本站小編為你精心準備了稀疏植被區土壤含鹽量反演參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《土壤學報》2015年第七期

摘要

植被對土壤光譜的干擾是目前土壤鹽漬化遙感監測的重要限制因素之一，探索消除稀疏植被覆蓋區植被對光譜影響的方法，對提高土壤含鹽量遙感反演精度具有重要意義。本文通過對189組不同植被覆蓋度且不同鹽漬化程度種植微區野外實測地表可見-近紅外反射光譜進行分析，比較并評價了基于原始光譜和盲源分離（Blindsourceseparation,BSS）后光譜預測土壤含鹽量的結果。結果表明：地表植被覆蓋嚴重影響基于可見-近紅外反射光譜的土壤含鹽量反演精度。盲源分離方法，尤其是基于方程z=tanh(y)的獨立分量分析（Independentcomponentsanalysis,ICA）算法，可有效分解植被和土壤的混合光譜，并提高植被覆蓋下基于可見-近紅外反射光譜的土壤含鹽量反演精度。該方法為植被覆蓋區大尺度土壤鹽漬化遙感監測提供了方法指導。

關鍵詞

稀疏植被覆蓋；可見-近紅外反射光譜；土壤含鹽量；盲源分離

土壤鹽漬化是世界性生態環境問題之一，也是導致土壤荒漠化和土壤退化的主要誘因之一。鹽漬化土壤中的可溶性鹽，嚴重影響作物生長，并威脅作物產量，是農業可持續發展的重要限制因素。近年來，全球鹽漬化以及次生鹽漬化土壤的面積不斷增加，因此，對鹽漬化土壤的鹽漬化程度、面積以及空間分布的實時、動態監測尤為重要，這也是制訂綜合治理措施，合理利用土地的關鍵。傳統監測土壤鹽漬化的方法，主要依靠野外采樣，不僅耗費大量人力、物力以及財力，且結果易受采樣范圍、采樣時間及樣點空間分布影響。遙感方法以其覆蓋面積大、更新速度快、經濟等優勢迅速成為大尺度土壤鹽漬化監測的主要手段[1]。高光譜分辨率遙感因其豐富的光譜信息和較高的光譜分辨率，可探測到微弱的光譜變化，受到越來越多學者的青睞。國內外諸多學者采用高光譜遙感影像或近地光譜對含鹽土壤的敏感波段進行了研究，研究表明富含NaCl的土壤在1970～2450nm、1442nm、1851nm、1958nm和2226nm附近有診斷性吸收特征[2-3]。

另有學者基于遙感影像或光譜數據對土壤含鹽量進行了反演研究，研究表明偏最小二乘回歸模型（Partialleastsquaresregression,PLSR）、人工神經網絡（Artificialneuralnetwork,ANN）、多元線性回歸分析和各種鹽分光譜指數均可用于土壤含鹽量的定量反演[4-9]。但是當前大多數研究以裸土光譜為研究對象，缺乏植被對光譜反射率影響的考慮，遙感監測中直接獲取的往往是植被和土壤的混合光譜，因此，采用混合光譜直接反演土壤含鹽量的精度有限。鹽漬化程度較高的土壤一般很少有植被生長，但是對于中低鹽漬化程度的土壤而言，一些鹽生植被或作物仍可生長。對有植被覆蓋的地表而言，遙感或者近地光譜探測到的大都是土壤與植被的混合光譜。因此，植被對土壤光譜的干擾是目前土壤鹽漬化遙感監測的重要限制因素之一[1,10]。針對有植被覆蓋的地表土壤屬性遙感反演，傳統方法是掩膜掉高植被覆蓋區[11]，但這造成了高植被覆蓋區土壤數據的缺失。土壤鹽分影響植物生長，因而一些學者試圖利用植物的生長狀況間接反映土壤鹽漬化狀況，并構建各種植被指數與土壤含鹽量建立關系。研究發現，歸一化植被指數（Normalizeddifferencevegetationindex，NDVI）[12]、光化學植被指數（Photochemicalreflectanceindex,PRI）、紅邊位置（Rededgeposition,REP）、葉綠素歸一化指數（Chlorophyllnormalizeddifferenceindex,ChlNDI）[13]、改進的歸一化植被指數（ModifiedNDVI）[9]和土壤調節植被指數（Soiladjustedvegetationindex,SAVI）[14]均與土壤含鹽量有較高的相關性。由于上述指數不是直接針對土壤含鹽量建立的，故并不適用于所有研究。例如，Zhang等[14]研究指出除SAVI以外，上述指數均與土壤含鹽量呈弱相關。Zhang[15]和Douaoui[16]等在其研究中也指出NDVI不是一個很好的土壤含鹽量預測指數。丁建麗等[17]用實測綜合光譜指數建立的高光譜模型可準確提取土壤鹽漬化信息，結果明顯優于傳統遙感方法中單純利用植被指數或者土壤鹽分指數的模型。上述研究表明，用植被指數反演植被覆蓋區土壤含鹽量易受研究區及作物品種等外界因素影響，缺乏普適性和可移植性。如何去除或減弱植被對土壤光譜的干擾，近年來成為土壤含鹽量遙感反演急需克服的瓶頸[10]。

針對如何去除植被信息對土壤光譜影響的研究，國內外的研究尚且有限。Bartholomeus等[18]首次提出殘余光譜分解算法（Residualspectraunmixing,RSU），將土壤光譜和植被光譜從混合光譜中分解開，并建立土壤有機質與所提取土壤光譜的PLSR模型，驗證集均方根誤差為1.65gkg-1，與植被去除前相比，預測精度大有提高。但是RSU的應用有一個前提條件，即事先要獲取土壤和植被在混合像元中所占的比例，以及土壤和植被端元的光譜信息。然而，在實際應用中上述信息并不一定完全可獲取，這就限制了RSU方法的使用范圍及工作效率。Ouerghemmi等[19]采用盲源分離（Blindsourceseparation,BSS）方法，在沒有源信號和混合信號任何先驗知識的前提下將植被和土壤光譜分解，并利用分離出的土壤光譜建立土壤黏粒含量的反演模型。雖然BSS方法廣泛應用于通訊[20-21]、生物醫學[22-23]、地球物理學[24-25]以及圖像處理[26-27]等領域，但是其在土壤學中的應用還很少。該方法是否適用于土壤含鹽量反演，尚需進一步探討。本文以不同植被覆蓋度地表的野外實測可見-近紅外反射光譜數據為研究對象，采用BSS方法去除植被對土壤光譜的影響，并建立土壤含鹽量的PLSR反演模型，探索植被覆蓋區土壤含鹽量的遙感反演方法，為鹽漬化土壤大尺度遙感監測提供方法指導。

1材料與方法

1.1研究區概況研究區位于江蘇省東臺市弶港鎮東南部黃海原種場內（120°54′6.48″E,32°38′40.16″N），東臨黃海。該區位于北亞熱帶北緣，海洋性季風氣候顯著，四季分明，日照充分，多年平均氣溫14.7℃，降水量1042mm，主要集中在6—9月，蒸發量1417mm。土壤為濱海鹽土，母質為江淮沖積-海相沉積物，土壤剖面均勻，以粉砂占優勢，是蘇北鹽漬化土壤的典型代表。

1.2試驗設計與數據采集試驗田塊用PVC板等分為50個1.5m×1m的微區，以減少微區之間水分和鹽分的側向移動。為獲取不同鹽漬化程度的土壤，結合氯化物鹽土的分級標準及大麥對鹽分的耐受能力，將微區鹽分含量控制在空白對照、0.3%、0.5%、0.7%和0.8%五個等級。此外，本研究對該區土壤樣品八大離子的測定結果[28]和已有研究結果均表明該區主要土壤鹽分組成為NaCl[29]，因此，本研究通過添加NaCl的方式來控制各微區土壤含鹽量，將其均勻地灑在翻耕過的土壤表面，進行旋耕，旋耕深度為20cm，之后進行土地平整，放置3d使NaCl與耕層土壤充分混合后進行播種。每個鹽分梯度均包括10個微區，該10個微區播種不同數目的大麥種子，以獲取不同植被覆蓋度。試驗期施肥、灌溉、除草和除蟲等田間管理與本地常規相同。在整個大麥生長期，定時采集土壤樣品、地表光譜以及植被覆蓋度。本文以植被尚未完全覆蓋地表前的2013年12月5日（出苗期）、2013年12月29日（越冬期）、2014年1月21日（越冬期）以及2014年3月22日（拔節期）等4個時間采集的數據為數據源，共計50×4=200組。由于人為原因，其中11組數據由于測量誤差較大，未用于數據分析，本研究共采用189組數據進行數據分析。光譜數據采用美國ASD公司生產的Fieldspec3Hi-Res型地物光譜儀進行采集，其波長范圍為350～2500nm，光譜分辨率在350～1000nm為3nm，在1000～2500nm為10nm。為了減少光照、太陽高度角等因素對地表反射率的影響，選擇晴朗無云的天氣進行光譜測量，測量時間為北京時間上午12點至下午2點。采用25°視場角探頭，探頭始終位于微區中心上方垂直于地表1.3m的位置，視場直徑約為57cm。每次光譜采集前均進行白板校正，每個微區采集10條光譜曲線，算術平均后得到該微區的實際光譜反射率數據。由于邊緣波段350～379nm和2401～2500nm信噪比低，1351～1450nm和1801～1950nm受空氣中的水汽影響較大，在后續分析過程中去除上述波段數據。植被覆蓋度從拍攝的數碼照片中采用分類的方法提取。拍攝照片前將一個100cm×75cm的矩形框放在微區中間位置，然后將相機架于微區上方1m的位置，調節焦距，當整個矩形框全部進入視野時，拍攝照片。在此基礎上，將照片的紅綠波段值相減，然后設定一定的閾值將計算后的圖像二值化，用濾波工具去除噪聲點，最后統計植被占整個照片的比例，就得到了該微區的植被覆蓋度。土壤樣品采集采用梅花采樣法，每個微區采集0～5cm深度的樣品5個，混合后的樣品為該微區的土壤樣品。采集的土壤樣品風干、研磨、過篩（2mm）后，用于測定土壤電導率。稱取10g土樣置于離心管中，加入50ml無CO2去離子水振蕩，以4500rmin-1轉速離心10min后用電導率儀測定其上清液電導率。對部分土壤樣品進行離子組成的測定，采用常規分析法（土水比1:5）確定土壤各離子組成含量，計算相應的土壤全鹽含量，得出該研究區土壤全鹽含量與浸提液電導率的換算關系[28]，并用該關系將土壤電導率轉換為土壤全鹽含量。

1.3盲源分離盲源分離是在源信號及傳輸信道參數均未知的情況下，根據源信號的統計特性，僅用觀測到的信號來恢復或分離源信號的過程。在該過程中，“盲”具有兩重含義：一是源信號不能被直接觀測到；二是源信號在傳輸過程中是如何被混合的未知。所以，盲源分離僅僅是利用包含在觀測信號中的信息來解決問題的一種方法。獨立分量分析方法（Independentcomponentanalysis,ICA）是近年逐步發展起來的一種新的多維信號處理算法，也是當前最成熟的BSS方法之一，其目的是從多通道觀測得到的由若干具有統計獨立特性的源信號組成的混合信號中將隱藏的獨立分量（源信號）分離或提取出來，基于BSS的ICA目的是：根據混合信號x(t)和源信號s(t)的統計獨立性通過迭代尋找解混矩陣W，使輸出y(t)盡可能在相互獨立的前提下逼近源信號s(t)，從而達到盲源分離的目的。本文采用的為ICA算法，由于對源信號和混合矩陣無先驗知識可以利用，因此必須對源信號和混合矩陣做出某些附加假設：(1)假設源信號之間是相互獨立的；(2)若想使得WA=I，必須假設A是列滿秩矩陣；(3)觀測信號數多于或等于源信號數，即m≥n；④假設觀測信號的噪聲是可以忽略的。

1.4建模方法及精度評價模型建立采用偏最小二乘回歸（PLSR）方法，PLSR方法是目前土壤屬性光譜預測普遍采用的一種多元回歸分析方法，該方法將多元線性回歸、變量的主成分分析以及變量間的典型相關分析有機結合，可同時實現回歸建模、數據簡化以及相關分析，為多元數據分析提供了極大的便利，尤其對樣本量小，自變量多，且變量間存在嚴重相關性的數據具有獨特的優勢。本研究將所有數據按照含鹽量從低到高排序，每隔兩個取出一個作為驗證集，其余為建模集（126個建模集+63個驗證集），首先采用完全交叉驗證（Fullcrossvalidation）方法對所建模型進行驗證，然后用獨立驗證集對模型進行驗證。為了減少異常樣本對建模和預測結果的影響，本研究剔除殘差大于3倍樣本集標準差，以及杠桿值大于3倍建模集杠桿值均值的異常樣本[28]。PLSR模型的建立采用TheUnscramblerX10.1軟件實現。精度評價主要采用以下參數：建模集交叉驗證決定系數（Coefficientofdeterminationincrossvalidation，R2cv）、建模集交叉驗證均方根誤差（Rootmeansquareerrorofcrossvalidation，RMSEcv）、建模集交叉驗證測定值標準偏差與標準預測誤差的比值（Ratioofstandarddeviationtostandarderrorofcrossvalidation，RPDcv）、驗證集決定系數（Coefficientofdeterminationinprediction，R2p）、驗證集均方根誤差（Rootmeansquareerrorofprediction，RMSEp）和測定值標準偏差以及標準預測誤差的比值（Ratioofstandarddeviationtostandarderrorofprediction，RPDp）。R2cv、R2p以及RPDcv、RPDp越大，RMSEcv和RMSEp越小，表明建模精度越高。

2結果

2.1基于原始光譜的土壤含鹽量預測將所測不同植被覆蓋度下的地表原始光譜與土壤含鹽量建立PLSR模型，并用獨立的驗證集對所建模型的精度進行驗證，結果如圖2所示。地表原始光譜并不能很好地反演土壤含鹽量，建模集R2cv僅為0.53，RMSEcv=3.54gkg-1，RPDcv=1.47，線性擬合直線遠遠偏離1:1線（圖2a）。驗證集的結果同樣較差，R2p=0.50，RMSEp=3.33gkg-1，RPDp=1.41，線性擬合方程的系數僅為0.55（圖2b）。由此可見，直接用所測原始光譜與土壤含鹽量建立模型，所得預測結果的精度遠不能滿足實際需要，因此，若想進一步改善植被覆蓋下土壤含鹽量的預測精度，應對植被和土壤的混合光譜進行分解，以去除植被對土壤光譜以及土壤含鹽量預測的干擾。

2.2基于盲源分離后土壤光譜的土壤含鹽量預測為驗證盲源分離法所提取土壤光譜的有效性，本文將ICA算法所提取的土壤光譜與土壤含鹽量建立PLSR模型，并用獨立的驗證集來檢驗模型的精度。基于盲源分離后的土壤光譜所建立的PLSR模型，建模集較原始光譜所建模型的預測精度有大幅度改善，建模集R2cv提高至0.66，RMSEcv降低至3.10gkg-1，RPDcv提高至1.70，所有數據點都基本均勻分布在1:1線附近。模型驗證集的精度也有較大改善，R2p=0.62，RMSEp=2.89gkg-1，RPDp=1.57，回歸方程系數達0.78（圖3）。該結果表明，盲源分離后的土壤光譜可有效反演土壤含鹽量，盲源分離法可提高植被覆蓋下土壤含鹽量預測精度。

3討論

基于土壤和植被的混合光譜進行土壤含鹽量估測，結果表明其估測精度有限（R2cv=0.53，RMSEcv=3.54gkg-1，RPDcv=1.47，R2p=0.50，RMSEp=3.33gkg-1，RPDp=1.41），難以滿足實際需求，仍有進一步改善的空間。植被影響土壤的光譜形態特征，植被覆蓋度越高，700nm附近植被的紅邊特征越明顯。當植被覆蓋度達20.0%以上時，地表光譜接近植被光譜，土壤的光譜特征已不明顯[30]。因此，植被對土壤含鹽量的光譜估測有一定的干擾。

盲源分離方法根據源信號的統計特征，利用其自身的統計特性將其識別并從混合信號中分解出來，且無需源信號和混合信號的任何先驗知識。本文根據盲源分離方法的這一特性，將土壤光譜從混合光譜中分解出來，并利用提取出的土壤凈光譜進行土壤含鹽量的預測。結果表明：和原始光譜相比，基于去除植被后光譜的土壤含鹽量預測精度更高，與Bartholomeus[18]和Ouerghemmi[19]等的結論一致。由于構成混合光譜的源光譜的個數以及所占比例未知，盲源分離過程中如何確定合適的源的個數至關重要。本研究對如何選擇最佳的源個數進行了探討，嘗試用2、3和4個源分別對數據進行分解。現以植被覆蓋度為8.23%的數據為例進行圖示說明。當植被覆蓋度為8.23%時，地表反射光譜呈現出明顯的植物的光譜特征，尤其是在700nm附近出現明顯的紅邊特征，如圖4a所示。當設定源的個數為2時，混合光譜被分解為兩條獨立的光譜，和地物光譜庫中的植物以及裸土光譜比較相似，其形態特征以及特殊吸收波段均比較類似（圖4b）；增加源的個數至3時，分離后的光譜曲線上出現很多類似噪音的點，光譜曲線不再平滑，且分離出的光譜曲線之間差異不顯著，與植物的光譜特征較吻合，但是與土壤的光譜特征相差較大（圖4c）；當源的個數增加至4時，分離出的光譜曲線更不連貫，雖然從形態上大致可以看出其中一條類似植物光譜，但由于其取值不連貫，整條曲線不平滑，噪聲點較多，實際應用價值不大（圖4d）。

上述結果表明，源的最佳取值為2，表明組成混合光譜的主要地物為植物和土壤，其他地物如殘留秸稈、裸露石塊等異物盡管在野外光譜測量中不可避免，但是其作用與植物和土壤相比較弱，對土壤光譜的干擾作用并不顯著，在盲源分離過程中可不予考慮，故本文所有分析過程源的個數均設為2。盲源分離方法可將植被和土壤光譜有效分解的前提是：探測器探測到足夠的土壤信息。因此，當植被覆蓋度過高時，混合光譜中沒有包含足夠多的土壤信息，盲源分離方法將無法有效地分離植被和土壤光譜。所有189個植被覆蓋下分離后光譜與裸土平均光譜的光譜角的計算結果表明（圖5）：當植被覆蓋度低于30%時，土壤光譜角基本未超過40°（黑色虛線），而當植被覆蓋高于30%時，土壤光譜角迅速增加并超過40°。該結果說明隨著植被覆蓋度的增加，BSS方法分離出的土壤光譜與裸土光譜差異逐漸增大。由此可知，當植被覆蓋度低于30%時，BSS方法更有效，且隨著植被覆蓋度的增加，BSS方法的有效性迅速降低。盡管當植被覆蓋度過高時，BSS的有效性有所降低，但和基于混合光譜的土壤含鹽量預測結果相比，BSS提取出的土壤光譜仍可改善土壤含鹽量的估測精度（圖2和圖3）。盡管經盲源分離后提取出的土壤光譜改善了基于原始光譜的土壤含鹽量預測精度，但是其預測精度還有待進一步提高，因為在現有研究中尚未考慮土壤水分、土壤粗糙度等其他外部因素對土壤含鹽量預測精度的影響，而上述因素在已有研究中已被證明是影響土壤屬性光譜預測精度的重要因素[31-33]。本文旨在探討植被干擾的去除，因為植被是鹽漬化土壤遙感監測中對土壤含鹽量預測精度影響最大的因素，有關分離后土壤光譜中土壤水分、粗糙度干擾的去除或削弱研究已經在進行，將在今后的文章中詳細探討。

4結論

植被覆蓋嚴重干擾地表土壤反射光譜，且導致基于地表光譜的土壤含鹽量預測精度較低，盲源分離方法可有效分解土壤和植被的混合光譜。然而，盲源分離并不適用于所有植被覆蓋度，其僅適用于部分植被覆蓋的地表，當地表植被過于茂密時，該方法將不能有效發揮作用。盲源分離法所提取的土壤光譜可有效反演土壤含鹽量，并改善基于原始光譜的土壤含鹽量反演精度。本研究有助于實現部分植被覆蓋下土壤含鹽量的遙感預測，將有效解決當前植被覆蓋區土壤屬性遙感監測精度有限的問題，對“植被干擾”這個困擾土壤遙感多年的問題，提出了一種有效的處理方法，同時也為實現土壤鹽漬化快速、準確的遙感監測提供了方法支持。

作者：劉婭 潘賢章 石榮杰 李燕麗 王昌昆 李志婷 單位：中國科學院土壤環境與污染修復重點實驗室（南京土壤研究所） 中國科學院大學