遙感多光譜成像在解析土壤成分方面研究進展

馬 緯， 武志明， 溫鑫偉， 余科松

（山西農業大學農業工程學院，山西 晉中 030801）

0 引言

土壤是人類及陸生動植物賴以生存和發展的基礎，是基本的農業生產資料，土壤質量直接關系著農產品的產量與質量。精細農業需要及時準確地獲取農田土壤養分信息，以此來對耕地進行變量施肥，達到資源利用率最大的目的[1]。土壤養分是決定土壤肥力、作物生長、農田產量的關鍵因素，其中土壤有機質、水分、氮磷鉀和鹽分是農田土壤養分檢測中的重要指標[2]。檢測土壤成分的傳統方法包括化學法或物理法，如采樣化驗分析法、土壤電導率，這些方法需要與土壤進行直接接觸，并且耗時費力，成本高。光譜與成像技術的出現給土壤成分的分析帶來了一種新思路，它具有高效、非接觸和可用于在線分析的優勢，因此在國內外有大量學者進行光譜與成像技術獲取農田土壤信息的研究[3]。近年來，由于農業無人機的發展與遙感技術的進步，輕小可機載型傳感器的快速研發，遙感平臺搭載光譜傳感器補充了光譜技術分析土壤信息在低空或高空層面上分析的空白，這一技術有空間分辨率高、操作簡易、可實時獲取信息的優點，較地面光譜檢測有不同尺度分析的獨特性與先進性[4]。

多光譜成像技術是有多個（通常3 個以上）較寬波段圖像的分析技術，細分光譜波段可增強光譜分辨待測目標的能力，而多光譜成像的光譜分辨率在0.1 mm數量級范圍內[5]。已有學者研究表明，利用多光譜技術可以反演土壤中的營養元素、水分、有機質和鹽分等土壤特性指標[6-9]。多光譜憑借著多個波段的優勢信息來源，成為了快速實時獲取農田土壤信息的技術手段。通過使用無人機搭載多光譜儀采集農田土壤成分，可以快速獲取土壤樣本，從而對農田土壤進行動態分析與監測[10]。近年來，多光譜成像技術在土壤的養分、鹽分含量等土壤學問題的應用逐漸顯現，國內外也發表了大量的學術成果，這將促使多光譜技術更進一步處理土壤學問題。

在簡述多光譜技術的原理和特點之上，本文總結多光譜技術處理土壤樣品的一般流程，重點聚焦于多光譜技術在土壤有機質、水分、氮磷鉀和鹽分等方面的研究進展，簡述多光譜進行土壤樣品分析過程中所涉及的關鍵技術，最后對多光譜檢測土壤成分的研究現狀進行分析與思考。

1 多光譜技術概述

1.1 多光譜傳感器

多光譜成像是可同時獲取多個寬波段圖像的信息技術，是基于光譜學和電子學發展起來的一個新型技術。受限于輕小型多旋翼無人機的載荷能力，搭載在無人機上的多光譜傳感器有著輕、小、精等特點。多光譜傳感器結合了光譜技術與成像技術，搭載在輕小型無人機上，可實時采集目標樣本的光譜信息與圖像信息[11]。國內目前應用于科研的輕小型機載多光譜傳感器如表1 和圖1 所示。

圖1 常用輕小型多光譜傳感器Fig.1 Light and small multispectral sensors commonly used

表1 常用輕小型多光譜傳感器Tab.1 Light and small multispectral sensors commonly used

1.2 多光譜特點

多光譜成像結合了光譜學和圖像學技術，已被廣泛應用于食品品質檢測、農田病蟲害監測、土壤成分解析、高通量作物表型獲取等方面[12-15]。它可同時獲取多個光學頻譜波段，而大多數多光譜傳感器的波段范圍主要集中在紫外、可見光和紅外波段。多光譜成像具有以下特點。

（1）信息豐富性。相較于近紅外光譜成像技術，多光譜技術所蘊含的信息豐富，它的信息源于多個光譜波段特征，波段與波段之間有相關性的同時又具有差異性，可以更好地反映物體的光學特性。

（2）快速性與便捷性。多光譜傳感器搭載在輕小型無人機上，可迅速得到農田土壤的空間信息與光譜信息，不需要物理化學方法進行中間處理，通過分析即可得到該片田地的土壤成分信息，具有快速性、便捷性和無損性。

（3）準確性。多光譜技術一般采用3～20 個波段，具有較高的光譜分辨力。在利用多光譜設備獲得土壤表面的光譜反射曲線后，通過多光譜成像技術重建光譜反射率，從而獲得土壤的成分信息。

1.3 多光譜檢測土壤養分過程

多光譜技術是將入射光譜分為不同波段的光譜，利用這些不同波段的光譜在不同物體上的反射或吸收差異，在3 個及以上波段上分別獲取各個波段下的圖像，按照波段圖像合成規則將各個波段下的圖像進行合成，合成后的圖像中包含多個波譜，經過數據處理提取合成后圖像中的光學信息并結合理化值建立模型，在模型中選擇穩定可靠且有效的數學模型進行實際應用，最終完成檢測目標土壤成分的目的[16]。

利用多光譜進行土壤成分含量的定性或定量檢測包括以下4 個步驟：①土壤樣本的選擇；②遙感平臺搭載多光譜分析儀器采集土壤光譜，得到該土壤的多光譜，同時獲得常規方法檢測下的土壤樣本成分含量；③光譜波段的提取、光譜變量庫的構建及反演模型的建立與精度評價；④形成土壤信息的分布處方圖。整個流程如圖2 所示。

圖2 遙感平臺解析土壤信息的一般建模過程Fig.2 General modeling process for interpreting soil information by remote sensing platforms

2 光譜技術在土壤檢測方面的應用

土壤是由固液氣3 種形態物質組合的地表疏松物質，包含了有機質、礦物質、水分、空氣、微生物等，富含氮（N）、磷（P）、鉀（K）、鈣（Ca）、鎂（Mg）等大量營養元素，這些元素的含量不僅是土壤肥沃程度的體現，也是作為植物生長發育和進行正常生理活動的重要營養來源[17]。用于分析的主要土壤參數包括氮、磷、鉀、含水量、土壤有機質（soil organic matter，SOM）、pH 值、鹽分等。部分土壤成分分類及生理作用如表2 所示。

表2 土壤主要成分及生理作用Tab.2 Main components and physiological effects of soil

2.1 有機質檢測

土壤有機質泛指存在于土壤中的含碳有機物，包括腐敗的動植物殘體、微生物和其他有機物等，有機質中含有豐富的營養元素，在一定含量范圍內，有機質含量與土壤肥力呈正相關，此外土壤有機質中含有的氮、磷等營養元素對植物的生命活動起關鍵性作用。因此，快速獲取土壤有機質含量，對掌握農田土壤信息和保障農作物產量有重要意義。夏楠等[18]以多光譜遙感影像各波段的反射率為數據源，并基于反射率建立了模型，在選取最優模型后推廣至整個研究區。陳思明等[19]以閩江濕地土壤為研究材料獲得多光譜圖像數據，通過采樣像元的波譜分離技術對數據進行分解與重建以解決地物混合像元問題的目的，建立了福建濕地土壤的有機質含量反演模型，結果表明，基于光譜重建的模型較基于原始光譜的模型預測精度有所提高。劉煥軍等[20]以饒河境內的農場裸土兩期遙感影像為數據源，構建光譜指數，嘗試通過隨機森林算法和多時相影像遙感來提高土壤有機質反演精度，表明具有較好的精度與穩定性。

2.2 水分檢測

土壤水分是植物水分來源的最主要組成部分，也是衡量土壤肥力的重要指標，快速準確地獲取土壤水分信息對農作物長勢和產量起到重要作用[21]。高培霞等[22]基于前人提出的溫度植被干旱指數（temperature vegetation dryness index，TVDI）對土壤水分進行預測，并與傳統實測方法進行比較，結果表明，在0～30 cm 的土壤層中，遙感數據反演所得的TVDI 指數與10～20 cm 土層土壤濕度最為相關。張智韜等[23]以粘壤土為試驗材料，采用6 波段遙感技術，同時監測不同深度與含水量的土壤樣本，并基于偏最小二乘法回歸法、逐步回歸法和嶺回歸法3 種算法建立了反映土壤含水率與6 個波段反射率的回歸模型，并對模型進行預測評價，得出了逐步回歸預測精度最佳，最佳預測深度為土壤表層1 cm。李鑫星等[24]以100 組含水率為10%～50%沙瓢質土壤為樣本，采用5 波段光譜相機對土壤進行數據采集，分別建立反向傳播神經網絡（backpropagation neural network， BPNN） 、 支 持 向 量 機（support vector machine，SVM）、偏最小二乘法（partial least square method，PLS）3 種算法模型，并預測含水率。最終結果表明，BPNN 對土壤水分含量的預測效果最好。趙建輝等[25]將衛星微波遙感與光學多源遙感技術結合，嘗試發展一種基于特征參數選擇和 GABP（genetic algorithm-back propagation）神經網絡的多源遙感農田土壤含水量反演方法，在傳統GA-BP 神經網絡預測土壤水分模型的基礎上加入了DEFS（differential evolution feature selection） 算 法 和 PCA（ principal component analysis）法對數據進行預處理，結果表明，與單純使用BP-GA 神經網絡相比，運用該方法進行土壤反演水分精度得以提高。

2.3 鹽分檢測

土壤表層鹽害由土壤底層可溶性鹽分隨毛管水上升而形成，已有研究人員發現，土壤鹽分過多會對作物根系的積水功能造成不同程度的破壞，進而影響農作物產量[26-27]。此外，土壤鹽分過高會使土壤干旱退化，制約區域農業的發展。研究土壤鹽分信息，對分析土壤鹽漬對作物生長的影響、采取措施改良鹽漬化土壤有重要意義。國外學者研究發現，土壤鹽分在可見光與近紅外波段的光譜響應較強，而且光譜響應隨著土壤鹽分含量的提高而提高[28]。扶卿華等[29]以鹽漬化潮土和鹽土為試驗材料，發現了土壤對鹽分含量的光譜響應關系受植被覆蓋度的干擾，土壤反射率對土壤鹽分含量敏感的光譜波長范圍為451.42～593.79 nm，并在此基礎上建立了土壤鹽分的BP 神經網絡遙感反演模型，該模型在原有反演模型的基礎上精度顯著提高。楊寧等[30]以無人機多光譜采集的土壤鹽分多光譜影像為試驗數據，比較不同模型輸入量和不同回歸方法對模型精度的影響，結果表明，基于光譜指數的隨機森林鹽分反演模型取得了最佳的反演精度。陳俊英等[31]采集了內蒙古河套地區大田葵花的多光譜圖像數據與對應的實測鹽分數據，通過灰色關聯法篩選出對鹽分敏感的光譜指數，建立不同生育期、不同土壤鹽分反演模型，獲得了反演鹽分的最佳模型是在葵花現蕾期0～20 cm 土壤深度的BPNN 模型。

從大量的研究可以看出，學者們提高土壤鹽分的反演精度有光譜變換法、篩選敏感光譜變量、建立不同反演模型進行精度對比和建立不同時間空間的不同土壤狀態下的模型等方法。這些方法對多光譜遙感技術分析土壤鹽漬化問題有一定的積極意義。

2.4 其他元素檢測

氮、磷、鉀3 種元素不僅是土壤中存在的大量營養元素，還是植物生長發育所必備的元素。伴隨著農作物的成熟與收獲，大量氮、磷、鉀元素會從土壤中流失，因此，獲取土壤氮、磷、鉀元素含量，對農業土壤管理尤其是變量施肥有重要意義[32-33]。已有學者研究表明，近紅外光譜波段對土壤氮元素和磷元素敏感；對于鉀元素，可見光可能有更好的檢驗效果[34]。YANG H Q 等[35]使用350～2 500 nm 的光譜儀掃描英國農場土壤，并使用偏最小二乘法回歸建立模型，結果顯示，在可見光（400～700 nm）范圍內，對土壤全氮的預測效果最好，R2＞0.90。李雪瑩等[36]嘗試通過多種算法及其融合來尋找土壤的特征波段，盡可能過濾掉無用干擾信息，測定了土壤樣品總氮、總碳、總磷含量的紫外-可見光-近紅外光譜信息，得到了4 種算法及其融合算法提取的特征波長，分析融合前后的模型效果，結果表明，經過分類器融合后的建模效果有所提高。

3 多光譜成像用于檢測土壤成分的關鍵技術

多光譜圖像處理在分析樣品組分與建立樣品數學模型過程中十分必要，主要包括預處理、回歸分析與模型精度評價[37]。預處理是對圖像匹配、拼接與校正，利用數學圖像處理技術對校正后的圖像進行處理，為光譜數據提取做鋪墊，可將得到圖像導入光譜分析軟件進行光譜數據的提取及波段間的運算，進而篩選出敏感光譜特征變量。采用線性與非線性回歸方法對光譜數據與化學分析數據進行建模，對模型進行精度評價。

3.1 多光譜成像數據處理

多光譜圖像處理分析流程如圖3 所示。利用遙感平臺得到的多光譜圖像需進行圖像拼接與校正，其中遙感圖像的校正分為幾何校正和輻射校正。幾何校正主要克服飛行器在飛行過程中因飛行器姿態和地球自轉引起的相對于地面的幾何畸變，通常采用根據已知控制點對圖像進行坐標變換的方法。輻射校正主要克服飛行器本身誤差和大氣輻射，前者可根據飛行器遙控進行校正，后者可以根據人員后期處理完成，常見的方法是利用標準漫反射板進行輻射校正[38]。

圖3 多光譜圖像處理分析流程Fig.3 General processing and analysis process of multispectral images

校正后的圖像需要進行圖像變換處理得到優化后的圖像，這一步驟的目的是減少某些與試驗因素無關的背景噪聲，同時增強土壤的紋理、輪廓等圖像信息，常見的方法有灰度變換、彩色合成、圖像分割。

采用遙感圖像分析軟件對處理后的圖像進行光譜與圖像信息的提取，由于多光譜傳感器本身的光譜通道較少，可通過波段間的線性或非線性運算增加建模因子，從中篩選出敏感光譜變量進行建模。

3.2 監測模型

目前，用于建立土壤組分的監測模型主要分為線性模型與非線性模型。一方面，線性回歸是最基本的建模方法，因其簡單可靠而被常用于數據分析，常用的方法有逐步回歸法（stepwise linear regression，SLR）、多元線性回歸法（multivaria-ble linear regression，MLR）及偏最小二乘法回歸（partial least squares regression，PLSR）等。另一方面，土壤組分與光譜特征變量并非都是理性的線性關系，采用非線性模型進行建模可更好地反映出其中的相關性，非線性建模方法有支持向量機回歸（support vector machine regression，SVR）、卷積神經網絡（convolutional neural network，CNN）、極限學習機（extreme learning machine，ELM）等。常用于光譜數據與實測數據建模的回歸算法如表3 所示。

表3 常用于光譜數據與實測數據建模的回歸算法Tab.3 Regression algorithms commonly used for spectral data and measured data modeling

4 結束語

遙感平臺獲取多光譜圖像技術是飛行器技術與光譜成像技術的結合，具有兩種技術各自的優勢，在快速土壤成分解析等方面具有較大潛力，但也存在一些問題。

（1）簡易操作數據解析方案的解決。遙感平臺獲取的光譜圖像數據受飛行本身傳感器、飛行器飛行參數和周圍環境的影響，在建立模型之前需要進行光譜數據的校正處理與圖像背景噪聲的去除，這一流程煩瑣、算法復雜且需要在多個軟件平臺上進行，因此，開發簡單易操作的數據預處理算法與軟件會提高數據處理的效率。

（2）建立的模型與不同種類的土壤樣品不匹配。土壤是十分復雜的有機物和無機物的組合體，采用同種測量方法檢測土壤成分，其結果因土壤質地、環境等因素而不同，因此開發一種可應用多土壤環境的切實有效的數學模型有重要意義。

（3）機器學習和模式識別成為遙感解析土壤成分的重要應用，為增加土壤模型的準確性與魯棒性， 提高建模速度，采用智能優化算法建立土壤預測模型變得越來越流行。