土壤有機質高光譜自反饋灰色模糊估測模型

于錦濤,李西燦,曹雙,劉法軍

土壤有機質高光譜自反饋灰色模糊估測模型

于錦濤1,李西燦1,曹雙1,劉法軍2*

1. 山東農業大學信息科學與工程學院, 山東 泰安 271018 2. 山東省地質礦產勘查開發局第五地質大隊, 山東 泰安 271000

為克服光譜估測中的不確定性和提高光譜估測精度，本文利用灰色系統理論和模糊理論建立土壤有機質高光譜估測模型。基于山東省濟南市章丘區和濟陽區的121個土壤樣本數據，首先對土壤光譜數據進行光譜變換，根據極大相關性原則選取光譜估測因子；然后，利用區間灰數的廣義灰度對建模樣本和檢驗樣本的估測因子進行修正，以提高相關性。最后，利用模糊識別理論建立土壤有機質高光譜自反饋模糊估測模型，并通過調整模糊分類數進行模型優化。結果表明，利用區間灰數的廣義灰度可有效提高土壤有機質含量與估測因子的相關性，所建估測模型精度和檢驗精度均顯著提高，其中20個檢驗樣本的決定系數為2=0.9408，平均相對誤差為6.9717%。研究表明本文所建立的土壤有機質高光譜自反饋灰色模糊估測模型是可行有效的。

土壤有機質; 高光譜遙感; 估測模型

土壤有機質是評定土壤肥力的一個重要指標，快速獲取土壤有機質含量對發展精準農業具有現實意義[1]。傳統的土壤有機質測定方法雖然精度高，但是操作復雜、監測范圍有限、成本較高，難以滿足大范圍農田精準管理的需要，而高光譜技術具有時效高的特點，可以快速獲取土壤光譜信息，為土壤有機質含量監測提供了一種新技術[2,3]。近年來，國內外學者已經開展了土壤有機質含量高光譜估測研究，在光譜特性分析、光譜成因分析、光譜變換、光譜特征提取和估測建模等方面取得了豐富的成果[4,5]。目前，土壤有機質高光譜估測的建模方法主要有多元線性回歸[6]、偏最小二乘[7]、神經網絡[8]、支持向量機[9]等。隨著研究的不斷深入，運用多種估測方法進行建模估測已經受到高度重視，同時也涌現出大量的新方法。

由于高光譜數據受到眾多因素的影響，且取樣點的空間分布也影響有機質含量實測值的代表性，所以土壤光譜估測中不可避免地存在不確定性，即隨機性、模糊性和灰色性。因此，一些學者將模糊數學方法或灰色系統理論應用于土壤有機質的定量估測。任文靜等提出基于廣義灰度[10]的估測因子修正模型，有效提高了估測因子的相關性和土壤有機質含量光譜估測的精度，為修正光譜估測因子提供了一條新途徑[11]。基于廣義灰度的估測因子修正模型對建模樣本進行修正是比較方便的，但如何對檢驗樣本的估測因子進行合理修正有待進一步研究。另外，由于在土壤光譜估測中同時存在隨機性、模糊性和灰色不確定性，如何將這三種不確定性理論結合起來，也需要深入探討。因此，本文將統計分析、模糊識別和灰色關聯分析結合起來，開展土壤有機質高光譜估測模型研究。首先，利用統計分析方法對土壤光譜數據進行光譜變換，根據極大相關性原則選取特征波段的光譜變換值作為光譜估測因子。然后，利用區間灰數的廣義灰度對建模樣本的估測因子進行修正，利用正反向灰色關聯度[12,13]計算檢驗樣本估測因子的廣義灰度并修正估測因子。最后，利用模糊識別理論建立土壤有機質光譜估測模型，通過調整模糊分類數進行模型優化，并將其應用于山東省濟南市章丘區和濟陽區的土壤有機質含量光譜估測，取得了較為滿意的結果。

1 數據來源及預處理

1.1 實驗區概況

實驗區選在山東省濟南市章丘區和濟陽區。章丘區(117°10′～117°35′E，36°25′～37°09′N)位于黃河下游南岸，濟陽區(116°52′～117°27′E，36°41′～37°15′N)均位于黃河下游北岸，兩區均地處中緯度，年平均氣溫12.8 °C，水資源和光照資源豐富。章丘區的主要土壤類型為褐土，濟陽區的主要土壤類型為沙土。

1.2 土壤樣品采集

首先準備好采集土樣所需要的儀器設備，做好采樣前的準備工作，提前在地圖上規劃好采樣路線。然后，按預定路線，在實驗區內較均勻的采集土壤樣本，并將采集的土樣裝袋密封、編號。采樣時，主要采集研究區的表層土壤，深度大約在0～5 cm；同時使用手持GPS對采樣點定位，并記錄土壤利用類型、坡度等信息。本次實驗共采集121個土壤樣本。

1.3 光譜測量及有機質含量測定

將采集的121個樣本分別分為兩份，一份用于測量土壤光譜反射率，另一份用于測量有機質含量。使用美國ASD FieldSpecPro FR光譜儀采集土樣的光譜數據，該儀器波段范圍為350 nm～2500 nm。選擇無風、晴朗的天氣，在上午10至下午14點間測量室外土樣光譜。采集光譜數據時，傳感器與土樣距離15 cm，采用3°視場角照射, 光譜重采樣間隔設定為1 nm，每個樣本進行5次光譜測量，取其平均值，以減少誤差。

采用重鉻酸鉀—外加熱法測定土樣的有機質含量(單位:%)，其中有機質含量的最大值、最小值、平均值和標準差分別為29.38%，6.74%，19.63%，4.79%。

1.4 光譜數據預處理

土壤樣本光譜測定受到多種因素的影響，因此需要對光譜曲線進行平滑處理，以消除噪聲。首先利用View Spec Pro軟件對土壤光譜數據進行斷點校正；然后采用九點加權移動平均方法進行平滑去噪；最后按照有機質含量由小到大的順序將樣本排序，并繪制光譜曲線圖，根據有機質含量越高光譜反射率越低的原則，觀察光譜曲線走勢，將異常樣本剔除。

編號為32、33、41、48、60和63的樣本與光譜數據整體趨勢存在較大偏差，故將其剔除。剩余的115個樣本用于實驗分析，其中隨機選取20個樣本作為檢驗樣本，其余的95個樣本用于建模。

1.5 光譜特征提取

為提高光譜反射率與土壤有機質含量間的相關性，使用一階微分、對數倒數的一階微分等10種數學變換方法對原始光譜數據進行處理。實驗發現，對數倒數的一階微分和平方根倒數的一階微分變換效果最好。然后依據極大相關性原則選取特征波段，并考慮到相鄰波段因子之間的相關性較高，按照盡可能離散的原則，選取了7個特征波段作為估測因子(表1)。其中，854 nm波段采用平方根倒數的一階微分變換的數據，其余6個波段采用對數倒數的一階微分變換的數據。由表1可見，7個特征波段經變換處理后的相關系數得到了明顯增高。

表1 土壤有機質的光譜特征波段及相關系數

2 建模方法

2.1 基于廣義灰度的估測因子修正模型

為克服估測因子的量綱量級的影響，對估測因子進行歸一化處理。為進一步提高估測因子與土壤有機質含量之間的相關性，首先將估測因子轉化為區間灰數，并用廣義灰度[10]表示，然后根據廣義灰度的內在信息構建估測因子的修正模型，即：

由于未知檢驗樣本的有機質含量，所以不能按建模樣本估測因子的修正方法計算檢驗樣本的修正因子。因此，本文采用正反向灰色關聯度[12]先識別出與檢驗樣本最接近的兩個已知模式樣本，然后根據模式樣本估測因子取值域的灰度，以關聯度為權重利用加權平均法計算出檢驗樣本估測因子的取值域的灰度，再計算出其下限域和上限域的灰度[13]；最后利用式(1)修正估測因子。

2.2 基于模糊識別的權重自反饋預測模型

可見，估測因子修正模型及有機質含量預測模型的優化均是通過循環迭代自動完成的。因此，本文所建的模型不妨稱之為土壤有機質高光譜自反饋灰色模糊估測模型。

2.3 模型精度檢驗

3 結果與分析

3.1 估測結果

表2 建模樣本特征因子的相關系數

在估測因子修正后，采用自反饋灰色模糊預測模型進行建模和估測(結果略)，其中檢驗樣本有機質含量的實測值與預測值的關系，如圖1所示。

圖1 20個檢驗樣本的估測結果

3.2 對比分析

為了驗證本文所建估測模型的有效性，再利用多元線性回歸、BP神經網絡和支持向量機等常用方法對土壤有機質含量進行估測，20個檢驗樣本的估測結果見表3。

表3 因子修正前后的估測結果對比分析

由表3可見，在估測因子修正前，利用多元線性回歸、BP神經網絡和支持向量機估測結果的2均小于0.82，在13%左右，而利用本文方法估測的平均相對誤差為8.1526%，2為0.9115。在估測因子修正后，利用多元線性回歸、BP神經網絡和支持向量機估測結果的2均小于0.91，最小為7.6439%，而自反饋灰色模糊估測模型的平均相對誤差為6.9717%，2為0.9408。這說明本文提出的估測模型是有效的。目前，國內外眾多學者關于土壤有機質的估測領域也有許多成果，絕大多數模型的決定系數在0.7～0.9[16,17]之間，也有部分研究的估測結果達到0.9[18,19]以上。相較而言，本文提出的估測模型具有較高的估測精度。

4 結論

針對光譜估測中的隨機性、模糊性和灰色不確定性，本文將統計分析、灰色分析和模糊識別理論相結合，建立了土壤有機質含量高光譜自反饋灰色模糊估測模型。該模型理論基礎嚴密，易于程序化，為高光譜估測建模提供了一條新途徑。應用實例說明本文提出的估測模型是可行有效的。

[1] 鐘浩,李西燦,翟浩然,等.基于表層土壤光譜的耕層土壤有機質間接估測[J].安徽農業大學學報,2020,47(3):421-426

[2] 石樸杰,王世東,張合兵,等.基于高光譜的復墾農田土壤有機質含量估測[J].土壤,2018,50(3):558-565

[3] 章濤,于雷,易軍,等.高光譜小波能量特征估測土壤有機質含量[J].光譜學與光譜分析, 2019,39(10):3217-3222

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

[5] 于雷,洪永勝,周勇,等.高光譜估算土壤有機質含量的波長變量篩選方法[J].農業工程學報,2016,32(13):95-102

[6] Sanaz Z,Seyed RFS,Seyed AA.Weakly-coupledgeo-statistical mappingofsoil salinity to stepwise multiple linear regression ofMODIS spectral imageproducts[J].Journal of African Earth Sciences,2019,152(4):101-114

[7] Ward KJ, Chabrillat S, Brell M,. Mapping soil organic carbon for airborne and simulated EnMAP imagery using the LUCAS soil database and a local PLSR [J]. Remote Sensing, 2020,12(20):3451-3471

[8] 鐘浩,李西燦,翟浩然,等.耕層土壤有機質高光譜間接估測模型[J].測繪科學技術學報,2019,36(1):74-78

[9] Jamal E, Nadia O, Mehrez Z,. Evaluation of backscattering models and support vector machine for the retrieval of bare soil moisture from sentinel-1 data [J]. Remote Sensing, 2019,12(1):72-92

[10] Li L, Li XC. Analysis on the related factors of China's technological innovation ability using greyness relational degree [J]. Grey Systems: Theory and Application, 2022,12(3):651-671

[11] Ren WJ, Li XC, Liu JY,. Hyper-Spectral estimation model of soil organic matter based on generalized greyness of grey number [J]. The Journal of Grey System, 2022,34(2):22-40

[12] 任文靜,李西燦,劉杰亞,等.正反向灰色關聯度的土壤有機質含量高光譜估測[J].山東農業大學學報(自然科學版), 2021,52(5):840-844

[13] Zhong H, Li L, Li XC,. Positive and inverse degree of grey incidence estimation model of soil organic matter based on hyper-spectral data [J]. The Journal of Grey System, 2021,33(2):39-57

[14] 李希燦.模糊數學方法及應用[M].北京:化學工業出版社,2017

[15] Cao XS, Li XC, Zhai HR,. Grey relational local regression estimation model of soil water content based on hyper-spectral data [J]. The Journal of Grey System, 2020,32(2):20-33

[16] 玉米提·買明,王雪梅.連續小波變換的土壤有機質含量高光譜估測[J].光譜學與光譜分析,2022,42(4):1278-1284

[17] Nawar S, Buddenbaum H, Hill J,. Estimating the soil clay content and organic matter by means of different calibration methods of vis-NIR diffuse reflectance spectroscopy [J]. Soil & Tillage Research, 2016,155(1):510-522

[18] 丁天姿,任文靜,李麗,等.基于灰數灰度的土壤有機質高光譜估測[J].山東農業大學學報(自然科學版),2022,53(1):85-89

[19] 勾宇軒,趙云澤,李勇,等.基于CWT-sCARS的東北旱作農田土壤有機質高光譜反演[J].農業機械學報,2022,53(3):331-337

Self-feedback Grey Fuzzy Estimation Model of Soil Organic Matter Using Hyper-spectral Data

YU Jin-tao1, LI Xi-can1, CAO Shuang1, LIU Fa-jun2*

1.271018,2.271000,

To overcome the uncertainty in spectral estimation and improve the accuracy of spectral estimation, a hyper-spectral estimation model of soil organic matter is established in this paper by using grey system theory and fuzzy theory. Based on 121 soil samples from Zhangqiu and Jiyang districts of Jinan City, Shandong Province, the spectral data are firstly transformed and the spectral estimation factors are selected according to the principle of great correlation; then, the estimation factors of the modeling samples and the test samples are corrected by using the generalized greyness of the interval grey number to improve the correlation. Finally, the fuzzy estimation model with self-feedback of soil organic matter based on hyper-spectral is established by using the fuzzy recognition theory, and the model is optimized by adjusting the fuzzy classification number. The results show that the correlation between soil organic matter content and estimation factors can be effectively improved by using the generalized greyness of interval grey number, and the accuracy of the built estimation model and the test accuracy are significantly improved, among which the determination coefficient of 20 test samples is2=0.9408, and the average relative error is 6.9717%. The study indicates that the grey fuzzy estimation model with self-feedback of soil organic matter using hyper-spectral data developed in this paper is feasible and effective.

Soil organic matter; Hyper-spectral remote sensing; stimation model

TP79; S151.9

A

1000-2324(2023)04-0495-05

10.3969/j.issn.1000-2324.2023.04.003

2022-9-10

2022-11-16

泰安市科技創新發展項目(2021NS090);山東省自然科學基金項目(ZR2022QG037)

于錦濤(1998-),男,碩士研究生,主要從事高光譜技術與應用研究. E-mail:1436241662@qq.com

通訊作者:Author for correspondence.E-mail:876557655@qq.com