利用模拟宽波段数据定量反演关中平原土壤有机质含量研究

王延仓， 安 健， 顾晓鹤， 金永涛， 宋玉彬， 赵子辉， 胡湛晗，陈 曦

(1.北华航天工业学院，河北廊坊 065000;2.河北省航天遥感信息处理与应用协同创新中心，河北廊坊 065000；3.电子科技大学光电信息学院，四川成都 611731;4.北京农业信息技术研究中心，北京 100097;5.农业部农业信息技术重点实验室，北京 100097)



利用模拟宽波段数据定量反演关中平原土壤有机质含量研究

王延仓1，2， 安 健3， 顾晓鹤4，5*， 金永涛1，2， 宋玉彬1，2， 赵子辉1，2， 胡湛晗1，2，陈 曦1，2

(1.北华航天工业学院，河北廊坊 065000;2.河北省航天遥感信息处理与应用协同创新中心，河北廊坊 065000；3.电子科技大学光电信息学院，四川成都 611731;4.北京农业信息技术研究中心，北京 100097;5.农业部农业信息技术重点实验室，北京 100097)

摘要[目的]以陕西杨凌示范区耕层土壤为对象，通过采集、测定耕层土壤的有机质含量，并结合野外相应高光谱数据和光谱响应函数，利用模拟宽波段数据估测土壤有机质含量。[方法]通过分析土壤有机质含量与光谱间的内在关系，筛选敏感波段，构建估测土壤有机质含量模型；以宽波段波段响应函数、土壤高光谱数据为基础，通过模拟宽波段数据，构建估测土壤有机质含量模型；通过高光谱与模拟宽波段数据的对比分析，研究基于宽波段遥感数据定量估测土壤有机质含量的可行性。[结果]基于宽波段数据估测土壤有机质的精度相对较高。[结论]利用宽波段数据估测土壤土壤有机质含量具有可行性，2%并非利用光谱数据估测土壤有机质含量的下限。

关键词有机质；宽波段；关中平原；偏最小二乘回归法

土壤是农业生产顺利开展的根本物质保障，主要由有机质、矿物质、空气、水分等构成。土壤有机质含量(Soil Organic Matter，SOM)在改善土壤理化性质、保护环境、促进农业可持续发展方面有着重要作用[1]。遥感作为一种新型无损、快速、准确、客观监测手段，为土壤有机质含量大尺度动态监测提供了新的思路。与传统实地调查相比，遥感技术可规避传统方法中费时、费力等不足，在土壤有机质含量监测中拥有广阔的应用前景。因此，研究遥感技术监测土壤有机质含量的方法对土壤养分空间分布制图、精准农业、农业可持续发展、及环境保护等具有重要现实与理论意义。

近年来，国内外学者针对遥感在土壤监测中的应用研究取得了一定的成果：土壤有机质的光谱响应区域集中在可见光～近红外波段(400～1 000 nm)[2-4]，利用反射率的一阶微分、对数一阶微分变换[5]、弓曲差[6]、连续小波变换[7]、离散小波变换[8]等边换方法是筛选有机质敏感波段的有效方法；采用神经网络[9]、偏最小二乘法[10]、主成分分析法[11]、支持向量机法[12]等算法估测SOM均取得较高的估测精度；Toure等[13]利用航空高光数据对比利时南部农业区的耕地养分进行监测并取得满意效果。Frazier等[14]应用TM数据监测华盛顿东部地区裸露古土壤，结果表明：与宽波段影像数据相比，非成像高光谱遥感数据在SOM估测研究中应用较多且估测精度较高。

国内外学者在利用遥感技术定量反演SOM领域投入较多资源，也取得了一定成果，但存在研究不平衡问题：针对SOM较高的土壤(如东北黑土)研究较多，而在SOM较低的土壤研究较少；利用地面高光谱数据估测SOM的研究较多，而基于宽波段数据的研究较少。笔者以陕西关中平原土壤为研究对象，探索宽波段遥感在定量反演SOM中的可行性，为后期研究提供一定的技术支撑。

1材料与方法

1.1土壤样本采集、处理与分析以杨凌示范区为实验区，区内轮作模式为小麦/玉米(一年两熟制)，采集实验区内耕层土壤样品，样点均匀分布于实验区内，其空间分布情况见图1。土样采用5点混合法开展，采集耕层0至20 cm的土壤。完成土样采集，置于阴凉、干燥、通风的环境内，自然风干后，将土壤进行研磨、过筛(60目)处理，并取足够样本用于测定土壤有机质含量。利用重铬酸钾容量法测量土样有机质含量，样品数为30个，样品有机质含量的最大值为3.19%,最小值为1.29%,平均值为1.85%。

图1　陕西杨凌示范区土壤样点空间分布Fig.1　Spatial distribution of soil samples in Shaanxi Yangling demonstration area

1.2土壤样本高光谱测量采用美国Analytical Spectral Device(ASD)公司的产品——便携式地物波谱仪采集土壤光谱数据，波谱范围为350～2 500 nm。采集土壤光谱时，地物波谱仪在350～1 000 nm和1 000～2 500 mm的初始光谱分辨率分别为1.4 nm和2 nm，输出光谱为重采样成1 nm的光谱数据。严格依照采集地物光谱的规范进行土壤光谱的采集。为确保土壤光谱数据具有较高的信噪比，选择晴朗无云(或少云)天气下开展，观测时间为上午10时～下午3时。光谱测量前，先将光谱仪进行预热，其次利用参考白板对光谱仪优化，同时采集参考白板的光谱数据，最后采集自然表面的土壤光谱数据。采集的初始光谱数据位辐射亮度，而非反射率，土壤的光谱数据为土壤辐射亮度与参考白板辐射亮度之比。

1.3光谱数处理

1.3.1光谱数据预处理。受外界风、气溶胶、水分等不可控因素与ASD地物光谱仪器自身精度的制约，致使部分与土壤无关的噪声存在于光谱数据内，特别是1 390和1 900 nm附近受大气水分的影响产生大量噪声，土壤光谱数据末端也存在大量噪声，故删除1 390、1 900 nm附近及末端光谱数据，并利用徐永明等[15]采用的低通滤波器——海明窗对土壤光谱进行平滑处理，旨在提高土壤光谱的信噪比，削弱噪声产生的负面影响。

多源卫星遥感载荷在可见光～近红外波段覆盖范围存在不同程度的重叠和差异，这为研究宽波段数据在SOM监测中的协同提供了条件。该研究利用多源卫星遥感载荷的光谱响应函数与野外高光谱数据进行模拟分析。利用多源卫星遥感载荷的波段响应函数见图3，将处理后的光谱数据重采样至可见光～近红外处，其计算公式为：

(1)

式中,Ri为卫星遥感载荷i波段反射率;φi(λ)为卫星遥感载荷的i波段在波长为λ处的响应函数;r(λ)为土壤在波长为λ处的反射率。

图2　卫星遥感载荷的波段响应函数Fig.2　Wave band response function of satellite remote sensing load

1.4构建模型与精度检验

1.4.1偏最小二乘模型。偏最小二乘回归法(Partial Least Squares Regression，PLSR)是对普通最小二乘的一种改进，融合了多元线性回归法、典型相关分析法、主成分分析法的功能于一身，能弥补最小二乘的一些缺点。PLSR主要用于解决构建多因变量与多自变量的模型，尤其是针对具有高度线性相关的各变量时更有效，其可有效地克服多变量间的共线性对于建模的影响。

1.4.2模型精度检验。该研究采用PLSR构建预测土壤有机质含量的模型，将土样以2∶1比例随机分为2组，其中以20个土样数据构建模型，其余用于验证模型的估测精度。模型精度采用均方根误差(RMSE)和预测值与实测值的相关系数R进行综合评价，其中RMSE可计算公式为：

(1)

2结果与分析

2.1土壤的光谱特性土壤的野外高光谱曲线见图3。由图2可知，各土壤光谱曲线的整体形态具有较高的相似度，且曲线的整体变化相对平缓。在350～1 350 nm范围内，土壤反射率随波长而不断增加，但幅度逐渐减弱，在1 390和1 900 nm附近具有较强的水分吸收带；在近红外范围内，土壤光谱具有较高的反射率，且光谱曲线几乎平行。虽然土壤

光谱曲线共有一些特征，但各光谱曲线间仍存在一定差异；同一波长处，不同样点的光谱反射率不同。

图3　土壤野外光谱曲线Fig.3　Soil field spectrum curve

2.2建模分析

2.2.1光谱反射率建模。基于土壤高光谱反射率及其变换构建估测SOM的模型结果见表2，其部分高光谱变换模型的散点图见图4。对表2中各模型进行对比分析可知，较原始土壤反射率，基于各变换形式的模型估测精度均有不同程度的提升，这表明光谱变换技术能有效提升估测SOM的精度；对数的微分变换对SOM的估测精度最佳，其R=0.650，RMSE=0.218；对数的微分变换既可有效扩大地物光谱反射率在可见光处的差异，又可抑制低频噪声的负面影响，同时凸显光谱信息中的有效弱信息。

表2　光谱变换技术与土壤有机质含量的偏最小二乘回归模型结果

注：表中模型均达到了0.001的显著水平。

Note: Models in the table were all at significant level 0.01.

2.2.2基于重采样技术建模。高光谱遥感技术凭其连续且较高的光谱反射率，在定量反演地物特性及参数时具有较大优势。但土壤光谱曲线变化整体平缓，无决定性光谱特征，尤其是东北黑土，故在利用高光谱数据定量反演SOM时，存在一定的信息冗余问题。该研究基于重采样技术将土壤光谱采样至5 nm、10 nm、…、100 nm，旨在研究光谱分辨率对SOM估测的影响。

基于不同波段宽度的估测SOM的模型见表3。由表3可知，基于宽波段数据的SOM估测精度均高于初始土壤光谱，这表明，极高的光谱分辨率不一定适用于SOM的估测，适度降低土壤光谱分辨率有助于提升估测SOM的精度；基于宽波段数据构建的模型稳定性高，其较小的估测精度与建模精度差异，这是由于重采样技术可有效削弱噪声的影像，提升光谱信噪比；5 nm为估测SOM的最佳光谱分辨率，其构建模型的R=0.650，RMSE=0.316。

将宽波段光谱数据与SOM开展相关性分析，提取敏感波段，并构建预测SOM的模型(表4)。构建的模型可分为2类：单一模型(由模拟同一传感器的宽波段数据构建)和混合模型(由模拟不同传感器的宽波段数据构建)。宽波段数据构建的SOM估测模型精度与高光谱模型相差较小，其原因为与高光谱相比，宽波段数据内的部分微弱信息丢失，但宽波段数据又是土壤在相应波段范围的光谱响应特征的集中体现；与单一模型相比，混合模型的SOM预测精度较高，表明多源宽波段数据在SOM估测方面，具有良好的协同性；在混合模型中，基于ZY2B与Landsat8构建的模型预测精度最高，其R=0.616，RMSE=0.338，散点图见图5。

将宽波段模型与各高光谱模型对比分析知：与高光谱数据相比，基于宽波段数据构建模型的整体预测精度稍低，但宽波段数据已达到相对较高的精度，故宽波段数据在预测SOM方面具备较高的潜力，具备一定的估测条件；该研究采用SOM低于2%的土壤为研究对象，也取得了较高精度的估测结果。因此，2%并不是基于宽波段数据估测SOM的下限。

图4　基于光谱变换建模的实测值与预测值散点图Fig.4　Scatter plots of measured and predicted values based on spectral transformation modeling

光谱分辨率Spectralresolution∥nm特征波段Characteristicband∥nm模型Model建模ModelingRRMSE验证VerificationRRMSE1(原始)650,850y=3.385-0.033x650-0.024x8500.4010.3700.4560.3475367.5,1367.5y=3.222+0.286x637.5-0.080x1367.50.7090.3240.6500.316101685,2385y=3.848-0.177x1685+0.131x23850.6470.3510.5550.346201680,2280y=3.873-0.223x1680+0.170x22800.6140.3630.5260.341301595,2195y=3.791-0.216x1595+0.1648x21950.5870.3720.5180.304401595,2370y=3.929-0.179+x1570+0.127x23700.6270.3580.5340.338501525,2325y=3.906-0.171x1525+0.114x23250.6250.3590.5900.316601580,2240y=3.779-0.187x1580+0.135x22400.5990.3680.5820.305701750,2400y=4.029-0.225x1750+0.179x24000.6690.3420.6420.367801750,2390y=3.654-0.179x1750+0.139x23900.6090.3650.5750.342901655,2285y=3.884-0.216x1655+0.163x22850.6000.3680.5180.3371001600,2400y=3.805-0.179x1600+0.132x24000.5390.3740.5880.322

图5　基于重采样技术建模的实测值与估测值散点图Fig.5　Scatter plots of measured and estimated values based on resampling technique

3结论

该研究以野外土壤高光谱数据为数据源，通过模拟ZY3、ZY2B、Landsat8、HJ-CCD传感器的宽波段数据，开展基于宽波段数据的SOM估测的研究，并针对多源宽波段数据在SOM估测方面的协同性进行研究。结果表明：①光谱变换技术是有效提升SOM估测精度的一种途径，其中对数的微分变换是提高SOM估测精度的最佳变换形式；②重采样技术是提高SOM估测精度的有效途径，适度降低光谱分辨率即可提升光谱对SOM的估测精度，又可提高预测精度的稳定性；5 nm是估测SOM的最佳分辨率；③ZY3、ZY2B对SOM的估测精度优于Landsat8，且两者间在估测SOM方面具有较高的同一性；④多源宽波段模拟数据在SOM估测方面具有一定的协同性，这可从混合模型的估测精度优于单一模型进行佐证；Landsat8与ZY2B间具有较好的协同性，其构建的混合模型精度最高，其R=0.616，RMSE=0.338；⑤宽波段数据在估测SOM方面具有一定可行性，由于该研究以SOM低于2%的土壤为研究对象并取得了较高精度的估测结果，故2%并不是估测SOM的下限。

表4　宽波段模拟数据与土壤有机质含量的偏最小二乘回归模型结果

注：Bi_b中的i代表b宽波段的第i波段。

Note:iinBi_bstands for theiband ofbwide band.

图6　不同宽波段混合模型的实测值与估测值的散点图Fig.6　Scatter plots of the measured and estimated values of the mixed model in different wide band

参考文献

[1] 赵明松, 张甘霖, 王德彩，等.徐淮黄泛平原土壤有机质空间变异特征及主控因素分析[J].土壤学报，2013,50(1): 1-11.

[2] 刘焕军, 张柏, 赵军，等.黑土有机质含量高光谱模型研究[J].土壤学报，2007,44(1): 27-32.

[3] 刘炜, 常庆瑞, 郭曼，等.土壤导数光谱小波去噪与有机质吸收特征提取[J].光谱学与光谱分析，2011,31(1): 100-104.

[4] 刘焕军, 张柏, 刘殿伟，等.基于反射率模拟模型的黑土有机质含量估测[J].光谱学与光谱分析，2008,28(12): 2947-2950.

[5] 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.

[6] 徐彬彬, 戴昌达.南疆土壤光谱反射特性与有机质[J].科学通报, 1980(6): 282-284.

[7] 廖钦洪, 顾晓鹤, 李存军，等.基于连续小波变换的潮土有机质含量高光谱估算[J].农业工程学报，2012,28(23): 132-139.

[8] 王延仓, 杨贵军,朱金山，等.基于小波变换与偏最小二乘耦合模型估测北方潮土有机质含量[J].光谱学与光谱分析，2014,34(7): 1922-1926.

[9] 郑立华, 李民赞, 潘娈，等.基于近红外光谱技术的土壤参数BP神经网络预测[J].光谱学与光谱分析，2008, 28(5): 1160-1164.

[10] 王延仓, 顾晓鹤, 朱金山，等.利用反射光谱及模拟宽波段数据定量反演北方潮土有机质含量[J].光谱学与光谱分析， 2014,34(1):201-206.

[11] 卢艳丽, 白由路, 杨俐苹，等.基于主成分回归分析的土壤有机质高光谱预测与模型验证[J].植物营养与肥料科学，2008, 14(6): 1076-1082.

[12] 郑立华, 李民赞, 安晓飞，等.基于近红外光谱和支持向量机的土壤参数预测[J].农业工程学报，2010,26(2): 81-87.

[13] TOURÉ S，TYCHON B.Estimation of surface soil organic matter by means of hyperspectral data analysis[R].2003: 26-32.

[14] FRAZIER B ，CHENG Y.Remote sensing of soils in the eastern Palouse region with landsat thematic mapper [J].Remote sensing of enviroment, 1989,28:317-325.

[15] 徐永明, 蔺启忠,王璐，等.基于高分辨率反射光谱的土壤营养元素估算模型[J].土壤学报, 2006, 43(5): 709-716.

基金项目国家科技支撑计划项目(2012BAH29B01)；河北省航天遥感信息处理与应用协同创新中心资助项目。

作者简介王延仓(1986- )，男，河南南乐人，助教，硕士，从事农业遥感研究。*通讯作者，副研究员，博士，从事农业遥感研究。

收稿日期2016-03-16

中图分类号S 127;TP 79

文献标识码A

文章编号0517-6611(2016)14-240-05

The Quantitative Retrieval of Soil Organic Matter Content in Guanzhong Plain by Using Wide Band Data

WANG Yan-cang1,2, AN Jian3, GU Xiao-he4,5*et al

(1.North China Institute of Aerospace Engineering, Langfang, Hebei 065000; 2.Hebei Collaborative Innovation Center for Aerospace Remote Sensing Information Processing and Application, Langfang, Hebei 065000; 3.School of Optoelectronic Information,University of Electronic Science and Technology of China,Chengdu,Sichuan 611731;4.Beijing Research Center for Information Technology in Agriculture, Beijing 100097; 5.Key Laboratory of Information Technology in Agriculture, Ministry of Agriculture, Beijing 100097)

Abstract[Objective] With topsoil collected in Shanxi Yangling demonstration zone as the object, collecting soil samples and determining the organic matter content, and then combined with the corresponding field hyperspectral data and spectral response function, using wide band analog data, soil organic matter content was estimated.[Method] Through analysis of the intrinsic relationship between soil organic matter and spectrum, the sensitive bands were screened out, the model of estimating soil organic matter content was constructed; based on the wide band response function and soil hyperspectral data, through the simulation of wide band data to construct the model for estimating soil organic matter content; By comparing the hyperspectral data and simulated wide band, the feasibility of quantitative wide band remote sensing data for estimating soil organic matter content was studied.[Result] The results showed that the accuracy of soil organic matter was relatively high based on the wide band data.[Conclusion] Estimating soil organic matter content is feasible based on the wide band data, 2% is not the bottom line to estimate the soil organic matter content based on spectral data.

Key wordsOrganic matter; Wide band; Guanzhong Plain; Partial least squares regression method