譜特征研究. 草地學(xué)報, 2014, 22(5): 980-985.

[17] Cui X, Liang T G, Liu Y. Modeling of aboveground biomass of grassland using remotely sensed MOD09GA data. Journal of Lanzhou University: Natural Sciences, 2009, 45(5): 79-87.

崔霞, 梁天剛, 劉勇. 基于MOD09GA產(chǎn)品的草地生物量遙感估算模型. 蘭州大學(xué)學(xué)報: 自然科學(xué)版, 2009, 45(5): 79-87.

[18] Bao S D. Soil and Agriculture Chemistry Analysis[M]. Beijing: China Agriculture Press, 1999: 30-34.

鮑士旦. 土壤農(nóng)化分析[M]. 北京: 中國農(nóng)業(yè)出版社, 1999: 30-34.

[19] Shi T, Cui L, Wang J,etal. Comparison of multivariate methods for estimating soil total nitrogen with visible/near-infrared spectroscopy. Plant and Soil, 2013, 366: 363-375.

[20] Shi Z, Wang Q L, Peng J,etal. Development of a national VNIR soil-spectral library for soil classification and prediction of organic matter concentrations. Science China: Earth Sciences, 2014, 44(5): 978-988.

史舟, 王乾龍, 彭杰, 等. 中國主要土壤高光譜反射特性分類與有機質(zhì)光譜預(yù)測模型. 中國科學(xué): 地球科學(xué), 2014, 44(5): 978-988.

[21] Nocita M, Stevens A, Toth G,etal. Prediction of soil organic carbon content by diffuse reflectance spectroscopy using a local partial least square regression approach. Soil Biology & Biochemistry, 2014, 68: 337-347.

[22] Sun J Y, Li M Z, Zheng L H,etal. Real time analysis of soil moisture, soil organic matter, and soil total nitrogen with NIR spectra. Spectroscopy and Spectral Analysis, 2006, 26(3): 426-429.

孫建英, 李民贊, 鄭立華, 等. 基于近紅外光譜的北方潮土土壤參數(shù)實時分析. 光譜學(xué)與光譜分析, 2006, 26(3): 426-429.

[23] Hou Y J, Tashpolat T, Mamat S,etal. Estimation model of desert soil organic matter content using hyperspectral data. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(16): 113-120.

侯艷軍, 買買提, 沙吾提, 等. 荒漠土壤有機質(zhì)含量高光譜估算模型. 農(nóng)業(yè)工程學(xué)報, 2014, 30(16): 113-120.

[24] Morra M J, Hall M H, Freeborn L L. Carbon and nitrogen analysis of soil fractions using near-infrared reflectance spectroscopy. Soil Science Society of America Journal, 1991, 55(1): 288-291.

[25] Guo Y, Cheng Y Z, Wang L G,etal. Predication and mapping of soil organic matter content using hyperspectra and GF-1 multi-spectral. Chinese Journal of Soil Science, 2016, 47(3): 537-542.

郭燕, 程永政, 王來剛, 等. 利用高光譜和 GF-1 模擬多光譜進行土壤有機質(zhì)預(yù)測和制圖研究. 土壤通報, 2016, 47(3): 537-542.

[26] Zhou P, Wang R S, Yan B K,etal. Extraction of soil organic matter information by hyperspectral remote sensing. Progress in Geography, 2010, 27(5): 27-34.

周萍, 王潤生, 閻柏琨, 等. 高光譜遙感土壤有機質(zhì)信息提取研究. 地理科學(xué)進展, 2010, 27(5): 27-34.

[27] Liu L, Shen R P, Ding G X. Studies on the estimation of soil organic matter content based on hyper-spectrum. Spectroscopy and Spectral Analysis, 2011, 31(3): 762-766.

劉磊, 沈潤平, 丁國香. 基于高光譜的土壤有機質(zhì)含量估算研究. 光譜學(xué)與光譜分析, 2011, 31(3): 762-766.

Estimationofsoilorganiccarboncontentinalpinegrasslandusinghyperspectraldata

CUI Xia1*, SONG Qing-Jie1, ZHANG Yao-Yao1, XU Gang2, MENG Bao-Ping2, GAO Jin-Long2

1.KeyLaboratoryofWesternChina’sEnvironmentalSystems(MinistryofEducation),CollegeofEarthandEnvironmentalSciences,LanzhouUniversity,Lanzhou730000,China; 2.StateKeyLaboratoryofGrasslandAgro-ecosystems,CollegeofPastoralAgricultureScienceandTechnology,LanzhouUniversity,Lanzhou730020,China

Soil degradation is often reflects grassland degradation. Monitoring soil organic carbon (SOC) content over large areas using remote sensing technology can help assess soil condition allowing better understanding of grassland degradation. Alpine grassland in the Gannan Prefecture was selected for this research. NIR-Visible spectral reflectance of grassland soil samples was measured using ASD (analytical spectral devices) spectroradiometer under laboratory conditions. Correlation analyses between eight transformations of soil spectral reflectance and SOC content were undertaken and sensitive wavebands selected. Three multivariate regression techniques (stepwise multiple linear regression, SMLR, principal components regression, PCR, partial least squares regression, PLSR) were compared with the aim of identifying the best inversion model to estimate alpine grassland SOC. The determination coefficient of validation dataset (Rv2), the root mean square error (RMSE), and the residual prediction deviation (RPD) were used to evaluate the models. The result indicated that differential transformation could improve the correlation between spectral characteristics and SOC content. The first derivative of reflectance had the best correlation with SOC content during transformation, the maximum correlation coefficient value was 0.865; Three multivariate regression models based on the first derivative of reflectance had excellent SOC prediction capability and recommended as a good spectral transformation for reliably estimating SOC. Comparing the multivariate regression techniques based on all transformations, PLSR performed best (highRv2and RPD, low RMSE), which suggests that PLSR is the most suitable method for estimating SOC content in this study. The optimal SOC estimation model of Gannan alpine grassland was the combination of PLSR and the first derivative of log reflectance spectra [(lgR)′], providing a relatively high coefficient of determination for the validation set (Rv2=0.878), the highest residual prediction deviation (RPD=2.946) and the lowest root mean square error (RMSE=7.520). The RPD of the optimal model was higher than 2.5, which suggested that the model was robust and stable enough to be applied for estimation of SOC in other areas.

hyperspectral; spectral pre-processing; stepwise multiple linear regression; principal components regression; partial least squares regression

10.11686/cyxb2016509http//cyxb.lzu.edu.cn

崔霞, 宋清潔, 張瑤瑤, 胥剛, 孟寶平, 高金龍. 基于高光譜數(shù)據(jù)的高寒草地土壤有機碳預(yù)測模型研究. 草業(yè)學(xué)報, 2017, 26(10): 20-29.

CUI Xia, SONG Qing-Jie, ZHANG Yao-Yao, XU Gang, MENG Bao-Ping, GAO Jin-Long. Estimation of soil organic carbon content in alpine grassland using hyperspectral data. Acta Prataculturae Sinica, 2017, 26(10): 20-29.

2016-12-30；改回日期：2017-03-31

國家自然科學(xué)基金 (41401472)和蘭州大學(xué)中央高?；究蒲袠I(yè)務(wù)費專項資金(lzujbky-2015-140)資助。

崔霞(1984-)，女，甘肅民勤人，講師，博士。

*通信作者Corresponding author. E-mail:xiacui2006@163.com