不同土地利用方式下有机质含量的高光谱反演

徐丽华，谢德体

(西南大学资源环境学院，重庆 400716)

【研究意义】土壤有机质 (SOM, Soil Organic Matter) 含量是衡量土壤质量和作物长势的关键参数[1-2]。高光谱技术由于能快速、无损地监测SOM的变化，而在SOM的预测中得到了广泛的应用[3-4]。【前人研究进展】受气候、母质、地形、生物等成土因素、成土年龄以及人类活动的影响，不同土壤的理化性质有明显的差别[5]。而土壤的理化性质，如SOM、土壤水分含量、氧化铁含量、机械组成等因素也是影响土壤光谱特性的重要因素[6]。对荒漠SOM预测的研究显示，无人干扰区和人为干扰区建立的SOM含量反演模型的精度并不相同[4]。盛浩等人的研究发现，底土的溶解性有机质的数量和化学结构、土壤光谱的曲线形状及特征值对土地利用方式的变化比较敏感[7]；但也有研究显示不同的土壤养分对土地利用方式变化的敏感度并不相同[8]。【本研究切入点】本研究拟利用来自园地、旱地、水田3种不同土地利用方式的土壤样本，尝试建立不同土地利用方式下，SOM含量高光谱反演模型。【拟解决的关键问题】探讨SOM含量反演精度对不同土地利用类型的响应，为分析人为活动对SOM含量的影响提供一定的参考。

图1 采样点分布

1 材料与方法

1.1 土壤样本的野外采集及实验室化学分析

在三峡库区王家沟小流域内，采集0～20 cm耕层土壤样本共111个(图1)。其中，林地、园地、旱地、水田4种利用方式下的土壤样本数分别为6、43、29和33。在实验室内对土壤样本进行风干、研磨、过筛处理。处理好的样本被分成2份，分别用于 SOM含量和光谱反射率的测定。用重铬酸钾容量法测定样本的SOM含量[9]。

图2 土壤样本的反射光谱曲线

1.2 光谱测量及光谱预处理

采用FieldSpec Pro FR 野外光谱仪(光谱范围为350～2500 nm)，对同一土壤样本进行10次重复测量。进行样本有效性的检查和剔除异常值后取多次测量的平均值作为该土壤样本的反射光谱。为了剔除光谱曲线的起始处和末端噪声的影响，采用400～2450 nm作为光谱分析波段(图2)。在此基础上，对图2的光谱进行了断点拟合和去包络预处理，以便消除反射光谱的阶跃性变化和突出光谱特征(图3)。

图3 预处理后的反射光谱曲线

表1 SOM含量的描述性统计(g/kg)

1.3 建模方法及模型精度评价指标

文中采用偏最小二乘回归(Partial Least Squares Regression, PLSR)[10]法对SOM含量进行建模，并用相关系数R对模型精度进行评价。相关系数一般的判断标准是[11]： |R|<0.3，则2个变量算作无相关； 0.3≤|R|<0.5，则表示2个变量之间呈现低度相关性； 0.5≤|R|<0.8，表示2个变量具有显著的相关性； 0.8≤|R|<1，表示2个变量具有高度相关性；R=1，表示2个变量之间完全线性相关。

(1)

2 结果与分析

2.1 不同土地利用方式下的SOM统计特征

因为来自林地的样本数量过少，所以文中只对来自于园地、旱地、水田的样本进行了建模分析。对来自园地、旱地、水田的土壤样本有机质含量进行统计分析，用3倍标准差的检验原则对数据进行离群值检验。在园地和水田样本中未发现离群值，旱地样本中发现1个离群值，在分析时剔除该离群值。对不同利用方式下的SOM含量进行描述性统计(表1)。水田和旱地都属于耕地，受人为干扰的程度和时间均高于园地，其SOM含量的均值也高于园地；研究区内的水田与旱地均采用轮作的方式，受人为干扰程度基本相同，但水田SOM含量高于旱地，可能是由于水田长期处于水淹情况下，有机质分解慢的原因。3种土地利用方式下土壤的SOM含量的变异系数比较接近，但园地土壤的变异系数低于水田和旱地。

图4 不同利用类型土壤有机质含量与去包络后的光谱反射率的相关关系

图中和分别表示标定样本和验证样本

2.2 不同土地利用方式的特征波段的选择

对经过预处理的光谱反射率与园地、旱地、水田样本的SOM含量进行相关分析(图4)。园地、旱地、水田 SOM含量与光谱反射率的相关系数的变化范围分别是：-0.416～0.465,-0.480～0.490,-0.619～0.575。水田SOM含量与土壤光谱反射率之间相关系数最大绝对值为0.619，二者之间的相关性较高；与水田相比，旱地SOM含量与光谱反射率的相关性在整个波段范围内普遍较低，但旱地SOM含量与光谱反射率的相关性普遍高于园地。

2.3 不同土地利用方式下的SOM含量预测精度

将园地、旱地、水田土壤样本的2/3的样本用于标定，1/3用于验证，样本随机选取。其中园地、旱地、水田土壤样本的标定集样本数分别为29、18和22；园地、旱地、水田土壤样本的验证集样本数分别为14、10和11。采用留一法对模型进行交叉验证，剔除异常值。将剔除异常值后的样本数据用于模型的定标和验证。

将所选特征波段的反射率作为输入变量，分别对园地、旱地、水田3种利用方式下的SOM含量进行PLS建模，并利用获得的模型预测值与SOM含量实测值绘制散点图(图5)。

从图5可以看出，对于园地、旱地和水田土壤有机质含量的反演，无论是标定集还是验证集，其预测值和实测值的相关系数都位于0.5～0.8 (其值分别为0.730和0.626、0.771和0.769、0.865和0.776)，这说明不同利用方式下SOM含量反演模型获得的预测值和实测值之间均具有显著的相关性,但三种不同土地利用下的SOM含量反演精度并不相同。其中，无论是标定集还是验证集，水田SOM含量反演模型获得的预测值和实测值的相关系数都是最高的，其全体水田样本预测值和实测值之间的总相关系数为0.838；园地土壤预测值和实测值的相关系数均为最低(总体相关系数为0.700)。旱地SOM含量预测值和实测值的总体相关系数为0.781，其反演精度居中。这说明，本研究中土地利用方式对SOM含量反演影响较大。水田和旱地土壤耕作时间和耕作强度高于园地土壤，其SOM含量反演精度也高于园地SOM含量的反演精度。主要原因可能是由于土地利用方式的不同，使得人类对不同土壤的干扰时间和干扰强度有所差异，进而造成了不同利用下的土壤光谱和SOM含量的差异，从而影响SOM含量的反演精度。从2.1中可以看出，园地、旱地、水田3种利用方式下SOM含量的变异系数从大到小分别是水田、旱地、园地。这个变化趋势与SOM含量预测精度的排列顺序一致，这说明SOM含量的反演精度与土壤有机含量的变异系数是有一定关系的。在一定程度上，如果SOM含量分布过于集中，往往可能难以获得较高的反演精度。

3 讨 论

本研究中，园地和旱地土壤的类型均为紫色土，其反演模型的精度均低于水田SOM反演模型的精度(水田土壤类型为水稻土)。说明虽然处于相同的气候条件下，不同土壤类型的SOM含量预测精度是有所差异的。许多学者在研究不同土壤类型的SOM含量高光谱反演中也得到了相同的结论。如杨扬在用高山草甸土和高山草原土的原始反射光谱分别建立偏最小二乘回归模型时发现，高山草原土的反演模型精度高于高山草甸土[12]。卢艳丽在对东北平原8种土壤类型的有机质含量进行高光谱反演中也发现，不同土壤类型的反演模型的精度并不相同[13]。因此，土壤类型是影响SOM含量反演精度的一个重要因素。

但即使是来自于同一土壤类型的样本，由于土地利用方式不同，其SOM含量模型的反演精度也不一定相同。研究中，园地和旱地具有相同的土壤类型，由于利用方式不同，其土壤样本SOM含量与光谱反射率的相关性不仅存在差异，其SOM含量的反演精度也并不相同。为了验证SOM含量反演模型对土地利用方式的敏感性，将园地与旱地的土壤样本合并，选择4个特征波段(λ=683,1146,1151,1152 nm)建立紫色土SOM含量反演模型，其标定集和验证集获得的实测值和预测值的相关系数分别为0.501,0.574，总相关系数为0.528。其精度均低于按园地和旱地利用类型建立的SOM含量反演模型精度。因此，较单一的土地利用方式而言，混合不同利用方式的样本建立的SOM含量反演模型的精度较低；与土壤类型相比，SOM含量的反演精度对土地利用方式更为敏感。其主要原因可能是由于对不同利用方式的土地有不同的施肥量和耕作措施，会在一定程度上改变土壤的理化性质[2]，使得SOM含量发生改变，所以土壤光谱反射特征对土地利用方式的变化会产生敏感的响应[7]。盛浩等人的研究表明，当天然林地转变为其他土地利用方式后，会带来底土溶解性有机质的损失和光谱曲线的变化[7]。这些研究也进一步说明土地利用方式是影响SOM反演模型精度的一个重要因素。薛莉红对稻田、桃园、菜地3种不同土地利用方式下SOM含量的高光谱反演研究中却得到了不同的结论[8]。对于不同供试样本得到不同的结论，其原因可能与不同土地利用类型下的施肥种类(有机肥还是无机肥)、施肥量、受人为活动扰动的程度有关。

4 结 论

园地、旱地、水田3种土地利用方式下的SOM含量反演模型具有不同的精度，其中水田SOM含量反演模型的精度最高，园地SOM含量反演精度最低，旱地SOM含量反演精度居中；即使是同一土壤类型，但是由于土地利用方式不同，其SOM含量预测模型精度也并不相同， 旱地和园地的土壤类型均为紫色土，但旱地SOM反演模型精度高于园地；较单一的土地利用方式而言，混合不同土地利用方式的样本建立的SOM含量预测模型的精度较低；与土壤类型相比，SOM含量的预测精度对土地利用方式更为敏感。今后的研究可进一步从施肥类型及种植年限等方面考虑人为活动对SOM含量反演精度的影响。