利用模擬寬波段數據定量反演關中平原土壤有機質含量研究

王延倉， 安 健， 顧曉鶴， 金永濤， 宋玉彬， 趙子輝， 胡湛晗，陳 曦

(1.北華航天工業學院，河北廊坊 065000;2.河北省航天遙感信息處理與應用協同創新中心，河北廊坊 065000；3.電子科技大學光電信息學院，四川成都 611731;4.北京農業信息技術研究中心，北京 100097;5.農業部農業信息技術重點實驗室，北京 100097)

?

利用模擬寬波段數據定量反演關中平原土壤有機質含量研究

王延倉1，2， 安 健3， 顧曉鶴4，5*， 金永濤1，2， 宋玉彬1，2， 趙子輝1，2， 胡湛晗1，2，陳 曦1，2

(1.北華航天工業學院，河北廊坊 065000;2.河北省航天遙感信息處理與應用協同創新中心，河北廊坊 065000；3.電子科技大學光電信息學院，四川成都 611731;4.北京農業信息技術研究中心，北京 100097;5.農業部農業信息技術重點實驗室，北京 100097)

摘要[目的]以陜西楊凌示范區耕層土壤為對象，通過采集、測定耕層土壤的有機質含量，并結合野外相應高光譜數據和光譜響應函數，利用模擬寬波段數據估測土壤有機質含量。[方法]通過分析土壤有機質含量與光譜間的內在關系，篩選敏感波段，構建估測土壤有機質含量模型；以寬波段波段響應函數、土壤高光譜數據為基礎，通過模擬寬波段數據，構建估測土壤有機質含量模型；通過高光譜與模擬寬波段數據的對比分析，研究基于寬波段遙感數據定量估測土壤有機質含量的可行性。[結果]基于寬波段數據估測土壤有機質的精度相對較高。[結論]利用寬波段數據估測土壤土壤有機質含量具有可行性，2%并非利用光譜數據估測土壤有機質含量的下限。

關鍵詞有機質；寬波段；關中平原；偏最小二乘回歸法

土壤是農業生產順利開展的根本物質保障，主要由有機質、礦物質、空氣、水分等構成。土壤有機質含量(Soil Organic Matter，SOM)在改善土壤理化性質、保護環境、促進農業可持續發展方面有著重要作用[1]。遙感作為一種新型無損、快速、準確、客觀監測手段，為土壤有機質含量大尺度動態監測提供了新的思路。與傳統實地調查相比，遙感技術可規避傳統方法中費時、費力等不足，在土壤有機質含量監測中擁有廣闊的應用前景。因此，研究遙感技術監測土壤有機質含量的方法對土壤養分空間分布制圖、精準農業、農業可持續發展、及環境保護等具有重要現實與理論意義。

近年來，國內外學者針對遙感在土壤監測中的應用研究取得了一定的成果：土壤有機質的光譜響應區域集中在可見光～近紅外波段(400～1 000 nm)[2-4]，利用反射率的一階微分、對數一階微分變換[5]、弓曲差[6]、連續小波變換[7]、離散小波變換[8]等邊換方法是篩選有機質敏感波段的有效方法；采用神經網絡[9]、偏最小二乘法[10]、主成分分析法[11]、支持向量機法[12]等算法估測SOM均取得較高的估測精度；Toure等[13]利用航空高光數據對比利時南部農業區的耕地養分進行監測并取得滿意效果。Frazier等[14]應用TM數據監測華盛頓東部地區裸露古土壤，結果表明：與寬波段影像數據相比，非成像高光譜遙感數據在SOM估測研究中應用較多且估測精度較高。

國內外學者在利用遙感技術定量反演SOM領域投入較多資源，也取得了一定成果，但存在研究不平衡問題：針對SOM較高的土壤(如東北黑土)研究較多，而在SOM較低的土壤研究較少；利用地面高光譜數據估測SOM的研究較多，而基于寬波段數據的研究較少。筆者以陜西關中平原土壤為研究對象，探索寬波段遙感在定量反演SOM中的可行性，為后期研究提供一定的技術支撐。

1材料與方法

1.1土壤樣本采集、處理與分析以楊凌示范區為實驗區，區內輪作模式為小麥/玉米(一年兩熟制)，采集實驗區內耕層土壤樣品，樣點均勻分布于實驗區內，其空間分布情況見圖1。土樣采用5點混合法開展，采集耕層0至20 cm的土壤。完成土樣采集，置于陰涼、干燥、通風的環境內，自然風干后，將土壤進行研磨、過篩(60目)處理，并取足夠樣本用于測定土壤有機質含量。利用重鉻酸鉀容量法測量土樣有機質含量，樣品數為30個，樣品有機質含量的最大值為3.19%,最小值為1.29%,平均值為1.85%。

圖1　陜西楊凌示范區土壤樣點空間分布Fig.1　Spatial distribution of soil samples in Shaanxi Yangling demonstration area

1.2土壤樣本高光譜測量采用美國Analytical Spectral Device(ASD)公司的產品——便攜式地物波譜儀采集土壤光譜數據，波譜范圍為350～2 500 nm。采集土壤光譜時，地物波譜儀在350～1 000 nm和1 000～2 500 mm的初始光譜分辨率分別為1.4 nm和2 nm，輸出光譜為重采樣成1 nm的光譜數據。嚴格依照采集地物光譜的規范進行土壤光譜的采集。為確保土壤光譜數據具有較高的信噪比，選擇晴朗無云(或少云)天氣下開展，觀測時間為上午10時～下午3時。光譜測量前，先將光譜儀進行預熱，其次利用參考白板對光譜儀優化，同時采集參考白板的光譜數據，最后采集自然表面的土壤光譜數據。采集的初始光譜數據位輻射亮度，而非反射率，土壤的光譜數據為土壤輻射亮度與參考白板輻射亮度之比。

1.3光譜數處理

1.3.1光譜數據預處理。受外界風、氣溶膠、水分等不可控因素與ASD地物光譜儀器自身精度的制約，致使部分與土壤無關的噪聲存在于光譜數據內，特別是1 390和1 900 nm附近受大氣水分的影響產生大量噪聲，土壤光譜數據末端也存在大量噪聲，故刪除1 390、1 900 nm附近及末端光譜數據，并利用徐永明等[15]采用的低通濾波器——海明窗對土壤光譜進行平滑處理，旨在提高土壤光譜的信噪比，削弱噪聲產生的負面影響。

多源衛星遙感載荷在可見光～近紅外波段覆蓋范圍存在不同程度的重疊和差異，這為研究寬波段數據在SOM監測中的協同提供了條件。該研究利用多源衛星遙感載荷的光譜響應函數與野外高光譜數據進行模擬分析。利用多源衛星遙感載荷的波段響應函數見圖3，將處理后的光譜數據重采樣至可見光～近紅外處，其計算公式為：

(1)

式中,Ri為衛星遙感載荷i波段反射率;φi(λ)為衛星遙感載荷的i波段在波長為λ處的響應函數;r(λ)為土壤在波長為λ處的反射率。

圖2　衛星遙感載荷的波段響應函數Fig.2　Wave band response function of satellite remote sensing load

1.4構建模型與精度檢驗

1.4.1偏最小二乘模型。偏最小二乘回歸法(Partial Least Squares Regression，PLSR)是對普通最小二乘的一種改進，融合了多元線性回歸法、典型相關分析法、主成分分析法的功能于一身，能彌補最小二乘的一些缺點。PLSR主要用于解決構建多因變量與多自變量的模型，尤其是針對具有高度線性相關的各變量時更有效，其可有效地克服多變量間的共線性對于建模的影響。

1.4.2模型精度檢驗。該研究采用PLSR構建預測土壤有機質含量的模型，將土樣以2∶1比例隨機分為2組，其中以20個土樣數據構建模型，其余用于驗證模型的估測精度。模型精度采用均方根誤差(RMSE)和預測值與實測值的相關系數R進行綜合評價，其中RMSE可計算公式為：

(1)

2結果與分析

2.1土壤的光譜特性土壤的野外高光譜曲線見圖3。由圖2可知，各土壤光譜曲線的整體形態具有較高的相似度，且曲線的整體變化相對平緩。在350～1 350 nm范圍內，土壤反射率隨波長而不斷增加，但幅度逐漸減弱，在1 390和1 900 nm附近具有較強的水分吸收帶；在近紅外范圍內，土壤光譜具有較高的反射率，且光譜曲線幾乎平行。雖然土壤

光譜曲線共有一些特征，但各光譜曲線間仍存在一定差異；同一波長處，不同樣點的光譜反射率不同。

圖3　土壤野外光譜曲線Fig.3　Soil field spectrum curve

2.2建模分析

2.2.1光譜反射率建模。基于土壤高光譜反射率及其變換構建估測SOM的模型結果見表2，其部分高光譜變換模型的散點圖見圖4。對表2中各模型進行對比分析可知，較原始土壤反射率，基于各變換形式的模型估測精度均有不同程度的提升，這表明光譜變換技術能有效提升估測SOM的精度；對數的微分變換對SOM的估測精度最佳，其R=0.650，RMSE=0.218；對數的微分變換既可有效擴大地物光譜反射率在可見光處的差異，又可抑制低頻噪聲的負面影響，同時凸顯光譜信息中的有效弱信息。

表2　光譜變換技術與土壤有機質含量的偏最小二乘回歸模型結果

注：表中模型均達到了0.001的顯著水平。

Note: Models in the table were all at significant level 0.01.

2.2.2基于重采樣技術建模。高光譜遙感技術憑其連續且較高的光譜反射率，在定量反演地物特性及參數時具有較大優勢。但土壤光譜曲線變化整體平緩，無決定性光譜特征，尤其是東北黑土，故在利用高光譜數據定量反演SOM時，存在一定的信息冗余問題。該研究基于重采樣技術將土壤光譜采樣至5 nm、10 nm、…、100 nm，旨在研究光譜分辨率對SOM估測的影響。

基于不同波段寬度的估測SOM的模型見表3。由表3可知，基于寬波段數據的SOM估測精度均高于初始土壤光譜，這表明，極高的光譜分辨率不一定適用于SOM的估測，適度降低土壤光譜分辨率有助于提升估測SOM的精度；基于寬波段數據構建的模型穩定性高，其較小的估測精度與建模精度差異，這是由于重采樣技術可有效削弱噪聲的影像，提升光譜信噪比；5 nm為估測SOM的最佳光譜分辨率，其構建模型的R=0.650，RMSE=0.316。

將寬波段光譜數據與SOM開展相關性分析，提取敏感波段，并構建預測SOM的模型(表4)。構建的模型可分為2類：單一模型(由模擬同一傳感器的寬波段數據構建)和混合模型(由模擬不同傳感器的寬波段數據構建)。寬波段數據構建的SOM估測模型精度與高光譜模型相差較小，其原因為與高光譜相比，寬波段數據內的部分微弱信息丟失，但寬波段數據又是土壤在相應波段范圍的光譜響應特征的集中體現；與單一模型相比，混合模型的SOM預測精度較高，表明多源寬波段數據在SOM估測方面，具有良好的協同性；在混合模型中，基于ZY2B與Landsat8構建的模型預測精度最高，其R=0.616，RMSE=0.338，散點圖見圖5。

將寬波段模型與各高光譜模型對比分析知：與高光譜數據相比，基于寬波段數據構建模型的整體預測精度稍低，但寬波段數據已達到相對較高的精度，故寬波段數據在預測SOM方面具備較高的潛力，具備一定的估測條件；該研究采用SOM低于2%的土壤為研究對象，也取得了較高精度的估測結果。因此，2%并不是基于寬波段數據估測SOM的下限。

圖4　基于光譜變換建模的實測值與預測值散點圖Fig.4　Scatter plots of measured and predicted values based on spectral transformation modeling

光譜分辨率Spectralresolution∥nm特征波段Characteristicband∥nm模型Model建模ModelingRRMSE驗證VerificationRRMSE1(原始)650,850y=3.385-0.033x650-0.024x8500.4010.3700.4560.3475367.5,1367.5y=3.222+0.286x637.5-0.080x1367.50.7090.3240.6500.316101685,2385y=3.848-0.177x1685+0.131x23850.6470.3510.5550.346201680,2280y=3.873-0.223x1680+0.170x22800.6140.3630.5260.341301595,2195y=3.791-0.216x1595+0.1648x21950.5870.3720.5180.304401595,2370y=3.929-0.179+x1570+0.127x23700.6270.3580.5340.338501525,2325y=3.906-0.171x1525+0.114x23250.6250.3590.5900.316601580,2240y=3.779-0.187x1580+0.135x22400.5990.3680.5820.305701750,2400y=4.029-0.225x1750+0.179x24000.6690.3420.6420.367801750,2390y=3.654-0.179x1750+0.139x23900.6090.3650.5750.342901655,2285y=3.884-0.216x1655+0.163x22850.6000.3680.5180.3371001600,2400y=3.805-0.179x1600+0.132x24000.5390.3740.5880.322

圖5　基于重采樣技術建模的實測值與估測值散點圖Fig.5　Scatter plots of measured and estimated values based on resampling technique

3結論

該研究以野外土壤高光譜數據為數據源，通過模擬ZY3、ZY2B、Landsat8、HJ-CCD傳感器的寬波段數據，開展基于寬波段數據的SOM估測的研究，并針對多源寬波段數據在SOM估測方面的協同性進行研究。結果表明：①光譜變換技術是有效提升SOM估測精度的一種途徑，其中對數的微分變換是提高SOM估測精度的最佳變換形式；②重采樣技術是提高SOM估測精度的有效途徑，適度降低光譜分辨率即可提升光譜對SOM的估測精度，又可提高預測精度的穩定性；5 nm是估測SOM的最佳分辨率；③ZY3、ZY2B對SOM的估測精度優于Landsat8，且兩者間在估測SOM方面具有較高的同一性；④多源寬波段模擬數據在SOM估測方面具有一定的協同性，這可從混合模型的估測精度優于單一模型進行佐證；Landsat8與ZY2B間具有較好的協同性，其構建的混合模型精度最高，其R=0.616，RMSE=0.338；⑤寬波段數據在估測SOM方面具有一定可行性，由于該研究以SOM低于2%的土壤為研究對象并取得了較高精度的估測結果，故2%并不是估測SOM的下限。

表4　寬波段模擬數據與土壤有機質含量的偏最小二乘回歸模型結果

注：Bi_b中的i代表b寬波段的第i波段。

Note:iinBi_bstands for theiband ofbwide band.

圖6　不同寬波段混合模型的實測值與估測值的散點圖Fig.6　Scatter plots of the measured and estimated values of the mixed model in different wide band

參考文獻

[1] 趙明松, 張甘霖, 王德彩，等.徐淮黃泛平原土壤有機質空間變異特征及主控因素分析[J].土壤學報，2013,50(1): 1-11.

[2] 劉煥軍, 張柏, 趙軍，等.黑土有機質含量高光譜模型研究[J].土壤學報，2007,44(1): 27-32.

[3] 劉煒, 常慶瑞, 郭曼，等.土壤導數光譜小波去噪與有機質吸收特征提取[J].光譜學與光譜分析，2011,31(1): 100-104.

[4] 劉煥軍, 張柏, 劉殿偉，等.基于反射率模擬模型的黑土有機質含量估測[J].光譜學與光譜分析，2008,28(12): 2947-2950.

[5] 何挺, 王靜, 林宗堅，等.土壤有機質光譜特征研究[J].武漢大學學報(信息科學版)，2006,31(11): 975-979.

[6] 徐彬彬, 戴昌達.南疆土壤光譜反射特性與有機質[J].科學通報, 1980(6): 282-284.

[7] 廖欽洪, 顧曉鶴, 李存軍，等.基于連續小波變換的潮土有機質含量高光譜估算[J].農業工程學報，2012,28(23): 132-139.

[8] 王延倉, 楊貴軍,朱金山，等.基于小波變換與偏最小二乘耦合模型估測北方潮土有機質含量[J].光譜學與光譜分析，2014,34(7): 1922-1926.

[9] 鄭立華, 李民贊, 潘孌，等.基于近紅外光譜技術的土壤參數BP神經網絡預測[J].光譜學與光譜分析，2008, 28(5): 1160-1164.

[10] 王延倉, 顧曉鶴, 朱金山，等.利用反射光譜及模擬寬波段數據定量反演北方潮土有機質含量[J].光譜學與光譜分析， 2014,34(1):201-206.

[11] 盧艷麗, 白由路, 楊俐蘋，等.基于主成分回歸分析的土壤有機質高光譜預測與模型驗證[J].植物營養與肥料科學，2008, 14(6): 1076-1082.

[12] 鄭立華, 李民贊, 安曉飛，等.基于近紅外光譜和支持向量機的土壤參數預測[J].農業工程學報，2010,26(2): 81-87.

[13] TOURé S，TYCHON B.Estimation of surface soil organic matter by means of hyperspectral data analysis[R].2003: 26-32.

[14] FRAZIER B ，CHENG Y.Remote sensing of soils in the eastern Palouse region with landsat thematic mapper [J].Remote sensing of enviroment, 1989,28:317-325.

[15] 徐永明, 藺啟忠,王璐，等.基于高分辨率反射光譜的土壤營養元素估算模型[J].土壤學報, 2006, 43(5): 709-716.

基金項目國家科技支撐計劃項目(2012BAH29B01)；河北省航天遙感信息處理與應用協同創新中心資助項目。

作者簡介王延倉(1986- )，男，河南南樂人，助教，碩士，從事農業遙感研究。*通訊作者，副研究員，博士，從事農業遙感研究。

收稿日期2016-03-16

中圖分類號S 127;TP 79

文獻標識碼A

文章編號0517-6611(2016)14-240-05

The Quantitative Retrieval of Soil Organic Matter Content in Guanzhong Plain by Using Wide Band Data

WANG Yan-cang1,2, AN Jian3, GU Xiao-he4,5*et al

(1.North China Institute of Aerospace Engineering, Langfang, Hebei 065000; 2.Hebei Collaborative Innovation Center for Aerospace Remote Sensing Information Processing and Application, Langfang, Hebei 065000; 3.School of Optoelectronic Information,University of Electronic Science and Technology of China,Chengdu,Sichuan 611731;4.Beijing Research Center for Information Technology in Agriculture, Beijing 100097; 5.Key Laboratory of Information Technology in Agriculture, Ministry of Agriculture, Beijing 100097)

Abstract[Objective] With topsoil collected in Shanxi Yangling demonstration zone as the object, collecting soil samples and determining the organic matter content, and then combined with the corresponding field hyperspectral data and spectral response function, using wide band analog data, soil organic matter content was estimated.[Method] Through analysis of the intrinsic relationship between soil organic matter and spectrum, the sensitive bands were screened out, the model of estimating soil organic matter content was constructed; based on the wide band response function and soil hyperspectral data, through the simulation of wide band data to construct the model for estimating soil organic matter content; By comparing the hyperspectral data and simulated wide band, the feasibility of quantitative wide band remote sensing data for estimating soil organic matter content was studied.[Result] The results showed that the accuracy of soil organic matter was relatively high based on the wide band data.[Conclusion] Estimating soil organic matter content is feasible based on the wide band data, 2% is not the bottom line to estimate the soil organic matter content based on spectral data.

Key wordsOrganic matter; Wide band; Guanzhong Plain; Partial least squares regression method