基于寬波段數據定量反演土壤有機質含量的研究

陳旭　李明　葛芳芳

摘要：定量分析了北京順義、通州區土壤高光譜反射特征，利用資源三號、高分一號、高分二號傳感器的光譜響應函數，結合高光譜數據生成相應寬波段模擬數據；將土壤光譜數據、擬合寬波段數據分別與實測土壤有機質含量開展相關性分析，提取并篩選敏感波段，利用偏最小二乘法建立基于高光譜數據的土壤有機質含量預測模型；依據寬波段模擬數據和實測土壤有機質含量的相關性，提取并篩選敏感波段，建立土壤有機質含量預測模型。結果表明，在基于土壤高光譜數據建立的土壤有機質含量預測模型中，以對數的一階微分為最優，其R和RMSE分別為0.697和0.195，偏最小二乘法得到的反演土壤有機質含量的模型是可靠的；在基于模擬寬波段構建的土壤有機質含量估測模型中，以高分一號的擬合精度最高，R和RMSE分別為0.334和0.240；受室外不可控因素的影響，模擬寬波段數據在估測北方地區土壤有機質含量方面仍需進一步研究。

關鍵詞：寬波段；反射率模擬；土壤有機質；偏最小二乘

中圖分類號：TP79 文獻標識碼：A 文章編號：0439-8114（2017）18-3540-05

DOI：10.14088/j.cnki.issn0439-8114.2017.18.038

Abstract： In this study， the hyperspectral reflectance characteristics of soils in Shunyi and Tongzhou districts of Beijing city were quantitatively analyzed， and the corresponding spectral data were generated by using the spectral response function of resource No.3，high score one and high score two sensors，and the corresponding spectral data were generated by hyperspectral data. The method was used to analyze the soil organic matter content based on hyperspectral data. Based on the broad-band simulation data and the measured soil organic matter content， the soil organic matter content was calculated by using the partial least squares method. And the sensitive bands were extracted and screened to establish the soil organic matter content prediction model. The results show that the soil organic matter content is the best in the soil organic matter content prediction model based on soil hyperspectral data. The R and RMSE are 0.697 and 0.195， respectively. The soil organic matter content The model is reliable. In the soil organic matter content estimation model based on the simulation of wide-band construction， the fitting accuracy of high score number is the highest， R and RMSE are 0.334 and 0.240 respectively. By outdoor uncontrollable factors， the data need to be further studied in estimating the soil organic matter content in the north.

Key words： wide band； reflectance simulation； soil organic matter； partial least squares method

土壤有機質含量（Soil organic matter，SOM）是指土壤內的有機物質，其主要由各種動植物和微生物的軀體及其合成與分解衍生有機物構成。土壤有機質是農田耕層土壤的重要構成成分，其對土壤肥力、土壤健康、生態保護及農業可持續發展等方面均有重要作用。遙感技術具有大尺度同步觀測、時效性強、數據綜合可比性等優點，在對地觀測方面應用廣泛。隨著高光譜技術的快速發展給土壤有機質含量的監測提供技術支撐，極大地豐富了研究內容。因此，快速、準確、實時監測土壤有機質含量成為可能。分析研究土壤有機質含量與高光譜數據間的內在關系，進而快速精準測定土壤有機質含量，逐漸成為相關專家學者研究熱點[1]。

隨著光譜分辨率的提高以及算法的日漸成熟，國內外許多專家學者在土壤有機質含量與其光譜響應關系上的研究成果顯著。Shepherd等[2]研究發現，高光譜數據在處理時，一階微分和二階微分對高光譜函數的處理變換能為模型提供可靠的自變量因子，進而使模型精度得到保障。Krishnan等[3]研究發現，土壤有機質含量在623和564 nm處比較敏感，并用這兩組數據反射率進行變換構建了土壤有機質含量多元線性回歸的預測模型。隨著研究的深入，高光譜數據的一階微分、倒數等變換形式與土壤有機質建立的模型效果較好，多元線性函數、二次函數能夠準確描述黑龍江地區黑土有機質含量，且線性方程預測模型優于二次函數預測模型[4，5]。經過對較大范圍內的土壤進行研究后發現600～700 nm處有機質的含量與光譜反射率呈負相關，并建立了精度較高的紅外波段預測模型[6，7]。通過對比試驗發現，有機質含量高于2%并不是進行土壤有機質預測模型研究的必要條件，對含量較低的有機質含量的研究有重大意義?；谶@些研究，人們開始用不同的算法反演有機質含量，通過研究發現神經網絡和小波變換定量在反演土壤有機質含量方面精度較高，具有可行性[8，9]。endprint

本研究定量分析了北京順義、通州區土壤高光譜反射特征，通過12種變換開展相關性分析，篩選敏感波段，建立了基于高光譜與北方土壤有機質含量的預測模型，然后用高光譜數據的擬合寬波段，建立擬合寬波段與北方土壤有機質含量預測模型。對兩種模型進行對比，探討了模擬寬波段數據在土壤有機質含量監測方面的可行性，從而為更好地利用遙感數據對土壤有機質含量監測提供技術支撐。

1 材料與方法

1.1 研究區與土樣處理

在北京順義、通州區野外采集59個土樣（表1、圖1），采樣時間為2015年11月中旬。選擇耕作面積較大且輪作模式為小麥、玉米的地塊進行采集裸土，采樣深度為耕種層0～20 cm。樣品采樣完成后，將樣品置于實驗室暗室內自然風干，并進行研磨、過篩（1 mm）處理，進行土壤有機質含量測定，土壤有機質含量采用重鉻酸鉀容量法測定，其他則用于室外土壤光譜數據的測量。

1.2 光譜測量

為減弱不同土壤粒徑對光譜特征的影響，采用已處理土壤進行光譜測量，利用美國ASD公司生產的Field Spec 4地物光譜儀。選擇光照充足且無云天氣下進行測量，測量時間選在太陽輻射能量穩定的12：00至下午2：00。將土樣置于盛樣皿上，用直尺將其表面刮平，并保持土壤厚度在2 cm以上。采用5°視場角的光纖探頭，垂直置于距樣本35 cm處。測量前進行白板定標，每個樣本采集10組光譜數據，取10組平均值為該組反射光譜[10]。

1.3 光譜數據處理

1.3.1 光譜數據處理 由于水在近紅外1 300、1 900 nm附近具有強烈的吸收作用，導致土壤光譜數據在1 810～1 900 nm處存在大量的噪音，故位于該波段區間的光譜數據無效，將該波段數據去除。由于環境不可控因素和儀器自身測量誤差導致光譜函數不穩定，存在與研究內容無關的噪聲信息，需對數據進行平滑處理。本研究采用海明窗長度為9的低通濾波器開展平滑去噪工作[11]，并將光譜重采樣至5 nm，以最大限度減弱噪聲信息對有效信息的擾動。由于土壤光譜函數吸收和反射特征較為隱蔽，故采用Clark等[12]提出的包絡線來增強光譜信息。

由于資源三號、高分一號與高分二號在可見光-近紅外波段處的設置具有相似性，且各傳感器的光譜響應存在較大差異，具有一定的互補作用。因此，本研究針對3種衛星波段進行模擬分析，探索其在土壤有機質含量監測方面的特性，將已處理的土壤光譜數據，結合資源三號、高分一號、高分二號波譜響應函數如圖2所示，生成寬波段模擬數據，其轉換函數如式1所示：

1.3.2 高光譜數據變換及土壤指數構建 為最大程度降低光譜噪聲對土壤光譜有效信息的干擾，并變非線性關系為線性關系，故采用12種光譜變換技術對土壤光譜曲線進行處理，其變換形式分別為一階微分、除以R（450～750）、除以R930、倒數的對數的一階微分、二階微分、倒數的對數、倒數、倒數的一階微分、對數、對數的一階微分、弓曲差[13]、吸收峰深度。然后將實測光譜數據與土壤有機質含量開展相關性分析，提取并篩選敏感波段，得到最佳組合波段。利用偏最小二乘算法對最佳組合波段和實測土壤有機質含量建立土壤有機質含量高光譜預測模型。采取與土壤高光譜數據處理流程一致的方法對擬合波段處理，并構建基于擬合多光譜數據的土壤有機質含量預測模型。兩類土壤有機質含量估測模型均采用相關系數（R）與均方差共同評價模型的精度與穩定性。

利用模擬寬波段數據構建不同的指數：差值土壤指數（Difference soil index，DSI）、比值土壤指數（Ratio soil index，RSI）、歸一化土壤指數（Normalized difference soil index，NDSI），為提高寬波段模擬數據對土壤有機質含量的敏感度，故采用資源三號、高分一號與高分二號的第一和第四波段進行指數的構建，對資源三號、高分一號與高分二號模擬數據進行相關性分析，其相關系數如表2所示。三顆衛星的模擬多光譜數據跟B1、B2、B3、B4的相關系數依次增加，且在指數相關系數中，跟差值植被指數的相關系數達到最大。這是由于差值植被指數是由近紅外和藍光波段決定，而土壤有機質含量不同在藍光波段波譜函數差異并不明顯，所以差值植被指數依賴于近紅外波段的反射率，這與試驗數據的相關系數結果相一致。且由于差值植被指數又具有消除單波段建模光譜不穩定的特性，所以差值植被指數的相關系數最佳并不是偶然的。

1.4 構建模型和精度檢驗

1.4.1 偏最小二乘算法 目前，土壤有機質含量反演的算法主要有多元統計回歸分析、主成分分析法、偏最小二乘回歸、小波變換、神經網絡等。由于其他算法的不穩定性以及小波變換的冗余度過大，偏最小二乘法又兼有主成分分析法的特點。偏最小二乘回歸分析（Partial least squares regression，PLS）是在多元線性回歸分析、主成分分析及典型相關分析的基礎上對傳統多元統計回歸分析改進后的一種新型方法，具有對普通最小二乘回歸增強的功能，是解決多變量、多重共線、樣本較少的一種較為理想的算法[14，15]。但是由于該算法是基于自變量的自身修復運算，導致建立PLS預測模型的精度對自變量的選擇有依賴性，所以自變量的選擇對土壤有機質含量預測模型的精度具有極大的影響，自變量波段的選擇成為該算法的重點。如果選擇的過少則不能充分反映土樣中的光譜信息，但是波段選擇的過多則對統計趨勢的認識產生消極影響，進而影響預測模型的精度。本研究采用的是交叉驗證法，可以衡量模型預測能力，根據該指標的修正作用可以得到可靠穩定的預測模型。

1.4.2 模型精度檢驗 通過數據分析發現建模精度和預測模型精度之間并不存在同步性，為最大限度保證精度，通過土壤有機質含量預測模型精度的分析評價模型精度。將試驗樣本按2/3和1/3隨機分為兩組，2/3部分用來構建模型，1/3部分用來檢驗模型精度。模型及預測的精度都用相關系數（R）與均方根誤差（RMSE）進行評價，R和RMSE的計算公式如下：endprint

RMSE=■ （2）

R=■ （3）

式中，y為土壤有機質實測值，yf為土壤有機質預測值，■為土壤有機質實測均值，i為某樣品，n為樣品個數。

2 結果與分析

2.1 反射光譜的建模

將變換后的波譜函數依次與實測土壤有機質含量進行相關性分析，然后根據各組的相關系數選取波段，原則上選取相關系數較大的波段。但由于相關系數系數最大化并不是波段作為最佳擬合的充分條件，本研究利用最佳相關系數和間隔波段選取相結合的方法選取最佳擬合波段（間隔為100 nm），且在敏感波段周圍通過中值法進行不少于4次的優值選擇，進行因變量樣本的優化，進而得到實測光譜經變換后的模型及預測精度（表3），各模型的精度都達到0.001的水平，發現R/R930、原數據建立的模型預測精度較低。由于成土母質、鐵、土壤機械及粗糙度等原因導致原數據受干擾較多和區分度低，所以精度不高，比值法雖在一定程度上具有去燥和增強區分度的作用，但由于受所選波段的影響，導致比值法的預測模型不穩定，所以這兩種模型是無效的。對數的一階微分和倒數的對數的一階微分構建的預測模型精度較高，這是由于高光譜的對數和微分變換能夠充分抑制噪音對高光譜的影響和增強原始光譜的細微信息，其中對數的一階微分相關系數R和RMSE分別為0.697和0.195，到達最優。這兩種模型的建模波段大都在近紅外波段，與于士凱等[16]土壤有機質與近紅外波段具有強相關性的研究結果具有一致性。

2.2 模擬光譜的建模

本研究利用擬合資源三號、高分一號和高分二號波段的數據分別構建了3種模型，分別是波段模型、指數模型和混合模型（表4）。根據表4可知，高分一號的預測方程精度最高，其相關系數和均方根為0.334和0.240。對比三顆衛星的模擬數據不難發現，三顆衛星模型預測具有精度同步性，指數、波段、混合建模的精度依次增大，取得較高精度模型引入的數據波段都在紅色-經紅外波段，與紀文君等[7]研究結論一致。在同一顆衛星的模擬數據中發現引入相關指數后擬合精度都有提高，證實引入相關指數構建模型的方法是正確的。由于三顆衛星的模型精度較高且穩定性較好，據此分析得出多光譜監測土壤有機質含量的方法具有可行性。

2.3 模型的對比

對比模擬寬波段所見的預測模型和高光譜模型分析發現，高光譜模型和寬波段預測模型在波段的選取上具有一致性，選取的波段都在紅光-紅外波段，這是由于紅外波段對土壤中有機質含量的波動比較敏感以及有機質含量對土壤顏色、溫度的影響造成的。

3 結論

通過利用偏最小二乘算法在北方地區土壤高光譜數據與實測土壤有機質含量間構建預測模型，以及利用高光譜數據模擬資源三號、高分一號和高分二號得到寬波段并構建相應的寬波段與實測土壤有機質含量間的模型，得出以下結論：

1）通過相關系數分析，根據平滑去燥處理后的實測高光譜數據建立的土壤有機質含量預測模型，其中以對數的一階微分為自變量的模型預測精度最高，其相關系數為0.697，均方根誤差為0.195。

2）利用資源三號、高分一號和高分二號模擬波段數據分別建立了3種預測模型，其中以高分一號數據的混合模型最佳，其相關系數與均方根誤差分別為0.334和0.240，利用擬合寬波段監測土壤有機質存在可能性，但預測模型精度尚未達到期望，多光譜寬波段在監測土壤機質含量需要進一步研究。

由于樣本數據的選擇較少，且具一定的地域性和時效性，另外遙感影像選擇、土地耕作類型、算法的選擇都對模型精度有較大影響，多光譜監測土壤有機質含量的模型尚不能達理想精度。今后的研究需在以下幾方面進行改進：樣本點位置及取樣時間的選擇要更加合理，在遙感數據的選擇、土地耕作類型因素的考慮、土壤隨時間序列的變化等方面來提高多光譜土壤有機質預測模型的精度。

參考文獻：

[1] 王延倉，顧曉鶴，朱金山，等.利用反射光譜及模擬多光譜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）：201-205.

[2] SHEPHERD K D，WALSH M G. Development of reflectance spectral libraries for characterization of soil properties[J].Soil Science Society of America Journal，2002，66：988-998.

[3] KRISHNAN P，ALEXANDER J D，BUTLER B J，et al. Reflectance technique for predicting soil organic matter[J].Soil Science Society of America Journal，1980，44：1282-1285.

[4] 劉 磊，沈潤平，丁 香.基于高光譜的土壤有機質含量估算研究[J].光譜學與光譜分析，2011，31（3）：762-766.

[5] 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）：2947-1950.

[6] 陳紅艷，趙庚星，李希燦，等.基于小波變換的土壤有機質含量高光譜估測[J].應用生態學報，2011，22（11）：2935-2942.

[7] 紀文君，史 舟，周 清，等.幾種不同類型土壤的VIS-NIR光譜特性及有機質響應波段研究[J].紅外與毫米波學報，2012，31（3）：277-282.

[8] 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.

[9] 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].植物營養與肥料學報，2008，14（6）：1076-1082.

[10] 劉煥軍，張 柏，張淵智，等.基于反射光譜特性的土壤分類研究[J].光譜學與光譜分析，2008，28（3）：624-628.

[11] 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）：709-802.

[12] CLARK R N，ROUSH T L. Reflectance spectroscopy：Quantitative analysis techniques for remote sensing applications[J].Journal of Geophysical Research，1984，89：6329-6340.

[13] 徐彬彬，戴昌達.南疆土壤光譜反射特性與有機質含量的相關分析[J].科學通報，1980，25（6）：282-284.

[14] RAO C R，TOUTENBURG H. Linearmodels[M]. NewYork：Springer Verlag Press，1995.

[15] WOLD S，RUHE A，WOLD H，et al. The collinearity problem in liner regression. The partial least squares（PLS） approach to generalized in verses[J].J Stat Comp，1984，5：735-743.

[16] 于士凱，姚艷敏，王德營，等.基于高光譜的土壤有機質含量反演研究[J].中國農學通報，2013，29（23）：146-152.endprint