基于地面高光譜與無人機多光譜遙感的土壤主要養分含量估測

陳 麗

（三和數碼測繪地理信息技術有限公司，甘肅 天水 741000）

遙感技術為土壤檢測工作的開展提供了保障，尤其是在多光譜方面的研究，開展實踐工作主要就是針對土壤中鹽、水及重金屬的含量進行分析，準確探究土壤的特性，充分了解并掌握土壤肥力，以便在后續研究工作中加強創新。然而，盡管學者已經從多角度展開研究工作，并構建了土壤養分估測模型，但仍然受到了一些因素的影響，無法保證各項數據的準確性。為此，本文根據現階段土壤主要養分含量的估測工作進行深入探討分析，通過整合地面高光譜和無人機多光譜遙感技術對土壤主要養分含量進行準確測定，篩選養分特征，并實施對比分析，建立了擬合模型，以期為后期農業生產工作提供數據支持與保障。

1 研究背景與意義

土壤是植物生長的基質，其可以為不同類型的植物提供各種養分，是植物養分的重要來源。對土壤進行養分分析，可以更加準確地了解土壤的肥力，提升土壤養分數據的準確性，更好地保證植物在生產過程中所需的養分。同時，土壤有機質通過分類處理可以更好地進行規范，并促進生物和土壤微生物活動，提高土壤的整體性能。其中，針對土壤養分估測工作，應根據現階段工作情況做好規范工作，以便于更加科學地進行研究，以鉀元素、氮元素及磷元素作為基礎，在研究與應用階段，科學合理的研究方案發揮著不可替代的作用，需要予以廣泛重視，以此保證作物的健康生長[1]。

現階段，土壤養分估測工作方法較多，在優化處理階段，傳統實驗室測試方案需要運用化學試劑，為保證檢測的準確性，應制定科學的研究模式，利用光譜法進行優化控制，可以提升數據檢測的效果。而且在科學技術水平不斷提升的背景下，應圍繞地面多光譜與無人機高光譜測定方法，建立符合當前趨勢的運行方案，并準確把控各項數據參數，充分了解土壤中復雜養分的對應關系，進而實施更好的研究處理。

2 土壤養分的光譜特征與遙感估測

在對比分析與研究階段，土壤中有效磷元素、速效鉀含量與光譜關系分析較少，缺乏光譜機理分析，無法保證后續估測工作的順利進行。因此，為保證數據的準確性，在優化研究階段，應根據現有估測情況對數據獲取與處理制定更加可靠的措施，減少影響及問題的產生，真正體現實踐工作的價值。然而，在實踐分析工作中，受多樣化因素影響，分析效果不夠明顯，預測土壤有效磷元素與速效鉀含量的可行性有待分析。如果分別運用多光譜與高光譜展開研究工作，則可以更好地對估算工作進行優化處理。但仍然需要注意的是，養分含量估測技術的應用所包含的工作較多，在優化分析工作中，估算過程一致，但受多種因素限制，所以光譜預處理與特征波段選擇會存在問題。估算模型建立所包含的工作也較多，必須嚴格按照有關標準展開，以提升數據的準確性，并展現數據信息處理的價值。此外，為推進后續研究工作穩步運行，應圍繞土壤養分分析標準來展開，優化遙感技術，充分發揮技術的作用及價值[2]。

3 數據的獲取與前期檢測準備

3.1 數據獲取

為保證數據獲取的準確性，應圍繞地理位置展開探究，將無人機融入實踐工作當中，以影像采集作為基礎，綜合考慮多方面因素，并開展試驗田。例如，將某試驗田作為研究對象，其位置地勢走向為北高南低，同時區域范圍內主要為長方形監測區域，在選取符合土壤特征地塊進行采樣的過程中，應結合現階段情況建立模型，以化學分析、光譜測試為主，保證后續監測工作的順利開展。在多光譜數據采集階段，應科學選擇無人機鏡頭，并充分考慮氣候影響，控制無人機的飛行高度、速度，拍照時間間隔應控制在2 s～5 s。此外，對于高光譜數據采集，應根據實際情況對全波段進行土樣采集，并選擇合適的采集模式，以便更加科學地進行規范化采集，從而更加準確地分析各個樣本數據，做好檢測工作，并最大程度地體現實踐工作的作用[3]。

3.2 數據預處理準備

在對數據進行預處理的工作階段，應圍繞影像拼接及土壤測定模式展開，通過篩選無人機采集的照片，利用軟件對照片進行拼接處理，可以獲取更為準確的影像信息。對于土壤養分測定工作，應整合物理與化學方法，對有機質進行全面檢測，以便規范化操作，實現更準確的土壤元素測定。同時，光譜曲線優化處理階段受多種因素的影響，所以應采用不同的傳感器開展工作，避免出現問題，可以通過軟件進行規范控制，消除斷點問題，以平滑處理的方式消除噪聲影響，可以更加充分地了解土壤光譜曲線的特征。

4 結果分析

4.1 多光譜反演分析

土壤養分含量分析所包含的工作較多，要想全面保證數據的準確性，可以通過測定多光譜反射率系數，對土壤養分含量進行優化控制，以分布檢測作為處理手段，運用Pearson分析[4]，提高不同波段信息檢測的準確度。土壤養分含量與光譜反射率系數測定情況，如表1所示。

分析表1可知，除了速效磷和有機質以外，土壤養分含量與光譜之間存在顯著的相似性，所以在探究工作中，可以通過建立指標模型，提高對養分測試的準確性。以建立回歸模型為基礎，分別進行單雙變量分析，通過實驗全面檢測土壤養分含量，并改進檢測模式，充分掌握土壤反射率情況，以提高測定的準確度[5-7]。

表1 土壤養分含量與光譜反射率系數測定情況

通過研究分析，可以對土壤中鉀元素含量進行測定，選取兩波段變量為基礎，再構建養分含量測定模式，同時在合成指數光譜反演的基礎上，分析建立的擬合模型能否通過土壤反射率反映出土壤中的養分情況[8-9]。通過一維分析后，應圍繞多光譜二維合成再進行土壤養分含量的分析，并分別對不同波段信息進行探究，以保證數據的準確性，經過可靠性處理，鉀元素與波段各指數有關，利用合成波段分別進行相關性分析，全面探究不同元素的模型，以提升數據監測的準確性，避免受影響過于嚴重而產生問題。同時，在新模型建立后，應設置擬合方案，測定各項數據信息，以更好地反映鉀元素含量。但仍然需要注意的是，不同測定方式測定的指數有著一定差距，所以在優化控制階段，需要對反推演數據了解充分，從而減小影響及限制。

4.2 高光譜反演研究

在多光譜遙感分析完成后，應以合成植被指數和各個波段數據整合作為基礎，分析鉀元素含量，構建多光譜指數測定模式，并事先對原始數據進行分析，以不同形式進行探究，了解所包含的信息，從反射率對數、平方根及倒數展開，推導出各項數據信息[10]。

對土壤速效氮含量與光速指數的分析，應圍繞土壤養分含量相關性展開，對明顯的系數差距進行分析，準確把控指數情況，經過相關性分析探究養分含量，提取土壤中主要養分，并對各元素含量實施對比分析，以保證數據的準確性；再分別通過回歸分析，對各項系數實施優化，改進全氮元素擬合模型，了解土壤養分含量改善情況，以綜合性分析作為基礎，計算出養分含量曲線圖，整合不同回歸分析指數，為研究分析工作的開展提供有力依據。

利用相關分析法進行探究，在一定程度上可以提取土壤養分含量系數，對各波段范圍內信息進行全面分析，為回歸分析提供準確數據。同時，在實踐探究階段，應對相關系數極值點敏感段進行擬合處理，體現出相關影響，避免僅靠數據模型無法規范處理各項信息的情況。對于回歸分析所包含的內容，存在一定的片面性，而且建模效果不夠理想，若沒有準確判定信息，會產生一定的影響，應在現有基礎上進行規范化處理，建立機器學習，并對土壤有機質主要含量進行分析，以便更加準確地預算精度，選擇不同預算評估方法，保證數據的準確性，實現更加可靠的管理與規范工作。通過對不同方法的探究，可以發現土壤養分含量測定所包含的內容較多，應根據現階段情況制定針對性處理方案，以便在產生問題時可以更好地實施規范處理。

5 多光譜與高光譜整合對土壤養分評估分析

在研究工作開展階段，分別運用多光譜和高光譜對土壤養分含量進行估測研究，可以發現二者有著明顯的差距。首先，對于多光譜的運用，主要是對土壤紅外波段體現出明顯的敏感現象，而且土壤反射率與其他波段有著一定差距。在工作中應做好全面探究與分析，利用合成植被指數做好對比分析工作，對各項數學的差值進行探究，以便更好地了解土壤中養分的主要含量。通過回歸分析法對養分含量相關性進行分析，探究各項系數情況，對所造成的影響進行優化分析，在避免影響及限制的同時，可以初步估測結果。在多光譜估測中，通過不同形式對土壤中鉀元素的含量進行分析，以建立的模型為基礎，體現擬合的意義。

受多光譜養分評估效果因素影響，在利用高光譜進行土壤養分分析工作時，應充分了解特征波段情況，在注重單向分析的同時，準確分析土壤中的養分含量，以保證各項工作的科學性，并通過運用機器學習的方法，建立符合當前土壤檢測方法的回歸模型，全面分析擬合效果。使用支持向量機的模型，可發現RMSE（均方根誤差）相對較好，適用于土壤養分含量估測。

對于高光譜多變量土壤養分含量分析工作的開展，需要對變量數據進行分析，以便更加科學地進行優化，在機器學習的基礎上進行優化控制，從而獲取更為準確的數據信息。但是，對于樣本數據提取與檢測應圍繞研究情況進行優化控制，以獨立樣本測評為基礎，準確實施驗證與處理。而且，樣本變量較少時，應以神經網絡與回歸分析為基礎，以便更好地分析擬合效果，并為后續變量估測提供幫助，保證擬合精準性，不斷增加樣本數量，保證檢測結果，提高檢測的準確度。

6 結論

本文通過實例數據，對比分析了高光譜與多光譜在土壤主要養分含量估測中的應用優勢，并將兩者的優勢進行整合，建立了擬合模型，有效提升了土壤中主要養分估測的準確度，并希望可以為土壤養分含量估測工作提供借鑒，從而提升土壤養分含量估測的作業效率和估測結果的準確度，助推土壤養分含量估測工作。