研究区位于美国爱荷华州东南部。 该地区的海拔位于237~266 m之间, 坡度为0° ~9.7° , 年平均气温为9.88 ℃, 年平均降雨量为903 mm。 土壤类型主要为粉质粘壤土、 粘壤土和粉砂壤土。 土地利用类型以耕地为主。 该研究区主要种植玉米、 大豆、 黑麦等农作物。

2015年10月, 在研究区利用网格采样的策略共采集了60个土壤样本(图1)。 土壤样本采样间隔为130 m。 每个样本是由五个子样本组成的复合样本(子样本采集于1 m× 1 m网格的四个顶点及中心点)。 采样前, 将土壤表面的植被、 杂草和其他杂物去除。 采样时, 将土壤样本按照采样顺序装入带有标签的塑料袋中并密封。 采样后, 将采集到土壤样本带回实验室进行光谱测量及化学分析。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 研究区地理位置及采样点分布情况Fig.1 The geographical location of study area and the distribution of soil samples

在实验室中将采集的土壤样本进行自然风干。 首先测量风干后未研磨的土壤样本的成像光谱与非成像光谱。 之后将所有样本进行研磨和过筛(2 mm)预处理, 再分别进行成像与非成像光谱测量。 最后, 将样本继续研磨、 过筛(0.15 mm), 用于测量SOC含量。

采用Cubert UHD185型成像光谱仪测量土壤样本研磨前后的成像光谱。 该成像光谱仪是由德国Cubert Gmbh公司研发, 具有实时成像的特点, 光谱范围为450~998 nm, 光谱分辨率为4 nm^[10]。 光谱测量在暗室中进行, 以卤素灯作为唯一光源, 入射光与土壤样本成45° 夹角, 与样本相距30 cm。 UHD185型成像光谱仪被固定于土壤样本正上方12 cm处。 测量土壤样本光谱前, 需要进行白板测量以校正光谱仪。

采用ASD FieldSpec3便携式光谱仪测量土壤样本研磨前后的非成像光谱。 整个光谱测量环境与成像光谱测量环境相同, 在暗室中进行。 卤素灯作为唯一光源, 与土壤样本成45° 夹角, 并与样本相距30 cm。 光纤放置在样本正上方, 距离样本12 cm。 在测量光谱之前利用白板校正光谱仪。 每个样本测量10次光谱, 取平均值作为最终的样本光谱。 光谱范围为350~2 500 nm, 光谱分辨率为1 nm。

采用Vario MACRO cube元素分析仪测量SOC含量^[11]。 测量前, 需要对仪器进行气密性检验。 测量时, 将用锡箔纸包好的样本按顺序放入元素分析仪中测量SOC含量。 元素分析仪中氧气和氦气的气瓶减压阀的输出压力分别调至0.20~0.22和0.20~0.23 MPa, 燃烧管温度设置为1 150 ℃, 还原管温度设置为850 ℃。

测量得到的单个样本成像光谱影像大小为50× 50个像素点(图2)。 为了降低周边测量环境的影响(如盛放土壤样本的培养皿等), 提取红色框中14× 20共280个像素点的平均光谱作为土壤样本的成像光谱数据。 由于仪器固有特性以及实际测量误差, 导致450~489 nm范围内信噪比较低, 故选择490~998 nm范围内的成像光谱数据用于建模分析。 成像光谱与非成像光谱数据波段范围与光谱分辨率不一致。 为了有效对比两者数据估算SOC的潜力, 本文选择490~998 nm范围内非成像光谱数据进行建模, 并且将非成像光谱反射率重采样为4 nm。 此外, 通过原始成像与非成像光谱进行去包络线(CR)、 吸光度变换(AB)、 S-G平滑(SG)、 标准正态变换(SNV)、 多元散射校正(MSC)5种光谱预处理后, 对原始光谱及预处理后光谱开展了SOC估测建模。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 单个土壤样本研磨前及研磨后成像光谱影像 R: 638 nm, G: 550 nm, B: 470 nmFig.2 RGB images of the single soil sample before and after grinding R: 638 nm, G: 550 nm, B: 470 nm

本研究中采用偏最小二乘回归(PLSR)算法和支持向量回归(SVR)算法建立不同预处理后成像与非成像光谱的SOC含量估测模型。 PLSR是一种典型的线性回归算法, 由Wold提出, 被广泛应用于光谱分析研究。 该方法将原始可见近红外光谱波段投影到一个新的空间, 形成新的特征变量, 利用新的特征变量建立回归模型。 它集合了多元线性回归、 主成分分析和典型相关分析优点, 能够有效降低高光谱波段的多重共线性和信息冗余。 SVR是利用核函数将原始可见近红外光谱投影至高维线性空间寻找最优估算结果的算法, 对高维数据具有良好的鲁棒性。 常见的核函数包括线性核函数、 高斯核函数、 多项式核函数和径向基核函数。 其中基于径向基核函数建立的SVR模型为非线性模型, 效果最佳。 因此, 选择径向基核函数的SVR算法建立SOC估算模型。

根据浓度梯度法, 土壤样本按2∶ 1比例划分为建模集和验证集。 建模集被用来建立PLSR和SVR估测模型, 而验证集被用来评价模型性能。 评价指标包括决定系数(R²)和均方根误差(RMSE)。 R²越大, RMSE越小, 模型性能越好。

表1描述了研究区土壤样本全集、 建模集和验证集的SOC含量的统计特征。 样本全集有60个样本, 建模集有40个样本, 验证集有20个样本。 样本全集与建模集中SOC含量范围介于1.21%~2.97%之间, 验证集中SOC含量最大值为2.83%, 最小值为1.24%。 样本全集、 建模集和验证集的均值皆为2.22%, 中位数为2.33%。 样本全集、 建模集、 验证集的标准差分别为0.43, 0.44和0.42; 变异系数分别为0.19, 0.20和0.19, 属于中等变异。 三个样本集的偏度系数分别为-0.72, -0.71和-0.82, 峰度系数分别为-0.28, -0.29和0.04, 为峰值较小的非正态分布。 根据SOC的统计特征可知, 建模集和验证集的SOC 含量特征与样本全集的SOC含量统计特征相似。 这表明建模集和验证集可以代表样本全集, 能够被用来建立和验证SOC估测模型。

表1

Table 1

表1(Table 1)

表1 SOC含量统计性特征描述表 Table 1 The statistical description of SOC content 样本集 样本量/个 土壤有机碳含量/% 标准差 变异系数 偏度系数 峰度系数 最大值 最小值 平均值 中位数 样本全集 60 2.97 1.21 2.22 2.33 0.43 0.19 -0.72 -0.28 建模集 40 2.97 1.21 2.22 2.33 0.44 0.20 -0.71 -0.29 验证集 20 2.83 1.24 2.22 2.33 0.42 0.19 -0.82 0.04

表1 SOC含量统计性特征描述表 Table 1 The statistical description of SOC content

图3展示了在490~998 nm范围内, 研磨前后土壤成像光谱与非成像光谱平均反射率特征。 其中, 成像光谱反射率是所有样本中所有像素点的平均光谱反射率。 图3中d, b曲线分别代表了土壤样本研磨前后成像光谱的反射率。 土壤样本研磨前的成像光谱反射率在490~974 nm范围内不断增加, 在974~998 nm之间开始下降。 土壤样本研磨后的成像光谱反射率的变化趋势与研磨前的光谱反射率变化趋势相似。 土壤样本研磨后的光谱反射率在490~978 nm范围内不断增加, 在978~998 nm范围内不断降低。 在490~998 nm范围内, 土壤样本研磨前的光谱反射率总是低于研磨后的光谱反射率, 且随着光谱波长不断增加, 反射率变化越来越大。 图3中c, a曲线分别代表了土壤样本研磨前后非成像光谱反射率。 从图中可以看出, 非成像光谱反射率在490~998 nm范围内不断增加, 无下降趋势。

土壤样本研磨前的成像光谱与非成像光谱反射率总是低于研磨后的光谱反射率。 随着光谱波长增加, 土壤样本研磨前后光谱反射率差异逐渐变大, 土壤研磨前后非成像光谱反射率差异小于成像光谱反射率的差异。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 土壤样本研磨前后成像光谱(d, b)与 非成像光谱(c, a)平均反射率 2.3 SOC与光谱相关性分析Fig.3 The mean reflectances of imaging spectra (d, b) and non-imaging spectra (c, a) of the soil samples before and after grinding

图4展示了样本研磨前后不同粗糙度条件下土壤成像光谱、 非成像光谱与SOC的皮尔逊相关系数曲线。 图4中d, b曲线分别代表了土壤样本研磨前、 后成像光谱与SOC的相关系数。 研磨前成像光谱反射率与SOC的相关系数绝对值介于0.49~0.70之间, 在606 nm处相关系数绝对值最大。 研磨后成像光谱反射率与SOC的相关系数绝对值范围为0.75~0.85, 在666 nm处相关系数绝对值最大。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 土壤样本研磨前后成像光谱(d, b)、 非成像光谱(c, a) 与SOC相关系数图Fig.4 The correlation coefficient between imaging spectra (d, b)/non-imaging spectra (c, a) and SOC for the soil samples before and after grinding

对于非成像光谱, 研磨前光谱与SOC的相关系数最大绝对值为0.56, 最小绝对值为0.38。 598 nm处光谱与SOC的相关性最强。 研磨后光谱与SOC的相关系数最大值为0.84, 最小值为0.75。 668 nm处光谱与SOC的相关性最强。

总体来说, 土壤样本研磨前后成像光谱与非成像光谱与SOC的相关性皆为负相关。 在490~998 nm范围内, 土壤样本研磨前, 成像光谱与SOC的相关性明显强于非成像光谱与SOC的相关性; 土壤样本研磨后, 成像光谱与SOC的相关性稍微强于非成像光谱与SOC的相关性。

表2展示了两种粗糙度下的土壤样本(研磨前后), 基于成像光谱与非成像光谱, 利用其原始光谱及5种预处理光谱, 建立的PLSR和SVR模型性能对比表。

表2

Table 2

表2(Table 2)

表2 土壤样本研磨前后成像光谱与非成像光谱在不同预处理下PLSR和SVR模型性能表 Table 2 PLSR and SVR model performances based on imaging spectra/non-imaging spectra of the soil samples before and after grinding 样本预处理 光谱预处理 光谱类型 偏最小二乘回归 支持向量回归 建模集 验证集 建模集 验证集 R2 RMSE R2 RMSE R2 RMSE R2 RMSE 未研磨样本 None Imaging 0.788 0.040 0.739 0.045 0.804 0.037 0.712 0.050 Non-imaging 0.703 0.056 0.344 0.114 0.721 0.053 0.311 0.119 CR Imaging 0.797 0.039 0.651 0.060 0.789 0.040 0.705 0.051 Non-imaging 0.948 0.010 0.196 0.139 0.672 0.062 0.469 0.092 AB Imaging 0.785 0.041 0.719 0.049 0.808 0.036 0.699 0.052 Non-imaging 0.735 0.050 0.411 0.102 0.788 0.040 0.281 0.125 SG Imaging 0.788 0.040 0.739 0.045 0.804 0.037 0.712 0.050 Non-imaging 0.699 0.057 0.347 0.113 0.717 0.054 0.299 0.122 SNV Imaging 0.795 0.039 0.719 0.049 0.802 0.038 0.735 0.046 Non-imaging 0.703 0.056 0.396 0.105 0.719 0.053 0.410 0.102 MSC Imaging 0.794 0.039 0.718 0.049 0.797 0.039 0.724 0.048 Non-imaging 0.703 0.056 0.398 0.104 0.700 0.057 0.394 0.105 研磨样本 None Imaging 0.743 0.049 0.648 0.061 0.848 0.029 0.716 0.049 Non-imaging 0.774 0.043 0.645 0.062 0.799 0.038 0.706 0.051 CR Imaging 0.733 0.051 0.666 0.058 0.830 0.032 0.724 0.048 Non-imaging 0.858 0.027 0.564 0.076 0.836 0.031 0.708 0.051 AB Imaging 0.794 0.039 0.709 0.051 0.849 0.029 0.731 0.047 Non-imaging 0.782 0.041 0.693 0.053 0.751 0.047 0.614 0.067 SG Imaging 0.743 0.049 0.648 0.061 0.848 0.029 0.716 0.049 Non-imaging 0.774 0.043 0.645 0.062 0.798 0.038 0.706 0.051 SNV Imaging 0.727 0.052 0.626 0.065 0.783 0.041 0.738 0.045 Non-imaging 0.768 0.044 0.657 0.059 0.788 0.040 0.693 0.053 MSC Imaging 0.722 0.053 0.622 0.066 0.782 0.041 0.736 0.046 Non-imaging 0.767 0.044 0.655 0.060 0.788 0.040 0.692 0.053

表2 土壤样本研磨前后成像光谱与非成像光谱在不同预处理下PLSR和SVR模型性能表 Table 2 PLSR and SVR model performances based on imaging spectra/non-imaging spectra of the soil samples before and after grinding

从表中可以看出, 土壤样本研磨前后, 不同光谱预处理下, 基于成像光谱建立的PLSR和SVR模型性能总是优于基于非成像光谱建立的估测模型。

土壤样本研磨前, 基于成像光谱建立的PLSR模型的 Rp2介于0.651~0.739, 其中基于原始成像光谱建立的PLSR模型的估测精度最高( Rp2=0.739, RMSE_p=0.045%), 其他光谱预处理算法并未提高PLSR模型预测精度。 基于成像光谱建立的SVR模型的 Rp2介于0.699~0.735, 其中利用SNV和MSC的算法可以提高SVR模型的预测精度。 而基于非成像光谱建立的PLSR和SVR模型的 Rp2分别介于0.196~0.411和0.281~0.469, 模型性能整体较差, 不能被用于SOC估测。

土壤样本研磨后, 对于成像光谱, 仅有AB预处理算法能够提高PLSR模型估测精度, 并成为最优的PLSR模型, Rp2=0.709, RMSE_p=0.051%; 5种预处理方法均能提高SVR模型估测精度, 其中SNV预处理算法效果最为显著。 基于SNV算法建立的SVR模型的 Rp2达到0.738。 对于非成像光谱, 样本研磨能够有效提高PLSR和SVR模型估测精度, 其中最优模型为基于SNV预处理算法建立的SVR估测模型, Rp2达到0.708, 使得模型从无法估测SOC转变为精确估测SOC。

总的来说, 对于成像光谱, 土壤样本研磨前后建立的估测模型皆能被用于估测SOC含量。 土壤样本研磨前建立 PLSR模型性能总是优于样本研磨之后建立的PLSR模型, 而SVR模型性能正好相反。 对于非成像光谱, 仅有土壤样本研磨后建立的PLSR和SVR模型能够成功估测SOC含量, 但估测精度总是低于成像光谱建立的估测模型。

土壤在不同粗糙度下的光谱反射率特征不同。 整体表现为粗糙度大, 反射率低, 反之, 粗糙度小, 反射率高。 土壤样本研磨前粗糙度高, 研磨后粗糙度低。 本研究探讨了应用不同光谱仪测量时, 土壤样本在处于研磨前后的这两种粗糙度状态下的反射率特征。

成像与非成像光谱仪测量得到的研磨前的土壤光谱平均反射率总是小于研磨后的土壤光谱平均反射率。 这是由于研磨前, 土壤颗粒在团聚作用的驱动下形成不同大小的团聚体, 具有非定向空间分布, 导致较高的粗糙度。 测量光谱时, 光散射现象明显, 导致较低的反射率。

土壤样本研磨前后, 成像光谱平均反射率均小于非成像光谱平均反射率。 这是因为成像光谱可以获取到土壤样本阴影部分与非阴影部分像素点的反射率。 阴影部分土壤反射率低, 故而成像光谱平均反射率低于非成像光谱平均反射率。 研磨后土壤样本阴影部分面积减少, 因此研磨后的成像光谱反射率略微低于非成像光谱反射率。 这说明成像光谱数据能够更加真实地反映土壤粗糙度对土壤光谱反射率的影响。

不同的土壤粗糙度下, 可见近红外范围内的光谱波段在估测SOC含量时具有不同的重要性。 变量投影重要性(variable importance in projection, VIP)指示每个光谱波段在估测SOC含量中的重要性。 图5展示了样本研磨前后这两种粗糙度状态下土壤成像光谱与非成像光谱的VIP图。 其中VIP> 1, 光谱波段被视为重要波段, 表明在估测SOC含量时起关键作用。 采用成像光谱技术估测SOC含量时, 样本研磨前重要波段为614~766与902~998 nm。 其中, 766~902 nm范围内的光谱波段在样本研磨前为非重要波段, 在样本研磨后为重要波段。 利用非成像光谱建模时, 767~871 nm范围内的光谱波段在样本研磨前为非重要波段, 在样本研磨后为重要波段。 样本研磨后重要波段为686~998 nm。 样本研磨前后, 成像光谱与非成像光谱波段重要性曲线相似, 再一次证明了成像光谱技术被用于估测SOC含量的可行性。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 土壤样本研磨前后成像光谱(d, b)与 非成像光谱(c, a)VIP图 2.7 成像光谱技术的优势Fig.5 The VIP of imaging spectra (d, b)/non-imaging spectra (c, a) of the soil samples before and after grinding

将土壤样本研磨前后的成像光谱与非成像光谱数据用于SOC含量的估测, 并对比了不同数据源及光谱预处理对PLSR和SVR模型性能的影响。 结果显示成像光谱数据在土壤样本研磨前后具有较为优秀的表现。 而使用非成像光谱数据所构建的模型仅能用于研磨后土壤样本SOC含量估测, 这是由于研磨后, 降低了粗糙度, 增强了非成像光谱与SOC的相关性, 从而提高了PLSR模型的估测能力。 土壤样本研磨前后, 成像光谱与SOC的相关性较强, 说明成像光谱数据能够克服土壤粗糙度的影响, 可以被用来建立良好的SOC估测模型。

此外, 利用成像光谱建立的估测模型有潜力被推广应用于卫星遥感数据。 国内现有的高光谱遥感卫星有高分五号、 珠海一号等。 高分五号获取的高光谱卫星遥感影像在可见近红外光谱范围内共有150个波段, 光谱分辨率为4.28 nm^[4]。 珠海一号获取的高光谱卫星遥感影像在400~1 000 nm范围内共有32个波段, 光谱分辨率为3~8 nm^[12]。 本研究获取的成像光谱数据与高分五号、 珠海一号高光谱遥感影像具有相似的波段数量与光谱分辨率。 可以进一步探索成像光谱与卫星遥感影像光谱间的传递性, 从而将近地成像光谱SOC估测模型迁移应用于卫星遥感影像中, 为大尺度的SOC含量估测提供新型手段。