基于高光譜的復墾農田土壤有機質含量估測①

石樸杰，王世東，張合兵，王新闖

?

基于高光譜的復墾農田土壤有機質含量估測①

石樸杰，王世東*，張合兵，王新闖

(河南理工大學測繪與國土信息工程學院，河南焦作 454000)

為了快速準確估算礦區復墾土地土壤有機質含量，以永城礦區復墾農田為例，在土樣機質含量測定和高光譜數據測量的基礎上，對土壤高光譜數據進行多種預處理并與有機質實測含量進行相關性分析，利用相關系數進行=0.01水平顯著檢驗，確定敏感波段，建立一元線性回歸、多元逐步回歸和偏最小二乘回歸等多種有機質含量與高光譜估測模型。結果表明：經過數學變換的土壤光譜反射率與土壤有機質含量相關性顯著提高，復墾區土壤光譜經過多元散射校正和一元微分處理并利用偏最小二乘回歸模型建模預測效果最好。當前較少有研究對礦區復墾農田土壤有機質進行高光譜估測，本研究成果可為有效利用高光譜遙感技術，快速、有效地測定復墾農田土壤有機質含量提供技術支撐。

高光譜；復墾農田；土壤有機質；估測模型

土壤有機質(soil organic matter，SOM)是決定土壤肥力的重要指標之一，為植物提供需要的營養元素，素有植物的“養分銀行”之稱[1-3]，因此，土壤有機質含量的快速、準確監測對農業可持續發展具有重要的意義。而傳統的土壤有機質測試方法具有耗時、費力、成本高等缺點，并且結果滯后難以滿足當前生產管理的需要[4]。而高光譜分析技術因其波段多、分辨率高、數據量豐富等特點，可以快速、高效、低成本對土壤有機質進行實時監測[5-8]。對煤礦區復墾農田土壤有機質進行高光譜遙感分析，進而對煤礦治理區土壤質量進行動態監測與評估，可為區域土地復墾質量評價提供一定的理論依據。

自20世紀60年代，國內外許多專家學者已經開始對土壤有機質與土壤光譜關系進行了研究。Bowers和Hanks[9]研究發現，對土壤有機質進行氧化處理，能使土壤的反射系數提高8.2%。Baumgardner等[10]在測定室內土壤光譜時發現可見光比近紅外區域更適合預測有機質含量。Karnieli和Verchovsky [11]發現土壤有機質吸收特征主要出現在1 720、2 180和2 309 nm處。Barthès等[12]測定了非洲不同粒徑砂質土的有機質含量和近紅外光譜，分析了其相關關系。從1980年以來，國內逐步開始了對土壤有機質含量與其光譜的研究。盧艷麗等[13]利用570 ~ 590 nm波段的一階導數光譜和1 280 nm處反射峰高度較好地預測了東北主要土壤類型的有機質含量。于雷等[14]通過對比高光譜4種預處理變換形式，得出土壤光譜反射率經過連續統去除變換，并建立偏最小二乘回歸模型效果最佳。沈潤平等[15]在對原始高光譜數據進行預處理的基礎上，分別建立了多元線性逐步回歸模型和人工神經網絡模型，并對模型進行分析比較，得出人工神經網絡法優于多元線性逐步回歸法的結論。

綜上所述，國內外針對土壤高光譜估測已經有了大量的研究，肯定了土壤中的有機質含量等在可見光-近紅外光譜預測上的能力。國內利用可見光-近紅外光譜反演灘涂地區、麥田耕作層、水稻土、荒漠土、干旱區綠洲[16-20]土壤等較多，較少有對礦區復墾農田土壤有機質高光譜估測進行研究。南鋒等[21]對黃土高原煤礦區復墾農田土壤進行高光譜波段的全波段、一階微分和倒數的對數處理3種變換形式與土壤有機質含量的相關性分析，并且通過建立偏最小二乘回歸預測模型，對復墾區土壤有機質含量進行了估測。而本研究則是以河南省永城礦區復墾農田土壤為研究對象，通過采集土樣，化驗分析，光譜測定，對測得的光譜數據進行多種變換，分析土壤光譜與有機質含量的相關性，確定敏感光譜波段，通過對比分析一元線性回歸、多元逐步回歸和偏最小二乘回歸法，建立礦區農田土壤有機質含量高光譜估算模型，確定適合礦區復墾農田土壤有機質含量估測的最佳組合，為礦區復墾農田土壤有機質估測提供一定的參考。

1 材料與方法

1.1 研究區概況

河南省永城市位于豫、皖交界地帶，東部和北部與安徽省接壤，復墾區位于淮河沖積平原北部，地勢平坦，地形西北高，東南低，微向東南傾斜，地理位置116°39′ E，33°91′ N。復墾區表土層由黏土、亞黏土、中細粉砂土組成。農田土壤適宜小麥、玉米、棉花等多種農作物生長，耕作制度為一年兩熟或兩年三熟。研究區原為河南神火集團新莊煤礦的塌陷地，地面最高點與最低點相差5 m，形成大面積積水。土地復墾后，坡度為3‰，達到了土地耕種的要求。

1.2 土樣采集與有機質測定

土樣采集利用“S”形布點法，使用螺旋取土鉆取5個點的0 ~ 20 cm表土層，充分混合作為一個樣品。共采集33個樣品，土壤樣品經自然風干，去除植物殘體和雜物后混合均勻，將每個樣本分為2份，將充分研磨過20目篩樣本用于高光譜數據測定。采用重鉻酸鉀容量法-外加熱法[22]測定土壤有機質含量。將33個樣本隨機分為2組，選用23個樣品用于建模(占總樣本的70%)，10個樣品用于驗證(占總樣本的30%)，樣品的有機質含量見表1。

表1 土壤樣本集有機質含量統計

1.3 土壤光譜測定

復墾區土壤高光譜數據的測定采用美國ASD (Analytical Spectral Device)生產的FieldSpec 3型光譜儀，光譜范圍350 ~ 2 500 nm。波段為350 ~ 1 000 nm的光譜分辨率為3 nm，其采樣間隔為1.4 nm；波段為1 000 ~ 3 500 nm的光譜分辨率為10 nm，采樣間隔為2 nm。重采樣間隔為1 nm。土壤光譜測量時，在四周漆黑的實驗室里，將土壤樣品放置于直徑為10 cm，厚度為2 cm，并用直尺將樣品表面刮平。將視場角為25°探頭垂直置于距土壤樣本表面15 cm上方，光譜儀自帶的50 W鹵素燈為樣本提供光源，光源距土壤樣本50 cm，照射角度45°。考慮到土樣表面的平整度和土壤顆粒有可能會對測量結果產生影響，每個土樣測4個方向的光譜(轉3次，每次90°，每個方向5條光譜曲線)，共20條曲線，取其平均值作為該土樣的光譜曲線。

1.4 光譜數據預處理

由于光譜曲線的350 ~ 400 nm和2 400 ~ 2500 nm受外界噪聲影響較大，所以考慮將其去除，以減少干擾。為比較光譜不同的預處理方法對建模產生的影響，本文采用了標準正態變換(standard normal variate transfor-mation，SNV)、多元散射校正(multiple scatter correction，MSC)、Savitzky-Golay 9點平滑(Savitzky- Golay smoothing with 9 points，SG)、微分處理(一階微分，first derivative，1D；二階微分，second derivative，2D)、倒數的對數(inverse-log reflectance，IR)、倒數(inverse，IN)、連續統去除(continuum removal，CR)對原波段光譜反射率(reflectance，R)進行預處理。SG平滑變換可以減少雜點，降低曲線對比度；MSC變換可以消除土壤顆粒的不均勻；經過SNV處理可以消除表面散射；光譜微分處理可以降低噪聲影響的敏感性，分辨重疊光譜，提高分析精度；倒數的對數變換可以減少因光照變化而造成的影響[14, 23-24]；連續統去除處理有利于壓抑背景光譜，突出光譜曲線的吸收和反射特征[25]。并且，不同的預處理方法的組合，可以提高所建模型的精度。

1.5 敏感波段的選擇

在復墾區土壤有機質高光譜預測建模的敏感波段的選擇上，通常選用土壤有機質與光譜反射率的各種變換形式進行相關性分析，相關系數范圍1.0 ~ –1.0，相關系數的絕對值越大，表示其相關性越高，波段越敏感。本文通過對光譜反射率進行的各種數學變換與土壤有機質含量進行相關性分析，得到的相關系數進行=0.01水平上的顯著性檢驗，通過顯著性檢驗的波段用于土壤有機質含量高光譜模型的估算。

1.6 估測模型建立

本文分別采用一元線性回歸、多元逐步回歸和偏最小二乘回歸建立土壤有機質高光譜模型。

一元線性回歸是統計學最常見的分析方法，是一對一的關系。其數學表達式：

多元線性逐步回歸法是常用統計建模方法，該方法常被用來確定所研究目標物中某種化學成分的敏感性，以此來確定敏感波段，用得到的敏感波段值來估計這種化學成分的濃度值，其模型表達式為：

偏最小二乘回歸(partial least squares regression，PLSR)可以同時實現兩組之間的相關性、數據結構化以及回歸建模，在處理因變量較多或者具有較強自相關性，而樣本量較少的數據時具有一定的優勢，并且有對數據降維，簡化數據結構，去除噪聲干擾，綜合篩選特征的特點，被認為是具有較大建模潛力的方法[26-27]。

1.7 模型檢驗

模型的檢驗選用決定系數(determination coeffi-cients，2)、均方根誤差(root mean squared error，RMSE)和統計量值3個參數進行評定。

2是相關系數的平方值，用來衡量模型的穩定性，2越大，模型越穩定，其計算公式為：

RMSE用來判定模型的預測能力，是預測值與實測值的符合度。RMSE越小，模型精度越高，預測能力越好，其計算公式如下：

統計量反映的是回歸方程所能解釋的變差與不能解釋的變差的比例。其數學定義為：

當統計量值大于理論臨界值a并且值越大，2越高，RMSE越小時，說明模型的估算準確性越高，反之則模型估算的準確性越差。

2 結果與分析

2.1 土壤有機質與光譜的相關性分析

分別對土壤有機質含量與R、SNV、SNV與1D組合、SG、SG與1D、SG與2D組合、MSC、CR、IN和IR進行相關性分析，并通過=0.01水平的顯著性檢驗，結果如圖1所示。從圖1可知，土壤有機質含量與光譜R、IN、IR相關性較小，沒有波段通過=0.01顯著水平，故不宜用作提取敏感波段進行高光譜模型的估算。而光譜經過SNV和MSC變換后，相關性均有所提高，并且顯著波段相同，說明SNV與MSC效果相同。本文采用MSC數據進行下一步分析。而光譜經過1D、2D、CR和MSC+1D變換均有部分波段通過了=0.01顯著性水平檢驗，因此用其進行高光譜模型的建立。

與原始波段R相比，經過數學變換土壤光譜反射率與土壤有機質含量的相關性顯著提高。與原始波段相比，光譜反射率經MSC變換通過=0.01顯著性檢驗的敏感波段為可見光譜波段的508 ~ 562 nm；光譜反射率SG+1D變換的敏感波段主要集中在475 ~ 534、1 392 ~ 1 461、2 168 ~ 2 215 nm；光譜反射率SG+2D變換的敏感波段主要集中在426 ~ 557、1 410 ~ 1 413、1 642、2 249 nm等；光譜反射率MSC+1D變換的敏感波段主要為422 ~ 445、611 ~ 691、1 423、1 477、1 684 nm等，光譜反射率CR變換的敏感波段以可見光波段549 ~ 585 nm為主，剩下的主要為短波紅外，而近紅外波段則無敏感波段。經過SG+2D變換的光譜波段與土壤有機質含量在457 nm處出現最大正相關，相關系數為0.66；經過SG+1D變換的光譜波段與土壤有機質含量在1 422 nm處出現最大負相關，相關系數為–0.68；經過SG+1D預處理并通過=0.01顯著性水平檢驗挑選出來的敏感波段分布全面，對光譜的充分表達充有一定的積極作用。

2.2 模型的對比分析

2.2.1 一元線性回歸模型 選取有機質含量與經過數學變換的波段相關系數絕對值的最大值為自變量，樣品的有機質含量的實測值為因變量，建立一元線性回歸模型(表2)。

從表2建立的4個有機質含量一元線性回歸模型來看，模型的決定系數2和統計量最高的是SG+2D，分別為0.53和23.94，說明在一元線性回歸模型中經SG平滑和2D變換是最優選擇，但是其RMSE是5個模型中最高的，又2雖然是4種變換中最高的，但是數值為0.53，調整后的2為0.51，擬合度較低，因此一元線性回歸分析模型效果較差。

圖1 土壤有機質含量與光譜反射率及變換形式的相關系數

表2 有機質含量一元線性回歸模型

2.2.2 多元逐步回歸模型 選取經過數學變換的敏感波段為自變量，樣品的有機質含量的實測值為因變量，建立多元逐步回歸模型。從表3中多元逐步回歸模型的檢驗結果來看，與一元線性回歸模型相比，總體多元逐步回歸所建模型決定系數2均有所提高，其中SG+2D的決定系數2提高了0.31，而MSC+1D的決定系數2則從0.34提高到了0.84，其他變換模型的決定系數2也均有不同程度的提升，說明多元逐步回歸模型要優于一元逐步回歸。其中的原因是單個波段不能很好地表達光譜特征，而多個波段相互組合能更好地表達光譜信息。從繪制的土壤有機質實測值與預測值的散點圖(圖2)可見，經CR和MSC模型驗證樣本偏離1︰1線比較嚴重，而SG+1D、SG+2D、MSC+1D驗證樣品則相對更靠近1︰1線，SG+2D驗證模型決定系數2達到了0.82，是3個驗證模型決定系數中最高的，而RMSE為0.88，同時也是3個模型中最低值，驗證一個模型的好壞2越高，RMSE越低，模型的精度越高，總體來說，對波段經SG平滑的2D變換挑選的敏感波段進行多元逐步回歸建模更能體現模型的精度。

表3 有機質含量多元逐步回歸模型

圖2 有機質含量多元逐步回歸模型估算值與實測值的比較

2.2.3 偏最小二乘回歸模型 將樣本有機質含量的實測值作為因變量，選取經過數學變換的敏感波段為自變量，建立偏最小二乘法逐步回歸模型。結合有機質含量多元逐步回歸模型，5種變換分別建模的決定系數2和統計量均有所提高，均方根誤差RMSE有所降低。雖然SG+2D的決定系數2僅提高了0.01，但其均方根誤差RMSE則從2.52降到了0.99，統計量從28.4升到178.97，提高了150.57，偏最小二乘法回歸模型相比多元逐步回歸模型總體來說精度有所提高。

圖3為有機質含量偏最小二乘回歸模型估算值與實測值的比較，SG+1D、CR和MSC模型驗證樣品偏離1︰1線較嚴重，SG+2D、MSC+1D驗證樣品基本在1︰1線附近，而MSC+1D的驗證決定系數2達到了0.91，RMSE為0.72，與SG+2G相比具有明顯的優勢。因此，MSC+1D在偏最小二乘法回歸模型中表現最優，估算精度最高。

表4 有機質含量偏最小二乘回歸模型精度

圖3 有機質含量偏最小二乘回歸模型估算值與實測值的比較

從研究結果來看，偏最小二乘回歸模型中，光譜反射率經MSC+1D變換與有機質含量的決定系數2和統計量是所有光譜數據波段變換中最高的，分別達到了0.95和591.75，均方根誤差RMSE達到最低，為0.60，并且驗證模型決定系數2為0.91，曲線擬合度最高，這與郭斗斗等[28]得出MSC與一階微分相結合在光譜模型中表現最優相符合，土壤高光譜數據經過MSC+1D與MSC處理對比分析可知，使用兩種預處理算法，其與有機質含量相關性更高，同時對建模精度也有很好的提升，一種預處理不能更全面地消除其他因素的干擾，兩種預處理方法的結合，能提高顯著波段相關性，進一步使模型精度提高。

通過對建立的復墾區有機質含量一元線性回歸模型、多元線性回歸模型和偏最小二乘法回歸模型3個模型的比較分析，一元線性回歸模型的決定系數均小于0.6，精度偏低，效果較差，不適合作復墾區有機質高光譜遙感估測。相比較一元線性回歸模型，多元線性回歸模型的精度有顯著的提高，其中高光譜波段經過SG平滑的2D變換的多元線性回歸模型的決定系數2達到了0.84，并且驗證模型決定系數2為0.82，在多元線性回歸模型所有的數學變換中是最優的。相較多元逐步回歸模型，無論使用哪種預處理的方法，偏最小二乘回歸模型的精度均有所提高，這與郭斗斗等[28]、候艷軍等[18]、李媛媛等[29]通過多種模型對比分析得出的結論基本一致。

3 結論

本研究結果表明，煤礦復墾區土壤高光譜反射率經過數學變換，與土壤有機質含量相關性顯著提高，并且經過MSC與1D相結合的數學變換，并建立偏最小二乘回歸模型的預測精度最高，模型穩定性最好，其驗證模型決定系數達到0.91，統計量為85.86，RMSE達到0.72。本文以永城市煤礦塌陷復墾區土壤有機質為研究對象建立的預測模型，可為其他煤礦復墾區土壤有機質預測提供參考，對進行礦區土地復墾監測提供技術支撐，為大面積土地復墾指標體系的快速建立提供依據。

[1] 中國土壤學會. 土壤農業化學分析方法[M]. 北京: 中國農業科技出版社, 2000

[2] 呂貽忠, 李保國. 土壤學[M]. 北京: 中國農業出版社, 2006: 317–318

[3] 張枝枝, 張福平, 燕玉超, 等. 渭河兩岸緩沖帶的土壤有機質含量分布特征及其影響因子[J]. 土壤, 2017, 49(2): 393–399

[4] 賀軍亮, 蔣建軍, 周生路,等.土壤有機質含量的高光譜特性及其反演[J]. 中國農業科學, 2007, 40(3): 638–643

[5] Yang H, Kuang B, Mouazen A M. Quantitative analysis of soil nitrogen and carbon at a farm scale using visible and near infrared spectroscopy coupled with wavelength reduction[J]. European Journal of Soil Science, 2011, 63(3): 410–420

[6] 洪永勝, 于雷, 朱亞星, 等. 基于EPO算法去除水分影響的土壤有機質高光譜估算[J]. 土壤學報, 2017, 54(5): 1068–1078

[7] 張瑤, 李民贊, 鄭立華, 等. 基于近紅外光譜分析的土壤分層氮素含量預測[J]. 農業工程學報, 2015, 31(9): 121–126

[8] 吳才武, 夏建新, 段崢嶸. 土壤有機質測定方法述評與展望[J]. 土壤, 2015, 47(3): 453–460

[9] Bowers S, Hanks R. Reflection of radiant energy from soil[J]. Soil Science, 1965, 100(2): 130–138

[10] Baumgardner M F, Stoner E R, Silva L F, et al. Reflective properties of soils//Brady N. Advances in agronomy, 38. New York: Academic Press, 1985: 1–44

[11] Karnieli A, Verchovsky I. Geographic information system for semi-detailed mapping of soils in a semi-arid region[J]. Geocarto International, 1998, 13(3): 29–42

[12] Barthès B G, Brunet D, Hien E, et al. Determining the distributions of soil carbon and nitrogen in particle size fractions using near-infrared reflectance spectrum of bulk soil samples[J]. Soil Biology & Biochemistry, 2008, 40: 1533–1537

[13] 盧艷麗, 白由路, 楊俐蘋, 等. 基于高光譜的土壤有機質含量預測模型的建立與評價[J]. 中國農業科學, 2007, 40(9): 1989–1995

[14] 于雷, 洪永勝, 耿雷, 等. 基于偏最小二乘回歸的土壤有機質含量高光譜估算[J]. 農業工程學報, 2015, 31(14): 103–109

[15] 沈潤平, 丁國香, 魏國栓, 等. 基于人工神經網絡的土壤有機質含量高光譜反演[J]. 土壤學報, 2009, 46(3): 391–397

[16] 徐明星, 周生路,丁衛, 等. 蘇北沿海灘涂地區土壤有機質含量的高光譜預測[J]. 農業工程學報, 2011, 27(2): 219–223

[17] 王超, 馮美臣, 楊武德, 等. 麥田耕作層土壤有機質的高光譜監測[J]. 山西農業科學, 2014, 42(8): 869–873

[18] 侯艷軍, 塔西甫拉提·特依拜, 買買提·沙吾提, 等. 荒漠土壤有機質含量高光譜估算模型[J]. 農業工程學報, 2014, 30(16): 113–120

[19] 向紅英, 柳維揚, 彭杰, 等. 基于連續統去除法的南疆水稻土有機質含量預測[J]. 土壤, 2016, 48(2): 389–394

[20] 周倩倩, 丁建麗, 唐夢迎, 等. 干旱區典型綠洲土壤有機質的反演及影響因素研究[J]. 土壤學報, 2018, 55(2): 313–324

[21] 南鋒, 朱洪芬, 畢如田. 黃土高原煤礦區復墾農田土壤有機質含量的高光譜預測[J]. 中國農業科學, 2016, 49(11): 2126–2135

[22] 鮑士旦. 土壤農化分析[M]. 北京: 中國農業出版社, 1999: 30–34

[23] 褚小立, 袁洪福, 陸婉珍. 近紅外分析中光譜預處理及波長選擇方法進展與應用[J]. 化學進展, 2004, 16(4): 528–542

[24] 梁卓婭. 土壤有機質的近紅外光譜信息提取及定量分析[D]. 山西太谷: 山西農業大學, 2016

[25] Clark R N, Roush T L. Reflectance spectroscopy: Quantitative analysis techniques for remote sensing applications[J]. Journal of Geophysical Research Solid Earth, 1984, 89(B7): 6329–6340

[26] 史舟, 王乾龍, 彭杰, 等. 中國主要土壤高光譜反射特性分類與有機質光譜預測模型[J]. 中國科學: 地球科學, 2014, 44(5): 978–988

[27] 方少文, 楊梅花, 趙小敏, 等. 紅壤區土壤有機質光譜特征與定量估算——以江西省吉安縣為例[J]. 土壤學報, 2014, 51(5): 1003–1010

[28] 郭斗斗, 黃紹敏, 張水清, 等. 多種潮土有機質高光譜預測模型的對比分析[J]. 農業工程學報, 2014, 30(21): 192–200

[29] 李媛媛, 李微, 劉遠, 等. 基于高光譜遙感土壤有機質含量預測研究[J]. 土壤通報, 2014, 45(6): 1313–1318

Estimation of SOM Content in Reclaimed Cropland Based on Hyperspectra

SHI Pujie, WANG Shidong*, ZHANG Hebing, WANG Xinchuang

(School of Surveying and Land Information Engineering, Henan Polytechnic University, Jiaozuo, Henan 454000, China)

Thirty-three soil samples were collected from the reclaimed farmland in the coal mining areas in Yongcheng in order to estimate quickly and accurately SOM content by hyperspectra, in which 23 samples and 10 samples were used to establish and verify the hyperspectral models respectively. SOM contents and hyperspectra of the soil samples were measured, the correlations were analyzed between SOM content and the multi-pretreated hyperspectral data, correlation coefficients at= 0.01 level were used to test to determine the sensitive bands, and models of simple linear regression, multiple stepwise regression (MSR) and partial least squares regression (PLSR) were established. The results showed that transformed soil spectral reflectance promoted the correlation coefficients, and PLSR models of the differential spectra were optimal after the spectral noise were reduced by multiple scattering correction. Due to little information is available now on hyperspectral inversion of SOM content in reclaimed farmland, the above results provide technical support for the efficient and rapid determination of SOM content in reclaimed farmland by using hyperspectral remote sensing.

Hyperspectra; Reclaimed land; SOM, Estimation model

國家自然科學基金項目(41301617)、中國煤炭工業協會指導性計劃項目(MTKJ-2015-284)、中國博士后科學基金項目(2016M590679，2015M580629)、河南省高等學校重點科研項目(17A420001，16A420003)、河南省高校基本科研業務費專項資金項目(NSFRF1630)、河南理工大學創新性科研團隊項目(B2017-16)、河南省高校科技創新團隊支持計劃項目(18IRTSTHN008)和河南理工大學青年骨干教師資助計劃項目資助。

(wsd0908@163.com)

石樸杰(1989—)，男，河南周口人，碩士研究生，主要研究方向為礦區開采沉陷與土地復墾。E-mail：dssomx@163.com

10.13758/j.cnki.tr.2018.03.017

S151.9

A