遥感多光谱成像在解析土壤成分方面研究进展

马 纬， 武志明， 温鑫伟， 余科松

（山西农业大学农业工程学院，山西 晋中 030801）

0 引言

土壤是人类及陆生动植物赖以生存和发展的基础，是基本的农业生产资料，土壤质量直接关系着农产品的产量与质量。精细农业需要及时准确地获取农田土壤养分信息，以此来对耕地进行变量施肥，达到资源利用率最大的目的[1]。土壤养分是决定土壤肥力、作物生长、农田产量的关键因素，其中土壤有机质、水分、氮磷钾和盐分是农田土壤养分检测中的重要指标[2]。检测土壤成分的传统方法包括化学法或物理法，如采样化验分析法、土壤电导率，这些方法需要与土壤进行直接接触，并且耗时费力，成本高。光谱与成像技术的出现给土壤成分的分析带来了一种新思路，它具有高效、非接触和可用于在线分析的优势，因此在国内外有大量学者进行光谱与成像技术获取农田土壤信息的研究[3]。近年来，由于农业无人机的发展与遥感技术的进步，轻小可机载型传感器的快速研发，遥感平台搭载光谱传感器补充了光谱技术分析土壤信息在低空或高空层面上分析的空白，这一技术有空间分辨率高、操作简易、可实时获取信息的优点，较地面光谱检测有不同尺度分析的独特性与先进性[4]。

多光谱成像技术是有多个（通常3 个以上）较宽波段图像的分析技术，细分光谱波段可增强光谱分辨待测目标的能力，而多光谱成像的光谱分辨率在0.1 mm数量级范围内[5]。已有学者研究表明，利用多光谱技术可以反演土壤中的营养元素、水分、有机质和盐分等土壤特性指标[6-9]。多光谱凭借着多个波段的优势信息来源，成为了快速实时获取农田土壤信息的技术手段。通过使用无人机搭载多光谱仪采集农田土壤成分，可以快速获取土壤样本，从而对农田土壤进行动态分析与监测[10]。近年来，多光谱成像技术在土壤的养分、盐分含量等土壤学问题的应用逐渐显现，国内外也发表了大量的学术成果，这将促使多光谱技术更进一步处理土壤学问题。

在简述多光谱技术的原理和特点之上，本文总结多光谱技术处理土壤样品的一般流程，重点聚焦于多光谱技术在土壤有机质、水分、氮磷钾和盐分等方面的研究进展，简述多光谱进行土壤样品分析过程中所涉及的关键技术，最后对多光谱检测土壤成分的研究现状进行分析与思考。

1 多光谱技术概述

1.1 多光谱传感器

多光谱成像是可同时获取多个宽波段图像的信息技术，是基于光谱学和电子学发展起来的一个新型技术。受限于轻小型多旋翼无人机的载荷能力，搭载在无人机上的多光谱传感器有着轻、小、精等特点。多光谱传感器结合了光谱技术与成像技术，搭载在轻小型无人机上，可实时采集目标样本的光谱信息与图像信息[11]。国内目前应用于科研的轻小型机载多光谱传感器如表1 和图1 所示。

图1 常用轻小型多光谱传感器Fig.1 Light and small multispectral sensors commonly used

表1 常用轻小型多光谱传感器Tab.1 Light and small multispectral sensors commonly used

1.2 多光谱特点

多光谱成像结合了光谱学和图像学技术，已被广泛应用于食品品质检测、农田病虫害监测、土壤成分解析、高通量作物表型获取等方面[12-15]。它可同时获取多个光学频谱波段，而大多数多光谱传感器的波段范围主要集中在紫外、可见光和红外波段。多光谱成像具有以下特点。

（1）信息丰富性。相较于近红外光谱成像技术，多光谱技术所蕴含的信息丰富，它的信息源于多个光谱波段特征，波段与波段之间有相关性的同时又具有差异性，可以更好地反映物体的光学特性。

（2）快速性与便捷性。多光谱传感器搭载在轻小型无人机上，可迅速得到农田土壤的空间信息与光谱信息，不需要物理化学方法进行中间处理，通过分析即可得到该片田地的土壤成分信息，具有快速性、便捷性和无损性。

（3）准确性。多光谱技术一般采用3～20 个波段，具有较高的光谱分辨力。在利用多光谱设备获得土壤表面的光谱反射曲线后，通过多光谱成像技术重建光谱反射率，从而获得土壤的成分信息。

1.3 多光谱检测土壤养分过程

多光谱技术是将入射光谱分为不同波段的光谱，利用这些不同波段的光谱在不同物体上的反射或吸收差异，在3 个及以上波段上分别获取各个波段下的图像，按照波段图像合成规则将各个波段下的图像进行合成，合成后的图像中包含多个波谱，经过数据处理提取合成后图像中的光学信息并结合理化值建立模型，在模型中选择稳定可靠且有效的数学模型进行实际应用，最终完成检测目标土壤成分的目的[16]。

利用多光谱进行土壤成分含量的定性或定量检测包括以下4 个步骤：①土壤样本的选择；②遥感平台搭载多光谱分析仪器采集土壤光谱，得到该土壤的多光谱，同时获得常规方法检测下的土壤样本成分含量；③光谱波段的提取、光谱变量库的构建及反演模型的建立与精度评价；④形成土壤信息的分布处方图。整个流程如图2 所示。

图2 遥感平台解析土壤信息的一般建模过程Fig.2 General modeling process for interpreting soil information by remote sensing platforms

2 光谱技术在土壤检测方面的应用

土壤是由固液气3 种形态物质组合的地表疏松物质，包含了有机质、矿物质、水分、空气、微生物等，富含氮（N）、磷（P）、钾（K）、钙（Ca）、镁（Mg）等大量营养元素，这些元素的含量不仅是土壤肥沃程度的体现，也是作为植物生长发育和进行正常生理活动的重要营养来源[17]。用于分析的主要土壤参数包括氮、磷、钾、含水量、土壤有机质（soil organic matter，SOM）、pH 值、盐分等。部分土壤成分分类及生理作用如表2 所示。

表2 土壤主要成分及生理作用Tab.2 Main components and physiological effects of soil

2.1 有机质检测

土壤有机质泛指存在于土壤中的含碳有机物，包括腐败的动植物残体、微生物和其他有机物等，有机质中含有丰富的营养元素，在一定含量范围内，有机质含量与土壤肥力呈正相关，此外土壤有机质中含有的氮、磷等营养元素对植物的生命活动起关键性作用。因此，快速获取土壤有机质含量，对掌握农田土壤信息和保障农作物产量有重要意义。夏楠等[18]以多光谱遥感影像各波段的反射率为数据源，并基于反射率建立了模型，在选取最优模型后推广至整个研究区。陈思明等[19]以闽江湿地土壤为研究材料获得多光谱图像数据，通过采样像元的波谱分离技术对数据进行分解与重建以解决地物混合像元问题的目的，建立了福建湿地土壤的有机质含量反演模型，结果表明，基于光谱重建的模型较基于原始光谱的模型预测精度有所提高。刘焕军等[20]以饶河境内的农场裸土两期遥感影像为数据源，构建光谱指数，尝试通过随机森林算法和多时相影像遥感来提高土壤有机质反演精度，表明具有较好的精度与稳定性。

2.2 水分检测

土壤水分是植物水分来源的最主要组成部分，也是衡量土壤肥力的重要指标，快速准确地获取土壤水分信息对农作物长势和产量起到重要作用[21]。高培霞等[22]基于前人提出的温度植被干旱指数（temperature vegetation dryness index，TVDI）对土壤水分进行预测，并与传统实测方法进行比较，结果表明，在0～30 cm 的土壤层中，遥感数据反演所得的TVDI 指数与10～20 cm 土层土壤湿度最为相关。张智韬等[23]以粘壤土为试验材料，采用6 波段遥感技术，同时监测不同深度与含水量的土壤样本，并基于偏最小二乘法回归法、逐步回归法和岭回归法3 种算法建立了反映土壤含水率与6 个波段反射率的回归模型，并对模型进行预测评价，得出了逐步回归预测精度最佳，最佳预测深度为土壤表层1 cm。李鑫星等[24]以100 组含水率为10%～50%沙瓢质土壤为样本，采用5 波段光谱相机对土壤进行数据采集，分别建立反向传播神经网络（backpropagation neural network， BPNN） 、 支 持 向 量 机（support vector machine，SVM）、偏最小二乘法（partial least square method，PLS）3 种算法模型，并预测含水率。最终结果表明，BPNN 对土壤水分含量的预测效果最好。赵建辉等[25]将卫星微波遥感与光学多源遥感技术结合，尝试发展一种基于特征参数选择和 GABP（genetic algorithm-back propagation）神经网络的多源遥感农田土壤含水量反演方法，在传统GA-BP 神经网络预测土壤水分模型的基础上加入了DEFS（differential evolution feature selection） 算 法 和 PCA（ principal component analysis）法对数据进行预处理，结果表明，与单纯使用BP-GA 神经网络相比，运用该方法进行土壤反演水分精度得以提高。

2.3 盐分检测

土壤表层盐害由土壤底层可溶性盐分随毛管水上升而形成，已有研究人员发现，土壤盐分过多会对作物根系的积水功能造成不同程度的破坏，进而影响农作物产量[26-27]。此外，土壤盐分过高会使土壤干旱退化，制约区域农业的发展。研究土壤盐分信息，对分析土壤盐渍对作物生长的影响、采取措施改良盐渍化土壤有重要意义。国外学者研究发现，土壤盐分在可见光与近红外波段的光谱响应较强，而且光谱响应随着土壤盐分含量的提高而提高[28]。扶卿华等[29]以盐渍化潮土和盐土为试验材料，发现了土壤对盐分含量的光谱响应关系受植被覆盖度的干扰，土壤反射率对土壤盐分含量敏感的光谱波长范围为451.42～593.79 nm，并在此基础上建立了土壤盐分的BP 神经网络遥感反演模型，该模型在原有反演模型的基础上精度显著提高。杨宁等[30]以无人机多光谱采集的土壤盐分多光谱影像为试验数据，比较不同模型输入量和不同回归方法对模型精度的影响，结果表明，基于光谱指数的随机森林盐分反演模型取得了最佳的反演精度。陈俊英等[31]采集了内蒙古河套地区大田葵花的多光谱图像数据与对应的实测盐分数据，通过灰色关联法筛选出对盐分敏感的光谱指数，建立不同生育期、不同土壤盐分反演模型，获得了反演盐分的最佳模型是在葵花现蕾期0～20 cm 土壤深度的BPNN 模型。

从大量的研究可以看出，学者们提高土壤盐分的反演精度有光谱变换法、筛选敏感光谱变量、建立不同反演模型进行精度对比和建立不同时间空间的不同土壤状态下的模型等方法。这些方法对多光谱遥感技术分析土壤盐渍化问题有一定的积极意义。

2.4 其他元素检测

氮、磷、钾3 种元素不仅是土壤中存在的大量营养元素，还是植物生长发育所必备的元素。伴随着农作物的成熟与收获，大量氮、磷、钾元素会从土壤中流失，因此，获取土壤氮、磷、钾元素含量，对农业土壤管理尤其是变量施肥有重要意义[32-33]。已有学者研究表明，近红外光谱波段对土壤氮元素和磷元素敏感；对于钾元素，可见光可能有更好的检验效果[34]。YANG H Q 等[35]使用350～2 500 nm 的光谱仪扫描英国农场土壤，并使用偏最小二乘法回归建立模型，结果显示，在可见光（400～700 nm）范围内，对土壤全氮的预测效果最好，R2＞0.90。李雪莹等[36]尝试通过多种算法及其融合来寻找土壤的特征波段，尽可能过滤掉无用干扰信息，测定了土壤样品总氮、总碳、总磷含量的紫外-可见光-近红外光谱信息，得到了4 种算法及其融合算法提取的特征波长，分析融合前后的模型效果，结果表明，经过分类器融合后的建模效果有所提高。

3 多光谱成像用于检测土壤成分的关键技术

多光谱图像处理在分析样品组分与建立样品数学模型过程中十分必要，主要包括预处理、回归分析与模型精度评价[37]。预处理是对图像匹配、拼接与校正，利用数学图像处理技术对校正后的图像进行处理，为光谱数据提取做铺垫，可将得到图像导入光谱分析软件进行光谱数据的提取及波段间的运算，进而筛选出敏感光谱特征变量。采用线性与非线性回归方法对光谱数据与化学分析数据进行建模，对模型进行精度评价。

3.1 多光谱成像数据处理

多光谱图像处理分析流程如图3 所示。利用遥感平台得到的多光谱图像需进行图像拼接与校正，其中遥感图像的校正分为几何校正和辐射校正。几何校正主要克服飞行器在飞行过程中因飞行器姿态和地球自转引起的相对于地面的几何畸变，通常采用根据已知控制点对图像进行坐标变换的方法。辐射校正主要克服飞行器本身误差和大气辐射，前者可根据飞行器遥控进行校正，后者可以根据人员后期处理完成，常见的方法是利用标准漫反射板进行辐射校正[38]。

图3 多光谱图像处理分析流程Fig.3 General processing and analysis process of multispectral images

校正后的图像需要进行图像变换处理得到优化后的图像，这一步骤的目的是减少某些与试验因素无关的背景噪声，同时增强土壤的纹理、轮廓等图像信息，常见的方法有灰度变换、彩色合成、图像分割。

采用遥感图像分析软件对处理后的图像进行光谱与图像信息的提取，由于多光谱传感器本身的光谱通道较少，可通过波段间的线性或非线性运算增加建模因子，从中筛选出敏感光谱变量进行建模。

3.2 监测模型

目前，用于建立土壤组分的监测模型主要分为线性模型与非线性模型。一方面，线性回归是最基本的建模方法，因其简单可靠而被常用于数据分析，常用的方法有逐步回归法（stepwise linear regression，SLR）、多元线性回归法（multivaria-ble linear regression，MLR）及偏最小二乘法回归（partial least squares regression，PLSR）等。另一方面，土壤组分与光谱特征变量并非都是理性的线性关系，采用非线性模型进行建模可更好地反映出其中的相关性，非线性建模方法有支持向量机回归（support vector machine regression，SVR）、卷积神经网络（convolutional neural network，CNN）、极限学习机（extreme learning machine，ELM）等。常用于光谱数据与实测数据建模的回归算法如表3 所示。

表3 常用于光谱数据与实测数据建模的回归算法Tab.3 Regression algorithms commonly used for spectral data and measured data modeling

4 结束语

遥感平台获取多光谱图像技术是飞行器技术与光谱成像技术的结合，具有两种技术各自的优势，在快速土壤成分解析等方面具有较大潜力，但也存在一些问题。

（1）简易操作数据解析方案的解决。遥感平台获取的光谱图像数据受飞行本身传感器、飞行器飞行参数和周围环境的影响，在建立模型之前需要进行光谱数据的校正处理与图像背景噪声的去除，这一流程烦琐、算法复杂且需要在多个软件平台上进行，因此，开发简单易操作的数据预处理算法与软件会提高数据处理的效率。

（2）建立的模型与不同种类的土壤样品不匹配。土壤是十分复杂的有机物和无机物的组合体，采用同种测量方法检测土壤成分，其结果因土壤质地、环境等因素而不同，因此开发一种可应用多土壤环境的切实有效的数学模型有重要意义。

（3）机器学习和模式识别成为遥感解析土壤成分的重要应用，为增加土壤模型的准确性与鲁棒性， 提高建模速度，采用智能优化算法建立土壤预测模型变得越来越流行。