鄭曼迪 熊黑鋼 喬娟峰 劉靖朝

摘要： 為尋求同一背景不同人類干擾程度下的土壤有機質含量的最佳預測模型，本研究以天山北麓的土壤為研究對象，運用Landsat8遙感影像以及實測光譜2種方式進行對比，結合不同的綜合光譜指數(shù)，對無人干擾區(qū)、人為干擾區(qū)的影像反射率和實測光譜反射率進行光譜變換，分析反射率及其變換形式與有機質含量的相關性，以相關系數(shù)通過0.01和0.05顯著性水平檢驗的波段作為自變量，運用多元線性回歸方程分別建立了無人干擾區(qū)、人為干擾區(qū)土壤有機質含量高光譜預測模型，精度最高的為最優(yōu)模型。結果表明：（1） Landsat8影像中B1—B5波段與有機質含量的相關系數(shù)通過了0.01與0.05顯著性水平檢驗，作為自變量建立有機質含量預測模型。同時，為了能與影像反射率有個良好的對比，實測光譜反射率及其變換形式同樣也選擇5個相關系數(shù)最大的波段作為敏感波段用以建立模型。在影像與實測光譜中，土壤鹽分指數(shù)結合植被指數(shù)與有機質含量相關性最好的分別是無人干擾區(qū)的SI3、DVI和SI3、RVI;人為干擾區(qū)的SI2、RVI和SI1、RVI。在結合光譜綜合指數(shù)的模型中，無論是影像還是實測光譜，都是以反射率與植被指數(shù)、鹽分指數(shù)相結合作為自變量建立的模型精度最好。對比2種預測方式，預測效果最好的是利用實測光譜與鹽分指數(shù)、植被指數(shù)建立的無人干擾區(qū)一階微分的多元線性回歸模型以及人為干擾區(qū)的倒數(shù)之對數(shù)一階微分的多元線性回歸模型，R2分別為0.93和0.89。

關鍵詞：干旱區(qū);遙感;高光譜;土壤有機質;估算模型

中圖分類號：F301.24

文獻標識碼：A

文章編號： 1000-4440（2018）05-1048-09

人類活動的方式、程度以及持續(xù)的時間對土壤肥力和土壤生態(tài)系統(tǒng)基本生物生產能力產生重要的影響，使得土壤水分、鹽分、有機質、電導率、pH等指標發(fā)生較大變化，從而土壤的理化性質發(fā)生改變。光譜指數(shù)是指由某些特定多光譜或高光譜遙感數(shù)據(jù)波段的反射率線性或非線性組合構成的一種光譜參數(shù)。光譜指數(shù)波段組合的選取需參照一定的物理基礎，能部分消除環(huán)境背景如非植被目標土壤、水體等的光譜影響，在此基礎上建立的多波段光譜植被指數(shù)所體現(xiàn)的光譜信息比單波段具有更好的靈敏性，統(tǒng)計分析結果更加精確。而綜合光譜指數(shù)指的是土壤鹽分指數(shù)與植被指數(shù)的總稱。近年來部分國內外學者通過運用歸一化指數(shù)以及差值指數(shù)對土壤鹽分、有機質、全氮、速效氮、有效磷、含水量進行預測，預測效果都優(yōu)于以原始光譜反射率以及光譜變換為自變量的預測模型。利用高光譜植被指數(shù)（MSI）可以很好地反映土壤全磷、鹽分含量的變化，歸一化植被指數(shù)（NDVI）可用于初步反映土壤pH值的變化，用以建立模型預測pH值，精度分別達到0.488、- 0.818、-0.599。

研究結果表明采用光譜波段組合技術對預測土壤有機質含量的研究已經較為成熟，但是絕大部分的研究都是以人類干擾的土壤作為研究對象，且以原始光譜反射率及其變換形式的敏感波段為自變量建立預測模型，很少有對同一背景下，不同程度人類干擾的區(qū)域進行以綜合光譜指數(shù)為自變量的有機質含量預測對比，以分析人類干擾程度對土壤有機質影響的差異。本研究通過運用實測光譜反射率與Landsat8影像反射率及其變換形式結合鹽分指數(shù)、植被指數(shù)，分別建立了有、無人類干擾的土壤有機質預測模型，并對比尋求其最佳的模型。為今后準確預測不同程度人類干擾下土壤有機質含量，獲取土壤肥力相關信息提供依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于天山北麓與準噶爾盆地南緣（87°40'—87°70'E，44°12～45°00'N）。氣候屬于典型的溫帶大陸性氣候，夏季炎熱冬季寒冷，降水稀少，年降水量164mm，年蒸發(fā)潛力2000mm左右。土壤類型有灰漠土、龜裂土、沙土。因本研究對比人類干擾與否對土壤有機質含量預測的差異，所以將研究區(qū)分為A、B兩區(qū)，兩區(qū)通過一條巨大的水渠相隔開來。A區(qū)因距離人類居住區(qū)較遠沒有被開發(fā)利用，表層有少量原生植被。B區(qū)位于新疆生產建設兵團102團附近，人類活動較為頻繁，近些年來大部分土地開始作為林地（包括人工梭梭林地、榆樹林地、育苗地）被開發(fā)利用，由于是普通林地，所以只是翻耕并沒有施加肥料。

1.2 樣本采集與光譜測量

在研究區(qū)A區(qū)由南向北布設5條間距600～800m的東西向采樣線.B區(qū)布設6條間距800～1000 m的采樣線。在每條采樣線上選擇5個具有代表性的采樣點，其間距為300—1000 m，并對55個采樣點進行GPS定位（圖1）。采集時間為2014年6月。A區(qū)表層有少部分原生植被，B區(qū)多為林地、育苗地，也有少量草本植物，所以表層采集所得的光譜是土壤與少量植被的混合光譜。由于土壤光譜主要反映其表層的性質，所以采用0—20cm的土壤有機質含量進行分析。土樣經過研磨、過篩等預處理之后送至中國科學院新疆生態(tài)與地理研究所進行有機質含量的測定。

光譜測量采用美國ASD公司生產的便攜式Field-Spec@ 3Hi-Res光譜儀，光譜有效范圍：350—2500 nm，分析軟件采用ASD View Spec Pro。光譜測量采用野外實測方法，為了避免天氣對光譜造成的不利影響，試驗選在11∶00-15∶00（當?shù)貢r間），晴朗少云、無風的天氣進行。每次采集光譜前對光譜儀進行白板校正以去除暗電流的影響。采用25度視場角探頭，且距土壤樣品15cm處垂直角度進行光譜采集。在每個采樣點周圍2m范圍采用梅花樁采樣法選取5個土壤背景相近的位置采集光譜，每個位置重復測量10次，得到的50條光譜曲線的平均值即為該采樣點的實測光譜值。

1.3 光譜預處理

在數(shù)據(jù)分析之前，通過Savitzky-Golay平滑法對光譜進行平滑處理，消除光譜曲線噪聲可能引起的誤差，并對原始光譜進行一階微分（R'）、倒數(shù)之對數(shù)一階微分[（lgl/R）']的變換，用于探討適合有無人類干擾的土壤有機質含量高精度預測模型的最佳光譜變換形式。

1.4 影像數(shù)據(jù)

本研究選取Landsat8_OLI影像，OLI陸地成像儀共有9個波段，包括了ETM+傳感器的所有波段，增加了藍色波段（B1）和短紅外波段（B9）2個波段，其中B8是分辨率為15 m的全色波段。本研究選取的是2014年6月的遙感影像，云量為0，去除影像的B8、B9波段，保留分辨率為30 m的前7個波段進行處理。使用EN-VI5.1軟件進行所需區(qū)域的裁剪、輻射定標、幾何校正以及大氣校正。由于獲取影像信息時會受到大氣中水汽、氣溶膠等因素的影響使得波段的噪聲增加、信息模糊，所以使用IIAASH大氣校正消除這些噪聲，降低鄰近像元之間的輻射干擾，也可以調整由于人為抑制而導致的波譜平滑10]，最后獲取近似地表真實反射率的影像。將經試驗測得的有機質含量與預處理后遙感影像一同導入Arcgis軟件中，運用軟件中的Extraction工具提取每個采樣點對應的DN值。因影像已經過大氣校正，所以影像像元的DN值即為反射率值，范圍是0～l。實測光譜是采用間隔2m的梅花樁采樣法進行測量的，而遙感影像的分辨率為30 mx30 m，為使遙感影像中對應的采樣點有較為準確的值且與實測光譜數(shù)據(jù)有一個尺度上的良好對應，在每一個采樣點坐標及其附近共提取6個反射率的值，經過平均之后即為此采樣點的影像反射率值。

1.5 綜合光譜指數(shù)的計算與提取

本研究選取5種土壤鹽分指數(shù)[鹽分指數(shù)l（SI2、鹽分指數(shù)2（SI2）），鹽分指數(shù)3（S/3），歸一化鹽分指數(shù)（NDSI），亮度指數(shù)（BI）]進行對比，以及選取3種植被指數(shù)[簡單比值植被指數(shù)（RVI）、歸一化植被指數(shù)（NDVI）、差值植被指數(shù)（DVI）]進行對比，計算方法見表1。將實測光譜反射率代人表l中的計算公式得出由光譜計算得到的鹽分指數(shù)和植被指數(shù)。運用ENVI5.1軟件對遙感影像通過表1中的計算公式進行波段計算，得出的圖像再利用Arcgis軟件提取各采樣點的鹽分指數(shù)和植被指數(shù)。

1.6 模型檢驗

模型檢驗通過修正自由度的可決定系數(shù)（R2）、均方根誤差（RMSE）、相對分析誤差（RPD）等指標衡量模型的精度。R2反映預測值解釋實測值變化的程度，RMSE用來檢驗模擬值和實測值的符合度。R2越大，RMSE越小，說明模型的精度越高，反之亦然。RPD>2.0時，表明模型具有很好的預測能力：當1.4

RPD=樣本標準差/RMSE （3）

式中：Xi為觀測值;X'為真實值;n為觀測次數(shù)。

2 結果與分析

2.1 土壤有機質含量與鹽分含量的相關性

無人干擾區(qū)和人為干擾區(qū)有機質含量與鹽分含量呈負相關，相關系數(shù)分別達到-0.867和-0.803，且均呈現(xiàn)極顯著相關關系（表2）。人為干擾區(qū)因為有頻繁的人類活動，破壞土壤結皮，土壤中的水分蒸發(fā)較為強烈，土壤深層的鹽分會向上移動，聚集在土壤表層，另外該地區(qū)的降水較少，很難將表層的鹽分淋洗至下層，使得表層鹽分含量高于無人干擾區(qū)。土壤有機質大部分來源于動植物以及微生物殘體，鹽分過高的區(qū)域，不利于動植物生存，即動植物、微生物殘體質量過少，有機質含量較少，因此出現(xiàn)土壤鹽分越高，有機質含量越少的現(xiàn)象。

2.2 實測光譜反射率及其變換形式與有機質含量的相關性

無人干擾區(qū)與人為干擾區(qū)的原始光譜所有波段與有機質含量的相關性都沒有通過0.01水平的顯著性檢驗（圖2a、圖2d）。原因首先是原始光譜反射率是在野外實測的，加之土壤表層還有少量植被，對測量土壤光譜的影響較大，其次是反射率在可見光區(qū)的光譜差異較小，因光照條件變化引起的乘性因素以及光譜儀本身的低頻噪聲帶來的影響較大。通過對實測光譜進行一階微分（R）和倒數(shù)的對數(shù)一階微分[（lgl/R）]處理后，有部分波段通過0.01水平的顯著性檢驗（圖2b、圖2c、圖2e、圖2f）。這是由于高光譜微分分析對于光譜信噪比十分敏感，采用導數(shù)光譜技術可以消除光譜數(shù)據(jù)之間的系統(tǒng)誤差，減弱大氣輻射、散射和吸收對目標光譜的影響，以便提取可識別地物的光譜吸收峰參數(shù)（波長位置、深度、寬度和吸收光譜指數(shù)等）17-18。有少部分的波段位于水分吸收帶（1300～1420 nm、1820—1970nm及2350—2500 nm），對光譜反演有機質含量的精準性有較大影響，不適用于作為土壤有機質含量高光譜估測模型的特征波段，于是在反演過程中剔除了位于水分吸收帶的波段。選擇其中相關系數(shù)較大的5個波段作為敏感波段用以建立有機質含量的預測模型（表3）。

2.3 遙感影像反射率及其變換形式與有機質含量的相關性

從Landsat8遙感影像中獲取采樣點影像反射率的B1～B7波段，并對其做一階微分（R ）、倒數(shù)之對數(shù)一階微分[（lgl/R）]的微分變換處理，分別與有機質含量做相關性分析（表4）。無人干擾區(qū)與人為干擾區(qū)的原始影像反射率與有機質含量呈負相關，經過一階微分以及倒數(shù)對數(shù)一階微分之后，相關性有明顯的增加，原因是導數(shù)光譜運算可以體現(xiàn)特定地物某階導數(shù)具有明顯區(qū)別于其他地物的特征，對于M階導數(shù)光譜來說，會將增加N—2M個波段，信息量顯著增加，所以運用導數(shù)光譜技術來提取可識別地物的光譜信息，用以建立預測模型效果較為顯著。其中無人干擾區(qū)與人為干擾區(qū)的一階微分B1～B5波段通過了0.01顯著性水平檢驗。

2.4 土壤鹽分指數(shù)、植被指數(shù)與有機質含量的相關性

將影像和光譜反射率代入表l中的計算公式計算得出的土壤鹽分指數(shù)與無人干擾區(qū)以及人為干擾區(qū)的有機質含量呈負相關，植被指數(shù)與其呈正相關（表5）。這是由于土壤有機質大部分來源于動植物以及微生物殘體，鹽分過高的區(qū)域，不利于植物和生物生存，即動植物、微生物殘體質量過少，有機質含量較少，因此出現(xiàn)土壤鹽分越高，有機質含量越少的現(xiàn)象。而植被的生長以及其殘體都是有利于積累有機質的過程，所以植被指數(shù)與有機質呈現(xiàn)了正相關的關系。本研究選擇與有機質含量相關系數(shù)最大的鹽分指數(shù)、植被指數(shù)，即影像光譜指數(shù)選用無人干擾區(qū)的SI3、DVI，人為干擾區(qū)的SI2、RVI;由實測光譜反射率所計算的光譜指數(shù)選用無人干擾區(qū)的S/3、RVI與人為干擾區(qū)的SI1、RVI指數(shù)來建立有機質含量預測模型。

2.5 不同人類干擾程度有機質含量預測模型

選用KS（Kennard-Stone）算法，計算出各個樣品有機質含量之間的歐氏距離，按照3：2的比率劃分為建模集和檢驗集（表6）。

2.5.1 基于影像反射率的有機質含量預測模型無論什么變換形式，無人干擾區(qū)與人為干擾區(qū)影像各波段的反射率與有機質含量的相關性都是B1～B5的相關系數(shù)相對較大，原因是B1～B5的波段范圍為0.433～0.885nm，有機質在其范圍內對光譜的響應較好.所以在建立模型時選擇影像B1～B5波段的反射率。以影像反射率及其變換形式分別與土壤鹽分指數(shù)、植被指數(shù)結合為自變量，有機質含量為因變量，建立有機質含量的多元線性回歸模型（表7）。為了比較模型的精度與可靠性，計算了模型的決定系數(shù)R2、均方根誤差RMSE以及相對分析誤差RPD 3項指標。

整體上，無人干擾區(qū)的模型精度都優(yōu)于人為干擾區(qū)，原因是無人干擾區(qū)保留了土壤鹽分和有機質的原始分布情況，而人為干擾區(qū)因為頻繁的人類活動打破了這種分布，使得鹽分與有機質分布較為復雜。

在所有只利用影像反射率及其變換形式的模型中，無人干擾區(qū)與人為干擾區(qū)的模型精度大小均呈現(xiàn)一階微分>倒數(shù)對數(shù)一階微分>原始影像反射率的規(guī)律。在各類變換形式中，4種不同自變量建立的模型精度大小排列：鹽分指數(shù)+植被指數(shù)>植被指數(shù)>鹽分指數(shù)>原始影像反射率及其變換形式，且無人干擾區(qū)與人為干擾區(qū)預測效果最好的均是一階微分與鹽分指數(shù)、植被指數(shù)相結合建立的模型，R2分別為0. 86和0.81.RPD為1.96、1.83。

2.5.2 基于實測光譜反射率的有機質含量預測模型 為使利用遙感影像反射率、實測光譜反射率及其變換形式與土壤鹽分指數(shù)、植被指數(shù)結合建立的模型有良好的對比性，選擇5個敏感波段及其變換形式作為自變量，與鹽分指數(shù)和植被指數(shù)，建立多元線性回歸預測模型（表8）。

整體上，無人干擾區(qū)的建模效果優(yōu)于人為干擾區(qū)。在各類變換形式下的4種模型中，實測光譜反射率及其變換形式與土壤鹽分指數(shù)、植被指數(shù)結合為自變量的模型精度要優(yōu)于其他3種自變量。其中無人干擾區(qū)、人為干擾區(qū)中分別是一階微分、倒數(shù)之對數(shù)一階微分預測效果最好，R2分別較影像反射率預測最佳的模型精度提升了0.07和0.08，RPD提升了0.20、0.22。

對比以上2種建模方式，首先提取Landsat8影像反射率時為了減小影像分辨率帶來的誤差，在采樣點附近提取了6個不同位置的反射率值，平均后的值即為該采樣點的影像反射率，但是以其建立出的模型精度還是略低于實測光譜反射率。原因可能是（1） Landsat8 0LI影像的時間分辨率為16d，本研究選取的影像是最接近于采樣日期的，但還是會有一定誤差：（2）大氣氣溶膠通過對太陽輻射和紅外輻射的吸收和散射，造成地一氣系統(tǒng)輻射收支的改變，氣溶膠對輻射的吸收和散射作用，可直接干擾光學傳感器的信號接收。除了氣溶膠的影響之外，大氣中的水汽也是影響遙感影像的一個主要因素，在遙感影像預處理中進行了能消除以上因素影響的FIAASH大氣校正，但是大氣校正會直接影響到反射率的精度，造成根據(jù)實測光譜反射率建立的模型精度優(yōu)于影像反射率的結果。其次在相同的光譜變換形式中，對比以不同自變量建立的模型精度，無論是基于影像還是實測光譜，自變量都是反射率及其變換形式與土壤鹽分指數(shù)、植被指數(shù)建立的模型效果是最優(yōu)的，較不結合土壤鹽分指數(shù)、植被指數(shù)為自變量的模型精度有很大的提升。綜合這2種預測方式，預測效果最好的是利用實測光譜與鹽分指數(shù)、植被指數(shù)建立的無人干擾區(qū)一階微分的多元線性回歸模型以及人為干擾區(qū)的倒數(shù)之對數(shù)一階微分的多元線性回歸模型，R2分別為0.93和0.89。

3 討論

本研究通過相關性分析選擇Landsat8影像中B1～B5波段以及實測光譜相關系數(shù)最大的5個波段分別作為自變量，結合鹽分指數(shù)、植被指數(shù)建立無人干擾區(qū)、人為干擾區(qū)有機質含量的多元線性回歸方程。結果表明，在影像與實測光譜中，土壤鹽分指數(shù)結合植被指數(shù)與有機質含量相關性最好的分別是無人干擾區(qū)的S/3、DVI和SI3、RVI;人為干擾區(qū)的SI2、RVI和SI1、RVI。在影像反射率的各類變換形式中，4種不同自變量建立的模型精度呈現(xiàn)鹽分指數(shù)+植被指數(shù)>植被指數(shù)>鹽分指數(shù)>原始影像反射率及其變換形式的規(guī)律，且無人干擾區(qū)和人為干擾區(qū)預測效果最好的均是一階微分與鹽分指數(shù)、植被指數(shù)相結合建立的模型，R2分別為0.86和0.81，RPD為1.96、1.83。實測光譜反射率及其變換形式與綜合光譜指數(shù)相結合建立的模型精度大小為：鹽分指數(shù)+植被指數(shù)>鹽分指數(shù)>植被指數(shù)>原始影像反射率及其變換形式，模型精度最高的是無人干擾區(qū)的一階微分、人為干擾區(qū)的倒數(shù)之對數(shù)一階微分，R2分別為0.93和0.89。

本研究將實測光譜反射率結合光譜指數(shù)預測無人干擾區(qū)、人為干擾區(qū)的有機質含量，獲得了對于該區(qū)域的最佳模型。但由于實測土壤反射光譜特征的影響因素較多，所建模型的預測精度以及普適性會受到一定的限制。因此，在下一步工作中，需要充分考慮其他因素的綜合影響，建立引入其他理化參數(shù)的有機質光譜預測模型，例如從高分辨率的遙感影像提取各類參數(shù)，或者對參數(shù)進行改進等，同時還可以加大預測尺度，大幅度增加采樣點的個數(shù)以及區(qū)域面積，進一步提升預測的普適性以及精準性。