基于數碼相片和顏色空間轉換的濱海土壤鹽漬化定量估算

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規劃學院，江蘇 徐州 221116

引 言

土壤鹽漬化不僅影響農業可持續發展，而且對生態環境也有一定的破壞，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，因此精確監測土壤鹽漬化的變化動態是科學管理和合理利用鹽漬土的重要前提[2]。傳統的土壤鹽漬化監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都有一定的限制，對土壤表面也有一定的破壞，難以實現鹽漬化監測的快速更新[1]。利用遙感定量監測土壤鹽漬化已經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的尺度較大等，而近地表傳感可以解決這些問題。

數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利用數碼相機獲取土壤相片，經過顏色空間轉換得到RGB和HSV等不同顏色參數，并發現S和V變量與土壤含水量有較好的關系，建立了較好的預測模型[7]。吳才武等利用數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之間的關系，發現R波段與土壤有機質有較高的相關性，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，數碼相機等電子產品的通用性和普遍性為科學研究的應用推廣提供了良好的平臺，結合無人機技術的快速發展，將會加快實現土壤精準監測和土地精細化管理，為精準農業發展提供了技術支持。

1 實驗部分

1.1 研究區概況

研究區位于江蘇省鹽城市大豐區(120.52°—120.86°N，33.03°—33.5°E)，瀕臨黃海，該區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，水產養殖用地和濱海灘涂等為主，而且隨著復墾和養殖用地的增加，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展示了研究區和采樣點位置。

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

1.2 數據獲取

1.2.1 相片數據獲取

2018年6月22日—24日，天氣多云轉晴，時有微風，溫度為18～33 ℃。我們沿著海岸線一路考察，選擇不同狀態的裸露地表進行采樣，同時拍照獲取數碼相片。為了增加相片數據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 土壤數據獲取

拍照完成后，將視場內的表層土壤(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，同時使用GPS記錄采樣點的經緯度。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。土壤電導率(EC)和pH值數據通過電導率儀(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性[10]，因此本區域可以用電導率表示土壤鹽漬化程度。土壤的理化性質如表1所示。

表1 土壤理化屬性數據描述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，是由紅(R)綠(G)藍(B)三種基本色構成，其相對應的光譜波段為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性，HIS顏色空間則是去相關后的顏色空間，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顏色空間轉換而來，為了與其他顏色空間參數區分，本文用HIS_H，HIS_I，HIS_S表示HIS顏色空間的三個參數。

1.3.2 CIEXYZ，CIELAB，CIELUV和CIELCH

懷遠石榴雖然品質良好，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，只是依靠品質與口碑擴大銷路。當今社會，信息繁多，如何吸引消費者的關注成為了產品銷售的重要因素之一?！熬葡悴慌孪镒由睢钡臅r代早已不復存在，缺乏宣傳的產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產品獎項，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即周邊省。這樣會使得即使懷遠石榴及其相關產品生產出來，也只會積壓在倉庫內，造成資源浪費。因此，知名度小是該地區石榴產業化的重大阻礙。

1931年，國際照明組織(CIE)通過指定光源為顏色系統制定了標準，并提出CIEXYZ顏色系統。這里的Y代表亮度值，X和Z是虛擬組分，該系統經常作為其他顏色系統轉換的中間媒介，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換關系，各顏色空間之間的轉換公式可參考文獻[12]。這里LAB_L，LUV_L和LCH_L都表示亮度且值相同，因此數據分析時統一用LAB_L表示。所有的顏色空間轉換計算由“colorscience” 軟件包完成。

圖3 不同顏色空間的變換關系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據訓練得到的，并用袋外樣本進行精度驗證，隨機森林的預測結果則是所有輸出結果的平均情況[13]。該算法的主要參數都用默認值，即決策樹個數(ntree=500)和節點數(mtry約為總變量數的1/3)。利用隨機選取的建模數據集(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據集(30%)進行檢驗，重復100次以確定最優模型參數。此外，選取決定系數(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 結果與討論

2.1 土壤顏色參數與電導率的關系

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

圖4 顏色空間參數與電導率之間的相關系數 ×表示參數間的相關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，雖然在不同的顏色空間中有自己的值域，但是經過轉換后的參數之間的相關系數仍較高(r>0.82，p<0.001)。HIS_H和LCH_H都是表示顏色色相的參數，二者之間的相關系數為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，在不同的顏色空間也有自己的值域，相關系數最小值為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之間的相關關系可以看出，電導率與所有表示顏色亮度參數的相關性都達到了極顯著水平，最小值是R參數與電導率之間的相關系數r=0.39(p=0.005)。電導率與表示顏色純度的參數也都達到了顯著水平，最小值是LAB_A與電導率之間的相關系數r=0.35(p=0.011)。電導率與表示顏色色相參數(LCH_H和HIS_H)之間的相關性都沒有達到顯著水平，相關系數分別為0.26(p=0.06)和0.05(p=0.72)。

2.2 模型構建與評價

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來構建土壤鹽分模型。Ren等[15]研究了東北地區典型的蘇打鹽堿土，發現土壤鹽分越大，地表干燥后的裂紋就越大，以此現象著手，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]研究了西部干旱區土壤鹽分，發現鹽分有表聚現象，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，在獲取相片數據RGB顏色空間參數后，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，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，也是與電導率相關性較小的兩個個變量，其中LCH_H與電導率的相關性最小，在模型中的貢獻也最小，該結果與圖4中電導率與顏色參數的相關系數結果一致。

圖6 不同顏色空間參數的重要性比較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]利用數碼相機獲取黑土表面顏色信息，研究了不同顏色空間參數(RGB，CIELAB，CIELUV和CIELCH)及其數學變換形式，并建立其與有機質含量之間的關系，根據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，其次是CIELUV，CIELAB和CIELCH。Fu等[16]在實驗室內用手機拍照獲取不同水分狀態下的土壤相片，反演復雜情況的土壤有機質含量，通過5個顏色空間(RGB，HIS，CIELUV，CIELAB和CIELCH)的參數對比分析，發現不同水分狀態下土壤有機質含量與顏色參數的相關性不同，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含量。以前的研究大多針對不同顏色參數與土壤屬性之間的關系，較少的認識到顏色參數間的屬性歸類，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，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。本研究通過數碼相機獲取濱海土壤顏色參數，并通過顏色空間轉換獲取了其他顏色參數，通過多個顏色參數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，土壤質地，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，相機參數設置等因素影響[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。

采樣區聚集在東部濱海地區，我們認為土壤有機質、 土壤鐵含量和土壤質地等土壤背景參數基本相同，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據，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，它們大都與土壤鹽分有極顯著的負相關關系，具體物理聯系尚不清楚。土壤顏色亮度與土壤含水量、 周圍光環境和相機曝光設置有一定的關系[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一作用。顏色色相是常用來分辨顏色的重要參數，在模型中的作用卻是最次要的，可能是由于同一地區土壤顏色差異較小，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換等方法來探索顏色參數對土壤鹽分的反演過程，各個顏色參數與土壤鹽分的物理關系仍不明確，需進一步實驗研究。

3 結 論