en
×

分享给微信好友或者朋友圈

使用微信“扫一扫”功能。
作者简介:

罗德芳(1994-),女,甘肃人,在读硕士,研究方向为高光谱遥感。E-mail:zkyldf@163.com。

通讯作者:

彭杰,E-mail:pjzky@163.com。

参考文献 1
新疆维吾尔自治区土壤普查办公室.新疆土壤[M].北京:科学出版社,1996.
参考文献 2
Chang C W,Laird D A.Near-infrared reflectances pectroscopic analysis for soil C and N[J].Soil Science,2002,167(2):110-116.
参考文献 3
Keith D S.Walsh M G.Development of reflectance spectral libraries for characterization of soil properties[J].Soil Science Society of America Journal,2002,66(3):988-998.
参考文献 4
彭杰,刘焕军,史舟,等.盐渍化土壤光谱特征的区域异质性及盐分反演[J].农业工程学报,2014,30(17):167-174.
参考文献 5
丁建丽,伍漫春,刘海霞,等.基于综合高光谱指数的区域土壤盐渍化监测研究[J].光谱学与光谱分析,2012,32(7):1918-1922.
参考文献 6
姚远,丁建丽,张芳,等.基于高光谱指数和电磁感应技术的区域土壤盐渍化监测模型[J].光谱学与光谱分析,2013,33(6):1658-1664.
参考文献 7
Dehaan R,Taylor G R.Image-derive dspectrelend members asindicators of salinization[J].Inter-national Journal of Remote Sensing,2003,24(4):775-794.
参考文献 8
刘焕军,张柏,王宗明,等.基于反射光谱特征的土壤盐碱化评价[J]. 红外与毫米波学报,2008,27(2):138-142.
参考文献 9
Liu Y,Pan X Z,Wang C K,et al.Can subsurface soil salinity be predicted from surface spectral information?-From the perspective of structural equation modeling[J].Biosystems Engineer-ing,2016,152:138-147.
参考文献 10
赵凯,罗东海,郭超,等.新疆阿拉尔地区土壤盐渍化特征 [J].中国煤炭地质,2018,30(10):46-49.
参考文献 11
Robert J.Speakman N C.Sourcing ceramics with portable XRF spectrometers?A comparison with INAA using Mimbres pottery from the American Southwest[J].Journal of Archaeological Science,2011,38(12):3483-3496.
参考文献 12
于雷,洪永胜,耿雷,等.基于偏最小二乘回归的土壤有机质含量高光谱估算[J].农业工程学报,2015,31(14):103-109.
参考文献 13
Xu C C,Xu X L,Liu M X.Enhancing pedotransfer functions(PTFs)using soil spectral reflectance data for estimating saturated hydraulic conductivity in south western China[J].Catena,2017,158:350-356.
参考文献 14
HeilU K,Schmidhalter U.Comparison of the EM38 and EM38-MK2 electromagnetic induction-based sensors for spatialsoil analysis at fields cale[J].Computers and Electronics in Agriculture,2015,110:267-280.
参考文献 15
刘新路,彭杰,冯春晖,等.基于电磁感应仪数据的南疆棉田土壤电导率反演模型研究[J].土壤学报,2020,57(3):646-655.
参考文献 16
团良,邵东辉.使用 DDS-307 型电导率仪测定水的电导率和土壤盐分[J].环境与发展,2014,26(8):23-26.
参考文献 17
鲍士旦.土壤农化分析(第3版)[M].北京:中国农业出版社,2000.
参考文献 18
张智韬,王海峰,韩文霆,等.基于无人机多光谱遥感的土壤含水率反演研究[J].农业机械学报,2018,49(2):173-181.
参考文献 19
谷艳红,赵南京,马明俊,等.基于主成分回归的土壤重金属LIBS定量分析方法研究[J].光电子·激光,2016,27(7):748-753.
参考文献 20
Saeys W.Mouazen A M,Ramon H.Potential for onsite and online analysis of pig manure using visible and near infrared reflectance spectroscopy.[J].Biosystems Engineering,2005,91(4):393-402.
参考文献 21
杨爱霞,丁建丽,李艳红,等.基于表观电导率与实测光谱的干旱区湿地土壤盐分监测[J].中国沙漠,2016,36(5):1365-1373.
参考文献 22
如则麦麦提·米吉提.基于控制实验的盐渍化土壤光谱特征研究[D].乌鲁木齐:新疆大学,2018.
参考文献 23
陈皓锐,王少丽,管孝艳,等.基于高光谱数据的土壤电导率估算模型——以河套灌区沙壕渠灌域沙壤土为例[J].干旱区资源与环境,2014,28(12):172-177.
参考文献 24
彭杰,王家强,向红英,等.土壤含盐量与电导率的高光谱反演精度对比研究[J].光谱学与光谱分析,2014,34(2):510-514.
参考文献 25
李诗朦,包妮沙,刘善军,等.土壤电导率和pH值光谱特征及反演模型——以呼伦贝尔草原干旱半干旱土壤为例[J]. 测绘科学,2018,43(8):14-22,44.
参考文献 26
关红,贾科利,张至楠,等.盐渍化土壤光谱特征分析与建模[J].国土资源遥感,2015,27(2):100-104.
参考文献 27
李晓明,韩霁昌,李娟.典型半干旱区土壤盐分高光谱特征反演[J].光谱学与光谱分析,2014,34(4):1081-1084.
目录contents

    摘要

    快速准确监测土壤盐渍化可为土地资源合理开发利用与改良提供科学依据。利用 EM38-MK2 大地电导仪和野外光谱仪测定的土壤表观电导率和光谱数据,构建表观电导率与土壤电导率的反演模型,依据相关性分析结果进行土壤盐渍化特征波段的提取,并采用反射率、反射率倒数和反射率一阶微分 3 种数据变换形式构建土壤电导率的全波段与特征波段的偏最小二乘回归与主成分回归土壤盐分监测模型。研究结果表明,EM38-MK2 测定的土壤表观水平电导率和表观垂直电导率相结合建立的电导率解译模型的拟合优度达到 0.89,在土壤盐渍化光谱建模中可快速提供电导率数据。全波段建模精度高于特征波段建模精度,偏最小二乘回归建模精度高于主成分回归建模精度,反射率一阶微分变换后建立的模型精度优于反射率倒数变换与反射率。研究区土壤电导率的预测模型选取经一阶微分变换后的全波段偏最小二乘回归建模方法为最佳模型,精度指标可达到 0.85,相对分析误差可达到 2.56。

    Abstract

    The soil salinization rapid and accurate monitoring can provide scientific basis for rational development and improvement of land resources. In this study,the apparent conductivity and spectral data on soil using EM38-MK2 conductivity meter and field spectrometer are measured,the apparent conductivity and soil conductivity inversion model is built. After that,characteristics band of the soil salinization is extracted according to the results of correlation analysis, and three kinds of data transformation form are used,including the Reflectance,Reflectivity reciprocal and Reflectivity of first order differential. Finally,the model of Partial least squares regression and Principal component regression soil salt monitoring in all and characteristics bands of the soil electrical conductivity bands are structured. The results shows that the apparent horizontal conductivity and apparent vertical conductivity measured by EM38-MK2 combined has built a conductivity interpretation model with a goodness of fit R2 of 0.89,which can provide conductivity data quickly in soil salinization spectral modeling. The precision of full-bands modeling is superior to characteristic band modeling,the partial least square regression modeling is more accurate than principal component regression modeling,and the accuracy of the model established after the first-order differential transformation of reflectivity is better than that of the reciprocal transformation and reflectivity. The best model is full-band PLSR modeling method after the first-order differential transformation of the prediction model of soil conductivity in the study area. The precision index can reach 0.85,and the relative percent deviation can reach 2.56.

  • 土地退化的一个主要原因是土壤的盐渍化程度高,土壤盐渍化会对土壤资源产生极大的浪费,导致土壤利用率、农业产量、农民收入降低。因此, 全球对土壤盐渍化的问题都很关注。据初期调查, 全球受到盐渍化危害的面积将近有10×108 hm2,共占陆地面积的7%,尤其是在新疆南部地区受害面积大,程度重。南疆地区属于极度干旱区,离子比例及盐分构成展示出明显的地域性特质[1],有22.36%面积的土壤都受到一定程度的盐渍化危害。 尽早了解南疆地区的盐渍化范围、种类和变化,是监测改良盐渍化土地的依据。了解土壤受危害的面积及程度是合理改良盐渍化土壤的关键因子。传统监测土壤盐分状况的方法需要在野外采集土壤带回室内进行化学分析,不仅耗费大量的人力物力,而且时效性差,无法准确及时地反映出土壤盐分的变化状况[2-3],高光谱遥感以其快速、高效的优点成为了当下研究土壤特性的一种普遍方式。因此EM38-MK2 遥感技术与光谱反射率相结合,在处理土壤盐渍化监测问题上占有很大优势。

  • 近年来许多国内外学者研究了高光谱遥感技术定量或者半定量的测量土壤盐渍化和土壤特性,还有一些学者探讨了土壤实测电导率与光谱反射率之间的函数模型,并且使用反射光谱技术成功地预测了土壤中盐分含量。彭杰等[4]以新疆、浙江、吉林3 个地区作为研究区探讨了不同地区盐渍化光谱特征并建立了适合跨区域土壤盐渍化反演模型。丁建丽等[5]将土壤、植被与综合的光谱特征进行比较,发现实测土壤、植被光谱特征经过一阶微分变换形式的处理之后最能表现出土壤及植被特征;综合光谱特征所建模型较植被或盐分构建的模型要好。姚远等[6] 以电磁感应仪(EM38)测得的数据和高光谱数据构建了区域土壤盐渍化遥感监测模型。Dehaan等[7]对土壤光谱特征进行了实地测量,结论为盐渍化程度大的地点光谱特征在680、 1 180、1 780 nm处均具有明显的吸收特征。刘焕军等[8]以东北盐渍土为研究对象,建立土壤光谱指数,对反映盐渍化程度的最佳波段和土壤光谱指标进行了分析和确定,建立了土壤参数的高光谱定量模型,以评价土壤盐渍化程度。结果显示,盐渍土在400 ~ 2 500 nm波段内表现出5 个显著的吸收“谷”,对应的吸收“谷”中心波长位置大致为500、670、1 418、1 915 和2 210 nm。Liu等[9] 研究地表土光谱与地下土壤盐分之间的相关性,利用结构方程模型(SEM)建模方法证实二者之间具有显著相关性。结果表明,该光谱不仅能检测表层土壤的性质,而且能提供有关地下土壤的信息,并且遥感可以用来绘制较深土层的土壤性质图。

  • 已有的高光谱遥感监测土壤盐渍化成果为后人进一步研究土壤盐渍化提供一定的参考价值。但由于南疆地区土壤盐渍化范围广、程度深,已有土壤盐渍化监测模型很难应用到南疆地区。并且对于EM38 与高光谱结合起来监测土壤盐渍化的研究也鲜见。因此,本研究旨在探明EM38 遥感技术与高光谱技术相结合,提出构建南疆地区土壤盐渍化高光谱定量反演模型的思路与方法,以期实现对土壤盐渍化的高精度监测,从而为更好地改善南疆地区的土壤盐渍化状况提供一定的理论依据。

  • 1 材料与方法

  • 1.1 研究区概况

  • 研究区地处天山南麓,塔克拉玛干沙漠北缘,阿克苏河与和田河、叶尔羌河三河交汇之处的塔里木河上游。据研究区气象站及中国气象局1956 ~ 2016 年资料,研究区多年平均气温10.8℃,多年平均最高气温为18℃,多年平均最低气温为3℃,月最高气温为40.6℃,月最低气温为-25.4℃;多年平均蒸发量为1 331.56 mm,夏季蒸发量最大,占全年的42.72%,汛期(5 ~ 10 月)蒸发量占全年的74.46%;多年平均降水量47.21 mm,5 ~ 10 月降水量最多,占全年的97%左右;研究区光热资源充足,平均日照时数2 838.2 h,年平均无霜期214 d,属暖湿带内陆干旱气候, 光照充足,降水少,蒸发强烈。研究区地理位置是80°48′~ 81°12′E,40°45′~ 41°60′N,土壤类型为盐碱土[10]

  • 1.2 样品采集与测定

  • 采样时间为2016 年9 月,采样地点为阿拉尔五团公路两侧,如图1 所示,每隔700 m采集一个点位的土壤样品,同时在样点附近随机采集光谱数据以及表观电导率,最终获得148 个点位的土壤光谱和表观电导率数据以及37 个点位的土壤样品。

  • 1.2.1 光谱数据采集与预处理

  • 利用美国SVCHR-1024 便携式地物光谱仪[11]采集光谱数据,测定土壤光谱的范围是350 ~ 2 500 nm,光谱分辨率在350 ~ 1 000 nm为3.5 nm,在1 000 ~ 1 850 nm为8.5 nm, 在1 850 ~ 2 500 nm为6.5 nm,采样间隔为1 nm,测量视场角为15°。选择一个晴朗无云的天气,在当地时间11:00 ~ 14:00 时进行光谱数据采集,每个样点采集10 条光谱曲线求平均值,最终获得148 条曲线的光谱数据。

  • 图1 研究区示意图

  • 获得的光谱曲线存在不同的波段光谱分辨率不同的问题,利用ENVI软件中光谱重采样将所有波段的光谱分辨率都调整为1 nm,去除350 ~ 399 nm和2 451 ~ 2 500 nm波段噪声较大的边缘波段。 在采集光谱指标的过程中受到天气、仪器本身的误差、白板、杂散光等因素,会影响光谱曲线的平滑度,需对光谱曲线外界噪音的影响进行校正处理。针对土壤反射率光谱曲线,本研究运用The Unscrambler 10.0 软件中Transform内的SavitzkyGolay滤波平滑处理对光谱曲线进行平滑去噪处理, 拟合方法主要通过最小二乘法的多项式曲线对光谱曲线进行平滑[612],平滑之后再进行光谱反射率形式变换的过程[13]。光谱数据变换处理为反射率进行一阶微分变换与倒数变换。

  • 1.2.2 土壤表观电导率数据采集

  • 采用由加拿大生产的EM38-MK2 大地电导仪[14]来测定样点的土壤表观电导率。EM38-MK2 大地电导仪长为1 m,包括一个发射线圈和两个接收线圈,接收线圈和发射线圈分别相距0.5 和1.0 m,所以EM38-MK2 大地电导仪有1.0 m的线圈模式和0.5 m的线圈模式,在本研究中采用的是1.0 m的线圈模式。EM38-MK2 大地电导仪测定时分为垂直测定模式和水平测定模式[15]。垂直测定模式下的测定深度为0 ~ 1.5 m,水平测定模式下的感应深度为0 ~ 0.75 m,因此对同一个采样点进行两种模式的测定。对每个采样点分别进行水平模式和垂直模式下表观电导率的测定,测得的土壤表观电导率分别为表观水平电导率(EMh)和表观垂直电导率(EMv)。本次采样共采集148 个点的表观电导率。

  • 1.2.3 土壤样品采集与处理

  • 在研究区采用五点取样法分别采取一个样点的0 ~ 20、20 ~ 40、40 ~ 60、60 ~ 80、80 ~ 100 cm共5 个深度的土壤样品,装入自封袋中带回实验室进行室内化学分析,一共采集了37 个样点的土样。将采集的37 个土样经过筛除残渣后,放置烘箱先调至105℃烘2 h,再用80℃烘8 h之后研磨过0.25 mm的筛,供化学分析用。本次研究中土壤样品测定的指标包括土壤电导率、pH、有机质以及含水量。电导率和pH测定采用的仪器是DDS-307 电导率仪[16]和pH仪,有机质用消煮法测定,含水量用烘干法测定[17]

  • 1.2.4 模型建立方法及精度检验

  • 本研究采用偏最小二乘法[18](PLSR)与主成分回归[18](PCR)进行建模,建模思路是全波段和特征性波段建模,反射率及其数学变换形式进行建模。PCR和PLSR由Unscrambler 10.0 来实现。采集的148 个土壤电导率按大小进行排序,每间隔1 个样本选择2 个样本作为建模样本集,其余样本为验证样本集,最终得到99 个建模集样本数,49 个预测集样本数。其建模集与预测集实测电导率的数据如表1 所示。模型估测精度通过预测值与实测值的决定系数(R2)、均方根误差(RMSE),相对分析误差(RPD)来判定,R2 与RPD越大,RMSE越小,说明模型的预测精度越好[19]

  • 表1 建模集与预测集电导率数据统计

  • 2 结果与分析

  • 2.1 实测土壤电导率与EM38-MK2 表观电导率关系模型

  • 2.1.1 土壤表观电导率的可行性分析

  • EM38-MK2 大地电导仪在同高度不同测量方式之间具有相关性,而且不同的传感器通过参数转换之后也可共用,不同的传感器由于参数不同,在测量相同地点盐分信息时感应度也会有所不同,最终表现为表观电导率不均匀。因此,要通过表观电导率(EM)来预测土壤实测电导率(EC),首先要分析在相同高度下垂直模式(EMv)和水平模式(EMh)的相关性[19]。本研究对采集的148 个EM进行相关性分析,如图2 所示。

  • 从图2 可以看出,在研究区中,在两种模式的测量数据之间具有显著的相关性,二者之间的决定系数 R 2 为0.93,拟合程度好,能够较好地反映土壤盐分信息,数据质量能够满足土壤电导率预测模型的要求。

  • 图2 土壤表观垂直电导率与水平电导率相关性分析

  • 2.1.2 基于土壤表观电导率的回归分析

  • 建立以37 个EMv和EMh表观电导率为自变量,37 个土壤实测电导率为因变量的二元一次方程式[20]

  • EC=5.0054+0.0019EMv+0.0032EMhR2=0.89,P<0.01

  • 式中:EC为土壤实测电导率;EMv和EMh分别为EM38-MK2 大地电导仪在垂直模式和水平模式下的表观电导率。由拟合优度 R 2>0.85,方程通过了 P =0.01 的置信度检验,达到了极显著水平。 因此,可以利用建立的模型得到剩余的111 个未采集土样的电导率。

  • 2.2 土壤电导率光谱反演模型的构建与验证

  • 2.2.1 不同电导率土样的反射光谱特征

  • 在自然条件下,高盐分地区的地表会形成一层白色的盐壳,随着盐分含量的不断增加,盐壳的覆盖面积及厚度会不断增加,反映在光谱信息上的表现为光谱的反射率增加。所以,土壤含盐量程度和成分的不同也会直接或间接的表现在土壤光谱曲线上,高光谱的光谱分辨率极高,不同地物电磁波反射率或者吸收特征上的差异也会表现在光谱曲线的变化上[6]

  • 图3 是不同土壤电导率土样经过Savitzky-Golay平滑去噪后的反射率曲线[21]。从图3 可以明显看出,每条光谱反射率曲线的波段变化具有相同的规律性;在400 ~ 1 100 nm波段,反射率逐渐增大;在1 100 nm处,光谱反射率突然下降,直到1 360 nm低谷处又逐渐上升,在1 650 nm处达到峰值后逐渐下降至2 000 nm处又继续上升至2 250 nm,最后一直呈下降趋势到2 400 nm。同时,电导率越大的土样,它的光谱反射率就越高,说明光谱对盐分有极大的敏感度,可以利用光谱特征信息来判断盐分的高低状况。

  • 图3 不同电导率的光谱特征

  • 2.2.2 土壤电导率与光谱反射率的相关性分析

  • 土壤反射率、一阶微分光谱以及反射率倒数是土壤高光谱遥感定量监测中常用的光谱指标[22-23]。因此,本次研究选择这3 个光谱指标与土壤电导率进行相关性分析。由图4 可得土壤光谱反射率、反射率倒数和反射率一阶微分与土壤电导率之间都具有一定的相关性。但经反射率一阶微分形式变换之后的数据与土壤电导率的相关性显著提高,相关性最好。在420 ~ 1 101、1 451 ~ 1 511、1 955 ~ 2 270 nm波段达到极显著正相关, 在2 270 nm处最大正相关系数为0.74,在577 ~ 1 101、1 428 ~ 1 638、1 865 ~ 2 191 nm波段达到极显著正相关,在1 865 nm处最大负相关系数为-0.73;在428 ~ 1 504、1 814 ~ 2 426 nm处达到显著正相关,在975 nm处正相关系数为0.33, 在627 ~ 985、1 594 ~ 1 623、1 608 ~ 2 088、 2 114 ~ 2 449 nm波段呈显著负相关, 在2 175 nm处负相关系数为-0.33。土壤电导率与光谱反射率在1 982 ~ 1 998、2 004 ~ 2 014、2 020 ~ 2 046、2 052 ~ 2 088 nm处达到极显著正相关, 在2 041 nm处最大正相关系数为0.43,不存在极显著负相关;在1 511 ~ 1 526、1 961 ~ 1 977、 2 057 ~ 2 155 nm波段达到显著正相关,在2 093 nm处相关系数为0.33,在406 ~ 418、420 ~ 438、 440 ~ 444 nm处显著负相关,在441 nm处最大负相关系数为-0.27。反射率进行倒数变换形式之后与土壤电导率的相关性显著降低,不存在极显著相关;在400 ~ 426 nm处显著正相关,在415 nm处最大正相关系数为0.27,在1 982 ~ 2 041 nm处显著负相关,在2 004 nm处最大负相关系数为-0.28。

  • 图4 不同反射率变换形式与电导率的相关分析

  • 通过筛选特征性波段来建立基于光谱反射率的电导率监测模型[24-26]。经过相关性分析,反射率一阶微分确定的特征性波段为420 ~ 1 101、1 428 ~ 1 638、1 814 ~ 2 449 nm;反射率确定的特征性波段为406 ~ 418、420 ~ 438、440 ~ 444、1 982 ~ 1 998、1 511 ~ 1 526、1 961 ~ 1 977、2 004 ~ 2 014、 2 020 ~ 2 046、2 057 ~ 2 155 nm;反射率倒数变换确定的特征性波段为400 ~ 426、1 982 ~ 2 041 nm。

  • 2.2.3 土壤电导率光谱反演模型的构建与验证

  • 为了探明不同形式的高光谱特征差异对土壤电导率定量反演模型精度的影响,本研究对比了全波段建模和显著性波段建模的反演精度[427]。建模方法是运用148 条全波段(400 ~ 2 400 nm)及筛选的通过显著性检验的特征性波段作为自变量,以通过EM38-MK2 解译出的148 个土壤电导率作为因变量。通过The Unscrambler 10.0 软件,采用交叉验证法来确定回归模型中最佳因子数,建立偏最小二乘回归(PLSR)与主成分回归(PCR)的电导率反演模型[12]并进行精度验证。按1.2.4 提到的建模集与预测集的分配方法,选择99 个样本数据为建模集,49 个样本数据为验证集,结果如表5 和表6 所示。

  • 表5 土壤电导率的全波段及特征性波段的反演模型

  • 表6 不同建模方法的电导率反演精度

  • 表5、表6 所示,经过反射率一阶微分变换后建模,交叉验证以及反演精度都是最好的,用PLSR全波段建模精度为0.92,交叉验证精度为0.82,反演精度为0.85,特征性波段建模精度为0.66,交叉验证精度为0.54,反演精度为0.67;用PCR全波段建模精度为0.90,交叉验证精度为0.84,反演精度为0.81,特征性波段建模精度为0.57,交叉验证精度为0.44,反演精度为0.72。因此反射率一阶微分建立的全波段PLSR模型是本研究所建模型的最优估算模型,模型精度 R 2 为0.85,相对分析误差RPD为2.56,可较好的预测土壤电导率。

  • 3 讨论

  • 在可见光和近红外波段内,土壤盐分的反射光谱具有共同的特性,即其反射率都随着波长的增加而增加且特别显著。虽然土壤反射光谱曲线在外形上很相似,但土壤是一个多相体系,它是由物理和化学性质各不相同的物质组成的,故必然会影响土壤的反射光谱特性,使反射率有所差异,这就使不同类型土壤有其自己的光谱特性。在研究区中,经过土壤盐分在不同波段上的特征性表现,并未发现有其他相似波段或者相似土壤特性的产生,可以确定采集的波段为土壤盐分的反射特性。这些将为从定性的解译土壤类型发展到定量或半定量的解译某些土壤性状提供依据。

  • 偏最小二乘回归法和主成分回归法在全波段方法建模中,通过将全波段光谱反射率、反射率倒数变换及反射率一阶微分变换数据分别进行线性组合,形成一些能够更好地表现出土壤盐分信息的主成分,既能够减少变量,又可以保留能反映出土壤电导率变化特征的变量,因此适合利用全波段反射率及其变换形式直接建模的情况。但是偏最小二乘回归法和主成分回归法无法解决变量之间的共线性问题,不适合样本数较少但是变量较多的情况下回归模型的构建。此外当样本中出现异常点时,偏最小二乘回归法和主成分回归法无法消除异常点的影响,而使得建模结果出现偏差,因此利用特征性波段反射率及其变换形式建立回归模型时具有很大局限性[23]

  • 利用EM38-MK2 表观电导率与光谱特征数据都可以反演土壤的电导率,从而监测土壤盐分状况。利用EM38-MK2 测得的数据仅能反映出土壤的盐渍化程度,但它不能与卫星遥感结合起来更方便快捷地进行大范围盐渍化的监测。相反,高光谱技术可以与卫星遥感结合起来,更高效地监测土壤的盐渍化情况,更好地改良盐渍化土壤,这也为今后的研究提供了一个方向。

  • 4 结论

  • 本研究通过对南疆地区盐渍土的土壤表观电导率、实测土壤电导率以及实测土壤光谱的分析,建立表观电导率与土壤实测电导率之间的反演模型, 并对实测土壤光谱反射率进行倒数和一阶微分形式的变换,并与EM38-MK2 反演后的电导率数据建立全波段与特征性波段反演模型。以EM38-MK2 大地电导仪测得的表观电导率数据(EMh和EMv) 为自变量,土壤实测电导率数据为因变量,建立的二元线性回归模型的决定系数 R 2 为0.89,达到了0.01 极显著水平。由此说明用EM38-MK2 大地电导仪的测量值来评估区域土壤盐渍化程度是可行的。

  • 反射率的变换形式会对土壤的光谱特征信息产生一定的影响,也会影响到反演模型的精度。经过对反射率进行一阶微分与倒数形式的变换之后,对比发现反射率一阶微分处理要好于反射率与反射率倒数处理。经过反射率一阶微分变换后建模,交叉验证以及反演精度都是最高的,用PLSR全波段建模精度为0.92,交叉验证精度为0.82,反演精度为0.85,特征性波段建模精度为0.66,交叉验证精度为0.54,反演精度为0.67;用PCR全波段建模精度为0.90,交叉验证精度为0.84,反演精度为0.81,特征性波段建模精度为0.57,交叉验证精度为0.44,反演精度为0.72。

  • 反射率一阶微分建立的全波段PLSR模型是本研究所建模型的最优估算模型,模型精度 R 2 为0.85,RPD为2.56,可较好地预测土壤电导率。通过表观电导率反演得到的土壤电导率和反射率一阶微分变换形式建立的全波段偏最小二乘回归模型用于估算整个研究区土壤盐分信息是可行有效的。本研究可为南疆地区土壤盐渍化监测及改良措施的制定提供一些必要理论和技术,也对南疆地区盐渍化的治理具有一定的指导意义。

  • 参考文献

    • [1] 新疆维吾尔自治区土壤普查办公室.新疆土壤[M].北京:科学出版社,1996.

    • [2] Chang C W,Laird D A.Near-infrared reflectances pectroscopic analysis for soil C and N[J].Soil Science,2002,167(2):110-116.

    • [3] Keith D S.Walsh M G.Development of reflectance spectral libraries for characterization of soil properties[J].Soil Science Society of America Journal,2002,66(3):988-998.

    • [4] 彭杰,刘焕军,史舟,等.盐渍化土壤光谱特征的区域异质性及盐分反演[J].农业工程学报,2014,30(17):167-174.

    • [5] 丁建丽,伍漫春,刘海霞,等.基于综合高光谱指数的区域土壤盐渍化监测研究[J].光谱学与光谱分析,2012,32(7):1918-1922.

    • [6] 姚远,丁建丽,张芳,等.基于高光谱指数和电磁感应技术的区域土壤盐渍化监测模型[J].光谱学与光谱分析,2013,33(6):1658-1664.

    • [7] Dehaan R,Taylor G R.Image-derive dspectrelend members asindicators of salinization[J].Inter-national Journal of Remote Sensing,2003,24(4):775-794.

    • [8] 刘焕军,张柏,王宗明,等.基于反射光谱特征的土壤盐碱化评价[J]. 红外与毫米波学报,2008,27(2):138-142.

    • [9] Liu Y,Pan X Z,Wang C K,et al.Can subsurface soil salinity be predicted from surface spectral information?-From the perspective of structural equation modeling[J].Biosystems Engineer-ing,2016,152:138-147.

    • [10] 赵凯,罗东海,郭超,等.新疆阿拉尔地区土壤盐渍化特征 [J].中国煤炭地质,2018,30(10):46-49.

    • [11] Robert J.Speakman N C.Sourcing ceramics with portable XRF spectrometers?A comparison with INAA using Mimbres pottery from the American Southwest[J].Journal of Archaeological Science,2011,38(12):3483-3496.

    • [12] 于雷,洪永胜,耿雷,等.基于偏最小二乘回归的土壤有机质含量高光谱估算[J].农业工程学报,2015,31(14):103-109.

    • [13] Xu C C,Xu X L,Liu M X.Enhancing pedotransfer functions(PTFs)using soil spectral reflectance data for estimating saturated hydraulic conductivity in south western China[J].Catena,2017,158:350-356.

    • [14] HeilU K,Schmidhalter U.Comparison of the EM38 and EM38-MK2 electromagnetic induction-based sensors for spatialsoil analysis at fields cale[J].Computers and Electronics in Agriculture,2015,110:267-280.

    • [15] 刘新路,彭杰,冯春晖,等.基于电磁感应仪数据的南疆棉田土壤电导率反演模型研究[J].土壤学报,2020,57(3):646-655.

    • [16] 团良,邵东辉.使用 DDS-307 型电导率仪测定水的电导率和土壤盐分[J].环境与发展,2014,26(8):23-26.

    • [17] 鲍士旦.土壤农化分析(第3版)[M].北京:中国农业出版社,2000.

    • [18] 张智韬,王海峰,韩文霆,等.基于无人机多光谱遥感的土壤含水率反演研究[J].农业机械学报,2018,49(2):173-181.

    • [19] 谷艳红,赵南京,马明俊,等.基于主成分回归的土壤重金属LIBS定量分析方法研究[J].光电子·激光,2016,27(7):748-753.

    • [20] Saeys W.Mouazen A M,Ramon H.Potential for onsite and online analysis of pig manure using visible and near infrared reflectance spectroscopy.[J].Biosystems Engineering,2005,91(4):393-402.

    • [21] 杨爱霞,丁建丽,李艳红,等.基于表观电导率与实测光谱的干旱区湿地土壤盐分监测[J].中国沙漠,2016,36(5):1365-1373.

    • [22] 如则麦麦提·米吉提.基于控制实验的盐渍化土壤光谱特征研究[D].乌鲁木齐:新疆大学,2018.

    • [23] 陈皓锐,王少丽,管孝艳,等.基于高光谱数据的土壤电导率估算模型——以河套灌区沙壕渠灌域沙壤土为例[J].干旱区资源与环境,2014,28(12):172-177.

    • [24] 彭杰,王家强,向红英,等.土壤含盐量与电导率的高光谱反演精度对比研究[J].光谱学与光谱分析,2014,34(2):510-514.

    • [25] 李诗朦,包妮沙,刘善军,等.土壤电导率和pH值光谱特征及反演模型——以呼伦贝尔草原干旱半干旱土壤为例[J]. 测绘科学,2018,43(8):14-22,44.

    • [26] 关红,贾科利,张至楠,等.盐渍化土壤光谱特征分析与建模[J].国土资源遥感,2015,27(2):100-104.

    • [27] 李晓明,韩霁昌,李娟.典型半干旱区土壤盐分高光谱特征反演[J].光谱学与光谱分析,2014,34(4):1081-1084.

  • 参考文献

    • [1] 新疆维吾尔自治区土壤普查办公室.新疆土壤[M].北京:科学出版社,1996.

    • [2] Chang C W,Laird D A.Near-infrared reflectances pectroscopic analysis for soil C and N[J].Soil Science,2002,167(2):110-116.

    • [3] Keith D S.Walsh M G.Development of reflectance spectral libraries for characterization of soil properties[J].Soil Science Society of America Journal,2002,66(3):988-998.

    • [4] 彭杰,刘焕军,史舟,等.盐渍化土壤光谱特征的区域异质性及盐分反演[J].农业工程学报,2014,30(17):167-174.

    • [5] 丁建丽,伍漫春,刘海霞,等.基于综合高光谱指数的区域土壤盐渍化监测研究[J].光谱学与光谱分析,2012,32(7):1918-1922.

    • [6] 姚远,丁建丽,张芳,等.基于高光谱指数和电磁感应技术的区域土壤盐渍化监测模型[J].光谱学与光谱分析,2013,33(6):1658-1664.

    • [7] Dehaan R,Taylor G R.Image-derive dspectrelend members asindicators of salinization[J].Inter-national Journal of Remote Sensing,2003,24(4):775-794.

    • [8] 刘焕军,张柏,王宗明,等.基于反射光谱特征的土壤盐碱化评价[J]. 红外与毫米波学报,2008,27(2):138-142.

    • [9] Liu Y,Pan X Z,Wang C K,et al.Can subsurface soil salinity be predicted from surface spectral information?-From the perspective of structural equation modeling[J].Biosystems Engineer-ing,2016,152:138-147.

    • [10] 赵凯,罗东海,郭超,等.新疆阿拉尔地区土壤盐渍化特征 [J].中国煤炭地质,2018,30(10):46-49.

    • [11] Robert J.Speakman N C.Sourcing ceramics with portable XRF spectrometers?A comparison with INAA using Mimbres pottery from the American Southwest[J].Journal of Archaeological Science,2011,38(12):3483-3496.

    • [12] 于雷,洪永胜,耿雷,等.基于偏最小二乘回归的土壤有机质含量高光谱估算[J].农业工程学报,2015,31(14):103-109.

    • [13] Xu C C,Xu X L,Liu M X.Enhancing pedotransfer functions(PTFs)using soil spectral reflectance data for estimating saturated hydraulic conductivity in south western China[J].Catena,2017,158:350-356.

    • [14] HeilU K,Schmidhalter U.Comparison of the EM38 and EM38-MK2 electromagnetic induction-based sensors for spatialsoil analysis at fields cale[J].Computers and Electronics in Agriculture,2015,110:267-280.

    • [15] 刘新路,彭杰,冯春晖,等.基于电磁感应仪数据的南疆棉田土壤电导率反演模型研究[J].土壤学报,2020,57(3):646-655.

    • [16] 团良,邵东辉.使用 DDS-307 型电导率仪测定水的电导率和土壤盐分[J].环境与发展,2014,26(8):23-26.

    • [17] 鲍士旦.土壤农化分析(第3版)[M].北京:中国农业出版社,2000.

    • [18] 张智韬,王海峰,韩文霆,等.基于无人机多光谱遥感的土壤含水率反演研究[J].农业机械学报,2018,49(2):173-181.

    • [19] 谷艳红,赵南京,马明俊,等.基于主成分回归的土壤重金属LIBS定量分析方法研究[J].光电子·激光,2016,27(7):748-753.

    • [20] Saeys W.Mouazen A M,Ramon H.Potential for onsite and online analysis of pig manure using visible and near infrared reflectance spectroscopy.[J].Biosystems Engineering,2005,91(4):393-402.

    • [21] 杨爱霞,丁建丽,李艳红,等.基于表观电导率与实测光谱的干旱区湿地土壤盐分监测[J].中国沙漠,2016,36(5):1365-1373.

    • [22] 如则麦麦提·米吉提.基于控制实验的盐渍化土壤光谱特征研究[D].乌鲁木齐:新疆大学,2018.

    • [23] 陈皓锐,王少丽,管孝艳,等.基于高光谱数据的土壤电导率估算模型——以河套灌区沙壕渠灌域沙壤土为例[J].干旱区资源与环境,2014,28(12):172-177.

    • [24] 彭杰,王家强,向红英,等.土壤含盐量与电导率的高光谱反演精度对比研究[J].光谱学与光谱分析,2014,34(2):510-514.

    • [25] 李诗朦,包妮沙,刘善军,等.土壤电导率和pH值光谱特征及反演模型——以呼伦贝尔草原干旱半干旱土壤为例[J]. 测绘科学,2018,43(8):14-22,44.

    • [26] 关红,贾科利,张至楠,等.盐渍化土壤光谱特征分析与建模[J].国土资源遥感,2015,27(2):100-104.

    • [27] 李晓明,韩霁昌,李娟.典型半干旱区土壤盐分高光谱特征反演[J].光谱学与光谱分析,2014,34(4):1081-1084.