基于CWT的人类不同程度干扰下干旱区土壤有机质含量估算研究 下载: 1066次
1 引言
土壤有机质主要由各种动植物的残体、微生物体及其分解和合成的各种有机质组成,虽然其仅占土壤总量的很小一部分,但在土壤肥力上的作用却十分重要。不同土壤类型和区域由于气候以及人类干扰程度的不同,使得有机质含量分解程度有所不同,其光谱反射特性也存在差异。
灰钙土是北疆典型的土壤类型之一,其有机质质量分数大多<2%,研究表明有机质含量较低会大幅减弱其对光谱反射率的吸收[1-2]。为提高土壤有机质含量的预测精度,研究者多采用微分、倒数、对数、去包络线等变换对土壤光谱进行研究并取得了较好的效果[3-7]。连续小波变换(CWT)近几十年来在高光谱遥感领域以其在信号去噪和数据压缩方面独特的优势为地物光谱信息提取提供了新途径,已有研究表明其比常用的光谱数学变换预测效果更优[8-14],但目前对于干旱区土壤有机质的连续小波变换研究尚未涉及。
生态系统的干扰已经成为一种广泛存在的现象,其中人类干扰形式主要有对森林和草原植被的砍伐和开垦、狩猎、捕捞等。在我国干旱区、半干旱区,由于人类放牧、农业活动等的干扰活动,人类将大面积的荒地开垦为耕地、林地。人类活动对土壤原有生态平衡造成的破坏和改变,使土壤水分、有机质、盐分等指标发生变化[15-17]。但目前很少有针对干旱区不同人类干扰程度下的土壤有机质进行预测的研究。因此,如何利用光谱准确估算其含量是尚需解决的问题。
本文以新疆北部阜康荒地为研究对象,从人类干扰程度出发,结合植被特征、土地利用方式等指标,将研究区划分为轻度干扰区、中度干扰区和重度干扰区3种类型,以CWT为研究手段估算其土壤有机质含量,研究人类不同程度的干扰对土壤有机质含量的影响及其预测精度,以期为干旱区土壤资源合理规划以及农业产业结构的调整与布局提供借鉴和参考。
2 材料与方法
2.1 研究区概况
研究区位于新疆北部的阜康市(87°44′E~88°46′E,43°29′N~45°45′N)。地势南高北低,平均海拔高度为452 m。气候为典型的温带大陆性气候,夏季高温,冬季严寒,光能资源充足,热量资源丰富,降水稀少且空间分布不均,年降水量为164 mm,年蒸发潜力约为2000 mm [18]。
实验将研究区分为I、II、III区。I区为轻度干扰区,因距离人类居住地较远,并未开发利用。该区人类活动很少,偶有人类进入,基本保持其原有风貌;II区为中度干扰区,处于新疆建设兵团102团附近,大部分为废弃耕地,人类对其有一定程度的干扰; III区为重度干扰区,位于研究区的西南部,目前人类对其开发利用程度较大,主要的开发利用方式为林地(包括人工梭梭林地、榆树林地、育苗地),尚处于开发利用的初期,如
参照余作岳等[19]提出的人类干扰分类体系,本文所研究的I区长期以来的主导干扰因子是人类偶尔进入该区,并未对该区原有植被类型造成干扰,即几乎未引起土壤中组分的变化,属于无效干扰;而II区、III区经过人类开垦、植树等,植被类型发生改变,正常演替序列被打破,土壤中的盐分、有机质等组分也随之发生变化,即这两种干扰改变了生态系统的正常动态发展,属于有效干扰。因此,以轻度干扰区的各项指标作为对照,比较分析中度干扰和重度干扰区土壤有机质含量的变化等信息。
表 1. 研究区内3类典型干扰区基本情况
Table 1. Basic status of three typical disturbance zones in study area
|
2.2 实地调查与采样
研究于2017年10月进行了土壤样本数据采集。在Ⅰ区由南向北布设5条间距500~700 m的东西向采样线,每条采样线布设6个采样点;Ⅱ区相同方向布设5条间距400~600 m的采样线,每条采样线上选择5~7个具有代表性的采样点;Ⅲ区面积较小,布设6条间距200~400 m的采样线,每条采样线5个采样点。上述每个区均有30个采样点,由此构成一个由90个采样点组成的空间网格,并分别利用全球定位系统(GPS)对其进行定位。采集的野外数据主要包括:
1) 野外土壤高光谱数据的采集
光谱测量采用美国ASD公司生产的便携式FieldSpec 3Hi-Res光谱仪,波段值为350~2500 nm,其中350~1000 nm 光谱采样间隔为1.4 nm,光谱分辨率为3 nm;1001~2500 nm范围内光谱采样间隔为1.1 nm,光谱分辨率为8 nm。由于光谱测量采用野外实测,为了减少太阳高度对光谱采集造成的不利影响,实验均选在当地时间11:00~15:00、晴朗少云、无风的天气进行。每次采集光谱前对光谱仪进行白板校正以去除暗电流的影响。采用25°视场角探头,且距采样地面15 cm处垂直角度,在每个采样点按梅花桩对表层土壤原始光谱进行采集,每个位置重复测量10次,得到的50条光谱曲线的平均值即为该采样点的实测光谱值,共测定90个采样点的光谱曲线。野外测量时观察每个采样点的实测光谱值,对出现异常的光谱曲线给予删除并重新测定,以便获得更加准确的实测光谱反射率。
2) 土壤有机质含量的采集
土样的采集与高光谱数据的测定同步进行,选择地势平坦、能代表样点周围区域特征的地点作为采样单元,每个采样点分别从周边1 m范围内不同的地点挖取3个0~10 cm的土坑采样,并混合均匀放入密封袋中,封口标记编号,用手持GPS定位后记录下经纬度。将采集的样品带回实验室经自然风干、去除杂质后,研磨过 1 mm筛,送至中国科学院新疆生态与地理研究所,由专业人士采用重铬酸钾容量—外加热法测定[20]有机质含量。
2.3 高光谱数据处理
由于光谱仪器波谱两端的边缘波段存在较大的仪器噪声,需要将350~399 nm和2451~2500 nm数据剔除,运用OriginPro 9.0对光谱反射率进行Savitaky-Golay(9点)平滑去噪处理,再通过观察研究区90个采样点的土壤光谱曲线,找出野外实测光谱因受水分吸收带和大气的影响而在1350~1450 nm和1830~1950 nm附近出现的异常,并剔除在1400、1900 nm附近所产生的较大噪声。
为了进一步减少外界其他干扰因素对原始光谱反射率的影响,查找土壤有机质的敏感波段,除了对土壤样品的光谱反射率
2.4 连续小波变换
CWT是一种线性变换方法,是将原始光谱信号在连续波段上进行分解,分解后的系数与原始的光谱波段一一对应[21]。其变换公式为
式中:
2.5 模型的建立与检验
模型的精度检验主要通过判定系数
3 结果与分析
3.1 土壤有机质含量统计特征
选用光谱理化值共生距离(SPXY)算法[24]分别计算Ⅰ、Ⅱ、Ⅲ区各个样品有机质含量之间的欧氏距离,按照3∶2的比例划分为建模集和检验集。研究区土壤有机质含量总体较低,且随着干扰强度的减少,经营方式逐渐回归自然状态,有机质含量逐渐增加,变异系数(CV)逐渐减少,如
表 2. 土壤有机质含量的描述统计量
Table 2. Descriptive statistics of soil organic matter content
|
3.2 人类不同干扰程度下的野外反射光谱特征
由于对土壤光谱外部影响因素较多,可以采用野外测定的光谱数据进行分析,并剔除明显受到干扰的波段(
图 1. 人类不同程度干扰下的土壤光谱曲线
Fig. 1. Soil spectral curves under different human disturbance degrees
3.3 基于常用光谱分析方法的相关性分析
分别对土壤野外原始光谱反射率进行一阶微分和倒数对数处理,并进行相关性分析。Ⅰ、Ⅱ和Ⅲ区原始光谱与土壤有机质含量的相关性均未通过0.01显著水平检验,且通过0.05显著水平的波段也较少(
图 2. 土壤有机质含量与光谱反射率及其变换的相关性分析。(a) I区;(b) Ⅱ区;(c) Ⅲ区
Fig. 2. Correlation analysis among soil organic matter content, spectral reflectance, and its transformation. (a) Zone Ⅰ; (b) zone Ⅱ; (c) zone Ⅲ
通过对原始光谱反射率进行微分
表 3. 选择的敏感波长
Table 3. Selection of sensitive wavelengths
|
3.4 基于CWT的相关性分析
由于土壤高光谱曲线的吸收特征与高斯函数近似,因此,选取Gaus4函数作为小波基函数,利用Matlab R2017b对不同人类干扰下的原始光谱反射率进行CWT。为了减少数据冗余,将CWT尺度设为21,22,23,…,210,同时将生成的小波系数与土壤有机质含量进行相关性分析,如
3.4.1 轻度干扰区CWT相关性分析
采用CWT对Ⅰ区原始光谱反射率进行变换分解,生成的小波系数与土壤有机质含量的决定系数较高的区域主要出现在420~440、460~490、740~770、1635~1670和2110~2120 nm(
图 3. 轻度干扰区R小波系数与土壤有机质含量的相关系数图
Fig. 3. Correlation scalogram between R wavelet coefficient and soil organic matter content in mild disturbance zone
3.4.2 中度干扰区CWT相关性分析
将Ⅱ区原始光谱反射率进行CWT分解后,小波系数与土壤有机质含量的
图 4. 中度干扰区R小波系数与土壤有机质的相关系数图
Fig. 4. Correlation scalogram between R wavelet coefficient and soil organic matter in moderate disturbance zone
3.4.3 重度干扰区CWT相关性分析
Ⅲ区原始光谱反射率通过CWT结合土壤有机质含量数据得到二者的二维决定系数图(
图 5. 重度干扰区R小波系数与土壤有机质含量相关系数图
Fig. 5. Correlation scalogram between R wavelet coefficient and soil organic matter content in severe disturbance zone
结果表明,针对野外采集的实测高光谱反射率,在有机质含量较低且受人类不同干扰程度下,通过CWT可以提高土壤高光谱中反映的土壤有机质微弱信息,有助于土壤有机质含量的准确预测。
3.5 土壤有机质高光谱估测模型的优选
基于上述分析,将
综合比较建模效果可以看出,Ⅰ区>Ⅱ区>Ⅲ区,这是因为Ⅰ区受人类活动干扰较小,大部分区域保持原始风貌,土壤有机质含量变异系数低,有利于有机质含量的预测;而Ⅱ、Ⅲ区由于不同地块受人类活动干扰的强度不同,使有机质分布变异性较大,预测精度受到影响。
表 4. 土壤有机质含量反演模型的建模集与验证集结果
Table 4. Calibration and validation results of inversion model for soil organic matter content
|
利用检验样本将研究区
图 6. 土壤有机质预测值与实测值散点图。(a) Ⅰ区;(b) Ⅱ区;(c) Ⅲ区
Fig. 6. Scatter plots of predicted and measured values of soil organic matter. (a) Zone Ⅰ; (b) zone Ⅱ; (c) zone Ⅲ
3.6 模型预测效果的评价
为了更加直观地观察模型预测效果,对研究区实测值与预测值进行Kriging插值分析(
图 7. 土壤有机质含量实测值与预测值的Kriging插值图。(a) Ⅰ区;(b) Ⅱ区;(c) Ⅲ区
Fig. 7. Kriging interpolation plots of measured and predicted values of soil organic matter content. (a) Zone Ⅰ; (b) zone Ⅱ; (c) zone Ⅲ
4 结论
利用CWT对新疆阜康市干旱区人类不同干扰程度下的土壤有机质含量进行了估算,并与野外高光谱反射率
[1] 单海斌, 蒋平安, 颜安, 等. 基于高光谱数据的北疆绿洲农田灰漠土有机质反演[J]. 农业资源与环境学报, 2018, 35(3): 276-282.
[2] 刘焕军, 张柏, 赵军, 等. 黑土有机质含量高光谱模型研究[J]. 土壤学报, 2007, 44(1): 27-32.
[3] 乔娟峰, 熊黑钢, 王小平, 等. 基于最优模型的荒地土壤有机质含量空间反演[J]. 江苏农业学报, 2018, 34(1): 68-75.
[4] 韩兆迎, 朱西存, 刘庆, 等. 黄河三角洲土壤有机质含量的高光谱反演[J]. 植物营养与肥料学报, 2014, 20(6): 1545-1552.
[5] 方少文, 杨梅花, 赵小敏, 等. 红壤区土壤有机质光谱特征与定量估算: 以江西省吉安县为例[J]. 土壤学报, 2014, 51(5): 1003-1010.
[6] 郑曼迪, 熊黑钢, 乔娟峰, 等. 基于高光谱的不同人类干扰程度下荒漠土壤有机质含量估算模型[J]. 干旱区地理, 2018, 41(2): 384-392.
[7] 南锋, 朱洪芬, 毕如田. 黄土高原煤矿区复垦农田土壤有机质含量的高光谱预测[J]. 中国农业科学, 2016, 49(11): 2126-2135.
[8] 林鹏达, 佟志军, 张继权, 等. 基于CWT的黑土有机质含量野外高光谱反演模型[J]. 水土保持研究, 2018, 25(2): 46-52, 57.
[9] 于雷, 洪永胜, 周勇, 等. 连续小波变换高光谱数据的土壤有机质含量反演模型构建[J]. 光谱学与光谱分析, 2016, 36(5): 1428-1433.
[10] 蔡亮红, 丁建丽. 基于高光谱多尺度分解的土壤含水量反演[J]. 激光与光电子学进展, 2018, 55(1): 013001.
[11] 姜雪芹, 叶勤, 林怡, 等. 基于谐波分析和高光谱遥感的土壤含水量反演研究[J]. 光学学报, 2017, 37(10): 1028001.
[12] 周超, 刘宁武, 何天博, 等. 小波阈值去噪技术在呼出气体激光光谱诊断中的应用研究[J]. 中国激光, 2017, 44(11): 1111003.
[13] 白士伟, 孙刚, 李学彬, 等. 小波分析在近地面湍流相干结构研究中的应用[J]. 光学学报, 2018, 38(5): 0501002.
[14] 廖钦洪, 顾晓鹤, 李存军, 等. 基于连续小波变换的潮土有机质含量高光谱估算[J]. 农业工程学报, 2012, 28(23): 132-139, 298.
[15] 肖锐. 人类活动影响下流域土壤及植被的时空格局变化[D]. 杭州: 浙江大学, 2014.
XiaoR. Spatiotemporal changes of soil and vegetation in response to anthropogenic activities[D]. Hangzhou: Zhejiang University, 2014.
[16] 张赛, 王龙昌, 周航飞, 等. 西南丘陵区不同耕作模式下玉米田土壤呼吸及影响因素[J]. 生态学报, 2014, 34(21): 6244-6255.
[17] 熊平生. 陆地生态系统土壤呼吸的影响因素研究综述[J]. 中国土壤与肥料, 2017( 4): 1- 7.
Xiong PS. Research review of the impact factors on soil respiration in terrestrial ecosystem[J]. Soil and Fertilizer Sciences in China, 2017( 4): 1- 7.
[18] 张林静, 岳明, 张远东, 等. 新疆阜康绿洲荒漠过渡带植物群落物种多样性特征[J]. 地理科学, 2003, 23(3): 329-334.
[19] 余作岳, 彭少麟, 丁明懋. 热带亚热带退化生态系统植被恢复生态学研究[M]. 广州: 广东科技出版社, 1996.
Yu ZY, Peng SL, Ding MM. Ecological studies on vegetation rehabilitation of tropical and subtropical degraded ecosystems[M]. Guangzhou: Guangdong Science and Technology Press, 1996.
[20] 鲍士旦. 土壤农化分析[M]. 3版. 北京: 中国农业出版社, 2008.
Bao SD. Soil agrochemical analysis[M]. 3rd ed. Beijing: China Agricultural Press, 2008.
[21] 方圣辉, 乐源, 梁琦. 基于连续小波分析的混合植被叶绿素反演[J]. 武汉大学学报(信息科学版), 2015, 40(3): 296-302.
[22] 崔霞, 宋清洁, 张瑶瑶, 等. 基于高光谱数据的高寒草地土壤有机碳预测模型研究[J]. 草业学报, 2017, 26(10): 20-29.
[24] 毛博慧, 孙红, 刘豪杰, 等. 基于正交变换与SPXY样本划分的冬小麦叶绿素诊断[J]. 农业机械学报, 2017, 48(S1): 160-165.
[25] 彭杰, 周清, 张杨珠, 等. 有机质对土壤光谱特性的影响研究[J]. 土壤学报, 2013, 50(3): 517-524.
[26] 何挺, 王静, 林宗坚, 等. 土壤有机质光谱特征研究[J]. 武汉大学学报(信息科学版), 2006, 31(11): 975-979.
[27] 刘磊, 沈润平, 丁国香. 基于高光谱的土壤有机质含量估算研究[J]. 光谱学与光谱分析, 2011, 31(3): 762-766.
Article Outline
叶红云, 熊黑钢, 张芳, 王宁, 马利芳. 基于CWT的人类不同程度干扰下干旱区土壤有机质含量估算研究[J]. 激光与光电子学进展, 2019, 56(5): 051101. Hongyun Ye, Heigang Xiong, Fang Zhang, Ning Wang, Lifang Ma. CWT-Based Estimation of Soil Organic Matter Content in Arid Area Under Different Human Disturbance Degrees[J]. Laser & Optoelectronics Progress, 2019, 56(5): 051101.