基于Hyperion数据的耕地土壤有机质含量遥感反演

邱 壑, 陈瀚阅,2, 邢世和,2, 张黎明,2, 董新宇

(1.福建农林大学资源与环境学院；2.土壤健康与调控福建省高校重点实验室，福建 福州 350002)



基于Hyperion数据的耕地土壤有机质含量遥感反演

邱 壑1, 陈瀚阅1,2, 邢世和1,2, 张黎明1,2, 董新宇1

(1.福建农林大学资源与环境学院；2.土壤健康与调控福建省高校重点实验室，福建 福州 350002)

为了探究耕地土壤有机质含量与卫星影像光谱间的关系，确定土壤有机质的光谱特征，构建土壤有机质含量反演模型.利用Hyperion高光谱卫星影像和福建省三明市80个土壤调查样点分析数据，对土壤有机质与光谱指数相关性进行了分析；在提取特征光谱指数的基础上，分别基于敏感波段和特征指数建立线性模型和多元逐步回归模型.结果表明：土壤有机质含量在Hyperion高光谱782.95～813.48 nm波段具有良好的响应能力；反射率的一阶导数所建立的模型拟合效果最优，其R2为0.777，RMSE为5.31，验证模型有机质实测值与预测值的R2为0.809，表明它能够用于区域有机质含量的快速测定.

Hyperion高光谱; 土壤有机质; 预测模型

土壤有机质是土壤的重要组成部分[1]，但传统测定方法较为繁琐，且使用的化学试剂如处理不当会对环境和人体产生不利影响.卫星影像具有像幅面积大、时相性强、信息资料处理便捷、成本低等特点，为区域土壤有机质快速监测提供了更为有效的技术途径.彭杰等[2]于室内研究发现，去除有机质后，570～630 nm处的土壤反射率能得到提高.张娟娟等[3]测定潮土和水稻土的土壤样品，发现2种土壤有机质相同的敏感波段为800、1 398和546 nm.史舟等[4]对我国十多个省市区域收集的1 581个土壤样本进行研究，判定在820 nm波段附近存在C-H吸收带，在2 300 nm附近存在一个与有机质相关的C-H特征峰.卫星影像会受到地物覆盖和传感器的影响，精度较低.卢鹏等[5]采用掩膜技术降低水体和植被对Hyperion高光谱反演模型的干扰，并提出不同季节、区域温度、降水和蒸发对模型的准确度都会造成一定影响.Peon et al[6]对比Hyperion、Lansat5、TM、AHS、MODIS、CASI这6个传感器在估测西班牙野火频发区土壤有机质的能力强弱，结果显示有效估测土壤有机质传感器的频带位置可能比光谱分辨率更重要，有机质预测最显著的区域是在可见光和短波红外区域，其次为2 000～2 400 nm区域.Gomez et al[7]分析澳大利亚西北部表层土壤有机碳与Hyperion光谱之间的关系，发现混合像元以及光谱的空间分辨率会影响模型预测结果，而土壤有机质含量范围以及样品的数量对模型精度的影响较小.Yi et al[8]将地形参数、土壤图和辅助模型应用到Spot5、Landsat8遥感图像的有机质反演模型，比单纯使用遥感数据得到的结果更精确.植物可利用水是土壤有机质预测的一个非常重要的校准变量，归一化植被指数反映了作物生长的特性，并给出了土壤性质的信息.土壤有机质估算模型主要是以室内测定土壤光谱为主，以卫星影像为辅，且室内测定的精度远大于卫星影像；但高光谱卫星影像有覆盖范围大、多时相等优势，如果能将其与土壤普查数据结合，采用有效的手段剔除复杂像元的干扰，构建反演模型，对于区域土壤有机质含量变化的实时监控具有重要的意义.

鉴于此，本文基于Hyperion高光谱遥感影像以及2008年福建省土壤调查样点数据，分析卫星影像相应区域耕地土壤有机质含量与不同光谱指数之间的相关性，并在选取特征光谱指数的基础上，通过分别构建线性回归模型和多元逐步回归模型进行验证对比，为实现区域耕地土壤有机质含量的遥感快速估测提供依据.

1 材料与方法

1.1 研究区概况

三明市属中亚热带季风气候，耕地总面积为19.47万 hm2，占土地总面积的8.48%;土壤类型以红壤、黄壤、水稻土为主，境内森林覆盖率76.8%[9].研究区为Hyperion高光谱遥感影像覆盖区域，幅宽长7.7 km，宽42 km，位于福建省三明市中部.

采用福建省三明市沙县的一景Hyperion高光谱遥感数据，成像时间为2012年5月22日14:17.影像范围：25°38′44.05″—26°39′24.43″N，117°20′22.09″—117°38′58.85″E，传感器以推扫方式获取可见光近红外(356～1 085 nm)和短波红外(852～2 577 nm)光谱数据，平均采样间隔为10 nm的连续波谱数据，共242个波段，文件类型为L1R级，辐射分辨率16 bit，空间分辨率30 m[10].

光谱预处理采用ENVI 5.1去除未标定和受水汽影响的波段；对于其余174个波段(426.82～884.7 nm，996.63～1 346.25 nm，1 457.23～1 800.29 nm，1 961.66～2 375.3 nm)基于Hyperion_Workshop模块进行坏线修复、去条纹、去smile效应等预处理工作[11]；最后利用ENVI/FLAASH进行大气校正，并以较精准的TM影像对Hyperion影像进行几何校正(精度在半个像元之内).

1.3 土壤数据预处理

收集的2008年土壤调查样点分析数据来自农业部测土配方施肥项目样点分析资料.调查样点为0～20 cm的耕层土壤，有机质含量的测定采用重铬酸钾容量法(外加热法)[12].

图1 三明市供试样点分布图Fig.1 Distribution of sampling points across Sanming City

对调查样点数据进行下列处理：(1)借助ArcGIS 10.1软件，校准土壤调查样点数据的投影坐标系，使其与几何校正后的遥感影像一致[13]；(2)提取Hyperion高光谱数据覆盖范围下的2008年土壤调查样点分析数据，筛选一个像元内2个及2个以上的样点，取平均值作为唯一值，共计1 006个供试样点；(3)借助ENVI 5.1软件，以1 006个供试样点的经纬度作为ROI提取Hyperion影像对应的1 006个像元的光谱数据，与土壤属性配对.遥感影像范围内三明市供试样点的空间位置见图1.

魏晋南朝时期，随着士人阶层玄学的盛行，礼法的松动，女性亦表现出“林下之风”。谢道韫公然向谢安表示对夫婿王凝之的不满，这是对男权的挑战，而其在孙恩之乱中抽刃出门，手杀数人，则是对常规女性状态的超逸。又如刘宋时期的韩兰英，曾向孝武帝献赋，被封为博士，又因其年长并且博学多闻，所以常被称为“韩公”。“公”在古代当为对男性尊称的专用词，此处“韩公”之称，是对其学识的褒扬与对其地位的尊崇，这在另一方面又显现出通过模糊其女性性别来达到推重的目的。

遥感影像空间分辨率限制以及地物复杂性[14]导致部分像元光谱仅反映混合像元的光谱特征，而非纯土壤像元光谱特征.为了得到土壤本身的光谱特征，本研究采用SVM聚类叠加法筛选均一的土壤像元[15]，得到的纯土壤像元面积为影像总面积的7.55%，将供试样点加载到分类结果上进行提取，最终得到80个土壤像元上的土壤样点.供试耕地土壤样点的有机质信息见表1.影像局部区域SVM聚类结果见图2.

表1 供试耕地土壤样点有机质含量

图2 局部区域SVM聚类效果

1.4 光谱变换与特征光谱的筛选

为比较不同变换形式光谱指数对土壤有机质的响应能力[17]，利用spss 22.0[18]软件，对全波段各类光谱指数与有机质含量的相关性进行分析，并提取土壤的特征光谱波段用于土壤有机质建模.

1.5 估测模型的建立与验证

利用80个建模样本，在对光谱的原始反射率、反射率的一阶导数、比值土壤指数和归一化土壤指数特征光谱筛选的基础上，分别对各指数的敏感波段建立线性回归模型；以筛选出的较好相关系数的波段或波段组合作为变量导入spss 22.0，设定变量误差表征级别95%作为选入和剔除变量的依据[19]，依次构建基于不同变量集合的多元逐步回归模型.并选择决定系数R2和均方根误差RMSE 2个指标对单一变量模型与多元逐步回归模型精度进行对比验证.

对比基于最佳光谱指数构建的单一变量模型与多元逐步回归模型，选出较为理想的模型,以分析Hyperion高光谱数据应用于土壤有机质含量估测的特点.

2 结果与分析

2.1 土壤有机质与光谱指数的敏感性分析

光谱原始反射率与供试土壤样点有机质含量的相关性分析(图3)结果表明：原始反射率在436.99～528.57 nm与样点有机质含量有极显著正相关，在2 012.15～2 203.83 nm有极显著负相关.

光谱反射率的一阶导数与供试土壤样点有机质含量的相关性分析见图4.结果表明：反射率的一阶导数在762.6～803.3 nm处与土壤有机质含量的相关性最大，相关系数绝对值为0.703，在1 033.49、1 094.09、1 245.36、1 749.79 nm处相关系数也达到极显著水平.

图3 原始反射率与土壤有机质含量的相关系数

图4 反射率的一阶导数与土壤有机质含量的相关系数

光谱归一化土壤指数与供试土壤样点有机质含量的相关性分析见图5.结果表明：归一化土壤指数在近红外波段772.78～833.83 nm、1 037.33～1 104.19 nm、1 759.89～1 780.09 nm和2 244.22～2 254.22 nm附近构建的指数与土壤有机质含量有较强的相关性，相关系数绝对值在782.95 nm处达到最大值(0.703).

比值指数与供试土壤样点有机质含量在762.6～823.65 nm、1 027.16 nm、1 104.19 nm、1 487.53 nm处构建的指数与土壤有机质有较强的相关性，如图6所示，相关系数绝对值在813.48 nm处达到最大(0.744).

图5 归一化土壤指数与土壤有机质含量的相关系数

图6 比值指数与土壤有机质含量的相关系数

2.2 基于敏感波段的土壤有机质线性回归模型

基于上述光谱原始反射率、反射率一阶导数、比值土壤指数及归一化土壤指数与土壤有机质含量的敏感性分析，选择较优的敏感波段；以波段或波段组合作为自变量，以土壤有机质含量作为因变量，构建线性回归模型.

对敏感波段的土壤有机质线性回归模型的对应波长、模型公式以及评价指标(表2)进行分析，结果表明：模型精度从高到低排列顺序为比值土壤指数>归一化土壤指数>反射率的一阶导数>原始反射率.原始反射率预测土壤有机质最佳光谱参数处于457.34 nm，预测模型为y=8.042+0.033x，决定系数与均方根误差分别为0.17和11.14.反射率一阶导数预测土壤有机质最佳参数处于803.3 nm，预测模型为y=34.61-3.536x，决定系数与均方根误差分别为0.494和8.69.归一化土壤指数预测土壤有机质最佳参数由782.95 nm与(813.48 nm 2个波长组成，预测模型为y=39.905-677.655x，决定系数与均方根误差分别为0.549和8.21.利用比值土壤指数预测土壤有机质的最佳参数由793.13 nm与813.48 nm 2个波长组成，预测模型为y=438.57-399.131x，决定系数与均方根误差分别为0.554和8.16.

表2 基于敏感波段的土壤有机质线性回归模型

由此可见，782.95～813.48 nm波长范围内的3种光谱指数对土壤有机质均有响应，说明在782.95～813.48 nm波长的光谱响应值与土壤有机质含量变化有较强的敏感性；而又以经过比值处理后的结果精度最高；2 153.34 nm与2 254.22 nm波长构建的比值土壤指数与归一化土壤指数对土壤有机质含量也有较强的响应能力，说明土壤有机质含量的变化能够影响这个波长的响应值.

2.3 基于特征指数的土壤有机质多元逐步回归模型

以光谱原始反射率、反射率的一阶导数、比值土壤指数、归一化土壤指数分别作为多元逐步回归分析的自变量导入spss 22.0，设定变量误差表征级别95%作为选入和剔除变量的依据[20]；以土壤有机质含量作为因变量，构建逐步回归模型.

对各指数的土壤有机质多元逐步回归模型公式以及评价指标(表3)进行分析，结果表明：基于多元逐步回归方程的模型精度从高到低排列顺序为反射率的一阶导数>归一化土壤指数>比值土壤指数>原始反射率.原始反射率预测土壤有机质最优模型的决定系数与均方根误差分别为0.4和9.36.比值土壤指数预测土壤有机质最优模型的决定系数与均方根误差分别为0.647和7.03.归一化土壤指数预测土壤有机质最优模型的决定系数与均方根误差分别为0.741和5.98.反射率一阶导数预测土壤有机质最优模型的决定系数与均方根误差分别为0.777和5.31.

对归一化土壤指数所构建的多元逐步回归模型的有机质实测值与预测值进行比较(图7)；对反射率的一阶导数构建的多元逐步回归模型的有机质实测值与预测值进行比较(图8).结果显示，利用归一化土壤指数进行土壤有机质含量的反演，其验证指标：R2=0.756，RMSE=5.98；利用反射率的一阶导数进行土壤有机质含量的反演，其验证指标：R2=0.809，RMSE=5.31.相比之下，利用反射率的一阶导数进行预测得到较高的R2和较低的RMSE值.归一化模型与一阶导数模型均存在斜率偏低的问题，在土壤有机质含量低于30 g·kg-1时，预测结果比实际值高；归一化模型在有机质含量高于30 g·kg-1时，预测结果比实际值低；一阶导数模型在有机质含量高于30 g·kg-1时预测结果与实际值较为接近.结果表明，利用反射率的一阶导数构建的逐步回归模型的预测效果最好.

3 小结与讨论

本文基于Hyperion高光谱数据，结合土壤普查数据，对不同光谱指数用于土壤有机质的反演模型进行对比分析，结果表明Hyperion高光谱782.95～813.48 nm波长可作为监测土壤有机质含量变化的敏感波段；基于各指数构建的多元逐步回归模型的精度大于基于敏感波长的线性回归模型，其中以反射率的一阶导数构建的逐步回归模型精度最高(R2=0.809, RMSE=5.31).

表3 基于各指数的土壤有机质多元逐步回归模型

图7 归一化模型土壤有机质含量预测值与实测值的比较Fig.7 Comparison between predicted soil organic matter content based on normalization model and measur

图8 反射率的一阶导数模型土壤有机质含量预测值与实测值的比较Fig.8 Comparison between predicted soil organic matter content based on the first derivative model and measured value

本研究区的土壤类型为红壤、黄壤和水稻土.张娟娟等[3]选择水稻土的敏感波段为802、1 409、870和795 nm，而潮土选取的波段为568和839 nm；卢艳丽等[20]发现545～830 nm波段与黑土的有机质含量呈显著负相关，与481～598 nm的一阶导数光谱呈极显著负相关；彭杰等[2]研究表明去除有机质后，570～630 nm波长土壤反射率提高.本研究结果与张娟娟对水稻土的敏感性研究结果基本一致，而与后者研究的敏感波长不同.其原因可能是研究区内土壤类型大多数为红壤、黄壤，其含有大量赤铁矿，因此在762.60～833.83 nm处的有机质响应很可能受矿物影响[21].福建省土壤形成是一个脱硅富铁铝化的过程，且研究区内土壤有机质整体水平较低，土壤像元整体呈现亮黄色和暗黄色，土壤呈现的颜色受土壤发色团和有机质本身颜色的影响较弱，因此在436.99～528.57 nm处有机质响应可能是由于土壤中铁离子引起的光谱变化[22-23]，在1 759.89～1 780.09 nm处有机质响应可能是由于氧化铝影响的光谱变化引起的[24-25]，能反映出土壤有机质含量的水平.在近红外波段，由于受到NH、CH和CO等基团的分子振动的倍频与合频吸收影响[4]，不同土壤类型在这一波长范围内均有显著相关性，因而与其他学者的研究结果大致相同.在红外波长内由毛管水引起的水分吸收带也与土壤有机质含量预测模型的精度有密切关系[6]；在2 254.22 nm附近发现一个与有机质相关的C-H特征峰，也有助于土壤有机质预测模型的建立.

虽然受高光谱遥感影像像幅及大气条件的限制，本研究采用的高光谱影像与土壤调查样点的时相不一致，但考虑到研究区内丰富的调查样点，土壤有机质在土地利用类型变化较小的条件下波动幅度较弱[26-29]，以及利用光谱遥感影像的区域土壤有机质含量测定的便捷性，采用SVM聚类的前处理方法筛选区域内的土壤像元，以减少植被、大气、混合像元以及时相对敏感波段的噪音干扰.在此次研究中得到精度较高的遥感反演模型，表明利用高光谱遥感影像与土壤调查样点数据定量反演区域有机质含量的方法是可行的.

本研究缺乏有效的技术手段探究植被覆盖区域有机质含量的光谱响应特征.通过揭示土壤有机质与植被的特征指数的变化规律，有待于进一步提高基于高光谱卫星影像估测土壤有机质含量中植被覆盖区域的预精度，实现全区域模型的构建.

[1] 黄昌勇.土壤学[M].3版.北京:中国农业出版社,2012.

[2] 彭杰,周清,张杨珠,等.有机质对土壤光谱特性的影响研究[J].土壤学报,2013,50(3):517-524.

[3] 张娟娟,余华,乔红波,等.基于高光谱特征的土壤有机质含量预测研究[J].中国生态农业学报,2012,20(5):566-572.

[4] 史舟,王乾龙,彭杰,等.中国主要土壤高光谱反射特性分类与有机质光谱预测模型[J].中国科学,2014,44(5):978-988.

[5] LU P, WANG L, NIU Z, et al. Prediction of soil properties using laboratory VIS-NIR spectroscopy and Hyperion imagery[J]. Journal of Geochemical Exploration, 2013,132:26-33.

[6] PEON J, FERNANDEZ S, RECONDO C, et al. Evaluation of the spectral characteristics of five hyperspectral and multispectral sensors for soil organic carbon estimation in burned areas[J]. International Journal of Wildland Fire, 2017,26(3):230-239.

[7] GOMEZ C, ROSSEL R A V, MCBRATNEY A B. Soil organic carbon prediction by hyperspectral remote sensing and field vis-NIR spectroscopy: an Australian case study[J]. Geoderma, 2008,146(3):403-411.

[8] PENG Y, XIONG X, ADHIKARI K, et al. Modeling soil organic carbon at regional scale by combining multi-spectral images with laboratory spectra.[J]. Plos One, 2015,10(11):e0142295.

[9] 郑建勋.三明市人民政府-自然资源[EB/OL].(2016-08-27)[2016-10-28].http://www.sm.gov.cn/sq/sqgk/zrhj/.

[10] RICHARD B. EO-1 User Guide v.2.3[EB/OL].(2003-04-25)[2016-10-28].https://eo1.usgs.gov/documents/hyperion/.

[11] DATT B. Hyperion Data Processing Workshop: Hands-on Processing Instructions[M]. Australia:CSIRO Earth Observation Centre, 2004.

[12] 劳家柽.土壤农化分析手册[M].北京:农业出版社,1988.

[13] MARIBETH P. ArcGIS地理信息系统教程.[M].5版.李玉龙译.北京:电子工业出版社,2012.

[14] 鲍晨光.森林类型遥感分类研究[C].哈尔滨:东北林业大学,2010.

[15] 邓书斌.ENVI遥感图像处理方法[M].2版.北京:高等教育出版社,2014.

[16] 刘青.人工神经网络遥感影像分类系统的设计与实现[D].昆明:昆明理工大学,2012.

[17] 何挺,王静,林宗坚,等.土壤有机质光谱特征研究[J].武汉大学学报(信息科学版),2006,31(11):975-979.

[18] 李昕.SPSS 22.0统计分析——从入门到精通[M].北京:电子工业出版社,2015.

[19] 陈红艳.土壤主要养分含量的高光谱估测研究[D].泰安:山东农业大学,2012.

[20] 卢艳丽,白由路,杨俐苹,等.东北平原不同类型土壤有机质含量高光谱反演模型同质性研究[J].植物营养与肥料学报,2011,17(2):456-463.

[21] CAMARGO L A, MARQUES J, BARRON V, et al. Mapping of clay, iron oxide and adsorbed phosphate in Oxisols using diffuse reflectance spectroscopy[J]. Geoderma, 2015,251:124-132.

[22] DIAGBOYA P N, OLU-OWOLABI B I, ADEBOWALE K O. Effects of time, soil organic matter, and iron oxides on the relative retention and redistribution of lead, cadmium, and copper on soils[J]. Environmental Science and Pollution Research, 2015,22(13):10 331-10 339.

[23] 魏昌龙,赵玉国,邬登巍,等.基于光谱分析的土壤游离铁预测研究[J].土壤,2014(4):678-683.

[24] FRANCESCHINI M H D, DEMATTE J A M, DA S T F, et al. Prediction of soil properties using imaging spectroscopy: considering fractional vegetation cover to improve accuracy[J]. International Journal of Applied Earth Observation and Geoinformation, 2015,38:358-370.

[25] SILA A M, SHEPHERD K D, POKHARIYAL G P. Evaluating the utility of mid-infrared spectral subspaces for predicting soil properties[J]. Chemometrics and Intelligent Laboratory Systems, 2016,153:92-105.

[26] 王清奎,汪思龙,高洪,等.土地利用方式对土壤有机质的影响[J].生态学杂志,2005,24(4):360-363.

[27] 张世文,叶回春,王来斌,等.景观高度异质区土壤有机质时空变化特征分析[J].农业机械学报,2013,44(12):105-113.

[28] 杨世琦,张爱平,杨淑静,等.典型区域果园土壤有机质变化特征研究[J].中国生态农业学报,2009,17(6):1 124-1 127.

[29] 章明奎,常跃畅.近 50 年浙江省耕作土壤有机质和酸碱度的变化特征[J].环境科学,2013,34(11):4 399-4 404.

(责任编辑:叶济蓉)

Soil organic matter estimation models based on Hyperion data

QIU He1, CHEN Hanyue1,2, XING Shihe1,2, ZHANG Liming1,2, DONG Xinyu1

(1.College of Resource and Environment, Fujian Agriculture and Forestry University, Fuzhou， Fujian 350002, China;2.University Key Lab of Soil Ecosystem Health and Regulation in Fujian, Fuzhou， Fujian 350002, China)

In order to explore the relation between arable soil organic matter content and satellite image spectrum, correlation analysis was conducted upon soil data from 80 sampling points in Sanming City and Hyperion hyperspectral satellite images. Then characteristic soil index and sensitive wavelength were subject to linear regression and stepwise multiple regression analyses. The results showed that soil organic matter content was highly response to Hyperion hyperspectral bands at wavelength of 782.95-813.48 nm. Fitting model based on the first derivative of reflectivity was optimal, withR2being 0.777 and RMSE being 5.31. WithR2between the measured and predicted value of soil organic matter being 0.809, satellite image spectrum is confirmed to be an reliable indicator of soil organic content.

Hyperion hyperspectra; soil organic matter; estimation model

2016-11-07

2017-05-06

国家自然科学基金资助项目(41401399).

邱壑(1992-)，男，硕士研究生.研究方向：土壤遥感.Email:423857065@qq.com.通讯作者邢世和(1962-)，男，教授，博士生导师.研究方向：土壤环境生态与碳氮循环.Email：fafuxsh@126.com.

S127

A

1671-5470(2017)04-0460-08

10.13323/j.cnki.j.fafu(nat.sci.).2017.04.017