基于机载高光谱影像的南方水稻土有机质含量估算

郭晗, 张序, 陆洲, 田婷, 徐飞飞, 罗明, 吴正贵, 孙振军

(1.苏州科技大学环境科学与工程学院，江苏 苏州 215009；2.中国科学院地理科学与资源研究所，北京 100101；3.苏州市农业科学院，江苏 苏州 215000；4.苏州市农业技术推广中心，江苏 苏州 215006；5.苏州市农业信息中心，江苏 苏州 215128)

土壤有机质含量是评价土壤肥力的重要指标[1]，其高效监测是土地资源有效管理利用、种植业精细化运营必要条件和必然趋势。传统土壤有机质监测以室内测定为主，操作繁琐、耗时费力。航空、航天遥感以其高效、环保等特点在土壤有机质监测中应用日趋广泛，但其影像获取周期长，覆盖不完全等缺点制约了其在田间应用。相较之下，机载高光谱操作简便、环境友好、实时性强的优势逐渐凸显[2-3]，将其用于田间土壤有机质监测，必将促进现代化农业的进步，推动精准农业的快速发展。

21世纪以来，无人机(unmanned aerial vehicle,UAV)遥感技术快速发展，并应用于田间高分辨率土壤调查与制图[4]。国内外学者利用无人机遥感高光谱数据对土壤有机质开展了众多研究。Peon 等[5]利用机载高光谱扫描仪(airborne hyperspectral scanner,AHS)获得山区植被覆盖区数据源，建立了土壤有机质多元回归预测模型并取得了良好的效果。Xu等[6]利用Vis-NIR光谱结合SVR(support vector regression)对水稻土有机质含量进行监测，发现SVR对水稻土有机质检测具有很大的潜力，建立的土壤有机质预测模型精度R2达到0.88。秦凯[7]基于重建的机载高光谱数据研究土壤有机质的反演模型，开展了岩石矿物和土壤有机质的信息提取算法研究。文锡梅等[8]利用机载高光谱成像系统获取喀斯特地区土壤光谱数据，为喀斯特地区快速、大范围、实时地监测土壤有机质含量提供了更多的技术手段。张东辉等[9]通过CASI-1500航空高光谱成像系统(加拿大ITRES)获取黑龙江建三江地区有机质高光谱数据,显著提升了土壤信息反演的信息化水平。

土壤有机质光谱会受到土壤粒径、土壤类型、土壤pH等自身因素的影响而表现出不同形式，对于不同土壤类型，有机质监测模型有较大差别，普适性差。因此，针对特定土壤类型，减弱或去除植被、水分等土壤背景对机载高光谱的影响，研究具有针对性、高精度的土壤有机质监测模型是目前研究重点。南方地区以生产稻米闻名全国，为促进农业可持续发展和资源永续利用，积极开展轮作休耕工作[10]。为评价南方水稻土轮作休耕效果，高效监测土壤有机质含量，本文对研究区的高光谱数据(波段范围396～997 nm，波段个数176个)进行多种光谱变换，并利用多元回归(multiple linear regression，MLS)、偏最小二乘(partial least squares，PLSR)、反向传播神经网络(back propagation neural network, BPNN)、支持向量机(support vector machine，SVM)多种方法构建108种基于不同光谱变换的模型，以此探讨适应南方水稻土有机质估算的最优光谱变换和建模方法组合，为南方水稻土有机质大范围高效监测、土壤质量评价，提供技术参考。

1 材料与方法

1.1 研究区概况

选取苏州市震泽镇休耕水稻田(120°30′56.31″E～120°31′11.30″E，30°56′48.53″N～30°57′2.07″N)作为研究区，位于亚热带湿润季风气候区，平均年降水量在800～1 500 mm，气候温暖湿润[11]，适宜水稻生长。土壤多为粉砂质粘壤，颗粒细小，孔隙度高[12]，有利于降水入渗而底土层粘壤和粉砂粘壤对入渗降水有拦截作用，保水保肥性好，是水稻种植的理想土质。

1.2 数据获取

1.2.1高光谱数据获取 机载高光谱数据通过DJ Mpro 600无人机搭载GaiaSky-Mini2-VN航空高光谱成像系统获取(高光谱成像系统参数见表1)。为降低外界环境对土壤光谱的干扰，选择天气晴朗、风级小的1月25日于12:30～13:30对研究区进行数据采集。采集当日设置60个航点，共飞行2个架次，旁向覆盖率70%，飞行高度300 m。空间分辨率0.073 m，光谱分辨率最高可达3.2 nm。获得的高光谱数据利用SpecView先后进行了镜头校正，反射率校准，大气校正，并通过HiSpectralStitcher完成60景影像的拼接。

1.2.2土壤有机质数据获取 采用渔网布点法[13]在研究区布设59个采样点，实际采样时剔除非裸土的采样点后，共计45个采样点(图1)。去除秸秆和土壤表层，通过梅花采样法采集5个点位0～10 cm表层土壤，混合作为一个土样，每个土样采集1 kg，避光保存。

采集的土样经过冻干、研磨、过筛等预处理后，用盐酸消解无机碳，通过Multi NC3100TOC分析仪(德国耶拿)测定有机碳，测定结果乘以土壤有机质转换系数(1.724)得到土壤有机质含量。相较于传统的重铬酸钾容量法，该方法大大的减少了人为误差，缩短了测定时间，提高了测定效率[14]。

1.3 实验方法

1.3.1建模集检验集划分 利用SPSS.22将研究区的45个样本总集随机划分成32个建模集和13个检验集(图1)。从图1可以看出，建模集和检验集在研究区空间分布上较为均匀。

图1 建模点与检验点分布

1.3.2一维、二维特征光谱提取 利用Excel和Origin.2018对45个采样点176个波段的原始反射率进行去除包络线(continuum removal，CR)、倒数(inverse，IR)、对数(logarithmic，LR)、一阶微分(first-order differential，FDR)、二阶微分(second-order differential single transformation，SDR)、倒数一阶微分(inverse first-order differential，IFDR)、对数一阶微分(logarithmic first-order differential，LFDR)、倒数对数(reciprocal logarithmic，ILR)8种变换，得到一维光谱。利用SPSS.22对一维光谱与有机质进行相关性分析。

利用Matlab.7将所有波段的一维光谱两两组合，并对组合后光谱计算土壤比值指数(RSI)和土壤归一化指数(NDSI)，得到土壤有机质的二维光谱。

RSI(λ1,λ2)=λ1/λ2

(1)

NDSI(λ1,λ2)=(λ1-λ2)/(λ1+λ2)

(2)

式中，λ1、λ2为任意两个波段组合，λ1≠λ2。

二维光谱与有机质之间的相关性系数计算，通过Matlab.7中的Corrcoef[15]函数中实现。

一维、二维特征光谱的筛选均在Excel中完成。为减少一维、二维建模之间的非必要差异因素，增加建模效果的可比性，结果的说服性，对一维和二维建模输入变量个数进行统一(表2)。对原始和8种变换后的一维、二维光谱依次筛选出10个有机质响应敏感的波段用于多元线性回归模型(MLR)的建立。同时筛选出与全波段一维光谱个数相同的二维特征光谱作为偏最小二乘(PLSR)、反向传播神经网络(BPNN)和支持向量机(SVM)建模方法的输入变量。

表2 模型输入变量个数

1.3.3模型建立与检验 本文建立了土壤有机质高光谱预测的多元回归(MLR)、偏最小二乘(PLSR)线性模型和反向传播神经网络(BPNN)、支持向量机(SVM)非线性模型。

MLR模型的建立利用SPSS.22完成，设置95%作为误差表征级别选入和剔除变量[16]，依次构建基于原始反射率及其8种数学变换的一维、二维特征光谱模型。土壤有机质PLSR、BPNN、SVM预测模型的建立分别以全波段一维光谱、二维特征光谱作为输入变量，通过调节建模参数达到理想的建模效果。建模精度和检验精度均通过决定系数(R2)和均方根误差(RMSE)进行评价。

(1)

(2)

2 结果与分析

2.1 有机质测定结果及特征分析

有机质测定结果(表3)表明：总集、建模集、检验集均值在2%以上，都达到了国家三级土壤肥力标准[17]，研究区的土壤有机质含量较高，可以掩盖土壤中铁或者锰对土壤光谱的响应[18]。总集、建模集、检验集变异系数均大于2.4%，避免了因土壤样本有机质含量变异系数过小造成的光谱反射率估算土壤有机质含量精度偏低现象[19]。建模集、检验集划分较合理，可用于土壤有机质含量估算研究。

表3 研究区采样点有机质特征统计

2.2 特征光谱提取结果与分析

2.2.1一维特征光谱 原始反射率(RAW)及8种光谱变换与有机质之间的相关性分析见表4。LFDR及IFDR变换后光谱和有机质之间相关性较好，最敏感波段处相关性均大于0.5，其中IFDR与有机质之间相关性最高达到了0.561，较RAW特征光谱与有机质之间的最优相关性提高了0.16；经过FDR、SDR、IFDR、LFDR变换后的反射率与有机质之间的相关性变异系数均有较大的提高，可见微分变换能有效分解波段间的重叠峰，扩大样品之间的光谱特征差异，提高光谱灵敏度，这与乔娟峰等[16]研究结论一致。

表4 一维光谱与有机质之间相关性

一维特征光谱在全波段分布见图2。410～440 nm处是特征光谱集中区域,共有46个特征波段，超过其他波段处特征光谱总和。结合采样点在不同波段处的原始平均反射率(图3)发现，410～440 nm处存在一个反射率低谷，即土壤有机质在此波段存在强吸收，其是有机质响应的敏感波段。其他波段范围内虽然一维特征光谱分布较少，但仍然存在，为充分挖掘光谱信息，凸显不同光谱之间差异，寻找隐含特征光谱，需对原始和变换后的一维光谱分别进行比值(RSI)和归一化(NDSI)处理。

图2 一维特征光谱在全波段分布

图3 采样点反射率均值曲线

2.2.2二维特征光谱 从图4可以看出，二维特征光谱(RSI、NDSI)与有机质之间的相关性较一维特征光谱均有较大程度提高，二维光谱在挖掘隐含光谱信息，反映土壤有机质适应机制上优于一维光谱[20-21]。LFDR变换对应的RSI、NDSI二维光谱与有机质之间的相关性分别达到0.616、0.584，相较于其他光谱变换，LFDR变换对应的二维(RSI、NDSI)特征光谱与有机质之间的相关性较好，表现最为稳定。说明LFDR变换充分保留和结合了FDR变换和LR变换的优势，能有效解决光谱重叠问题，突出特征波段光谱信息，与周倩倩等[22]研究结果一致。RSI和NDSI二维特征光谱与有机质之间的相关性差异不大，除SDR变换对应的二维特征光谱外，RSI二维特征光谱与有机质之间的相关性略大于NDSI二维特征光谱。NDSI固有的运算法则会生成值为0的光谱指数，从而导致部分特征光谱的遗失，此外NDSI处理对光谱背景有消除作用，但同时也会放大其他细微光谱信息，对有机质光谱信息产生覆盖、干扰。因此，RSI光谱变换能保留更完整的光谱信息，和有机质之间的相关性分析更完全。

图4 不同变换方法的最大相关系数

从图5可以看出，RSI和NDSI筛选出的二维特征光谱所处波段位置基本相同，它们特征波段密集区均位于500～550 nm 组合处和900 nm组合处。采样点的原始平均反射率曲线(图3)在500～550 nm 及900 nm处的反射谷难以直观看到，这是由于土壤背景及其他物质的光谱信息对有机质光谱信息产生干扰造成的。一维光谱变换很难筛选出被其它物质光谱信息影响的有机质响应敏感波段，而二维光谱(RSI、NDSI)可以去除冗余信息，有效放大有机质与光谱之间的微弱关联，强化有机质与光谱之间相互作用关系，快速提取有机质响应敏感波段[23]。

图5 全波段中RSI、NDSI二维特征光谱分布

2.3 建模结果分析

2.3.1不同输入变量的建模结果分析 基于上述原始反射率及8种变换的一维和二维(RSI、NDSI)特征光谱提取结果分别建立了MLR、PLSR、BPNN、SVM 4种模型(图6～8)，共计108个，其中BPNN在一维、二维(RSI、NDSI)光谱建模中都取得较高的建模精度和检验精度，整体建模效果较好。SDR光谱变换对应的NDSI二维光谱模型检验精度低，建模效果较差，远不如SDR光谱变换对应的NDSI二维光谱建模效果，这与二维特征光谱提取结果一致，即SDR光谱变换对应的NDSI二维光谱与有机质之间相关性小于RSI二维光谱。相较一维光谱，线性模型(MLR、PLSR)建模精度和检验精度在二维光谱中有较大程度提升，其中基于RSI二维光谱建立的线性模型(MLR、PLSR)效果最好。直接原因是RSI二维特征光谱与有机质之间的相关性大于NDSI二维特征光谱与有机质之间的相关性，可见特征光谱与有机质之间的相关性程度与建模效果联系紧密，恰当的光谱变换是建立优质模型的基础。除LFDR变换外，不同光谱变换的SVM模型建模精度和检验精度在一维和二维光谱中差异较大，稳定性较差。说明原始反射率经过LR和FDR组合变换后能准确定位有机质响应的特征波段，提高有机质与光谱之间拟合度，LFDR是建立SVM土壤有机质预测模型的最佳光谱变量。二维光谱建模精度和检验精度整体高于一维光谱。比值(RSI)二维光谱建模效果优于归一化(NDSI)二维光谱建模效果，建立模型具有较好的稳健性。基于不同变量的建模效果由高到低依次是：RSI二维光谱、NDSI二维光谱、一维光谱。

图6 基于一维光谱的MLR、PLSR、BPNN、SVM建模效果

2.3.2建模质量评价分析 为定量评价不同方法的建模质量，本文定义检验精度误差(模型检验精度与建模精度差值的绝对值)作为衡量指标(表5)。相较一维光谱，基于二维光谱建立的MLR、PLSR、BPNN模型，检验精度与建模精度之间的误差有所减小，其中MLR模型检验精度与建模精度之间的误差减小显著，达到0.25。这是由于MLR建模输入变量较少，且一维特征光谱信息单一，遗漏部分隐含特征光谱，忽略特征光谱之间的内在联系造成的。二维光谱建立的模型在适用性和稳定性[24]上均优于一维光谱建立的模型。

图7 基于RSI二维光谱的MLR、PLSR、BPNN、SVM建模效果

图8 基于NDSI二维光谱的MLR、PLSR、BPNN、SVM建模效果

表5 一维、二维光谱建模的检验精度误差

2.3.3不同方法建模结果分析 线性模型(MLR、PLSR)建模精度及检验精度整体低于非线性模型(BPNN、SVM)，其中，BPNN建立的模型对土壤有机质和高光谱的整体拟合效果佳。SVM建立的有机质预测模型精度较好，但检验精度较低，模型拟合度不如BPNN。综合建模精度和检验精度，土壤有机质含量估算模型由好到差依次是BPNN、SVM、PLSR、MLR，对应最适光谱输入变量依次是RSIRAW、RSILFDR、RSIIR、NDSIIFDR。基于RSIRAW建立的BPNN模型建模精度为0.952，检验精度为0.889，拟合效果最好(表6)，此时建模参数：神经元个数为5，网络训练次数为5 000，训练目标为0.01，学习速率0.01。

表6 不同模型最优建模型精度

2.4 模型应用

本文选取苏州市吴中区休耕水稻田(图9)作为测试区域，机载高光谱影像数据于天气晴朗的2019年3月4日采集(技术参数见1.2.1)，同时采集8个土样测定其有机质含量(实验操作同1.2.2)，用于研究结果的验证。

通过Envi5.3的Bandmath功能实现模型在田块的应用，对土壤有机质的估算结果见图9。去除非田块区域，从图9中可估算该田块的有机质含量范围是18.521～29.514 g·kg-1，其中大部分区域有机质含量超过20 g·kg-1，有机质含量较为丰富。实测点有机质含量与估算结果见图10，验证精度(R2)为0.813，模型估算效果良好，检验均方根误差(RMSE)为0.764，模型稳定性较好，相对分析误差(RPD)为1.983，模型较为可靠，本研究结果在南方水稻土有机质监测上具有可行性和借鉴性。

图9 测试区域及测试结果

图10 实测值对估算值验证

3 讨论

本文针对外部环境对土壤有机质光谱产生干扰这一问题，研究估算消除土壤背景影响的土壤有机质含量，结果表明，LFDR变换后的光谱能有效扩大特征光谱与冗余信息之间的差异，显著突出有机质响应光谱信息，可作为光谱变换的首选方法；同时本文基于一维、二维光谱分别建立了MLR、PLSR、BPNN、SVM模型，其中非线性模型(BPNN、SVM)在建模精度和检验精度上均高于线性模型(MLR、PLSR)，这与张小鸣等[25]研究结果一致，也印证了土壤有机质含量预测由简单线性模型向复杂非线性模型发展的趋势[26]；此外,发现不同建模方法的最适输入变量分别为MLR-NDSI、PLSR-RSI、BPNN-NDSI、SVM-RS，这对土壤有机质含量估算工作中的建模方法和输入变量的选择具有一定的借鉴意义；最后在非研究区地块对研究结果进行有机质含量估算测试，估算精度达到了 0.812 8，模型预测效果较好，可用于南方土壤有机质高效监测，对农业耕种、施肥有重要指导作用。但由于研究出发点的限制，本研究结果具有一定局限性，难以在其他地域、其他类型土壤上推广应用。当前针对不同地域不同类型土壤进行消除外部因素影响的研究日渐成熟，但环境因素复杂多变，研究成果普适性差、难以推广。

在土壤有机质一维、二维特征光谱提取中发现，410～440 nm是土壤有机质响应敏感的一维波段集中区，500～550 及900 nm是土壤有机质响应敏感的二维波段集中区。这与侯艳军等[27]、Gunsaulis等[28]研究结果有所差别，但均位于可见光和近红外波段处。这是因为土壤有机质反射率会受到土壤类型、光谱获取方式、植被数量、土壤水分等因素影响而增强或减弱，但反射率在可见和近红外波段处的整体趋势基本一致[29]。可见，土壤有机质响应高光谱存在固有反应机制，要解决土壤有机质高光谱估算模型适用性差的问题，探讨土壤有机质内部组分或官能团对光谱响应机理研究是关键。

有学者指出[20,23],土壤有机质对光谱在可见光区域的响应主要是由有机质中胡敏酸引起的，在近红外波段处的响应是由O-H、C-H、N-H等官能团引起的，但此类结论只停留在经验推论上，缺少可靠、精确的实验支撑和理论支持，而有机质内部组分对光谱响应的具体机制也尚无定论。因此，研究土壤有机质内部组分与光谱响应机制将成为未来重要发展方向，这也将促进高光谱在其他物质测定领域的快速发展。