宁夏盐碱地土壤盐分高光谱反演*

2021-03-07彭金英蒋金豹崔希民王思佳王明国

矿山测量 2021年1期

关键词：微分反射率波段

彭金英，蒋金豹，崔希民，张建，王思佳，王明国，聂铖

(1.中国矿业大学(北京) 地球与测绘工程学院,北京 100083；2.北京师范大学地理科学学部，北京 100875；3.宁夏农业技术推广总站，宁夏银川 750001)

1 研究区及实验数据

1.1 野外采样

研究区位于宁夏回族自治区平罗县，野外采样在2018年4月8～10日进行，每个采样区由5个采样点组成，采样点间隔约10 m，呈矩形分布，每个样点采集0～5 cm表层土壤，并记录采样区中心点GPS位置信息，共采集59份土壤样本。

1.2 实验数据获取

将土壤样本带回实验室烘干、研磨、去除砂砾、植物根茎残体及砖瓦片等侵入体，并过2 mm孔筛，然后将每份土样分成两份，分别用于光谱数据采集和土壤理化性质测试分析。

土壤光谱测定在暗室内进行，采用的光谱仪为SVC HR-1024i，其光谱范围是350～2 500 nm，探头视场角为8°，光源采用卤素灯；土样放入黑色橡胶器皿，用尺子将土面刮平，将其放置于黑色底垫上，光源照射方向与垂直方向夹角15°，光源距离土壤表面30 cm，探头位于土壤表面垂直上方15 cm处。每个样本在测量前均进行了白板校正，每个土样测量4个方向(互为90°)，每个方向上测两次光谱曲线数据，共8次，取其算术平均值作为最后的光谱反射率，如图1所示。反射率光谱数值在5～70之间，高反射率与低反射率曲线间差异较大，但各曲线的变化趋势大致相同。

图1 原始光谱反射率图

1.3 光谱数据预处理

光谱微分和连续统去除是光谱数据预处理的常用方法，一阶导数可以扣除斜线背景影响，提高光谱分辨率；连续统去除将反射率归一化为0～1，光谱的吸收特征也归一化到一致的光谱背景上，有利于与其他光谱曲线进行特征数值的比较。

1.3.1 光谱一阶微分

光谱低阶微分处理对噪声的敏感性较低，采用导数光谱技术可以消除光谱数据之间的系统误差，减弱对目标光谱的影响，以便提取可识别地物的光谱吸收峰参数[13]；光谱一阶微分可以消除背景噪声，分辨重叠光谱[14]。

1.3.2 连续统去除

连续统去除(Continuum Removed, CR)可以凸显地物的吸收特征，原始光谱经连续统去除处理后，可明显提高反演模型的预测性能[15]。

1.4 相关性分析与特征波段选择

利用pearson相关性分析，计算各离子间的相关系数(绝对值)，计算公式见式(1)：

(1)

图2 一阶微分(左)、连续统去除光谱(右)与离子的相关系数

根据相关系数结果选择相关性最强的波段为敏感波段。将光谱在1 501 nm、1 916 nm、2 097 nm和2 366 nm波段作为一阶微分的敏感波段；2 035 nm、2 164 nm、2 258 nm和2 401 nm波段为连续统去除的敏感波段。在0.01显著性水平下，相关系数绝对值均在0.7以上(**P0.01=0.330)。

2 模型构建方法

2.1 偏最小二乘回归

偏最小二乘回归(Partial Least Squares Regression，PLSR)建立在一般最小二乘的基础上，可以在自变量存在严重多重相关性、样本点个数少于变量个数的条件下进行回归建模，可以较好地解决以往用普通多元回归无法解决的问题，更易于辨识系统信息与噪声[16]。

2.2 粒子群优化径向基神经网络

径向基(Radial Basis Function，RBF)网络结构简单、训练简洁且学习收敛速度快，能够逼近任意非线性函数，而粒子群(Particle Swarm Optimization，PSO)是一种群体智能的优化算法，可实现个体在可解空间中的寻优[17]。针对RBF神经网络模型结构和参数难以设置的缺点，利用PSO算法寻优能力和收敛能力较强的优点进行优化，得到PSO优化的RBF神经网络算法(PSO-RBF神经网络算法)，提高了网络的泛化能力和学习能力[18]。