基于高光谱数据的农田土壤养分含量估测模型研究

祁亚琴，张显峰，张立福，吕 新，张 泽，陈 剑，李新伟，王 飞，彭 奎

(1.北京大学地球与空间科学学院/遥感研究所生态遥感实验室，北京 100871；2.石河子大学/新疆兵团绿洲生态农业重点实验室，新疆石河子 832003；3.中国科学院遥感与数字地球研究所高光谱研究室，北京 100094)

0 引 言

【研究意义】实现土壤信息化与数字化管理是农业精准管理的前提。而快速、实时、准确、无损地监测农田土壤主要养分(全氮TN、全磷TP、全钾TK)含量的信息是未来实现精准农业的关键技术之一。传统的分析方法既耗资又费时，需要快速、准确的监测地表信息的新方法。目前，高光谱遥感技术极高的光谱分辨率，具备定量获取土壤化学组分含量的潜力[1]，可通过土壤的反射率模拟土壤组成和成分变化，推算出土壤水肥状况[2]，制定灌溉、施肥管理等处方决策[3]，达到减少浪费，保护生态环境的目的，为探索适合新疆及兵团特色的精准农业的实施提供技术支持，具有十分重要的意义[4]。【前人研究进展】20世纪初，利用高光谱遥感技术开展了监测土壤信息方面的应用研究，表明土壤的营养元素含量与土壤反射率光谱之间存在良好的相关性，Bendor等[5]通过对土壤近红外波段光谱的分析，估算了碳酸盐等6种土壤指标；并用近红外分析法预测了蒙脱石中Fe、A1、Mg和Si的含量；Chodak等[6]利用线性回归分析，研究了森林土壤生化物质之间的关系。彭玉魁等[7]采用近红外光谱分析法对中国黄土区总氮含量进行了评价；徐永明等[8]通过对光谱曲线的去包络分析强化吸收特征，提取土壤的主要吸收带，宋海燕等[9]采用近红外光谱仪经一阶导数处理预测了土壤OM和pH含量，预测相关系数达0.8以上，发现土壤颗粒大小严重影响土壤N含量的预测能力，对P、K的预测效果不是很好；李伟等[10]用近红外光谱分析法预测土壤碱解氮含量；于飞健等[11]发现近红外光谱与土壤全氮、碱解氮具有良好的相关性，用近红外光谱法估算土壤全氮、碱解氮的含量是可行的。【本研究切入点】国内外对于土壤的物理化学参数的估算研究己有不少，但这些模型适用于其他地区时，则产生很大的误差。基于高光谱遥感技术在新疆及兵团农区的有关土壤理化参数的反演研究少有报道。研究基于高光谱数据的农田土壤养分含量估测模型。【拟解决的关键问题】研究土壤光谱数据的基本特征，对其敏感波段进行筛选，通过诊断指数与土壤全氮、全磷、全钾含量相关分析，建立快速反演土壤特征参量的数学模型。

1 材料与方法

1.1 材 料

试验于2014～2015年在新疆农垦科学院试验地(45°20′N，86°40′E)进行，面积为1 hm2，平均海拔450.8 m，年平均气温6.5～7.2℃，年降水量125.0～207.7 mm，无霜期168～171 d，≥0℃的活动积温4 023～4 118℃，≥10℃的活动积温3 570～3 729℃。试验地供试土壤为灰色壤土，pH值8.46～8.72，有机质含量13.8～21.6 g/kg，碱解氮66～144 mg/kg，有效磷 14.2～36.6 mg/kg，速效钾 110～218 mg/kg，试验地前茬小麦。

1.2 方 法

1.2.1 土壤光谱测试

采用美国ASD公司 Field Spec Pro VNIR 2500型光谱辐射仪对新疆农垦科学院5个试验区100个样本点进行了土壤光谱测试。野外光谱测试时设定视场角为25°，探测器头部垂直向下距被测土壤表面部约100 cm，每个处理测定10～15条曲线(取其平均值作为该测试点的光谱反射值)，光谱曲线扫描设定时间0.2 s。测量前、后都立即进行白板校正。

1.2.2 土壤室内测定

采用《土壤农业化学分析方法》测定和提取分析土壤化学指标信息，具体方法略[12-13]。

1.2.3 高光谱参数及提取

在高光谱遥感数据中，由于光谱的近似连续性，利用数据变换形式(对数变换、微分变换)可构建光谱参数、光谱吸收指数等[14]可以模拟、反演它的生物物理、化学参数。所构建的高光谱指数，例如某一波长λ0的归一化光谱指数NDI可表示为：

(1)

式中R1、R2分别表示1、2两个波段的光谱反射率。

2 结果与分析

2.1 基于NDI预测土壤全氮TN含量反演模型的建立

研究表明，利用验证样本(n=25)对基于归一化光谱指数NDI建立的6种预测土壤全氮含量的模型进行了检验，以指数函数建立的估算模型方程预测效果最好，其预测值与实测值的拟合度为0.798 2，较其他模型最高，且具有最小均方根差RMSE为0.000 2，TN 的光谱预测值与其实侧值之间具有良好的相关性，此方程的估计精度高，通过此方程可以较精确的估算出土壤全氮含量；以幂函数建立的相关数学模型其预测值与实测值的拟合度为0.745 3也较高；而以对数函数和简单线性函数建立的模型方程预测结果偏低。表1

表1 基于NDI预测土壤全氮含量TN拟合模型
Table 1 The fitting model of Soil total nitrogen TN based on NDI (n=25)

方程类型Modeltype模型方程Modelequation拟合方程Regressionequation相关系数CorrelationCoefficient(R)复相关系数Multiplecorrelationcoefficient(R2)均方根差Root-mean-square-error(RMSE)简单线性函数Simplelinearfunctiony=a+bxy=-0.0293+0.1312x0.6771**0.42850.2623幂函数Powerfunctiony=axby=0.0315x1.80410.8633**0.74530.0006对数函数Logarithmicfunctiony=a+bln(x)y=0.0771+0.0426ln(x)0.5346**0.28580.1558指数函数Exponentialfunctiony=a·exp(bx)y=0.0005·exp(4.7003x)0.8934**0.79820.0002一元二次函数Quadraticfunctiony=ax2+bx+cy=0.2847x2-0.1856x+0.02280.7852**0.61660.0059一元三次函数Cubicfunctiony=ax3+bx2+cx+dy=0.1451x3+0.0261x2-0.061x+0.00930.7537**0.56810.0024

注：**表示置信度达a<0.01 (R=0.449)

Note:**indicatesaconfidence level ofa<0.01 (R=0.449)

2.2 基于NDI的土壤全磷(TP)含量反演模型的建立

研究表明，利用验证样本(n=25)对基于归一化光谱指数NDI建立的6种预测土壤全磷含量的模型进行了检验，以一元三次函数建立的估算模型方程预测效果最好，其预测值与实测值的拟合度为0.563 1最高，且具有最小均方根差RMSE为0.152 3，TP 的光谱预测值与其实侧值之间具有较好的相关性，以一元二次函数和对数函数建立的相关数学模型其预测值与实测值的拟合度也较高；而以幂函数和指数函数建立的模型方程预测结果偏低。 表2

表2 基于NDI预测土壤全磷含量TP的拟合模型
Table 2 The fitting model of Soil total phosphorus TP based on NDI (n=25)

方程类型Modeltype模型方程Modelequation拟合方程Regressionequation相关系数CorrelationCoefficient(R)复相关系数Multiplecorrelationcoefficient(R2)均方根差Root-mean-square-error(RMSE)简单线性函数Simplelinearfunctiony=a+bxy=0.1506+4.9757x0.7132**0.50870.1615幂函数Powerfunctiony=axby=5.3242x0.9360.6851**0.46940.1612对数函数Logarithmicfunctiony=a+bln(x)y=2.3171+0.7323ln(x)0.7317**0.53540.1571指数函数Exponentialfunctiony=a·exp(bx)y=0.3376·exp(6.2703x)0.6583**0.43340.1665一元二次函数Quadraticfunctiony=ax2+bx+cy=-45.195x2+18.548x-0.78930.7410**0.54910.1547一元三次函数Cubicfunctiony=ax3+bx2+cx+dy=802.27x3-412.32x2+72.357x-3.31890.7504**0.56310.1523

注：**表示置信度达a<0.01 (R=0.449)

Note:**indicates a confidence level ofa<0.01 (R=0.449)

2.3 基于NDI的土壤全钾(TK)含量反演模型的建立

研究表明，利用验证样本(n=25)对基于归一化光谱指数NDI建立的6种预测土壤全钾含量的模型进行了检验，以一元三次函数建立的估算模型方程预测效果最好，其预测值与实测值的拟合度为0.515 0最高，且具有最小均方根差RMSE为2.053 9，TK的光谱预测值与其实侧值之间具有较好的相关性，以一元二次函数和对数函数建立的相关数学模型其预测值与实测值的拟合度也较高；而以幂函数和指数函数建立的模型方程预测结果最低。 表3

表3 基于NDI预测土壤全钾含量TK拟合模型
Table 3 The fitting model of Soil total potassium TK based on NDI (n=25)

方程类型Modeltype模型方程Modelequation拟合方程Regressionequation相关系数CorrelationCoefficient(R)复相关系数Multiplecorrelationcoefficient(R2)均方根差Root-mean-square-error(RMSE)简单线性函数Simplelinearfunctiony=a+bxy=14.463+105.35x0.6007**0.36082.3580幂函数Powerfunctiony=axby=23.953x0.06930.6693**0.44802.1077对数函数Logarithmicfunctiony=a+bln(x)y=22.633+1.0916ln(x)0.6896**0.47562.1357指数函数Exponentialfunctiony=a·exp(bx)y=14.277·exp(6.5163x)0.5680**0.32262.4047一元二次函数Quadraticfunctiony=ax2+bx+cy=-3769.7x2+332.32x+14.0370.7057**0.49802.3430一元三次函数Cubicfunctiony=ax3+bx2+cx+dy=80189x3-11471x2+490.57x+13.8790.7176**0.51502.0539

注：**表示置信度达a<0.01 (R=0.449)

Note:**indicates a confidence level ofa<0.01 (R=0.449)

2.4 精度评价

通过反演结果可以看出，土壤主要养分估算模型的预测值(n=25，求其平均值)与实测值(n=25，求其平均值)之间都具有较高的相关性。其中，土壤全钾含量的预测值与实测值之间的相对误差较大，为29.703 9%，其估算模型的预测精度也较低，仅为70.296 1%。表4

表4 基于NDI预测土壤特征参量模型验证
Table 4 Validation the fitting model of soil characteristic parameters based on NDI (n=25)

特征参量Characteristicparameters(g/kg)估算模型Estimationmodel预测值Predictedvalue实测值Measuredvalue相对误差Relativeerror(%)预测精度ForecastAccuracy(%)全氮含量TNYTN=0.0005e4.7003XNDI0.570.6321.8578.14全磷含量TPYTP=802.27x3NDI-412.32x2NDI+72.357xNDI-3.31891.021.1024.3375.66全钾含量TKYTK=80189x3NDI-11471x2NDI+490.57xNDI+13.87921.7319.4029.7070.29

3 讨 论

通过归一化光谱指数NDI建立了土壤养分含量的高光谱遥感监测模型，并对所建立的各类模型进行了精度检验和评价。基于NDI可以较好的估算土壤全氮、全磷、全钾含量，这些利用统计方法建立的经验模型，简单实用，将对特定区域、特定土壤信息预测有较好的效果[15]。

4 结 论

参考文献(References)

[1] 王人潮,苏海萍,王深法.浙江省主要土壤光谱反射特性及其模糊分类在土壤分类中的应用研究[J].浙江农业大学学报,1986,12(4):464-471.

WANG Ren-chao, SU Hai-ping, WANG Shen-fa. (1986). Spectral Reflectance Characteristics and Its Fuzzy Classification Applied to Soil Classification in Zhejiang Province [J].JournalofZhejiangAgriculturalUniversity, 12(4):464-471. (in Chinese)

[2] 张仁华.实验遥感模型及地面基础[M].北京:科学出版社,1992.

ZHANG Ren-hua. (1992).ExperimentalRemoteSensingModelandGroundFoundation[M]. Beijing: Science Press. (in Chinese)

[3] 刘良云.高光谱遥感在精准农业中的应用研究[R].中国科学院遥感应用研究所博士后出站报告,2002:38-45.

LIU Liang-yun. (2002).ApplicationofHyperspectralRemoteSensinginPrecisionAgriculture[R]. Postdoctoral Report of Institute of Remote Sensing Applications, Chinese Academy of Sciences: 38-45. (in Chinese)

[4] 郑兰芬,童庆禧,王晋年，等.高光谱分辨率遥感进展,遥感科学进展[M].北京:科学出版社,1995:1-175.

ZHENG Lan-fen, TONG Qin-xi, WANG Jin-nian, et al. (1995).ProgressinRemoteSensingofHyperspectralResolution,AdvancesinRemoteSensingScience[M]. Beijing: Science Press: 1-175. (in Chinese)

[5] Bendor, E., & Banin, A. (1995). Near-infrared analysis as a rapid method to simultaneously evaluate several soil properties.SoilScienceSocietyofAmericaJournal, 59(2): 364-372.

[6] Chodak, M., Ludwig, B., Khanna, P., & Beese, F. (2015). Use of near infrared spectroscopy to determine biological and chemical characteristics of organic layers under spruce and beech stands.JournalofPlantNutritionandSoilScience,165(1): 27-33.

[7] 彭玉魁,张建新,何绪生，等.土壤水分、有机质和总氮含量的近红外光谱分析研究[J].土壤学报,1998,(35):554-559.

PENG Yu-kui, ZHANG Jiang-xin, HE Xu-sheng, et al. (1998). Analysis of Soil Moisture, Organic Matter and Total Nitrogen by Near Infrared Spectroscopy [J].ActaPedologicaSinica, (35):554-559. (in Chinese)

牧区经济贫困落后与草原生态安全之间存在着互为因果、互相强化的恶性循环关系[23]。天祝属于纯牧业县，在经济的发展过程中应该考虑其草原生态环境，首先应该加强控制实际的载畜量，降低超载率，防止退化草原的持续恶化，同时还应注重草原牧区科教事业的发展[23]，提高该区域农牧民的受教育水平。鉴于天祝牧区高寒草原生态安全的敏感性和脆弱性，在未来的发展中各级政府尤其要重视该地区草原生态安全，制定相关政策保障该地区高寒草原的生态安全。

[8] 徐永明,蔺启忠,黄秀华，等.利用可见光、近红外反射光谱估算土壤总氮含量的实验研究[J].地理与地理信息科学,2005,21(1):19-22.

XU Yong-ming, Lin Qi-zhong, HUANG Xiu-hua, et al. (2005). Experimental Study on Estimating Total Nitrogen in Soil Using Visible Light and Near Infrared Reflectance Spectroscopy [J].GeographyandGeo-informationScience, 21(1):19-22. (in Chinese)

[9] 宋海燕.基于光谱技术的土壤、作物信息获取及其相互关系的研究[D].杭州：浙江大学博士学位论文.2005:1-130.

SONG Hai-yan. (2005).Simulationofsoilandcropinformationandtheirrelationshipbasedonspectraltechniques[D]. PhD Dissertation. Zhejiang University, Hanzhou: 1-130. (in Chinese)

[10] 李伟,张书慧,张倩,等.近红外光谱法快速测定土壤碱解氮、速效磷和速效钾含量[J].农业工程学报,2007,23(1):55-59.

LI Wei, ZHANG Shu-hui, ZHANG Qian, et al. (2007). Rapid Determination of Soil Available Nitrogen, Available Phosphorusand Available Potassium by Near Infrared Spectroscopy [J].JournalofAgriculturalEngineering, 23(1):55-59. (in Chinese)

YU Fei-jian, MIN Shun-geng, JU Xiao-tang, et al. (2002). Analysis of Soil Organic Matter and Nitrogen by Near Infrared Spectroscopy [J].AnalysisLaboratory, 21(3): 49-51. (in Chinese)

[12] 鲁如坤.土壤农业化学分析方法[M].北京:中国农业科技出版社, 2000.

LU Ru-kun. (2000).Soilagriculturalchemicalanalysis[M]. Beijing : China Agricultural Science and Technology Publishing House. (in Chinese)

[13] 鲍士旦,土壤农化分析[M].北京:中国农业出版社， 2000.

BAO Shi-dan.(2000).AnalysisofSoilAgriculture[M]. Beijing: China Agricultural Press. (in Chinese)

[14] 刘磊,沈润平,丁国香.基于高光谱的土壤有机质含量估算研究 [J]. 光谱学与光谱分析，2011,(3):762-766.

LIU Lei, SHEN Run-ping, DING Guo-xiang. (2011). Estimation of Soil Organic Matter Based on Hyperspectral Spectra and Spectral Analysis [J].SpectroscopyandSpectralAnalysis, (3):762-766. (in Chinese)

[15]陈彦,吕新.基于FCM的绿洲农田养分管理分区研究[J].中国农业科学,2008,(7):2016-2024.

Yan Chen,Xin LV.(2008). Partition based on FCM oasis farmland nutrient management study [J]. Chinese Agriculture Science ,(7):2016-2024.