服务热线:
86-0755-23229824
您当前所在位置: 首页>>应用案例>>农业环境
基于表层土壤光谱的耕层土壤有机质间接估测
基于表层土壤光谱的耕层土壤有机质间接估测
    有机质是土壤的重要组成部分,为农作物的生长提供必要的营养成分,具有涵养水源、改良土壤等作用,其含量也是衡量土壤质量的重要指标之一。因此,快速、准确地对土壤有机质含量进行监测,具有重要的实践意义。传统的土壤有机质含量测定方法需要在野外采集土壤样品,通过化学方法测定与分析,该方法时效低、成本高、代表性不足,会对土壤造成一定的伤害,无法做到快速、无损地监测区域土壤有机质含量。高光谱遥感技术凭其大尺度、快速、精准、无损等优势,为实现土壤养分的监测,提供了新的思路。许多学者已在土壤光谱特性分析、光谱数据变换、估测因子提取、估测建模等方面取得了丰富成果。管延龙等采集0~20cm深度土样对天山北麓土壤有机质含量进行高光谱建模估测。于雷等采集湖北省20cm深度的耕层土样高光谱数据通过小波变换构建土壤有机质含量反演模型。李西灿等通过在陕西省横山县采集到的0~20cm深度土样采用模糊识别方法进行土壤有机质含量估测。陈奕云等采用江汉平原滨湖地区的0~20cm耕层土壤开展顾及土壤湿度的土壤有机质高光谱预测模型传递研究。目前大部分成果是基于深度为0~20cm的耕层土壤数据进行研究,由于航空及航天遥感仅能获取深度为0~5cm的表层土壤高光谱数据,使得当前的很多研究成果无法与航空及航天遥感数据结合起来,这制约着遥感技术在监测耕层土壤有机质方面的应用。一般情况下,表层土壤水含量通常低于耕层土壤水含量(除农田灌溉、雨后等特殊情况),而土壤水含量低时,土壤水分与有机质的交互作用较弱,且土壤反射光谱受土壤水分的影响较小,有利于土壤有机质含量的估测。耕层土壤与表层土壤的有机质含量并不相同,但二者同属于土壤浅部,具有密切的联系,存在一定的相关性。因此,利用表层土壤与耕层土壤有机质含量的内在关联性,基于表层土壤光谱信息实现耕层土壤有机质含量间接估测具有重要实践意义。本研究利用在山东省济南市章丘区采集的表层与耕层各76个土壤样本数据,基于表层土壤光谱信息,借助BP神经网络(backpropagationneuralnetwork,BPNN)、支持向量机回归(supportvectorregression,SVR)、多元线性回归(multiplelinearregression,MLR)建模估测方法,实现对耕层土壤有机质含量的间接估测。旨在为利用光学卫星遥感技术快速估测耕层土壤有机质含量等土壤性状指标提供技术参考。


    1 材料与方法

    1.1 试验区概况
    本研究试验区选在济南市章丘区。章丘区(36°25′~37°09′N,117°10′~117°35′E)位于济南市区东约50km处,地处泰沂山区北麓,地势自东南向西北倾斜,属暖温带季风区的大陆性气候,光照资源丰富,年均降水量一般为500mm~700mm之间。境内土壤共分4个土类,11个亚类,20个土属,87个土种。其中褐土和潮土分别占总利用面积的70.2%和27.6%。


1.2 光谱测量与样本采集

    数据采集时间为2017年3月,在试验区选择地势平坦、土壤裸露的田地。在无云无风的正午时间段,采用莱森光学的iSpecField-WNIR便携式野外光谱仪进行反射光谱测定。光谱仪的波长范围为350~2500nm,采集时探头与土壤保持15cm距离,用3°视场角进行垂直照射,350~1000nm之间的光谱分辨率为3nm,1000nm~2500nm之间的光谱分辨率为10nm。经过自动内插,光谱重采样间隔为1nm。
    土壤反射率测量完毕后,分别采集样点表层和耕层土壤样本各76个用于化验土壤有机质含量,并用手持GPS仪进行同步定位。土壤样本类型均为褐土,取样农田的农作物类型为冬小麦。采样点空间分布如图1所示。

图1 土壤样本空间分布图

    从图1可见,除东南和西南山区外,采样点空间分布均匀,采样区覆盖章丘大部分地区。


    1.3 土壤有机质含量的测定

    在实验室内,采用重铬酸钾-外加热法对土壤样本有机质含量进行测定,其统计特征如表1所示。
表1 土壤有机质含量统计特征

特征指标

表层土样

耕层土样

最小值/g·kg-1

9.626

7.765

最大值/g·kg-1

29.387

23.647

平均值/g·kg-1

20.761

15.794

标准差/g·kg-1

5.114

4096

变异系数/%

24.635

25.932

    由表1可见,对比两类土壤样本有机质含量的平均值、最大值与最小值,耕层土壤样本有机质含量总体上低于表层土壤样本。

    

    1.4 光谱数据预处理

    利用View Spec Pro软件对光谱数据的断点处进行修正。由于多种因素的影响,光谱曲线存在大量细小噪声。研究表明,原始光谱经过微分变换后,高频噪声会被放大,遮蔽微分变换后的波形轮廓,使试验结果精度降低。为了使数据更加平稳便于分析,通过MATLAB2014b编程实现光谱反射率的小波去噪。经过反复试验最终选择小波基函数为db5,分解层数为3,使用wrcoef函数TYPE类型为a,重构数据得到去噪之后的光谱反射率。


    1.5 异常样本的剔除

    由于光谱测量受到研究区环境、光谱测试条件、人为干扰和土壤理化性状等因素的影响,使得某些样本光谱数据出现异常,会对估测结果产生较大影响,因此剔除异常数据。根据光谱反射率与土壤有机质含量成负相关的关系,按照土壤有机质含量对76个样本排序,绘制光谱曲线图,综合考虑土壤含水量与其他因素的影响,观察曲线走势,剔除光谱曲线明显异常的样本。其方法如图2所示。

图2 异常样本剔除
    图2中,5个样本有机质含量较为接近,但箭头所示32号样本的光谱曲线明显异常,故予以剔除。使用以上方法,本研究共剔除了5个异常样本,其样本号分别为:12、32、57、60、64。


    1.6 光谱数据变换

    为了增强原始光谱数据中不明显的特征差异,提高表层土壤光谱数据与耕层土壤有机质含量之间的相关性,利用反射率一阶微分、平方根的一阶微分、对数倒数的一阶微分等10种数学变换方法对原始光谱反射率进行变换,取△λ=10nm。其中,对数倒数一阶微分、对数的一阶微分的变换效果最好,平方根倒数一阶微分和一阶微分变换在少部分有机质敏感波段处相关系数能接近0.6,但是在相同波段下,对数倒数一阶微分或对数的一阶微分相关系数更高,其他变换方法相关系数相对于原始光谱并没有提高,因此选择变换效果最好的两种方法做变换前后的相关系数如图3所示。

图3 表层光谱与耕层有机质含量的相关系数曲线
    在1350~1450nm和1800~1950nm波长范围内,因光谱反射率受大气水汽吸收的影响强烈,光谱噪声大,故予以剔除。
    由图3可见,光谱反射率变换值与有机质含量的相关性较原始相关性有了较大提高,在550nm附近、1200~1300nm、1500~1650nm、2000~2130nm与2290~2340nm波长范围内,对数倒数一阶微分变换后相关系数均有明显的提高,相关系数最高达到0.80左右。在800~900nm处对数一阶微分变换后相关系数提高,最高处接近0.7。


    1.7 估测因子提取

    在对数倒数一阶微分和对数的一阶微分变换后的光谱反射率中,以相关系数高于0.5为原则,尽可能离散地选取43个特征波段,部分波段如表2所示。
表2 特征波段

对数倒数一阶微分

对数一阶微分

波段/nm

相关系数R²

波段/nm

相关系数R²

376

0.543

691

0.551

396

0.56

856

0.665

438

0.63

819

0.642

524

0.667

2317

-0.759

    主成分分析在处理大数据方面具有显著优势,可以诊断自变量间的共线性,在保留原有信息的基础上达到降维的效果。因此,使用IBM SPSS Statistics 23软件进行主成分分析,结果如表3所示。
3 PCA 特征值及贡献率

主成分

特征值

方差贡献率/%

累计贡献率/%

1

29.943

69.635

69.635

2

3.969

9.23

78.864

3

2.3

5.348

84.213

4

1.727

4.016

88.228

5

1.073

2.495

90.723

    如果特征值小于1,说明这个主成分的影响程度还不如一个基本的变量。从表3可见,前五个成分的特征值均大于1且累计贡献率达到90%,因此选取前五个主成分作为建模的估测因子。


    1.8 建模方法

    由于土壤有机质含量与光谱数据之间存在非线性关系,而BPNN模型对解决非线性问题具有较强的能力,因此本研究主要利用BPNN方法建立估测模型,并与SVR、MLR方法作对比分析。耕层土壤有机质间接估测的基本思路是基于耕层土壤有机质含量与表层土壤光谱信息的间接关联性,利用基于表层土壤光谱提取的估测因子建立耕层土壤有机质含量估测模型,从而实现耕层土壤有机质含量光谱估测。利用决定系数R²、平均相对误差(mean relative error,MRE)和均方根误差(root mean squared error,RMSE)评定模型的估测精度。


    2 结果与分析
    2.1 耕层土壤与表层土壤有机质之间的内在关系
    虽然耕层土壤与表层土壤同属于土壤浅部,但表层土壤与耕层土壤在温度、湿度、光照、通风、微生物等条件存在较大差异,因此二者的有机质含量并不相同。一般耕层土壤有机质更容易被微生物分解,因此在正常情况下耕层土壤有机质含量会低于表层土壤。本研究区耕层土壤与表层土壤有机质含量之间存在的关系,如图4所示。


图4 表层与耕层土壤有机质的实测值关系图

    图4可见,耕层土壤与表层土壤有机质含量之间R²达到0.839,再利用IBM SPSS Statistics 23软件对表层土壤和耕层土壤有机质含量实测值做相关性检验,检验结果中显著性P=2.851*10-28,而当P<0.01时,就可以说数据间存在显著的相关性。因此,综合考虑R²与P值,耕层土壤与表层土壤有机质含量之间存在显著的相关性。这为利用表层土壤光谱信息实现耕层有机质含量的间接估测提供理论支持。


    2.2 基于表层土壤光谱特征的耕层土壤有机质间接估测结果

    通过MATLAB 2014b编程实现BPNN建模,将5个估测因子与耕层土壤有机质含量作为输入值,当学习速率为0.001,目标最小误差为0.001,最大训练次数1000次,隐含层节点个数为10个时,模拟试验结果为最优。耕层土壤有机质含量间接光谱估测值与实测值的关系,如图5所示。

图5 BPNN模型估测结果
    为对比分析,利用IBM SPSS Statistics 23软件建立MLR模型,同时利用MATLAB 2014b编程建立SVR估测模型,分别对耕层土壤有机质含量进行建模估测,三种估测方法的估测结果,如表4所示。
表4 耕层土壤有机质含量间接估测结果

建模方法

R²

MRE/%

BPN

0.845

7.642

MLR

0.714

11.871

SVR

0.711

10.748

    由表4可见,三种方法估测结果均较好,其中BPNN模型的估测精度最高,其R²为0.845,MRE为7.642%,RMSE为1.622g·kg-1。这说明利用表层土壤光谱信息估测耕层土壤有机质含量是可行有效的。


    2.3 结果对比

    为进一步对比分析,采用另一种方法对耕层土壤有机质含量进行间接估测,即基于耕层与表层土壤有机质关系的耕层土壤有机质间接估测方法。其基本思想是:首先利用基于表层光谱信息提取的估测因子建立表层土壤有机质估测模型,计算出表层土壤有机质的估测值y1;然后依据表层、耕层土壤有机质含量的实测数据,建立耕层与表层土壤有机质含量之间的关系式y2=f(y1),再将表层土壤有机质的估测值y1代入关系式y2=f(y1),即可计算出土壤耕层有机质含量的估测值。3种建模方法的估测结果如表5所示。
5 耕层土壤有机质含量间接估测结果

建模方法

R²

MRE/%

BPN

0.789

10.51

MLR

0.717

12.46

SVR

0.725

12.14

    由表5可见,3种模型的耕层土壤有机质含量估测值与实测值具有较强的相关性,估测结果均较好,其中BPNN模型的估测结果相对最优,模型R²为0.789,MRE为10.51%,RMSE为1.923g·kg-1。这说明第二种间接估测方法也是有效的,但与第一种估测方法相比精度略低。


    3 讨论与结论

    众所周知,表层土壤光谱和表层土壤有机质之间存在关联性,而在上文中已经证明表层土壤有机质和耕层土壤有机质之间存在密切联系,具有显著相关性,因此表层土壤光谱和耕层土壤有机质之间是存在间接联系的。基于耕层与表层土壤有机质关系的耕层土壤有机质间接估测方法使用此种间接关系实现了对耕层土壤有机质含量的间接估测,这说明利用表层土壤光谱估测耕层土壤有机质含量是可行的。
    对比表层土壤与耕层土壤,土壤的光谱特性受到成土母质、成土环境、土壤类型、有机质含量、水含量、铁含量、结构组成等众多因素的影响。表层土壤与耕层土壤同属土壤浅部,其区别只是距离地面的深度不同,因此其特性的差异主要体现在有机质含量和水含量两方面。表层土壤与耕层土壤在温度、湿度、光照、通风、微生物等条件存在不同,这使表层土壤与耕层土壤有机质含量并不相同,耕层土壤有机质更容易被分解转化导致耕层土壤有机质含量会低于表层土壤,本试验中土壤有机质的化验结果也证实了这一点。表层土壤水含量一般低于耕层土壤水含量,而水含量低时,水和有机质的交互作用较弱,因此相对耕层土壤表层土壤光谱受水的影响作用较小,有利于提高土壤有机质含量的估测精度。
    对比两种方法对耕层有机质含量间接估测的结果,基于表层土壤光谱特征的耕层土壤有机质间接估测效果要优于基于耕层与表层土壤有机质关系的耕层土壤有机质间接估测。其原因是野外环境复杂多变,且采样与化验过程中的误差是不可避免的,导致建立的耕层与表层土壤有机质关系模型不是完全精确的关系。本试验区的耕层与表层土壤有机质含量决定系数R²为0.839,在使用第二种间接估测方法时会存在误差传递问题,从而对估测结果造成不利的影响,使第二种估测方法的估测精度低于本研究所提出的方法。另外,在测定光谱和采集土样时尽量选择粒径相近、形态相似,且状态较为稳定的土壤,也是降低误差,提高精度的一种方式。因土壤光谱特性影响因素复杂,如何进一步消减各种因素对土壤有机质光谱估测的误差,有待深入研究。
    对比多种模型的估测结果,BPNN模型的估测结果在两种间接估测方法中均为最优,这说明其在处理土壤有机质含量与光谱特征之间存在的非线性关系时具有较强的能力。
    本研究基于山东省济南市章丘区的表层、耕层土壤样本数据,根据耕层土壤有机质含量与表层光谱的间接关联性,利用表层土壤光谱信息实现了耕层土壤有机质含量的间接估测。试验结果表明这种新方法是可行有效的,并且BPNN模型的估测效果为最优,其R²为0.845,MRE为7.642%,RMSE为1.622g·kg-1。基于表层土壤光谱信息实现耕层土壤有机质含量间接估测,能够充分利用表层土壤含水量相对低的特点,既可有效减小土壤水含量的影响,提高土壤有机质含量的估测精度,又为土壤地面高光谱遥感研究成果的推广应用提供理论基础,为航空及航天光学遥感技术快速估测大范围农田耕层土壤有机质含量等土壤性状指标以及更好应用于精准农业提供技术支持。









Copyright © 2020 All Rights Reserved 莱森光学(深圳) 有限公司·版权所有 备案号:粤ICP备18141551号