基于去包絡(luò)線和連續(xù)投影算法的棗園土壤電導(dǎo)率光譜檢測研究

王 濤，喻彩麗，張楠楠，王 斐，白鐵成

(1. 塔里木大學(xué)信息工程學(xué)院，新疆 阿拉爾 843300；2. 新疆南疆農(nóng)業(yè)信息化研究中心，新疆 阿拉爾 843300；3. Gembloux Agro-Bio Tech, University of Liège, Gembloux, Belgium 25030)

土壤鹽漬化可造成生態(tài)環(huán)境惡化、作物生產(chǎn)力下降、土壤肥力衰退，是制約農(nóng)業(yè)生產(chǎn)和生態(tài)環(huán)境可持續(xù)發(fā)展的主要因素之一[1]。如何快速、實(shí)時(shí)地獲得鹽漬化土壤鹽分信息，一直是精準(zhǔn)農(nóng)業(yè)所面臨的一個(gè)重大課題,傳統(tǒng)土壤鹽漬化監(jiān)測方法不但費(fèi)時(shí)、費(fèi)力,而且分析人員必須接觸一些對人體有害的化學(xué)試劑,這顯然有悖于現(xiàn)代農(nóng)業(yè)的要求[2-4]。高光譜遙感憑借其波段多且連續(xù)、信息豐富、可同時(shí)估算多種成分等特點(diǎn)，為土壤鹽漬化監(jiān)測提供了新手段，很好地克服了傳統(tǒng)人工監(jiān)測方法的不足，在土壤鹽漬化監(jiān)測中獲得廣泛應(yīng)用[5-8]。

土壤電導(dǎo)率是衡量土壤鹽漬化程度的重要指標(biāo)，研究土壤電導(dǎo)率與土壤鹽分的相關(guān)性以及構(gòu)建土壤鹽漬化的高光譜定量反演模型是高光譜遙感的重要內(nèi)容之一。不同學(xué)者對土壤鹽漬化的高光譜定量反演進(jìn)行了相關(guān)研究。Goldshlege等[9]通過獲取番茄地高光譜反射率與土壤鹽分含量，使用偏最小二乘法建立預(yù)測模型，取得了較好的預(yù)測精度，其中預(yù)測均方根誤差RMSE是0.6%，決定系數(shù)R2是0.87。Rocha Neto等[10]在巴西半干旱地區(qū)使用土壤電導(dǎo)率進(jìn)行土壤鹽漬化評(píng)價(jià)，對比使用主成份回歸、多元線性回歸和偏最小二乘法建立的預(yù)測模型，其中使用偏最小二乘法獲得了較好的預(yù)測精度，RMSE是1.22，RPD是2.21。Peng等[11]通過獲取內(nèi)蒙河套地區(qū)土壤光譜與鹽分信息，使用偏最小二乘法建立土壤鹽分監(jiān)測模型，證明了通過外部參數(shù)預(yù)處理(EPO)光譜，能夠剔除干擾信息，提升預(yù)測精度，RMSE是0.183，R2是0.878。彭杰等[12]通過分析南疆地區(qū)土樣的高光譜數(shù)據(jù)和室內(nèi)測定的鹽分與電導(dǎo)率數(shù)據(jù)，發(fā)現(xiàn)高光譜信息對土壤含鹽量的響應(yīng)比電導(dǎo)率更敏感，以含鹽量為監(jiān)測指標(biāo)的高光譜反演精度明顯要優(yōu)于電導(dǎo)率。李曉明等[13]通過研究陜北典型半干旱區(qū)土壤高光譜特征對鹽分進(jìn)行反演，發(fā)現(xiàn)土壤反射率經(jīng)過包絡(luò)線去除后，利用偏最小二乘回歸方法建立的反演模型具有良好的精度,RMSE是1.253，R2是0.761。柴思躍等[14]以黃河三角洲土壤體積含水率、電導(dǎo)率為研究對象，應(yīng)用遺傳偏最小二乘法(GA-PLS) 建立了土壤水分與電導(dǎo)率光譜模型并驗(yàn)證其具有良好的預(yù)測精度，其中RPD是14.87，R2是0.71。王爽等[15]對庫車河三角洲土壤的高光譜反射率及其土壤含鹽量進(jìn)行了研究，通過對土壤光譜反射率進(jìn)行對數(shù)、均方根、連續(xù)統(tǒng)去除等處理篩選敏感光譜波段，構(gòu)建地表實(shí)測光譜模型，證明反射率一階微分光譜變換方式最好，與土壤含鹽量相關(guān)性最佳，最大相關(guān)系數(shù)可達(dá)0.987。

盡管已有研究利用土壤電導(dǎo)率和含鹽量指標(biāo)，取得了相對理想的反演效果, 但不同區(qū)域的土壤結(jié)構(gòu)、成分差異顯著，高光譜響應(yīng)和敏感波長也具有一定的差異性。因此，本文在總結(jié)前人研究基礎(chǔ)上，以新疆阿拉爾典型沙壤土為研究區(qū)，依據(jù)高光譜影像數(shù)據(jù)與土壤電導(dǎo)率實(shí)測數(shù)據(jù)，重點(diǎn)驗(yàn)證連續(xù)投影算法(SPA)用于土壤電導(dǎo)率敏感特征波長的選擇能力，并分析了去包絡(luò)線方法的光譜預(yù)處理能力，使用偏最小二乘回歸法(PLSR)建立土壤電導(dǎo)率檢測模型。為利用遙感技術(shù)快速監(jiān)測新疆南部地區(qū)土壤鹽漬化提供理論依據(jù)和模型。

1 材料與方法

1.1 研究區(qū)概況

試驗(yàn)區(qū)位于新疆阿拉爾市十團(tuán)，東經(jīng) 81°13′3″，北緯40°34′45″，試驗(yàn)地海拔約1 020 m，為典型極端干旱氣候區(qū)。年均降水量40.1～82.5 mm，年均氣溫10.8℃，年均蒸發(fā)量1 976.6～2 558.9 mm，土壤質(zhì)地為沙壤土，屬氯化物-硫酸鹽類土壤類型，0～100 cm平均土壤容重1.34 g·cm-3，土壤含鹽量1.2～1.5 g·kg-1，pH 8.49，土壤鹽堿化嚴(yán)重。

1.2 樣品采集與土壤電導(dǎo)率測定

以樣區(qū)中心為起點(diǎn)，沿東、南、西、北四個(gè)方向采樣，每個(gè)方向的樣點(diǎn)分布于一條直線上，樣點(diǎn)之間的距離為50 m左右，分別采集土壤表層鹽分已結(jié)晶的表層土和0～20 cm的正常土壤，每個(gè)土樣采集重量為2 kg左右，分別按1∶99，2∶98，…，99∶1的比例混合共獲得142份不同鹽分的土壤樣本。將樣本帶回實(shí)驗(yàn)室自然風(fēng)干，磨細(xì)過篩，過篩孔徑為2 mm，用于光譜測試和電導(dǎo)率的測定, 電導(dǎo)率采用水土比為5∶1，利用DDS-307電導(dǎo)率儀直接進(jìn)行測定[12]。如表1是根據(jù)SPXY算法[16]挑選出的100份樣品作為定標(biāo)集，其他40份土壤樣品作為預(yù)測集。

1.3 土壤光譜測定

土壤光譜測定采用Zolix Gaia Sorter近紅外成像高光譜儀，光譜測定范圍 900～1 700 nm(實(shí)際測量到 1 750 nm)，光譜分辨率5 nm，光譜采樣點(diǎn)4 nm，共256個(gè)波段測定獲取高光譜數(shù)據(jù)，每次測量前進(jìn)行標(biāo)準(zhǔn)白板校正，每個(gè)樣點(diǎn)重復(fù)采集10條光譜曲線(在ENVI 5.3 軟件中導(dǎo)出光譜曲線)，取平均值作為該樣本的光譜吸收度，具體采集方法參考文獻(xiàn)[12-13]，剔除了2份異常樣本后(光譜曲線缺失)，共獲得140個(gè)有效樣本，如圖1光譜吸收譜。

1.4 建模方法及評(píng)價(jià)指標(biāo)

通過獲取試驗(yàn)區(qū)樣點(diǎn)光譜特征，分析其與土壤電導(dǎo)率的相關(guān)性遴選敏感波長，同時(shí)使用連續(xù)投影算法篩選敏感波長，分別用于土壤電導(dǎo)率的定量反演，采用PLSR方法建立土壤電導(dǎo)率的定量反演模型，并利用檢驗(yàn)樣點(diǎn)進(jìn)行反演精度的對比研究。

表1 校正集和預(yù)測集土壤電導(dǎo)率統(tǒng)計(jì)

圖1 土壤原始光譜曲線Fig.1 Original spectrum of soil

1.4.1 去包絡(luò)線算法 在光譜曲線相似的情況下，直接從中提取光譜特征不便于計(jì)算, 因此需要對光譜曲線做進(jìn)一步處理, 以突出光譜特征。包絡(luò)線消除法可以有效突出光譜曲線的吸收、反射和發(fā)射特征，并將其歸一到一個(gè)一致的光譜背景上, 有利于和其他光譜曲線進(jìn)行特征數(shù)值的比較，本研究使用matlab編程實(shí)現(xiàn)對土壤原始光譜進(jìn)行包絡(luò)線去除處理，具體算法參考文獻(xiàn)[17-19]。

1.4.2 相關(guān)性分析 通過對土壤高光譜進(jìn)行去包絡(luò)線歸一化處理與不同的土壤電導(dǎo)率逐波段來進(jìn)行相關(guān)分析，篩選相關(guān)系數(shù)高的波長為土壤含鹽量敏感波長[7,11]，計(jì)算土壤光譜每個(gè)波長與土壤鹽分的相關(guān)系數(shù)ri，如式：

式中，ri為土壤電導(dǎo)率(EC)與光譜吸光度及其變換形式(R)的相關(guān)系數(shù)，i為波段號(hào)，D表示方差。

1.4.3 SPA方法 連續(xù)投影算法(successive projections algorithm, SPA)通過計(jì)算吸光度矩陣中某一波長對其他波長的投影，在該波長序列中選取投影量最大的波長作為下一個(gè)波長，序列中的每個(gè)波長都與其前一個(gè)波長相關(guān)性最小，能最大程度消除共線性對模型的干擾，降低建模過程的復(fù)雜度，以其簡便、快速的特點(diǎn)得到越來越多的應(yīng)用，本文對土壤的原始光譜和預(yù)處理光譜數(shù)據(jù)的校正集與驗(yàn)證集進(jìn)行SPA選擇，SPA選擇變量數(shù)的最優(yōu)區(qū)間是[2,50]，具體算法參考文獻(xiàn)[20-22]。

1.4.4 PLSR方法 通過獲取樣點(diǎn)光譜特征，遴選特征波段，采用最小二乘回歸方法(partial least squares regression, PLSR)方法[23-25]建立土壤電導(dǎo)率的定量監(jiān)測模型，并利用檢驗(yàn)樣點(diǎn)進(jìn)行模型精度對比研究。

1.4.5 反演精度檢驗(yàn) 反演模型精度檢驗(yàn)通過對比均方根預(yù)測誤差(root mean square error,RMSE)，決定系數(shù)(R2)以及相對分析誤差(residual predictive deviation,RPD)進(jìn)行判斷[27-28]。RMSE是一個(gè)表示模型預(yù)測值誤差大小的指標(biāo)，均方根誤差越小，其預(yù)測精度越高；計(jì)算檢驗(yàn)樣點(diǎn)的RMSE，如式:

其中,Pi為檢驗(yàn)樣點(diǎn)定量反演預(yù)測值，Mi為檢驗(yàn)樣點(diǎn)的實(shí)測值。

R2是一個(gè)判斷模型預(yù)測值和實(shí)測值之間相關(guān)性大小的指標(biāo)，其值越接近1，其精度越高，擬合程度越好，預(yù)測值與實(shí)測值的相關(guān)性越好，觀測點(diǎn)在回歸直線附近越密集，一般來說R2>0.7則模型的預(yù)測結(jié)果可信度較高，反之，模型預(yù)測結(jié)果不可靠。R2計(jì)算公式如下：

其中,SR為回歸平方和，Sε為殘差平方和，Sr為總離差平方和。

RPD用來驗(yàn)證模型的穩(wěn)定性和預(yù)測能力。一般情況下,當(dāng)RPD>3,則模型具有較高的穩(wěn)定性和良好的預(yù)測能力。RPD計(jì)算公式如下：

其中,SD為預(yù)測樣品的標(biāo)準(zhǔn)偏差,SEP為預(yù)測標(biāo)準(zhǔn)分析誤差。

2 結(jié)果與分析

2.1 相關(guān)性分析法與PLSR模型

分析土壤電導(dǎo)率與不同波長光譜特征的相關(guān)性，基于原始光譜相關(guān)性分析如圖2a所示，相關(guān)系數(shù)曲線表明，光譜吸光度與土壤電導(dǎo)率在1 400～1 600 nm之間曲線變化相對平穩(wěn)波動(dòng)小，具有良好相關(guān)性；在1 350～1 400 nm之間相關(guān)系數(shù)曲線呈明顯的波峰；在1 000～1 300 nm之間，隨著波長的增加，相關(guān)系數(shù)整體呈增減趨勢；在900～960 nm，1 650～1 750 nm之間相關(guān)系數(shù)曲線跳躍厲害，不宜用作土壤電導(dǎo)率模型的建立[11]。對原始光譜經(jīng)過包絡(luò)線去除獲取的歸一化吸光度如圖2b所示，土壤電導(dǎo)率與光譜吸光度在1 400～1 500 nm之間具有良好相關(guān)性，且曲線變化相對平穩(wěn)波動(dòng)??；960～1 300 nm之間隨著波長的增加，相關(guān)系數(shù)呈遞減趨勢；900～960 nm，1 500～1 750 nm曲線跳躍厲害，不宜用作土壤電導(dǎo)率模型的建立。

基于土壤原始光譜選擇相關(guān)系數(shù)高的波長，用于建立土壤電導(dǎo)率監(jiān)測模型[13,15]。通過研究不同波長吸光度與土壤電導(dǎo)率相關(guān)性，發(fā)現(xiàn)在1 350～1 560 nm波長的相關(guān)性較好，其中以1 439 nm相關(guān)系數(shù)最高，另一方面，在相關(guān)系數(shù)曲線上具有明顯的波谷的波長是土壤電導(dǎo)率的特征波長，如：1 350～1 400 nm及1 450～1 560 nm范圍之間，1 358，1 378，1 439， 1 491，1 549 nm可作為土壤電導(dǎo)率監(jiān)測模型的特征波長[13]，如圖3a。然后利用PLSR方法，建立電導(dǎo)率監(jiān)測模型為：

TS=-49.1190+1.0411×R1358

-0.3164×R1378-1.7389×R1439

-0.5499×R1491+1.6138×R1549

其中，R1358，R1378，R1439，R1491，R1549分別為1 358，1 378，1 439， 1 491 nm和1 549 nm波長的吸光度，TS為土壤電導(dǎo)率。提取的主成份個(gè)數(shù)是3個(gè)。為了考察回歸方程的模型精度，在樣品光譜采集時(shí)，利用同步采集的40個(gè)樣本點(diǎn)作為檢驗(yàn)樣點(diǎn)繪制預(yù)測圖，如圖3b。定量反演的預(yù)測均方根誤差RMSE為0.85566，決定系數(shù)R2為0.7479，相對分析誤差RPD為2.7569，預(yù)測精度相對較低。

基于去包絡(luò)線歸一化光譜選擇相關(guān)系數(shù)高的波長，用于土壤電導(dǎo)率監(jiān)測模型[13,15]。如圖4，通過研究不同波長吸光度與土壤鹽電導(dǎo)率相關(guān)性，發(fā)現(xiàn)在1 350～1 500 nm波長的相關(guān)性較好，其中以1 443 nm相關(guān)性最高；另一方面，在相關(guān)系數(shù)曲線中具有明顯的波谷的波長是土壤電導(dǎo)率的特征波長，如：1 350～1 400 nm及1 450～1 560 nm范圍之間，1 341，1 358，1 385， 1 443，1 467 nm可作為土壤電導(dǎo)率反演的特征波段[13,19]，如圖4a。然后利用PLSR方法，建立土壤電導(dǎo)率監(jiān)測模型為：

圖2 土壤光譜與土壤電導(dǎo)率相關(guān)性分析Fig.2 Correlation analysis of soil spectrum and soil electrical conductivity

注：圖中“□”為選擇的特征波長。下同。Note: “□” in the figure is the selected characteristic wavelength. The same below.圖3 基于土壤原始光譜篩選特征波長與土壤電導(dǎo)率預(yù)測Fig.3 The prediction model of soil electrical conductivity based on the original spectra correlation analysis

圖4 基于包絡(luò)線去除光譜篩選特征波長與土壤電導(dǎo)率預(yù)測Fig.4 The prediction model of soil electrical conductivity based on the continuum-removal original spectra

TS=1.1376+4.5626×R1341

-4.6909×R1358-9.6961×R1385

-4.0857×R1443-1.4945×R1467

其中，R1341，R1358，R1385，R1443，R1467分別為1 341，1 358，1 385，1 443，1 467 nm波長的吸光度，提取的主成份個(gè)數(shù)是3個(gè)。為了考察回歸方程的模型精度，使用采集的40個(gè)樣本點(diǎn)作為檢驗(yàn)樣點(diǎn)繪制預(yù)測圖，如圖4b。定量反演的預(yù)測均方根誤差RMSE為0.44490，決定系數(shù)R2為0.9500，相對分析誤差RPD為6.4510，預(yù)測精度相對原始光譜較好。

2.2 SPA特征波長選擇與PLSR模型

對土壤原始光譜的數(shù)據(jù)校正集進(jìn)行SPA選擇，SPA選擇變量數(shù)的最優(yōu)區(qū)間是[2，50][20]。如圖5a為SPA算法對土壤原始光譜數(shù)據(jù)進(jìn)行壓縮后所選擇的特征波長。統(tǒng)計(jì)建模結(jié)果表明：針對原始光譜反映土壤電導(dǎo)率對應(yīng)波段主要集中在1 300～1 600 nm附近，與圖3a在1 300～1 600 nm的吸收峰和吸收谷基本一致。利用PLSR方法，建立土壤電導(dǎo)率監(jiān)測模型為：

TS=3.1575-0.9573×R1443

+0.7783×R1501+0.3237×R1136

+0.0811×R1595-0.1639×R1355

其中，R1443，R1501，R1136，R1595，R1355，分別為1 443，1 501，1 136，1 595 nm和1 355 nm波長的吸光度，提取的主成份個(gè)數(shù)是5個(gè)。為了考察回歸方程的模型精度，使用采集的40個(gè)樣本點(diǎn)作為檢驗(yàn)樣點(diǎn)繪制預(yù)測圖，如圖5b。定量反演的預(yù)測均方根誤差RMSE為0.31178，決定系數(shù)R2為0.9707，相對分析誤差RPD為8.4445，預(yù)測精度相對于相關(guān)性分析建模的預(yù)測精度更好。

對去包絡(luò)線歸一化光譜的數(shù)據(jù)校正集進(jìn)行SPA選擇，如圖6a，利用PLSR方法，建立土壤電導(dǎo)率監(jiān)測模型為：

TS=15.4226-0.5074×R1446

+0.4355×R1402+0.4201×R1341

-0.5404×R1375+0.0835×R1661

+0.1112×R1595

其中，R1446，R1402，R1341，R1375，R1661，R1595，分別為1 446，1 402，1 341，1 375，1 661 nm和1 595 nm波長的吸光度，提取的主成份個(gè)數(shù)是5個(gè)。為了考察回歸方程的模型精度，使用采集的40個(gè)樣本點(diǎn)作為檢驗(yàn)樣點(diǎn)繪制預(yù)測圖，如圖6b。定量反演的預(yù)測均方根誤差RMSE為0.30173，決定系數(shù)R2為0.9764，相對分析誤差RPD為9.3215，預(yù)測精度最好。

圖5 基于土壤原始光譜篩選特征波長與土壤電導(dǎo)率預(yù)測Fig.5 The prediction model of soil electrical conductivity based on original spectra used by SPA

圖6 基于包絡(luò)線去除光譜篩選特征波長與土壤電導(dǎo)率預(yù)測Fig.6 The prediction model of soil electrical conductivity based on the continuum-removal and SPA

2.3 PLSR模型定量反演精度比較

本文提出的不同處理方法的結(jié)果如表2所示，綜合比較，本研究使用去包絡(luò)線+相關(guān)性分析方法的定量反演模型的RMSE=0.44490，R2=0.9500和RPD=6.4510，要優(yōu)于直接對原始光譜進(jìn)行相關(guān)性分析的建模預(yù)測精度RMSE=0.85566，R2=0.7479和RPD=2.7569，這與柴思躍[14]和李曉明等[13]的研究結(jié)果類似，證明了去包絡(luò)算法的可行性。通過SPA選擇特征波長的反演精度可以發(fā)現(xiàn)，SPA方法的預(yù)測精度較高，優(yōu)于相關(guān)性分析法。去包絡(luò)處理+SPA定量反演模型的RMSE=0.30173，R2=0.9764和RPD=9.3215，是所有模型預(yù)測精度最好的，說明SPA具有較強(qiáng)的特征波長選擇能力，采用去包絡(luò)處理結(jié)合SPA方法的建模效果最為理想。

3 討 論

在使用偏最小二乘法建立土壤電導(dǎo)率監(jiān)測模型的方法中，不同的學(xué)者在選取特征波長和進(jìn)行光譜預(yù)處理時(shí)選擇了不同的方法，得出了不同的結(jié)論。

表2 不同方法對土壤電導(dǎo)率的檢測精度對比

僅從方法的選取上進(jìn)行對比，以經(jīng)過預(yù)處理的光譜進(jìn)行建模的效果基本上要好于原始光譜，其中柴思躍等[14]在使用包絡(luò)線進(jìn)行光譜預(yù)處理的基礎(chǔ)上利用GA選取特征波長建立預(yù)測模型的精度明顯要好于原始光譜；李曉明等[13]的結(jié)論中采用包絡(luò)線去除方法，通過相關(guān)分析選取特征波長，預(yù)測的均方根誤差明顯降低了，證明了土壤反射率經(jīng)過包絡(luò)線去除后，利用偏最小二乘回歸方法建立的反演模型具有良好的精度；Peng X等[11]通過偏最小二乘法建立的土壤鹽分監(jiān)測模型，預(yù)測的決定系數(shù)和相對分析誤差明顯提高，均方根誤差明顯降低，證明了通過外部參數(shù)預(yù)處理(EPO)光譜，能夠剔除干擾信息，提升預(yù)測精度；彭杰等[12]在土壤含鹽量與電導(dǎo)率的高光譜反演精度對比研究中，經(jīng)過連續(xù)統(tǒng)去除處理，通過相關(guān)性分析選取特征波長，模型預(yù)測的決定系數(shù)和相對分析誤差均沒有提高。

結(jié)合本文的結(jié)論從光譜預(yù)處理方法進(jìn)行分析，無論采用相關(guān)性分析法或SPA特征波長選擇方法，在包絡(luò)線去除歸一化光譜后模型的建模精度皆優(yōu)于原始光譜，通過去包絡(luò)線歸一化處理，既保持了光譜的吸收特征又達(dá)到了去除包絡(luò)線的目的，減少其他物質(zhì)光譜特征的干擾，證明了去包絡(luò)線去除法的光譜預(yù)處理能力。

4 結(jié) 論

通過分析新疆阿拉爾市十團(tuán)不同試驗(yàn)區(qū)棗園沙壤土的高光譜特征，對光譜進(jìn)行預(yù)處理，選取特征波長建立土壤電導(dǎo)率反演模型，實(shí)現(xiàn)了對土壤電導(dǎo)率的快速檢測。在包絡(luò)線去除歸一化光譜后的建模精度皆優(yōu)于原始光譜，經(jīng)過包絡(luò)線去除處理后，相對于相關(guān)性分析法，連續(xù)投影算法選取特征波長進(jìn)行建模的精度要更好，說明基于去包絡(luò)線光譜預(yù)處理和連續(xù)投影算法建立偏最小二乘法回歸模型，可實(shí)現(xiàn)土壤電導(dǎo)率的快速檢測。本研究為南疆干旱區(qū)鹽漬化土壤電導(dǎo)率的快速、準(zhǔn)確檢測提供了一定的理論依據(jù)。然而對于南疆耕作的沙壤土，其電導(dǎo)率是否能夠完全反映土壤的含鹽量，鹽分含量和電導(dǎo)率之間的相關(guān)關(guān)系等需要在未來工作中加強(qiáng)對比研究。