基于實驗室高光譜數據的大圍山森林土壤氧化鐵全量反演①

譚 潔，陳 嚴，周衛(wèi)軍，崔浩杰，劉 沛

基于實驗室高光譜數據的大圍山森林土壤氧化鐵全量反演①

譚 潔1，陳 嚴1，周衛(wèi)軍2*，崔浩杰2，劉 沛1

(1湖南農業(yè)大學風景園林與藝術設計學院，長沙 410128；2湖南農業(yè)大學資源環(huán)境學院，長沙 410128)

氧化鐵是土壤中含鐵礦物的主體，是土壤發(fā)育和土壤分類最明顯和最有用的指標之一。本文以湖南省大圍山森林土壤為研究對象，通過實驗室化學成分測定和光譜采集，在光譜預處理及組合變換基礎上，采用相關性分析篩選土壤氧化鐵全量的敏感波段，并分別建立多元逐步回歸和偏最小二乘回歸反演模型。結果表明：不同土壤光譜曲線趨勢基本一致，均形似陡坎，且在420 ～ 580 nm波段，土壤氧化鐵全量與光譜反射率呈負相關關系；不同的光譜數據變換方式可以提高光譜與氧化鐵全量的相關性，Savitzky-Golay(S-G)平滑和去包絡線相結合優(yōu)于其他預處理方法；土壤氧化鐵全量的特征波段主要為392、427、529、523、549、559、565、570、994和1 040 nm，偏最小二乘回歸模型比多元逐步回歸模型具有更好的穩(wěn)定性，適合于快速估算紅黃壤區(qū)森林土壤氧化鐵全量。

土壤光譜；氧化鐵；多元逐步回歸；偏最小二乘回歸

鐵是巖石圈的主要元素之一，是土壤中重要的微量元素，不僅對植物的生長發(fā)育和農產品品質具有極其重要的作用，還對人體健康有著重要的意義。土壤中的氧化鐵是在地表特定水熱條件下，由硅酸鹽類礦物經徹底風化作用而形成的重要土壤物質。由于土壤氧化鐵的聚積和遷移活動受到化學風化、生物循環(huán)等因素影響，反映了土壤的淋溶過程、風化發(fā)育程度以及土壤的地帶性分布特征，常被作為描述土壤發(fā)育和土壤分類的最明顯和最有用的指標之一[1-3]。傳統(tǒng)土壤化學分析方法存在著數據獲取難、分析成本高、時效性差等問題，隨著土壤紅外光譜[4]、漫反射光譜[5]、高光譜[6]等光譜技術的快速發(fā)展，為快速、準確、定量獲取土壤氧化鐵全量信息提供了新的科學途徑。

土壤是由不同理化性質的物質混合組成的系統(tǒng)，其高光譜特性受到有機質、水分、黏土礦物、氧化鐵、母質及土壤質地等因素共同作用。氧化鐵在土壤中常處于還原淋溶和氧化淀積的交替過程，氧化鐵的形態(tài)、顆粒粗細以及是否以膜狀態(tài)出現，對土壤顏色產生了很大的影響，從而也顯著影響了土壤光譜特征[7]。Stone等人[8]的研究認為氧化鐵的吸收帶主要集中在反射光譜曲線的700 nm和 900 nm處；Hunt和Ashley[9]研究發(fā)現Fe2+在1 000 ～ 1 100 nm 附近可產生一個最常見的強而寬的譜帶，Fe3+形成的吸收帶主要位于 900 nm 附近；Galv?o等人[10]研究巴西熱帶土壤時發(fā)現土壤中氧化鐵含量與 1 710 nm 處的反射率的相關性顯著。何挺等[11]的研究發(fā)現土壤氧化鐵含量與1 550 ～ 2 320 nm 波段反射率的相關性很強，且含量越高，在400 ～ 1 200 nm 波段的反射率越低，利用紅波段和藍波段平均反射率的對數構成的土壤氧化鐵指數，在高光譜圖像解譯中具有應用潛力；彭杰等[12]認為隨游離氧化鐵含量的增加，350 ～ 570 nm 波段土壤反射率降低，570 ～ 2 500 nm 波段的反射率增加?；趯ν寥姥趸F的高光譜特征分析，學者們還采用多元逐步回歸模型[13]、神經網絡模型(BPNN)[14]、偏最小二乘回歸模型(PLSR)[15]、多層感知器神經網絡模型(MLP)[16]、隨機森林回歸算法(RFR)[17]、組合模型[18]和模糊識別[19]等方法，分別估算了土壤氧化鐵全量、游離鐵、針鐵礦和赤鐵礦含量。由此可見，土壤氧化鐵全量對土壤光譜存在明顯影響，可借助高光譜技術對土壤氧化鐵全量進行估測。然而，目前針對森林土壤氧化鐵全量的光譜反演研究相對較少，且高光譜測量易受到各種環(huán)境因素的影響，在一定程度上增加了微量元素反演的難度。因此，實驗室的可見光到近紅外區(qū)域高光譜反射率用于預測土壤氧化鐵全量的潛力還需要有效深入地挖掘。

本研究以湖南省大圍山為研究區(qū)，利用室內高光譜數據，通過運用多種平滑和數學變換形式對原始光譜進行預處理，分析土壤氧化鐵全量的高光譜特征和特征波段，厘清多元逐步回歸模型和偏最小二乘模型估算土壤氧化鐵全量的精度差異，明確模型適用性以及最佳預處理方法，為快速定量獲取紅黃壤區(qū)森林土壤氧化鐵全量提供高光譜模型依據。

1 材料與方法

1.1 研究區(qū)概況

大圍山(114°2′ ～ 114°12′ E，28°21′ ～ 28°26′ N)位于湖南省瀏陽市東北部大圍山鎮(zhèn)與張坊鎮(zhèn)交界處，與江西省銅鼓縣接壤，屬中亞熱帶季風濕潤氣候，年平均氣溫11 ℃ ～ 17 ℃，年平均降雨量1 200 ～ 2 000 mm，年相對濕度高于83%。研究區(qū)屬中山地貌，海拔范圍為230 ～ 1 607.9 m，相對高差1 377.9 m，地質單元主要為燕山期花崗巖(γ)和中元古代冷家溪群板頁巖(Ptln)[20]，山地土壤和植被具有明顯垂直地帶性。

1.2 樣品采集與測試

本研究采集的樣品為大圍山花崗巖發(fā)育的紅壤、黃紅壤、黃壤、黃棕壤。在海拔177、474、545、720、860、1 078、1 210、1 382 m選擇了8個具有代表性的土壤剖面設置樣地，按土壤發(fā)生學劃分原采集各土壤剖面樣品共計 26 個，樣品經自然風干，檢出肉眼可見的沙礫及植物殘體，研磨過100目篩。采用四分法將每個樣品分為2份，1份采用三酸消解–原子吸收分光光度法測定土壤氧化鐵全量[21]，另一份用于土壤光譜測量。

在人工暗室中利用SOC-710(surface optics cor-poration，USA)成像高光譜儀對土壤樣品進行了高光譜圖像采集。儀器光譜范圍為400 ～ 1 050 nm，光譜分辨率為1.3 nm，128個波段。將土壤樣品平鋪至黑色塑料盒(直徑10 cm，深1 cm)，水平放置在成像高光譜儀的視野中，灰板也放置于同視場角內，寬光譜石英鹵素燈垂直照向土壤樣品，與土樣表面距離約100 cm。高光譜儀鏡頭光圈設置為5.6 mm，調整焦距直至顯示出清晰土壤樣品圖像，曝光時間為自動，采集高光譜數據。通過SRAnal710e軟件將土壤光譜數據進行輻射定標并將能量值轉化成真實反射率，借助ENVI軟件在不同的鋁盒中分別選取靠近鋁盒中心的50個像素點作為ROI區(qū)域建立波譜庫。

1.3 高光譜數據處理與特征波段提取

將 26個土壤樣品分別依照土壤氧化鐵全量進行聚類分析，并計算出每一類土壤氧化鐵全量的光譜均值，獲得土壤氧化鐵全量的光譜響應范圍。將土壤氧化鐵全量分別與原始光譜反射率、數學變換光譜反射率和去包絡線光譜反射率進行逐波段的相關分析，根據相關系數最值對應波長選擇特征波段。相關系數計算公式如下：

按照相關系數的顯著程度可以分成以下3類：|y|<0.4為低度線性相關，0.4<|y|<0.7為顯著性相關，0.7<|y|<1為高度線性相關[23]。

1.4 光譜預測模型與驗證

為保證預測樣本和驗證樣本的不同土壤類型的土壤氧化鐵全量變化范圍一致，將不同土壤類型的土壤，根據氧化鐵全量的不同，劃分為若干個小范圍，統(tǒng)計每個范圍內的樣本數后，隨機選取20個建模樣本，6 個驗證樣本?；谌グj線全波段(380 ～ 1 050 nm)高光譜數據建立多元線性回歸估測模型(MLR)；按照建模組與驗證組比例分別為0.5:0.5和0.75:0.25，建立了兩種土壤偏最小二乘回歸估測模型(PLSR)。模型精度評價為決定系數2、校正均方根誤差RMSEC、預測均方根RMSEP，2越大，RMSEC越小，RMSEP與RMSEC越接近，表明模型的校正及預測精度越高。根據Rossel和Webster[24]對殘余預測偏差的分析可知，RPD<1.4說明模型的預測能力很差；1.4≤RPD<2.0，表明模型初步具備定量預測可能；RPD≥2.0表明模型具備較好的定量預測能力。本研究PLSR 建模和驗證利用Unscrambler?X10.4完成，多元線性回歸建模、數據分析在 SPSS 22.0 完成，繪圖通過GraphPad Prism 8完成。

2 結果與分析

2.1 土壤氧化鐵全量變化特征

由于海拔高低相差大，氣候條件差異較大，大圍山土壤呈明顯垂直地帶分布特征，低于海拔500 m多為山地紅壤，海拔500 ～ 800 m為山地黃紅壤，海拔800 ～ 1 200 m為山地黃壤，山地黃棕壤則主要分布在海拔1 200 ～ 1 600 m[25]。由圖1和圖2可知，8個土壤剖面的氧化鐵全量均較高，均值為46.33 ～ 79.61 g/kg，表現為紅壤>黃紅壤>黃壤>黃棕壤，海拔與氧化鐵全量之間呈極顯著負相關關系(= –0.861 5，<0.001，= 26)。這與隨著海拔升高，溫度降低，相對濕度升高，土壤脫硅富鐵鋁化程度降低，氧化鐵全量隨之不斷減少有關。剖面土壤氧化鐵全量以剖面紅壤1最高，為73.01 ～ 88.56 g/kg，剖面黃棕壤2最低，僅為46.48 ～ 50.41 g/kg。所有剖面土壤氧化鐵全量均表現出AB層、B層和BC層較A層高的特征。這反映出研究區(qū)雨水豐富，淋溶作用強烈，氧化鐵具有從表土層向下聚集遷移的趨勢。隨著土壤剖面深度的增加，外界環(huán)境和淋溶作用減弱，土壤的氧化鐵全量逐步下降并趨于穩(wěn)定狀態(tài)，這與前人對太白山、廬山土壤氧化鐵全量的研究結論類似[26-27]。

圖1 各土壤剖面氧化鐵全量變化特征

圖2 土壤氧化鐵全量與海拔的相關性

2.2 土壤光譜曲線特征

根據樣本的土壤氧化鐵全量，將樣本分為 >70、60 ～ 70、50 ～ 60和 <50 g/kg 4個區(qū)間，分別計算樣本在 4 個區(qū)間內的反射率平均值得到平均光譜曲線(圖3)。雖然樣品的氧化鐵全量不同，但高光譜平均反射率曲線均呈上凸的拋物線型。在430 ～ 560 nm，隨著氧化鐵全量的增加，反射率呈現下降的趨勢，氧化鐵和反射率為負相關關系；在500 ～ 620 nm波段，反射率曲線斜率增加最快，反射率以遞增的速率增加，形似陡坎；在620 ～ 780 nm 波段反射率曲線斜率略微變小，反射率以遞減的速率增加；在波長780 nm處，反射率出現最大值，隨后波段反射率開始下降；在波長900 nm附近，高光譜曲線存在一個微弱的吸收峰，被認為是Fe2+、Fe3+的微弱吸收峰[28]。這與土壤氧化鐵全量增加時，可見光與近紅外部分吸收增強，使土壤光譜反射率朝著藍波段方向下降，導致土壤光譜反射率降低有關[7]。此結果與何挺等[11]、彭杰等[12]、郭穎等[29]認為氧化鐵全量與反射光譜率為負相關一致。

圖3 不同氧化鐵全量的土壤反射率均值光譜

2.3 土壤氧化鐵全量的光譜特征波段

2.4 土壤氧化鐵全量多元逐步回歸模型

基于去包絡線全波段高光譜數據，建立多元線性回歸估測模型及誤差分析見表1。391、565、994和1040為對應391、565、994及1 040 nm波段反射率經去包絡線后的數值。通過比較2及 RPD值可以看出，模型 D 的決定系數(2)及相對分析誤差(RPD)達到最大，所以模型D建立的多元逐步回歸模型精度相對較高。

2.5 土壤氧化鐵全量的偏最小二乘回歸模型

將26個土壤樣本分成建模組與驗證組的比例分別為0.5:0.5(樣本形式A)和0.75:0.25(樣本形式B)，基于去包絡線高光譜數據建立了2種偏最小二乘反演模型。由表2可知，2種樣本形式的 RPD 值均大于1.4，表明樣本形式A、B模型都能較好地估測土壤氧化鐵全量。雖然樣本形式A的建模組的決定系數R和校正均方根誤差 RMSEC與樣本形式B相接近，分別為0.930 6和3.643 4，但樣本形式A的驗證組決定系數2僅為0.630 0，驗證組預測均方根誤差RMSEP為7.740 0，表明該模型雖然建模效果好，但預測能力較差。樣本形式 B 的建模組的決定系數2達到0.935 8，校正均方根誤差RMSEC為3.419 7，驗證組的2達到0.981 8，預測均方根誤差RMSEP為3.155 0，表明該模型不僅建模效果好，而且預測能力也很強?？梢?，樣本形式 B 的建模效果優(yōu)于A，且形式 B 的預測效果也更佳，能夠更好地估測土壤氧化鐵全量。

2.6 模型的驗證與優(yōu)選

從多元逐步回歸模型和偏最小二乘回歸模型建模結果對比可見(表3)，偏最小二乘回歸模型樣本形式B精度更高，其驗證組的決定系數(2)為0.981 8，預測均方根誤差RMSEP為3.155 0，預測相對分析誤差RPD為4.235 2。由兩種模型預測值和實測值擬合圖(圖5)也可看出，偏最小二乘回歸模型B的數據組相比多元逐步回歸模型，建模組和驗證組的預測效果更好，該結論和表2的分析結果一致。

圖4 高光譜變換的相關性曲線

表 1 基于去包絡線的多元逐步回歸模型

表 2 基于去包絡線的偏最小二乘模型精度

表 3 建模結果對比

(A.多元逐步回歸模型預測值和實測值擬合；B.偏最小二乘回歸模型預測值和實測值擬合)

3 結論

1)不同森林土壤氧化鐵全量和不同土壤類型光譜曲線在可見光–近紅外波波段(400 ～ 1 000 nm)內變化趨勢基本一致，均形似陡坎。在420 ～ 580 nm波段，氧化鐵全量與光譜反射率呈負相關關系。

2)土壤原始反射率經過S-G平滑，并去包絡線和微分處理后，光譜曲線特征差異明顯，其中去包絡線的處理反演效果最好。土壤氧化鐵高光譜的特征波段主要為392、427、529、523、549、559、565、570、994和1 040 nm。

3)以去包絡線的土壤光譜反射率為自變量建立的土壤氧化鐵全量多元逐步回歸模型=–115.015×565–275.853×994+231.346×1040–76.7665×391+227.603精度較好，建模組與驗證組的比例為0.75:0.25優(yōu)于比例為0.5:0.5的偏最小二乘回歸模型。其中，建模組與驗證組的比例為0.75:0.25的偏最小二乘反演模型的2最高，為0.935 8；RMSEC最小，為3.419 7；RPD最高，為4.235 2，是較為適用于紅黃壤區(qū)森林土壤氧化鐵全量估測的高光譜模型。

[1] Schwertmann U, Cornell R M.Iron oxides in the laboratory: Preparation and characterization[M].Wiley‐VCH Verlag GmbH: 2000.

[2] 章明奎.土壤氧化鐵的形態(tài)在浙江紅壤和黃壤分類中的意義[J].浙江農業(yè)大學學報, 1990, 16(1): 42–50.

[3] Terra F S, Demattê J A M, Viscarra Rossel R A.Proximal spectral sensing in pedological assessments: Vis-NIR spectra for soil classification based on weathering and pedogenesis[J].Geoderma, 2018, 318: 123–136.

[4] Todorova M, Atanassova S, Sitaula B, et al.Application of NIRS as a rapid and alternative method for prediction of heavy metals content in soil [J].Agricultural Science and Technology, 2012, 4(4): 440-444.

[5] Gupta A, Vasava H B, Das B S, et al.Local modeling approaches for estimating soil properties in selected Indian soils using diffuse reflectance data over visible to near-infrared region[J].Geoderma, 2018, 325: 59–71.

[6] 史舟, 王乾龍, 彭杰, 等.中國主要土壤高光譜反射特性分類與有機質光譜預測模型[J].中國科學: 地球科學, 2014, 44(5): 978–988.

[7] Fontes M P F, Carvalho I A Jr.Color attributes and mineralogical characteristics, evaluated by radiometry, of highly weathered tropical soils[J].Soil Science Society of America Journal, 2005, 69(4): 1162–1172.

[8] Stoner E R, Baumgardner M F.Characteristic variations in reflectance of surface soils [J].Soil Science Society of America Journal, 1981, 45(6): 1161–1165.

[9] Hunt G R, Ashley R P.Spectra of altered rocks in the visible and near infrared [J].Economic Geology, 1979, 74(7): 1613–1629.

[10] Galv?o L S, Pizarro M A, Epiphanio J C N.Variations in reflectance of tropical soils: Spectral-chemical composition relationships from AVIRIS data[J].Remote Sensing of Environment, 2001, 75(2): 245–255.

[11] 何挺, 王靜, 程燁, 等.土壤氧化鐵光譜特征研究[J].地理與地理信息科學, 2006, 22(2): 30–34.

[12] 彭杰, 向紅英, 周清, 等.土壤氧化鐵的高光譜響應研究[J].光譜學與光譜分析, 2013, 33(2): 502–506.

[13] de Aldana B R V, Criado B G, Ciudad A G, et al.Estimation of mineral content in natural grasslands by near infrared reflectance spectroscopy[J].Communications in Soil Science and Plant Analysis, 1995, 26(9/10): 1383–1396.

[14] 魏昌龍, 趙玉國, 鄔登巍, 等.基于光譜分析的土壤游離鐵預測研究[J].土壤, 2014, 46(4): 678–683.

[15] Liu Y L, Chen Y Y.Estimation of total iron content in floodplain soils using VNIR spectroscopy - a case study in the Le'an River floodplain, China[J].International Journal of Remote Sensing, 2012, 33(18): 5954–5972.

[16] Magendran T, Sanjeevi S.Statistical and neural network analysis of hyperspectral radiometric data to characterise hematite of Singbhum iron ore belt, India[C]//SPIE Asia-Pacific Remote Sensing.Proc SPIE 9263, Multispectral, Hyperspectral, and Ultraspectral Remote Sensing Technology, Techniques and Applications V, Beijing, China.2014, 9263: 92630M.

[17] 秦倩如, 齊雁冰, 吳娟, 等.基于高光譜的土壤游離鐵隨機森林模型估算研究[J].土壤通報, 2018, 49(6): 1286–1293.

[18] 謝文, 趙小敏, 郭熙, 等.基于組合模型的廬山森林土壤有效鐵光譜間接反演研究[J].土壤學報, 2017, 54(3): 601–612.

[19] 高開強, 徐泮林, 趙曉旭.基于模糊模式識別的土壤含鐵量高光譜估測[J].測繪與空間地理信息, 2020, 43(1): 127–129,132.

[20] 趙振華, 劉偉, 趙亞輝, 等.大圍山第四紀冰川地質遺跡特征及成因探討[J].國土資源導刊, 2008, 5(6): 42–45.

[21] 魯如坤.土壤農業(yè)化學分析方法[M].北京: 中國農業(yè)科技出版社, 1999.

[22] 王濤, 喻彩麗, 張楠楠, 等.基于去包絡線和連續(xù)投影算法的棗園土壤電導率光譜檢測研究[J].干旱地區(qū)農業(yè)研究, 2019, 37(5): 193–199,217.

[23] 魏建榕.經濟物理學中的金融數據分析：統(tǒng)計與建模[D].上海: 復旦大學, 2013.

[24] Rossel R A V, Webster R.Predicting soil properties from the Australian soil visible-near infrared spectroscopic database [J].European Journal of Soil Science, 2012, 63(6): 848–860.

[25] 羅蘭花, 王翠紅, 謝紅霞, 等.大圍山花崗巖風化物發(fā)育土壤抗蝕性垂直分異[J].水土保持研究, 2018, 25(1): 62–65, 71.

[26] 雷梅, 常慶瑞, 馮立孝, 等.太白山土壤特性及氧化鐵發(fā)生學特征[J].地理研究, 2001, 20(1): 83–90.

[27] 曹慶.廬山北坡土壤發(fā)生特性與系統(tǒng)分類[D].南京: 南京師范大學, 2012.

[28] 龔紹琦, 王鑫, 沈潤平, 等.濱海鹽土重金屬含量高光譜遙感研究[J].遙感技術與應用, 2010, 25(2): 169–177.

[29] 郭穎, 郭治興, 劉佳, 等.亞熱帶典型區(qū)域水稻土氧化鐵高光譜反演——以珠江三角洲為例[J].應用生態(tài)學報, 2017, 28(11): 3675–3683.

[30] Baumgardner M F, Silva L F, Biehl L L, et al.Reflectance properties of soils [J].Advances in Agronomy, 1986, 38: 1–44.

Inversion of Iron Oxide Contents in Forest Soils of Dawei Mountains Using Laboratory Hyperspectral Data

TAN Jie1, CHEN Yan1, ZHOU Weijun2*, CUI Haojie2, LIU Pei1

(1 College of Landscape Architecture and Art Design, Hunan Agricultural University, Changsha 410128, China; 2College of Resources and Environment, Hunan Agricultural University, Changsha 410128, China)

Iron oxide is the main body of iron-bearing minerals in the soil and is one of the most obvious and useful indicators of soil development and soil classification.In this paper, forest soils in Dawei Mountain of Hunan Province were collected, iron oxide contents in soils were determined respectively by conventional chemical method and by hyperspectral inversion with models of multiple stepwise regression and partial least squares regression inversion established by screening sensitive bands after spectral preprocessing and combinatorial transformation.The results showed that soil spectral curves with different iron oxide contents all were in steep-hill shape in the whole band, iron oxide content was negatively correlated with spectral reflectance within 420-580 nm, different spectral transformation could improve the correlation, and the combination of Savitzky-Golay (S-G) smoothing and de-embedding lines was superior to other pretreatment methods in inversion.The characteristic bands of iron oxides were 392, 427, 529, 523, 549, 559, 565, 570, 994 and 1 040 nm.Partial least squares regression model had better stability than multiple stepwise regression model, and is suitable for rapid estimation of iron oxide contents in forest red and yellow soils.

Soil spectra; Iron oxide; Multiple stepwise regression; Partial least squares regression

S155.1

A

10.13758/j.cnki.tr.2021.04.025

譚潔, 陳嚴, 周衛(wèi)軍, 等.基于實驗室高光譜數據的大圍山森林土壤氧化鐵全量反演.土壤, 2021, 53(4): 858–864.

國家自然科學基金項目(41771272)資助。

(wjzh0108@163.com)

譚潔(1979—)，女，湖南湘潭人，博士，副教授，主要從事土地/土壤環(huán)境過程及模擬研究。E-mail: 37080689@qq.com