博斯騰湖西岸湖濱綠洲土壤含鹽量高光譜估算

博斯騰湖西岸湖濱綠洲土壤含鹽量高光譜估算摘要：以博斯騰湖西岸湖濱綠洲土壤鹽分及其對(duì)應(yīng)的高光譜數(shù)據(jù)為研究對(duì)象，對(duì)原始光譜反射率（R）進(jìn)行均方根（VR）、對(duì)數(shù)（IgR）、倒數(shù)（1/R）、對(duì)數(shù)倒數(shù)（1/lgR）變換，引入分?jǐn)?shù)階微分對(duì)變換的光譜反射率進(jìn)行0~2內(nèi)的微分預(yù)處理，通過(guò)顯著性檢驗(yàn)優(yōu)選特征波段，并利用特征波段進(jìn)行偏最小二乘回歸的建模和驗(yàn)證。結(jié)果表明：1）通過(guò)顯著性檢驗(yàn)較多的特征波段是：1/R為691個(gè)波段，比通過(guò)原始波段多226個(gè)波段；且隨著階數(shù)的增加，在各階數(shù)中通過(guò)顯著性檢驗(yàn)的波段數(shù)量呈先增加后減少的趨勢(shì)；通過(guò)數(shù)量較多的特征波段是1/R的0.4階和0.6階，分別為145、150；2）原始光譜反射率的相關(guān)性極大值絕對(duì)值是：2階為0.53,其他4種數(shù)學(xué)變換的相關(guān)性極大值絕對(duì)值比R高0.11~0,16，特征波段主要集中在600-1000nm和2020-2330nm;3）在原始光譜反射率及其變換值的各分?jǐn)?shù)階微分利用偏最小二乘回歸建模中，1/lgR的0.2階建立的模型為最佳模型，R%=0.78，RMSEC=1.56，R2V=0.63，RMSEV=1.44。關(guān)鍵詞：分?jǐn)?shù)階微分；土壤含鹽量；光譜變換；偏最小二乘回歸；高光譜估算HyperspectralestimationofsoilsaltcontentinlakeoasisonthewestbankofBostenlakeAbstract::TakingthesoilsalinityandcorrespondinghyperspectraldataofthelakesideoasisonthewestbankoftheBostenLakeastheresearchobject，therootmeansquareR，logarithmiclgR，reciprocal1/R，reciprocal1/lgRwereusedtotransformtheoriginalspectralreflectance.Thefractionaldifferentiationwasintroducedtoperformdifferentialpreprocessingwithin0-2onthetransformedspectralreflectance.Thecharacteristicbandthroughsignificancetestwasusedtomodelandverifypartialleastsquaresregression.Theresultsshowthat:1)Thecharacteristicbandsthatpassedthesignificancetestweremostly1/Rof691bands，whichwas226morebandsthantheoriginalbandR.Withincreasingorders，thenumberofbandsthatpassedthesignificancetestineachordershowedatrendofincreasingfirstandthendecreasing.Thecharacteristicbandsthatpassedmorewere0.4and0.6ordersof1/R，whichwere145and150，respectively.2)TheabsolutevalueofthecorrelationmaximumvalueoftheoriginalspectrumRwas2ndorder0.53.Theabsolutevalueofthecorrelationmaximumvalueoftheotherfourmathematicaltransformationswas0.11-0.16，higherthanR.Thecharacteristicbandsweremainlyconcentratedat600-1000nmand2020-2330nm.3)ThefractionaldifferentialoftheoriginalspectralR，therootmeansquareR，thelogarithmlgR，thereciprocal1/R，andthelogarithmreciprocal1/lgRwasmodeledbypartialleastsquaresregression.Themodelestablishedat0.2thorderof1/lgRwasthebestwithR2C=0.78，RMSEC=1.56，R2V=0.63，RMSEV=1.44.Keywords:fractionaldifferential;soilsalinity;spectraltransformation;partialleastsquaresregressionmethods；hyperspectralestimation土壤鹽分在土壤中的含量決定了土壤鹽漬化等級(jí)，土壤含鹽量過(guò)高，會(huì)危害農(nóng)作物減產(chǎn)或絕收、影響植被生長(zhǎng)并間接造成生態(tài)環(huán)境惡化「T?？焖?、準(zhǔn)確地獲取土壤鹽分信息在土壤開(kāi)發(fā)利用和土壤鹽漬化防治等方面具有重要的意義⑷。傳統(tǒng)土壤含鹽量的測(cè)定需要耗費(fèi)時(shí)間，且步驟繁瑣，對(duì)大面積土壤鹽分進(jìn)行持續(xù)性和穩(wěn)定性的動(dòng)態(tài)檢測(cè)比較困難，而高光譜遙感技術(shù)的出現(xiàn)成為估算土壤鹽分強(qiáng)有力的工具，可以充分挖掘光譜信息和構(gòu)建高精度的模型［5-7］光譜一、二階微分在進(jìn)行土壤含鹽量光譜建模中是一種常用的光譜數(shù)據(jù)預(yù)處理方法［8-9］但一階微分和二階微分的光譜曲線中間相差較多，導(dǎo)致一些中間的光譜信息會(huì)被遺漏掉，而分?jǐn)?shù)階微分可以挖掘中間的光譜信息，能夠使光譜信息被充分利用，且分?jǐn)?shù)階微分在模式識(shí)別和建模等方面被廣泛應(yīng)用［10-12］亞森江?喀哈爾等［13］采用分?jǐn)?shù)階微分優(yōu)化光譜指數(shù)的方式，認(rèn)為1.6階微分波段預(yù)測(cè)效果最佳，精度達(dá)到0.84吾木提?艾山江等［14］通過(guò)高光譜估算含水量，分析到分?jǐn)?shù)階微分后的模型能夠提高穩(wěn)定性和預(yù)測(cè)能力。蔣明等［15］提出在不同采樣間隔下分?jǐn)?shù)階微分對(duì)土壤重金屬的影響。分?jǐn)?shù)階微分能夠細(xì)化相關(guān)系數(shù)的趨勢(shì)，豐富光譜數(shù)據(jù)的處理方式［16-18］分?jǐn)?shù)階微分在高光譜預(yù)處理中，能夠增加特征波段的數(shù)量，但對(duì)于有效地提高相關(guān)性還處于弱勢(shì)，因此本文將分?jǐn)?shù)階微分與傳統(tǒng)的數(shù)學(xué)光譜變換相結(jié)合，以提高相關(guān)性?；诖耍圆┧跪v湖西岸湖濱綠洲的土壤含鹽量為研究對(duì)象，將分?jǐn)?shù)階微分引入高光譜數(shù)據(jù)預(yù)處理中，且對(duì)原始光譜曲線進(jìn)行數(shù)學(xué)變化的基礎(chǔ)上，利用偏最小二乘回歸建模，比較原始光譜曲線及4種光譜變換的分?jǐn)?shù)階微分建模精度1材料與方法1.1研究區(qū)概況博斯騰湖西岸湖濱綠洲行政區(qū)劃隸屬于新疆博湖縣，位于新疆焉耆盆地東南部，地理位置介于86°15'~86°55'E,41。45'~42°10'N。其是典型的人工綠洲和自然綠洲混合的山前湖泊綠洲，面積為1360km2。年平均氣溫8.2~11.52,無(wú)霜期175.8~211.3d，年蒸發(fā)量1880.0~2785.8mm，年降水量47.7~68.1mm，蒸降比高達(dá)40:1。研究區(qū)內(nèi)土壤類型主要有草甸土、沼澤地、灌耕潮土、鹽土、風(fēng)沙土、棕漠土等，地下水埋深1.0~2.5m，礦化度為0.1~10g/L［19］植物類型有蘆葦(Phragmitesaustralis)、檉柳(Tamarixramosissi-ma)、楊樹(shù)(Populus)，農(nóng)作物有辣椒地(Capsicumfield).油葵地(oilsunflowerfield),以及裸地(Barefield)等。由于獨(dú)特的地理位置，且蒸發(fā)強(qiáng)烈，降水稀少等氣候條件，活躍的地表水以及地下水補(bǔ)給，富含鹽分的母質(zhì)環(huán)境等，平均土壤鹽分含量為2.84g/kg［20］1.2土壤樣品采集及測(cè)定根據(jù)研究區(qū)土壤類型的現(xiàn)狀，結(jié)合研究區(qū)的土壤鹽分狀況，采用GPS定位技術(shù)，使采樣點(diǎn)盡可能遍及研究區(qū)范圍內(nèi)的主要土地利用類型，考慮采樣點(diǎn)的水文地貌條件、植被覆蓋類型以及土壤鹽漬化程度等因素，每個(gè)樣本點(diǎn)范圍分0~10cm深度進(jìn)行，共采集37個(gè)樣點(diǎn)(圖1將土壤樣品帶回實(shí)驗(yàn)室經(jīng)過(guò)前期處理自然風(fēng)干后除去枯枝、殘葉等雜質(zhì)，磨碎過(guò)2mm網(wǎng)篩后，分裝自封袋中用于后續(xù)土壤含鹽量測(cè)定和光譜采集。從37個(gè)代表性的土壤樣品中隨機(jī)選取25個(gè)樣本作為建模集,剩下的作為驗(yàn)證集，建模集和驗(yàn)證集的平均值分別為2.64、2.86土壤光譜測(cè)定采用ASDFieldSpec3型光譜儀，波段范圍為350~2500nm，重采樣間隔為1nm。每次采集回來(lái)之后的土壤樣品預(yù)處理之后，盡快測(cè)量土壤光譜。野外測(cè)量需要選擇晴朗無(wú)風(fēng)的天氣，測(cè)量時(shí)間為12：00~14：00,測(cè)定之前先進(jìn)行白板校正，校正間隔控制在3~5min,測(cè)定時(shí)始終保證傳感器探頭位于土面正上方15cm處［21］,每個(gè)

圖1采樣點(diǎn)及研究區(qū)示意圖Fig.1SamplingpointandlocationofthestudyareaIX一圖1采樣點(diǎn)及研究區(qū)示意圖Fig.1SamplingpointandlocationofthestudyareaIX一-

野縣點(diǎn)

斯湖樣城流

例博博采縣河

圖?87°20'0”E1.3數(shù)據(jù)處理與研究方法對(duì)均值處理后的光譜曲線去除水分吸收帶波段1340~1450nm、1750~2020nm、23302500nm[22]，對(duì)去除干擾波段的光譜曲線用Savitz-ky-Golay濾波方法進(jìn)行平滑處理。分?jǐn)?shù)階微分是將整數(shù)階微分的階數(shù)擴(kuò)展至任意階1231o目前，Grunwald-Letnikov[24-251定義的分?jǐn)?shù)階微分較為常用，主要是應(yīng)用一元函數(shù)差分來(lái)實(shí)現(xiàn)，表達(dá)式為：七f(A)=f(A)+(-V)f(A-1)dA+5上》+5上》/(A-2)+??+n!r(-V+n)+1)f(A-n)式中，V-階數(shù)，r(-)-Gamma函數(shù)，A-對(duì)應(yīng)的值，"-是微分上下限之差。在平滑后的原始光譜曲線R的基礎(chǔ)上，對(duì)均方根VR、對(duì)數(shù)lgR、倒數(shù)1/R、對(duì)數(shù)倒數(shù)1/lgR進(jìn)行變換，再利用(1)式分別對(duì)原始光譜曲線R及4種變換進(jìn)行0~2階的分?jǐn)?shù)階微分處理(階數(shù)間隔為0.2)。3)采用偏最小二乘回歸(PLSR)方法進(jìn)行建模及驗(yàn)證，PLSR方法融合主成分分析、典型相關(guān)分析和多元線性回歸分析[26-27]0在多元線性回歸里采用逐步回歸，逐步分解輸入變量矩陣和輸出變量矩陣，并綜合考慮提取的主成分對(duì)輸入變量矩陣和輸出變量矩陣的解釋能力，直到滿足性能要求為止。建模和驗(yàn)證的精度分別用決定系數(shù)R"、R2V，均方根誤差RMSE＜：、RMSEV[28]oR2用來(lái)判定建模的穩(wěn)定程度，越接近1說(shuō)明模型越穩(wěn)定；RMSE用來(lái)說(shuō)明模型的準(zhǔn)確度，值越小表示模型的精度越高如。2結(jié)果與分析1土壤含鹽量高光譜特征對(duì)土壤含鹽量光譜反射率進(jìn)行聚類分析，以K-means聚類算法進(jìn)行劃分。由圖2所示，利用聚類分析將土壤含鹽量光譜反射率劃分為4類，分別對(duì)4類光譜反射率求數(shù)學(xué)平均，得到4種土壤含鹽量的光譜曲線，土壤含鹽量的光譜特征整體較為相似。在波段為350-1340nm之間，土壤含鹽量為4.20和2.51g/kg的光譜反射率值高于1.56和17g/kg的光譜反射率值；在1340nm之后，這4種土壤含鹽量光譜反射率值則顯示相反的變化規(guī)律，土壤含鹽量為3.17g/kg的反射率值較高。總體上看，350-2100nm之間，土壤含鹽量光譜反射率值隨著波長(zhǎng)的增加而增加，2100nm之后，光

譜特征逐漸減弱。土壤樣本圖2土壤含鹽量光譜曲線聚類分析和不同土壤含鹽量平均光譜曲線特征Fig.2Clusteranalysisofsoilsaltcontentspectralcurvesandcharacteristicsofdifferentsoilsaltcontentaveragespectralcurves鹽分質(zhì)量分?jǐn)?shù)/(g?kg-i)——1.56譜特征逐漸減弱。土壤樣本圖2土壤含鹽量光譜曲線聚類分析和不同土壤含鹽量平均光譜曲線特征Fig.2Clusteranalysisofsoilsaltcontentspectralcurvesandcharacteristicsofdifferentsoilsaltcontentaveragespectralcurves鹽分質(zhì)量分?jǐn)?shù)/(g?kg-i)——1.56 2.51——3.17——4.20將原始光譜反射率的分?jǐn)?shù)階微分及其4種不同變換形式下的分?jǐn)?shù)階微分與土壤含鹽量在0.01極顯著水平下進(jìn)行相關(guān)關(guān)系分析。如表2所示，通過(guò)顯著性檢驗(yàn)較多的特征波段數(shù)是1/R為691個(gè)波段，最少的是1/lgR，為300個(gè)波段。原始光譜反射率通過(guò)顯著性檢驗(yàn)的特征波段主要集中在1階~2階,1/R的0階微分是唯一通過(guò)顯著性檢驗(yàn)的階數(shù)，且通過(guò)0.4階和0.6階的特征波段比其他光譜反射率分?jǐn)?shù)階微分的特征波段數(shù)多，分別為145和150。隨著階數(shù)的增加，通過(guò)顯著性檢驗(yàn)的特征波段呈現(xiàn)先增加后減少的趨勢(shì)，R的1.2階的特征波段最多為142,VR的0.6階的特征波段最多為95，lgR的0.6階的特征波段最多為115，1/lgR的0.8階特征波段最多為56。由圖3可知，通過(guò)顯著性檢驗(yàn)的特征波段集中的范圍，原始光譜反射率R的特征波段分布在638-653，1166-1181，1234-1237，1669-1749和2021-2329nm^R與lgR的特征波段集中范圍較為相似，1/R與1/lgR的特征波段集中范圍較為相似，且4中數(shù)學(xué)變換的特征波段主要集中在600-1000nm和2020~2330nm,這與R分布的特征波段數(shù)量有很大的不同。R的相關(guān)性極大值絕對(duì)值是2階為0.53,VR的相關(guān)性極大值絕對(duì)值是0.8階為0.67，1/R的相關(guān)性極大值絕對(duì)值是0.6階為0.69,lgR的相關(guān)性極大值絕對(duì)值是0.8階為0.67，1/lgR的相關(guān)性極大值絕對(duì)值是0.6階為0.64。2.3土壤含鹽量分?jǐn)?shù)階微分的光譜建模與驗(yàn)證分別利用通過(guò)顯著性檢驗(yàn)的R、、R、lgR、1/R、1/lgR特征波段與土壤含鹽量進(jìn)行偏最小二乘回

表1分?jǐn)?shù)階微分通過(guò)顯著性檢驗(yàn)的波段數(shù)Table1Bandnumbersthroughsignificanttestofeachfractional-orderdifferential0.208672430.406014581170.6095150115530.80755680561.076465249351.2142475857421.4121424844271.662363938211.82232373325微分階數(shù)通過(guò)0.01檢驗(yàn)水平波段數(shù)RR 1/R lgR 1/lgR2.04226322821歸，建立不同光譜變化下分?jǐn)?shù)階微分的土壤含鹽量估算模型。由表2可知，從總體上看1/lgR的0.2階和1/R的1.8階的建模效果較好，R%分別為0.78和0.75,RMSEc分別為1.56和1.48。從原始光譜和4種光譜變換下的驗(yàn)證集可知,R的1.8階的估算模型較好眼為0.47，而RMSE、,為1.65;VR的1.2階的估算模型較好A'，為0.57,RMSEV為1.48;1/R的1階和2階的估算模型精度較好,Rv分別為0.52、0.53,RM-SEv分別為1.35、1.34；lgR的0.8階和1階的估算模型精度較好，R分別為0.52、0.52,RMSEv分別為1.43、1.33；1/lgR的0.2階和0.4階的估算模型精度較好,Rv分別為0.63、0.62,RMSEv分別為1.44、1.42。由圖4可知，1/lgR的分?jǐn)?shù)階微分?jǐn)M合曲線較為集中，從Rv來(lái)看,最小值為0.47,其他主要在0.50~9~p=o.oi?2.0階波長(zhǎng)~9~p=o.oi?2.0階波長(zhǎng)/nm0.2階0.4階0.6階0.8階1.0階圖3土壤含鹽量與不同光譜變換反射率分?jǐn)?shù)階微分的相關(guān)系數(shù)Fig.3Correlationcoefficientsbetweensoilsaltcontentandvariousorderdifferentialsofreflectivityunder

differentspectraltransformations表2土壤含鹽量分?jǐn)?shù)階微分光譜建模與驗(yàn)證Table2ModelingandverificationoffractionaldifferentialspectraofsoilsalinityOrder0.20.40.60.81.01.21.41.61.82.0建模集Rc----0.350.470.470.440.680.59RRMSEC----1.821.911.901.931.961.89驗(yàn)證集R\----0.020.290.120.210.470.41RMSEV----1.251.361.371.391.651.51建模集R'c0.330.550.450.510.510.600.510.670.510.43VrRMSEC1.571.611.541.591.541.351.421.601.611.57R2V0.360.330.310.550.540.570.510.510.500.51驗(yàn)證集RMSEV1.431.321.521.421.361.481.351.351.350.98建模集R'c0.450.430.710.580.620.740.560.490.750.661/RRMSEC1.671.432.011.631.921.461.441.341.481.55驗(yàn)證集R2v0.200.320.360.490.520.500.480.490.480.53RMSEV1.381.241.641.381.351.341.331.331.331.34建模集R'c0.350.320.290.460.560.660.570.470.720.58lgRRMSEC1.691.781.911.391.601.591.681.721.791.98驗(yàn)證集R20.210.330.110.520.520.510.500.500.500.49RMSEV1.341.331.521.431.331.351.351.341.341.34建模集R2c0.780.520.670.510.510.560.550.590.700.591/lgRRMSEC1.561.461.591.601.601.481.691.721.471.60R2驗(yàn)證集0.630.620.500.540.520.520.520.520.470.50RMSEV1.441.421.471.421.421.401.411.441.371.39?2.0階實(shí)測(cè)值/(gkg-1)?2.0階實(shí)測(cè)值/(gkg-1)圖4基于不同分?jǐn)?shù)階微分光譜變換的土壤含鹽量偏最小二乘回歸模型驗(yàn)證Fig.4Verificationofsoilsalinitypartialleastsquaresregressionmodelbasedondifferent3.8)通M坦0.2階0.4階0.6階0.8階1.0階1.2階fractionaldifferentia