HJ-1A高光谱影像的表层土壤游离氧化铁含量反演

马 驰

HJ-1A高光谱影像的表层土壤游离氧化铁含量反演

马 驰

（辽宁省交通高等专科学校，沈阳 110122）

实时监测土壤游离氧化铁含量对于获取区域土壤理化特征数据、监测区域土壤环境具有重要意义。该研究基于HJ-1A 高光谱遥感影像，结合研究区土壤采样的游离氧化铁含量化验数据，分析遥感影像的反射率与土壤游离氧化铁含量的相关性，建立土壤游离氧化铁含量的多元线性反演模型，反演研究区表层土壤游离氧化铁含量。研究结果表明，HJ-1A高光谱遥感影像的反射率与研究区土壤游离氧化铁含量呈负相关性，且在第104波段达到峰值，相关系数为-0.455；利用反射率指数变换建立多元一次回归模型，模型的决定系数为0.837，均方根误差为1.59 g/kg；土壤中有机质对游离氧化铁含量反演精度影响的检验结果显示，研究区土壤的有机质对游离氧化铁含量的反演精度无显著影响。该研究为土壤游离氧化铁的光谱分析提供借鉴，为区域土壤生态环境监测提供数据支持。

遥感；高光谱；铁；定量反演；游离氧化铁；HJ-1A HSI

0 引 言

氧化铁是土壤中含量最高的金属氧化物，是土壤重要的染色物质，是影响土壤光谱特征的重要因素，是土壤肥力和水土保持能力的重要参考指标[1-2]。因此，实时监测土壤氧化铁含量对于土壤理化特征数据的获取、土壤环境监测乃至区域精准农业的实施等具有重要意义。传统的土壤氧化铁含量监测方法采用密集的土壤采样及实验室化验来实现，虽然可以获得较高的监测精度，但需要消耗大量的人力与物力。遥感技术具有影像数据获取时间短、费用低、所含信息量巨大等特点，已在土壤成分探测等方面获得广泛应用。乔璐等[3]利用ASD Field Spec Pro光谱仪测量了大庆市的采样土壤光谱，分析了全氮、全磷、全钾的光谱特征，并辅以MODIS遥感影像实现对大庆市全氮、全磷、全钾的遥感制图；袁中强等[4]利用环境一号卫星的高光谱数据、采用偏最小二乘的分析方法，分析了若尔盖湿地土壤重金属含量。研究结果显示，利用反射率的一阶微分和倒数的对数建立的反演模型反演研究区土壤重金属含量的精度最高；Ren等[5]通过对不同光谱数据进行预处理，建立湖南宝山矿区土壤铁（Fe）、砷（As）和铜（Cu）含量的估算模型。研究结果显示，利用460、1 400、1 900、2 200 nm波段建立的估算模型精度最好。

近年来，国内外学者先后展开了土壤氧化铁含量与土壤反射光谱特征关系的研究。Galvao等[6]研究显示，土壤中氧化铁的吸收特性导致土壤在可见光整个波段反射率下降；Baumgardner等[7]研究指出，氧化铁在土壤光谱中的870 nm处有吸收峰存在，而且土壤中的有机质并不能掩盖氧化铁对土壤反射率的影响。何挺等[9]研究认为，土壤中的氧化铁对土壤的光谱反射率具有显著影响，Fe3+在土壤光谱的400、450、490、700、870 nm 等处存在吸收峰。丁海宁等[10]利用ASD Field Spec Pro光谱仪对榆林东部地区的典型黄土进行了光谱测定，建立了土壤铁元素反演模型，模型的决定系数为0.73；采用波段内插法将模型应用到Sentinel-2A遥感影像，反演了研究区土壤铁元素含量并绘制了土壤铁元素含量分布图。谢文等[11]利用高光谱技术反演土壤有效铁含量时，提出了利用土壤有机质含量与有效铁含量之间的相关性，间接估算土壤有效铁含量的可行性，所建立的有效铁间接反演模型的决定系数为0.70。

综上，当前利用遥感技术对土壤中铁元素的研究还集中于铁的光谱特征等方面，采用的高光谱数据也多为ASD Field Spec Pro光谱仪测量数据，将其应用于土壤制图还需辅以其他遥感影像数据，其实用性受到很大制约；由于土壤理化特性较复杂，影响光谱估测精度的因素较多（土壤质地、有机质含量等），土壤含铁量的估测难度较大；国外的高光谱遥感影像数据价格较昂贵，大大限制了其应用范围。因此，本试验利用中国的环境灾害小卫星高光谱影像（HJ-1A HSI），在野外土壤采样实验室化验数据的支持下，计算高光谱影像反射率与土壤游离氧化铁含量的相关系数，筛选土壤游离氧化铁含量的敏感波段或敏感波段组合，并采用多元线性回归分析的方法构建土壤游离氧化铁含量的反演模型，用以实现研究区土壤游离氧化铁含量的反演研究。

1 材料与方法

1.1 研究区概况

农安县（43°55′N～44°55′N，124°31′E～125°45′E）位于松辽平原腹地，东临德惠市、南接长春市、西邻长岭县、北接松原市，面积为5 400 km2。农安县地处中温带大陆性季风气候区，四季分明，春季干旱多大风、夏季湿热多雨、秋季温和凉爽、冬季干燥寒冷。区域内地势低平，地带性土壤为黑土、黑钙土，地方性土壤有包括草甸土、冲积土、盐碱土和风沙土等，土地利用类型主要包括农业种植、畜牧养殖、林地等。本试验所选取的遥感影像获取时间为2017年4月30日，此时刻研究区地表无绿色植被覆盖，遥感影像能够反映出土壤的真实信息。

1.2 野外土壤采样及实验室化验

2017年4月29日至4月30日在研究区进行土壤采样，采样方法为在研究区随机布设82个采样点，采样点分布如图1所示。每个采样点在30 m×30 m的区域内采集5个土壤样品混合约1 kg，放入土壤采集袋，土壤采样深度为地表0～20 cm，用手持GPS接收机记录采样点的经纬度坐标，用以确定采样点在遥感影像中的位置。将土壤样品在实验室内风干，剔除土样中的小石块、植物根须等杂质，并研磨、过2 mm筛。土壤中的游离氧化铁含量化验采用连二亚硫酸钠一柠檬酸钠一重碳酸钠法浸提法。

图1 土壤采样点分布图

1.3 遥感影像的获取与预处理

环境与灾害监测小卫星（简称环境小卫星，HJ-1A/1B）于2008年9月6日在太原卫星反射中心发射升空，其中HJ-1A搭载的超光谱成像仪（Hyperspectral Imaging Radiometer，HSI）拥有115个探测波段，波段范围为450～950 nm，平均光谱分辨率为4.3 nm，影像的幅宽为50 km，空间分辨率为100 m。HJ-1A HSI具有稳定性好、光谱线性度高、光谱范围宽等特点，为土壤成分的定量研究提供了可靠的遥感数据源。本试验选取覆盖研究区的2017年4月30日成像的HJ-1A 高光谱2级影像产品共6景，影像中云覆盖量均<2%。遥感影像的预处理工作主要包括影像的大气校正、几何校正以及影像的裁剪与镶嵌等。HJ-1A HSI遥感影像2级产品为辐亮度图像，已经经过辐射校正，其光谱曲线受大气水汽的影像，在760 nm和820 nm附近存在2个水汽吸收带（图 2a）。利用FLAASH大气校正模型对遥感影像进行大气校正，校正后的影像光谱曲线消除了水汽影响，很好的体现出地表不同物体的光谱反射特征；在Erdas软件中利用研究区1∶5万地形图对遥感影像进行几何校正，校正后误差<1个像元；利用Erdas软件绘制研究区边界，并对遥感影像进行裁剪和拼接。

图2 超光谱成像仪影像大气校正前后光谱曲线图

1.4 相关性分析

将土壤游离氧化铁含量与采样点在遥感影像中的反射率进行相关性分析，获得研究区土壤氧化铁的敏感波段。

诸多学者研究结果显示，将反射率进行适当的数学变换可以有效抑制遥感影像中噪声的影响，提高反射率与土壤成分的相关性[9-10,12-13]。本试验将遥感影像的反射率进行倒数1/、对数ln、指数e、对数的倒数1/ln、反射率一阶微分、倒数的一阶微分（1/）、对数的一阶微分（ln）、指数的一阶微分（e）、对数倒数的一阶微分（1/ln）等变换，将变换后光谱数据与土壤游离氧化铁含量进行相关性分析，选取相关系数绝对值较大的波段作为游离氧化铁的敏感波段。试验中，将微分变换以光谱差分进行估算[14]，如式（1）所示

1.5 反演模型的建立与检验

将82个土样随机分为2个部分：68个土样作为建模样本，利用多元线性回归分析的方法建立研究区土壤游离氧化铁含量的反演模型；14个土样作为检验样本，用以检验模型的精度和稳定性。其中，利用均方根误差（Root Mean Square Error，RMSE）和相对误差（relative error，）衡量模型的精度，RMSE和越小表明模型的精度越高；利用模型决定系数（coefficient of determination，2）衡量模型的稳定性，2越大表明模型越稳定[15-16]。相对误差如式（2）所示

2 结果与分析

2.1 反射率及变换形式与游离氧化铁含量相关性分析

为了筛选出与研究区土壤游离氧化铁含量具有较高相关性的HSI影像的游离氧化铁敏感波段，将研究区采样土壤游离氧化铁含量与采样点所在遥感影像中的反射率（反射率的变换）进行相关性分析（图3），获得反射率及反射率变换与研究区表层土壤游离氧化铁含量的相关系数（表1）。图3显示，研究区土壤游离氧化铁含量与HJ-1A HSI影像反射率呈负相关，并在第104波段（中心波长为862 nm）处相关系数达到峰值，为=-0.455。反射率（反射率的变换形式）经过一阶微分后与土壤游离氧化铁含量的相关性显著提高，其中反射率指数一阶微分与游离氧化铁含量的相关系数在第79波段（中心波长为711 nm）达到最大值，相关系数为-0.908。

图3 反射率及变换形式与游离氧化铁含量相关性分析

2.2 建模波段选择及模型建立

相关性分析结果显示，研究区土壤游离氧化铁含量的敏感波段在可见光与近红外波段间，与前人研究结果相同或相近[7-9]。建模波段选择的基本原则：与研究区土壤游离氧化铁含量相关性较好，所含信息量丰富；选择相距较远的游离氧化铁敏感波段，波段间相关性较小，数据冗余度低。将随机选取的68个建模样本土壤游离氧化铁含量作为因变量，采样点对应的HJ-1A HSI影像反射率（反射率变换）作为自变量，利用逐步回归分析的方法，建立研究区土壤游离氧化铁含量反演模型。试验中，按照建模波段选取原则，参照相关性分析结果，将峰值波段反射率（反射率变换）与土壤游离氧化铁含量在SPSS软件中进行逐步回归分析，筛选出建模波段（表 1），并建立研究区土壤游离氧化铁含量的反演模型（表2）。

通过对比研究区土壤游离氧化铁含量与反射率及反射率变换的反演模型（表2）显示，反射率一阶微分的5种变换形式建立的反演模型决定系数2普遍高于其他5种非微分变换形式反演模型的决定系数2，而其均方根方差RMSE普遍低于其他5种非微分变换形式的均方根误差。其中，反射率指数一阶微分反演模型的决定系数2最大，达到0.837，且其均方根误差RMSE最小，为1.59 g/kg。因此，将反射率指数一阶微分形式建立的反演模型作为研究区表层土壤游离氧化铁含量的最优反演模型。

表1 建模波段反射率和变换形式与游离氧化铁含量的相关系数

表2 土壤游离氧化铁含量的反演模型

注：为土壤游离氧化铁的反演值，(g·kg-1)；为土壤反射率或反射率的变换。

Note:is the inversion values of soil free iron oxide, (g·kg-1);is the soil reflectance or transformation of soil reflectance.

2.3 模型精度检验与误差分析

利用指数一阶微分模型=34.11-0.07923+0.15172- 0.07279-0.01790，计算检验样本游离氧化铁含量的反演值，与其实测值建立散点图。由图4所示，研究区14个检验样本游离氧化铁含量的反演值与实测值均匀分布在1∶1直线两侧，拟合模型为=1.13-3.56（为土壤游离氧化铁的反演值，g/kg；为土壤游离氧化铁的实测值，g/kg），模型的决定系数2=0.895，均方根误差RMSE=1.337 g/kg。由图5所示，14个检验样本中有10个检验样本的相对误差在（-0.1, 0.1）之间，占总样本的71.4%，4个检验样本的相对误差在（-0.15, -0.10）或（0.10, 0.15）之间，说明该反演模型具有较好的预测结果，在研究区具有较好的实用性。

2.4 有机质对游离氧化铁反演精度的影响分析

有机质和游离氧化铁均为土壤的重要组成，均对土壤的理化特性有着重要影响。已有研究表明，土壤中的有机质降低了土壤的反射率[16-17]，并对土壤中游离氧化铁的估测精度产生影响[18-19]。为了探明研究区土壤有机质含量对游离氧化铁含量反演精度的影响，本试验将82个土壤样本按照有机质含量进行分组（表3）。依次将其中的一组作为建模样本，其他组作为检验样本，建立土壤游离氧化铁含量的反演模型，再比较不同分组反演模型的精度，其模型精度如表3所示。研究区土壤游离氧化铁含量的反演精度，除了在有机质含量≥35～45 g/kg区间略有上升外，其他区间游离氧化铁含量的反演精度呈逐渐降低的趋势，表明研究区土壤游离氧化铁含量的反演精度受到了有机质的影响。

图4 土壤游离氧化铁含量反演值与实测值散点图

图5 土壤游离氧化铁含量反演值与实测值的相对误差散点图

表3 有机质含量分组

2.5 研究区土壤游离氧化铁含量空间制图

利用指数一阶微分模型=34.11-0.07923+0.15172- 0.07279-0.01790，反演农安县土壤游离氧化铁含量并制图（图6）。图中显示，研究区土壤游离氧化铁含量主要集中于20～40 g/kg区间，并呈北低南高的空间分布趋势。农安县北部地区土壤游离氧化铁含量普遍<30 g/kg，中部、南部地区土壤游离氧化铁含量普遍>20 g/kg。其中，游离氧化铁含量<20 g/kg集中分布于农安县的东北部与西北部；游离氧化铁含量>40 g/kg在研究区内分布较分散，集中分布于农安县西部波罗泡以北的三盛玉镇一带。

图6 农安县土壤游离氧化铁含量空间分布

3 讨 论

本试验以中国2008年9月发射升空的环境与灾害一号卫星获取的高光谱数据（HJ-1A HSI）结合农安县土壤采样游离氧化铁含量的化验数据，反演研究区表层土壤游离氧化铁含量。HJ-1A HSI遥感影像为国内免费的遥感数据，与Hyperion等高光谱影像相比更加经济；HJ-1A HSI遥感影像具有较高的光谱分辨率，因此具有更强的目标识别能力与信息提取能力。研究结果表明，研究区土壤游离氧化铁含量与HJ-1A HSI反射率呈负相关性，在第17波段（中心波长为496 nm）、第78波段（中心波长为768 nm）、第104波段（中心波长为862 nm）存在峰值，相关系数分别为=-0.265、=-0.436、=-0.455，与[8]、何挺等游离游离游离-鲁纯[20]和丁海宁等[21]利用遥感数据研究土壤成分光谱特征时获得的结论相同或相近游离=34.11-0.07923+0.15172- 0.07279-0.01790均方根误差RMSE= 1.59 g/kg，以此模型反演研究区表层土壤游离氧化铁含量具有较高的反演精度和稳定性，总结其原因，本试验使用的HJ-1A 高光谱遥感影像具有较高的光谱分辨率，能够获得精细的地物光谱曲线，为其在土壤成分探测等方面的成功应用奠定基础；遥感影像的获取时间与研究区土壤采样时间同步，有利于提高游离氧化铁含量的反演精度；遥感影像云覆盖率较小（<2%），获取时间为4月30日，此时研究区地表无植被及冰雪覆盖，遥感影像可以真实反映出地表信息；遥感影像经过大气校正后，消除了大气中水汽、尘埃等对传感器成像的影响，获得了地表的真实反射率；反射率经过适当的数学变换以后，可以消除遥感影像中噪声的影响，有效提高了土壤游离氧化铁含量与反射率的相关性；利用多元线性回归分析方法建立的的反演模型用以反演研究区土壤游离氧化铁含量，具有较高的精度与稳定性。游离氧化铁含量的空间分布图显示，研究区土壤游离氧化铁含量呈北低南高的空间分布趋势，游离氧化铁含量<20 g/kg集中分布于研究区东北部与西北部。土壤采样时发现，农安县北部地区土壤退化较严重，土壤中较高的碳酸盐易与铁元素形成难溶性化合物，使游离氧化铁含量的反演值偏低。土壤中有机质对游离氧化铁含量反演精度影响的验证结果显示：随着有机质含量的增加，游离氧化铁含量的反演精度整体上呈逐渐下降趋势，表明研究区土壤游离氧化铁含量的反演精度受到了有机质含量的影响。

本试验土壤采样覆盖的面积较广，研究区内土壤类型复杂，土壤利用的方式多样化，土壤样本养分含量差异较大，与已有的研究相比较，所建立的土壤游离氧化铁含量反演模型精度相对较高，为该模型通用性的建立提供了理论依据。

4 结 论

本研究利用HJ-1A高光谱数据反演农安县表层土壤游离氧化铁含量，获得以下结论：

1）HJ-1A高光谱影像反射率与研究区表层土壤游离氧化铁含量呈负相关性，将反射率进行适当的数学变换后可以有效提升其与土壤游离氧化铁含量的相关性，其中反射率指数的一阶微分变换与土壤游离氧化铁含量的最大相关系数达到-0.908。

2）将HJ-1A高光谱影像进行大气校正后，可以消除大气中水汽、尘埃等对传感器成像的影响，有效提升土壤游离氧化铁含量的反演精度。

3）有机质对游离氧化铁反演精度的影响分析显示，随着土壤中有机质含量的增加，游离氧化铁含量的反演精度呈逐渐降低的趋势，表明研究区土壤游离氧化铁含量的反演精度受到了有机质的影响。

[1] 曾昭华. 农业生态与土壤环境中铁元素的关系[J]. 环境监测管理与技术，2001，13(4)：18-20. Zeng Zhaohua. Relationship between agricultural ecology and element Fe in soil[J]. The Administration and Technique of Environmental Monitoring, 2001, 13(4): 18-20. (in Chinese with English abstract)

[2] 郭颖，郭治兴，刘佳，等. 亚热带典型区域水稻土氧化铁高光谱反演—以珠江三角洲为例[J]. 应用生态学报，2017，28(11)：3675-3683. Guo Ying, Guo Zhixing, Liu Jia, et al. Hyperspectral inversion of paddy soil ferric oxide in typical subtropical area with Pearl River Delta, China as illustration[J]. Chinese Journal of Applied Ecology, 2017, 28(11): 3675-3683. (in Chinese with English abstract)

[3] 乔璐，陈立新，董诚明. 基于高光谱遥感技术对土壤氮磷钾的估算[J]. 森林工程，2018，34(6)：25-71. Qiao Lu, Chen Lixin, Dong Chengmin. Estimates of soil N, P, K concentration by using hyperspectral remote sensing technology[J]. Forest Engineering, 2018, 34(6): 25-71. (in Chinese with English abstract)

[4] 袁中强，曹春香，鲍达明，等. 若尔盖湿地土壤重金属元素含量的遥感反演[J]. 湿地科学，2016，14(1)：113-116. Yuan Zhongqiang, Cao Chunxiang, Bao Daming, et al. Inversion on contents of heavy metals in soils of wetlands in Oige Llateau based on remote sensing data[J]. Wetland Science, 2016, 14(1): 113-116. (in Chinese with English abstract)

[5] Ren H Y, Zhuang D F, Singh A N, et al. Estimation of as and Cu contamination in agricultural soils around a mining area by reflectance spectroscopy: A case study[J]. Fedosphere, 2009, 119(6): 719-726.

[6] Galvao L S, Pizarro M A, Epiphanio J C N. Variations in reflectance of tropical soils: Spectral-chemical composition relationships from AVIRIS data[J]. Remote Sensing of Environment, 2001, 75(2): 245-255.

[7] Baumgardner M F, Stoner E R, Silva L F, et al. Reflective Properties of Soils[M]. New York: Academic Press, 1985.

，陈骏，等. 土壤理化参数的反射光谱分析[J]. 地学前缘，2009，16(4)：354-362. Xia Xueqi, Ji Junfeng, Chen Jun, et al. Analysis of soil physical and chemical properties by reflectance spectroscopy[J]. Earth Science Frontiers, 2009, 16(4): 354-362. (in Chinese with English abstract)

[9] 何挺，王静，程烨，等. 土壤氧化铁光谱特征研究[J]. 地理与地理信息科学，2006，26(2)：30-34. He Ting, Wang Jing, Cheng Ye, et al. Study on spectral features of soil Fe2O3[J]. Geography and Geo Information Science, 2006, 26(2): 30-34. (in Chinese with English abstract)

[10] 丁海宁，陈玉，陈芸芝. 黄土高原土壤铁元素含量遥感反演方法[J]. 遥感技术与应用，2019，34(2)：275-283. Ding Haining, Chen Yu, Chen Yunzhi. Remote sensing inversion method of soil iron content in the Loess Plateau[J]. Remote Sensing Technology and Application, 2019, 34(2): 275-283. (in Chinese with English abstract)

[11] 谢文，赵小敏，郭熙，等. 基于组合模型的庐山森林土壤有效铁光谱间接反演研究[J]. 土壤学报，2017，54(3)：601-612. Xie Wen, Zhao Xiaomin, Guo Xi, et al. Composite-model-based indirect reversion of soil available iron spectrum of forest soil in Lushan[J]. Acta Pedologica Sinica, 2017, 54(3): 601-612. (in Chinese with English abstract)

[12] 马驰. 基于HJ-1A高光谱影像的土壤盐渍化遥感研究[J]. 干旱区资源与环境，2014，28(2)：180-185. Ma Chi. Research on soilsalinizationremote sensingof HJ-1A hyper spectralimages[J]. Journal of Arid Land Resources and Environment, 2014, 28(2): 180-185. (in Chinese with English abstract)

[13] 王爽，丁建丽，王璐，等. 基于地表光谱建模的区域土壤盐渍化遥感监测研究[J]. 干旱区地理，2016，39(1)：190-198. Wang Shuang, Ding Jianli, Wang Lu, et al. Remote sensing monitoring of soil salinization based on surface spectral modeling[J]. Arid Land Geography, 2016, 39(1): 190-198. (in Chinese with English abstract)

[14] 杨可明，郭达志，陈云浩. 高光谱植被遥感数据光谱特征分析[J]. 计算机工程与应用，2006，42(31)：213-222. Yang Keming, Guo Dazhi, Chen Yunhao. Analysis of vegetation spectral features based on hyperspectral imaging data[J]. Computer Engineering and Applications, 2006, 42(31): 213-222. (in Chinese with English abstract)

[15] 朱高飞，范燕敏，盛建东，等. 基于HJ1A-HSI超光谱影像的县域耕地土壤盐渍度预测研究[J]. 中国农学通报，2014，30(8)：289-294. Zhu Gaofei, Fan Yanmin, Sheng Jiandong, et al. Estimation of soil salinity in cultivated land at county scale based on HJ1A-HSI hyperspectral image[J]. Chinese Agricultural Science Bulletin, 2014, 30(8): 289-294. (in Chinese with English abstract)

[16] 刘焕军，赵春江，王纪华，等. 黑土典型区土壤有机质遥感反演[J]. 农业工程学报，2011，28(7)：211-215. Liu Huanjun, Zhao Chunjiang, Wang Jihua, et al. Soil organic matter predicting with remote sensing image in typical black soil area of Northeast China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 28(7): 211-215. (in Chinese with English abstract)

[17] 管延龙，王让会，李成，等. 天山北麓土壤有机质高光谱特征分析[J]. 环境科学技术，2015，38(9)：1-6. Guan Yanlong, Wang Ranghui, Li Cheng, et al. Study on soil organic matter content from hyper-spectra in the north of Tianshan Mountains[J]. Environmental Science & Technology, 2015, 38(9): 1-6. (in Chinese with English abstract)

[18] 彭杰，张杨珠，周清，等. 去除有机质对土壤光谱特性的影响[J]. 土壤，2006，38(4)：453-458. Peng Jie, Zhang Yangzhu, Zhou Qing, et al. Spectral characteristics of soils in Hunan province as affected by removal of soil organic matter[J]. Soils, 2006, 38(4): 453-458. (in Chinese with English abstract)

[19] 熊俊峰，郑光辉，林晨. 基于反射光谱的土壤铁元素含量估算[J]. 光谱学与光谱分析，2016，36(11)：3615-3619. Xiong Junfeng, Zheng Guanghui, Lin Chen. Estimating soil iron content based on reflectance spectra[J]. Spectroscopy and Spectral Analysis, 2016, 36(11): 3615-3619. (in Chinese with English abstract)

[20] 鲁纯. 利用HJ1A-HSI数据定量反演松辽平原土壤含盐量[J]. 吉林农业大学学报，2013，35(5)：577-582. Lu Chun. Quantitative inversion of salinity based on hyper-spectral data in Songliao Plain[J]. Journal of Jilin Agricultural University, 2013, 35(5): 577-582. (in Chinese with English abstract)

[21] 丁海宁，陈玉，陈芸芝. 黄土高原土壤铁元素含量遥感反演方法[J]. 遥感技术与应用，2019，34(2)：275-283. Ding Haining, Chen Yu, Chen Yunzhi. Remote sensing inversion method of soil iron content in the Loess Plateau[J]. Remote Sensing Technology and Application, 2019, 34(2): 275-283. (in Chinese with English abstract)

Inversion of free ferric oxide content in surface soil based on HJ-1A hyperspectral images

Ma Chi

(,110122,)

The real-time monitoring of soil free ferric oxide content is very important for obtaining regional soil physical and chemical characteristics data, monitoring soil environment, and implementing regional precision agriculture. It took HJ-1A hyperspectral remote sensing image as the basis to establish an inversion model of free ferric oxide contents in surface soil of Nong'an county, which also had combined with test data obtained from soil sampling in the study area. The whole process was divided into three steps: first of all, soil samples were taken in the research area from April 29thto April 30th, 2017, and 82 soil samples were collected. At the same time, the longitude and latitude of the sampling points were measured by hand-held GPS receivers to determine the position of the sampling points in remote sensing images, and the free ferric oxide content of the soil samples was tested in the laboratory. Moreover, the HJ-1A hyperspectral remote sensing image covering the study area, which was synchronized with the soil sampling time, was selected, and the FLAASH atmospheric correction model was used to carry out an atmospheric correction on the remote sensing image to eliminate the influence of water vapor, ozone, dust and the like on the imaging process in the imaging process of the sensor. Erdas software was used to carry out a geometric precise correction on the remote sensing image, and the corrected error was less than 1 pixel. Erdas software was used to draw the boundary of the research area, and the remote sensing image was cut and spliced; Finally, the reflectivity was subjected to the mathematical transformation such as reciprocal, logarithmic, exponential, power function, reciprocal of the logarithm, first-order differential of reflectivity, first-order differential of reciprocal, first-order differential of logarithmic, first-order differential of exponential, first-order differential of logarithmic reciprocal, etc. The correlation analysis between the reflectance and its mathematical transformation data and the content of soil free ferric oxide was carried out to obtain the sensitive band of ferric oxide. The inversion model of soil free ferric oxide content in the study area was established by using the method of multiple linear regression analysis, which was used to invert the content of soil free ferric oxide in the study area and draw the spatial distribution map. The results showed that the reflectivity of HJ-1A hyperspectral remote sensing image was negatively correlated with the content of free ferric oxide in the soil in the study area, and reached the peak value at the 104thband, and the correlation coefficient was -0.455. The correlation between the reflectivity and the content of soil free ferric oxide could be significantly improved by first-order differential, reciprocal first-order differential, logarithmic first-order differential, exponential first-order differential, and other mathematical transformation. Among them, the reflectivity index of first-order differential transform and free soil ferric oxide content in the 79thband correlation was the best-reaching and the correlation coefficient was 0.908. A multivariate regression model was established by using reflectance index transformation. The determination coefficient of the model was 0.837 and the root mean square error was 1.59 g/kg. According to the testing results of the influence of organic matter in soil on the inversion accuracy of free ferric oxide contents, it was obvious that the organic matter in the soil of the study area could produce minimal impacts on the inversion accuracy of free ferric oxide contents. This experiment could use for reference for the spectral analysis of soil free ferric oxide and provide data support for the monitoring of the regional soil ecological environment.

remote sensing; hyperspectral; iron; quantitative inversion; free iron oxide; HJ-1A HIS

马驰. HJ-1A高光谱影像的表层土壤游离氧化铁含量反演[J]. 农业工程学报，2020，36(20)：164-170.doi：10.11975/j.issn.1002-6819.2020.20.019 http://www.tcsae.org

Ma Chi. Inversion of free ferric oxide content in surface soil based on HJ-1A hyperspectral images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(20): 164-170. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.20.019 http://www.tcsae.org

2020-02-24

2020-04-07

国家自然科学基金项目（41371332）；中国地质调查局项目（1212010911084）；辽宁省交通高等专科学校项目（lnccybky201910）

马驰，博士，副教授，主要从事RS与GIS应用研究。Email：machi1001@sina.com

10.11975/j.issn.1002-6819.2020.20.019

TP79；S151.9

A

1002-6819(2020)-20-0164-07