徐 璐，王 慧，邱思怡，練靖文，王李娟

江蘇師范大學地理測繪與城鄉(xiāng)規(guī)劃學院，江蘇 徐州 221116

引 言

土壤鹽漬化不僅影響農(nóng)業(yè)可持續(xù)發(fā)展，而且對生態(tài)環(huán)境也有一定的破壞，是導致土壤退化的全球性問題之一[1]。由于自然環(huán)境的變化和人為活動的影響，土壤鹽漬化程度和分布一直處于變化的狀態(tài)，因此精確監(jiān)測土壤鹽漬化的變化動態(tài)是科學管理和合理利用鹽漬土的重要前提[2]。傳統(tǒng)的土壤鹽漬化監(jiān)測方法需要大量人力、 物力和時間成本，而且采樣的時間和地區(qū)都有一定的限制，對土壤表面也有一定的破壞，難以實現(xiàn)鹽漬化監(jiān)測的快速更新[1]。利用遙感定量監(jiān)測土壤鹽漬化已經(jīng)成為公認的方便快捷的新途徑，也是科學界比較重要的研究熱點[3-4]。但是遙感仍然存在一定的局限性，如受天氣影響和反演地表參數(shù)的尺度較大等，而近地表傳感可以解決這些問題。

數(shù)碼相機作為日常電子用品，可以用于土壤信息的精確反演[5-7]。Persson利用數(shù)碼相機獲取土壤相片，經(jīng)過顏色空間轉(zhuǎn)換得到RGB和HSV等不同顏色參數(shù)，并發(fā)現(xiàn)S和V變量與土壤含水量有較好的關(guān)系，建立了較好的預測模型[7]。吳才武等利用數(shù)碼相機提取黑土表面的顏色信息，然后定量化研究其與黑土有機質(zhì)之間的關(guān)系，發(fā)現(xiàn)R波段與土壤有機質(zhì)有較高的相關(guān)性，并建立了精度較高的預測模型[6]。相比其他高精度的貴重儀器，數(shù)碼相機等電子產(chǎn)品的通用性和普遍性為科學研究的應(yīng)用推廣提供了良好的平臺，結(jié)合無人機技術(shù)的快速發(fā)展，將會加快實現(xiàn)土壤精準監(jiān)測和土地精細化管理，為精準農(nóng)業(yè)發(fā)展提供了技術(shù)支持。

1 實驗部分

1.1 研究區(qū)概況

研究區(qū)位于江蘇省鹽城市大豐區(qū)(120.52°—120.86°N，33.03°—33.5°E)，瀕臨黃海，該區(qū)屬于亞熱帶海洋季風氣候，受南北氣流和海洋、 大陸雙重氣候的影響，年降水量約為900～1 100 mm，年平均氣溫約為13.7～14.8 ℃[8]。海水倒灌導致地下水礦化度較高，人類活動的不合理利用使得淺咸地下水上升至地表導致土壤加劇鹽漬化。如今土地利用類型以圍墾用地，建筑用地，水產(chǎn)養(yǎng)殖用地和濱海灘涂等為主，而且隨著復墾和養(yǎng)殖用地的增加，灘涂用地也越來越少，茅草，鹽蒿，蘆葦和米草等群落也在逐漸減少。圖1展示了研究區(qū)和采樣點位置。

圖1 研究區(qū)和采樣點分布圖Fig.1 Study area and sampling points distribution

1.2 數(shù)據(jù)獲取

1.2.1 相片數(shù)據(jù)獲取

2018年6月22日—24日，天氣多云轉(zhuǎn)晴，時有微風，溫度為18～33 ℃。我們沿著海岸線一路考察，選擇不同狀態(tài)的裸露地表進行采樣，同時拍照獲取數(shù)碼相片。為了增加相片數(shù)據(jù)的復雜性以獲得魯棒性較強的模型，我們選擇在晴天和多云的狀態(tài)下進行全天時拍照和采樣，最終共采集了52個樣品。

圖2 各采樣點的拍照時間和平均亮度值Fig.2 Sampling time and mean brightness of sampling points

1.2.2 土壤數(shù)據(jù)獲取

拍照完成后，將視場內(nèi)的表層土壤(小于5 cm)采集裝入封口袋，并放入保溫箱以防止土壤水分蒸發(fā)，同時使用GPS記錄采樣點的經(jīng)緯度。每天將采集樣品進行稱重獲取土壤濕重，之后在105℃烘箱中干燥24 h以獲取土壤干重，進而得到土壤含水量。

用2 mm篩子將烘干土樣過篩，并配制土水比為1∶5的混合溶液，充分混合后獲取表層清液用來測量土壤理化性質(zhì)。土壤電導率(EC)和pH值數(shù)據(jù)通過電導率儀(DDS-307A)和pH計(PHSJ-3F)測量得到。濱海鹽土的主要鹽分是NaCl，其可溶性使得土壤含鹽量與電導率之間有非常好的相關(guān)性[10]，因此本區(qū)域可以用電導率表示土壤鹽漬化程度。土壤的理化性質(zhì)如表1所示。

表1 土壤理化屬性數(shù)據(jù)描述Table 1 Summary of soil physical and chemical properties

1.3 顏色空間

1.3.1 RGB和HIS

RGB顏色空間是最常用的顏色系統(tǒng)，是由紅(R)綠(G)藍(B)三種基本色構(gòu)成，其相對應(yīng)的光譜波段為700，546和436 nm。對于常用的8位圖像，每個基本色都有28=256個位階，其灰度值由黑(0)到白(255)變化[11]。本研究中JPG格式的相片是基于RGB顏色系統(tǒng)的，可以直接從相片的各像素中提取RGB的亮度值。

RGB三原色的亮度值具有高度相關(guān)性，HIS顏色空間則是去相關(guān)后的顏色空間，H代表色相，I代表強度或亮度，S代表飽和度。該顏色空間可以由RGB顏色空間轉(zhuǎn)換而來，為了與其他顏色空間參數(shù)區(qū)分，本文用HIS_H，HIS_I，HIS_S表示HIS顏色空間的三個參數(shù)。

1.3.2 CIEXYZ，CIELAB，CIELUV和CIELCH

懷遠石榴雖然品質(zhì)良好，但是缺乏宣傳，知名度十分有限。懷遠縣的石榴很少利用新媒體的宣傳方式，只是依靠品質(zhì)與口碑擴大銷路。當今社會，信息繁多，如何吸引消費者的關(guān)注成為了產(chǎn)品銷售的重要因素之一。“酒香不怕巷子深”的時代早已不復存在，缺乏宣傳的產(chǎn)品很容易導致無人問津。而懷遠的石榴卻恰恰忽視了宣傳這個重要因素。雖然懷遠的石榴拿到了國家的農(nóng)產(chǎn)品獎項，但是由于缺乏宣傳，懷遠石榴的知名度僅限于安徽省北部的地區(qū)即周邊省。這樣會使得即使懷遠石榴及其相關(guān)產(chǎn)品生產(chǎn)出來，也只會積壓在倉庫內(nèi)，造成資源浪費。因此，知名度小是該地區(qū)石榴產(chǎn)業(yè)化的重大阻礙。

1931年，國際照明組織(CIE)通過指定光源為顏色系統(tǒng)制定了標準，并提出CIEXYZ顏色系統(tǒng)。這里的Y代表亮度值，X和Z是虛擬組分，該系統(tǒng)經(jīng)常作為其他顏色系統(tǒng)轉(zhuǎn)換的中間媒介，如CIELAB和CIELUV[11]。

國際照明組織在1976年提出了新的CIELAB和CIELUV顏色空間，都是有CIEXYZ顏色空間轉(zhuǎn)換而來。CIELAB中，L表示亮度，取值范圍是[0, 100]，A表示從綠色到品紅色的范圍，B表示從藍色到黃色的范圍，取值范圍都是[-128，127]，該顏色空間的三個參數(shù)用LAB_L，LAB_A和LAB_B表示。

CIELUV中的L的意義和取值范圍都與CIELAB相同，U和V表示色度，且取值范圍是[-100, 100][12]，顏色空間的三個參數(shù)用LUV_L，LUV_U和LUV_V表示。

CIELCH顏色空間與CIELAB一致，但是它采用了不用的表示方法，L表示亮度，C表示飽和度，H表示色相，這里用LCH_L，LCH_C和LCH_H表示。

圖3給出了不同顏色空間之間的轉(zhuǎn)換關(guān)系，各顏色空間之間的轉(zhuǎn)換公式可參考文獻[12]。這里LAB_L，LUV_L和LCH_L都表示亮度且值相同，因此數(shù)據(jù)分析時統(tǒng)一用LAB_L表示。所有的顏色空間轉(zhuǎn)換計算由“colorscience” 軟件包完成。

圖3 不同顏色空間的變換關(guān)系Fig.3 Color space transformations

1.4 建模與評價

本研究采用隨機森林算法進行建模，隨機森林是一種集成學習方法，該算法會生成很多樹，每棵樹都是通過自舉抽樣的樣本數(shù)據(jù)訓練得到的，并用袋外樣本進行精度驗證，隨機森林的預測結(jié)果則是所有輸出結(jié)果的平均情況[13]。該算法的主要參數(shù)都用默認值，即決策樹個數(shù)(ntree=500)和節(jié)點數(shù)(mtry約為總變量數(shù)的1/3)。利用隨機選取的建模數(shù)據(jù)集(70%)進行建模，采用留一交叉驗證(LOOCV)進行精度校正，然后用余下的驗證數(shù)據(jù)集(30%)進行檢驗，重復100次以確定最優(yōu)模型參數(shù)。此外，選取決定系數(shù)(R2)，均方根誤差(RMSE)和相對分析誤差(RPD)作為模型精度檢驗指標，其計算方法如下

一般情況下，預測能力較好的模型具有較高的R2和較低的RMSE。有研究表明，RPD>2 表明模型有較高的預測能力，1.4

2 結(jié)果與討論

2.1 土壤顏色參數(shù)與電導率的關(guān)系

從數(shù)碼相片中獲取圖像的RGB空間的顏色參數(shù)之后，經(jīng)過上述顏色空間轉(zhuǎn)換得到其他顏色空間參數(shù)。將所有顏色空間的參數(shù)和電導率做相關(guān)分析，結(jié)果如圖4所示。圖中將所有顏色參數(shù)分成3組，相關(guān)性較大的參數(shù)聚集成一組，且只顯示相關(guān)性達到極顯著水平(p<0.01)的值，相關(guān)性未達到極顯著水平的值不予顯示?？梢钥闯觯琇AB_A，LAB_B，LUV_U，LUV_V，LCH_C和HIS_S之間的相關(guān)性較大，且與其他參數(shù)的相關(guān)性基本都未達到極顯著水平； LCH_H和HIS_H的相關(guān)性較大，HIS_H與其他參數(shù)相關(guān)性基本未達到極顯著水平，但LCH_H與LAB_A和LUV_U有一定的負相關(guān)關(guān)系； 余下的顏色參數(shù)(R，G，B，X，Y，Z，LAB_L，HIS_I)之間具有較高的相關(guān)性，且與其他顏色參數(shù)都未達到顯著水平。

圖4 顏色空間參數(shù)與電導率之間的相關(guān)系數(shù) ×表示參數(shù)間的相關(guān)性未達到極顯著水平Fig.4 Correlation coefficient between EC andparameters in various color spaces × means the non-significant correlation

從顏色模型的角度分析，LAB_A，LAB_B，LUV_U，LUV_V，LCH_C和HIS_S都是表示顏色純度的參數(shù)，雖然在不同的顏色空間中有自己的值域，但是經(jīng)過轉(zhuǎn)換后的參數(shù)之間的相關(guān)系數(shù)仍較高(r>0.82，p<0.001)。HIS_H和LCH_H都是表示顏色色相的參數(shù)，二者之間的相關(guān)系數(shù)為r=0.81 (p<0.001)。R，G，B，X，Y，Z，LAB_L和HIS_I都是表示顏色亮度的參數(shù)，在不同的顏色空間也有自己的值域，相關(guān)系數(shù)最小值為r=0.92(p<0.001)?？梢岳斫鉃?，雖然各顏色空間的顏色表達不一樣，但是顏色三要素(純度，亮度，色相)之間互相影響較小。

從電導率與顏色參數(shù)之間的相關(guān)關(guān)系可以看出，電導率與所有表示顏色亮度參數(shù)的相關(guān)性都達到了極顯著水平，最小值是R參數(shù)與電導率之間的相關(guān)系數(shù)r=0.39(p=0.005)。電導率與表示顏色純度的參數(shù)也都達到了顯著水平，最小值是LAB_A與電導率之間的相關(guān)系數(shù)r=0.35(p=0.011)。電導率與表示顏色色相參數(shù)(LCH_H和HIS_H)之間的相關(guān)性都沒有達到顯著水平，相關(guān)系數(shù)分別為0.26(p=0.06)和0.05(p=0.72)。

2.2 模型構(gòu)建與評價

圖5 土壤電導率的觀測值與預測值對比Fig.5 Scatter diagram of observed and predicted EC

已有研究利用相機拍照獲取顏色參數(shù)來構(gòu)建土壤鹽分模型。Ren等[15]研究了東北地區(qū)典型的蘇打鹽堿土，發(fā)現(xiàn)土壤鹽分越大，地表干燥后的裂紋就越大，以此現(xiàn)象著手，計算每個相片的灰色共生矩陣紋理特征，基于此建立了精度很高的土壤鹽分預測模型(R2=0.92)。Xu等[5]研究了西部干旱區(qū)土壤鹽分，發(fā)現(xiàn)鹽分有表聚現(xiàn)象，泛白的鹽分對日光有較高的反射率，導致相片有較高的亮度值，在獲取相片數(shù)據(jù)RGB顏色空間參數(shù)后，對相片的每一個像素進行深度分析，建立了精度很高的土壤鹽分預測模型(R2=0.90)。與上述研究不同，本文研究區(qū)位于東部濱海，土壤鹽分常常受到土壤水分的影響，表1中可以看出濱海地區(qū)很少有地表干燥的土壤，所以既無鹽分表聚，也無地表裂紋現(xiàn)象。因此，本文從顏色空間的角度探索一種新的土壤鹽分反演途徑，在有土壤水分干擾的情況下，獲得了精度較好的模型。除此之外，獲取相片時的光環(huán)境變化會對相片的RGB顏色空間有一定的影響，最終對模型精度有一定的影響。

圖6對各參數(shù)變量的重要性做了比較?？梢钥闯龅梅州^高的前5個變量都是顏色純度參數(shù)，如LUV_U，HIS_S，LUV_V，LCH_C和LAB_B，位于中間的8個變量是顏色亮度變量，如HIS_I，R，Y，B，Z，X，G和LAB_L，最后兩個變量是色相參數(shù)，也是與電導率相關(guān)性較小的兩個個變量，其中LCH_H與電導率的相關(guān)性最小，在模型中的貢獻也最小，該結(jié)果與圖4中電導率與顏色參數(shù)的相關(guān)系數(shù)結(jié)果一致。

圖6 不同顏色空間參數(shù)的重要性比較Fig.6 The importance of variables in different color spaces

土壤顏色空間逐漸成為土壤研究方向的科研熱點[16-17]。吳才武等[17]利用數(shù)碼相機獲取黑土表面顏色信息，研究了不同顏色空間參數(shù)(RGB，CIELAB，CIELUV和CIELCH)及其數(shù)學變換形式，并建立其與有機質(zhì)含量之間的關(guān)系，根據(jù)模型建立和檢驗的綜合評價，認為RGB顏色空間更能有效反演土壤有機質(zhì)，其次是CIELUV，CIELAB和CIELCH。Fu等[16]在實驗室內(nèi)用手機拍照獲取不同水分狀態(tài)下的土壤相片，反演復雜情況的土壤有機質(zhì)含量，通過5個顏色空間(RGB，HIS，CIELUV，CIELAB和CIELCH)的參數(shù)對比分析，發(fā)現(xiàn)不同水分狀態(tài)下土壤有機質(zhì)含量與顏色參數(shù)的相關(guān)性不同，認為土壤水分含量較少(<10%)的情況下，R對土壤有機質(zhì)有較好的預測能力。土壤水分含量較高(>10%)的情況下，LCH_H，LCH_C和LUV_U能夠較好的預測土壤有機質(zhì)含量。以前的研究大多針對不同顏色參數(shù)與土壤屬性之間的關(guān)系，較少的認識到顏色參數(shù)間的屬性歸類，而且顏色空間在土壤鹽分預測方面的研究也較少。本研究彌補了這一空白，認為土壤顏色純度是土壤含鹽量估算的重要參數(shù)，其次是土壤顏色亮度，而土壤顏色色相對土壤含鹽量的估算能力較小。

土壤顏色本身并不是土壤的功能屬性，卻是反演土壤功能屬性的重要參數(shù)。本研究通過數(shù)碼相機獲取濱海土壤顏色參數(shù)，并通過顏色空間轉(zhuǎn)換獲取了其他顏色參數(shù)，通過多個顏色參數(shù)建立了土壤含鹽量快速預測的新方法。土壤顏色受多種因素的影響，如土壤有機質(zhì)，土壤質(zhì)地，土壤鐵含量，土壤含水量等[5, 12]，而最終獲取的土壤相片顏色又受到天氣情況，日照強度，相機參數(shù)設(shè)置等因素影響[9]。因此，該模型是在眾多因素影響下建立起來的魯棒性較強的土壤鹽分反演模型。

采樣區(qū)聚集在東部濱海地區(qū)，我們認為土壤有機質(zhì)、 土壤鐵含量和土壤質(zhì)地等土壤背景參數(shù)基本相同，并認為土壤含水量和含鹽量是影響土壤相片顏色的主要因素，這樣得到的模型就可以忽略土壤含水量的影響。同時為了模型具有更大的魯棒性和普適性，我們選擇在不同天氣情況下獲取相片數(shù)據(jù)，以此獲取對天氣因素免疫的土壤鹽分模型。

作為顏色三要素之一的顏色純度是模型中起主要作用的參數(shù)，它們大都與土壤鹽分有極顯著的負相關(guān)關(guān)系，具體物理聯(lián)系尚不清楚。土壤顏色亮度與土壤含水量、 周圍光環(huán)境和相機曝光設(shè)置有一定的關(guān)系[7]，在天氣多變的情況下，選擇自動曝光模式對相片亮度有較好的統(tǒng)一作用。顏色色相是常用來分辨顏色的重要參數(shù)，在模型中的作用卻是最次要的，可能是由于同一地區(qū)土壤顏色差異較小，僅通過色彩差異不足以反演土壤鹽分帶來的變化。本文僅僅通過顏色空間轉(zhuǎn)換等方法來探索顏色參數(shù)對土壤鹽分的反演過程，各個顏色參數(shù)與土壤鹽分的物理關(guān)系仍不明確，需進一步實驗研究。

3 結(jié) 論