基于高光譜的河套灌區農田表層土壤質地反演研究

白燕英，魏占民＊，劉全明，郭桂蓮，劉霞

（1.內蒙古農業大學水利與土木建筑工程學院，內蒙古 呼和浩特 010018；2.內蒙古鄂爾多斯市伊金霍洛旗水保局，內蒙古 伊金霍洛旗 017200）

0 引言

河套灌區是內蒙古自治區重要的糧食生產基地，目前灌區對農田土壤的基礎監測工作相對落后。土壤質地作為較穩定的土壤自然屬性，對土壤結構、孔隙狀況、保水性、保肥性、耕性等影響較大。長期以來，土壤質地主要依賴于土壤物理分析方法，要獲取區域尺度的土壤質地分布，需要進行大量的采樣和分析，速度慢，效率低［1］。遙感技術能提供宏觀、實時的連續動態地面觀測，決定了它能在灌區尺度上對土壤的基礎信息采集發揮重要作用［2］。

對土壤光譜特性的研究是應用遙感對土壤進行監測的基礎。土壤是由礦物質、有機質、水和空氣組成的三相物質，因此其光譜特性是多種物質光譜的綜合表現，普遍認為土壤有機質含量、含水量、氧化鐵含量、機械組成、母質等是影響土壤光譜特性的主要理化性狀［3］。目前土壤有機質含量、含水量的光譜研究成果較多，而對土壤質地的光譜特性研究相對較少。黃明祥等研究表明，海涂土壤在近紅外700～1 200nm之間沙礫含量與光譜反射率的相關性最高，呈負相關且其相關系數達到－0.78［4］。王德彩等建立了精度較高的土壤砂粒、粉粒、粘粒含量的VNIR光譜預測模型［1］。李春蕾等研究表明，野外光譜430nm為土壤砂粒含量的敏感波段，原始光譜對數的倒數與土壤砂粒含量的相關系數在430 nm 處達到最大值0.76［5］。

本文以河套灌區解放閘灌域為研究區域，研究農田表層土壤粘粒、粉粒和砂粒的光譜特性，以建立不同粒徑含量與光譜的關系模型，為應用高光譜遙感監測該區域農田表層土壤質地提供理論依據。

1 研究區概況與土壤樣品的采集

河套灌區解放閘灌域南北長約87km，東西寬約78km，海拔高程為1 032～1 050m，南鄰黃河，北靠陰山山脈的狼山。灌域總控制面積21.568萬hm2，其中灌溉面積14.21萬hm2，包括農田12.199萬hm2，林果地0.551 萬 hm2，牧草地1.461 萬hm2［6］，其中農田面積占總灌溉面積的85.85%。

野外土樣采集時間為2012年3月28－31日，此時，土壤表層已經解凍，農作物還沒有種植。采樣對象為農田表層0～10cm土壤，范圍遍布整個灌域，研究區概況及57個采樣點位置如圖1所示。采樣方法：為了與ETM＋遙感圖像（分辨率30m×30 m）相對應，盡量選取地面特征一致、長寬均大于50 m的農田，在農田中央采用“X”法取樣，計5個點（GPS定位），混合土樣，并用相機對采樣點實地狀況拍照。

2 實驗室分析

研究區域土壤礦物質組成基本一致，有機質含量為0.21%～3.08%，平均1.3%，含量較低。有關研究表明，土壤有機質含量大于2.0% 時，其與光譜反射率之間相關性較好，而小于2.0% 時，其它土壤理化性質對光譜的影響將會掩蓋土壤有機質對光譜的影響［7］。在常溫下自然風干土樣以去掉土壤水分對光譜的影響，盡可能減少土壤質地以外因素對土壤光譜的影響。土樣風干后，剔除植物殘茬、石粒等雜質，磨細，過1mm孔徑篩，充分混勻，分成兩份，一份用于實驗室土壤質地分析，另一份用于土壤光譜測定。

圖1 解放閘灌域概況及采樣點分布Fig.1 General situation of Jiefangzha irrigation sub－district and distribution of sampling points

2.1 土壤質地測定

采用德國新帕泰克HELOS／BR粒度儀測定土壤質地，土壤粒級劃分采用中國制，粘粒為0～2 um，粉粒為2～50um，砂粒為50～1 000um。采樣點土壤質地的統計特征見表1。

表1 土壤質地的統計特征值Table 1 Statistical characteristic of soil texture

2.2 土壤光譜測量

實驗室光譜測量采用ASD FieldSpec Hand－Held光譜儀，光譜范圍325～1 075nm，重采樣間隔為1nm。實驗在暗室內進行，被測土樣裝滿（與培養皿上緣齊平）直徑為10cm、深1cm的玻璃培養皿內（認為是光學上無限厚），將視場角為25°的探頭置于土樣15cm的垂直上方。另有2臺能夠提供平行光的50W的鹵光燈，光源位于土樣兩邊距土樣約50cm、30°的照射角度。每間隔10min重新優化一次光譜儀的積分時間并對參考白板進行反射校正，每次優化和對白板的反射校正進行10次重復，每個土樣的反射光譜測量也進行10次重復。光譜兩端（325～420nm，900～1 075nm）受暗電流、溫度和環境影響較大，存在較大噪聲，本次研究去除325～370 nm和1 000～1 075nm波段，對370～420nm和900～1 000nm波段進行去噪處理。本文采用Matlab7.0工具箱基于小波變換的閾值去噪方法，以“sym8”作為小波母函數，選擇“Rigorous SURE”為閾值方法、“Scaled white noise”為噪聲結構進行去噪和平滑處理。去噪后的光譜進行10nm間隔重采樣，得到370～1 000nm范圍共64個光譜波段。

3 數據處理

3.1 土壤粒級含量與光譜反射率的相關性分析

分別對57個土樣的粘粒、粉粒、砂粒含量與光譜反射率進行相關分析，去掉3個異常點，剩余54個樣本，分別得到粘粒、粉粒、砂粒含量與光譜反射率的相關系數（圖2）。相關性分析結果表明，粘粒含量與光譜反射率的相關性小于粉粒、砂粒與光譜反射率的相關性。其中粘粒含量與反射率呈正相關，相關系數范圍0.407～0.462；粉粒含量與反射率呈正相關，相關系數為0.322～0.657；砂粒含量與反射率呈負相關，相關系數為－0.369～－0.673。其中粘粒含量與各波段的相關性變化趨勢不明顯，在370 nm處最大；粉粒含量與砂粒含量與各波段的相關性隨著波長的增加而增加，在1 000nm處最大。

3.2 土壤粒級含量與光譜反射率各種變換形式的相關性分析

為尋找土壤粘粒、粉粒和砂粒含量的最佳敏感波段和反演方程，本研究選取4種土壤光譜的變換形式，包括反射率倒數1／R、反射率對數log R、反射率倒數的對數log（1／R）、反射率對數的倒數1／log R，及步長10nm、20nm、30nm、40nm、50nm 的反射率差分、1／R 差分、log R 差分、log（1／R）差分和1／log R差分，應用Matlab軟件實現光譜的上述變換，分別得到與粘粒、粉粒和砂粒含量相關系數最大的20個波段的變換形式，由于篇幅有限，本文僅列出相關系數最大的前10個波段的變換形式（表2）。

粘粒含量不僅與光譜反射率的差分相關性好，敏感波段集中在550～630nm，還與反射率倒數差分相關性好，敏感波段主要集中在690～750nm，且與710nm、740nm波段的反射率倒數差分相關性最好，決定系數為0.31，明顯大于其與原始反射率的最大相關系數0.21；粉粒、砂粒含量僅與光譜反射率差分相關性好，敏感波段集中在440～540nm，且粉粒、砂粒含量與480nm和510nm波段的差分相關性最好，決定系數分別為0.57和0.56，也明顯大于其與原始反射率的最大相關系數0.43和0.45。

圖2 粘、粉、砂粒含量與，反，射率的相關系數Fig.2 Correlation coefficient of claysiltsand content and reflectance

表2 土壤粒級含量相關性最大的10個波段及決定系數Table 2 Ten sensitive bands of clay，silt，sand content and determination coefficient

4 模型建立

上述研究表明，粘粒、粉粒和砂粒都有其對應的敏感光譜波段，敏感程度主要靠不同粒徑含量與其對應的波段相關性體現，相關性越大的波段表明越能明顯地反映其對應的土壤粒徑含量。本文應用一元線性回歸模型和BP神將網絡模型建立不同粒徑含量與其對應的敏感光譜波段關系模型，并比較兩種模型的精度。本文總樣本數54個，隨機選取40個樣本（總樣本數的3／4）建模，另外14個樣本（總樣本數的1／4）用于模型精度檢驗。

4.1 一元線性回歸模型

根據表2可知，粘粒含量與710nm和740nm波段的反射率倒數差分相關性最好，粉粒、砂粒含量與480nm和510nm波段的差分相關性最好，本文應用上述波段分別與粘粒、粉粒和砂粒含量（%）建立一元線性回歸模型（圖3），回歸方程為：

式中：X1為740nm與710nm波段反射率的倒數差分1／R740－1／R710；X2、X3均為 510nm 與480nm波段反射率的差分R510－R480；Y粘、Y粉、Y砂分別為粘粒含量（%）、粉粒含量（%）和砂粒含量（%）。

圖3 土壤粒級含量與最敏感波段回歸模型Fig.3 Regression model of the most sensitive band and clay，silt，sand content

4.2 BP神經網絡模型

本研究選取粘粒、粉粒和砂粒BP神經網絡模型輸入層的節點數為5、10、20，即輸入數據分別是與粘粒、粉粒和砂粒含量相關系數最大的前5、10、20個光譜反射率變換形式（表2）。輸出層為1個節點，分別對應粘粒、粉粒和砂粒含量，隱含層為1層，其節點數需要根據輸入層節點數不同在試驗中不斷調整，最終確立5－15－1、10－30－1和20－60－1（輸入層神經元個數－隱含層神經元個數－輸出層神經元個數），即隱含層節點數為輸入層節點數的3倍時，BP模型模擬精度最高。網絡隱含層傳遞函數、輸出層傳遞函數均選擇tansig函數，訓練函數選取traindm（附加動量的梯度下降法）。首先用premnmx函數對樣本數據做歸一化處理，學習速率為0.01，最大訓練次數為1 000，訓練完畢后再用postmnmx函數對計算結果反歸一化，模型在Matlab7.0下編程實現。

4.3 模型精度檢驗

用建模以外的14個樣本對上述兩種模型的精度進行檢驗（表3），將模型計算值（相對于實測值）的平均計算精度、均方根誤差（RMSEP）和決定系數（R2）作為標準來評價模型的優劣，其中RMSEP越小越好，平均計算精度、決定系數越大越好。

表3 模型檢驗精度比較Table 3 Comparison of model precision

模型檢驗結果表明兩種模型對粘粒、粉粒和砂粒含量的預測精度較高，都在85%以上。其中輸入層節點數為20的粘粒、粉粒含量BP模型的預測精度略高于節點數為5的BP模型，但砂粒含量的BP模型預測精度卻略低于節點數為5的BP模型，說明BP神經網絡模型的輸入層節點數對計算結果影響不大。粘粒、粉粒、砂粒BP模型的均方根誤差略小于一元回歸模型，平均計算精度略高于一元回歸模型，粘粒含量的BP模型的決定系數大于回歸模型，只有粉粒、砂粒含量的BP模型的決定系數略小于回歸模型?？傮w上兩種模型精度基本一致，BP神經網絡模型略微優于一元線性回歸模型，但BP神經網絡模型計算復雜，輸入層神經元個數、隱含層神經元個數、傳遞函數、訓練函數的選擇等都會影響模型的預測精度，而且計算過程需要不斷調試；而一元線性回歸模型方法簡單，便于操作，預測結果穩定，在兩種模型精度基本一致的情況下，可以優先考慮原理及應用都較為簡便的一元線性回歸模型。

5 結論

研究結果表明，粘粒含量與波段550～630nm的反射率差分和690～750nm反射率倒數差分相關性較好，粉粒、砂粒含量僅與波段440～540nm反射率的差分相關性較好；粉粒、砂粒含量與光譜反射率的相關程度接近，粘粒含量與光譜反射率的相關程度低于粉粒、砂粒含量與光譜的相關程度。

建立了粘粒、粉粒和砂粒含量與其對應的敏感波段的一元線性回歸模型和BP神經網絡模型，模型檢驗結果表明，分別針對粘粒、粉粒和砂粒含量建立的兩種模型精度都較高（大于85%），并且兩種模型的平均計算精度、均方根誤差（RMSEP）和決定系數（R2）基本相同，說明該研究成果可以用于河套灌區農田土壤質地反演研究。該研究結果可為下一步應用高光譜遙感圖像大范圍識別河套灌區的土壤質地提供理論依據。

但在實際應用中，土壤水分是影響土壤光譜的最明顯因素之一，土壤光譜反射率在一定的土壤水分臨界值之下時，會隨著含水率的增加而降低，當超過臨界值時，會隨著土壤水分的增加而增加［8］。如何考慮土壤存在水分時，應用高光譜反演土壤質地將是下一步研究的內容。

［1］ 王德彩，鄔登巍，趙明松，等.平原區土壤質地的反射光譜預測與地統計制圖［J］.土壤通報，2012，43（2）：257－262.

［2］ 徐美，李紀人，阮本清.灌區遙感應用［J］.水土保持研究，2006，13（5）：23－26.

［3］ 高永光，胡振琪.高光譜遙感技術在土壤調查中的應用［J］.礦業研究與開發，2006（2）：44－46.

［4］ 黃明祥，程街亮，王珂，等.海涂土壤高光譜特性及其砂粒含量預測研究［J］.土壤學報，2009，46（5）：932－937.

［5］ 李春蕾，許端陽，陳蜀江.基于高光譜遙感的新疆北疆地區土壤砂粒含量反演研究［J］.干旱區地理，2012，35（3）：473－478.

［6］ 陸圣女.基于GIS解放閘灌域土壤墑情變化規律及預報模型研究［D］.內蒙古農業大學，2008.

［7］ 張晉.土壤光譜特性的研究［D］.西北農林科技大學，2008.

［8］ LIU W D，BARET F，GU X F，et al.Relating soil surface moisture to reflectance［J］.Remote Sense.Environ.，2002，81（2／3）：238－246.