电话:86-0755-23229824
手机:18948346937 / 13510373651
邮箱:sales@lisenoptics.com
地址:深圳市宝安区沙井街道后亭茅洲山工业园工业大厦全至科技创新园科创大厦11层C
微信:
微信客服号:
抖音官方号:
立即沟通
1 材料与方法
1.1 试验区概况
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。
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。
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 |
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。
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。
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。
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 |
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 |
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。
建模方法 |
R² |
MRE/% |
BPN |
0.845 |
7.642 |
MLR |
0.714 |
11.871 |
SVR |
0.711 |
10.748 |
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。
建模方法 |
R² |
MRE/% |
BPN |
0.789 |
10.51 |
MLR |
0.717 |
12.46 |
SVR |
0.725 |
12.14 |
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。