基于土壤光譜特性的土壤類型區分研究

辛京達 陳成 刀劍 王建雄

摘要：選取云南農業大學某試驗地為研究區域，一方面利用無人機掛載多光譜相機獲取研究區域的多光譜遙感影像，通過對比多光譜單波段反射率以及多光譜影像發現，綠光和紅光波段對3類土壤較為敏感，且反射率具有明顯差異，對多光譜數據進行8種合成指數計算后發現，紅綠比值指數（RG）對3種土壤的區分效果最優;另一方面利用美國ASD公司的FS4 NG地物光譜儀對獲取的土壤樣本進行多光譜測定，通過主成分分析對土壤樣本進行區分，一階微分變換后主成分分析前5個主成分提供了85%的光譜信息，而二階微分變換后主成分分析前5個主成分提供了95%的光譜信息，且后者區分效果優于前者。

關鍵詞：多光譜;高光譜;植被指數;主成分分析;土壤類型區分

中圖分類號： S127;S151.9 ?文獻標志碼： A ?文章編號：1002-1302（2021）10-0207-06

土壤作為農業生產的基礎，是一種至關重要的自然資源，快速準確地對土壤進行區分，可以加快土地利用規劃等工作的進度。隨著光譜技術的快速發展，眾多學者嘗試利用光譜技術對土壤進行類別劃分[1]。如Stoner等將美國和巴西的485個土壤樣本的反射光譜曲線分為5種類型：有機質控制型、最小改變型、鐵影響型、有機質影響型和鐵控制型[2];我國學者戴昌達將我國的23類土壤，根據其反射光譜特征，將反射光譜曲線分為4類：平直型、緩斜型、陡坎型和波浪形[3];李丹等將215個廣東省水稻土壤數據通過S-G一階導數平滑，處理后帶入支持向量機分類，土類級分類精度達到59%[4];吳豪翔等對我國南方丘陵的磚紅壤、紅壤、黃壤、水稻土和紫色土的光譜反射率進行了定量分析，為土壤分類提供了光譜定量指標[5]。本研究以3種土壤類型樣本的高光譜反射光譜和多光譜影像作為研究對象，分別采用主成分分析法和合成光譜指數對土壤樣本進行區分，旨在為土壤類型的區分提供更加準確、快速的方法。1 材料與方法

1.1 研究區域概況與土樣采集

研究區域位于云南省昆明市盤龍區云南農業大學現代教育實踐基地后山試驗田內，地理位置為25°8′E，102°45′N，氣候類型屬亞熱帶高原季風氣候，試驗區面積約為6.67 hm2。原試驗區經實地調查分析后確認其表層土壤均為山原紅壤，在土地平整后，發現試驗區內出現了與山原紅壤差異較大的土壤，其土質粗糙且含沙量較多，極有可能為混合土壤。經過實地調查發現，該沙質土為土地平整時期施工人員由他處覆來。

土壤樣品采自試驗田內3類不同土壤的0～20 cm 表層土樣品，數量為30個，采樣時間為2019年11月16日，土壤經過風干研磨后通過2 mm孔篩，試驗區采樣點如圖1所示。

1.2 多光譜數據采集與處理

1.2.1 區域多光譜數據采集 使用大疆M100無人機掛載派諾特五鏡頭多光譜相機，對試驗區域進行多光譜影像采集。無人機飛行高度為60 m，設置飛行航向重疊率為70%，旁向重疊率為75%，飛行速度為 12 m/s，多光譜相機鏡頭垂直地面向下，間隔 2 s 拍攝試驗地塊4個波段（綠光、紅外光、紅邊、近紅外光）的多光譜正攝影像圖。

1.2.2 實驗室內多光譜數據采集 將處理后的土壤樣本置于實驗室內，刮平表面，并對多光譜相機進行室內灰板校正。利用派諾特多光譜相機采集3類土壤樣本4個波段的反射率。

1.2.3 合成光譜指數 目前研究發現多光譜對植被覆蓋較為敏感，但針對土壤的多光譜研究相對較少，并且并無權威的多光譜土壤指數可以使用，因此本研究為了更好地對反射物質特性進行研究，選用與綠光、紅光、近紅外光、紅邊波段有關的常見合成指數對反射光譜進行合成，其計算公式如表1所示。

其中，RVI為比值植被指數，是由Jordan提出的一種最早的植被指數，它是近紅外光波段和紅光波段反射率的比值，有研究表明，在植被區域RVI通常大于2，土壤區域RVI通常在1左右[6]。DVI為差值植被指數，它是近紅外光波段和紅光波段的差值，它對土壤的環境較為敏感，通常情況下土壤區域DVI在0.05左右[7]。NDVI為歸一化植被指數，也是目前最常用的一種植被表征指標[8]，它將比值限定在-1～1之間，通常土壤區域NDVI為0.1左右。NDVI705是對NDVI進行了改進，為紅邊歸一化植被指數，同樣它的范圍也為-1～1，通常情況下，土壤區域的NDVI705小于0.2[9]。GNDVI為綠通道植被指數，它在NDVI的基礎上將紅光波段替換為綠光波段，這也使得它相比于NDVI更加穩定[10]。RG為紅綠比值指數，是紅光波段與綠光波段的比值，范圍通常為0.1～8.0，土壤區域RG通常約為1.3[11]。LCI為優化植被指數，目前研究發現LCI在判定葉片葉綠素含量及含氮量方面具有很好的潛力。OSAVI為優化土壤調整植被指數，它在NDVI的基礎上將土壤環境納入考量，從而減少土壤環境的影響[12]。

1.3 高光譜數據采集與處理

將處理后的土壤樣本于暗室內進行光譜測量，利用美國ASD公司的FS4 NG地物光譜儀測得3類土壤共計30個樣本350～2 500 nm范圍內的光譜反射率。為了消除噪聲的影響，對測得的數據僅保留400～2 400 nm，并對處理后的數據分別進行一階微分變換和二階微分變換，擴大樣品間的光譜差異，在原始曲線快速變化的區間有明顯的波峰或波谷，便于土壤類型的區分[13]。

2.2 多光譜特性分析

2.2.1 單波段多光譜特性 對實驗室獲取的3類土壤分別進行均值處理，其反射率均值如圖2所示。

從圖2可以看出，3類土壤樣本4個波段的反射率均在0.07～0.20之間，并且綠光和紅光波段對3類土壤較為敏感且反射率有明顯差異，紅邊波段對樣本3較為敏感，其反射率與另外2類樣本有明顯差異，而在近紅外光波段3類土壤反射率均值相近，這種特性也在試驗區的多光譜影像中體現出來，如圖3所示。

2.2.2 合成指數多光譜特性 對多光譜數據進行8種合成指數的計算，計算后的合成指數如表3所示。為了更好地對土壤進行區分，對計算后的合成指數進行Z-score標準化處理，得到一個綜合性指標如圖4所示。

通過分析可以發現，盡管3類土壤樣本的8種合成指數在數值上差距不大，但對其進行標準化處理后可以很清晰地看出，除去GNDVI和LCI，剩余的6種合成指數均能對3類土壤進行區分。將預先處理的試驗區4個波段多光譜影像在ArcGIS中進行控制點矯正，利用柵格計算器進行多光譜影像的合成，獲得試驗區的8種合成指數影像，如圖5所示。

綜合土壤合成指數與合成指數影像圖分析得知， 在選取的8種合成指數中，盡管標準化后，除去

GNDVI和LCI，剩余的6種合成指數均能對3類土壤進行區分，但結合影像圖發現，GNDVI影像圖對第3類土壤較為敏感，與第1類及第2類有明顯區分;RG在影像圖上區分較為明顯，第1類土壤呈淡紅色，第2類土壤呈淡綠色摻雜淡黃色，第3類土壤呈綠色。

2.3 高光譜特性分析

2.3.1 原始光譜曲線分析 將測得的高光譜數據使用ViewSpecPro軟件進行處理，并導出3類土壤樣本各波段反射率，如圖6所示。通過3類土壤樣本的原始反射率可以看出，3類土壤樣本的原始反射率總體呈上升趨勢。在可見光波段（400～780 nm）反射率迅速上升，在近紅外光波段（780～2 150 nm）反射率上升趨勢趨于平緩，并且在1 400、1 900、2 200 nm附近出現明顯的吸收特征，這主要與鐵的氧化物有關[8]。

2.3.2 基于高光譜的主成分分析 將一階微分和二階微分處理后的30個土壤反射光譜數據在The Unscrambler軟件中進行主成分分析。取前10個主成分的貢獻率以及累積貢獻率，如表4、表5所示，從表中可以看出，一階微分變換前10個主成分包含了約92%的光譜信息，而二階微分變換前5個主成分包含了約95%的光譜信息。

在The Unscrambler繪制二維得分圖，如圖7、圖8所示。可以看出，在一階微分變換后的主成分分析得分圖中，樣本1大部分位于第一象限;樣本2大部分位于第四象限;樣本3位于第二、第三象限。而在二階微分變換后的主成分分析得分圖中，3類樣本分別位于第四、第一和第二象限，且樣本點之間無明顯重疊。因此一階微分和二階微分變換均能對3類土壤進行區分，且后者的分類效果明顯優于前者。

3 結論

通過對土壤樣本的理化性質分析，樣本3屬于山原紅壤，而其余2類樣本為混合了不同含量沙礫的混合山原紅壤。在多光譜分析中發現，紅光和綠光波段對3類土壤較為敏感，并且綜合標準化后的合成指數和試驗區的合成指數遙感影像發現，RG可以清晰地在影像中對3類土壤進行區分。在對高光譜原始反射率采用一階微分和二階微分變換后進行主成分分析，發現后者在分類效果上明顯優于前者。本研究僅對山原紅壤以及其混合土壤進行光譜特性的區分，以后的研究中可以增加更多的土類，改進合成指數算法，從而提供一種更優的土壤分類方式。

參考文獻：

[1]王 婷，劉振華，彭一平，等. 華南地區土壤有機質含量高光譜反演[J]. 江蘇農業學報，2020，36（2）：350-357.

[2]Stoner E R，Baumgardner M F. Characteristic variations in reflectance of surface soils[J]. Soil Science Society of America Journal，1981，45（6）：1161-1165.

[3]戴昌達. 中國主要土壤光譜反射特性分類與數據處理的初步研究[G]//國家遙感中心.遙感文選. 北京：科學出版社，1981：315-323.

[4]李 丹，彭智平，韓留生，等. 基于土壤反射光譜特性的廣東省稻田土壤快速分類[J]. 熱帶地理，2015，35（1）：29-34.

[5]吳豪翔，王人潮. 土壤光譜特征及其定量分析在土壤分類上的應用研究[J]. 土壤學報，1991，28（2）：177-185.

[6]郭 鈮. 植被指數及其研究進展[J]. 干旱氣象，2003，21（4）：71-75.

[7]田慶久，閔祥軍. 植被指數研究進展[J]. 地球科學進展，1998，13（4）：327-333.

[8]Stow D A，Hope A，McGuire D，et al. Remote sensing of vegetation and land-cover change in Arctic Tundra Ecosystems[J]. Remote Sensing of Environment，2003，89（3）：281-308.

[9]Moroni M，Lupo E，Marra E，et al. Hyperspectral image analysis in environmental monitoring：setup of a new tunable filter platform[J]. Procedia Environmental Sciences，2013，19：885-894.

[10]Rahman M M，Robson A. Integrating Landsat-8 and Sentinel-2 time series data for yield prediction of sugarcane crops at the block level[J]. Remote Sensing，2020，12（8）：1313.

[11]汪小欽，王苗苗，王紹強，等. 基于可見光波段無人機遙感的植被信息提取[J]. 農業工程學報，2015，31（5）：152-159.

[12]趙天奇. 面向變量施肥應用的OSAVI測量儀的設計[D]. 北京：北京化工大學，2009.

[13]項宏亮. 應用高光譜技術區分土壤類型的初步探討[D]. 蕪湖：安徽師范大學，2013.

[14]郭 熙，謝碧裕，葉英聰，等. 基于一階微分變換方法的南方丘陵稻田土壤電阻率高光譜特性研究[J]. 江西農業大學學報，2015，37（1）：190-198.

[15]徐念旭，田慶久，申懷飛，等. 基于微分變換的高光譜馬尾松和杉木識別[J]. 國土資源遙感，2018，30（4）：28-32.