文章信息
- 章文龙, 曾从盛, 高灯州, 陈晓艳, 林伟
- ZHANG Wenlong, ZENG Congsheng, GAO Dengzhou, CHEN Xiaoyan, LIN Wei
- 闽江河口湿地土壤全磷高光谱遥感估算
- Estimating the soil total phosphorus content based on hyper-spectral remote sensing data in the Min River estuarine wetland
- 生态学报, 2015, 35(24): 8085-8093
- Acta Ecologica Sinica, 2015, 35(24): 8085-8093
- http://dx.doi.org/10.5846/stxb201406241303
-
文章历史
- 收稿日期: 2014-06-24
- 网络出版日期: 2015-05-21
2. 福建师范大学亚热带湿地研究中心, 福州 350007;
3. 湿润亚热带生态地理过程教育部重点实验室, 福州 350007
2. Research Center of Wetlands in Subtropical Region, Fuzhou 350007, China;
3. Key Laboratory of Humid Subtropical Eco-geographical Process (Fujian Normal University), Ministry of Education, Fuzhou 350007, China
磷作为重要生源要素,对生物的生长起到重要的影响,同时其也是重要的污染物质之一。河口湿地土壤是磷的重要源、汇及转化器[1],在调节磷素循环方面发挥中重要的作用。以往土壤磷素的测定方法主要为化学方法,高光谱遥感技术的出现为土壤养分的快速和无损测定提供了新的方法。利用高光谱遥感手段实现湿地土壤全磷(TP)含量快速检测对实现生态系统的科学管理具有重要意义。
目前,已有较多学者对土壤有机质[2, 3]和全氮[4]含量高光谱遥感估算进行了大量的研究。磷作为土壤另外一个重要组分,也有部分学者尝试利用高光谱数据,基于光谱指数,采用回归分析、偏最小二乘法和神经网络模型等手段对陆地生态系统土壤TP和速效磷进行估算。研究结果表明利用高光谱手段估算陆地生态系统土壤TP和速效磷是可行的,但不同类型土壤的敏感波段以及模型的估算精度不尽一致[5, 6, 7, 8, 9, 10, 11],还有待进一步开展大量相关研究。湿地是介于陆地和水生生态系统之间的一种独特的生态系统;河口则是一种特殊的湿地,其在潮汐作用下,氧化还原交替,使得土壤也表现出独特的性质。遗憾的是,目前关于河口湿地土壤TP含量的高光谱估算还未见报道。基于此,以亚热带闽江河口为研究区,采集不同潮滩土壤样本,室内测定其反射光谱,尝试利用高光谱遥感数据建立湿地土壤TP含量的估算模型,通过这一研究以期拓展对湿地土壤TP含量高光谱遥感估算可行性和精度的认识。
1 研究区概况与研究方法 1.1 研究区概况闽江河口湿地国家自然保护区是中国东南沿海典型的亚热带河口湿地之一(图 1)。其气候属亚热带季风气候,暖热湿润,年均气温为19.3 ℃,年平均降水量1350 mm左右,年均降水日数为153 d[12]。土壤为滨海盐土和沙土,其粒径以粉砂为主(60%以上)。土壤pH值呈偏酸性到中性。区内潮汐属正规半日潮。土著植被主要有芦苇(Phragmites australis)、短叶茳芏(Cyperus malaccensis)和藨草(Scirpus triqueter),其中芦苇主要分布于中高潮滩,短叶茳芏主要分布于中低潮滩[13]。本世纪初,外来物种互花米草(Spartina alterniflora)入侵本区中低潮滩,2010年面积达到306.94 hm2[14]。
1.2 研究方法 1.2.1 样品采集潮汐是河口湿地最显著的特征之一,其对土壤磷的源和汇起到重要作用。为使得所采集的土壤样本具有代表性。于2013年5月在闽江口鳝鱼滩湿地选取典型潮滩,沿水文梯度设置样线(横跨高潮滩和中潮滩,图 1),采集16个样点(每2个样点间距20 m)。每个样点利用钢制土钻(长80 cm,直径10 cm)采集土壤样品,并进一步分割出不同深度(0—10 cm、10—20 cm、20—30 cm、30—40 cm和40—50 cm)土样。将所采集的土壤样品在室温条件下自然风干,过2 mm尼龙筛,并去除明显可见的根系。然后取一部分过2 mm筛土样,全部过0.149 mm筛,保存,待测。土壤有机质用浓H2SO4-K2Cr2O7外加热法测定。土壤TP含量采用浓H2SO4-HClO4消煮法测定[15];用1 mol/L的H2SO4振荡16 h浸提,然后将灼烧(550 ℃,1 h)与未灼烧的土样相减,作为有机磷(Org P)[16];无机磷(IP)的连续分级方法参考Chang and Jackson[17],将IP进一步分为铝吸附态磷(Al-P)、铁吸附态磷(Fe-P)、钙吸附态磷(Ca-P)和闭蓄态磷(O-P),每组实验同时做空白对照实验。不同形态磷在浸提后用连续流动分析仪(San++,荷兰)测定,每个样品做2个平行,误差小于5%。
1.2.2 土壤反射光谱测定土壤反射光谱利用美国ASD (Analytica Spectra Devices.,Inc)公司生产的FieldSpec2500进行测定。测量波段范围为350—2500 nm,其中在350—1000 nm光谱分辨率为3 nm,光谱间隔为1.4 nm;在1000—2500 nm光谱分辨率为10 nm,光谱间隔为2 nm。 利用BRDF系统建立相应的测试环境:探头垂直向下,视场角25°,距离土壤样品(0.149 mm)表面约为12 cm,光源使用光谱仪配套功率为50 W的卤素灯,入射天顶角设置为45°,入射方位角0°,观测天顶角0°。测定时,将土壤样品平铺(厚度约为0.5 cm,直径约为10 cm)放置于对采集波段接近全吸收的工作台上,测定其反射光谱,同时为确保测量精度,每次测定保存8条光谱,30 min进行一次白板校正。
1.2.3 统计分析使用ViewSpec软件中的Splice Correction修正功能对土壤反射光谱数据进行修正;使用均值平滑对光谱进行平滑处理;利用SPSS 17.0计算土壤TP含量和反射光谱,TP含量和光谱指数之间的相关关系,并基于回归分析法建立估算和验证模型;利用Surfer 8.0 和Origin 8.0作图。在80个样本中随机挑选出12个样本作为验证模型样本,剩余68个样本作为估算模型样本。用SPSS 17.0中Descriptive statistics模块对估算和验证模型样本的TP含量分布进行检验,检验结果如表 1所示。表 1表明估算和验证模型样本均通过随机分布检验。
模型Model | 样本数 n | 最小值/(g/kg) Minimum | 最大值/(g/kg) Maximum | 均值/(g/kg) Mean | 标准差/(g/kg) Standard deviation | PShapiro-Wilk |
估算Estimation | 68 | 0.38 | 0.91 | 0.66 | 0.116 | 0.484 |
验证Validation | 12 | 0.57 | 0.81 | 0.67 | 0.067 | 0.565 |
光谱指数被认为是估算土壤养分信息的重要手段之一,其不仅简单便于应用,而且与原始反射光谱(R)相比,可一定程度降低噪声,提高估算的稳定性。本研究中,土壤TP含量与R在350—600 nm呈负相关,在600—2500 nm呈正相关(图 3),这与植物生物量和归一化植被指数(NDVI)和简单比植被指数(SR)的关系相似。因此,考虑构建简单比值土壤指数(RSI)和归一化差值土壤指数(NDSI)作为土壤TP含量的估算参数。此外,土壤TP含量估算的机理可能同有机质的存在相似之处。因此,进一步选取土壤有机质诊断指数(OII)作为其估算参数。各估算参数的定义如表 2。
参数 Parameters | 定义 Definition | 文献 References |
Rλ | 在波段λ处的土壤反射光谱 | —— |
RSI(Ri,Rj) | RSI=Rj/Ri | 本文 |
NDSI(Ri,Rj) | NDSI=(Rj-Ri)/(Ri+Rj) | 本文 |
OII(Rλ) | OII(Rλ)=Rλ/R 450—750 | [3] |
R:土壤原始光谱反射率original spectral reflectance; RSI:简单比值土壤指数simple ratio soil index; NDSI:归一化差值土壤指数normalized difference soil index; OII:有机质诊断指数organic matter diagnosis index |
为衡量各参数的估算精度,分别选取均方根误差(RMSE)和决定系数(r2)作为评价指标。在样本数相同的条件下,一般认为r2越大,RMSE越小,估算精度越高。RMSE计算公式如公式(1)。
闽江河口湿地土壤反射率在350—800 nm上升较快,在800 nm以后反射率趋于平稳,并在1380、1880 nm和2200 nm 附近出现吸收谷(图 2)。此外,为对比不同深度土壤光谱特征,分别计算不同深度土壤反射率的平均值(图 2)。图 2表明,在350—580 nm处,越深的土壤,其反射率越大;在580—2500 nm则与之相反。
2.2 土壤TP含量估算的最佳波段选取 2.2.1 基于R和OII土壤TP含量估算的最佳波段选取闽江河口湿地土壤TP含量与R在350—600 nm呈负相关,在600—2500 nm呈正相关,相关系数在406 nm处达到最大,最大值为-0.816(图 2)。不同波段反射率计算的OII与TP含量的相关系数在350—2500 nm范围内存在两个极值,一个在446 nm,一个在634 nm,值分别为-0.843和0.798(图 2)。因此,考虑OII(R446)作为土壤TP含量的估算参数。
2.2.2 基于NDSI和RSI土壤TP含量估算的最佳波段选取图 3a表明,在1000 nm以后,土壤TP含量与R的相关系数较小,且噪音较大。因此,选取350—1000 nm内的波段作为NDSI和RSI的计算波段。任意两个波段组合计算所得的NDSI与土壤TP含量,RSI与土壤TP含量的相关系数分布如图 4所示。由图 4可以看出NDSI和RSI与土壤TP含量的相关系数分布大致相似。相关系数较高的波段组合主要集中在3个区域。一是420—440 nm与 590—1000 nm的波段组合,最佳估算参数分别为NDSI(R430,R830)和RSI(R430,R830),最大相关系数均为0.835。二是460—470 nm与590—1000 nm的波段组合,最佳估算参数分别为NDSI(R460,R830)和RSI(R460,R810),最大相关系数分别为-0.813和-0.812。另一个是550—590 nm内波段组合,最佳估算参数分别为NDSI(R560,R580)和RSI(R560,R580),相关系数均为0.832。此外,对比图 4进一步表明,对NDSI而言,各波段组合估算精度是对称的,RSI则不是完全对称。
2.3 土壤TP含量估算模型构建与验证基于选取的光谱指数分别建立高、中和整个潮滩样本土壤TP含量估算与验证模型,结果如表 3所示。表 3表明所选取的光谱指数均能较好的用于不同潮滩及整个潮滩样本TP含量的估算(估算与验证模型均通过了置信水平为0.05的检验)。进一步比较同一指数对不同潮滩样本TP含量的估算精度发现,将高潮滩和中潮滩样本分开,分别建立估算模型,能够提高部分光谱指数(如RSI(R430,R830)、RSI(R460,R810)和NDSI(R430,R830))的估算精度,而对其他指数的估算精度影响不大。因此,除部分指数外,可以考虑用整个潮滩样本建立TP含量估算与验证模型。本研究中,整个潮滩样本TP含量估算模型r2和RMSE分别在0.657—0.805和0.052—0.067之间;验证模型r2和RMSE分别在0.606—0.893和0.037—0.044之间。综合r2和RMSE表明,RSI(R430,R830)、NDSI(R430,R830)、RSI(R560,R580)、NDSI(R560,R580)和OII(R446)的估算精度略高于其他参数。
样本Sample | 估算模型Estimation model | 验证模型Validation Model | ||||
变量 Variable | 方程 Equation | r2 | 均方根误差 RMSE | r2 | 均方根误差 RMSE | |
高潮滩 | R406 | y =-10.054x+1.946 | 0.751* * | 0.070 | 0.946* * | 0.043 |
High tidal flat | RSI(R430,R830) | y=-3.281x+1.918 | 0.745* * | 0.071 | 0.709* | 0.058 |
(T=39,V=6) | RSI(R460,R810) | y=-3.117x+2.09 | 0.739* * | 0.071 | 0.793* * | 0.049 |
RSI(R560,R580) | y=-13.933x+13.659 | 0.72* * | 0.074 | 0.885* * | 0.048 | |
NDSI(R430,R830) | y=3.121x-0.734 | 0.74* * | 0.071 | 0.715* | 0.058 | |
NDSI(R460,R830) | y=3.33x-0.593 | 0.741* * | 0.071 | 0.808* * | 0.049 | |
NDSI(R560,R580) | y=25.983x-0.242 | 0.719* * | 0.074 | 0.885* * | 0.048 | |
OII(R446) | y=-3.132x+2.508 | 0.726* * | 0.073 | 0.662* | 0.056 | |
中潮滩 | R406 | y=-5.947x+1.414 | 0.318* * | 0.056 | 0.631* | 0.043 |
Middle tidal flat | RSI(R430,R830) | y=-2.552x+1.675 | 0.739* * | 0.035 | 0.684* | 0.058 |
(T=29,V=6) | RSI(R460,R810) | y=-2.462x+1.841 | 0.690* * | 0.038 | 0.826* * | 0.049 |
RSI(R560,R580) | y=-12.746x+12.571 | 0.604* * | 0.043 | 0.912* * | 0.048 | |
NDSI(R430,R830) | y=2.484x-0.411 | 0.740* * | 0.035 | 0.689* | 0.058 | |
NDSI(R460,R830) | y=2.677x-0.293 | 0.682* * | 0.038 | 0.826* * | 0.049 | |
NDSI(R560,R580) | y=23.805x-0.146 | 0.603* * | 0.043 | 0.912* * | 0.048 | |
OII(R446) | y=-2.535x+2.176 | 0.720* | 0.036 | 0.65 | 0.056 | |
全部 | R406 | y=-9.302x+1.846 | 0.665* * | 0.066 | 0.833* * | 0.044 |
Total | RSI(R430,R830) | y=-2.967x+1.816 | 0.702* * | 0.063 | 0.701* * | 0.042 |
(T=68,V=12) | RSI(R460,R810) | y=-2.706x+1.925 | 0.66* * | 0.067 | 0.768* * | 0.038 |
RSI(R560,R580) | y=-13.583x+13.342 | 0.694* * | 0.063 | 0.893* * | 0.037 | |
NDSI(R430,R830) | y=2.829x-0.585 | 0.698* * | 0.063 | 0.705* * | 0.042 | |
NDSI(R460,R830) | y=2.885x-0.401 | 0.657* * | 0.067 | 0.776* * | 0.038 | |
NDSI(R560,R580) | y=25.326x-0.210 | 0.692* * | 0.064 | 0.893* * | 0.037 | |
OII(R446) | y=-2.965x+2.420 | 0.712* * | 0.062 | 0.639* * | 0.041 | |
*P<0.05, **P<0.01,T:建模样本数,V:验证样本数 |
为进一步验证各光谱指数对土壤TP含量的估算效果,以RSI(R430,R830)、RSI(R560,R580)和OII(R446)为例,绘制其估算模型和验证模型散点图(整个潮滩),结果如图 5所示。图 5表明,所选取的参数均能较好的估算土壤TP含量。与其他估算参数相比,RSI(R430,R830)的散点分布较为特殊,存在一些较为离散的样本(TP含量估算值比实测值偏高),并且这些样本主要来自高潮滩20 cm以下样本。
3 讨论 3.1 湿地土壤TP含量高光谱遥感估算机理为探讨河口湿地土壤TP含量的高光谱遥感估算机理,将土壤TP含量与有机质含量做相关分析(图 6a)。从整个潮滩样本来看,TP含量与有机质含量存在极显著相关(r2=0.254,n=80,P<0.01),但高潮滩和中潮滩样本两者之间关系存在一定差异。高潮滩样本TP和有机质含量变幅较大,且两者相关性较高(r2=0.505,n=45,P<0.01);中潮滩TP和有机质含量变幅减小,两者相关性也相应减弱(r2=0.027,n=35,P>0.05)。而表 3表明,基于光谱指数分别建立高潮滩和中潮滩土壤TP含量估算模型是可行的。由此可知,湿地土壤TP含量的高光谱遥感估算的机理与有机质的存在一定的相似之处,但并不完全与之一致。湿地氧化还原环境的空间变化可能是影响土壤TP含量高光谱遥感估算精度的另外一个重要因素。徐金鸿等[18]指出,氧化铁能强烈吸收太阳能,当氧化铁含量较高时,其光谱反射率则越低。Luo等[19]对闽江河口沿潮滩铁分级特征进行研究指出,从高潮滩到中潮滩铁的分布存在明显的分带,随深度增加或者从高潮滩到中潮滩,土壤氧化铁含量具有显著降低的变化趋势。在此条件下,表层土壤与底层土壤相比,其光谱反射率较低;而土壤TP含量则随深度增加而降低,从而使得土壤TP含量与反射光谱之前呈负相关关系。本研究虽然没有直接测定土壤氧化还原条件,但Fe-P的含量可以一定程度表征土壤的氧化还原环境。图 6表明,Fe-P含量较其它形态磷在可见光波段具有较高的相关系数,这也间接证明了氧化还原环境变化是估算河口湿地土壤TP含量的重要机制。此外,土壤TP含量的高光谱遥感估算还与磷素的组成密切相关(图 6)。当Fe-P、Org-P和O-P比重较高时,湿地土壤TP含量的估算具有较高的精度;当Ca-P和Al-P比重较大时,则估算精度将会有所降低。
3.2 湿地土壤TP含量高光谱遥感估算敏感波段及估算精度闽江河口湿地土壤TP含量与R在350—600 nm呈负相关,在600—2500 nm呈正相关,相关系数在360—560 nm较高(图 3a)。这一研究结果与张娟娟[6]对中国中、东部地区5种不同类型土壤TP含量与反射光谱的相关关系(在350—400 nm正相关,其它波段负相关)不一致;同时这也与徐丽华等[5]对紫色土进行研究的结果也不一致。产生这种差异可能是因为不同土壤类型TP含量估算的机理及影响因素不同。与陆地生态系统土壤相比,湿地土壤尤为特殊,其土壤随深度的变化,氧化还原环境随之发生明显变化,有机质含量也发生相应变化,这为TP的估算提供重要的机制。另一方面,闽江口位于亚热带区域,水热条件比较好,岩石受强烈风化,铁铝矿物相对富集,Fe-P是土壤TP的重要组分;Fe-P对氧化环境的变化较为敏感,从而为湿地土壤TP估算提供重要估算机理。与本研究相比,中国中、东部地区以及紫色土土壤,磷可能主要来源于土壤矿物的风化;同时这些土壤的氧化与还原环境变化不如湿地的明显。在此背景下,其土壤TP含量估算的敏感波段与精度与湿地土壤的有所不同。进一步将本研究中土壤TP含量的估算精度与其他生态系统土壤的比较,表明闽江口湿地土壤TP含量高光谱反演精度要优于已有报道中一些陆地生态系统土壤TP含量的估算精度[6, 20]。这也预示着,基于高光谱手段对河口湿地土壤TP含量进行反演具有一定的可行性。
此外,本研究还发现基于RSI(R430,R830)估算土壤TP含量时存在一些较为离散的样本,这些样本主要为高潮滩20 cm以下样本。这可能同这些样本有机质含量较同一深度其它土壤低有关。一般而言,土壤有机质含量较低,可见光反射率则较高,近红外波段反射率则较低[6],从而造成近红外与可见光比值偏低,而RSI(R430,R830)又与土壤TP含量呈负相关关系,最终导致估算值比实测值偏高。
4 结论通过选取常用估算参数,确定其最佳估算波段,构建闽江口湿地土壤TP含量估算模型,并同已有相关研究进行比较,得到以下几点结论:
(1)闽江河口湿地土壤TP含量与R存在较好的相关性,相关系数较高的区域在360—560 nm;但这些敏感波段与已有报道中陆地生态系统土壤的敏感波段不尽一致。
(2)光谱指数R406、RSI(R430,R830)、RSI(R460,R810)、RSI(R560,R580)、NDSI(R430,R830)、NDSI(R460,R830)、NDSI(R560,R580)和OII(R446)均能较好的估算闽江口湿地土壤TP含量,且分潮滩建立模型可以提高部分光谱指数的估算精度。
(3)湿地土壤TP含量和有机质含量,TP含量和氧化还原环境存在密切关系可能是估算湿地土壤TP含量的重要机理。
(4)湿地土壤TP含量的高光谱遥感估算的精度与其自身磷素的组成密切相关。
[1] | 仝川, 贾瑞霞, 王维奇, 曾从盛. 闽江口潮汐盐沼湿地土壤碳氮磷的空间变化. 地理研究, 2010, 29(7): 1203-1213. |
[2] | 徐明星, 周生路, 丁卫, 吴绍华, 吴巍. 苏北沿海滩涂地区土壤有机质含量的高光谱预测. 农业工程学报, 2011, 27(2): 219-223. |
[3] | 贺军亮, 蒋建军, 周生路, 徐军, 蔡海良, 张春耀. 土壤有机质含量的高光谱特性及其反演. 中国农业科学, 2007, 40(3): 638-643. |
[4] | 彭杰, 向红英, 周清, 王家强, 柳维扬, 迟春明, 庞新安. 不同类型土壤全氮含量的高光谱预测研究. 中国农学通报, 2013, 29(9): 105-111. |
[5] | 徐丽华, 谢德体, 魏朝富, 李兵. 紫色土土壤全氮和全磷含量的高光谱遥感预测. 光谱学与光谱分析, 2013, 33(3): 723-727. |
[6] | 张娟娟. 土壤养分信息的光谱估测研究[D]. 南京: 南京农业大学, 2009. |
[7] | 袁石林, 马天云, 宋韬, 何勇, 鲍一丹. 土壤中总氮与总磷含量的近红外光谱实时检测方法. 农业机械学报, 2009, 40(Z1): 150-153. |
[8] | Bogrekci I, Lee W S. Comparison of ultraviolet, visible, and near infrared sensing for soil phosphorus. Biosystems Engineering, 2007, 96(2): 293-299. |
[9] | Bogrekci I, Lee W S, Herrera J. Assessment of P-concentrations in the Lake Okeechobee drainage basins with spectroscopic reflectance of VIS and NIR. 2003 ASAE Annual Meeting, 2003. |
[10] | 高会, 陈红艳, 刘慧涛, 谭莉梅, 刘金铜. 基于高光谱的鲁西北平原土壤有效磷含量快速检测研究. 中国生态农业学报, 2013, 21(6): 752-757. |
[11] | 王昶, 黄驰超, 余光辉, 冉炜, 沈其荣. 近红外光谱结合偏最小二乘法快速评估土壤质量. 土壤学报, 2013, 50(5): 881-890. |
[12] | Tong C, Wang W Q, Zeng C S, Marrs R. Methane (CH4) emission from a tidal marsh in the Min River estuary, southeast Chin. Journal of Environmental Science and Health, Part A: Toxic/Hazardous Substances and Environmental Engineering, 2010, 45(4): 506-516. |
[13] | 刘剑秋. 闽江河口湿地研究. 北京: 科学出版社, 2006. |
[14] | Zhang W L, Zeng C S, Tong C, Zhang Z C, Huang J F. Analysis of the expanding process of the spartina alterniflora salt marsh in Shanyutan wetland, Minjiang River Estuary by remote sensing. Procedia Environmental Sciences, 2011, 10: 2472-2477. |
[15] | Parkinson J A, Allen S E. A wet oxidation procedure suitable for the determination of nitrogen and mineral nutrients in biological material. Communications in Soil Science and Plant Analysis, 1975, 6(1): 1-11. |
[16] | Walker T W, Adams A F R. Studies on soil organic matter: I. Influence of phosphorus content of parent materials on accumulations of carbon, nitrogen, sulfur, and organic phosphorus in grassland soils. Soil Science, 1958, 85(6): 307-318. |
[17] | Chang S C, Jackson M L. Fractionation of soil phosphorus. Soil Science, 1957, 84(2): 133-144. |
[18] | 徐金鸿, 徐瑞松, 夏斌, 朱照宇. 土壤遥感监测研究进展. 水土保持研究, 2006, 13(2): 17-20. |
[19] | Luo M, Zeng C S, Tong C, Huang J F, Yu Q, Guo Y B, Wang S H. Abundance and speciation of iron across a subtropical tidal marsh of the Min River Estuary in the East China Sea. Applied Geochemistry, 2014, 45: 1-13. |
[20] | 陈鹏飞, 刘良云, 王纪华, 沈涛, 陆安祥, 赵春江. 近红外光谱技术实时测定土壤中总氮及磷含量的初步研究. 光谱学与光谱分析, 2008, 28(2): 295-298. |