王莉雯,衛(wèi)亞星

1 遼寧師范大學(xué)海洋經(jīng)濟(jì)與可持續(xù)發(fā)展研究中心,大連　116029 2 遼寧師范大學(xué)自然地理與空間信息科學(xué)遼寧省重點(diǎn)實(shí)驗(yàn)室,大連　116029 3 遼寧師范大學(xué)城市與環(huán)境學(xué)院,大連　116029

?

濕地土壤全氮和全磷含量高光譜模型研究

王莉雯1,2,3,*,衛(wèi)亞星1,2,3

1 遼寧師范大學(xué)海洋經(jīng)濟(jì)與可持續(xù)發(fā)展研究中心,大連116029 2 遼寧師范大學(xué)自然地理與空間信息科學(xué)遼寧省重點(diǎn)實(shí)驗(yàn)室,大連116029 3 遼寧師范大學(xué)城市與環(huán)境學(xué)院,大連116029

氮磷是濕地生態(tài)系統(tǒng)土壤中的重要營(yíng)養(yǎng)元素,其對(duì)濕地植被生長(zhǎng)、濕地生態(tài)系統(tǒng)生產(chǎn)力、區(qū)域富營(yíng)養(yǎng)化變化、濕地環(huán)境生態(tài)凈化功能等具有重要的影響作用。研究氮磷營(yíng)養(yǎng)物質(zhì)在濕地土壤中的分布變化特征,對(duì)濕地生態(tài)系統(tǒng)評(píng)估、恢復(fù)和管理具有重要的意義。以中國(guó)高緯度地區(qū)面積最大的濱海蘆葦濕地——盤錦濕地為研究區(qū),采用不同建模方法(再抽樣多元逐步回歸模型bootstrap SMLR和再抽樣偏最小二乘回歸模型bootstrap PLSR)和光譜變換技術(shù)(包絡(luò)線去除CR、光譜一階微分FD和光譜倒數(shù)的對(duì)數(shù)LR),分別建立了濕地土壤全氮和全磷含量的估算模型?；跐竦赝寥缹?shí)測(cè)光譜,模擬高光譜Hyperion數(shù)據(jù)和多光譜TM數(shù)據(jù),在此基礎(chǔ)上進(jìn)行濕地土壤營(yíng)養(yǎng)元素含量估算。對(duì)比所建反演模型的估算精度,探討高光譜遙感技術(shù)對(duì)濕地土壤營(yíng)養(yǎng)元素組分的估算能力和適用性。研究結(jié)果表明：bootstrap PLSR相比于bootstrap SMLR建模方法,其對(duì)研究區(qū)濕地土壤全氮和全磷含量的估算獲得了較高精度;對(duì)盤錦濕地土壤全氮含量的估算,最高估算精度產(chǎn)生于CR光譜變換技術(shù)結(jié)合bootstrap PLSR建模;對(duì)濕地土壤全磷含量的估算,最高估算精度產(chǎn)生于原光譜數(shù)據(jù)結(jié)合bootstrap PLSR建模;模擬高光譜數(shù)據(jù)Hyperion對(duì)濕地土壤全氮和全磷含量的估算精度均高于模擬多光譜數(shù)據(jù)TM,模擬Hyperion的估算精度更接近于實(shí)測(cè)光譜的估算精度。

高光譜遙感; 濕地土壤; 全氮; 全磷; bootstrap PLSR

土壤是濕地生態(tài)系統(tǒng)的重要環(huán)境要素之一,是濕地發(fā)生物理化學(xué)轉(zhuǎn)換的中介,其對(duì)濕地中氮磷等營(yíng)養(yǎng)物質(zhì)具有蓄積作用[1- 2]。氮磷是濕地植物生長(zhǎng)不可缺少的重要營(yíng)養(yǎng)元素,濕地土壤中氮磷含量直接影響著濕地生態(tài)系統(tǒng)的生產(chǎn)力,濕地土壤的氮、磷吸收及匯聚能力可有效地減緩附近水域的富營(yíng)養(yǎng)化[3-4]。因此研究氮磷營(yíng)養(yǎng)物質(zhì)在濕地土壤中的分布特征,是理解濕地生態(tài)系統(tǒng)環(huán)境生態(tài)凈化功能的重要基礎(chǔ)。

土壤反射光譜特征和土壤理化性質(zhì)存在密切關(guān)系,這為研究土壤屬性提供了遙感技術(shù)應(yīng)用途徑[5-6]。大量研究進(jìn)行了基于土壤反射光譜特征來(lái)區(qū)分土壤類型,以及反演土壤有機(jī)質(zhì)、水分、氮素、重金屬含量等[7-9]。高光譜遙感憑借其較高的光譜分辨率,有利于定量獲取土壤的生化組分,從而適用于基于土壤的反射光譜估算土壤中全氮和全磷營(yíng)養(yǎng)物質(zhì)的含量[10-11]。

由于典型的水文、植被條件、獨(dú)特的成土母質(zhì)等,濕地土壤呈現(xiàn)出區(qū)別于一般的陸地土壤和水體沉積物的理化性質(zhì)和生態(tài)功能[12-13]。基于高光譜特性的濕地土壤全氮和全磷含量反演研究還鮮見(jiàn)報(bào)道。本文以中國(guó)高緯度地區(qū)面積最大的濱海蘆葦濕地為研究區(qū),嘗試采用不同建模方法(再抽樣多元逐步回歸模型bootstrap SMLR和再抽樣偏最小二乘回歸模型bootstrap PLSR)、不同光譜變換技術(shù)(包絡(luò)線去除CR、光譜一階微分FD和光譜倒數(shù)的對(duì)數(shù)LR)、基于實(shí)測(cè)高光譜數(shù)據(jù)的模擬技術(shù)(模擬了Hyperion高光譜數(shù)據(jù)和TM多光譜數(shù)據(jù)),分別建立濕地土壤全氮和全磷含量的估算模型。對(duì)比估算精度,探討高光譜遙感技術(shù)對(duì)濕地土壤營(yíng)養(yǎng)元素組分的估算能力和適用性。

1　研究區(qū)概況

盤錦濕地位于亞洲最大的暖溫帶濱海濕地遼河三角洲的核心地帶,遼河下游入海口處,其在調(diào)節(jié)氣候、環(huán)境凈化、蓄水防洪、補(bǔ)給地下水、減輕海岸線侵蝕、保護(hù)生物多樣性等方面發(fā)揮著重要的作用。盤錦濕地地貌類型以沖積平原和潮灘為主,地勢(shì)低洼平坦、北高南低,坡度在2°以內(nèi),平均海拔4 m。盤錦濕地區(qū)域?yàn)榕瘻貛Ъ撅L(fēng)氣候區(qū),年平均氣溫為8.5℃,年平均降水量為650 mm。濕地天然植被以蘆葦(Phragmitesaustralis)和翅堿蓬(Suaedasalsa)為主。近年來(lái)隨著該地區(qū)無(wú)機(jī)氮、石油類、重金屬等陸源污染物排放量的增加,對(duì)盤錦濕地的生態(tài)環(huán)境造成了負(fù)面影響[14]。

2　數(shù)據(jù)來(lái)源和預(yù)處理

2.1土壤采集與制備

野外實(shí)驗(yàn)于2014年8月進(jìn)行。根據(jù)研究區(qū)土壤類型和植被群落分布特征,設(shè)定了具有代表性的40個(gè)采樣區(qū)域。在每個(gè)采樣區(qū)域,采用五點(diǎn)采樣法進(jìn)行土壤樣本采集。將采集的土壤樣品帶回實(shí)驗(yàn)室后進(jìn)行風(fēng)干脫水,去除較大的植物殘?bào)w、石礫和其他雜物,磨碎后過(guò)篩,編號(hào)后裝袋以備土壤全氮、全磷和光譜測(cè)量。測(cè)量完成后,隨機(jī)選取了115個(gè)土壤表層(0—10cm)樣本。

圖1　盤錦濕地采樣區(qū)域分布圖Fig.1　Location of the Panjin wetland and experiment sites

2.2土壤光譜測(cè)量

研究使用了ASD FieldSpec Pro FR野外光譜輻射儀在實(shí)驗(yàn)室內(nèi)進(jìn)行土壤光譜測(cè)量,波段范圍為350—2500 nm,其中350—1000 nm光譜分辨率為3 nm,光譜采樣間隔為1.4 nm,1000—2500 nm光譜分辨率為10 nm,光譜采樣間隔為2 nm。土壤光譜測(cè)量在能控制光照條件的實(shí)驗(yàn)室進(jìn)行,光源為鹵素?zé)?光源入射角為60°。土壤樣本置于直徑10 cm、深1.5 cm的器皿內(nèi),表面自然推平。傳感器探頭置于垂直距土壤樣本表面10 cm處,視場(chǎng)角為25°。每個(gè)土壤樣本光譜測(cè)量10次,取其平均值作為該樣本的光譜反射率數(shù)據(jù)。測(cè)量獲取的土壤樣本在350—400 nm和2451—2500 nm波段噪聲較大,將其剔除。對(duì)400—2450 nm波段土壤光譜,采用小波法進(jìn)行濾波去噪。

2.3土壤全氮和全磷測(cè)量

土壤全氮測(cè)量采用硒粉-硫酸銅-硫酸消化法,即凱氏定氮法;全磷測(cè)量采用酸溶-鉬銻抗比色法。

3　研究方法

3.1高光譜數(shù)據(jù)Hyperion和多光譜數(shù)據(jù)TM模擬

EO- 1與Landsat- 7的衛(wèi)星軌道基本相同,過(guò)赤道的時(shí)間只相差1min。本文基于實(shí)驗(yàn)室光譜數(shù)據(jù),模擬了Hyperion高光譜數(shù)據(jù)和TM多光譜數(shù)據(jù),進(jìn)而對(duì)比了這兩種數(shù)據(jù)估算濕地土壤全氮和全磷含量的能力。

基于ENVI 5.1軟件自帶的TM光譜響應(yīng)函數(shù),利用ENVI 5.1軟件的光譜采樣功能將ASD測(cè)量獲取的高光譜反射率重采樣,獲得模擬的TM多光譜反射率。

搭載在EO- 1平臺(tái)上的Hyperion高光譜傳感器,提供了242個(gè)波段數(shù)據(jù),波長(zhǎng)覆蓋范圍為356—2577 nm,光譜分辨率為10 nm。由于無(wú)法獲取Hyperion的光譜響應(yīng)函數(shù),本文基于Hyperion的中心波長(zhǎng)與半值波寬,采用高斯函數(shù)模擬了Hyperion的光譜響應(yīng)函數(shù)。隨后,使用ENVI 5.1軟件的光譜采樣功能,將實(shí)驗(yàn)獲取的高光譜反射率重采樣,獲得模擬的Hyperion高光譜反射率。

3.2基于bootstrap的SMLR和PLSR模型

本文采用bootstrap技術(shù)結(jié)合回歸建模方法(包括多元逐步回歸模型SMLR和偏最小二乘回歸模型PLSR),分別構(gòu)建了盤錦濕地土壤全氮和全磷含量估算模型。

bootstrap技術(shù)是一種基于再抽樣和數(shù)據(jù)模擬的統(tǒng)計(jì)推斷方法。當(dāng)樣本具有非線性性質(zhì)和總體分布特征難以確定時(shí),采用bootstrap技術(shù)可以有效提高模型的估算精度[15]。本研究建模均在MATLAB平臺(tái)上編程計(jì)算完成,具體建模步驟包括：基于原始樣本數(shù)據(jù)采用回歸建模方法構(gòu)建估算模型;在原數(shù)據(jù)集中隨機(jī)抽取樣本點(diǎn),記錄其值后再放回原數(shù)據(jù)集,如此重復(fù)n次,從而得到bootstrap樣本;基于bootstrap樣本,采用回歸建模方法,建立估算模型;重復(fù)上述步驟,得到估算模型回歸參數(shù)數(shù)據(jù)組,構(gòu)建基于bootstrap樣本的回歸參數(shù)數(shù)據(jù)集;計(jì)算基于bootstrap樣本的回歸參數(shù)與初始回歸參數(shù)差值的絕對(duì)值,取絕對(duì)值的90%分位點(diǎn)作為拒絕域的臨界值;比較初始回歸參數(shù)的絕對(duì)值與臨界值,判斷其是否通過(guò)顯著性檢驗(yàn);將經(jīng)過(guò)顯著性檢驗(yàn)的自變量在原數(shù)據(jù)集上重新構(gòu)建估算模型,重復(fù)上述步驟,直到所有變量均通過(guò)顯著性檢驗(yàn)。

3.3光譜變換技術(shù)

本文使用了包括包絡(luò)線去除(CR)、光譜一階微分(FD)、光譜倒數(shù)的對(duì)數(shù)(LR)的3種光譜變換技術(shù),分別基于CR、FD、LR和原光譜(R)數(shù)據(jù)并結(jié)合回歸建模方法,建立濕地土壤全氮和全磷含量估算模型。

CR、FD、LR是高光譜遙感較常采用的光譜變換技術(shù)。CR光譜變換技術(shù)可以突出光譜曲線的吸收和反射特征[16]。FD通過(guò)分解重疊混合光譜進(jìn)行分解以便識(shí)別,擴(kuò)大了光譜特征的差異[17]。LR技術(shù)不僅增強(qiáng)了可見(jiàn)光范圍的光譜差異,而且還降低了由光照條件變化引起的多重變化因素的影響。

3.4數(shù)據(jù)分析

將115個(gè)土壤樣本數(shù)據(jù)隨機(jī)分成2組,第1組70個(gè)樣本用來(lái)建立模型,第2組45個(gè)樣本用于驗(yàn)證模型。本文選取決定系數(shù)(determination coefficient,R2)和均方根誤差(root mean square error,RMSE)作為評(píng)價(jià)指標(biāo)。當(dāng)R2值趨近于1,并且RMSE值趨近于0時(shí),反映了模型預(yù)測(cè)精度較高,估算值與實(shí)測(cè)值吻合程度較好。

4　結(jié)果與分析

4.1研究區(qū)濕地土壤氮磷含量特征

盤錦濕地位于遼河下游入?？谔?由入海遼河河流攜帶的泥沙,在潮流和海流作用下,不斷于潮間帶絮凝、沉積,出露海面后,再在蘆葦?shù)葷竦刂脖缓臀⑸镒饔孟滦纬闪藵竦赝寥繹14]。盤錦濕地土壤中氮素含量受到植被覆蓋、植物殘?bào)w輸入量、微生物活性等的影響,土壤中大部分是有機(jī)態(tài)氮,約占全氮的82%—96%,蘆葦群落土壤中有機(jī)態(tài)氮的礦化速率較高,從而轉(zhuǎn)變?yōu)槟鼙恢脖凰绽玫姆怯袡C(jī)態(tài)氮。盤錦濕地土壤中磷素的自然輸入主要為地表徑流、動(dòng)植物歸還于土壤的殘?bào)w和大氣沉降。隨著海水不斷沖刷蘆葦群落土壤,海水中的磷酸鹽等鹽分被截留在土壤中并不斷累積,造成蘆葦群落土壤中全磷含量的變化。表1為研究區(qū)濕地表層土壤樣本全氮和全磷含量的基本統(tǒng)計(jì)結(jié)果。

表1　濕地土壤全氮全磷含量統(tǒng)計(jì)特征/(mg/g)

4.2濕地土壤光譜特征

圖2為經(jīng)實(shí)驗(yàn)測(cè)量獲取的濕地土壤平均反射光譜曲線。圖2顯示,在400—2450 nm波段范圍內(nèi),濕地土壤光譜曲線變化總體較為平緩,總體呈上升趨勢(shì)。在可見(jiàn)光波段反射率值較低,549—558 nm之間存在反射率輕微下降的凹谷。從曲線斜率變化趨勢(shì)來(lái)看,457—562 nm之間曲線形狀微向下凹,562—790nm波段范圍內(nèi)反射率迅速上升。在近紅外波段,790—800nm波段之間出現(xiàn)反射率變化的微上凸,800—1356nm波段范圍內(nèi)反射率平緩上升。在1408 nm存在明顯的水分吸收谷,1408—1840 nm反射率逐漸平緩增加。以1920 nm為中心波段出現(xiàn)反射光譜曲線中最為明顯的水分吸收谷特征。1920—2040 nm土壤的光譜曲線隨波長(zhǎng)增加迅速上升。2040—2207 nm呈反射率遞減趨勢(shì)。2207 nm處存在弱的水分吸收谷。2230—2450 nm波段濕地土壤光譜反射率逐漸減小,在2311和2349 nm為中心波段出現(xiàn)弱的反射率變化的凹谷。

圖2分別為采用CR、FD和LR光譜變換技術(shù)后的光譜反射率曲線。對(duì)比顯示,各光譜曲線反射率變化明顯,光譜特征差異性變化,特別在拐點(diǎn)位置處。經(jīng)CR和FD變換后的光譜曲線,隨著波長(zhǎng)的增加反射率不再呈近似單一變化,而是其值上下顯著波動(dòng),出現(xiàn)若干特征吸收帶。

圖2　濕地土壤平均反射率、CR變換、FD變換和LR變換光譜曲線Fig.2　The spectral curves of the average reflectance, CR transformation, FD transformation and LR transformation for wetland soils

4.3基于PLSR和SMLR的濕地土壤全氮和全磷含量估算精度對(duì)比

對(duì)比表2和表3,基于bootstrap的SMLR和PLSR各項(xiàng)估算結(jié)果總體來(lái)看,PLSR建模方法對(duì)濕地土壤全氮和全磷含量的估算精度較高。對(duì)于濕地土壤全氮含量的估算,最高估算精度產(chǎn)生于CR光譜變換技術(shù)結(jié)合bootstrap PLSR建模,最低估算精度產(chǎn)生于LR結(jié)合bootstrap SMLR建模。對(duì)于濕地土壤全磷含量的估算,最高估算精度產(chǎn)生于R結(jié)合bootstrap PLSR建模,最低估算精度產(chǎn)生于LR結(jié)合bootstrap SMLR建模。

已有研究顯示,SMLR建模方法經(jīng)常在傳遞預(yù)測(cè)模型到其它數(shù)據(jù)集中存在困難[18]。PLSR建模方法通過(guò)將光譜數(shù)據(jù)分解為非共線潛在變量,從而減小了多重共線性問(wèn)題的影響。而且,PLSR建模方法選取最優(yōu)數(shù)量的潛在變量,排除了過(guò)多冗余的解釋變量,因此減小了過(guò)度擬合的問(wèn)題[19]。在本研究中,除了使用FD估算土壤全氮含量以及CR估算全磷含量(檢驗(yàn)樣本)以外,bootstrap PLSR建模方法的估算精度均高于bootstrap SMLR。因此,bootstrap PLSR建模方法適用于研究區(qū)濕地土壤全氮和全磷含量的高光譜遙感估算。

4.4不同光譜變換技術(shù)估算濕地土壤全氮和全磷含量精度對(duì)比

對(duì)比不同光譜變換技術(shù)估算濕地土壤全氮含量的精度。表2是采用基于bootstrap的SMLR建模方法的估算精度,CR光譜變換技術(shù)的估算精度最高。其后,估算精度(檢驗(yàn)樣本)從高到低依次為FD、R和LR。表3是采用基于bootstrap的PLSR建模方法的估算精度,CR技術(shù)的估算精度最高。其后,估算精度(檢驗(yàn)樣本)從高到低依次為L(zhǎng)R、R和FD。因此,CR光譜變換技術(shù)結(jié)合bootstrap PLSR建模方法,適用于研究區(qū)濕地土壤全氮含量的高光譜遙感估算。

表2基于bootstrap SMLR的各光譜變換技術(shù)估算濕地土壤全氮和全磷含量結(jié)果

Table 2The results of estimated total nitrogen and total phosphorous content for wetland soils using various spectral transformation techniques based on bootstrap SMLR

營(yíng)養(yǎng)元素Nutritionelements光譜數(shù)據(jù)Spectraldata入選波段Chosenbands/nm建模樣本Modelingsamples檢驗(yàn)樣本ValidationsamplesR2RMSER2RMSE全氮R553 735 844 2008 2110 22840.6390.2590.5420.319TotalnitrogenCR749 920 1336 2012 2118 23040.7830.1940.7170.221FD1492 2016 2294 2370 23780.7240.2200.6950.239LR2113 2180 2230 2235 2278 23100.6000.2860.4830.339全磷R(shí)543 679 832 1224 1744 21230.4630.1920.4020.207TotalCR742 778 2004 23230.4750.1880.4690.194phosphorousFD1672 1796 2101 2193 2203 22750.5270.1770.4330.197LR694 896 1508 2221 2255 23160.3740.2140.4050.205

R: 原光譜數(shù)據(jù)original reflectance,CR: 包絡(luò)線去除光譜數(shù)據(jù)continuum removal,FD: 一階微分光譜數(shù)據(jù)first difference derivative,LR: 光譜倒數(shù)的對(duì)數(shù)光譜數(shù)據(jù)log-transformed, log(1/R)

表3基于bootstrap PLSR的各光譜變換技術(shù)估算濕地土壤全氮和全磷含量結(jié)果

Table 3The results of estimated total nitrogen and total phosphorous content for wetland soils using various spectral transformation techniques based on bootstrap PLSR

營(yíng)養(yǎng)元素Nutritionelements光譜數(shù)據(jù)Spectraldata成分個(gè)數(shù)Componentnumbers建模樣本Modelingsamples檢驗(yàn)樣本ValidationsamplesR2RMSER2RMSE全氮TotalnitrogenR40.6980.2260.6930.232CR30.8150.1800.7840.192FD40.6010.2810.6420.263LR50.7620.2050.6970.228全磷TotalphosphorousR30.5220.1810.5730.174CR40.4760.1860.4580.196FD50.5530.1650.4340.198LR50.4560.1980.4130.204

對(duì)比不同光譜變換技術(shù)估算濕地土壤全磷含量的精度。表2顯示,FD光譜變換技術(shù)的建模精度最高,CR技術(shù)的檢驗(yàn)精度最高。其后,估算精度(檢驗(yàn)樣本)從高到低依次為L(zhǎng)R和R。表3顯示,FD技術(shù)的建模精度最高,R的檢驗(yàn)精度最高。其后,估算精度(檢驗(yàn)樣本)從高到低依次為CR和LR。因此,R結(jié)合bootstrap PLSR建模方法,適用于研究區(qū)濕地土壤全磷含量的高光譜遙感估算。

一些研究表明,CR、FD和LR光譜變換技術(shù),可以用來(lái)增強(qiáng)光譜數(shù)據(jù)與土壤養(yǎng)分含量之間的相關(guān)關(guān)系,而且其估算精度常常超過(guò)了使用原反射率光譜的預(yù)測(cè)精度[20-22]。在本研究中,對(duì)濕地土壤全氮含量的估算,采用bootstrap SMLR建模方法時(shí),CR和FD技術(shù)的估算精度較R光譜有了較為明顯的提高,而采用bootstrap PLSR建模方法時(shí),CR和LR技術(shù)較R光譜的估算精度也出現(xiàn)了一定幅度的改進(jìn)。在對(duì)濕地土壤全磷含量的估算中,采用bootstrap SMLR建模方法時(shí),CR和FD技術(shù)的估算精度比R光譜有了提高,但采用bootstrap PLSR建模方法時(shí),基于R光譜數(shù)據(jù)的檢驗(yàn)樣本估算精度達(dá)到了最高。因此,CR、FD和LR光譜變換技術(shù)的應(yīng)用對(duì)于土壤養(yǎng)分含量估算精度的提高,還需要研究其適用性的條件參量。當(dāng)R光譜數(shù)據(jù)的估算精度不能滿足應(yīng)用需要時(shí),可以考慮采用CR、FD和LR等光譜變換技術(shù)。

表2顯示,采用bootstrap SMLR建模方法時(shí),不同光譜變換技術(shù)應(yīng)用于濕地土壤全氮和全磷含量估算過(guò)程中,入選波段大部分位于短波紅外(SWIR)波譜范圍。一些研究表明,SWIR相比于可見(jiàn)光和近紅外波段,其主要優(yōu)勢(shì)包括：大氣窗口SWIR波譜范圍的總透過(guò)率超過(guò)90%、地物反射信號(hào)較強(qiáng)、較易診斷的地物特征等[11]。因此,SWIR波段的入選有利于提高濕地土壤全氮和全磷含量的估算精度。

4.5模擬高光譜數(shù)據(jù)Hyperion和多光譜數(shù)據(jù)TM的估算精度對(duì)比

表4和表5分別顯示了基于bootstrap SMLR和PLSR的模擬光譜數(shù)據(jù)估算濕地土壤全氮和全磷含量的精度對(duì)比。圖3為基于檢驗(yàn)樣本數(shù)據(jù),采用bootstrap PLSR建模方法,濕地土壤全氮和全磷含量的估算結(jié)果與實(shí)測(cè)值的比較。采用bootstrap SMLR和bootstrap PLSR的建模方法中,模擬高光譜數(shù)據(jù)Hyperion的土壤全氮和全磷含量估算精度均高于多光譜數(shù)據(jù)TM,模擬Hyperion的估算精度更接近于實(shí)測(cè)光譜的估算精度。而且,PLSR建模方法的估算精度高于對(duì)應(yīng)SMLR的估算精度,進(jìn)一步證實(shí)了bootstrap PLSR建模方法對(duì)研究區(qū)濕地土壤全氮和全磷含量估算的適用性。類似于實(shí)測(cè)光譜數(shù)據(jù)的估算結(jié)果,在建模樣本和檢驗(yàn)樣本中,模擬Hyperion和TM對(duì)濕地土壤全氮含量的估算精度普遍高于對(duì)應(yīng)土壤全磷含量的估算精度。

表4基于bootstrap SMLR的模擬光譜數(shù)據(jù)估算濕地土壤全氮和全磷含量結(jié)果

Table 4The results of estimated total nitrogen and total phosphorous content for wetland soils using simulated spectral data based on bootstrap SMLR

營(yíng)養(yǎng)元素Nutritionelements光譜數(shù)據(jù)Spectraldata入選波段/nmChosenbands/nm建模樣本Modelingsamples檢驗(yàn)樣本ValidationsamplesR2RMSER2RMSE全氮Totalnitrogen模擬TMB2 B4 B70.5490.3090.4960.341模擬HyperionB24 B45 B57 B182 B194 B2120.5980.2850.5170.326全磷Totalphosphor-ous模擬TMB2 B3 B4 B5 B70.4010.2060.3880.209模擬HyperionB23 B38 B56 B99 B155 B1950.4340.1970.4110.204

基于bootstrap SMLR建模方法的模擬光譜數(shù)據(jù)估算濕地土壤全氮和全磷含量,從入選的波段來(lái)看(表4),模擬光譜數(shù)據(jù)(包括高光譜數(shù)據(jù)Hyperion和多光譜數(shù)據(jù)TM)入選波段與原光譜數(shù)據(jù)入選波段非常接近。對(duì)濕地土壤全氮含量的估算,模擬Hyperion和TM光譜數(shù)據(jù)的入選波段,均包括可見(jiàn)光、近紅外和SWIR波段。相比之下,對(duì)濕地土壤全磷含量的估算,模擬TM光譜數(shù)據(jù)的入選波段增加了紅光和SWIR- 1波段。

表5基于bootstrap PLSR的模擬光譜數(shù)據(jù)估算濕地土壤全氮和全磷含量結(jié)果

Table 5The results of estimated total nitrogen and total phosphorous content for wetland soils using simulated spectral data based on bootstrap PLSR

營(yíng)養(yǎng)元素Nutritionelements光譜數(shù)據(jù)Spectraldata成分個(gè)數(shù)Componentnumbers建模樣本Modelingsamples檢驗(yàn)樣本ValidationsamplesR2RMSER2RMSE全氮Totalnitrogen模擬TM20.6240.2680.6150.271模擬Hyperion50.6690.2490.6640.260全磷Totalphosphor-ous模擬TM30.4710.1870.5030.185模擬Hyperion50.5160.1840.5580.164

圖3　基于實(shí)測(cè)光譜、模擬TM和Hyperion數(shù)據(jù)的濕地土壤全氮和全磷含量估算值與測(cè)量值比較Fig.3　Estimated versus measured total nitrogen and total phosphorous content for wetland soils based on measured spectrums, simulated TM and Hyperion data

高光譜數(shù)據(jù)可以非常細(xì)致地反映地物的波譜特征,為濕地土壤生化組分研究提供了連續(xù)的細(xì)分光譜數(shù)據(jù)。高光譜數(shù)據(jù)Hyperion和多光譜數(shù)據(jù)TM相比較,光譜分辨率有了較大的提高。在可見(jiàn)光、近紅外和SWIR光譜范圍,TM設(shè)置了6個(gè)波段,而Hyperion具有198個(gè)有效波段。光譜分辨率的提高,特別是近紅外和SWIR波譜范圍內(nèi)光譜分辨率的提高,有利于Hyperion應(yīng)用于反演濕地土壤全氮和全磷含量時(shí)精度的提高。另外,Hyperion相比于TM,具有更高的信噪比(SNR)和輻射分辨率,Hyperion的SNR和輻射分辨率值分別為190和16 bit,而TM為50和8 bit。因此,Hyperion較TM包含的信息量更大,其對(duì)濕地土壤全氮和全磷組分的估算能力也較強(qiáng)。

圖4顯示了基于實(shí)測(cè)光譜、模擬Hyperion和TM光譜反射率數(shù)據(jù),PLSR建模時(shí)對(duì)應(yīng)的回歸系數(shù)。為了較為直觀地對(duì)比各回歸系數(shù)曲線,圖4中采用了利于對(duì)比曲線形狀的堆疊方式,因此沒(méi)有標(biāo)注Y軸坐標(biāo)?；貧w系數(shù)表示了自變量對(duì)因變量的影響程度。其值越大,表示自變量對(duì)因變量的影響越大。圖4表明,對(duì)濕地土壤全氮或全磷含量的估算中,基于3種光譜數(shù)據(jù)的各回歸系數(shù)曲線變化趨勢(shì)較為相似,模擬Hyperion光譜與實(shí)測(cè)光譜的回歸系數(shù)曲線相似性更高。這是由于模擬Hyperion數(shù)據(jù)具有更高的光譜分辨率。

圖4　濕地土壤全氮和全磷含量估算的PLSR回歸系數(shù)Fig.4　PLSR coefficients of estimating total nitrogen and total phosphorous content for wetland soils

5　結(jié)論

本文的主要研究結(jié)論包括：

(1)對(duì)研究區(qū)濕地土壤全氮和全磷含量的估算,相比于bootstrap SMLR建模方法,bootstrap PLSR建模方法的估算精度較高。對(duì)盤錦濕地土壤全氮含量的估算,最高估算精度產(chǎn)生于CR光譜變換技術(shù)結(jié)合bootstrap PLSR建模;對(duì)濕地土壤全磷含量的估算,最高估算精度產(chǎn)生于原光譜數(shù)據(jù)(R)結(jié)合bootstrap PLSR建模。因此,bootstrap PLSR建模方法適用于本文研究主題的高光譜遙感估算。

(2)在本研究中,對(duì)濕地土壤全磷含量的估算中,基于bootstrap PLSR的R光譜數(shù)據(jù)的檢驗(yàn)樣本估算精度達(dá)到了最高。除此之外,對(duì)比于CR、FD和LR光譜變換技術(shù),R光譜的對(duì)應(yīng)估算精度并不是最高的。因此,一些光譜變換技術(shù)可以用來(lái)提高對(duì)濕地土壤養(yǎng)分含量的估算精度,但其適用條件還需要進(jìn)一步研究。

(3)模擬高光譜數(shù)據(jù)Hyperion對(duì)濕地土壤全氮和全磷含量的估算精度均高于模擬多光譜數(shù)據(jù)TM,模擬Hyperion的估算精度更接近于實(shí)測(cè)光譜的估算精度,從而證明了高光譜數(shù)據(jù)對(duì)濕地土壤全氮和全磷組分的較強(qiáng)估算能力。

濕地土壤的組分變化和土壤源的可持續(xù)性對(duì)于濕地生態(tài)系統(tǒng)具有重要的影響作用。因此,了解濕地土壤生化特性(包括土壤全氮、全磷含量以及它們與其它生態(tài)特性的關(guān)系)的空間分布和變化,對(duì)濕地生態(tài)系統(tǒng)評(píng)估、恢復(fù)和管理具有重要的意義。

[1]Wang W, Sardans J, Zeng C, Zhong C, Li Y, Peuelas J. Responses of soil nutrient concentrations and stoichiometry to different human land uses in a subtropical tidal wetland. Geoderma, 2014, 232- 234: 459- 470.

[2]Susan Newman, Paul V McCormick, Shi Li Miao, James A Laing, W Chad Kennedy, Mary B O′Dell. The effect of phosphorus enrichment on the nutrient status of a northern Everglades slough. Wetlands Ecology and Management, 2004, 12(2): 63- 79.

[3]Alongi D, Trott L, Wattayakorn G, Clough B. Below-ground nitrogen cycling in relation to net canopy production in mangrove forests of southern Thailand. Marine Biology, 2002, 140(4): 855- 864.

[4]王維奇, 徐玲琳, 曾從盛, 仝川, 張林海. 河口濕地植物活體-枯落物-土壤的碳氮磷生態(tài)化學(xué)計(jì)量特征. 生態(tài)學(xué)報(bào), 2011, 31(23): 7119- 7124.

[5]Cécile Gomez, Raphael A Viscarra Rossel, Alex B McBratney. Soil organic carbon prediction by hyperspectral remote sensing and field vis-NIR spectroscopy: an Australian case study. Geoderma, 2008, 146(3/4): 403- 411.

[6]丁建麗, 姚遠(yuǎn), 王飛. 干旱區(qū)土壤鹽漬化特征空間建模. 生態(tài)學(xué)報(bào), 2014, 34(16): 4620- 4631.

[7]史舟, 王乾龍, 彭杰, 紀(jì)文君, 劉煥軍, 李曦, Raphael A Viscarra Rossel. 中國(guó)主要土壤高光譜反射特性分類與有機(jī)質(zhì)光譜預(yù)測(cè)模型. 中國(guó)科學(xué): 地球科學(xué), 2014, 44(5): 978- 988.

[8]王璐, 藺啟忠, 賈東, 石火生, 黃秀華. 多光譜數(shù)據(jù)定量反演土壤營(yíng)養(yǎng)元素含量可行性分析. 環(huán)境科學(xué), 2007, 28(8): 1822- 1828.

[9]Cozzolino D, Morón A. Potential of near-infrared reflectance spectroscopy and chemometrics to predict soil organic carbon fractions. Soil and Tillage Research, 2006, 85(1/2): 78- 85.

[10]Ben-Dor E, Patkin K, Banin A, Karnieli A. Mapping of several soil properties using DAIS- 7915 hyperspectral scanner data - a case study over clayey soils in Israel. International Journal of Remote Sensing, 2002, 23(6): 1043- 1062.

[11]Naveen J P Anne, Amr H Abd-Elrahman, David B Lewis, Nicole A Hewitt. Modeling soil parameters using hyperspectral image reflectance in subtropical coastal wetlands. International Journal of Applied Earth Observation and Geoinformation, 2014, 33: 47- 56.

[12]白軍紅, 歐陽(yáng)華, 鄧偉, 周才平, 王慶改. 向海沼澤濕地土壤氮素的空間分布格局. 地理研究, 2004, 23(5): 614- 622.

[13]Grunwald S, Reddy K R, Newman S, DeBusk W F. Spatial variability, distribution and uncertainty assessment of soil phosphorus in a south Florida wetland. Environmetrics, 2004, 15(8): 811- 825.

[14]肖篤寧, 胡遠(yuǎn)滿, 李秀珍. 環(huán)渤海三角洲濕地的景觀生態(tài)學(xué)研究. 北京: 科學(xué)出版社, 2001: 34- 78.

[15]王惠文, 吳載斌, 孟潔. 偏最小二乘回歸的線性與非線性方法. 北京: 國(guó)防工業(yè)出版社, 2006: 267- 274.

[16]Roger N Clark, Ted L Roush. Reflectance spectroscopy: quantitative analysis techniques for remote sensing applications. Journal of Geophysical Research, 1984, 89(B7): 6329- 6340.

[17]牛錚, 陳永華, 隋洪智, 張慶員, 趙春江. 葉片化學(xué)組分成像光譜遙感探測(cè)機(jī)理分析. 遙感學(xué)報(bào), 2000, 4(2): 125- 130.

[18]Grossman Y L, Ustin S L, Jacquemoud S, Sanderson E W, Schmuck G, Verdebout J. Critique of stepwise multiple linear regression for the extraction of leaf biochemistry information from leaf reflectance data. Remote Sensing of Environment, 1996, 56(3): 182- 193.

[19]R A Viscarra Rossel. Robust modelling of soil diffuse reflectance spectra by “bagging-partial least squares regression”. Journal of Near Infrared Spectroscopy, 2007, 15(1): 39- 47.

[20]高燈州, 陳桂香, 章文龍, 顏燕燕, 曾從盛. 基于改進(jìn)OII的濕地土壤有機(jī)質(zhì)高光譜反演. 實(shí)驗(yàn)室研究與探索, 2014, 33(6): 19- 24.

[21]徐永明, 藺啟忠, 黃秀華, 沈艷, 王璐. 利用可見(jiàn)光/近紅外反射光譜估算土壤總氮含量的實(shí)驗(yàn)研究. 地理與地理信息科學(xué), 2005, 21(1): 19- 22.

[22]王莉雯, 衛(wèi)亞星. 植被氮素濃度高光譜遙感反演研究進(jìn)展. 光譜學(xué)與光譜分析, 2013, 33(10): 2823- 2827.

Estimating the total nitrogen and total phosphorus content of wetland soils using hyperspectral models

WANG Liwen1,2,3,*, WEI Yaxing1,2,3

1CenterforStudiesofMarineEconomyandSustainableDevelopment,LiaoningNormalUniversity,Dalian116029,China2LiaoningKeyLaboratoryofPhysicalGeographyandGeomatics,LiaoningNormalUniversity,Dalian116029,China3CollegeofUrbanandEnvironmentalScience,LiaoningNormalUniversity,Dalian116029,China

Nitrogen and phosphorus in wetland soils are important limiting nutrients for plant growth, maximum photosynthetic rate and capacity, and net primary productivity. They have been found to be significantly involved in the estuarine eutrophication and environmental purification of wetland ecosystem. The research may be focused on distributing and changing characteristics of nitrogen and phosphorus in wetland soils. It is important for the evaluation, restoration, and management of wetland ecosystems. Our study area is located in the Panjin wetland (40°45′—41°10′N, 121°45′—122°00′E), which is a part of the Shuangtaihekou National Nature Reserve Administration. Panjin wetland is the largest coastal reed wetland situated in the high-latitude areas of China. The laboratory measurements of total nitrogen, total phosphorus, and spectral reflectance for surface soil samples had been conducted. Different modeling methods, such as bootstrap stepwise multiple linear regression (SMLR), bootstrap partial least square regression (PLSR), and spectral transformation techniques, such as continuum removal (CR), first difference derivative (FD), and log transformed spectra (LR), were used to develop the estimation models of total nitrogen and total phosphorous in wetland soils. Based on the simulated hyperspectral Hyperion data and multispectral Thematic Mapper (TM) data of the wetland soils, soil nitrogen and phosphorous contents were estimated, respectively. Subsequently, the estimated accuracies of the developed models were compared, and thus, the ability and suitability of estimating nitrogen and phosphorous components in wetland soils using hyperspectral technologies were explored. The results indicated that bootstrap PLSR achieved higher accuracies of estimating the total nitrogen and total phosphorous content of wetland soils in the study area than did bootstrap SMLR. The spectral transformed technique of CR used in combination with the modeling method of bootstrap PLSR yielded the highest estimation accuracy for the prediction of the total nitrogen content of soils collected from Panjin wetland. The original spectral data combined with bootstrap PLSR produced the highest estimation accuracy to predict the total phosphorous content in wetland soils. Simulated hyperspectral Hyperion data attained higher accuracies of estimating total nitrogen and total phosphorous in wetland soils compared to simulated multispectral TM data. The estimation accuracies of the simulated Hyperion were closer to those of the measured spectra. The estimation accuracy of the total nitrogen content achieved from the measured spectra, simulated hyperspectral Hyperion, and multispectral TM were all higher than those of the total phosphorous content of the same soils.

hyperspectral remote sensing; wetland soils; total nitrogen; total phosphorous; bootstrap PLSR

國(guó)家自然科學(xué)基金項(xiàng)目(41271421);教育部人文社會(huì)科學(xué)研究規(guī)劃基金項(xiàng)目(14YJA630064)

2015- 01- 23; 網(wǎng)絡(luò)出版日期:2015- 11- 30

Corresponding author.E-mail: wlw9585@163.com

10.5846/stxb201501230186

王莉雯,衛(wèi)亞星.濕地土壤全氮和全磷含量高光譜模型研究.生態(tài)學(xué)報(bào),2016,36(16):5116- 5125.

Wang L W, Wei Y X.Estimating the total nitrogen and total phosphorus content of wetland soils using hyperspectral models.Acta Ecologica Sinica,2016,36(16):5116- 5125.