HJ-1A高光譜影像的表層土壤游離氧化鐵含量反演

馬 馳

HJ-1A高光譜影像的表層土壤游離氧化鐵含量反演

馬 馳

（遼寧省交通高等專科學校，沈陽 110122）

實時監測土壤游離氧化鐵含量對于獲取區域土壤理化特征數據、監測區域土壤環境具有重要意義。該研究基于HJ-1A 高光譜遙感影像，結合研究區土壤采樣的游離氧化鐵含量化驗數據，分析遙感影像的反射率與土壤游離氧化鐵含量的相關性，建立土壤游離氧化鐵含量的多元線性反演模型，反演研究區表層土壤游離氧化鐵含量。研究結果表明，HJ-1A高光譜遙感影像的反射率與研究區土壤游離氧化鐵含量呈負相關性，且在第104波段達到峰值，相關系數為-0.455；利用反射率指數變換建立多元一次回歸模型，模型的決定系數為0.837，均方根誤差為1.59 g/kg；土壤中有機質對游離氧化鐵含量反演精度影響的檢驗結果顯示，研究區土壤的有機質對游離氧化鐵含量的反演精度無顯著影響。該研究為土壤游離氧化鐵的光譜分析提供借鑒，為區域土壤生態環境監測提供數據支持。

遙感；高光譜；鐵；定量反演；游離氧化鐵；HJ-1A HSI

0 引 言

氧化鐵是土壤中含量最高的金屬氧化物，是土壤重要的染色物質，是影響土壤光譜特征的重要因素，是土壤肥力和水土保持能力的重要參考指標[1-2]。因此，實時監測土壤氧化鐵含量對于土壤理化特征數據的獲取、土壤環境監測乃至區域精準農業的實施等具有重要意義。傳統的土壤氧化鐵含量監測方法采用密集的土壤采樣及實驗室化驗來實現，雖然可以獲得較高的監測精度，但需要消耗大量的人力與物力。遙感技術具有影像數據獲取時間短、費用低、所含信息量巨大等特點，已在土壤成分探測等方面獲得廣泛應用。喬璐等[3]利用ASD Field Spec Pro光譜儀測量了大慶市的采樣土壤光譜，分析了全氮、全磷、全鉀的光譜特征，并輔以MODIS遙感影像實現對大慶市全氮、全磷、全鉀的遙感制圖；袁中強等[4]利用環境一號衛星的高光譜數據、采用偏最小二乘的分析方法，分析了若爾蓋濕地土壤重金屬含量。研究結果顯示，利用反射率的一階微分和倒數的對數建立的反演模型反演研究區土壤重金屬含量的精度最高；Ren等[5]通過對不同光譜數據進行預處理，建立湖南寶山礦區土壤鐵（Fe）、砷（As）和銅（Cu）含量的估算模型。研究結果顯示，利用460、1 400、1 900、2 200 nm波段建立的估算模型精度最好。

近年來，國內外學者先后展開了土壤氧化鐵含量與土壤反射光譜特征關系的研究。Galvao等[6]研究顯示，土壤中氧化鐵的吸收特性導致土壤在可見光整個波段反射率下降；Baumgardner等[7]研究指出，氧化鐵在土壤光譜中的870 nm處有吸收峰存在，而且土壤中的有機質并不能掩蓋氧化鐵對土壤反射率的影響。何挺等[9]研究認為，土壤中的氧化鐵對土壤的光譜反射率具有顯著影響，Fe3+在土壤光譜的400、450、490、700、870 nm 等處存在吸收峰。丁海寧等[10]利用ASD Field Spec Pro光譜儀對榆林東部地區的典型黃土進行了光譜測定，建立了土壤鐵元素反演模型，模型的決定系數為0.73；采用波段內插法將模型應用到Sentinel-2A遙感影像，反演了研究區土壤鐵元素含量并繪制了土壤鐵元素含量分布圖。謝文等[11]利用高光譜技術反演土壤有效鐵含量時，提出了利用土壤有機質含量與有效鐵含量之間的相關性，間接估算土壤有效鐵含量的可行性，所建立的有效鐵間接反演模型的決定系數為0.70。

綜上，當前利用遙感技術對土壤中鐵元素的研究還集中于鐵的光譜特征等方面，采用的高光譜數據也多為ASD Field Spec Pro光譜儀測量數據，將其應用于土壤制圖還需輔以其他遙感影像數據，其實用性受到很大制約；由于土壤理化特性較復雜，影響光譜估測精度的因素較多（土壤質地、有機質含量等），土壤含鐵量的估測難度較大；國外的高光譜遙感影像數據價格較昂貴，大大限制了其應用范圍。因此，本試驗利用中國的環境災害小衛星高光譜影像（HJ-1A HSI），在野外土壤采樣實驗室化驗數據的支持下，計算高光譜影像反射率與土壤游離氧化鐵含量的相關系數，篩選土壤游離氧化鐵含量的敏感波段或敏感波段組合，并采用多元線性回歸分析的方法構建土壤游離氧化鐵含量的反演模型，用以實現研究區土壤游離氧化鐵含量的反演研究。

1 材料與方法

1.1 研究區概況

農安縣（43°55′N～44°55′N，124°31′E～125°45′E）位于松遼平原腹地，東臨德惠市、南接長春市、西鄰長嶺縣、北接松原市，面積為5 400 km2。農安縣地處中溫帶大陸性季風氣候區，四季分明，春季干旱多大風、夏季濕熱多雨、秋季溫和涼爽、冬季干燥寒冷。區域內地勢低平，地帶性土壤為黑土、黑鈣土，地方性土壤有包括草甸土、沖積土、鹽堿土和風沙土等，土地利用類型主要包括農業種植、畜牧養殖、林地等。本試驗所選取的遙感影像獲取時間為2017年4月30日，此時刻研究區地表無綠色植被覆蓋，遙感影像能夠反映出土壤的真實信息。

1.2 野外土壤采樣及實驗室化驗

2017年4月29日至4月30日在研究區進行土壤采樣，采樣方法為在研究區隨機布設82個采樣點，采樣點分布如圖1所示。每個采樣點在30 m×30 m的區域內采集5個土壤樣品混合約1 kg，放入土壤采集袋，土壤采樣深度為地表0～20 cm，用手持GPS接收機記錄采樣點的經緯度坐標，用以確定采樣點在遙感影像中的位置。將土壤樣品在實驗室內風干，剔除土樣中的小石塊、植物根須等雜質，并研磨、過2 mm篩。土壤中的游離氧化鐵含量化驗采用連二亞硫酸鈉一檸檬酸鈉一重碳酸鈉法浸提法。

圖1 土壤采樣點分布圖

1.3 遙感影像的獲取與預處理

環境與災害監測小衛星（簡稱環境小衛星，HJ-1A/1B）于2008年9月6日在太原衛星反射中心發射升空，其中HJ-1A搭載的超光譜成像儀（Hyperspectral Imaging Radiometer，HSI）擁有115個探測波段，波段范圍為450～950 nm，平均光譜分辨率為4.3 nm，影像的幅寬為50 km，空間分辨率為100 m。HJ-1A HSI具有穩定性好、光譜線性度高、光譜范圍寬等特點，為土壤成分的定量研究提供了可靠的遙感數據源。本試驗選取覆蓋研究區的2017年4月30日成像的HJ-1A 高光譜2級影像產品共6景，影像中云覆蓋量均<2%。遙感影像的預處理工作主要包括影像的大氣校正、幾何校正以及影像的裁剪與鑲嵌等。HJ-1A HSI遙感影像2級產品為輻亮度圖像，已經經過輻射校正，其光譜曲線受大氣水汽的影像，在760 nm和820 nm附近存在2個水汽吸收帶（圖 2a）。利用FLAASH大氣校正模型對遙感影像進行大氣校正，校正后的影像光譜曲線消除了水汽影響，很好的體現出地表不同物體的光譜反射特征；在Erdas軟件中利用研究區1∶5萬地形圖對遙感影像進行幾何校正，校正后誤差<1個像元；利用Erdas軟件繪制研究區邊界，并對遙感影像進行裁剪和拼接。

圖2 超光譜成像儀影像大氣校正前后光譜曲線圖

1.4 相關性分析

將土壤游離氧化鐵含量與采樣點在遙感影像中的反射率進行相關性分析，獲得研究區土壤氧化鐵的敏感波段。

諸多學者研究結果顯示，將反射率進行適當的數學變換可以有效抑制遙感影像中噪聲的影響，提高反射率與土壤成分的相關性[9-10,12-13]。本試驗將遙感影像的反射率進行倒數1/、對數ln、指數e、對數的倒數1/ln、反射率一階微分、倒數的一階微分（1/）、對數的一階微分（ln）、指數的一階微分（e）、對數倒數的一階微分（1/ln）等變換，將變換后光譜數據與土壤游離氧化鐵含量進行相關性分析，選取相關系數絕對值較大的波段作為游離氧化鐵的敏感波段。試驗中，將微分變換以光譜差分進行估算[14]，如式（1）所示

1.5 反演模型的建立與檢驗

將82個土樣隨機分為2個部分：68個土樣作為建模樣本，利用多元線性回歸分析的方法建立研究區土壤游離氧化鐵含量的反演模型；14個土樣作為檢驗樣本，用以檢驗模型的精度和穩定性。其中，利用均方根誤差（Root Mean Square Error，RMSE）和相對誤差（relative error，）衡量模型的精度，RMSE和越小表明模型的精度越高；利用模型決定系數（coefficient of determination，2）衡量模型的穩定性，2越大表明模型越穩定[15-16]。相對誤差如式（2）所示

2 結果與分析

2.1 反射率及變換形式與游離氧化鐵含量相關性分析

為了篩選出與研究區土壤游離氧化鐵含量具有較高相關性的HSI影像的游離氧化鐵敏感波段，將研究區采樣土壤游離氧化鐵含量與采樣點所在遙感影像中的反射率（反射率的變換）進行相關性分析（圖3），獲得反射率及反射率變換與研究區表層土壤游離氧化鐵含量的相關系數（表1）。圖3顯示，研究區土壤游離氧化鐵含量與HJ-1A HSI影像反射率呈負相關，并在第104波段（中心波長為862 nm）處相關系數達到峰值，為=-0.455。反射率（反射率的變換形式）經過一階微分后與土壤游離氧化鐵含量的相關性顯著提高，其中反射率指數一階微分與游離氧化鐵含量的相關系數在第79波段（中心波長為711 nm）達到最大值，相關系數為-0.908。

圖3 反射率及變換形式與游離氧化鐵含量相關性分析

2.2 建模波段選擇及模型建立

相關性分析結果顯示，研究區土壤游離氧化鐵含量的敏感波段在可見光與近紅外波段間，與前人研究結果相同或相近[7-9]。建模波段選擇的基本原則：與研究區土壤游離氧化鐵含量相關性較好，所含信息量豐富；選擇相距較遠的游離氧化鐵敏感波段，波段間相關性較小，數據冗余度低。將隨機選取的68個建模樣本土壤游離氧化鐵含量作為因變量，采樣點對應的HJ-1A HSI影像反射率（反射率變換）作為自變量，利用逐步回歸分析的方法，建立研究區土壤游離氧化鐵含量反演模型。試驗中，按照建模波段選取原則，參照相關性分析結果，將峰值波段反射率（反射率變換）與土壤游離氧化鐵含量在SPSS軟件中進行逐步回歸分析，篩選出建模波段（表 1），并建立研究區土壤游離氧化鐵含量的反演模型（表2）。

通過對比研究區土壤游離氧化鐵含量與反射率及反射率變換的反演模型（表2）顯示，反射率一階微分的5種變換形式建立的反演模型決定系數2普遍高于其他5種非微分變換形式反演模型的決定系數2，而其均方根方差RMSE普遍低于其他5種非微分變換形式的均方根誤差。其中，反射率指數一階微分反演模型的決定系數2最大，達到0.837，且其均方根誤差RMSE最小，為1.59 g/kg。因此，將反射率指數一階微分形式建立的反演模型作為研究區表層土壤游離氧化鐵含量的最優反演模型。

表1 建模波段反射率和變換形式與游離氧化鐵含量的相關系數

表2 土壤游離氧化鐵含量的反演模型

注：為土壤游離氧化鐵的反演值，(g·kg-1)；為土壤反射率或反射率的變換。

Note:is the inversion values of soil free iron oxide, (g·kg-1);is the soil reflectance or transformation of soil reflectance.

2.3 模型精度檢驗與誤差分析

利用指數一階微分模型=34.11-0.07923+0.15172- 0.07279-0.01790，計算檢驗樣本游離氧化鐵含量的反演值，與其實測值建立散點圖。由圖4所示，研究區14個檢驗樣本游離氧化鐵含量的反演值與實測值均勻分布在1∶1直線兩側，擬合模型為=1.13-3.56（為土壤游離氧化鐵的反演值，g/kg；為土壤游離氧化鐵的實測值，g/kg），模型的決定系數2=0.895，均方根誤差RMSE=1.337 g/kg。由圖5所示，14個檢驗樣本中有10個檢驗樣本的相對誤差在（-0.1, 0.1）之間，占總樣本的71.4%，4個檢驗樣本的相對誤差在（-0.15, -0.10）或（0.10, 0.15）之間，說明該反演模型具有較好的預測結果，在研究區具有較好的實用性。

2.4 有機質對游離氧化鐵反演精度的影響分析

有機質和游離氧化鐵均為土壤的重要組成，均對土壤的理化特性有著重要影響。已有研究表明，土壤中的有機質降低了土壤的反射率[16-17]，并對土壤中游離氧化鐵的估測精度產生影響[18-19]。為了探明研究區土壤有機質含量對游離氧化鐵含量反演精度的影響，本試驗將82個土壤樣本按照有機質含量進行分組（表3）。依次將其中的一組作為建模樣本，其他組作為檢驗樣本，建立土壤游離氧化鐵含量的反演模型，再比較不同分組反演模型的精度，其模型精度如表3所示。研究區土壤游離氧化鐵含量的反演精度，除了在有機質含量≥35～45 g/kg區間略有上升外，其他區間游離氧化鐵含量的反演精度呈逐漸降低的趨勢，表明研究區土壤游離氧化鐵含量的反演精度受到了有機質的影響。

圖4 土壤游離氧化鐵含量反演值與實測值散點圖

圖5 土壤游離氧化鐵含量反演值與實測值的相對誤差散點圖

表3 有機質含量分組

2.5 研究區土壤游離氧化鐵含量空間制圖

利用指數一階微分模型=34.11-0.07923+0.15172- 0.07279-0.01790，反演農安縣土壤游離氧化鐵含量并制圖（圖6）。圖中顯示，研究區土壤游離氧化鐵含量主要集中于20～40 g/kg區間，并呈北低南高的空間分布趨勢。農安縣北部地區土壤游離氧化鐵含量普遍<30 g/kg，中部、南部地區土壤游離氧化鐵含量普遍>20 g/kg。其中，游離氧化鐵含量<20 g/kg集中分布于農安縣的東北部與西北部；游離氧化鐵含量>40 g/kg在研究區內分布較分散，集中分布于農安縣西部波羅泡以北的三盛玉鎮一帶。

圖6 農安縣土壤游離氧化鐵含量空間分布

3 討 論

本試驗以中國2008年9月發射升空的環境與災害一號衛星獲取的高光譜數據（HJ-1A HSI）結合農安縣土壤采樣游離氧化鐵含量的化驗數據，反演研究區表層土壤游離氧化鐵含量。HJ-1A HSI遙感影像為國內免費的遙感數據，與Hyperion等高光譜影像相比更加經濟；HJ-1A HSI遙感影像具有較高的光譜分辨率，因此具有更強的目標識別能力與信息提取能力。研究結果表明，研究區土壤游離氧化鐵含量與HJ-1A HSI反射率呈負相關性，在第17波段（中心波長為496 nm）、第78波段（中心波長為768 nm）、第104波段（中心波長為862 nm）存在峰值，相關系數分別為=-0.265、=-0.436、=-0.455，與[8]、何挺等游離游離游離-魯純[20]和丁海寧等[21]利用遙感數據研究土壤成分光譜特征時獲得的結論相同或相近游離=34.11-0.07923+0.15172- 0.07279-0.01790均方根誤差RMSE= 1.59 g/kg，以此模型反演研究區表層土壤游離氧化鐵含量具有較高的反演精度和穩定性，總結其原因，本試驗使用的HJ-1A 高光譜遙感影像具有較高的光譜分辨率，能夠獲得精細的地物光譜曲線，為其在土壤成分探測等方面的成功應用奠定基礎；遙感影像的獲取時間與研究區土壤采樣時間同步，有利于提高游離氧化鐵含量的反演精度；遙感影像云覆蓋率較小（<2%），獲取時間為4月30日，此時研究區地表無植被及冰雪覆蓋，遙感影像可以真實反映出地表信息；遙感影像經過大氣校正后，消除了大氣中水汽、塵埃等對傳感器成像的影響，獲得了地表的真實反射率；反射率經過適當的數學變換以后，可以消除遙感影像中噪聲的影響，有效提高了土壤游離氧化鐵含量與反射率的相關性；利用多元線性回歸分析方法建立的的反演模型用以反演研究區土壤游離氧化鐵含量，具有較高的精度與穩定性。游離氧化鐵含量的空間分布圖顯示，研究區土壤游離氧化鐵含量呈北低南高的空間分布趨勢，游離氧化鐵含量<20 g/kg集中分布于研究區東北部與西北部。土壤采樣時發現，農安縣北部地區土壤退化較嚴重，土壤中較高的碳酸鹽易與鐵元素形成難溶性化合物，使游離氧化鐵含量的反演值偏低。土壤中有機質對游離氧化鐵含量反演精度影響的驗證結果顯示：隨著有機質含量的增加，游離氧化鐵含量的反演精度整體上呈逐漸下降趨勢，表明研究區土壤游離氧化鐵含量的反演精度受到了有機質含量的影響。

本試驗土壤采樣覆蓋的面積較廣，研究區內土壤類型復雜，土壤利用的方式多樣化，土壤樣本養分含量差異較大，與已有的研究相比較，所建立的土壤游離氧化鐵含量反演模型精度相對較高，為該模型通用性的建立提供了理論依據。

4 結 論

本研究利用HJ-1A高光譜數據反演農安縣表層土壤游離氧化鐵含量，獲得以下結論：

1）HJ-1A高光譜影像反射率與研究區表層土壤游離氧化鐵含量呈負相關性，將反射率進行適當的數學變換后可以有效提升其與土壤游離氧化鐵含量的相關性，其中反射率指數的一階微分變換與土壤游離氧化鐵含量的最大相關系數達到-0.908。

2）將HJ-1A高光譜影像進行大氣校正后，可以消除大氣中水汽、塵埃等對傳感器成像的影響，有效提升土壤游離氧化鐵含量的反演精度。

3）有機質對游離氧化鐵反演精度的影響分析顯示，隨著土壤中有機質含量的增加，游離氧化鐵含量的反演精度呈逐漸降低的趨勢，表明研究區土壤游離氧化鐵含量的反演精度受到了有機質的影響。

[1] 曾昭華. 農業生態與土壤環境中鐵元素的關系[J]. 環境監測管理與技術，2001，13(4)：18-20. Zeng Zhaohua. Relationship between agricultural ecology and element Fe in soil[J]. The Administration and Technique of Environmental Monitoring, 2001, 13(4): 18-20. (in Chinese with English abstract)

[2] 郭穎，郭治興，劉佳，等. 亞熱帶典型區域水稻土氧化鐵高光譜反演—以珠江三角洲為例[J]. 應用生態學報，2017，28(11)：3675-3683. Guo Ying, Guo Zhixing, Liu Jia, et al. Hyperspectral inversion of paddy soil ferric oxide in typical subtropical area with Pearl River Delta, China as illustration[J]. Chinese Journal of Applied Ecology, 2017, 28(11): 3675-3683. (in Chinese with English abstract)

[3] 喬璐，陳立新，董誠明. 基于高光譜遙感技術對土壤氮磷鉀的估算[J]. 森林工程，2018，34(6)：25-71. Qiao Lu, Chen Lixin, Dong Chengmin. Estimates of soil N, P, K concentration by using hyperspectral remote sensing technology[J]. Forest Engineering, 2018, 34(6): 25-71. (in Chinese with English abstract)

[4] 袁中強，曹春香，鮑達明，等. 若爾蓋濕地土壤重金屬元素含量的遙感反演[J]. 濕地科學，2016，14(1)：113-116. Yuan Zhongqiang, Cao Chunxiang, Bao Daming, et al. Inversion on contents of heavy metals in soils of wetlands in Oige Llateau based on remote sensing data[J]. Wetland Science, 2016, 14(1): 113-116. (in Chinese with English abstract)

[5] Ren H Y, Zhuang D F, Singh A N, et al. Estimation of as and Cu contamination in agricultural soils around a mining area by reflectance spectroscopy: A case study[J]. Fedosphere, 2009, 119(6): 719-726.

[6] Galvao L S, Pizarro M A, Epiphanio J C N. Variations in reflectance of tropical soils: Spectral-chemical composition relationships from AVIRIS data[J]. Remote Sensing of Environment, 2001, 75(2): 245-255.

[7] Baumgardner M F, Stoner E R, Silva L F, et al. Reflective Properties of Soils[M]. New York: Academic Press, 1985.

，陳駿，等. 土壤理化參數的反射光譜分析[J]. 地學前緣，2009，16(4)：354-362. Xia Xueqi, Ji Junfeng, Chen Jun, et al. Analysis of soil physical and chemical properties by reflectance spectroscopy[J]. Earth Science Frontiers, 2009, 16(4): 354-362. (in Chinese with English abstract)

[9] 何挺，王靜，程燁，等. 土壤氧化鐵光譜特征研究[J]. 地理與地理信息科學，2006，26(2)：30-34. He Ting, Wang Jing, Cheng Ye, et al. Study on spectral features of soil Fe2O3[J]. Geography and Geo Information Science, 2006, 26(2): 30-34. (in Chinese with English abstract)

[10] 丁海寧，陳玉，陳蕓芝. 黃土高原土壤鐵元素含量遙感反演方法[J]. 遙感技術與應用，2019，34(2)：275-283. Ding Haining, Chen Yu, Chen Yunzhi. Remote sensing inversion method of soil iron content in the Loess Plateau[J]. Remote Sensing Technology and Application, 2019, 34(2): 275-283. (in Chinese with English abstract)

[11] 謝文，趙小敏，郭熙，等. 基于組合模型的廬山森林土壤有效鐵光譜間接反演研究[J]. 土壤學報，2017，54(3)：601-612. Xie Wen, Zhao Xiaomin, Guo Xi, et al. Composite-model-based indirect reversion of soil available iron spectrum of forest soil in Lushan[J]. Acta Pedologica Sinica, 2017, 54(3): 601-612. (in Chinese with English abstract)

[12] 馬馳. 基于HJ-1A高光譜影像的土壤鹽漬化遙感研究[J]. 干旱區資源與環境，2014，28(2)：180-185. Ma Chi. Research on soilsalinizationremote sensingof HJ-1A hyper spectralimages[J]. Journal of Arid Land Resources and Environment, 2014, 28(2): 180-185. (in Chinese with English abstract)

[13] 王爽，丁建麗，王璐，等. 基于地表光譜建模的區域土壤鹽漬化遙感監測研究[J]. 干旱區地理，2016，39(1)：190-198. Wang Shuang, Ding Jianli, Wang Lu, et al. Remote sensing monitoring of soil salinization based on surface spectral modeling[J]. Arid Land Geography, 2016, 39(1): 190-198. (in Chinese with English abstract)

[14] 楊可明，郭達志，陳云浩. 高光譜植被遙感數據光譜特征分析[J]. 計算機工程與應用，2006，42(31)：213-222. Yang Keming, Guo Dazhi, Chen Yunhao. Analysis of vegetation spectral features based on hyperspectral imaging data[J]. Computer Engineering and Applications, 2006, 42(31): 213-222. (in Chinese with English abstract)

[15] 朱高飛，范燕敏，盛建東，等. 基于HJ1A-HSI超光譜影像的縣域耕地土壤鹽漬度預測研究[J]. 中國農學通報，2014，30(8)：289-294. Zhu Gaofei, Fan Yanmin, Sheng Jiandong, et al. Estimation of soil salinity in cultivated land at county scale based on HJ1A-HSI hyperspectral image[J]. Chinese Agricultural Science Bulletin, 2014, 30(8): 289-294. (in Chinese with English abstract)

[16] 劉煥軍，趙春江，王紀華，等. 黑土典型區土壤有機質遙感反演[J]. 農業工程學報，2011，28(7)：211-215. Liu Huanjun, Zhao Chunjiang, Wang Jihua, et al. Soil organic matter predicting with remote sensing image in typical black soil area of Northeast China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 28(7): 211-215. (in Chinese with English abstract)

[17] 管延龍，王讓會，李成，等. 天山北麓土壤有機質高光譜特征分析[J]. 環境科學技術，2015，38(9)：1-6. Guan Yanlong, Wang Ranghui, Li Cheng, et al. Study on soil organic matter content from hyper-spectra in the north of Tianshan Mountains[J]. Environmental Science & Technology, 2015, 38(9): 1-6. (in Chinese with English abstract)

[18] 彭杰，張楊珠，周清，等. 去除有機質對土壤光譜特性的影響[J]. 土壤，2006，38(4)：453-458. Peng Jie, Zhang Yangzhu, Zhou Qing, et al. Spectral characteristics of soils in Hunan province as affected by removal of soil organic matter[J]. Soils, 2006, 38(4): 453-458. (in Chinese with English abstract)

[19] 熊俊峰，鄭光輝，林晨. 基于反射光譜的土壤鐵元素含量估算[J]. 光譜學與光譜分析，2016，36(11)：3615-3619. Xiong Junfeng, Zheng Guanghui, Lin Chen. Estimating soil iron content based on reflectance spectra[J]. Spectroscopy and Spectral Analysis, 2016, 36(11): 3615-3619. (in Chinese with English abstract)

[20] 魯純. 利用HJ1A-HSI數據定量反演松遼平原土壤含鹽量[J]. 吉林農業大學學報，2013，35(5)：577-582. Lu Chun. Quantitative inversion of salinity based on hyper-spectral data in Songliao Plain[J]. Journal of Jilin Agricultural University, 2013, 35(5): 577-582. (in Chinese with English abstract)

[21] 丁海寧，陳玉，陳蕓芝. 黃土高原土壤鐵元素含量遙感反演方法[J]. 遙感技術與應用，2019，34(2)：275-283. Ding Haining, Chen Yu, Chen Yunzhi. Remote sensing inversion method of soil iron content in the Loess Plateau[J]. Remote Sensing Technology and Application, 2019, 34(2): 275-283. (in Chinese with English abstract)

Inversion of free ferric oxide content in surface soil based on HJ-1A hyperspectral images

Ma Chi

(,110122,)

The real-time monitoring of soil free ferric oxide content is very important for obtaining regional soil physical and chemical characteristics data, monitoring soil environment, and implementing regional precision agriculture. It took HJ-1A hyperspectral remote sensing image as the basis to establish an inversion model of free ferric oxide contents in surface soil of Nong'an county, which also had combined with test data obtained from soil sampling in the study area. The whole process was divided into three steps: first of all, soil samples were taken in the research area from April 29thto April 30th, 2017, and 82 soil samples were collected. At the same time, the longitude and latitude of the sampling points were measured by hand-held GPS receivers to determine the position of the sampling points in remote sensing images, and the free ferric oxide content of the soil samples was tested in the laboratory. Moreover, the HJ-1A hyperspectral remote sensing image covering the study area, which was synchronized with the soil sampling time, was selected, and the FLAASH atmospheric correction model was used to carry out an atmospheric correction on the remote sensing image to eliminate the influence of water vapor, ozone, dust and the like on the imaging process in the imaging process of the sensor. Erdas software was used to carry out a geometric precise correction on the remote sensing image, and the corrected error was less than 1 pixel. Erdas software was used to draw the boundary of the research area, and the remote sensing image was cut and spliced; Finally, the reflectivity was subjected to the mathematical transformation such as reciprocal, logarithmic, exponential, power function, reciprocal of the logarithm, first-order differential of reflectivity, first-order differential of reciprocal, first-order differential of logarithmic, first-order differential of exponential, first-order differential of logarithmic reciprocal, etc. The correlation analysis between the reflectance and its mathematical transformation data and the content of soil free ferric oxide was carried out to obtain the sensitive band of ferric oxide. The inversion model of soil free ferric oxide content in the study area was established by using the method of multiple linear regression analysis, which was used to invert the content of soil free ferric oxide in the study area and draw the spatial distribution map. The results showed that the reflectivity of HJ-1A hyperspectral remote sensing image was negatively correlated with the content of free ferric oxide in the soil in the study area, and reached the peak value at the 104thband, and the correlation coefficient was -0.455. The correlation between the reflectivity and the content of soil free ferric oxide could be significantly improved by first-order differential, reciprocal first-order differential, logarithmic first-order differential, exponential first-order differential, and other mathematical transformation. Among them, the reflectivity index of first-order differential transform and free soil ferric oxide content in the 79thband correlation was the best-reaching and the correlation coefficient was 0.908. A multivariate regression model was established by using reflectance index transformation. The determination coefficient of the model was 0.837 and the root mean square error was 1.59 g/kg. According to the testing results of the influence of organic matter in soil on the inversion accuracy of free ferric oxide contents, it was obvious that the organic matter in the soil of the study area could produce minimal impacts on the inversion accuracy of free ferric oxide contents. This experiment could use for reference for the spectral analysis of soil free ferric oxide and provide data support for the monitoring of the regional soil ecological environment.

remote sensing; hyperspectral; iron; quantitative inversion; free iron oxide; HJ-1A HIS

馬馳. HJ-1A高光譜影像的表層土壤游離氧化鐵含量反演[J]. 農業工程學報，2020，36(20)：164-170.doi：10.11975/j.issn.1002-6819.2020.20.019 http://www.tcsae.org

Ma Chi. Inversion of free ferric oxide content in surface soil based on HJ-1A hyperspectral images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(20): 164-170. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.20.019 http://www.tcsae.org

2020-02-24

2020-04-07

國家自然科學基金項目（41371332）；中國地質調查局項目（1212010911084）；遼寧省交通高等專科學校項目（lnccybky201910）

馬馳，博士，副教授，主要從事RS與GIS應用研究。Email：machi1001@sina.com

10.11975/j.issn.1002-6819.2020.20.019

TP79；S151.9

A

1002-6819(2020)-20-0164-07