珠海一号高光谱遥感的表层土壤有机质含量反演方法

孙浩然，赵志根，赵佳星，陈卫卫

(1.安徽理工大学 空间信息与测绘工程学院，安徽 淮南 232001；2.矿山采动灾害空天地协同监测与预警安徽普通高校重点实验室，安徽 淮南 232001；3.矿区环境与灾害协同监测煤炭行业工程研究中心，安徽 淮南 232001)

0 引言

土壤的物理、化学、生物等许多属性都直接或间接地与有机质的存在有关。土壤有机质是土壤的重要组成部分，是评价土壤肥力的核心指标之一。耕作土壤表层有机质含量通常在5%以下，虽只占土壤总质量的很小一部分，却在土壤肥力、环境保护、植物生长和农业生产等方面有着积极的作用和意义[1-3]。土壤有机质在空间分布上具有异质性且呈连续变化特点，掌握有机质的空间格局分布有利于农业的精细化管理。土壤有机质含量影响土壤色调、土壤孔隙度等进而影响光谱反射特性[4]。随着卫星遥感、土壤近地传感、数据挖掘技术和建模技术的发展，采用遥感技术实现表层土壤有机质空间格局反演及碳库的数字制图成为农业与环境遥感领域的热点[5]。

以往土壤有机质空间分布格局反演通常采用地统计方法，在野外规则化地采集大量样本数据并在室内分析，通过插值法实现尺度上推[6-7]。该方法取得了较好的效果，但在实际应用中，大面积的规则采样操作复杂且成本过高。随着遥感技术在光谱分辨率、空间分辨率、时间分辨率等方面显著提高使得遥感影像在反演表层土壤有机质中得到广泛应用，遥感技术反演区域表层土壤有机质含量已成为土壤调查、土地质量评价的主要手段。文献[1，8]利用多光谱Landsat遥感影像DN值与表层土壤有机质的联系，建立预测模型，对区域有机质含量进行大尺度反演，并完成表层土壤有机质空间分布格局制图。Landsat遥感影像空间分辨率较低，在反演表层土壤有机质时受混合像元影响；其光谱分辨率低，土壤有机质含量的差异与反射率(或DN值)之间的响应关系不强，难以精确反演区域表层土壤有机质含量空间格局分布。高光谱精细的光谱曲线构成了独特的超多维光谱空间，通过识别地物光谱的诊断特征可以在表层土壤有机质反演过程中取得更好的效果[9]。文献[10-13]利用高光谱数据的光谱反射率及反射率的变换形式，采用线性回归法、多元线性回归法、神经网络法及最小二乘回归法分析构建土壤有机质预测模型。此方法精度虽高，但多基于田间和实验室操作层面，尺度较小，不利于区域尺度表层土壤有机质反演。文献[14-15]将小波分析应用到土壤光谱数据的处理中，确定了原始特征光谱的最佳小波分解尺度，并在小波包分解基础上建立土壤有机质预测模型，提出了一种新的土壤有机质反演方法。文献[16-17]将小波包分析方法应用于Hyperion遥感影像数据中，利用高光谱遥感影像反演表层土壤有机质含量，取得良好的预测效果。高光谱遥感反演表层土壤有机质往往受限于空间尺度小，难以完成区域尺度表层土壤有机质反演。随着中国自主发射的珠海一号(Zhuhai-1)卫星高光谱影像投入使用，以其光谱分辨率和空间分辨率独特的优势，能够高精准、定量化地反演表层土壤有机质。本文以珠海一号的高光谱影像为实验遥感影像，通过几何校正、辐射校正、降噪等手段处理遥感影像，探索高光谱影像反演乡镇尺度表层土壤有机质含量的方法。引入小波包多尺度分析方法对高光谱遥感数据进行处理，分别建立多元线性回归预测模型与基于高斯核的支持向量机回归预测模型，对研究区表层土壤有机质含量的预测取得了可靠的结果。结果表明，以小波包分解高光谱数据的低频分量建立的基于高斯核变换的支持向量机预测模型，可大尺度、高精准地反演区域表层有机质含量，为区域农业施肥管理与精准农业提供科学管理依据。

1 研究区概况及采样点设计

实验地区位于淮南市舜耕山以南的三和镇、曹庵镇以及大通区的部分农村(32°36′55.04″N～32°26′22.29″N，117°4′19.81″E～116°55′49.59″E)。该区地处平原地带，日照充足，全年降水量893.4 mm，是淮南市重要的农业生产基地。研究区内农耕地主要以种植小麦、水稻、玉米、大豆、油菜等为主，以瓜果为辅，种植方式主要为小麦与水稻、玉米、大豆间作和轮作以及水稻的连作等。2019年5月初，通过手持式全球定位系统在研究区内随机但均匀地采集无农作物覆盖区域土样34个样点，在道路交叉口以及显著地标处采集8个控制点以用于几何校正。样点均分布无植被覆盖或幼苗期农田中，在30 m×30 m内采用五点取样法获得1个样本，采样深度为0～10 cm。将样点烘干，过100目筛，送往安徽理工大学分析测试中心，采用元素分析仪法测定土壤中含碳量，通过SOM=SOC×1.724，将测定的有机碳含量转化为有机质含量。

2 数据预处理

2.1 遥感影像及其预处理

影像数据源为欧比特公司提供的高光谱遥感影像，成像时间为2019年4月5日。高光谱影像获取较难，采样时间与成像时间相差数日，土壤有机质变化几乎可以忽略不计。采集土样为研究区内已收割完毕和幼苗期农田土样，可以忽略植被对采样点光谱信息的影响。珠海一号高光谱影像结合成像技术与光谱技术，获取高分辨率的连续、宽波段的图像数据，单颗高光谱卫星的最大成像范围150 km×2 500 km，弥补了以往高光谱影像光谱分辨率高而空间分辨率低和幅宽窄的缺点。同时，珠海一号卫星具有良好的时间周期性，可在较短的时间内实现同一地区的多遍重访扫描；其波长范围为400～1 000 nm，光谱分辨率可达2.5 nm，精细的光谱曲线可以检测到光谱信息的细微差异，有利于地物特征的高精度反演。集成高光谱分辨、高空间分辨率及高时间分辨率等特点的国产高光谱影像在真正意义上促进了高光谱遥感的广泛应用。本研究所采用的高光谱影像具有32个波段，蓝、绿、红、近红外波段对应的中心波长分别是480(band2)、566(band7)、670(band14)和880 nm(band28)，空间分辨率为10 m，其空间尺度适用于城镇区域表层土壤有机质空间分布格局的反演与制图。

为了消除辐射量误差对表层土壤有机质反演过程中的影响，对高光谱遥感图像进行辐射校正，获得高光谱影像大气上层表观反射率产品。为精确提取样本采集点的光谱信息，须首先对遥感图像进行几何校正，纠正遥感图像的位置信息误差，使得采样点位置准确定位于遥感影像上。利用图像自带的RPC文件对高光谱影像进行几何校正，误差控制在 0.5个像元。利用研究区矢量数据裁剪研究区的范围，并利用5×5高斯低通滤波对裁剪后的遥感影像做图像增强处理，抑制高频信息，使图像平滑，消除遥感影像在成像过程中产生的噪声。Zhuhai-1高光谱遥感波段信息及对应中心波长如表1所示。

表1 高光谱遥感影像波段信息

2.2 小波包分析

由于高光谱遥感影像的光谱反射率受大气和地表多重误差影响，光谱反射率与平原地区表层土壤有机质之间的微弱关系不足以准确描述二者之间的预测模型。小波包分析能够让信息能量集中，在细节中寻找有序性，筛选出其中的规律，为信号提供一种更加精细的分析方法。根据文献[14,16]将小波包分析应用在土壤有机质中的研究，本文选用Db5小波基函数对采样点原始光谱进行三层小波包分解。采用小波包分析多尺度分解采样点光谱数据，将原始光谱数据分解为高频分量和低频分量。高频系数能够反映原始光谱微小的吸收特征，低频系数与土壤质地、土壤微量元素含量、土壤含水量等因素对光谱反射率的影响有关。利用高频系数、低频系数分别进行光谱重构能够达到突出微小细节特征、增强近似特征信息的效果。小波包分解结果如图1所示。

图1 小波包多尺度分析结果

2.3 相关性分析

在ENVI中提取采样点在遥感影像上的光谱反射曲线，将实测表层土壤有机质值和提取的高光谱32个波段光谱反射率值、光谱经过小波分解的低频分量、小波分解的高频分量导入SPSS 19.0中。对以上数据进行描述统计分析、相关分析和Pearson 相关分析，分析土壤有机质值与高光谱影像各个波段反射率之间的相关关系。

3 回归分析与精度评估

3.1 多元线性回归模型

利用相关性分析结果中原始光谱、小波包分解低频分量、小波包分解高频分量与土壤有机质含量相关性较高的波段作为自变量，有机质含量作为因变量，建立多元线性回归分析模型，探究多元线性回归分析模型对土壤有机质含量的预测效果。

3.2 基于高斯核函数的支持向量机回归模型

利用支持向量机回归(support vector machine regression，SVR)建立数据模型时，基于高斯核函数实现一个非线性变换，将输入空间(欧式空间Rn或离散几何)对应于一个特征空间(希尔伯特空间)，使得在输入空间Rn中的超曲面模型对应于特征空间中的超平面模型[18]。通过在特征空间中求解线性支持向量机建立拟合模型，使数据点到该平面的距离最近。

3.3 精度评估

对于多元线性回归分析，采用决定系数R2(式(1))对土壤有机质预测模型的准确性进行评价。基于高斯核函数的支持向量机回归模型采用预测数据的均方误差MSE(式(2))和平均绝对误差MAE(式(3))对其预测准确性进行评价。

(1)

(2)

(3)

4 结果与分析

4.1 相关性分析结果

通过对研究区土壤采样点有机质含量与高光谱影像各波段光谱反射率值、光谱经过小波分解的低频分量、小波分解的高频分量的相关性分析，土壤光谱反射率与实测有机质含量之间的相关性如图2所示。

图2 土壤光谱反射率与有机质含量之间的相关系数

土壤有机质含量与高光谱影像多个波段程负相关，在656 nm处负相关性最强(r=-0.680)。经小波包分解后的低频分量与高频分量最大相关波段的相关性均有所增强，低频分量与土壤有机质的相关性和原始光谱与土壤的相关性较为一致，说明小波包低频系数分解能够有效突出光谱近似特征。不同光谱形式与有机质含量之间的最大相关性如表2所示。

表2 不同光谱变换与有机质含量最大相关波段分析结果

4.2 土壤有机质模型预测结果

对原始光谱、小波分解低频分量、小波分解高频分量与土壤有机质含量相关波段做多次多元线性回归实验，得到结果如图3所示。

图3 不同光谱形式有机质含量预测模型

采用珠海一号高光谱遥感影像反演土壤有机质含量时利用多元线性回归分析方法预测效果良好，R2均大于0.74；采用小波包多尺度分解的高频分量和低频分量建立土壤有机质预测模型，效果优于原始光谱预测效果。表3为不同光谱形式的土壤有机质含量预测方程。

表3 不同光谱变换与有机质含量最大相关波段分析结果

由多元回归分析结果可以发现，采用高光谱影像原始光谱反射率需要多个波段进行反演土壤表层有机质。光谱经小波包分解的低频分量和高频分量实现了信息的集中，能够以较少的波段达到较好的预测效果，且根据小波包分解后的高频分量相关波段与低频分量相关波段建立回归模型，R2分别为0.770、0.789。结果表明，根据小波包分解得到土壤光谱信息的低频分量与高频分量所建立的土壤有机质模型可取得更佳的效果。

在采用遥感的方法反演表层土壤有机质过程中，遥感影像土壤反射率与经过精细处理的土壤所测定的土壤有机质含量存在误差。同时，土壤含水量与土壤中所含的微量元素也会对遥感影像反射率曲线产生影响，土壤有机质含量与遥感影像的相关性受多种因素干扰，遥感影像反射率与土壤有机质含量之间并非线性关系。简单的多元线性回归模型没有考虑到在反演土壤表层有机质过程中的多种因素干扰及反射率与土壤有机质含量之间并非线性关系，难以对研究区内海量土壤光谱信息数据进行更佳的预测。采用遥感方法进行土壤有机质数字制图的过程中，基于高斯核函数变换的支撑向量机回归模型处理遥感大数据往往更具有优势。基于高斯核函数变换的支撑向量机回归模型擅于解决非线性问题，通过对已有数据的训练，寻找出一条最佳的预测曲线，实现对土壤有机质含量的预测。根据小波包分解得到的低频分量和高频分量，建立支持向量机回归表层土壤有机质预测模型，预测效果比多元线性回归模型更加精准。不同预测模型精度评估对比如表4所示。

表4 预测模型精度评估对比

由于原始光谱反射率诠释表层土壤有机质含量的敏感信息不集中，且本次实验采样点数据较少，根据原始光谱反射率建立的基于高斯核变换的支持向量机预测模型极容易出现过拟合现象，不具备泛化能力。从表4可以得出，根据小波包分解光谱后的低频分量和高频分量建立高斯核变换的支持向量机回归模型其预测值均方误差(MSE分别为2.591、5.428)均小于多元线性回归模型预测值均方误差(MSE分别为9.302、8.765)，该方法预测能力优于多元回归模型；根据小波包分解光谱后的低频分量和高频分量建立高斯核变换的支持向量机回归模型其预测值平均绝对误差(MAE)分别为1.426、1.520，预测值相比于多元线性回归模型的预测值更加接近真值。研究结果表明，在小波包对土壤光谱分解结果的基础上建立高斯核变换的支持向量机模型预测效果优于多元线性回归模型，其中根据小波包分解的低频分量建立的基于高斯核函数变换的支持向量机回归模型在表层土壤有机质的预测中效果最好，为区域表层土壤有机质的精准反演提供了一种新方法。

4.3 结果分析

研究区表层土壤有机质含量与高光谱影像原始光谱反射率最大相关波段为656 nm处，国内学者何挺等[10]通过对174个土样与ASD光谱反射率进行分析，得出反射率与有机质含量在675 nm 附近的相关性最强。考虑到珠海一号高光谱影像每个波段间隔接近15 nm，且不同区域土壤有机质含量的光谱响应波段略有差异，本研究中土壤有机质含量与光谱反射率的相关性与何挺等人的研究结果近似。本文所提出的预测模型精度与文献[16-17]略有不同，原因可能是由于采样样本不足和不同研究区土壤含量差异性造成的。东北地区土壤有机质含量较高，土壤有机质预测模型精度普遍较高；Hyperion数据光谱分辨高，光谱范围大，土壤有机质含量的敏感响应波段相关性大，往往在预测土壤有机质含量时会取得很好的效果，但其空间尺度较差，不足以广泛应用。珠海一号高光谱遥感具有较好的空间尺度，采用珠海一号高光谱遥感影像反演表层土壤有机质分布具有精度和空间尺度上的双重优势，有利于推进遥感大尺度高精准反演的应用；其节约成本、较好的时间周期性等优点，有利于表层土壤有机质含量空间分布制图。

研究区以农业为主，表层土壤有机质含量范围主要位于8～38 g·kg-1之间。农田类型主要为平原地带耕作农田、开发区农田、舜耕山脚少量丘陵农田。实验发现，研究区内平原地带土壤有机质含量普遍较高，介于25～38 g·kg-1之间，少数土壤有机质含量过高得益于农民的精细管理及部分水源充足、土地肥沃的田块。开发区农田原属于耕作农田，由于开发建设导致开发区内农田存在土地荒芜现象，靠近城市开发区的一些农田与部分耕作农田土壤有机质含量介于15～25 g·kg-1之间，土壤有机质含量有所下降。土壤有机质含量较低的地块多为山脚坡地，该部分农田由于土壤母质原因导致土壤肥力贫瘠，加之周围开发区建设，农田种植作物复杂，低矮经济树木、粮食作物、蔬菜、瓜果等交错种植且少于管理，土壤有机质含量介于9～15 g·kg-1之间。合理地划分研究区土壤有机质含量等级，利用珠海一号高光谱遥感影像，采用小波包分解光谱的低频分量建立基于高斯核变换的支持向量机回归模型，可实现区域表层土壤的精准反演，为区域精准农业提供科学决策。

5 结束语

本文探索采用珠海一号高光谱影像反演区域表层土壤有机质含量，通过小波包分析的方法，可有效分离原始光谱的微小吸收特征和近似特征，采用低频分量、高频分量建立的多元线性回归分析预测土壤有机质含量效果优于原始光谱预测效果，提高了土壤有机质含量的预测精度。依据原始光谱，通过小波包分析分解出的低频分量、高频分量，建立基于高斯核变换的支持向量机回归模型效果优于多元线性回归模型，其中以小波包分解的低频分量建立的基于高斯核变换的支持向量机回归模型预测效果最好。由于珠海一号高光谱遥感影像具有良好的空间尺度、光谱分辨率、时间周期等优点，研究结果为区域土壤有机质反演制图提供了新方法、新思路，促进了遥感大尺度高精准反演区域表层土壤有机质的应用。