曹肖奕，丁建麗?，葛翔宇，王敬哲

基于光譜指數(shù)與機(jī)器學(xué)習(xí)算法的土壤電導(dǎo)率估算研究

曹肖奕1，2，3，丁建麗1，2，3?，葛翔宇1，2，3，王敬哲1，2，3

（1. 新疆大學(xué)資源與環(huán)境科學(xué)學(xué)院，烏魯木齊 830046；2.新疆大學(xué)綠洲生態(tài)教育部重點(diǎn)實(shí)驗(yàn)室，烏魯木齊 830046；3. 新疆大學(xué)智慧城市與環(huán)境建模自治區(qū)普通高校重點(diǎn)實(shí)驗(yàn)室，烏魯木齊 830046）

土壤鹽分是干旱區(qū)土壤鹽漬化評價(jià)的重要指標(biāo)。以新疆維吾爾自治區(qū)渭干河-庫車河三角洲綠洲為例，基于土壤電導(dǎo)率（Electrical conductivity，EC）及可見光-近紅外（Visible and near infrared，VIS-NIR）光譜數(shù)據(jù)，通過蒙特卡洛交叉驗(yàn)證（Monte Carlo cross validation，MCCV）確定364個(gè)有效樣本。采用原始光譜（Raw reflectance，R）及其經(jīng)過微分、吸光度（Absorbance，Abs）、連續(xù)統(tǒng)去除（Continuum removal，CR）等6種預(yù)處理后的數(shù)據(jù)構(gòu)建光譜指數(shù)?；阱噙x出的21個(gè)最優(yōu)指數(shù)，采用BP神經(jīng)網(wǎng)絡(luò)（Back propagation neural network，BPNN）、支持向量機(jī)（Support vector machine，SVM）、極限學(xué)習(xí)機(jī)（Extreme learning machine，ELM）三種算法對EC進(jìn)行估算，并引入偏最小二乘回歸（Partial least squares regression，PLSR）進(jìn)行比較。結(jié)果表明：在基于R與6種光譜預(yù)處理數(shù)據(jù)構(gòu)建的21個(gè)最優(yōu)光譜指數(shù)之中，R_FD_RSI（R1913，R2142）表現(xiàn)最佳（= 0.649）；與PLSR相比，機(jī)器學(xué)習(xí)算法能夠顯著提高模型的估算精度，2提高了34.55%。三種機(jī)器學(xué)習(xí)算法模型中，ELM表現(xiàn)最優(yōu)（2= 0.884，RMSE = 3.071 mS·cm–1，RPIQ = 2.535）。本研究中所構(gòu)建的光譜指數(shù)在兼顧遙感機(jī)理的同時(shí)能深度挖掘更多的隱含信息，并且基于機(jī)器學(xué)習(xí)算法的土壤EC估算模型精度顯著提高，為干旱區(qū)土壤鹽分定量估算提供了科學(xué)參考。

光譜；土壤電導(dǎo)率；光譜預(yù)處理；光譜指數(shù)；機(jī)器學(xué)習(xí)

土壤鹽漬化是干旱半干旱地區(qū)土地退化的主要形式之一，是綠洲農(nóng)業(yè)發(fā)展的重要限制因子，它不僅影響人類正常的生產(chǎn)生活，同時(shí)威脅綠洲的生態(tài)安全與穩(wěn)定[1-2]。新疆維吾爾自治區(qū)位于我國西北干旱區(qū)，是重要的耕地儲備庫與農(nóng)墾基地，也是國家“一帶一路”重大倡議實(shí)施的核心區(qū)，但該區(qū)域長期受到土壤鹽漬化災(zāi)害的影響，導(dǎo)致土地退化速率加快、農(nóng)業(yè)產(chǎn)量和環(huán)境質(zhì)量不斷下降，影響“一帶一路”倡議建設(shè)布局；加之人口數(shù)量激增，現(xiàn)有土地難以滿足當(dāng)?shù)鼐用竦挠玫匦枨?，鹽漬地的復(fù)墾勢必會成為解決人地矛盾的主要途徑。因此，及時(shí)掌握鹽漬化信息對該區(qū)域的災(zāi)害防治、生態(tài)穩(wěn)定以及協(xié)調(diào)人地關(guān)系具有極為重要的現(xiàn)實(shí)意義。此外，實(shí)現(xiàn)干旱區(qū)土壤鹽分的定量估算和精準(zhǔn)監(jiān)測也已經(jīng)成為了近年來環(huán)境遙感領(lǐng)域的研究熱點(diǎn)并受到了廣大研究學(xué)者的關(guān)注[3]。

可見光-近紅外（Visible and near infrared，VIS-NIR）光譜數(shù)據(jù)能夠準(zhǔn)確反映物質(zhì)的光譜信息，將VIS-NIR光譜數(shù)據(jù)進(jìn)行預(yù)處理之后可減少背景噪聲的影響，具有環(huán)境因子干擾小、光譜特征表現(xiàn)性強(qiáng)等優(yōu)點(diǎn)，從而在國內(nèi)外土壤鹽分的估算上被廣泛應(yīng)用，成為其定量研究的重要手段[4-5]。張賢龍等[6]研究發(fā)現(xiàn)一階微分和一階對數(shù)倒數(shù)預(yù)處理下，土壤鹽分的反演精度較高，2分別為0.64和0.67；朱赟等[7]根據(jù)6種光譜預(yù)處理發(fā)現(xiàn)平滑二階微分預(yù)處理構(gòu)建的偏最小二乘回歸（Partial least squares regression，PLSR）土壤鹽分模型效果最好（=0.825，RMSE=1.256 g·kg–1）；Brunner[8]通過歸一化植被指數(shù)對新疆博斯騰湖地區(qū)的土壤鹽漬化狀況進(jìn)行評價(jià)；姚遠(yuǎn)等[9]指出基于一階微分預(yù)處理后的光譜數(shù)據(jù)構(gòu)建的SI2與土壤電導(dǎo)率（Electrical conductivity，EC）所建立的土壤鹽漬化監(jiān)測模型效果最佳（2=0.831）；Nawar等[10]利用土壤反射光譜與土壤EC對干旱區(qū)土壤鹽分進(jìn)行了預(yù)測，結(jié)果表明基于多元自適應(yīng)回歸樣條（Multivariate adaptive regression splines，MARS）構(gòu)建的預(yù)測模型效果最好（剩余預(yù)測偏差Residual predictive deviation，RPD > 2.00）?？v觀國內(nèi)外學(xué)者研究，利用VIS-NIR光譜預(yù)測土壤鹽分主要是通過不同光譜預(yù)處理或構(gòu)建光譜指數(shù)等方式來實(shí)現(xiàn)，但這些方法僅考慮了土壤鹽分與不同預(yù)處理之間的相互作用，光譜指數(shù)的構(gòu)建也僅基于原始光譜數(shù)據(jù)，未能深度挖掘土壤鹽分與多種預(yù)處理方案下不同指數(shù)間的有效信息，同時(shí)由于干旱區(qū)土壤屬性多呈偏態(tài)分布，植被、水分和土壤系統(tǒng)的相互作用使得土壤鹽分與土壤光譜之間存在復(fù)雜的非線性問題，一般的線性回歸估算模型難以提供綜合解決方案[11]。而不同預(yù)處理構(gòu)建的二維光譜指數(shù)能有效地削弱噪聲干擾，綜合考量多譜段間的協(xié)同作用，在一定程度上減少單一譜段造成的誤差；況且機(jī)器學(xué)習(xí)算法可以有效地解決非線性函數(shù)逼近問題，進(jìn)而提升土壤屬性VIS-NIR模型的定量估算能力。

基于此，本研究以新疆維吾爾自治區(qū)渭干河-庫車河綠洲為研究靶區(qū)，基于室內(nèi)獲取的VIS-NIR數(shù)據(jù)，探索不同光譜預(yù)處理下二維光譜指數(shù)與土壤EC間的關(guān)系，并在此基礎(chǔ)上利用BP神經(jīng)網(wǎng)絡(luò)（Back propagation neural network，BPNN）、支持向量機(jī)（Support vector machine，SVM）和極限學(xué)習(xí)機(jī)（Extreme learning machine，ELM）三種機(jī)器學(xué)習(xí)算法構(gòu)建土壤EC估算模型，以期提高研究區(qū)土壤EC的估算精度，為干旱區(qū)土壤鹽度監(jiān)測及鹽漬化災(zāi)害防治提供科學(xué)依據(jù)與新思路。

1 材料與方法

1.1 研究區(qū)概況

渭干河-庫車河三角洲綠洲（簡稱渭-庫綠洲，82°10′～83°40′E、41°06′～41°40′N）位于新疆維吾爾自治區(qū)塔里木盆地中北部，行政范圍主要由庫車、沙雅與新和3個(gè)縣構(gòu)成。渭-庫綠洲屬溫帶大陸性干旱氣候，年平均氣溫為11.6℃，年均降水量僅為52 mm，年均蒸發(fā)量約為1 991～2 864 mm，土壤質(zhì)地類型以輕壤與砂壤為主，土壤構(gòu)成物顆粒細(xì)、透水性較差。綠洲自然植被以檉柳（）、鹽節(jié)木（）、鹽爪爪（）、花花柴（）等鹽生植被為主，人工植被主要有棉花、玉米以及冬小麥[12]。由于渭-庫綠洲降雨量與蒸發(fā)量的差異懸殊，使得該地區(qū)普遍存在土壤鹽漬化現(xiàn)象，植被覆蓋不斷減少，生態(tài)環(huán)境惡化，致使綠洲發(fā)展受到嚴(yán)重威脅。

1.2 樣品采集與分析

野外樣品采集時(shí)間為2017年10月，根據(jù)研究區(qū)景觀特征，選取綠洲、荒漠以及交錯(cuò)帶等景觀布設(shè)100個(gè)樣點(diǎn)進(jìn)行土壤樣品采集（圖1），每個(gè)樣點(diǎn)采集4層（0～10 cm、10～20 cm、20～40 cm、40～60 cm）土樣，共400個(gè)樣品用樣品袋封裝帶回實(shí)驗(yàn)室。經(jīng)過自然風(fēng)干并剔除碎石及植被等其他雜質(zhì)后，研磨通過2 mm孔篩，再將每個(gè)樣品分為2份，分別用來測定土壤EC和VIS-NIR光譜數(shù)據(jù)。過篩后的土壤樣品按照水土質(zhì)量比5︰1的比例提取土壤浸出液，使用Cond 7310型土壤測試儀（Wissenschaftlich Technische Werkst?tten 公司，德國）測定土壤EC。

1.3 光譜測定與預(yù)處理

土壤光譜反射率的測定使用ASD FieldSpec 3型（Analytical Spectral Devices公司，美國）光譜儀（波段 350～2 500 nm），實(shí)驗(yàn)在可控光照條件的暗室內(nèi)進(jìn)行。光譜的采樣間隔：350～1 000 nm為1.4 nm，1 000～2 500 nm為2 nm，重采樣間隔為1 nm。將制備好的400個(gè)土壤樣品分別裝入直徑為12 cm、深3 cm盛樣皿中，將表面刮平。測量時(shí)使用50 W的鹵素?zé)魹楣庠?，光源距土壤樣品表?0 cm，天頂角為15°，探頭至待測樣品表面距離為10 cm，每次光譜測定之前均進(jìn)行白板標(biāo)定以消除暗電流的影響[11]。本實(shí)驗(yàn)各土壤樣品于8個(gè)方向采集共 24 條光譜曲線，取24條光譜曲線的算術(shù)平均值作為該土樣的原始光譜數(shù)據(jù)。

1.4 數(shù)據(jù)處理

將土壤原始光譜數(shù)據(jù)進(jìn)行Savitzky-Golay（S-G）濾波平滑（2階多項(xiàng)式+9點(diǎn)移動(dòng)平均）處理，選取平滑處理后的數(shù)據(jù)進(jìn)行后續(xù)研究。為了提高樣品代表性以及建模有效性，利用蒙特卡洛交叉驗(yàn)證（Monte Carlo cross validation，MCCV）對樣品光譜和土壤EC進(jìn)行驗(yàn)證并剔除異常樣本，降低異常值對建模結(jié)果的影響[13]，最終從400個(gè)樣品中確定364個(gè)有效樣品。

為了減少背景噪聲的干擾，突顯光譜曲線的混合特征信息，增強(qiáng)光譜靈敏度，對土壤原始光譜反射率進(jìn)行光譜預(yù)處理，共得到光譜原始反射率（Raw reflectance，R）、反射率的一階微分（First derivative，R_FD）及二階微分（Second derivative，R_SD）、吸光度（Absorbance，Abs）、吸光度的一階微分（Abs _FD）及二階微分（Abs_SD）、連續(xù)統(tǒng)去除（Continuum removal，CR）7種光譜形式作為構(gòu)建光譜指數(shù)的光譜數(shù)據(jù)集。

圖1 研究區(qū)位置及采樣點(diǎn)分布圖

1.5 光譜指數(shù)的構(gòu)建

為提高光譜信息的利用率與模型監(jiān)測的準(zhǔn)確性，減少冗余信息，參照土壤鹽分指數(shù)[14-16]，利用土壤光譜反射率構(gòu)建歸一化光譜指數(shù)（Normalized difference spectral index，NDSI）、差值光譜指數(shù)（Difference spectral index，DSI）及比值光譜指數(shù)（Ratio spectral index，RSI），具體計(jì)算公式如下：

式中，R1、R2分別為波長在1和2處的反射率。

1.6 建模方法與精度檢驗(yàn)

本研究擬采用BPNN[17]、SVM[18-20]和ELM[21]機(jī)器學(xué)習(xí)算法構(gòu)建土壤EC估算模型，對比分析三種模型在干旱區(qū)對土壤EC的估算效果，其中SVM選用魯棒性高的RBF核函數(shù)，懲罰參數(shù)設(shè)定為2，ELM將隱藏層節(jié)點(diǎn)數(shù)設(shè)定為30。上述3種方法均在Matlab R2014b 軟件中完成。

通常樣本集劃分方法包括隨機(jī)抽樣RS（Random sampling）、K-S（Kennard-Stone）和基于聯(lián)合x-y距離SPXY（Simple set portioning based on joint x-y distance），SPXY用于考慮基于K-S方法的特征空間因子，能有效覆蓋多維向量空間，進(jìn)而改善建模精度，提升模型預(yù)測能力。SPXY詳細(xì)步驟參考文獻(xiàn)[22]。

本研究樣本依據(jù) SPXY進(jìn)行劃分，選取273個(gè)樣本作為建模集，91個(gè)樣本作為驗(yàn)證集。為了評估基于 BPNN、SVM 和 ELM 的土壤EC實(shí)測值和預(yù)測值建模效果和精度，本研究選用決定系數(shù)（Coefficient of determination，2）、均方根誤差（Root mean squared error，RMSE）和四分位數(shù)間距（Ratio of performance to interquartile range，RPIQ）三種參數(shù)來進(jìn)行評估。其中2值與模型精度成正比，越接近于1，代表模型擬合精度越高；RMSE值與模型精度成反比，越接近于0，代表模型實(shí)測值與預(yù)測值偏差越小，預(yù)測能力越強(qiáng)；RPIQ是四分位數(shù)間距和RMSE 的比值，四分位數(shù)間距即樣本的 75% 和 25% 出現(xiàn)值之間的差值[23]，一般認(rèn)為，RPIQ < 1.7 則模型可信度低，1.7 ≤RPIQ < 2.2表明模型有較均衡預(yù)測能力，RPIQ ≥2.2 則視為模型效果極佳[24]。

2 結(jié) 果

2.1 樣本土壤電導(dǎo)率統(tǒng)計(jì)

表1為土壤EC的描述性統(tǒng)計(jì)特征。本研究全樣本的EC均值為6.73 mS·cm–1，建模集與驗(yàn)證集所對應(yīng)的均值分別為 6.84 mS·cm–1和6.38 mS·cm–1，全樣本的均值介于建模集與驗(yàn)證集之間。

表1 土壤樣品EC統(tǒng)計(jì)特征

2.2 最優(yōu)光譜指數(shù)的構(gòu)建

在Matlab R2014b 軟件中，計(jì)算7種光譜形式與土壤EC的相關(guān)系數(shù)，最終得到7種光譜形式下的NDSI、DSI和RSI共計(jì)21組VIS-NIR二維相關(guān)系數(shù)，并優(yōu)選出最佳波段組合。在光譜原始反射率R下NDSI、DSI和RSI的最大相關(guān)系數(shù)分別為–0.483、0.470、–0.482，最佳響應(yīng)波段組合分別為（R2006，R2257）、（R1882，R2010）、（R2006，R2257）；在R_FD下NDSI、DSI和RSI的最大相關(guān)系數(shù)分別為0.516、–0.539、0.649，最佳響應(yīng)波段組合分別為（R1376，R2142）、（R1376，R2124）、（R1913，R2142）；在R_SD下NDSI、DSI和RSI的最大相關(guān)系數(shù)分別為–0.524、0.430、–0.428，最佳響應(yīng)波段組合分別為（R416，R2470）、（R894，R1373）、（R689，R2355）；在Abs下NDSI、DSI和RSI的最大相關(guān)系數(shù)分別為0.502、0.488、0.504，最佳響應(yīng)波段組合分別為（R2005，R2168）、（R2006，R2257）、（R2006，R2168）；在Abs _FD下NDSI、DSI和RSI的最大相關(guān)系數(shù)分別為–0.539、0.488、0.642，最佳響應(yīng)波段組合分別為（R876，R2490）、（R1376，R2123）、（R1913，R2142）；在Abs _SD下NDSI、DSI和RSI的最大相關(guān)系數(shù)分別為–0.539、–0.412、0.431，最佳響應(yīng)波段組合分別為（R1081，R1725）、（R858，R1374）、（R709，R2355）；在CR下NDSI、DSI和RSI的最大相關(guān)系數(shù)分別為–0.567、–0.568、–0.567，最佳響應(yīng)波段組合分別為（R2119，R2261）、（R2119，R2261）、（R2119，R2261）。由于篇幅限制，圖2僅列出3種代表性指數(shù)。

二維同步相關(guān)光譜是一種以光譜強(qiáng)度為兩個(gè)獨(dú)立光學(xué)變量的函數(shù)技術(shù)，將光譜信號擴(kuò)展至第二維上，對角線上的強(qiáng)度峰，相當(dāng)于光譜強(qiáng)度變化在觀察周期內(nèi)自相關(guān)函數(shù)值，其值大小代表光譜強(qiáng)度動(dòng)態(tài)漲落的總強(qiáng)度；該技術(shù)具有提高光譜分辨率、簡化包含重疊峰復(fù)雜光譜的特點(diǎn)，通過選擇相關(guān)的光譜信號研究土壤屬性間的相互作用[25]。本研究為驗(yàn)證光譜指數(shù)及光譜組合波段的合理性，構(gòu)建了光譜二維同步相關(guān)圖。如圖3所示，光譜在350～880 nm附近、1 500～2 100 nm附近以及2 200～2 450 nm附近具有較高的相關(guān)性，而光譜指數(shù)所優(yōu)選的光譜組合波段大都位于上述波段范圍內(nèi)，丁建麗等[26]選取1 942、2 010 nm構(gòu)建最佳鹽度指數(shù)，姚遠(yuǎn)等[9]通過光譜變換選擇456、533、686、1 373 nm為鹽分估算敏感波段，說明光譜指數(shù)的構(gòu)建以及相對應(yīng)的光譜組合優(yōu)選具有合理性。

注：色柱表示土壤EC與光譜指數(shù)的相關(guān)系數(shù)r，x、y軸為350～2 500 nm的波段。深紅色與深藍(lán)色代表土壤EC與光譜指數(shù)高的相關(guān)系數(shù)。Note：The colorbar illustrates the value of the correlation coefficient（r）between soil EC and spectral indices，and the x-axes and y-axes indicate the wavebands of 350～2 500 nm. Dark red and blue portrays a high r between soil EC and the spectral indices.

圖3 土壤EC光譜二維同步相關(guān)圖

為進(jìn)一步驗(yàn)證光譜指數(shù)對土壤EC定量估算的有效性，本研究分析了21個(gè)光譜指數(shù)與土壤EC的相關(guān)性并嘗試構(gòu)建線性回歸模型，結(jié)果如表2所示。對比分析發(fā)現(xiàn)7種光譜形式所構(gòu)建的21個(gè)光譜指數(shù)與土壤EC的||均大于0.4，且均在0.01水平上顯著（顯著性檢驗(yàn)閾值??= ±0.128），其中基于R_FD- RSI（R1913，R2142）構(gòu)建的光譜指數(shù)與土壤EC相關(guān)性最強(qiáng)，為0.649。通過分析21個(gè)線性回歸模型的決定系數(shù)2可知，在R構(gòu)建光譜指數(shù)的模型中，基于R-DSI（R1882，R2010）的線性回歸模型預(yù)測精度最優(yōu)，2為0.314；在不同光譜預(yù)處理構(gòu)建光譜指數(shù)模型中，基于CR-DSI（R2119，R2261）的線性回歸模型預(yù)測精度最優(yōu)，2為0.423。在同種預(yù)處理不同光譜指數(shù)構(gòu)建模型中，基于DSI模型的預(yù)測精度均最高，僅在Abs預(yù)處理中RSI模型預(yù)測效果最佳，2為0.372。綜合分析可知，21個(gè)光譜指數(shù)雖能反映與土壤EC的相關(guān)性，但單一指數(shù)對于定量估算土壤EC的精度較低，難以解釋二者之間的復(fù)雜關(guān)系，因此考慮采用多指數(shù)聯(lián)合建模來估算土壤EC。

2.3 土壤EC估算模型

將21個(gè)光譜指數(shù)作為土壤EC 預(yù)測模型所需的獨(dú)立變量，經(jīng) MCCV 剔除異常值后的土壤 EC 數(shù)據(jù)作為響應(yīng)變量，分別構(gòu)建土壤EC的BPNN、SVM 和 ELM 三種機(jī)器學(xué)習(xí)算法估算模型，并引入傳統(tǒng)線性回歸模型PLSR進(jìn)行比對，模型結(jié)果、評價(jià)指標(biāo)如表3所示。

由表3可知，在四種建模方法所構(gòu)建的土壤EC估算模型中，PLSR模型驗(yàn)證集2=0.657、RMSE=5.487 mS·cm–1、RPIQ=1.455，相比于三種機(jī)器學(xué)習(xí)模型估算效果較差，估算能力較弱。在三種機(jī)器學(xué)習(xí)模型中，ELM模型RPIQ達(dá)到2.535（RPIQ > 2.2），屬于極好預(yù)測，而BPNN模型和SVM模型僅能較好地估算土壤EC（1.7 < RPIQ < 2.2），且SVM模型的RPIQ大于BPNN 模型。對比分析三種模型的建模集及預(yù)測集的2、RMSE可知，ELM預(yù)測精度最高，SVM預(yù)測精度次之，BPNN 預(yù)測精度最低。通過綜合評估四種模型的評價(jià)參數(shù)可知，對土壤EC估算的建模效果依次為ELM > SVM > BPNN > PLSR，說明ELM 模型可以精準(zhǔn)地定量估算土壤EC。圖4為ELM模型驗(yàn)證集的驗(yàn)證效果。

表2 不同光譜指數(shù)的土壤EC回歸模型

表3 土壤EC估算結(jié)果

3 討 論

光譜儀測定的光譜數(shù)據(jù)通常包含樣本的有效信息以及光譜疊加所產(chǎn)生的無效信息，而光譜預(yù)處理能有效壓縮噪聲對目標(biāo)光譜的影響，同時(shí)能將非線性問題轉(zhuǎn)變?yōu)榫€性問題，是對光譜數(shù)據(jù)進(jìn)行挖掘及后續(xù)定量建模的重要前提[11]。微分處理可以降低噪聲影響的敏感性，分辨重疊峰，提高分辨率及靈敏度，降低基線效應(yīng)[27]。FD、SD有利于限制低頻噪聲對目標(biāo)光譜的影響，CR與Abs能夠去除土壤中特定物質(zhì)由于電子躍遷或分子振動(dòng)引起的特征吸收帶之后的吸收特性，突出目標(biāo)物的光譜特征[28]。光譜預(yù)處理雖能有效降低噪聲干擾，突顯研究特征，但是一定程度上造成數(shù)據(jù)的二次冗余，導(dǎo)致模型不能達(dá)到最佳精度。光譜指數(shù)通過波段的數(shù)學(xué)運(yùn)算即可放大波段間的微弱關(guān)聯(lián)、簡化模型、去除冗余信息[29]，從而有效提升土壤鹽分估算模型的精度。前人研究中[6-8，30-31]，光譜指數(shù)的構(gòu)建多基于光譜原始反射率或單一預(yù)處理方式，張賢龍等[6]認(rèn)為基于原始光譜反射率構(gòu)建DSI、RSI、NDSI三種光譜指數(shù)模型效果理想；而Zhang等[30]僅用分?jǐn)?shù)階微分處理后的光譜指數(shù)構(gòu)建鹽分估算模型，精度得到顯著提升。上述研究學(xué)者均考慮光譜指數(shù)作為建模因子對土壤鹽分進(jìn)行估算，然而，未能考慮到多種預(yù)處理方式對光譜指數(shù)的作用，模型的構(gòu)建具有局限性。本研究對土壤光譜進(jìn)行多種預(yù)處理，也通過構(gòu)建多波段組合的光譜指數(shù)作為建模因子，但將多種光譜預(yù)處理后的21個(gè)光譜指數(shù)引入估算模型中，增加了分析建模的可選擇性，提高了模型的預(yù)測性能。本文中，21個(gè)光譜指數(shù)與土壤EC均具有良好的相關(guān)性，|區(qū)間為（0.412～0.649），其中R_FD和CR預(yù)處理的效果最優(yōu)，其NDSI、DSI、RSI的||均大于0.5，屬于最優(yōu)光譜預(yù)處理；而21個(gè)光譜指數(shù)中，R_FD-RSI（R1913，R2142）與土壤EC（=0.649）為最優(yōu)光譜指數(shù)。

圖4 ELM模型土壤EC預(yù)測值與實(shí)測值

土壤鹽分主要是由碳酸鹽、鹵化物、硫酸鹽和硼酸鹽四種主要化學(xué)基團(tuán)組成，它們的共同作用影響著土壤鹽分的光譜特性，其中在400、430、450 nm處Fe2+、Fe3+有較強(qiáng)的光譜響應(yīng)[32]，在1 400 nm處OH–1起主導(dǎo)作用，在2 200、2 300 nm主要受Si-OH鍵、碳酸鹽礦物中的CO32–離子、土壤硅酸鹽礦物及其陽離子-OH鍵的影響[32-33]。Csillag等[34]確定了VIS（0.55～0.77 μm）、NIR（0.90～1.30 μm）和MIR（1.94～2.15、2.15～2.30、2.33～2.4 μm）五個(gè)光譜范圍用于表征不同鹽化和堿化的土壤，發(fā)現(xiàn)NIR及MIR區(qū)域的敏感波段具有識別土壤鹽度狀況的能力，同時(shí)還發(fā)現(xiàn)，在干旱條件下，鹽在VIS藍(lán)光區(qū)域附近具有較高的反射率值。本研究的二維同步相關(guān)光譜在350～880 nm附近、1 500～2 100 nm附近以及2 200～2 450 nm附近具有強(qiáng)烈的自相關(guān)性，說明土壤鹽分在這些波段范圍內(nèi)協(xié)同性很強(qiáng)，而優(yōu)選的光譜組合波段大都位于上述范圍內(nèi)，這與Csillag等[34]、Nawar等[10]和Bannari等[35]研究結(jié)果相似，進(jìn)一步佐證了光譜指數(shù)的有效性與科學(xué)性。本研究不僅從統(tǒng)計(jì)學(xué)的角度證明了光譜指數(shù)法的可行性，并且驗(yàn)證了其內(nèi)涵的物理意義，結(jié)果表明光譜指數(shù)能夠在兼顧遙感機(jī)理的同時(shí)，最大程度地削弱噪聲的影響，動(dòng)態(tài)提取土壤EC光譜信息。但同時(shí)發(fā)現(xiàn)本研究中光譜響應(yīng)范圍與上述學(xué)者研究發(fā)現(xiàn)不完全一致，這可能是由于土壤屬性差異和空間異質(zhì)性導(dǎo)致的。

機(jī)器學(xué)習(xí)具有自主學(xué)習(xí)的能力，可以很好地解決土壤鹽分監(jiān)測中復(fù)雜的非線性函數(shù)逼近問題。Khosravi等[20]利用機(jī)器學(xué)習(xí)算法估算了土壤的重金屬含量，結(jié)果表明ELM模型具有較PLSR模型更好的效果；葛翔宇等[36]利用機(jī)器學(xué)習(xí)算法對土壤含水量進(jìn)行了定量估算，指出ELM模型的精度最高。本研究嘗試分別建立21個(gè)光譜指數(shù)與土壤EC的線性回歸模型和PLSR模型，發(fā)現(xiàn)線性回歸模型估算精度均不理想（2=0.657）；而以ELM模型為代表的機(jī)器學(xué)習(xí)算法表現(xiàn)最為突出，2提高了34.55%，較Nawar等[10]建立的PLSR模型2也提高了14.81%，因此本研究構(gòu)建的ELM估算模型效果最佳。作者同上述研究者均得到了機(jī)器學(xué)習(xí)預(yù)測能力優(yōu)于線性模型、ELM為最佳機(jī)器學(xué)習(xí)算法的結(jié)果，并認(rèn)為其在土壤屬性定量研究中將擁有廣闊的應(yīng)用前景。

光譜的一階、二階微分預(yù)處理雖然提高了模型的光譜差異和精度，但與原始光譜之間仍存在一定差異，可能會忽略信息并限制模型精度的提升，若將分?jǐn)?shù)階微分引入則會增加更多的光譜差異，提取更多有效信息，從而進(jìn)一步提升模型精度[11]。本研究的土壤EC估算模型出現(xiàn)驗(yàn)證集2大于建模集的現(xiàn)象，這可能是由于采樣點(diǎn)分布類型多樣化（荒漠、沙地、濕地、農(nóng)田、荒漠-綠洲交錯(cuò)帶），土壤的理化性質(zhì)受自然和人為干擾因素大，土壤鹽分分布的隨機(jī)性高，導(dǎo)致土壤EC呈偏態(tài)分布等原因造成的。因此，在后續(xù)研究工作中一方面將探討分?jǐn)?shù)階微分的預(yù)處理方案，以提升光譜利用率，提高光譜靈敏度及建模準(zhǔn)確性，提升模型泛化能力；另一方面，今后將進(jìn)一步討論土地類型、土壤質(zhì)地等因素對估算效果的影響。同時(shí)，還將在擴(kuò)大樣本數(shù)量的基礎(chǔ)上建立區(qū)域土壤光譜庫，以期提升VIS-NIR在土壤屬性估算中的應(yīng)用潛力并將VIS-NIR光譜與星載遙感觀測系統(tǒng)相結(jié)合，實(shí)現(xiàn)干旱區(qū)半干旱區(qū)土壤鹽漬化的協(xié)同監(jiān)測[36]。

4 結(jié) 論

［1］ Ding J L，Wang F. Environmental modeling of large-scale soil salinity information in an arid region：A case study of the low and middle altitude alluvial plain north and south of the Tianshan Mountains，Xinjiang[J]. Acta Geographica Sinica，2017，72（1）：64—78. [丁建麗，王飛. 干旱區(qū)大尺度土壤鹽度信息環(huán)境建模——以新疆天山南北中低海拔沖積平原為例[J]. 地理學(xué)報(bào)，2017，72（1）：64—78.]

［2］ Metternicht G I，Zinck J A. Remote sensing of soil salinity：Potentials and constraints[J]. Remote Sensing of Environment，2003，85（1）：1—20.

［3］ Wang F，Ding J L，Wei Y. Analysis of drought characteristics over countries and regions of “the belt and road initiatives” in recent one hundred years[J]. Journal of Geo-Information Science，2017，19（11）：1442—1455. [王飛，丁建麗，魏陽. “一帶一路”國家和地區(qū)百年尺度干旱化特征分析[J]. 地球信息科學(xué)學(xué)報(bào)，2017，19（11）：1442—1455.]

［4］ Zovko M，Romi? D，Colombo C，et al. A geostatistical Vis-NIR spectroscopy index to assess the incipient soil salinization in the Neretva River valley，Croatia[J]. Geoderma，2018，332：60—72.

［5］ Peng J，Ji W J，Ma Z Q，et al. Predicting total dissolved salts and soluble ion concentrations in agricultural soils using portable visible near-infrared and mid-infrared spectrometers[J]. Biosystems Engineering，2016，152：94—103.

［6］ Zhang X L，Zhang F，Zhang H W，et al. Optimization of soil salt inversion model based on spectral transformation from hyperspectral index[J]. Transactions of the Chinese Society of Agricultural Engineering，2018，34（1）：110—117.[張賢龍，張飛，張海威，等. 基于光譜變換的高光譜指數(shù)土壤鹽分反演模型優(yōu)選[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34（1）：110—117.]

［7］ Zhu Y，Shen G R，Xiang Q Q，et al. Spectral characteristics of soil salinity based on different pre-processing methods[J].Chinese Journal of Soil Science，2017，48（3）：560—568. [朱赟，申廣榮，項(xiàng)巧巧，等. 基于不同光譜變換的土壤鹽含量光譜特征分析[J]. 土壤通報(bào)，2017，48（3）：560—568.]

［8］ 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）：3341—3361.

［9］ Yao Y，Ding J L，Zhang F，et al. Research on model of soil salinization monitoring based on hyperspectral index and EM38[J]. Spectroscopy and Spectral Analysis，2013，33（6）：1658—1664. [姚遠(yuǎn)，丁建麗，張芳，等. 基于高光譜指數(shù)和電磁感應(yīng)技術(shù)的區(qū)域土壤鹽漬化監(jiān)測模型[J]. 光譜學(xué)與光譜分析，2013，33（6）：1658—1664.]

［10］ Nawar S，Buddenbaum H，Hill J. Estimation of soil salinity using three quantitative methods based on visible and near-infrared reflectance spectroscopy：A case study from Egypt[J]. Arabian Journal of Geosciences，2015，8（7）：5127—5140.

［11］ Wang J Z，Ding J L，Abulimiti A，et al. Quantitative estimation of soil salinity by means of different modeling methods and visible-near infrared（VIS–NIR）spectroscopy，Ebinur Lake Wetland，Northwest China[J]. PeerJ，2018，6：e4703. https：//doi.org/10.7717/ peerj.4703.

［12］ He B Z，Ding J L，Wang F，et al. Research on data mining of salinization information based on phenological characters https：//doi.org/10.7717/peerj.4703. Acta Ecologica Sinica，2017，37（9）：3133—3148. [何寶忠，丁建麗，王飛，等. 基于物候特征的鹽漬化信息數(shù)據(jù)挖掘研究https：//doi.org/10.7717/peerj.4703. 生態(tài)學(xué)報(bào)，2017，37（9）：3133—3148.]

［13］ Vohland M，Ludwig M，Thiele-Bruhn S，et al. Determination of soil properties with visible to near- and mid-infrared spectroscopy：Effects of spectral variable selection[J]. Geoderma，2014，223/225（1）：88—96.

［14］ Allbed A，Kumar L，Sinha P. Soil salinity and vegetation cover change detection from multi-temporal remotely sensed imagery in Al Hassa Oasis in Saudi[J]. Geocarto International，2018，33（8）：830—846.

［15］ Li Z，Zhang F，F(xiàn)eng H K，et al.Research on the estimation of salt ions of vegetation leaves based on band combination[J].Acta Optica Sinica，2017，37（11）：325—339. [李哲，張飛，馮海寬，等.基于波段組合的植被葉片鹽離子估算研究[J].光學(xué)學(xué)報(bào)，2017，37（11）：325—339.]

［16］ Peng J，Chi C M，Xiang H Y，et al. Inversion of soil salt content based on continuum-removal method[J]. Acta Pedologica Sinica，2014，51（3）：459—469. [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(xué)報(bào)，2014，51（3）：459—469.]

［17］ Feng L，Zhu S S，Lin F C，et al. Detection of oil chestnuts infected by blue mold using near-infrared hyperspectral imaging combined with artificial neural networks[J]. Sensors，2018，18（6）：1944.

［18］ Faris H，Hassonah M A，Al-Zoubi A M，et al. A multi-verse optimizer approach for feature selection and optimizing SVM parameters based on a robust system architecture[J]. Neural Computing and Applications，2018，30（8）：2355—2369.

［19］ Hong Y S，Chen Y Y，Yu L，et al. Combining fractional order derivative and spectral variable selection for organic matter estimation of homogeneous soil samples by VIS–NIR spectroscopy[J]. Remote Sensing，2018，10（3）：479.

［20］ Khosravi V，Doulati Ardejani F，Yousefi S，et al. Monitoring soil lead and zinc contents via combination of spectroscopy with extreme learning machine and other data mining methods[J]. Geoderma，2018，318：29—41.

［21］ Ge X，Wang J，Ding J，et al. Combining UAV-based hyperspectral imagery and machine learning algorithms for soil moisture content monitoring[J]. PeerJ，2019，7：e6926.

［22］ Galv?o R K，Araujo M C，José G E，et al. A method for calibration and validation subset partitioning[J]. Talanta，2005，67（4）：736—740.

［23］ Bellon-Maurel V，F(xiàn)ernandez-Ahumada E，Palagos B，et al. Critical review of chemometric indicators commonly used for assessing the quality of the prediction of soil attributes by NIR spectroscopy[J]. Trends in Analytical Chemistry，2010，29（9）：1073—1081.

［24］ Chabrillat S，F(xiàn)oerster S，Steinberg A，et al. Prediction of common surface soil properties using airborne and simulated EnMAP hyperspectral images：Impact of soil algorithm and sensor characteristic[C]// IEEE Geoscience and Remote Sensing Symposium. IEEE，2014：2914—2917.

［25］ Guo Y L. Two-dimensional infrared and near infrared correlation spectroscopic study of the hydrophilic polymers[D]. Shanghai：Fudan University，2008. [郭宜魯. 二維紅外及近紅外相關(guān)光譜對親水性高分子的研究[D]. 上海：復(fù)旦大學(xué)，2008.]

［26］ Ding J L，Wu M C，Liu H X，et al. Study on the soil salinization monitoring based on synthetical hyperspectral index[J]. Spectroscopy and Spectral Analysis，2012，32（7）：1918—1922. [丁建麗，伍漫春，劉海霞，等. 基于綜合高光譜指數(shù)的區(qū)域土壤鹽漬化監(jiān)測研究[J]. 光譜學(xué)與光譜分析，2012，32（7）：1918—1922.]

［27］ Qiao X X，Wang C，F(xiàn)eng M C，et al. Hyperspectral estimation of soil organic matter based on different spectral preprocessing techniques[J]. Spectroscopy Letters，2017，50（3）：156—163.

［28］ Aldabaa A A A，Weindorf D C，Chakraborty S，et al. Combination of proximal and remote sensing methods for rapid soil salinity quantification[J]. Geoderma，2015，239/240：34—46.

［29］ Wang J Z，Ding J L，Ma X K，et al. Detection of soil moisture content based on UAV-derived hyperspectral imagery and spectral index in oasis cropland[J]. Transactions of the Chinese Society of Agricultural Machinery，2018，49（11）：164—172. [王敬哲，丁建麗，馬軒凱，等. 基于光譜指數(shù)的綠洲農(nóng)田土壤含水率無人機(jī)高光譜檢測[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（11）：164—172.]

［30］ Zhang F，Wang X P，Kung H T，et al. Estimating soil salt content using fractional derivatives and optional spectral indices in the Ebinur Lake Oasis，Northwestern China[J]. Data-Enabled Discovery and Applications，2018，2（1）：6.

［31］ Hong Y S，Yu L，Chen Y Y，et al. Prediction of soil organic matter by VIS–NIR spectroscopy using normalized soil moisture index as a proxy of soil moisture[J]. Remote Sensing，2017，10（2）：28.

［32］ Metternicht G I，Zinck J A. Remote sensing of soil salinity：Potentials and constraints[J]. Remote Sensing of Environment，2003，85（1）：1—20.

［33］ Peng J，Biswas A，Jiang Q S，et al. Estimating soil salinity from remote sensing and terrain data in southern Xinjiang Province，China[J]. Geoderma，2019，337：1309—1319.

［34］ Csillag F，Pásztor L，Biehl L L. Spectral band selection for the characterization of salinity status of soils[J]. Remote Sensing of Environment，1993，43（3）：231—242.

［35］ Bannari A，El-Battay A，Bannari R，et al. Sentinel-MSI VNIR and SWIR bands sensitivity analysis for soil salinity discrimination in an arid landscape[J]. Remote Sensing，2018，10（6）：855.

［36］ Ge X Y，Ding J L，Wang J Z，et al.Estimation of soil moisture content based on competitive adaptive reweighted sampling algorithm coupled with machine learning[J].Acta Optica Sinica，2018，38（10）：393—400. [葛翔宇，丁建麗，王敬哲，等. 基于競爭適應(yīng)重加權(quán)采樣算法耦合機(jī)器學(xué)習(xí)的土壤含水量估算[J].光學(xué)學(xué)報(bào)，2018，38（10）：393—400.]

Estimation of Soil Electrical Conductivity Based on Spectral Index and Machine Learning Algorithm

CAO Xiaoyi1, 2, 3, DING Jianli1, 2, 3?, GE Xiangyu1, 2, 3, WANG Jingzhe1, 2, 3

(1.College of Resources and Environmental Science, Xinjiang University, Urumqi 830046, China; 2. Key Laboratory of Oasis Ecology under Ministry of Education, Xinjiang University, Urumqi 830046, China; 3. Key Laboratory of Smart City and Environment Modelling of Higher Education Institute, Xinjiang University, Urumqi 800046, China)

【】Soil salinity is an important indicator for evaluation of soil salinization in arid regions. It is of great practical significance to grasp real-time information about salinization to disaster prevention, ecology stabilization and harmonization of human-land relationship in this area. 【】A total of 400 soil samples were collected from the Weigan River-Kucha River Delta Oasis in the Xinjiang Uygur Autonomous Region of China in October 2017, and prepared, separately, with distlled water into suspensions, 5︰1 in ratio, from which soil extracts were obtained for analysis of electrical conductivity (EC) and VIS-NIR (visible-near infrared) spectral reflectances in the laboratory. Based on the obtained data and the Monte Carlo cross validation (MCCV), 364 samples were determined to be valid. After the raw spectrum reflectances (R) were pre-processed with differential, absorbance (Abs), continuum removal (CR) and three others, 21 spectal indices were selected and established. Then based on the 21 optimal spectral indices, EC was assessed using the back propagation neural network (BPNN), support vector machine (SVM), and extreme learning machine (ELM), compared to the partial least squares regression (PLSR), and validated with its root mean square error (RMSE), determination coefficient (2) and ratio of performance to interquartile range (RPIQ). 【】Results show: the 21 optimal spectral indices based on R and its pretreated data are R_NDSI (R2006, R2257), R_DSI (R1882, R2010), R_RSI (R2006, R2257), R_FD_NDSI (R1376, R2142), R_FD_DSI (R1376, R2124), R_FD_RSI (R1913, R2142), R_SD_NDSI (R416, R2470), R_SD_DSI (R894, R1373), R_SD_RSI (R689, R2355), ABS_NDSI (R2005, R2168), ABS_DSI (R2006, R2257), ABS_RSI (R2006, R2168), ABS_FD_NDSI (R876, R2490), ABS_FD_DSI (R1376, R2123), ABS_FD_RSI (R1913, R2142), ABS_SD_ NDSI (R1081, R1725), ABS_SD_DSI (R858, R1374), ABS_SD_RSI (R709, R2355), CR_NDSI (R2119, R2261), CR_DSI (R2119, R2261), and CR_RSI (R2119, R2261), among which R_FD-RSI (R1913, R2142) is the optimal (= 0.649) one. Compared with the PLSR, the machine learning algorithm (MLA) could significantly improve accuracy of the model, with the2increased by 34.55%. Among the three models using the machine learning algorithm, ELM was the best (2= 0.884, RMSE = 3.071 mS·cm–1, RPIQ = 2.535). 【】In this study, different spectral pretreatment methods were used to obtain 21 optimal spectral indices. In constructing the spectral indices in this study, besides considering the remote sensing mechanism, it is advisable to explore in depth more implicit information. Compared with the traditional linear model, the MLA-based soil EC estimation model is obviously higher in accuracy. All the findings in this study may serve as a scientific reference for quantitative estimation of soil salinity in arid regions.

Spectral; Soil electrical conductivity; Spectral pretreatment; Spectral index; Machine learning

O433.4

A

10.11766/trxb201902190024

曹肖奕，丁建麗，葛翔宇，王敬哲. 基于光譜指數(shù)與機(jī)器學(xué)習(xí)算法的土壤電導(dǎo)率估算研究[J]. 土壤學(xué)報(bào)，2020，57（4）：867–877.

CAO Xiaoyi，DING Jianli，GE Xiangyu，WANG Jingzhe. Estimation of Soil Electrical Conductivity Based on Spectral Index and Machine Learning Algorithm[J]. Acta Pedologica Sinica，2020，57（4）：867–877.

* 國家自然科學(xué)基金項(xiàng)目（41771470）資助Supported by the National Natural Science Foundation of China (No. 41771470)

，E-mail：watarid@xju.edu.cn

曹肖奕（1994—），男，新疆哈密人，碩士研究生，主要從事干旱區(qū)遙感應(yīng)用方面的研究。E-mail: yi_0645@163.com

2019–02–19；

2019–05–10；

2019–06–05

（責(zé)任編輯：檀滿枝）